5G與自動駕駛那點事

人們越來越期望通過無人系統代替人類進行一些活動。小到幫助人們自動清掃地面的掃地機器人，大到進行戰場態勢感知協同作戰的無人機，無人系統已經滲透到人類活動的方方面面。無人駕駛汽車作為其中之一，其市場需求非常廣泛，從港口貨運到乘用車駕駛種類繁多。近年來隨著需求的推動，人工智能的火熱，無人駕駛汽車領域取得很多技術突破，同時吸引更多投資以及科技力量的投入其中，使其成為一個朝氣蓬勃的新興技術領域[1-4]。

無人駕駛是通過自動駕駛系統，部分或完全的代替人類駕駛員，安全地駕駛汽車。汽車自動駕駛系統是一個涵蓋了多個功能模塊和多種技術的復雜軟硬件結合的系統。在機器學習、大數據和人工智能技術大規模崛起之前，自動駕駛系統和其他的機器人系統類似，整體解決方案基本依賴于傳統的優化技術。隨著人工智能和機器學習在計算機視覺、自然語言處理以及智能決策領域獲得重大突破，學術和工業界也逐步開始在無人車系統的各個模塊中進行基于人工智能和機器學習的探索，目前已取得部分成果。而無人駕駛系統作為代替人類駕駛的解決方案，其設計思路和解決方法背后都蘊含了很多對人類駕駛習慣和行為的理解。現在，無人駕駛已經成為人工智能最具前景的應用之一[5-7]。

1?自動駕駛的相關工作

自動駕駛是一個系統性的復雜工作，一般是在傳統汽車上進行加裝來構建整個系統。下面引用通用汽車公司的Cruise自動駕駛汽車的硬件系統架構進行介紹[8]，如圖1所示，其他公司方案類似，可以清晰地看出，自動駕駛硬件系統主要包含五部分：感知模塊、自動駕駛計算機、供電模塊、信號通信模塊、執行和制動模塊。

圖1?自動駕駛硬件系統

Fig.1 Automatic driving hardware system

1.1?感知模塊

自動駕駛硬件系統中的感知模塊作為感知周圍環境的重要途徑，在規格和性能上有嚴格的要求，這是傳統車輛所沒有的。感知模塊的主要作用是代替傳統駕駛汽車中駕駛員的眼睛和耳朵，還有駕駛經驗。通常由攝像頭、激光雷達、毫米波雷達和GNSS/IMU組成。

攝像頭相當于人類駕駛員的眼睛，主要用于獲取圖像信息，可用于識別行人、車、樹、紅綠燈、交通標志等物體，以便進行定位。相比之下，激光雷達通過接收的反射數據，可以獲取更加豐富而準確的信息，如目標距離、方位、高度、速度、姿態、甚至形狀等參數,從而對目標進行探測、跟蹤和識別以及更加準確的定位，其三維測距原理是通過測量激光信號的時間差、相位差確定距離，通過水平旋轉掃描測角度，并根據這兩個數據建立二維的極坐標系，再通過獲取不同俯仰角度的信號獲得第三維的高度信息。激光獲取的數據信息經過識別分類標注不同顏色處理后得到的可視化信息如圖2所示。

圖2?激光雷達獲取信息示意圖

Fig.2 Schematic diagram of lidar information acquisition

毫米波雷達工作頻率為一般為24GHz和77GHz，通過獲取反射數據，可用于識別障礙物和測距。與其他主流雷達相比，毫米波雷達性能更佳，不受目標物體形狀顏色和大氣紊流的影響，具有很好的穩定的探測性能，環境適應性好。對于日常駕駛可能遇到的惡劣天氣有很好的容錯性，受天氣和外界環境的變化的影響小，在實際應用中，對于雨雪天氣、灰塵、陽光都有很強的適應。而且多普勒頻移大，測量相對速度的精度提高，很適合自動駕駛高精度定位、識別等功能，對自動駕駛的工程應用有很大的促進作用[9]。 GNSS/IMU組合則用于實時獲取全局位置信息。

1.2?自動駕駛計算機

自動駕駛計算負責進行自動駕駛相關的計算處理，一般主要包含五部分：CPU、GPU、內存、硬盤存儲空間和硬件接口。目前還有專門用于加速計算的專用處理器。

其中，根據CPU的性能特點，主要用于通用計算，處理邏輯判斷、進行流程控制以及規劃，GPU用于并行計算，完成大規模大量同類型數據的計算，例如物體識別、分類處理等，一般是作為深度學習的部署使用，目前還有專門的處理器的替代方案，對矩陣運算做了專門的優化設計，提升計算效率，獲得較高的能效比，比如華為的昇騰系列處理器。內存用于大量數據處理、加載高精度地圖，對系統整體運行速度有較大影響。硬盤存儲空間用于存儲高精度地圖和相關的應用數據。豐富的硬件接口，例如串口、CAN、以太網、USB等，多用于各種傳感器連接。

1.3?執行與制動模塊

執行與制動對于駕駛安全至關重要，執行與制動系統也在隨著自動駕駛技術的不斷發展而取得了長足的進步。執行系統接收自動駕駛控制模塊根據融合決策做出的車輛的具體執行指令，控制車輛動力（油門和檔位）、底盤（轉向和制動）和電子電器等系統的執行，實現自動駕駛的速度和方向控制。相比之下，傳統的汽車底盤制動系統是液壓、氣壓制動，為了實現車身框架的穩定并將智能駕駛功能延伸，線控制動將是汽車制動技術的長期發展趨勢，線控制動可以深度融合智能駕駛功能模塊。這一趨勢類似于航空領域飛行操縱系統由液壓逐步轉換為電傳操縱系統的過程。

1.4?自動駕駛軟件系統架構

整體而言，自動駕駛硬件系統是在傳統車輛硬件標準配置的基礎上，為更好滿足自動駕駛的需要，進行了加裝升級。

相比之下，與之相配套的軟件系統是全新設計的，相當于人類的大腦，負責在融合各種傳感器信息和先驗知識的前提下，做出安全合理的決策，按功能主要分四個模塊：定位、感知、規劃、控制。其中定位模塊是基礎，各模塊包含內容如圖3所示。

圖3?自動駕駛軟件系統架構

Fig.3 Architecture of automatic driving software system

其中，定位解算依賴高精度地圖的輔助，基于定位信息可以開展環境感知、路徑規劃駕駛行為決策以及汽車運動控制等內容，而路徑規劃、行為決策以及運動控制相互聯系，環環相扣，前一個輸出可以作為后一個的輸入條件來使用。簡而言之，控制模塊可以將決策規劃的動作作為輸入，計算應該執行的轉彎角和控制的油門。

1.5?定位

定位包括車輛自身在周圍環境的定位和對周圍物體的定位，這是進行決策的重要前提和信息。為滿足自動駕駛需求，目前自動駕駛定位精度最低要求為10cm，一般來講，很難通過單一解決方案達到高精度的定位，主要是通過多傳感器以及高精度地圖融合的方式，主流方案是GNSS、IMU、激光雷達、相機、高精度地圖融合。其中衛星導航系統（Global Navigation Satellite System，GNSS）主要提供粗略的絕對位置（經緯度），然后根據采集自身所在環境的激光雷達數據和相機數據與高精度地圖匹配得到更精確的定位。IMU（Inertial Measurement Unit）慣性器件提供狀態估計算法中狀態方程（預測）中的加速度、角速度。

來自百度公司的自動駕駛團隊采用的定位方案框圖如圖4所示。這是目前比較常見且有效的定位算法架構。定位算法的研究難點在于一些微小的處理與改變可能引起較大的精度差距。所以，不斷有研究人員在定位算法上深耕突破。

圖4?定位算法實施框圖

Fig.4 Block diagram of localization algorithm implementation

1.6?高精度地圖

在定位方案中，高精度地圖起到了舉足輕重的作用。高精度地圖是通過高精度激光雷達、相機、GNSS等傳感器獲取道路信息數據。一般來講，傳感器數量越多，信息覆蓋越全面，精度也就越高，高精度地圖就越精確。在自動駕駛使用時，可將其表示為計算機語言的形式存儲在自動駕駛計算機的硬盤當中，駕駛過程中通過實時與高精度地圖比對來獲得高精度定位[10]。

高精度地圖通常需要預先建立，在建立過程中存在大量的分類問題，花費巨大，多數開銷在傳感器系統上。由于采集的數據龐大，格式多樣，維度較多，一般通過人工智能算法進行數據處理。高精度地圖主要包含車道經緯度、車道寬、曲率、高程、車道交叉口位置、寬度、曲率、信號燈位置、道口數、標牌位置以及含義等。目前主要是通過深度學習的方法進行處理，在計算機視覺領域采用卷積神經網絡（Convolution Neural Network，CNN）使問題得到很好的解決。

圖5?神經網絡示意圖

Fig.5 Schematic diagram of neural network

卷積神經網絡通常由一個或多個卷積層和全連接層組成，卷積層執行的計算包含卷積操作和池化操作。卷積計算是通過不同窗口數據和濾波矩陣（一組固定的權重）做內積（逐個元素相乘再求和）的操作得到卷積后的數據；池化計算將數據分塊，每個數據塊以最大值或求平均值作為數據塊的代表值。具體操作示意圖如圖6所示。

圖6?卷積（左）和池化（右）操作示意圖

Fig.6 Schematic diagram of convolution (left) and pooling (right) operations

卷積神經網絡算法還有一個特性是權值共享，即對于一幅圖片上每個點，在某一層的卷積操作權值是相同的，卷積神經網絡訓練的參數轉化為訓練濾波矩陣（卷積核），參數量大幅度減少。卷積神經網絡就是通過多個卷積層得到不同方向上的幾何信息特征，通過提取這些特征，得到輸入數據的相關性，通過考慮這些相關性減少訓練復雜度，該方法在圖像和語音處理上具有很好的應用。

1.7?感知和規劃

感知和規劃相輔相成，互為補充。特別是在線進行環境感知，要對采集的數據進行在線實時識別、分類，主要挑戰在于輸入數據是動態的，不確定的，具有很強的突發性和偶然性，具有很大的挑戰性。

規劃問題是根據感知的動態環境與對運動體的預測情況進行運動序列決策。自動駕駛要求在復雜環境下做出快速而準確的決策判斷，可以設想通過一個極其復雜的路口對規劃問題的考驗，是體現自動駕駛智能程度的關鍵問題。傳統的路徑規劃算法對復雜動態環境并不適用，時間復雜度高，而強化學習是解決序列決策問題的好方法，目前在解決自動駕駛規劃問題上有很好的仿真驗證。強化學習是與監督學習、無監督學習平級的機器學習的一個分支，來源于動物學習心理學，最早可追溯到巴普洛夫的條件反射試驗，通過反饋獲得成效的評價來不斷提高學習效果[11]。

1.8?控制

控制的任務是消化上層動作規劃模塊的輸出軌跡點，通過一系列動力學計算轉換成對車輛油門、剎車以及方向盤的具體的控制信號，從而盡可能地控制車去實際執行這些軌跡點。該問題一般轉化為找到滿足車輛動態姿態限制的方向盤轉角控制（車輛橫向控制）和行駛速度控制（車輛縱向控制）。 ????對這些狀態量的控制可以使用經典的PID控制算法，但其對模型依賴性較強，誤差較大。智能控制算法，如模糊控制、神經網絡控制等，在自動駕駛控制中也得到廣泛研究和應用。其中，神經網絡控制利用神經網絡，把控制問題看成模式識別問題，被識別的模式映射成“行為”信號的“變化”信號，取得了較好的效果，甚至可以用駕駛員操縱過程的數據訓練控制器獲取控制算法，具有廣闊的應用前景[12]。

2? 5G的啟示與機遇

自動駕駛分為6個等級，具體如圖7所示，目前真正應用到實際生活中可達到Level 3，主要是基于汽車本地端的傳感器進行數據融合從而做出決策的，有一定局限性，限制了向更高等級發展，因為在道路環境異常復雜的情況下，攝像頭和激光雷達等本地傳感器受限于視距、環境等因素影響，無法做到很高的安全性，比如當汽車以130 km/h的速度行駛時，攝像機和雷達無法安全檢測到前方超過120米的停車，這將觸發緊急制動，這顯然是無法接受的。如何需要彌補這種不足，讓自動駕駛看的更遠是研究人員面臨的一個難題。

圖7?自動駕駛等級劃分圖

Fig.7 Automatic driving classification chart

2.1?5G下的自動駕駛方案V2X

目前業界主要采用的是C-V2X，這是一種基于蜂窩網絡的技術，不僅支持現有的LTE-V2X應用，還支持5G V2X的應用，如圖8所示。基于強大的3GPP生態系統和連續完善的蜂窩網絡覆蓋，預計可大幅降低自動駕駛和車聯網部署成本，很有可能成為5G時代最先成功的垂直行業應用場景[13]。

圖8 V2X演進過程

Fig.8 V2X evolution

與激光雷達等傳感器不同，V2X可視為一種無線傳感器系統的解決方案，允許車輛通過通信信道彼此分享信息，檢測潛在危險，擴大自動駕駛感知范圍，從而進一步提升自動駕駛的安全性和舒適性。比如道路前方彎道處停有一輛拋錨的汽車，但正好處于彎道處，這時基于汽車本地的傳感器較難檢測到，而V2X可以通過網絡共享信息，將拋錨車輛信息傳送給正在行駛的車輛。

5G作為重要的通訊載體，意義重大，特別是短延遲特性使實時通信不再是遙不可及，高可靠低時延業務，很適合自動駕駛領域。而要達到自動駕駛L5需要超高可靠低時延的指標，甚至由于物聯網各種傳感器太多，或許還需要mMTC(海量機器類終端通信),而URRLC和mMTC是5G標準最后落地的標準。與互聯網“盡力而為”的數據傳輸方式不同，5G提供始終如一的低延時和高速率服務保障，這對安全性要求極高的無人駕駛意義重大，比如當汽車行駛在網絡擁塞區域的時候，仍然可以獲得網絡通信保證。

5G核心網控制面與數據面分離，NFV令網絡部署更加靈活，從而使分布式的計算邊緣部署，將更多的數據計算和存儲從核心下沉到邊緣，距離數據更近，從而降低時延和網絡負荷，同時提升了數據安全性和隱私性。

值得一提的是，即使是在沒有4G/5G網絡覆蓋的環境下，C-V2X還是可以利用PC5接口進行彼此通信。

2.2?5G帶來的機遇

對于無人駕駛中核心技術——高精度地圖也有很大的幫助。高精度地圖通過對周圍靜態的環境進行精確描述，來延伸傳感器的感知范圍，以更為精細的尺度幫助汽車了解所處的位置、周圍的環境狀況、應該如何進行下一步操作等定位決策問題。

相比傳統導航地圖，高精度地圖的圖層更多，地圖信息量更大。從圖層數量上看，包含諸如道路級別、交通設施等更多的數據。從圖層質量上看，高精度地圖每一圖層的描繪更精細，從而可以實現厘米級導航。高精地圖提供自動駕駛所需專用道路信息，除了擁有傳統導航地圖具備的道路形狀，通行方向，車道等信息，還包含了諸如車道分隔物類型、交通標志、限速等信息，和一些道路幾何的三維信息，像彎道、斜坡等。龐大的數據集在存儲、處理和傳輸方面都是一個挑戰，特別是傳輸更新方面，因為高精地圖需要實時更新，通過傳感器、攝像頭采集到的信息通過通訊手段與云端做交互，能使得地圖更加智能。基于智能地圖信息的路徑規劃，通行效率更高，5G的高帶寬、低延時特性使得這一切成為可能。

另一方面，高精地圖的數據量巨大，達到Gbit/km級別或以上，以盡量少的時間完成更新，需要超高速帶寬支撐，這也是5G網絡才能提供的。

最后，高精地圖可以提供一幅雷達和視覺探測距離之外的特定物體（移動的行人和車）信息，以及紅綠燈、限速要求信息，基于此信息進行避障規劃（包括車車博弈，車人博弈等），基本可確保無人車在開放道路上的安全問題，不會發生任何形式的主動碰撞以及交通違章等。這部分內容的通訊時延要求ms級，迫切需要5G的支持。

車輛的傳感器和攝像頭相當于人類的眼睛，自動駕駛系統的邏輯推理和決策相當于人類的大腦，自動駕駛系統的運動控制操作相當于人類的手和腳，這些信息實時互通需要超高速傳輸和超高的可靠性、超低的時延。相對4G網絡，5G傳輸速率提升100倍，峰值傳輸速率達到10Gbit/s，端到端時延達到ms級。在實際應用中，當車輛行駛在路上遇到突發情況，反應速度至關重要，只有5G這樣的超高速率和超低時延才能滿足無人駕駛的要求。

2.3?發展現狀

在2019年世界新能源汽車大會，華為公司推出的5G + C-V2X車載通信技術獲得了高度認可，且基于此研發了全球首款5G車載通信模組MH5000，采用自研的Balong 5000芯片，單芯多模，支持SA/NSA雙組網，最高下行峰值速率為2Gbps，最高上行峰值速率為230Mbps，支持第三方應用開發，是業界首款集成5G + V2X技術的模組。

世界各國都很重視相關技術的發展，我國鼓勵包括C-V2X在內的車聯網技術的發展。多部委及地方政府，都針對性給出了明確的政策支持。據不完全統計，目前全國已經擁有超過30個測試示范區，其中包括上海、北京-河北、重慶、無錫（先導區）、杭州-桐鄉、浙江、武漢、長春、廣州、長沙、西安、成都、泰興、襄陽等16個國家級示范區。這些示范區涵蓋了無人駕駛和V2X測試場景建設、LTE-V2X/5G車聯網應用、智慧交通技術應用等功能，提供了涉及安全、效率、信息服務、新能源汽車應用以及通信能力等的測試內容。

3? 結束語

自動駕駛前景廣闊，是未來汽車行業的發展趨勢，相關技術飛速發展，相信隨著5G技術的全面應用，自動駕駛會取得更大發展。

但我們仍需意識到， 自動駕駛最終目標的實現，并真正落地商用，是一個漫長的過程。除了技術和資金之外，還涉及到法律和倫理的問題。更重要的是，它是否能最終獲得用戶的信任和認可，被用戶接受。目前認為自動駕駛將分為若干個過程，逐步實現：

第一個階段：輔助駕駛安全和提高交通效率。

第二個階段：在封閉園區的（商用車）的自動駕駛。

第三個階段：在開放道路的（乘用車）的自動駕駛。

參考文獻：

[1] Liu Chuan, Chen Jinying, Zhu Zhengmo, et al. Impact analysis of 5G on Driverless Cars [J]. Communications and Information Technology, 2017(3):43-44.

[2] Chen Xiaobo. Challenges and Prospects for the Development of Autonomous Vehicles [J]. Integrated Transport, 2016 (11) : 9-13.

[3] Yu Adong, Chen Ruiwei. Research on Auto Autonomous Driving Technology [J]. Practical Automotive Technology, 2017 (2) : 124-125.

[4] min-hui zhu. Gradually achieve automated driving five levels [J]. Journal of automobile and accessories, 2016 (11) : 4.

[5] Gao Hongbo, ZHANG Xinyu, ZHANG Tianlei, et al. Research on Variable Particle Size Measurement of Intelligent Driving Vehicles based on Cloud Model [J]. Journal of electronics, 2016,44 (2) : 365-373.

[6] Guo Xu. Analysis and Prospect of Driverless Technology from the perspective of artificial Intelligence [J]. Electronic World, 2017 (20) : 64-65.

[7] Wang Kejun, Zhao Yandong, Xing Xianglei. Research Progress on the Application of Deep learning in the field of driverless cars [J]. Journal of Intelligent Systems, 2012, 13 (1) : 55-69.

[8] 2018 Self-Driving Safety Report [R]. General Motors Cooperation, February 2018.

[9] W. Lu, Y. Zhou, G. Wan, S. Hou and S. Song, "L3-Net: Towards Learning Based LiDAR Localization for Autonomous Driving," 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019, pp. 6382-6391, doi: 10.1109/CVPR.2019.00655.

[10] Seif H G, Hu Xiaolong. Key Challenges of autonomous Vehicle Industry in Smart Cities: HIGH Definition Map [J]. Engineering, 2016 (02) :27-35.

[11] Xue Jianru, Li Gengxin. Scene Understanding and Autonomous Movement of driverless cars [J]. Unmanned Systems Technology, 2012,1 (2) :24-33.

[12] Lillicrap T P, Hunt J J, Pritzel A, et al. Continuous control with deep reinforcement learning [J]. Computer Science, 2015,8 (6) :A187.

[13] Scott P ，Hans A ，Xinxin D ，et al. Perception，planning，control，and coordination for autonomous vehicles［J］. Machines，2017，5（1）.

自動駕駛開發平臺 5G EI智能體 通用AI 自動駕駛

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。