5G和毫米波通讯将成下一代自动驾驶汽车标配

在过去的20年里，车载通信系统一直是安全通信和交通管理的基本方式，但现在新型传感器逐渐普及，为车主带来了更好的连接和更安全的驾驶体验。无线通信技术应用于汽车后，应用程序开始支持基本安全、交通效率和互联网接入，车辆实现了V2V模式和V2I模式下的直接通信。同时，该连接已成为自动驾驶汽车中大量传感器集成的自然补充。

由于自动化水平的不同，市场上的自动驾驶汽车也有所不同。虽然有些车辆具有自动驾驶功能，但驾驶员必须一直握住方向盘；但自动驾驶的另一个极端是没有方向盘。在这两个极端之间，驾驶员可以选择是否进行干预。

例如，自动驾驶程度低的汽车只会在危险时刻提醒驾驶员潜在的碰撞即将发生，而自动驾驶程度高的汽车会自动刹车并避让。

需要注意的是，即使自动驾驶的程度很高，如果没有通信系统，汽车也不可能存在，因为如果没有高精度的地图，很难实现全自动驾驶。这意味着汽车应该实时从地图服务器获取最新数据。

车辆传感器

支持自动驾驶的传感器包括车载雷达、视觉摄像头和激光雷达系统。

其中，雷达主要用于自动巡航控制、碰撞预警、并线辅助和停车。视觉摄像头负责倒车安全、盲点监测、疲劳预防和车道保持等功能；

激光雷达的主要任务是提供高精度的地图信息，使汽车能够完成自动导航，及时发现行人和自行车。

这些技术对于全自动驾驶汽车非常重要。

例如，特斯拉在高速公路上使用视觉摄像头完成自动驾驶，而谷歌则力求准确，主要依靠激光雷达和3D地图数据，而雷达系统则负责检测其他车辆和障碍物。

需要注意的是，这些技术的范围取决于硬件配置和部署场景。如果你在郊区开车，雷达的射程可达200米，激光雷达可达35米，视觉摄像头可达30米。如果切换到城市环境，由于交通拥堵和障碍物众多，这些硬件的检测范围将缩小到几米。

最重要的是，这些外部传感器将受制于它们的“视觉”。如果增加通信，车辆的感应范围将大大提高，因为来自各个方向的车辆都可以为其提供重要信息。

当然，自动驾驶汽车将交换什么数据还没有定论。如果数据传输速率低，恐怕汽车只能交换那些经过精心处理的数据。

例如，如果汽车中的传感器检测到自行车，它会将自行车的位置和速度传输给其他车辆。如果传输速率高，可能会发送较少的原始信息，其他车辆需要集成自己的传感器收集的数据。换句话说，具有高速和低延迟的通信系统允许处理和未处理的信息的快速交换。

下图是汽车传感器及其相关数据的汇总，其中还包括各种传感器所需传输速率的比较。

专用短程通信（DSRC）主要用于交换基本安全信息，并为交通管理提供应用，可以同时支持V2V和V2I。

经过20年的发展，DSRC现在正在美国的新车型上部署。然而，为了大规模推广这项技术，需要政府授权。

目前，DSRC所能支持的数据速率仍然很低，每秒只能传输几兆字节。此外，DSRC技术不支持原始传感器数据的交换，这对自动驾驶汽车来说非常重要。

随着通信网络的发展，蜂窝通信也成为一种新的车辆间通信方式。车辆可以通过使用D2D模式或通过蜂窝基础设施直接以850 MHz、1800 MHz或2100 MHz进行通信。

通过D2D模式，基站将帮助车辆完成LTE-A网络下的发现和通信任务。然而，即使在LTE-A网络中，D2D的传输速率也是有限的，因为其信道状态信息不够准确，这将对移动设置产生影响。4G网络通信更多地依赖基础设施，但在中高速行驶时，传输速率仍将降至每秒几兆字节。

下图显示了DSRC和LTE-A在V2V/V2I通信中使用时的传输速率比较。考虑到车辆在自动驾驶时每小时可以产生1TB的数据，这两种技术都无法满足联网车辆的数据交换需求。

传感器面临的挑战

如今，5G已经成为行业眼中自动驾驶的好伙伴。新一代移动网络的应用包括车辆自动化、交通规划、运营和信息娱乐。

事实上，5G网络推出后，延迟将降低十倍，带宽将增加十倍，因此非常适合应用于汽车。此外，5G网络特有的毫米波技术可以提供高速数据传输，原始传感器数据不成问题。

需要注意的是，高速信息娱乐应用、联合通信和雷达未来将专注于毫米波频率。在毫米波链路状态下，车辆和行人可能会阻塞主要通信路径，树木和建筑物等静态实体也会产生阻塞效应。

假设基站配备了不同的传感器，如雷达和摄像头，它可以通过传感器和机器学习的结合来检测潜在的障碍物和相关的移动物体，以帮助配置通信链路，提高V2I通信的性能。机器学习算法将使用pas……

通信性能数据，将特殊雷达反馈识别为障碍。

例如，与静态环境地图相结合后，获得的信息将成为算法产生的“营养”，可以预测车辆在行驶时会遇到的不同形式的障碍物。算法得到的障碍物预测结果可以反馈给基础设施建设端，以便基础设施对车辆进行提醒。

此外，传感器和机器学习算法的结合可以使交通运营中心发现更多与交通环境相关的信息，同时可以不断改善交通信号和规划的服务。

除了上述方面，准确定位也是自动驾驶汽车导航的关键因素。

即使在多径的情况下，标准GPS导航系统的精度也只能保持在2到3米以内，但这种精度对于自动驾驶来说是不够的。自动驾驶的精度至少要达到分米或厘米级别，这样车辆才能与其他物体保持安全距离。

即使我们实现了高精度定位，我们也会在城市中遇到“城市峡谷”效应（高层建筑之间）。与此同时，能够完成高精度定位的GPS传感器仍然相当昂贵。为了解决这些挑战，我们必须利用其他汽车传感器收集的数据或利用道路基础设施来校正标准GPS数据，从而实现实时厘米级的精确定位。

还有一点，在车辆的自动驾驶程度和通信能力不同的环境中，挑战将是相当大的。为了解决这一挑战，我们可以在基站中安装传感器，然后这些传感器收集的信息将直接传输到联网车辆，让他们能够感受到非联网车辆和非机动车的情况。

这种依赖基础设施的方式即使在大多数车辆没有通信能力的情况下也可以稳定工作，同时全自动汽车可以更高效地通过十字路口。

*基于蜂窝网络的交通愿景。

这种方式（如上所示）将围绕5G网络完成，因为其目标是提供更快的传输速率。同时，下图中的视觉也是传感器、机器学习和通信技术的结合。

新的战略研究计划

得克萨斯大学最近启动了一项新的战略研究计划，该计划由得克萨斯大学无线网络和通信集团（SAVES）推动。其目标是解决下一代互联汽车的挑战。

SAVES为先进的车辆通信系统、基础设施和传感器技术设计了一个通用框架。与此同时，SAVES还邀请通信和汽车领域的公司齐聚一堂，与擅长无线通信、机器学习和交通的学者进行了交流。

凭借强大的影响力，SAVES还成功招募了美国交通部，其“芯片”是数据支持的交通运营管理系统（DSTOP）和德克萨斯州交通部资助的几个项目。

SAVES的优势在于其无线性能指标（如数据传输速率）和运输指标（如交通效率和安全性）。

最近，该团队在开发基础理论和算法方面做了大量实验。研究方向之一是建立传感器辅助通信技术的基础，并利用这一基础完成毫米波V2X通信的训练。

另一个研究方向是毫米波车载通信基础理论的研究。他们研究了光束的最佳宽度和相干时间，并取得了显著的结果。

在一系列实验中，SAVES充分利用了美国国家仪器公司的设备，包括毫米波原型产品、雷达测试和测量工具。在渠道测量方面，它邀请了丰田信息技术中心和国家仪器公司提供帮助。

同时，还有效地开发了混合毫米波MIMO原型系统，SAVES的目的是测试自行开发的混合预编程和信道估计算法。

在国家仪器公司设备的基础上，SAVES还成功开发了毫米波联合通信……

ation和雷达原型产品。此外，基于实验数据的数据融合也是重点研究项目之一。

总结

5G和毫米波通信无疑将成为下一代传感器密集型自动驾驶汽车的标准，而高速连接对于传感器数据交换非常重要。这项技术可以扩大车辆传感器的检测范围，使车辆做出的决策更加安全。

传感能力将成为车载系统性能的分水岭，传感器数据不仅可以提高车辆安全和交通效率，还可以直接反馈通信系统，并且可以以低成本建立毫米波链路。

基础设施不仅是通信的载体，也是传感器和数据平台，其收集的数据将用于实时运营、交通网络控制和规划。

然而，未来并不光明，我们在前进的道路上仍面临许多挑战。在过去的20年里，车载通信系统一直是安全通信和交通管理的基本方式，但现在新型传感器逐渐普及，为车主带来了更好的连接和更安全的驾驶体验。无线通信技术应用于汽车后，应用程序开始支持基本安全、交通效率和互联网接入，车辆实现了V2V模式和V2I模式下的直接通信。同时，该连接已成为自动驾驶汽车中大量传感器集成的自然补充。

由于自动化水平的不同，市场上的自动驾驶汽车也有所不同。虽然有些车辆具有自动驾驶功能，但驾驶员必须一直握住方向盘；但自动驾驶的另一个极端是没有方向盘。在这两个极端之间，驾驶员可以选择是否进行干预。

例如，自动驾驶程度低的汽车只会在危险时刻提醒驾驶员潜在的碰撞即将发生，而自动驾驶程度高的汽车会自动刹车并避让。

需要注意的是，即使自动驾驶的程度很高，如果没有通信系统，汽车也不可能存在，因为如果没有高精度的地图，很难实现全自动驾驶。这意味着汽车应该实时从地图服务器获取最新数据。

车辆传感器

支持自动驾驶的传感器包括车载雷达、视觉摄像头和激光雷达系统。

其中，雷达主要用于自动巡航控制、碰撞预警、并线辅助和停车。视觉摄像头负责倒车安全、盲点监测、疲劳预防和车道保持等功能；

激光雷达的主要任务是提供高精度的地图信息，使汽车能够完成自动导航，及时发现行人和自行车。

这些技术对于全自动驾驶汽车非常重要。

例如，特斯拉在高速公路上使用视觉摄像头完成自动驾驶，而谷歌则力求准确，主要依靠激光雷达和3D地图数据，而雷达系统则负责检测其他车辆和障碍物。

需要注意的是，这些技术的范围取决于硬件配置和部署场景。如果你在郊区开车，雷达的射程可达200米，激光雷达可达35米，视觉摄像头可达30米。如果切换到城市环境，由于交通拥堵和障碍物众多，这些硬件的检测范围将缩小到几米。

最重要的是，这些外部传感器将受制于它们的“视觉”。如果增加通信，车辆的感应范围将大大提高，因为来自各个方向的车辆都可以为其提供重要信息。

当然，自动驾驶汽车将交换什么数据还没有定论。如果数据传输速率低，恐怕汽车只能交换那些经过精心处理的数据。

例如，如果汽车中的传感器检测到自行车，它会将自行车的位置和速度传输给其他车辆。如果传输速率高，可能会发送较少的原始信息，其他车辆需要集成自己的传感器收集的数据。换句话说，具有高速和低延迟的通信系统允许处理和未处理的信息的快速交换。

下图是汽车传感器及其相关数据的汇总，其中还包括各种传感器所需传输速率的比较。

专用短程通信（DSRC）主要用于交换基本安全信息，并为交通管理提供应用，可以同时支持V2V和V2I。

经过20年的发展，DSRC现在正在美国的新车型上部署。然而，为了大规模推广这项技术，需要政府授权。

目前，DSRC所能支持的数据速率仍然很低，每秒只能传输几兆字节。此外，DSRC技术不支持原始传感器数据的交换，这对自动驾驶汽车来说非常重要。

随着通信网络的发展，蜂窝通信也成为一种新的车辆间通信方式。车辆可以通过使用D2D模式或通过蜂窝基础设施直接以850 MHz、1800 MHz或2100 MHz进行通信。

通过D2D模式，基站将帮助车辆完成LTE-A网络下的发现和通信任务。然而，即使在LTE-A网络中，D2D的传输速率也是有限的，因为其信道状态信息不够准确，这将对移动设置产生影响。4G网络通信更多地依赖基础设施，但在中高速行驶时，传输速率仍将降至每秒几兆字节。

下图显示了DSRC和LTE-A在V2V/V2I通信中使用时的传输速率比较。考虑到车辆在自动驾驶时每小时可以产生1TB的数据，这两种技术都无法满足联网车辆的数据交换需求。

传感器面临的挑战

如今，5G已经成为行业眼中自动驾驶的好伙伴。新一代移动网络的应用包括车辆自动化、交通规划、运营和信息娱乐。

事实上，5G网络推出后，延迟将降低十倍，带宽将增加十倍，因此非常适合应用于汽车。此外，5G网络特有的毫米波技术可以提供高速数据传输，原始传感器数据不成问题。

需要注意的是，高速信息娱乐应用、联合通信和雷达未来将专注于毫米波频率。在毫米波链路状态下，车辆和行人可能会阻塞主要通信路径，树木和建筑物等静态实体也会产生阻塞效应。

假设基站配备了不同的传感器，如雷达和摄像头，它可以通过传感器和机器学习的结合来检测潜在的障碍物和相关的移动物体，以帮助配置通信链路，提高V2I通信的性能。机器学习算法将使用pas……

通信性能数据，将特殊雷达反馈识别为障碍。

例如，与静态环境地图相结合后，获得的信息将成为算法产生的“营养”，可以预测车辆在行驶时会遇到的不同形式的障碍物。算法得到的障碍物预测结果可以反馈给基础设施建设端，以便基础设施对车辆进行提醒。

此外，传感器和机器学习算法的结合可以使交通运营中心发现更多与交通环境相关的信息，同时可以不断改善交通信号和规划的服务。

除了上述方面，准确定位也是自动驾驶汽车导航的关键因素。

即使在多径的情况下，标准GPS导航系统的精度也只能保持在2到3米以内，但这种精度对于自动驾驶来说是不够的。自动驾驶的精度至少要达到分米或厘米级别，这样车辆才能与其他物体保持安全距离。

即使我们实现了高精度定位，我们也会在城市中遇到“城市峡谷”效应（高层建筑之间）。与此同时，能够完成高精度定位的GPS传感器仍然相当昂贵。为了解决这些挑战，我们必须利用其他汽车传感器收集的数据或利用道路基础设施来校正标准GPS数据，从而实现实时厘米级的精确定位。

还有一点，在车辆的自动驾驶程度和通信能力不同的环境中，挑战将是相当大的。为了解决这一挑战，我们可以在基站中安装传感器，然后这些传感器收集的信息将直接传输到联网车辆，让他们能够感受到非联网车辆和非机动车的情况。

这种依赖基础设施的方式即使在大多数车辆没有通信能力的情况下也可以稳定工作，同时全自动汽车可以更高效地通过十字路口。

*基于蜂窝网络的交通愿景。

这种方式（如上所示）将围绕5G网络完成，因为其目标是提供更快的传输速率。同时，下图中的视觉也是传感器、机器学习和通信技术的结合。

新的战略研究计划

得克萨斯大学最近启动了一项新的战略研究计划，该计划由得克萨斯大学无线网络和通信集团（SAVES）推动。其目标是解决下一代互联汽车的挑战。

SAVES为先进的车辆通信系统、基础设施和传感器技术设计了一个通用框架。与此同时，SAVES还邀请通信和汽车领域的公司齐聚一堂，与擅长无线通信、机器学习和交通的学者进行了交流。

凭借强大的影响力，SAVES还成功招募了美国交通部，其“芯片”是数据支持的交通运营管理系统（DSTOP）和德克萨斯州交通部资助的几个项目。

SAVES的优势在于其无线性能指标（如数据传输速率）和运输指标（如交通效率和安全性）。

最近，该团队在开发基础理论和算法方面做了大量实验。研究方向之一是建立传感器辅助通信技术的基础，并利用这一基础完成毫米波V2X通信的训练。

另一个研究方向是毫米波车载通信基础理论的研究。他们研究了光束的最佳宽度和相干时间，并取得了显著的结果。

在一系列实验中，SAVES充分利用了美国国家仪器公司的设备，包括毫米波原型产品、雷达测试和测量工具。在渠道测量方面，它邀请了丰田信息技术中心和国家仪器公司提供帮助。

同时，还有效地开发了混合毫米波MIMO原型系统，SAVES的目的是测试自行开发的混合预编程和信道估计算法。

在国家仪器公司设备的基础上，SAVES还成功开发了毫米波联合通信……

ation和雷达原型产品。此外，基于实验数据的数据融合也是重点研究项目之一。

总结

5G和毫米波通信无疑将成为下一代传感器密集型自动驾驶汽车的标准，而高速连接对于传感器数据交换非常重要。这项技术可以扩大车辆传感器的检测范围，使车辆做出的决策更加安全。

传感能力将成为车载系统性能的分水岭，传感器数据不仅可以提高车辆安全和交通效率，还可以直接反馈通信系统，并且可以以低成本建立毫米波链路。

基础设施不仅是通信的载体，也是传感器和数据平台，其收集的数据将用于实时运营、交通网络控制和规划。

然而，未来并不光明，我们在前进的道路上仍面临许多挑战。

标签：DS发现丰田特斯拉前途

汽车资讯热门资讯