撰文

/ 張 鷗

編輯

/ 錢亞光

設計

/ 師玉超

/ spectrum。ieee。org，作者：劉少山/JEAN-LUC GAUDIOT，圖源：劉少山

在過去的二十20年裡，人們做出了巨大的努力，以創造一種能夠使用感測器和人工智慧來模擬環境並規劃安全駕駛路徑的汽車。

然而，即便是今天，這項技術也只在校園等地區執行良好，這些地區需要繪製的道路有限，交通量也很少。也就是說，它仍然無法管理繁忙、不熟悉或不可預測的道路。

至少就目前而言，汽車所能提供的感知能力和智慧是有限的。

為了解決這個問題，我們必須進行思維轉換——把更多的智慧放到基礎設施中，讓道路變得智慧。

該測試單元位於上海郊區，使用攝像頭、鐳射雷達、雷達、通訊單元和計算機檢測並跟蹤從小路匯入主幹道的交通▼

車路協同

“智慧道路”的概念並不新鮮。根據感測器資料自動調整時間的交通燈和自動調整亮度以減少能耗的路燈都包含在內。

讓-呂克·高迪奧（Jean-Luc Gaudiot）是美國加利福尼亞大學爾灣分校亨利·薩繆裡工程學院的教授。本文的另一位共同作者劉少山是普思英察（PerceptIn）公司的創始人和執行長，在北京的測試軌道路上證明了路燈控制可以使交通效率提高40%。

與路燈之類的零星變化相比，本文希望介紹一個更加雄心勃勃的方法，將智慧道路和智慧車輛結合起來，形成一個綜合的、完全智慧的交通系統。

綜合資訊的數量和準確性，將使這樣一個系統的安全性和效率達到無與倫比前所未有的水平。

人類司機的車禍交通事故發生率為2。6起/100萬km；自動駕駛汽車必須做得更好，才能獲得認可。然而，一些角落或盲點同時困擾著人類司機和自動駕駛汽車，目前沒有辦法在沒有智慧基礎設施的幫助下處理這些問題。

將大量的智慧特性放到基礎設施中，也會降低自動駕駛汽車的成本。

一輛完全自動駕駛汽車的建造成本仍然相當高。，但隨著基礎設施變得更加強大，將有可能逐步把更多的計算工作量從車輛上轉移到道路上。最終，自動駕駛車輛將只需要配備基本的感知和控制能力。估計這種轉移將使自動駕駛汽車的成本降低一半以上。

自動駕駛車輛與路邊系統協調，透過北京的沙塵暴分辨出一輛靜止的公共汽車和一輛移動的轎車（上圖）。該系統甚至透過一條黃線（下圖）顯示了對所檢測轎車的預測行駛軌跡，有效地形成了語義高畫質晰地圖▼

普思英察的道路測試

它的工作原理是這樣的，如上圖所示。

這是北京的一個週日早晨，沙塵暴將天空變成黃色。你在城市裡開車，你和路上的其他司機一樣，都沒有清晰的視角。但是每輛車在行駛過程中都能分辨出拼圖的一部分。

這些資訊，結合來自嵌入道路/附近感測器和來自氣象服務中繼的資料，被輸入一個分散式計算系統，該系統使用人工智慧來構建一個單一的環境模型，可以識別道路上的靜態物體以及沿著每輛車的預測路徑移動的物體。

適當地擴充套件，這種方法可以預防大多數事故和交通堵塞，這些問題自汽車問世以來一直困擾著公路運輸。

到目前為止，我們已經在中國的幾個城市以及我們在北京的測試軌道路上部署了這個系統的模型。

例如，在上海以西1100萬人口的城市蘇州，部署在一條每邊單向有三條車道的公共道路上，專案的第一階段覆蓋了15km的公路。道路上每隔150米就部署一個路邊系統，每個路邊系統包括一個配備英特爾CPU和Nvidia 1080Ti GPU的計算單元，一系列感測器（鐳射雷達、照相機、雷達），以及一個通訊元件（路邊單元，或稱RSU）名為RSU（路邊單元）的通訊元件。這是因為鐳射雷達與攝像頭相比，能提供更準確的感知，尤其是在夜間。然後RSU與部署的車輛直接通訊，以促進路邊資料和車輛上的車邊資料的融合。

路邊的感測器和繼電器構成了合作式自動駕駛系統的一半，而車輛本身的硬體則構成了另一半。

在一個典型的部署中，我們的模型採用了20輛車。每輛車都有一個計算系統，一套感測器，一個發動機控制單元（ECU），以及連線這些元件的控制器區域網路（CAN）匯流排。

道路基礎設施，如上所述，由類似但更先進的裝置組成。路邊系統的高階Nvidia GPU透過RSU進行無線通訊，而它在汽車上的對應物被稱為車載單元（OBU）。這種來回的通訊促進了路邊資料和汽車資料的融合。

基礎設施收集當地環境的資料，並立即與汽車分享，從而消除盲點，並以其他明顯的方式擴充套件感知。基礎設施還處理來自自身感測器和汽車上感測器的資料，以提取其含義，產生所謂的語義資料。

例如，語義資料可以將一個物體識別為行人，並在地圖上定位該行人。然後，結果被髮送到雲端，在那裡，更復雜的處理將語義資料與來自其他來源的資料融合在一起，以產生全球感知和規劃資訊。然後雲端向汽車傳送全球交通訊息、導航計劃和控制命令。

該基礎設施部署在北京的一個校園內，包括一個鐳射雷達、兩個雷達、兩個攝像頭、一個路邊通訊單元和一個路邊計算機。它涵蓋了角落的盲點和移動障礙物的軌道，如行人和車輛，以利於為校園服務的自動穿梭車▼

在我們的測試跑道道路上，每輛汽車都以自動駕駛模式開始——目前最好的系統能夠管理的自主水平。

每輛車都配備了6個毫米波雷達用於探測和跟蹤物體，8個攝像頭用於二維感知，1個鐳射雷達用於三維感知，以及GPS和慣性導航用於在數字地圖上定位車輛。二維和三維感知結果以及雷達輸出被融合，以生成道路及其周邊環境的綜合檢視。

接下來，這些感知結果被送入一個模組，該模組跟蹤每個檢測到的物體，例如汽車、腳踏車或滾動的輪胎，然後畫出一個軌跡，該軌跡可被送入下一個模組，這個模組預測目標物體將去哪裡。

最後，這種預測被移交給規劃和控制模組，由它們來引導自主車輛。該車建立了一個高達70米的周邊環境模型。所有這些計算都在汽車內部進行。

同時，智慧基礎設施也在做同樣的工作，用雷達進行探測和跟蹤，用相機進行二維建模，用鐳射雷達進行三維建模，最後將這些資料融合到自己的模型中，以補充每輛汽車正在做的事情。

由於基礎設施是分散的，它可以對250m以外的世界進行建模。然後，汽車上的跟蹤和預測模組將把較寬的模型和較窄的模型合併成一個綜合檢視。

汽車上的裝置與路邊的對應裝置進行通訊，以促進車內資料的融合。這種無線標準被稱為Cellular-V2X（Vehicle to Everything車對X），與電話中使用的標準並無不同；通訊距離最遠可達300米，而延遲（資訊傳遞的時間）約為25毫秒。此時，汽車的許多盲點被基礎設施上的系統所覆蓋。

兩種通訊模式可用。LTE-V2X，一種專門用於車輛與基礎設施交換的蜂窩標準的變體，以及C-V2X可使用LTE標準（4G）和5G標準的商業行動網路。

LTE-V2X專門用於道路和汽車之間300米範圍內的直接通訊。雖然通訊時延只有25毫秒，但它搭配的頻寬很低，目前約為100KB/s。

相比之下，商用4G和5G網路具有更大的覆蓋範圍和明顯更高的頻寬（下行為100MB/s，上行為50MB/s）。然而，它們傳輸過程中有較大時延，這對自動駕駛中的實時決策構成了重大挑戰。

請注意，當車輛以50km/h的速度行駛時，如果道路乾燥，車輛的停車制動距離為35m；而道路溼滑時，停車制動距離為41m。因此，基礎設施所允許的250m的感知範圍為車輛提供了很大的安全餘地。

在我們的測試軌道道路上，當基礎設施的智慧開啟時，脫離率（安全駕駛員必須接手）至少降低了90%，這樣它就可以增強自動駕駛汽車的車載系統。

蘇州一條公共道路上的路邊部署沿著一根帶有鐳射雷達，兩個攝像頭，一個通訊單元和一臺計算機的綠色杆子佈置。它極大地擴充套件了道路上自動駕駛汽車的續航里程和覆蓋範圍▼

循序漸進的挑戰

在我們的測試軌道上進行的實驗告訴我們兩件事。

首先，由於交通狀況在一天中不斷變化，基礎設施的計算單元在高峰期完全處於駕馭狀態，但在非高峰期則基本處於閒置狀態。這與其說是一個錯誤，不如說是一個特點，因為它將巨大的路邊計算能力釋放出來，用於其他任務，如最佳化系統。

其次，我們確實可以最佳化系統，因為不斷增長的本地感知資料庫可以用來微調我們的深度學習模型以提高感知能力。透過把閒置的計算能力和感官資料的檔案放在一起，我們已經能夠在不給雲端帶來任何額外負擔的情況下提高效能。

要讓人們同意構建一個龐大的系統是很難的，因為它所承諾的好處只有在它完成之後才會出現。為了解決這個雞生蛋蛋生雞的問題，我們必須透過三個連續的階段進行。

第一階段：基礎設施增強型自動駕駛，車輛將車側感知資料與路側感知資料融合，以提高自動駕駛的安全性。車輛仍將大量裝載自動駕駛裝置。

第二階段：基礎設施引導的自動駕駛，在這個階段，車輛可以將所有的感知任務解除安裝到基礎設施，以減少每輛車的部署成本。出於安全考慮，基本的感知能力將保留在自主車輛上，以應對與基礎設施的通訊中斷或基礎設施本身出現故障。與第一階段相比，車輛需要的感測和處理硬體將明顯減少。

第三階段：基礎設施規劃的自動駕駛，其中基礎設施負責感知和規劃，從而實現最大的安全性、交通效率和成本節約。在這個階段，車輛只配備了非常基本的感測和計算能力。

（圖源：Traffic Technology Today）

技術挑戰確實存在。

首先是網路的穩定性。在車輛高速行駛時，融合車輛側和基礎設施側資料的過程對網路波動極為敏感。使用商業4G和5G網路，我們已經觀察到網路不穩定的範圍從3到100毫秒，足以影響基礎設施幫助汽車。

還有更為關鍵的是安全性。我們需要確保駭客不能攻擊通訊網路，甚至基礎設施本身，將不正確的資訊傳遞給汽車，從而造成潛在的致命後果。

另一個問題是如何獲得對任何形式的自動駕駛的廣泛支援，更不用說基於智慧道路的自動駕駛了。

在中國，74%的受訪者贊成快速引入自動駕駛，而在其他國家，公眾的支援則比較猶豫。只有33%的德國人和31%的美國人支援快速擴充套件自動駕駛汽車。也許這兩個國家完善的汽車文化使人們更加重視人的駕駛體驗。

然後是管轄權衝突的問題。

例如，在美國，道路的權力分佈在聯邦公路管理局和州及地方政府之間，前者負責運營州際公路，後者負責管理其他道路。並不總是清楚哪一級政府負責授權、管理和為現有基礎設施升級為智慧道路付費。近來，在美國發生的許多交通創新都發生在地方一級。

相比之下，中國已經制定了一套新的措施來支援智慧道路基礎設施的關鍵技術的研究和開發。

中國交通運輸部公佈的一份政策檔案，提出到2025年，自動駕駛基礎理論研究取得積極進展，道路基礎設施智慧化、車路協同等關鍵技術及產品研發和測試驗證取得重要突破。

汽車製造商、科技公司和電信服務提供商之間的合作已經在北京、上海等地催生了自動駕駛初創企業。

車路協同有望比嚴格意義上的純車輛自動駕駛方法更安全、更高效、更經濟。該技術已經存在，並且正在中國實施。我們很快就會看到這兩種截然不同的自動駕駛方法在世界交通市場上展開競爭。

本文由汽車商業評論原創出品

轉載或內容合作請聯絡說明

違規轉載必究