无线连接实现新一代汽车愿景
本站点使用Cookies,继续浏览表示您同意我们使用Cookies。Cookies和隐私政策>
借助无线通信技术,当车辆直接以V2V(车对车)模式或V2I(车对基础设施)模式(统称为V2X)与基础设施进行通信时,应用程序能够为车辆提供基本安全、运输效率和互联网接入功能。对于不断增加的集成在自动汽车中的传感器,联网是对其功能顺理成章的补充。
根据自动化级别,自动汽车分为很多种:一种极端类型是汽车由驾驶员完全控制;另一种极端类型则是当乘客失去控制能力时,由汽车完全控制;而介于这两种级别之间的,则一些驾驶功能是自动的,但驾驶员仍然可以介入其中。例如,当行驶前方出现潜在的碰撞危险时,自动化级别较低的车辆可能只会向驾驶员发出警告;而自动化级别较高的车辆则会自动施加制动并采取规避动作以避免碰撞。尽管当前的趋势是要实现全自动的“自主驾驶”,但全自动不可能与完全自主驾驶同时发生,因为这意味着自动驾驶系统在人车之间缺少沟通的情况下取得对车辆的完全控制。如果不从或很少从地图服务器的更新信息中获取每日的高分辨率地图数据,全自动高速驾驶是很难实现的。
为实现自动化而部署的传感器包括汽车雷达、摄像头和LiDAR(光探测和雷达)系统。雷达用于自动巡航控制系统、前方碰撞警告、变道辅助、停车和碰撞预防系统;摄像头用于(车尾)安全强化、盲点监控、疲劳驾驶预防和车道保持;而LiDAR系统提供高分辨率的3D地图信息,可用于自主导航以及行人和自行车探测。
这些技术对全自动汽车是十分重要的。例如,特斯拉使用摄像头进行自动化公路驾驶,谷歌汽车大量应用LiDAR系统以及3D地图数据来支持精准驾驶和导航,并且使用多个雷达系统帮助探测其它车辆。每种技术的应用范围取决于其配置和部署场景,例如,在农村地区,雷达探测距离可达200米、LiDAR系统为35米、摄像头为30米;但在城市市区,由于交通拥挤和其它障碍物,这些技术的应用范围会缩短到几米。实际上,这些外部传感器会因为它们看到的实物而受到限制。通过利用前方、后方或旁边其它车辆所看到的事物,联网通信可以帮助汽车扩大感知范围。
究竟哪些数据需要在自动车辆之间交换目前尚未确定。如果只能提供低传输速率,车辆相互之间只能传递经过深度处理的数据。例如,一辆汽车使用其传感器探测到一辆自行车之后会将其位置和速度信息广播给其它车辆。但如果能够实现高传输速率通信,该汽车就可以将原始传感器信息或仅仅经过微度处理的传感器信息发送给其它车辆,从而让其它车辆自行运行传感器来融合以及处理接收到的数据,这种方法可以让车辆自行做出决策并降低对其它车辆的依赖。另一个额外优点就是这种方法能够随时间变化衡量车辆的处理能力。具有高传输速率、低时延特点的通信技术能够实现处理后数据和原始数据的交换。传送不同类型汽车传感器生成的数据所需的传输速率请参见表1。
表1 汽车传感器与传输速率概览
DSRC(专用短程通信)技术是主要用于交换基本安全信息的一种手段,并提供一些交通管理方面的应用。DSRC支持V2V和V2I模式。经过近20年的发展,DSRC现在可以应用于美国部分汽车上,但政府的任务是要实现其更广泛的应用。DSRC支持的传输速率很低,大约每秒几兆比特,另外,其不支持自动车辆可能需要的原始传感数据交换。
蜂窝通信是另一种汽车通信手段,可以直接使用D2D(Device-to-Device)模式通信或通过850MHz、1800MHz或2100MHz频段的蜂窝基础设施进行通信。利用LTE-A中的D2D模式,基站能够帮助发现设备并进行直接通信。但是由于信道状态信息不准确这一移动设置问题,D2D模式支持的速率有限。4G通信可以通过基础设施使用该技术,但是在中高速移动状态下的传输速率只有每秒几兆比特。DSRC和LTE-A进行V2V/V2I通信的特点对比请参见表2。鉴于自动汽车在每小时驾驶过程中会产生高达1TB(10万亿字节)的数据量,所以无论是4G还是DSRC都无法为需要交换传感数据的联网汽车提供足够的处理能力。
“联网自动汽车”是一个热点课题。目前,连接性与自动化相结合的优点通过各种测试得到了验证,其优点如下:
表2 D2D模式下DSRC和LTE-A的特点对比
当前,人们对汽车上的5G应用案例有很大的兴趣,包括车辆自动化、交通规划与运营以及信息娱乐系统。相比4G方案,5G将时延降低了超过10倍而把带宽增加了超过10倍,更加适用于汽车应用。毫米波(mmWave)5G因其具有非常高的数据速率而更具吸引力,能够用于原始传感器数据的交换;而且,高数据速率的信息娱乐应用和联合通信,以及雷达在毫米波频率下都能够得到实现。
在毫米波链路下,汽车和行人都可能会阻挡主通信路径,而环境中的静态物体,例如树木和建筑物则是另一个障碍来源。假设基站配备不同的传感器,例如雷达和摄像机,将传感和机器学习(ML)相结合来探测潜在的障碍物及其移动状态,以此来帮助配置通信链接并提升V2I的通信性能。机器学习算法利用过去的通信性能进行分类,例如将特定的雷达响应归类为障碍物,与静态环境地图相结合,可以利用该信息建立一种算法来预测目标汽车行驶过程中遇到的不同类型的障碍物。该障碍预测算法的结果重新定义了新波束,这种波束必须在基础设施侧使用来识别汽车。另外,传感与机器学习相组合同样能够应用于交通运营中心来更多地了解交通环境并完善交通信号和规划的相关服务。
精准定位是自主或自动汽车导航的另一个重要方面。在良好的多径条件下,标准的全球定位系统(GPS)/全球卫星导航系统(GNSS)接收机的定位精确度在2~3米,但自主/自动汽车需要更精确的定位技术,需要达到厘米级或者至少分米级的精确度,以保证汽车与其它车辆之间保持安全行车距离并保持在其车道上。然而,由于高楼大厦间的“城市峡谷效应”,要想在城市环境中实现有效导航,高精度定位无疑是一个充满挑战的任务。尽管如此,现在已有可用的精准接收机面世,只是所需的GPS传感器十分昂贵。利用从汽车或道路基础设施的其它传感器上获取的信息,以此来校正标准的GPS估算并实现实时、精确到厘米的定位,是克服这些挑战的方法之一。
在混合使用环境中,汽车的自动化程度和通信性能有较大的差异。这种情况仍然是一大挑战。一种方法是将传感器部署到基站,从传感器处获得的信息能够被广播到联网汽车,提供有关未联网车辆和非机动车辆或公路的态势感知。即使大多数其它车辆不具备通信功能,这种以基础设施为基础的方法仍然能很好地奏效。不需要交通信号灯,基础设施也能更有效地协调高级别自动车辆进行交互从而有序通过路口。例如图1所示的这种基于基础设施的传感将会被用来创建5G蜂窝通信以实现提供更高传输速率的目标。图1展示了在毫米波频率下用蜂窝基础设施来支持交通的愿景展望,这将是传感、知识和通信的结合,汽车将以此来交换传感器数据。
图1 支持交通的蜂窝基础设施示意图
德克萨斯大学奥斯汀分校的无线网络和通信集团提出了一个名为SAVES的方案。这个战略研究计划用来应对新一代联网汽车面临的挑战。SAVES方案为先进汽车联网的发展提供了一个统一的框架,提供基础设施来支持联网,以及包括成像、雷达与定位和联网应用的传感技术。
SAVES将专注于通信和汽车空间研究的公司与专门研究无线通信、机器学习和交通的师生汇集到一起。SAVES还与美国交通运输部合作,开展关于数据支持的交通运行和规划,并且与德克萨斯州交通运输部联合开展多个研究项目。SAVES一个独特的特点就是在发展新的技术时强调无线性能指标,例如传输速率,以及交通指标,例如交通效率和安全性的并重。
德克萨斯大学SAVES现阶段正在开展的工作包括基础理论、算法和实验活动。其中一个研究方向旨在建立传感器辅助通信的基础技术,并利用从汽车传感器上获取的数据,将这些基础技术应用到毫米波V2X通信中的波束训练上。这些基础技术包括雷达辅助毫米波车辆通信以及使用位置信息来减少波束对齐开销;另一个研究方向是毫米波车辆通信基础理论的发展。最佳波束宽度调查和对射束调准相干时间的定义是目前已开发项目的很好例证。
当前和未来的多个实验活动都大量使用了美国国家仪器公司的设备,包括毫米波原型机和雷达测试及测量工具。通过与丰田信息技术中心和美国国家仪器公司合作,信道测量工作正在进行中,以更好地了解毫米波车辆环境。德克萨斯大学、西班牙维哥大学和美国国家仪器公司正在合作开发包含两个射频链、可提供1GHz带宽的混合毫米波原型MIMO系统,用来测试在简单的车辆场景中混合预编码和信道估计算法的性能表现。依托美国国家仪器公司的硬件,联合毫米波通信和雷达原型机也正在开发中,该原型机利用IEEE 802.11ad WLAN标准的波形和典型的接收机算法来使车辆通信和雷达技术的统一框架达到60GHz。同样的努力还用在实现更低的频率以证明IEEE 802.11p也可用于雷达。最后,还有一个正在进行的基于实验数据的数据融合研究,例如,将DSRC与雷达结合,来完善联网与未联网车辆间的前方碰撞预警。
5G和毫米波通信将给新一代自动汽车装备越来越多的传感器。高传输速率的连接对车辆交换传感器数据、扩大传感范围和做出更明智的安全决策都十分重要。传感是车辆系统的一个重要的差异化特征,传感数据不仅能够用于增加安全或交通协调水平,还能够辅助通信自身来建立低开销的毫米波连接。基础设施不仅是通信的一种手段,也是传感和数据采集的平台,这些数据对实时操作、交通网络控制、规划和操作都非常有用。不论怎样,为实现我们的5G汽车愿景,仍有许多研究挑战需要攻克,包括毫米波车辆通信的基础技术和传感器辅助通信手段的研发。