5G和毫米波通訊將成下一代自動駕駛汽車標配

在過去的20年里，車載通信系統一直是安全通信和交通管理的基本方式，但現在新型傳感器逐漸普及，為車主帶來了更好的連接和更安全的駕駛體驗。無線通信技術應用于汽車后，應用程序開始支持基本安全、交通效率和互聯網接入，車輛實現了V2V模式和V2I模式下的直接通信。同時，該連接已成為自動駕駛汽車中大量傳感器集成的自然補充。

由于自動化水平的不同，市場上的自動駕駛汽車也有所不同。雖然有些車輛具有自動駕駛功能，但駕駛員必須一直握住方向盤；但自動駕駛的另一個極端是沒有方向盤。在這兩個極端之間，駕駛員可以選擇是否進行干預。

例如，自動駕駛程度低的汽車只會在危險時刻提醒駕駛員潛在的碰撞即將發生，而自動駕駛程度高的汽車會自動剎車并避讓。

需要注意的是，即使自動駕駛的程度很高，如果沒有通信系統，汽車也不可能存在，因為如果沒有高精度的地圖，很難實現全自動駕駛。這意味著汽車應該實時從地圖服務器獲取最新數據。

車輛傳感器

支持自動駕駛的傳感器包括車載雷達、視覺攝像頭和激光雷達系統。

其中，雷達主要用于自動巡航控制、碰撞預警、并線輔助和停車。視覺攝像頭負責倒車安全、盲點監測、疲勞預防和車道保持等功能；

激光雷達的主要任務是提供高精度的地圖信息，使汽車能夠完成自動導航，及時發現行人和自行車。

這些技術對于全自動駕駛汽車非常重要。

例如，特斯拉在高速公路上使用視覺攝像頭完成自動駕駛，而谷歌則力求準確，主要依靠激光雷達和3D地圖數據，而雷達系統則負責檢測其他車輛和障礙物。

需要注意的是，這些技術的范圍取決于硬件配置和部署場景。如果你在郊區開車，雷達的射程可達200米，激光雷達可達35米，視覺攝像頭可達30米。如果切換到城市環境，由于交通擁堵和障礙物眾多，這些硬件的檢測范圍將縮小到幾米。

最重要的是，這些外部傳感器將受制于它們的“視覺”。如果增加通信，車輛的感應范圍將大大提高，因為來自各個方向的車輛都可以為其提供重要信息。

當然，自動駕駛汽車將交換什么數據還沒有定論。如果數據傳輸速率低，恐怕汽車只能交換那些經過精心處理的數據。

例如，如果汽車中的傳感器檢測到自行車，它會將自行車的位置和速度傳輸給其他車輛。如果傳輸速率高，可能會發送較少的原始信息，其他車輛需要集成自己的傳感器收集的數據。換句話說，具有高速和低延遲的通信系統允許處理和未處理的信息的快速交換。

下圖是汽車傳感器及其相關數據的匯總，其中還包括各種傳感器所需傳輸速率的比較。

專用短程通信（DSRC）主要用于交換基本安全信息，并為交通管理提供應用，可以同時支持V2V和V2I。

經過20年的發展，DSRC現在正在美國的新車型上部署。然而，為了大規模推廣這項技術，需要政府授權。

目前，DSRC所能支持的數據速率仍然很低，每秒只能傳輸幾兆字節。此外，DSRC技術不支持原始傳感器數據的交換，這對自動駕駛汽車來說非常重要。

隨著通信網絡的發展，蜂窩通信也成為一種新的車輛間通信方式。車輛可以通過使用D2D模式或通過蜂窩基礎設施直接以850 MHz、1800 MHz或2100 MHz進行通信。

通過D2D模式，基站將幫助車輛完成LTE-A網絡下的發現和通信任務。然而，即使在LTE-A網絡中，D2D的傳輸速率也是有限的，因為其信道狀態信息不夠準確，這將對移動設置產生影響。4G網絡通信更多地依賴基礎設施，但在中高速行駛時，傳輸速率仍將降至每秒幾兆字節。

下圖顯示了DSRC和LTE-A在V2V/V2I通信中使用時的傳輸速率比較。考慮到車輛在自動駕駛時每小時可以產生1TB的數據，這兩種技術都無法滿足聯網車輛的數據交換需求。

傳感器面臨的挑戰

如今，5G已經成為行業眼中自動駕駛的好伙伴。新一代移動網絡的應用包括車輛自動化、交通規劃、運營和信息娛樂。

事實上，5G網絡推出后，延遲將降低十倍，帶寬將增加十倍，因此非常適合應用于汽車。此外，5G網絡特有的毫米波技術可以提供高速數據傳輸，原始傳感器數據不成問題。

需要注意的是，高速信息娛樂應用、聯合通信和雷達未來將專注于毫米波頻率。在毫米波鏈路狀態下，車輛和行人可能會阻塞主要通信路徑，樹木和建筑物等靜態實體也會產生阻塞效應。

假設基站配備了不同的傳感器，如雷達和攝像頭，它可以通過傳感器和機器學習的結合來檢測潛在的障礙物和相關的移動物體，以幫助配置通信鏈路，提高V2I通信的性能。機器學習算法將使用pas……

通信性能數據，將特殊雷達反饋識別為障礙。

例如，與靜態環境地圖相結合后，獲得的信息將成為算法產生的“營養”，可以預測車輛在行駛時會遇到的不同形式的障礙物。算法得到的障礙物預測結果可以反饋給基礎設施建設端，以便基礎設施對車輛進行提醒。

此外，傳感器和機器學習算法的結合可以使交通運營中心發現更多與交通環境相關的信息，同時可以不斷改善交通信號和規劃的服務。

除了上述方面，準確定位也是自動駕駛汽車導航的關鍵因素。

即使在多徑的情況下，標準GPS導航系統的精度也只能保持在2到3米以內，但這種精度對于自動駕駛來說是不夠的。自動駕駛的精度至少要達到分米或厘米級別，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度定位，我們也會在城市中遇到“城市峽谷”效應（高層建筑之間）。與此同時，能夠完成高精度定位的GPS傳感器仍然相當昂貴。為了解決這些挑戰，我們必須利用其他汽車傳感器收集的數據或利用道路基礎設施來校正標準GPS數據，從而實現實時厘米級的精確定位。

還有一點，在車輛的自動駕駛程度和通信能力不同的環境中，挑戰將是相當大的。為了解決這一挑戰，我們可以在基站中安裝傳感器，然后這些傳感器收集的信息將直接傳輸到聯網車輛，讓他們能夠感受到非聯網車輛和非機動車的情況。

這種依賴基礎設施的方式即使在大多數車輛沒有通信能力的情況下也可以穩定工作，同時全自動汽車可以更高效地通過十字路口。

*基于蜂窩網絡的交通愿景。

這種方式（如上所示）將圍繞5G網絡完成，因為其目標是提供更快的傳輸速率。同時，下圖中的視覺也是傳感器、機器學習和通信技術的結合。

新的戰略研究計劃

得克薩斯大學最近啟動了一項新的戰略研究計劃，該計劃由得克薩斯大學無線網絡和通信集團（SAVES）推動。其目標是解決下一代互聯汽車的挑戰。

SAVES為先進的車輛通信系統、基礎設施和傳感器技術設計了一個通用框架。與此同時，SAVES還邀請通信和汽車領域的公司齊聚一堂，與擅長無線通信、機器學習和交通的學者進行了交流。

憑借強大的影響力，SAVES還成功招募了美國交通部，其“芯片”是數據支持的交通運營管理系統（DSTOP）和德克薩斯州交通部資助的幾個項目。

SAVES的優勢在于其無線性能指標（如數據傳輸速率）和運輸指標（如交通效率和安全性）。

最近，該團隊在開發基礎理論和算法方面做了大量實驗。研究方向之一是建立傳感器輔助通信技術的基礎，并利用這一基礎完成毫米波V2X通信的訓練。

另一個研究方向是毫米波車載通信基礎理論的研究。他們研究了光束的最佳寬度和相干時間，并取得了顯著的結果。

在一系列實驗中，SAVES充分利用了美國國家儀器公司的設備，包括毫米波原型產品、雷達測試和測量工具。在渠道測量方面，它邀請了豐田信息技術中心和國家儀器公司提供幫助。

同時，還有效地開發了混合毫米波MIMO原型系統，SAVES的目的是測試自行開發的混合預編程和信道估計算法。

在國家儀器公司設備的基礎上，SAVES還成功開發了毫米波聯合通信……

ation和雷達原型產品。此外，基于實驗數據的數據融合也是重點研究項目之一。

總結

5G和毫米波通信無疑將成為下一代傳感器密集型自動駕駛汽車的標準，而高速連接對于傳感器數據交換非常重要。這項技術可以擴大車輛傳感器的檢測范圍，使車輛做出的決策更加安全。

傳感能力將成為車載系統性能的分水嶺，傳感器數據不僅可以提高車輛安全和交通效率，還可以直接反饋通信系統，并且可以以低成本建立毫米波鏈路。

基礎設施不僅是通信的載體，也是傳感器和數據平臺，其收集的數據將用于實時運營、交通網絡控制和規劃。

然而，未來并不光明，我們在前進的道路上仍面臨許多挑戰。在過去的20年里，車載通信系統一直是安全通信和交通管理的基本方式，但現在新型傳感器逐漸普及，為車主帶來了更好的連接和更安全的駕駛體驗。無線通信技術應用于汽車后，應用程序開始支持基本安全、交通效率和互聯網接入，車輛實現了V2V模式和V2I模式下的直接通信。同時，該連接已成為自動駕駛汽車中大量傳感器集成的自然補充。

由于自動化水平的不同，市場上的自動駕駛汽車也有所不同。雖然有些車輛具有自動駕駛功能，但駕駛員必須一直握住方向盤；但自動駕駛的另一個極端是沒有方向盤。在這兩個極端之間，駕駛員可以選擇是否進行干預。

例如，自動駕駛程度低的汽車只會在危險時刻提醒駕駛員潛在的碰撞即將發生，而自動駕駛程度高的汽車會自動剎車并避讓。

需要注意的是，即使自動駕駛的程度很高，如果沒有通信系統，汽車也不可能存在，因為如果沒有高精度的地圖，很難實現全自動駕駛。這意味著汽車應該實時從地圖服務器獲取最新數據。

車輛傳感器

支持自動駕駛的傳感器包括車載雷達、視覺攝像頭和激光雷達系統。

其中，雷達主要用于自動巡航控制、碰撞預警、并線輔助和停車。視覺攝像頭負責倒車安全、盲點監測、疲勞預防和車道保持等功能；

激光雷達的主要任務是提供高精度的地圖信息，使汽車能夠完成自動導航，及時發現行人和自行車。

這些技術對于全自動駕駛汽車非常重要。

例如，特斯拉在高速公路上使用視覺攝像頭完成自動駕駛，而谷歌則力求準確，主要依靠激光雷達和3D地圖數據，而雷達系統則負責檢測其他車輛和障礙物。

需要注意的是，這些技術的范圍取決于硬件配置和部署場景。如果你在郊區開車，雷達的射程可達200米，激光雷達可達35米，視覺攝像頭可達30米。如果切換到城市環境，由于交通擁堵和障礙物眾多，這些硬件的檢測范圍將縮小到幾米。

最重要的是，這些外部傳感器將受制于它們的“視覺”。如果增加通信，車輛的感應范圍將大大提高，因為來自各個方向的車輛都可以為其提供重要信息。

當然，自動駕駛汽車將交換什么數據還沒有定論。如果數據傳輸速率低，恐怕汽車只能交換那些經過精心處理的數據。

例如，如果汽車中的傳感器檢測到自行車，它會將自行車的位置和速度傳輸給其他車輛。如果傳輸速率高，可能會發送較少的原始信息，其他車輛需要集成自己的傳感器收集的數據。換句話說，具有高速和低延遲的通信系統允許處理和未處理的信息的快速交換。

下圖是汽車傳感器及其相關數據的匯總，其中還包括各種傳感器所需傳輸速率的比較。

專用短程通信（DSRC）主要用于交換基本安全信息，并為交通管理提供應用，可以同時支持V2V和V2I。

經過20年的發展，DSRC現在正在美國的新車型上部署。然而，為了大規模推廣這項技術，需要政府授權。

目前，DSRC所能支持的數據速率仍然很低，每秒只能傳輸幾兆字節。此外，DSRC技術不支持原始傳感器數據的交換，這對自動駕駛汽車來說非常重要。

隨著通信網絡的發展，蜂窩通信也成為一種新的車輛間通信方式。車輛可以通過使用D2D模式或通過蜂窩基礎設施直接以850 MHz、1800 MHz或2100 MHz進行通信。

通過D2D模式，基站將幫助車輛完成LTE-A網絡下的發現和通信任務。然而，即使在LTE-A網絡中，D2D的傳輸速率也是有限的，因為其信道狀態信息不夠準確，這將對移動設置產生影響。4G網絡通信更多地依賴基礎設施，但在中高速行駛時，傳輸速率仍將降至每秒幾兆字節。

下圖顯示了DSRC和LTE-A在V2V/V2I通信中使用時的傳輸速率比較。考慮到車輛在自動駕駛時每小時可以產生1TB的數據，這兩種技術都無法滿足聯網車輛的數據交換需求。

傳感器面臨的挑戰

如今，5G已經成為行業眼中自動駕駛的好伙伴。新一代移動網絡的應用包括車輛自動化、交通規劃、運營和信息娛樂。

事實上，5G網絡推出后，延遲將降低十倍，帶寬將增加十倍，因此非常適合應用于汽車。此外，5G網絡特有的毫米波技術可以提供高速數據傳輸，原始傳感器數據不成問題。

需要注意的是，高速信息娛樂應用、聯合通信和雷達未來將專注于毫米波頻率。在毫米波鏈路狀態下，車輛和行人可能會阻塞主要通信路徑，樹木和建筑物等靜態實體也會產生阻塞效應。

假設基站配備了不同的傳感器，如雷達和攝像頭，它可以通過傳感器和機器學習的結合來檢測潛在的障礙物和相關的移動物體，以幫助配置通信鏈路，提高V2I通信的性能。機器學習算法將使用pas……

通信性能數據，將特殊雷達反饋識別為障礙。

例如，與靜態環境地圖相結合后，獲得的信息將成為算法產生的“營養”，可以預測車輛在行駛時會遇到的不同形式的障礙物。算法得到的障礙物預測結果可以反饋給基礎設施建設端，以便基礎設施對車輛進行提醒。

此外，傳感器和機器學習算法的結合可以使交通運營中心發現更多與交通環境相關的信息，同時可以不斷改善交通信號和規劃的服務。

除了上述方面，準確定位也是自動駕駛汽車導航的關鍵因素。

即使在多徑的情況下，標準GPS導航系統的精度也只能保持在2到3米以內，但這種精度對于自動駕駛來說是不夠的。自動駕駛的精度至少要達到分米或厘米級別，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度定位，我們也會在城市中遇到“城市峽谷”效應（高層建筑之間）。與此同時，能夠完成高精度定位的GPS傳感器仍然相當昂貴。為了解決這些挑戰，我們必須利用其他汽車傳感器收集的數據或利用道路基礎設施來校正標準GPS數據，從而實現實時厘米級的精確定位。

還有一點，在車輛的自動駕駛程度和通信能力不同的環境中，挑戰將是相當大的。為了解決這一挑戰，我們可以在基站中安裝傳感器，然后這些傳感器收集的信息將直接傳輸到聯網車輛，讓他們能夠感受到非聯網車輛和非機動車的情況。

這種依賴基礎設施的方式即使在大多數車輛沒有通信能力的情況下也可以穩定工作，同時全自動汽車可以更高效地通過十字路口。

*基于蜂窩網絡的交通愿景。

這種方式（如上所示）將圍繞5G網絡完成，因為其目標是提供更快的傳輸速率。同時，下圖中的視覺也是傳感器、機器學習和通信技術的結合。

新的戰略研究計劃

得克薩斯大學最近啟動了一項新的戰略研究計劃，該計劃由得克薩斯大學無線網絡和通信集團（SAVES）推動。其目標是解決下一代互聯汽車的挑戰。

SAVES為先進的車輛通信系統、基礎設施和傳感器技術設計了一個通用框架。與此同時，SAVES還邀請通信和汽車領域的公司齊聚一堂，與擅長無線通信、機器學習和交通的學者進行了交流。

憑借強大的影響力，SAVES還成功招募了美國交通部，其“芯片”是數據支持的交通運營管理系統（DSTOP）和德克薩斯州交通部資助的幾個項目。

SAVES的優勢在于其無線性能指標（如數據傳輸速率）和運輸指標（如交通效率和安全性）。

最近，該團隊在開發基礎理論和算法方面做了大量實驗。研究方向之一是建立傳感器輔助通信技術的基礎，并利用這一基礎完成毫米波V2X通信的訓練。

另一個研究方向是毫米波車載通信基礎理論的研究。他們研究了光束的最佳寬度和相干時間，并取得了顯著的結果。

在一系列實驗中，SAVES充分利用了美國國家儀器公司的設備，包括毫米波原型產品、雷達測試和測量工具。在渠道測量方面，它邀請了豐田信息技術中心和國家儀器公司提供幫助。

同時，還有效地開發了混合毫米波MIMO原型系統，SAVES的目的是測試自行開發的混合預編程和信道估計算法。

在國家儀器公司設備的基礎上，SAVES還成功開發了毫米波聯合通信……

ation和雷達原型產品。此外，基于實驗數據的數據融合也是重點研究項目之一。

總結

5G和毫米波通信無疑將成為下一代傳感器密集型自動駕駛汽車的標準，而高速連接對于傳感器數據交換非常重要。這項技術可以擴大車輛傳感器的檢測范圍，使車輛做出的決策更加安全。

傳感能力將成為車載系統性能的分水嶺，傳感器數據不僅可以提高車輛安全和交通效率，還可以直接反饋通信系統，并且可以以低成本建立毫米波鏈路。

基礎設施不僅是通信的載體，也是傳感器和數據平臺，其收集的數據將用于實時運營、交通網絡控制和規劃。

然而，未來并不光明，我們在前進的道路上仍面臨許多挑戰。

標簽：DS發現豐田特斯拉前途

汽車資訊熱門資訊