自動駕駛還不夠,下世代汽車要在無線通訊方面大躍進

作者 | 發布日期 2017 年 05 月 15 日 7:13 | 分類 汽車科技 , 自駕車 , 處理器 follow us in feedly

過去 20 年,車載通訊系統一直是汽車基本的安全通訊和交通管理方式,但現在新款感測器逐漸普及,為車主帶來更穩定的連線和更安全的駕駛體驗。



汽車使用無線通訊技術後,應用開始支撐基本安全、交通效率和網際網路接入等功能,車輛在 V2V 型態和 V2I 型態下實現直接通訊。同時,連線還成了自動駕駛車輛集成大量感測器的自然補充。

由於自動化水平的不同,市場上的自動駕駛車輛也各不相同。有些車輛雖然有自動駕駛功能,但駕駛員卻要全程緊握方向盤;另一個極端的自動駕駛,是沒有方向盤。在這兩種極端情況之間,駕駛員可以選擇是否介入。

舉例來說,自動駕駛程度較低的汽車,只會在危險時刻提醒駕駛員潛在碰撞將要發生,而自動駕駛程度較高的汽車,則會自動煞車並躲避。

需要注意的是,即使自動駕駛程度很高,汽車也無法脫離通訊系統存在,因為想達到完全自動駕駛,如果沒有高精確地圖,那就很難實現。這就意味著汽車要即時從地圖伺服器抓取最新資料。

車載感測器

支援汽車自動駕駛的感測器包括車載雷達、視覺鏡頭和雷射雷達系統。

其中雷達主要用在自動巡航控制、碰撞預警、併線輔助和停車等功能上;視覺鏡頭則負責倒車安全、盲區監控、防疲勞和車道保持等功能;雷射雷達的主要工作則是提供高精確地圖資訊,以便汽車完成自動導航並及時發現行人和自行車。

對全自動駕駛汽車來說,這些技術至關重要。

舉例來說,特斯拉使用視覺鏡頭完成高速公路上的自動駕駛,而 Google 力求精確,主要依靠雷射雷達和 3D 地圖資料,同時雷達系統則負責探測其他車輛和障礙物。

需要注意的是,這些技術的作用範圍要看硬體規格和部署場域。如果在郊區行駛,雷達的作用範圍可達 200 公尺,雷射雷達也有 35 公尺,視覺鏡頭則為 30 公尺。如果換到城市環境,由於交通擁堵、障礙物眾多,這些硬體的探測範圍就會縮到至只幾公尺。

最重要的是,這些外部感測器會受制於「視力」,如果加上通訊,車輛的傳感範圍會大幅提升,因為四面八方的車輛都能提供重要資訊。

當然,自動駕駛車輛到底要交換什麼資料目前還沒定論,如果資料傳送速率較低,汽車間恐怕只能交換經過精細處理的資料了。

舉例來說,一輛車上的感測器如果探測到一輛自行車,會將其位置和速度傳給其他車輛。如果傳送速率高,傳送的可能是處理較少的初始資訊,其他車輛則需要根據自身感測器搜集到的資料進行整合。也就是說,擁有高速率和低延遲的通訊系統,就能讓處理和未處理的資訊快速交換。

下圖是汽車感測器及其相關資料摘要,其中也涉及各種感測器所需的傳送速率對比。

專屬短程通訊技術(DSRC)主要為交換基礎安全資訊和為交通管理提供應用而生,該技術可同時支援 V2V 和 V2I。

經過 20 年發展,DSRC 現在已在美國新車型上部署了。不過,要想大規模普及這種技術,還需要政府授權。

眼下,DSRC 能支援的資料速率還很低,每秒傳送幾百萬而已。此外,雷鋒網注意到,DSRC 技術並不支援初始感測器資料交換,而這類資料對自動駕駛汽車至關重要。

隨著通訊網路的發展,蜂窩通訊也成了車輛間交流的新方式,車輛可直接利用 D2D 型態或透過蜂窩基礎設施,在 850 MHz、1800 MHz 或 2100 MHz 三個頻段通訊。

透過 D2D 型態,在 LTE-A 網路下基地台將幫助車輛完成發現和溝通的工作。不過,即使在 LTE-A 網路下,D2D 的傳送速率也有限制,因為其信道狀態資訊不夠準確,這對行動設定會產生影響。4G 網路通訊較依賴基礎設施,但中高速行駛時傳送速率還是會降到每秒幾百萬。

下圖展示 DSRC 和 LTE-A 用在 V2V / V2I 通訊時的傳送速率對比。考慮到自動駕駛時車輛每小時能生成 1TB 資料,因此兩項技術都無法滿足聯網車輛資料交換的需要。

感測器面臨的挑戰

如今,5G 成了業界自動駕駛的好搭檔,新一代行動網路的應用包括車輛自動化、交通規劃、營運和資訊娛樂等。

確實,5G 網路上路後,延遲會低上 10 倍,而頻寬則會增長 10 倍,因此非常適合應用在汽車上。此外,5G 網路特有的毫米波技術能提供高速資料傳送,初始感測器資料也不在話下。

需要注意的是,高速率資訊娛樂應用、聯合通訊和雷達未來都會集中在毫米波這一頻率。在毫米波連結狀態下,車輛和行人可能會阻斷主要通訊路徑,同時樹木和建築等靜態實體也會產生阻擋效應。

假設地台搭載了不同的感測器,如雷達和影鏡頭,就可以透過感測器的結合與機器學習來探測潛在的障礙物和相關的移動物體來幫忙規範通訊連結,並提升 V2I 通訊的表現。機器學習演算法會利用過去通訊效能資料,將特殊的雷達回饋辨識為障礙。

舉例來說,在與靜態環境地圖進行結合後,得出的資訊會成為演算法生成的「養分」,該演算法可以預測車輛行駛中遇到的不同形式障礙。演算法得出的障礙預測結果可回饋到基礎設施建設端,這樣基礎設施就能對車輛有提醒作用。

除此之外,感測器和機器學習演算法的結合,還能讓交通執行中心發掘更多與交通環境相關的資訊,同時還能不斷提升交通訊號和規劃方面的服務。

除了以上各方面,精確定位也是自動駕駛車輛導航時的關鍵因素。

標準的 GPS 導航系統,即使在多路徑情況下,精確度也只能保持在 2~3 公尺內,但這樣的精度用在自動駕駛上完全不夠,自動駕駛的精確度至少要達到公分級別,這樣車輛才能與其他物體保持安全距離。

即使我們實現了高精確定位,在城市裡也會遭遇「城市峽谷」效應(高層建築間)。同時,能完成高精確度定位的 GPS 感測器現在還相當昂貴。要想解決這些挑戰,我們就必須使用汽車其他感測器收集到的資料,或用道路基礎設施校正標準 GPS 資料,這樣才能實現即時公分級精確定位。

還有一點,在車輛自動駕駛程度和通訊能力有差別的環境下,挑戰也會相當巨大。想解決這一挑戰,可以在基地台裝感測器,隨後這些感測器收集的資訊會直接傳給聯網車輛,讓它們對非聯網車輛和非機動車產生態勢感知。

這種依靠基礎設施的方式,即使在大多數車輛都沒有通訊能力時也能穩定工作,同時全自動駕駛汽車也能藉此更有效地通過十字路口。

▲ 蜂窩網路為基礎的交通運輸願景。

這樣的方式將圍繞 5G 網路完成,因為其目標就是提供更快的傳送速率。同時,下圖的願景也正是感測器、機器學習和通訊等技術的結合。

新的戰略研究計畫

德州大學最近推出新戰略研究計畫,負責推動該計畫的是德州大學無線網路和通訊集團(SAVES),目標是解決下世代聯網車輛遇到的挑戰。

SAVES 為先進車輛通訊系統、基礎設施、感測器技術等設計了一個通用框架。同時,SAVES 還邀請通訊和汽車公司齊聚一堂,與擅長無線通訊、機器學習和交通的學者進行交流。

藉助自己強大的影響力,SAVES 還成功拉了美國交通部「入夥」,「籌碼」就是資料支援的交通營運和管理系統(DSTOP)與德州交通部門資助的多個專案。

SAVES 的強悍之處在於無線效能指標(如資料傳送速率)和交通運輸指標(如交通效率和安全)。

最近,該團隊在開發基礎理論、演算法上做了不少實驗,其中一個研究方向是為了建立感測器輔助通訊技術的基礎,並利用這一基礎在毫米波 V2X 通訊中完成訓練。

另一個研究方向則是毫米波車載通訊基礎理論的研究,他們調查了最優波束寬度和光束的相關時間,成績斐然。

在一系列實驗中,SAVES 充分利用美國國家儀器公司的裝置,其中包括毫米波原型產品、雷達測試和測量工具。在信道測量中,找來豐田資訊技術中心和國家儀器公司幫忙。

同時,一款混合型毫米波 MIMO 原型系統也得到開發,SAVES 的目的就是測試自研混合型預程式設計和信道預估演算法。

在國家儀器公司的裝置上,SAVES 還成功開發了聯合毫米波通訊與雷達原型產品。除此之外,在實驗資料之上完成資料融合,也是研究的重點專案之一。

總結

5G 和毫米波通訊無疑會成為下世代感測器密集型自動駕駛車輛的標配,而高速率連線對於感測器資料交換則至關重要,該技術能擴大車輛感測器的探測範圍,讓車輛所做的決定更安全。

傳感能力將成為車載系統效能的分水嶺,而感測器資料不但能提升車輛安全和交通效率,還能直接反饋通訊系統,在低成本的情況下就能建立毫米波連結。

基礎設施不但是通訊載體,它還成了感測器和資料平台,收集的資料將用於即時營運、交通網路控制和規劃上。

不過,前途並非一片光明,在前進的道路上還有許多挑戰要面對。

(本文由 雷鋒網 授權轉載;首圖來源:shutterstock)