智能網聯車路云協同系統架構與關鍵技術研究綜述

丁飛 張楠 李升波 邊有鋼 童恩 李克強

汽車工業的快速進步,信息傳輸、軟件和信息技術服務業的快速發展,推動了智能網聯汽車(Intelligent connected vehicle,ICV) 產業的迅猛發展[1].美國、歐盟和日本等很早就開始布局基于專用短程通信技術(Dedicated short range communication,DSRC)標準的車路協同系統建設,如美國先進交通和高速公路合作伙伴項目[2]、車輛基礎設施集成項目[3],歐盟的歐洲區域項目[4]、C-Roads 項目[5]、日本的Smartway 項目[6]等,其中,車?車和車?路協同是該類項目發展的重點.國內對智能網聯汽車和車路協同的研究起步相對較晚,但國家主導了基于公眾移動網絡的蜂窩車聯網(Cellular Vehicle-to-everything,C-V2X)技術標準,相比DSRC,該技術在網絡架構、技術性能、技術掌控度及后續演進等方面具有優勢.作為5G 和汽車領域最具潛力的應用之一,智能網聯汽車產業創新與車路協同系統建設在中國已上升到國家戰略高度.根據《新能源汽車產業發展規劃(2021～ 2035 年)》,中國將重點推動智能化道路的升級改造,加快新型基礎設施建設,鼓勵引導車載無線通信終端的裝配,推動數字系統改造和云上平臺,打造智能網聯核心競爭力與新型產業生態[7].

傳統車路協同系統主要強調車與路側設備之間的協同,可以提供車與車、車與路之間的信息交互輔助單車決策和有限車載信息服務,應用場景與服務能力均受限.文獻[7]首先提出車路云一體化融合控制系統的發展思路,通過人、車、路、云等多維要素之間的融合感知、群體決策與協同控制,從而提升道路交通系統的安全性、效率和綠色化等綜合性能.伴隨著C-V2X 技術創新,邊緣計算網絡(Edge computing network,ECN)和高精度定位系統(High precision positioning system,HPPS)等的發展與演進[8],為構建智能網聯車路云協同系統(Intelligent connected Vehicle-road-cloud cooperative system,IC-VRCCS)提供了核心驅動力,主要表現在: 1)在智能網聯車路云協同系統的智能化、網聯化方面,傳統車路協同系統與C-V2X 進行融合,支持直連通信的PC5 接口可以拓展各類 “人?車?路?云”服務場景,長期演進(Long term evolution,LTE)/5G Uu 接口可以打通人?車?路?云多模式交互接口,為智能網聯車路云協同系統的建設提供決定性支撐[9];加快發展并集成多系統組合的HPPS,不僅可以順利實施自動駕駛和編隊控制等服務,并且能保障智能車輛在全球定位系統(Global positioning system,GPS)信號弱或無信號等環境下的全路況連續可用[10];2)在智能網聯車路云協同系統測試方面,各類仿真平臺的綜合運用,全國測試場、示范道路和示范區的大力發展,為各子系統與互操作測試、場景定義與場景生成及實車測試評價創造了有利條件[7];3)平臺的互融協同方面,由于智能網聯自動駕駛系統具有低時延、大并發和高移動性的特點,ECN 推動了網聯系統的云平臺架構演進,基礎平臺與應用平臺的分離,將資源與業務進行解耦,可實現虛擬云資源的高效利用與業務數據的高效傳輸以及業務云的統一建設、管理與開放[11?12].

智能時代的汽車控制發展進程是對駕駛員的環境認知感知、決策規劃和執行控制等環節的逐步增強和最終替代[13].智能網聯車路云協同系統中人?車?路?云與C-V2X 網絡的全面融合,將會催生車?車(Vehicle-to-vehicle,V2V)、車?路(Vehicle-to-infrastructure,V2I)、車?人(Vehicle-to-pedestrian,V2P)和車?云(Vehicle-to-cloud,V2C)等各類新型業務模式的發展并綜合運用,但工程實現仍面臨著一系列的挑戰: 1)受限于智能車輛的整車設計與產業協同的工作階段,如何有效利用現有車輛平臺并與C-V2X 網絡進行架構設計以及HPPS 進行結合,實現工作框架設計并給出設計要求,是亟須解決的問題;2)更多關聯平臺與系統的打通以及ECN的加入,如何開展應用平臺與基礎平臺的架構設計以及移動邊緣計算(Mobile edge computing,MEC)與C-V2X 的融合網絡部署,還有待進一步梳理并細化;3)智能網聯車路云協同場景相關設備和場地布設成本較高,業界對各子系統與互操作以及場景測試研究正在積極展開,但相關測試方案并未獲得全面統一,需要考慮高效地開展場景測試并推進理論到實際的轉化.為了更好梳理國內外智能網聯車路云協同系統架構及其關鍵技術的發展現狀,本文將從智能網聯車路云協同系統的架構技術,智能網聯V2X 組網、融合定位和測試評價技術等關鍵技術方面進行詳細闡述,并對智能網聯車路云協同系統的發展趨勢展開討論.

1 架構技術

在LTE/5G-V2X 網絡支撐下,智能車輛、道路、路側設施和平臺等與C-V2X 技術的融合,將部分感知、計算和服務等功能在車、路、云之間進行分布式部署,需要探索實現車輛、道路、路側設施和云端的深度融合與系統重構.架構技術是智能網聯車路云協同系統產業協同創新及落地應用的頂層設計.基于C-V2X 技術,車?路?云協同作業并組建為新型車路云融合系統,其中智能網聯V2X 通信系統和云控系統分為該系統的網絡中心和控制中心.并且,針對現階段車路云協同系統試驗場和示范區以及智能網聯汽車產品測試的工作進展,需要給出服務于產業發展需求的車路云協同測試系統的應用架構、測試場景設計與系統構建思路.

1.1 新型車路云融合系統

區別于傳統車路協同系統,未來智能車輛、道路、路側設施和平臺與C-V2X 網絡的全面融合使得具有類似如圖1 所示邏輯框架的新型車路云融合系統成為發展趨勢,催生新架構下嵌入V2X 通信的智能網聯車輛、智能網聯道路(Intelligent connected road,ICR)、智能網聯路側設施(Intelligent connected infrastructure,ICI)和智能網聯云(Intelligent connected cloud,ICC),打通車(車內/車外/車間/車云)、路(路面/路側/路間/路云)、云(邊緣計算平臺/區域數據中心云/公安交警監管平臺/汽車制造廠商平臺/第三方平臺),集成車端、道路、路側、云端、車輛到電網(Vehicle to grid,V2G)及第三方平臺等各種數據、服務、用戶等各類資源,實現車路云一體化的感知、決策與控制、地圖、安全及應用服務,這也構成了汽車產業與C-V2X 技術融合發展的核心內涵.

智能化和網聯化是新型車路云融合系統的典型特征,傳統車輛與C-V2X 技術的融合將為智能網聯車輛接入到統一的 “新六心”,具體是: 感應中心、地圖中心、決策中心、控制中心、服務中心和安全中心.感知中心負責對行駛車輛信息采集、狀態監測、協同融合感知;地圖中心為車輛提供高精度定位、路徑規劃和動態交通信息;決策中心負責單車、多車、局部或全域場景下的協同與群體決策及規劃;控制中心依據(感知中心)感知信息、(地圖中心)高精度定位與實時交通信息、(決策中心)決策與規劃策略,實現車路云協同場景下的智能駕駛與智能交通服務,提升車輛行駛與交通運行的綜合性能,當車輛出現故障或處于惡劣環境下,確保安全行駛;車載可視化平臺接入服務中心,享受個性化自動駕駛與交通信息服務;安全中心負責管理智能網聯汽車的終端安全、組網安全、系統安全、數據與接口安全等.

1.2 智能網聯V2X 通信系統

智能網聯V2X 通信系統由LTE 和5G 網絡進行承載,研究5G-V2X 應用架構和人、車、路等多要素協同系統內信息融合,對開展智能網聯汽車和交通智能體的系統設計和優化系統性能具有重要意義.

1.2.1 5G-V2X 應用架構

面向車路云一體化控制的5G-V2X 應用架構如圖2 所示,5G 系統負責提供V2X 網絡覆蓋,車輛、道路和路側設施等嵌入V2X 通信并組成V2X通信系統.5G 系統具備虛擬化資源的動態配置和調度功能,為支撐V2X 應用發布與差異化服務需求,第三代合作伙伴計劃(3rd generation partnership project,3GPP) TS 23.2875G 對5G 系統構進行了增強定義[14].5G-V2X 應用架構主要由5G 核心網(5G core,5GC)域、路側單元(Road side unit,RSU) (含RSU 平臺)、路側設施和車輛等組成.其中,5GC 由多個網絡功能構成,例如訪問和移動管理功能(Access and mobility management function,AMF)、策略控制功能(Policy control function,PCF)、網絡數據分析功能(Network data analytics function,NWDAF)、網絡存儲庫功能(Network repository function,NRF)、網絡開放功能(Network exposure function,NEF)、統一數據存儲庫、統一數據管理、用戶平面功能(User plane function,UPF)和會話管理功能(Session management function,SMF)等[15].5GC 控制平面內的網絡功能使用基于服務的接口進行交互(例如 Npcf、Nsmf、Nnef、Nnwdaf 等).智能網聯車輛內置的用戶設備(User equipment,UE)應用之間采用V5 接口進行本地數據傳遞,并利用V1 接口與V2X 應用服務器進行遠程數據交互.

圖2 智能網聯車輛V2X 應用示意架構Fig.2 Schematic architecture of V2X application of the ICV

在該架構中,車載通信分為車內通信和車外通信[16]兩部分,前者主要包括車內系統(分為計算平臺、控制器域網(Controller area network,CAN)網關、傳感器陣列、可視化平臺和3D 地圖等)和集成車載單元(On board unit,OBU)平臺的接口,后者為OBU 平臺承載的各類 “人?車?路?云”通信服務,兩者之間通過連接器(如串口、USB 接口或以太網等)進行信息交換.車載V2X 通信系統的進一步發展,將是以車載計算平臺為核心,全面融合傳感器陣列、可視化平臺、OBU 平臺及定位系統等,真正實現集成V2X 網絡的感知、組網、決策和控制的一體化設計.

1.2.2 信息融合

在車路云協同架構下,智能網聯車輛通過自感知(車內/車外)與協同感知(車間/車路/車云)并服務于多種應用(如跟車、換道和自適應巡航控制等),從而在V2X 網絡中傳輸各種消息.歐洲電信標準化協會為車路云協同場景定義了多種標準化消息,包括協作感知消息、集體感知消息、分散式環境通知消息、本地動態地圖、機動協調消息以及用于輔助駕駛場景下車道變更警告、道路危險信號、縱向碰撞風險警告等安全消息[17].圖2 中,傳感器陣列包括激光雷達、攝像頭、雷達、超聲波等采集的數據(圖2 中消息1))傳送給計算平臺,定位感知消息2)、協作感知消息3)、集體感知消息4)和其他感知消息,經協議適配器進行格式轉換并封裝為V2X信息包,再通過連接器送入車載計算平臺進行處理或發送到云平臺處理后下發給車輛.其中,定位感知消息用于獲取位置、速度、航向等信息;協作感知消息為PC5側鏈探測出的鄰車位置、網絡拓撲及交互信息;集體感知消息包括車輛與路側聯合感知消息(如RSU覆蓋區域的實時路況、V2I 鏈路狀態監測等)以及路側設施的播報消息(如駕駛提醒、交通擁堵等).

多源信息融合: 一方面可以優化區域內各車輛、單車各子功能單元以及軟硬件交互接口處的冗余數據,從而提升整個系統的工作效能[18].文獻[19?20]提出冗余緩解的處理規則;文獻[21]引入消息過濾機制,可以在保持感知性能的同時減少冗余數據量;文獻[22]利用可選信息和消息包大小之間的權衡來節省網絡資源.文獻[23]針對高速公路場景,利用RSU 提前獲取上游興趣區域中無線網絡和路面交通狀況,進而可以動態調整車輛發送信息的間隔,從而抑制接收信息的冗余度.文獻[24]使用深度強化學習對數據傳輸進行調度并卸載,可以減輕網絡負載并提高系統可靠性.另一方面,多源信息融合能夠豐富數據內涵,增強對整個車路云協同系統的控制與管理,其應用涵蓋交通控制、交通預警和交通指揮中心等方面.交通控制的應用根據歷史檢測數據,建立交通道路狀況預測模型,可以對未來的交通流量[25]、車輛通行時間[26]、車輛行駛速度[27]等進行預測;交通預警應用則借助信息融合技術對道路的擁堵情況[28]與道路通行時間進行確定,同時把信息及時發布于路側電子顯示屏[29];交通指揮中心通過對不同類型系統數據進行分類、處理并預測,可以為交通優化調度、城市交通規劃提供智力支持.

1.3 云控系統

云控系統典型服務架構如圖3 所示,該架構包括云控應用平臺、云控基礎平臺、路側基礎設施、車輛與其他交通參與者、通信網與相關支撐平臺等6個主要部分[30?31].車輛及其他交通參與者的信息統一上傳至云控基礎平臺;云控基礎平臺采用邊緣云、區域云和中心云的網絡架構,結合地圖、交管、氣象和定位等平臺的相關數據,對匯聚于云控基礎平臺的車輛和道路交通動態信息按需進行綜合處理后,以標準化分級共享的方式支撐不同時延要求下的云控應用需求;企業、機構及政府相關部門已有交通/智能網聯汽車服務平臺,通過云控基礎平臺無需追加基礎設施建設,即可便捷地獲得更為全面的交通基礎數據以提升其服務.

圖3 面向車路云一體化融合的云控系統架構[30]Fig.3 Cloud control system architecture oriented to vehicle-road-cloud integration[30]

1.3.1 云控應用平臺

云控應用平臺的組成與服務架構如圖4 所示,其依托于物理分散、邏輯協同的云控基礎平臺進行建設,采用標準統一、開放共享的數據交互形態,通過在物理空間和信息空間車輛、交通、環境等要素的相互映射,實現人?車?路?云之間的跨域數據協同.基礎平臺、網聯服務、開放平臺的邏輯分離,融入微服務和容器等技術,可實現模塊化、高安全性和高度可伸縮的系統平臺,有利于分布式云設施與業務策略的垂直化管理、業務的敏捷式開發并能力開放.打造云控應用平臺的標準接入、實時數據服務、實時決策與控制服務與管理能力,支持車輛端OBU、客戶端應用以及用戶端的共享屏幕應用等適配接入,打通與政府監管平臺、車企信息系統和第三方平臺等,為政府管理類應用、行業服務類應用以及車企智能化應用提供智力支持,加速智能網聯車路云協同系統的應用落地[8].

圖4 云控應用平臺示意架構Fig.4 Schematic architecture of cloud control application platform

1.3.2 云控基礎平臺

云控基礎平臺采用邊緣?區域?中心的三級架構.邊緣云靠近路側部署,通過光纖連接RSU,實現多級云架構下的數據標準化轉換,支撐協同換道規劃、盲區與超視距危險預警等實時云控應用.例如目前主流的協同換道模型包括換道決策模型、換道行為識別和換道軌跡模型,換道決策模型選定駕駛員的行為特征或車輛的行車環境作為特征參數,換道行為識別通過駕駛模擬器采集車輛換道數據并選取能夠表征換道行為的參數對識別模型進行訓練,換道軌跡模型可以通過高次多項式擬合或相關數理公式進行規劃或預測[31].邊緣云的部署可以提升信息共享與實時響應能力,從而支持遠程駕駛、輔助駕駛和安全預警等云控應用的高效運行.區域云支持車輛編隊行駛、道路監控預警、路徑引導和路側設施遠程控制等廣域范圍智能交通類云控應用的運行.基于車輛到達目的地的平均駕駛時間、平均車輛密度、平均行車距離、平均等待時間以及路網行駛車輛數等極限指標,可以對比測試車輛不同路徑規劃策略的性能差異.華為技術有限公司與重慶交警在渝北區同茂大道聯合創建了 “全息路網”示范區就是一個具體場景的應用,全息路網從點、線到面,構建從微觀個體(車輛)到宏觀系統(區域交通)的認知體系.中心云支持道路交通態勢感知、道路交通規劃設計評估、駕駛行為與交通事故分析、車輛故障分析和車險動態定價分析等全局范圍實時與非實時的云控應用的有序運行.中心云面向中國與行業管理部門、車輛設計與生產企業、交通相關企業及科研單位,基于多個區域云數據的匯聚,為其提供多維度宏觀交通數據分析的基礎數據與增值服務[8].

云控基礎平臺支持對基礎設施的在線配置和管理[32],通過使用超融合或可組合基礎設施等技術,可以將企業內、外部部署的數據中心資源集成到多云系統中,并通過統一儀表板進行精細化管理[33].為保證各層間的數據采集和分發的可靠性和穩定性,需要對包括車輛基本安全信息、交通運行信息等交互數據劃分類型并進行分發處理[34?35],數據類型如表1 所示.

表1 云控系統數據流向與數據類型示例Table 1 Example of data flow direction and interactive data types of cloud control system

1.4 車路云協同測試系統

全國以江蘇省無錫市、天津市西青區、湖南省長沙市等為代表的國家級車聯網先導區以及全國20 多個城市的道路聯網升級建設,還有各地企業和研究機構自主建設的示范測試區域.試驗場的快速建設能夠支持智能網聯相關技術的設備研發和測試驗證,但如何系統化、科學化設計和建設試驗場,促進產品與技術之間的兼容性與互操作性,是現階段試驗場需要考慮的重要問題.

1.4.1 車路云協同組網與測試應用架構

根據云管端的架構思路,可以將智能網聯車路云協同測試系統劃分為3 層: 1) 終端層包括融合V2X 的ICV、融合V2X 的ICI 和ICR;2)網絡層擁有 “3 張網”,分別為5G 接入網、定位接入網和以太接入網,5G 接入網提供高可靠、大帶寬、低時延的通信網絡,定位接入網提供動態車道級定位能力,以太接入網提供高速有線寬帶服務;3)云端由融合V2X 的ICC 組成,一方面提供各子系統與互操作測試服務,另一方面用于支持交通場景構建、實現可控可追溯的測試流程和科學的測試評價體系,提高車路云協同相關技術的開發、測試和商用部署效率.

在LTE/5G-V2X 通信系統的支撐下,智能網聯車輛具備增強的環境感知能力,以及與周圍車輛、道路設施等信息交互與區域協同的能力,使得在跟車、換道和自主編隊等過程中獲得更豐富的信息,有助于生成并執行更靈活、更智能的場景策略.支持自動駕駛的汽車預計每年產生超過300 TB 的數據[36],LTE/5G 網絡與ECN 的融合,通過邊緣數據收集與分發、數據分析與融合、業務連續性等關鍵技術,實現多模式 “人?車?路?云”高效率協同工作,降低智能網聯車輛的端到端時延,緩解ICI/ICR 的存儲與計算壓力以及大量數據回傳造成的網絡擁塞.

1.4.2 車路云協同測試場景

智能網聯汽車產品測試評價白皮書[37]給出了Robotaxi、無人自主泊車、高速路自動駕駛等典型自動駕駛車輛的測評方案,通過對車路云協同系統進行解耦與重構,如圖5 所示,首先由語義描述不同數據來源的操作場景用例得到功能場景,然后通過參數化定義操作場景的狀態空間得到邏輯場景,接著對操作場景的狀態空間參數賦值得到具體場景,最后通過軟件建模復現具體場景得到測試用例,從而實現智能網聯車輛測試場景的構建.同時,受實際測量設備與工作階段,需要對C-V2X 各子系統與互操作進行測試,以加速推進C-V2X 產業的全面部署及商用.

圖5 智能網聯汽車測試場景構建示意圖Fig.5 Schematic diagram of ICV test scenario construction

根據不同自動駕駛系統的設計運行范圍,將測試場景分為高速/環路、市內運行、泊車/取車、封閉園區和城際/郊區5 種連續運行場景.每種應用場景下,可在不同抽象程度上基于運行設計域、目標和事件探測及反應、自車行為失效模式等元素,提取各類型典型場景,進行場景參數標注及統計分析,形成邏輯場景,然后基于邏輯場景的參數分布生成具體場景,并以通用場景格式存儲,構成數萬級測試用例的場景庫.同時,從運行設計域、目標和事件探測及反應、自車行為和失效模式等維度對功能場景進行量化,結合邏輯場景的參數化定義,從而形成分級的基礎測試場景和優化進階測試場景,進而為智能網聯汽車產品準入測試與測評優化提供技術指導.

智能網聯自動駕駛測試場景是自定義時間和空間范圍內車輛運行設計域元素、目標和事件探測及反應元素、自車元素的綜合信息融合[37].運行設計域元素主要包括道路信息、環境信息和交通參與者;目標和事件探測及反應是指相應測試場景下自動駕駛系統需要探測的物體或者事件以及應做出的響應,作為仿真測試場景的關鍵考察方面,其主要包括交通參與者的類型及運動狀態等信息;自車元素主要包括車輛的類型、性能特性和駕駛行為等;為保證自動駕駛的安全性,還需對車輛的失效響應性能進行評測,通過設置注入故障、超出運行設計域、傳感器失效,超限運行設計域參數等一些失效模式來驗證車輛的可控性能.

在執行基于場景的評測時,根據場景數據來源的不同,將測試場景概括為自然駕駛場景、危險工況場景、標準法規場景、改進與更新場景、測試評價與認證5 大類.自然駕駛場景包含智能網聯車輛所處的人?車?環境?任務等全方位信息,能夠很好地體現測試的隨機性、復雜性及典型性特點;危險工況場景主要實施智能網聯車輛自動駕駛控制策略的場景驗證;標準法規測試場景指通過現有的標準、評價規程等構建測試場景;改進與更新場景指對功能場景與邏輯場景進一步優化設計,改進現有的問題場景并補充未知工況的測試場景,從而覆蓋自動駕駛功能測試的盲區;測試評價與認證則是給出智能網聯車輛的測試評價與檢測認證報告,為產品商用部署與管理奠定基礎.

2 關鍵技術

智能網聯車路云協同系統將蜂窩車聯網、邊緣計算網絡和高精度定位等深度融合并綜合運用,需要對該新型車路云融合系統中的智能網聯V2X 組網和融合定位技術進行研究.并且,為加速智能網聯車路云協同系統的落地進程,有必要在車路云協同相關技術投入使用之前,對其試驗場建設給出設計與實施建議,對于典型智能網聯核心技術指標給出限定性要求.下面將對智能網聯V2X 組網、融合定位、測試與評價等關鍵技術的原理與研究進展進行闡述.

2.1 智能網聯V2X 組網

智能網聯V2X 通信系統支持智能網聯車路云協同系統的有效構建,伴隨著智能網聯V2X 應用的大規模接入以及V2X 混合服務作用的加強,針對V2X 應用協議、擁塞控制和MEC 融合技術等研究,可以為智能網聯車路云協同系統的穩定運行提供重要支撐.

2.1.1 C-V2X 應用協議

LTE/5G-V2X 技術擁有與公眾移動接入網和車載自組網融合組網的架構優勢,第三代合作伙伴計劃、歐洲電信標準協會(European Telecommunications Standards institute,ETSI)和美國機動車工程師學會(Society of Automotive Engineers,SAE)均在組織推進V2X 協議的制定,考慮在兼容DSRC 協議棧中傳輸層、網絡層和應用層基礎上,在物理層和MAC 層引入Device to device (D2D)協議用于支持PC5 直連通信接口的演進,并對V2X 組網過程中的測試技術與性能指標進行更新.C-V2X 協議棧與傳輸控制如圖6 所示[38].3GPP CV2X與DSRC、歐洲合作式智能運輸系統(Cooperative intelligent transport system,C-ITS)技術與標準的對應關系如表2 所示.D2D 應用協議分為用戶平面和控制平面,用戶平面連接應用層和物理層之間的數據鏈路以實現業務數據的傳輸,控制平面用于實現資源調度以及對服務等實體的管理等[39].D2D 通信無需中繼轉發,設備之間可以直接進行通信,節點的局域組網性能更優[40?42].Cheng等[43]和Abd-Elrahman等[44]論證了基于D2D 的V2X 低時延通信,并能優化蜂窩網絡的承載性能.中國C-V2X技術發展位于全球領先,最先將5.9 GHz 頻段20 MHz 帶寬的頻率資源分配用于直連通信服務,同時對臺站、設備、干擾資源的管理做出了具體規定.

表2 車聯網技術與標準的對應關系Table 2 The relationship between car networking technology and standards

在C-V2X 協議互操作方面,甘秉鴻[45]搭建了V2X 標準協議一致性測試系統,該系統包括用于C-V2X PC5 接口協議的R&S CMW500 測試儀表和用于全球導航衛星系統衛星同步功能的R&S SMBV100B 測試儀表等,以支持C-V2X 網絡層、消息層和安全層協議一致性測試,用于檢驗各產品的協議一致性和互通性.

2.1.2 V2X 網絡擁塞控制

在智能網聯V2X 通信系統中,每輛車定期廣播其運動和鏈路狀態的消息,此類流量與道路上的車輛數量成正比,當流量密度增加時,信道資源趨于飽和將引發丟包率的增加,易導致局部區域V2X通信的失效[46].在基于DSRC 的V2X 組網環境下,SAE 和ETSI 分別提出了SAE J2945/1[47]和ETSI TS 102687[48]用于分散擁塞控制.考慮到LTEV2X 網絡中未定義集中的信道資源協調器,節點收發時需要通過監控信道活動和限制其信道使用來防止信道擁塞.SAE 正在SAE J3161/1[49]中為LTEV2X 開發擁塞控制機制.ETSI 在TS 103574 中對C-V2X 的PC5 信道的擁塞控制機制進行了規定[17, 50],該規范允許單獨或組合使用發射功率、速率以及調制和信道編碼控制.3GPP TS 38.214 標準[51]根據側鏈控制信息中指示的每個數據包優先級字段,結合信道忙率測量上報(用戶體驗感知結果和地理位置),每個信道忙率都對應一個信道占用率限制,當用戶的信道占用率超過限制,則自動降低信道占用率以緩解信道擁塞.

功率控制可以調節網絡覆蓋,從而促進無線信道擁塞的改善[52].文獻[46]討論了現有擁塞控制算法在DSRC 和C-V2X 信道傳輸中的適用性和效率,得出現有DSRC 中的擁塞控制機制需要進一步演進以適應C-V2X 信道環境的結論.文獻[53]在LTE-V2X sidelink 4 工作模式下,討論了不同車輛密度對傳輸子幀功率的影響,通過對車輛信道狀態的感知以實現發射功率的動態調節,從而提高數據包接收率;文獻[54]結合信道感知與功率調度,提出基于信道忙率的擁塞控制方案,測試結果認為資源分配會導致丟包問題.文獻[55]在C-V2X 協議棧頂層植入SAE J2945/1 算法,得出LTE-V2X 網絡中傳輸功率控制在控制數據包接收率方面的作用有限,認為速率控制對網絡性能的影響更為顯著.文獻[56]認為J2945/1 中傳輸功率與速率控制的聯合優化策略在C-V2X 環境下會變差.文獻[57]將J2945/1 移植到C-V2X 通信環境,通過高速公路場景的仿真分析,認為原功率控制、速率控制以及兩者的平衡算法均不適用,揭示了LTE-V2X 的半持久機制將導致連續丟包,指出未來C-V2X 環境的標準擁塞控制算法需要重新定義.由于需要綜合管理C-V2X 網絡中的不同傳輸模式(單播、組播或廣播、周期性或實時觸發等),文獻提出結合多因素和優先級的擁塞控制模型,如圖6 所示,可用于對V2X 服務/應用程序進行更細粒度的資源管理.在此基礎上,文獻[58]在相鄰車輛之間設計了異構信道資源分配策略,通過對多車之間的信道資源進行分布式協調處理,相較于標準化分散擁塞控制方法具有更好的性能.因此,已有DSRC 中的擁塞控制標準無法直接用于C-V2X 網絡,需要重新根據C-V2X 通信中的信道模型、控制元件的各個輸入、信道繁忙率和車輛密度之間形成的新關系進一步研究.

無線網絡中的流量控制,可以對各傳輸環節的流量進行調節并動態更新,有利于緩解V2X 信道的流量擁塞.文獻[59]提出流量整形并結合信道調整參數的查表方法來調節傳輸速率.文獻[60]設計了一種消息速率自適應線性化方法,可以根據目標信道狀態調整聚集廣播信息的傳輸速率.文獻[61]在MAC 層之上和競爭轉發層之下添加了 “關守”,使用關守和LIMERIC 作為速率自適應算法,此方案提高了混合數據流量在可靠性和延遲方面的性能.現有在對V2X 通信的分布式擁塞控制研究中,很少考慮用戶服務質量保障需求.文獻[62]提出一種服務質量(Quality of service,QoS)感知的流控架構,定義了兩種工作模式,利用J2945/1 算法用于傳輸功率和速率控制,在確保信道忙率基礎上確定工作模式,可以獲得J2945/1 規定的信道忙率降低效果.文獻[63]在NR V2X 網絡中,提出基于信道擁塞的重傳控制,通過感知信道擁塞狀態以決策數據包重傳的方案.3GPP Rel.16 為NR V2X 網絡定義了5G QoS 模型,該模型中的5G QoS 流是5GS中流量轉發處理的最細顆粒,顆粒轉發策略包括調度策略、隊列管理策略、速率整形策略、無線鏈路層控制配置等[64].5G QoS 模型如圖6 所示,首先將V2X應用數據包映射到V2X 層的QoS 流,映射策略為PC5 QoS 規則,不同QoS 流由PC5 QoS 流標識進行分區;然后通過NR Uu 無線資源控制信令提供給用戶體驗的規則,將QoS 流映射到側鏈進行承載,其中從QoS 流到無線承載的映射在服務數據適配協議層執行[15].5G NR-V2X 采用了基于QoS 流的控制模型用于側鏈的單播、組播和廣播服務,對應無線資源控制連接態和空閑態的PC5 數據流均定義了標準化業務流程,但對應擁塞控制算法還未確定,下一步還需對QoS 數據流與傳輸速率和功率的協同控制及平衡之間建立置換關系及統一表達模型,從而實現NR-V2X 信道優化及高性能通信服務.

2.1.3 C-V2X與MEC 融合技術

5GS與ECN 的融合部署,有利于降低端到端傳輸時延,緩解終端或路側基礎設施的計算與存儲壓力,減少大量數據回傳造成的網絡負載量[65].文獻[66]在德國A9 高速公路30 公里沿途部署了MEC平臺,測試并驗證了車輛可以使用LTE 以低于20毫秒的端到端延遲交換信息.歐洲5GCroCo 項目測試了跨國之間的5G 網聯汽車之間的通信切換,未來將部署合作防撞(Anticipated cooperative collision avoidance,ACCA)等服務,每輛車自動檢測路面危險事件并共享ACCA 服務[67].部署ACCA服務的挑戰之一是實現來自不同設備制造商的OBU(集成的V2X 模組與協議) 之間的互操作,5GCroCo 項目聯合了沃爾沃、標致雪鐵龍、雷諾和愛立信等20 多個合作伙伴實施了ACCA 的跨境示范應用,為基于MEC 的大區域智能網聯車輛之間的互操作商用奠定了基礎.文獻[68]利用OBU 和MEC 平臺搭建了ACCA 組件的演示環境,測量了不同V2X 信息流的端到端延時,驗證了不同汽車設備制造商之間V2X 協議之間互操作的可行性.根據網聯車輛與MEC 交互場景和應用需求,可以將C-V2X與MEC 融合場景分類為表3 所示.為了推動C-V2X與MEC 融合能夠更快的發展,IMT-2020 C-V2X 工作組組織了MEC與C-V2X 測試床立項征集工作,共獲批創建10 個MEC與C-V2X融合測試床項目,旨在加速發展基于MEC 的車路云協同應用場景測試與解決方案.

表3 MEC與C-V2X 融合場景示例Table 3 Example of MEC and C-V2X integration scenarios

傳統網絡由于公用數據網網關集中設置在核心節點,用戶流量需要繞行公用數據網網關造成網絡邊緣時延較難獲得優化,而5G 將網元拆分為5GC和UPF,5G UPF 的下沉部署,通過5G 非獨立接入(Non standalone access,NSA)和獨立接入(Standalone access,SA)共?；?實現網聯車輛的就近接入,業務引流與執行相應的計費策略[69].同時,ECN 通過部署虛擬化的邊緣網關設備,針對車輛裝配的OBU 發起的C-V2X 接入的業務控制功能下移到邊緣網關設備,避免流量在網絡中的繞行.中國移動在蘇州建設MEC與C-V2X 融合測試床環境,其組網架構如圖7 所示.考慮到智能網聯車路云協同系統的低時延需求,將UPF 下沉至區域匯聚機房,由邊緣計算節點提供UPF 本地分流服務,利用承載網絡與地市現網系統架構演進網關對接,從而實現業務分流與計算下沉,進而降低端到端時延和核心帶寬壓力.

圖7 MEC與 C-V2X 融合測試床組網架構圖Fig.7 Networking architecture of MEC and C-V2X integration testbed

2.2 智能網聯融合定位

HPPS 為智能網聯車路云協同系統提供核心能力支撐,是支持自動駕駛與精準位置服務中的重要一環[70].現有主流定位技術可分為多衛星組合定位技術、蜂窩定位技術、基于智能傳感器的定位技術和局域網定位技術四類.

2.2.1 多衛星組合定位

目前,中國北斗三號衛星系統全球覆蓋運行,衛星單系統的單點定位精度通常可達到米級,樓宇遮擋和隧道等場景的實際定位結果往往偏離真實位置數米到十幾米,無法滿足車道級定位與導航的要求.衛星組合系統通過獲得多星座的定位數據,不僅可以提高單點定位精度,并且能縮短收斂時間[71].吳有龍等[72]等對多個全球導航衛星系統(Global navigation satellite system,GNSS)組合全球衛星的定位性能進行評估,驗證了雙系統和四系統融合能顯著提高系統的可用性.盧鋆等[73]等從星座操作、信號互操作、時間互操作和坐標互操作等方面開展北斗三號系統與其他GNSS 系統間的融合設計,提升了全球北斗定位精度及性能.布金偉等[74]利用多星座實驗監測網(北斗系統/準天頂衛星系統及其組合系統)的觀測數據,通過對組合系統數據進行解證,可以明顯改善信號易遮擋的復雜環境(如城市、建筑物密集區、山區、樹林等)下的精密單點定位性能.

2.2.2 蜂窩定位

蜂窩網絡定位通過移動通信的基站信號差異來計算手機所在位置,基站下行發送定位參考信號,終端計算不同小區間定位參考信號的到達時間差,通過定位算法得到定位結果[75].由于受移動通信信道噪聲和多徑傳播干擾等影響,蜂窩網絡定位精度取決于待定位區域的基站數及分布[76].2G 到4G 的演進中,由于空口可用、可控制的資源不斷擴展,促進了定位增強技術的發展及定位精度的提升[77].5G技術的廣泛應用使得大量新技術涌現,5G 蜂窩網絡的超密集組網可以提高小區覆蓋能力,優化其覆蓋質量及定位精度[78];大規模陣列天線技術使5G基站具有測距和測角的雙重功能;低時延、高可靠的特性可以保證位置服務過程程中的實時性和穩定性、毫米波通信和智能波束賦形使信號具有更佳的指向性,可以減輕到達時間、到達時間差測量受多徑信號的干擾程度[79].5G-V2X 通信系統中,利用PC5 接口的V2V 通通信與協同定位,可以降低定位網絡的部署成本,而且有利于實現室內外一體化定位及場景適應性[80].

2.2.3 基于智能傳感器的定位

基于智能傳感器的定位方案有利于網聯車輛定位在全路況場景的連續可用,如慣性測量單元(Inertial measurement unit,IMU)中的加速度計,通過測量線性加速度并進行積分運算,可以得到運動體的運動速度和位置信息[81].慣性導航定位屬于自主式且無需要外界信息參與,但其定位誤差會逐漸累加,需要在導航過程不斷進行狀態修正以保障定位精度[82].此外,慣性導位需要結合高性能的傳感器件,在行業終端中集成應用的成本高[83].多傳感器的融合應用可以克服復雜環境下的無法定位或定位精度不足的問題,充分利用組合傳感器信息并對慣導系統相關參數進行誤差校正和反饋,對于自主導航領域多種應用需求具有重要意義[84?85].在一般的交通場景下,智能傳感器在數據采集過程中通過濾波方式即可獲得較高的定位精度.然而,要實現全場景的高精度定位,例如城市密集區域和極端天氣等復雜環境,建立一個穩定的數據融合框架尤為重要.

2.2.4 局域網定位

局域網定位通過測量待定位節點與錨節點之間的無線電波信號強度特征,根據接收信號到達時間、到達時間差和接收信號強度等方法,可以推算待定位節點的位置[86].基于V2X 的局域網定位技術充分利用車載自組網和易于與現有GNSS、基站等定位方案進行整合的優勢,通過協作定位方式提升網聯車輛定位的精度及連續性.如Li等[87]基于多車系統的分布式隨機極值搜索控制器,通過獲得每輛車本地目標函數數據以及與相鄰車輛的相對位置數據,從而實現多輛網絡化車輛的融合定位技術.孫寧等[88]在傳統GPS 和毫米波雷達獲取車輛定位信息的基礎上,設計基于雷達集成的多車協同定位方法,依據GPS 定位信息對本車位置進行估計,再通過車車通信接收周圍車輛發來的根據其GPS 測定的位置及其與該車相對位置而估計的該車位置信息,從而對信息進行融合并獲得更為精確的位置信息.譙小康等[89]在GPS 衛星導航和車輛自身航位推算基礎上,利用車輛之間的到達時間觀測和車輛到車輛的實時通信以實現協同定位.Chu等[90]利用多個相鄰車輛周圍反射器之間的相關性,提出了一種反射器選擇和估計算法,可以實現多車輛并發建圖與定位.Song等[91]提出基于主鏈和側鏈融合的車載區塊鏈架構的多車協同定位校正框架,以提高系統安全性、可靠性和車輛定位精度.Xiao等[92]融合來自車載傳感器和車輛V2X 技術的多源異構信息,定義了一種車輛自定位和多目標相對定位的統一框架,將城區的協同定位精度提升到0.2 m 以內.Liu等[93]提出在車輛超密集網絡中的V2X 集成定位方法,將V2I、V2V與慣性測量傳感器進行數據融合,結合基于幾何的K 均值聚類算法進行錨點優選,仿真結果顯示可以實現18.7%精度性能提升.然而在多徑和非視距環境下,多徑信號疊加會導致接收信號強度值顯著波動、到達時間測量受非視距時延擴展影響誤差較大等問題[94].此外,國內外研究者在融合定位的實證方面進行了研究,從而為引入V2X的融合定位系統設計提供參考.如Schwarzbach等[95]在德國Dresden 測試區域,采用V2X 協作組網以增強GNSS 位置估計進行了實證,同時評估了協作定位在非視距和多徑場景下的不同性能影響.Du等[96]搭建了支持V2V 通信的OBU 測試平臺,實時記錄網聯車輛的V2V 通信、位置、速度、加速度和方向角數據,通過對多源數據的融合,可以準確表達車輛換道行為的過程.

由上述定位研究可以看出,以融合定位為代表的高精度定位逐步成為車路云協同系統的定位技術研究的主導方法[10],部分典型融合定位技術方案的技術對比見表4.

表4 現有典型融合定位方案的技術對比Table 4 Technical comparison of existing typical fusion positioning solutions

2.2.5 高精度融合定位演進

中國正在規劃并發展以北斗衛星導航系統(Beinavigation satellite system,BDS)、5G 為代表的智能化、綜合性的數字交通基礎設施.空間衛星數量的增加(包含中高軌導航多系統[105?106]和低軌導航增強衛星[107]等)、網聯汽車自組網[95]、車輛配備傳感器的不斷拓展[108]以及邊緣云網絡的部署等,基于多衛星系統組合、多傳感器融合、分布式和分階段解算的融合定位方案呈現越來越明顯的發展趨勢[109?110].國內外精密定位服務龍頭企業已推出車規級高精度定位產品及方案,表5 是車載定位模塊的供應商ublox 推出的高精度產品的性能指標示例,包括GPS、格洛納斯(Glonass,GLO)、伽利略(Galileo,GAL)和BDS.

表5 不同 GNSS 模式下的定位精度Table 5 Positioning accuracy in different GNSS modes

今后,智能網聯車路云協同系統需要充分利用多種定位設施及數據源,將各定位子系統(GNSS和實時動態(Real-time kinematic,RTK)、公眾移動網、無線局域網、慣性測量單元和車載探測裝置等)、路網場景(道路類型、路口、出入口和停車場等)和定位模式(一級融合和二級融合,局部或全域高精地圖選擇,以及不同行駛場景、不同階段選擇對應的融合策略等)進行深度耦合并研究相應的自適應濾波容錯、誤差修正及場景匹配機制等,結合全域或局部高精度地圖引擎,構建車路云協同的多源信息融合高精度定位系統.

2.3 智能網聯測試與評價

面向智能網聯車路云協同試驗場的建設內容通常包括仿真測試、封閉場地測試、半開放道路和開放道路測試,首先開展基礎性聯網信息服務類的測試,逐步拓展到高速公路和城市道路復雜場景下“人?車?路?云”系統的協同服務測試.虛擬仿真測試一般覆蓋可預測的全部場景,封閉場地測試通常覆蓋自動駕駛系統正常狀態下的典型功能和極限場景,半開放道路和開放道路測試主要覆蓋典型場景組合的道路、隨機場景及隨機要素組合的道路,以驗證自動駕駛功能應對有限場景和隨機場景的能力.

從車路云協同測試系統的架構可以看出,車路云協同測試場景庫是場景的載體平臺,通過場景數據采集、分析挖掘、測試驗證等步驟,實現內容閉環.在車路云協同場景測試可以采用主動測量和被動測量兩種方案,前者通過車載傳感器獲取行車周圍環境信息,或向網絡、服務器、應用中發送探測數據包,通過對數據包所受影響而發生的變化進行分析,測得網絡性能[111];被動測量常用于監測類場景,通過設定的規則條件接收相應的監測數據,如在網絡中布置測量裝置來捕獲數據包,監測網絡通信狀況并進行分析從而測得網絡性能[112].目前,網聯場景測試將集成上述的兩類的測試.

2.3.1 仿真平臺

目前,用于網聯場景的虛擬仿真平臺主要包括兩類,分別是道路交通仿真軟件和網絡仿真軟件[113].為了同步評估網聯場景下的各單車的組網性能及交通流的通行效率之間的相互作用,網聯場景的仿真通常將兩類仿真軟件進行深度耦合[114].其中道路交通軟件負責模擬車輛(或車隊)的協同控制特性并常被作為網絡仿真的輸入,網絡仿真軟件則負責模擬網聯車輛的通信與組網特性,針對網聯車輛的數據傳輸、接收以及仿真場景下的負載、路由、鏈路和信道進行報文級仿真[115].在網絡仿真領域,典型的開源仿真軟件包括OMNeT++[116]、NS-2[117]、NS-3[118]等[119],商業化網絡仿真軟件主要有OPNET[120]、OMNEST[121]、QualNet[122]等.較為成熟的交通仿真器包括SUMO[123]、VISSIM[124]、PARAMICS[125]、TransModeler[126]、TRANSIM[127]、CORSIM[128]和PanoSim[129]等.Veins 開發環境集成了多種仿真界面,不同模擬器之間通過TCP socket 進行通信,可用于網聯場景下的網絡仿真與地圖可視化仿真[130];根據合作式智能運輸系統車用通信系統應用層及數據交互標準(第2 階段)中定義的協作式變道場景[131],基于仿真環境構建并測試驗證,仿真實驗可以支撐智能網聯車路云場景設計與功能調整,從而可以縮短實車測試的周期.

仿真測試通過對傳感器、車輛、控制器、交通環境等要素進行定義并進行場景測試及有效性驗證,根據實際工作場景需要及驗證目標對象的不同,可以分為: 模型在環測試、軟件在環測試、硬件在環測試、駕駛員在環測試和實車在環測試等.模型在環測試指在開發環境下對模型進行仿真;軟件在環測試指在系統功能開發階段建立軟件環境進行模擬并測試;硬件在環測試通過用真實組件部分替換原始模型來建立真實的測試環境;駕駛員在環測試則利用動態駕駛員模擬器、環境視聽模擬設備及相關人車檢測設備重現 “人?車?環境”的真實場景;實車在環測試將高級駕駛輔助系統集成到真實車輛中,并通過實時仿真機及仿真軟件模擬道路、交通場景以及傳感器信號,從而構成完整測試系統方法,可實現高級駕駛輔助系統功能驗證、各場景仿真測試、與整車相關電控系統的匹配及集成測試[132].與傳統的軟/硬件在環測試相比,實車在環測試由于引入了實際車輛,從而提高了被測控制器性能的精確度,并且仿真測試可以快速的建立測試場景和工況配置,使得如高級駕駛輔助系統算法等類似功能迭代開發變得容易,并為實際部署奠定技術基礎[133].如李驍馳等[134]開發智能網聯汽車室內測試臺架,能夠模擬試驗場的交通場景構建、測試場景復現和單一要素分析,支持智能網聯交通的柔性場景測試,從而有效提高網聯場景下結合實車開發和測試的效率.

2.3.2 實車測試

智能網聯車路云協同系統通過封閉場地、半開放道路和開放道路的真實場景測試,推動虛擬仿真轉向落地應用.國內外針對實車測試的初期大多選擇六大應用場景: 高速/環路、市內運行、城際/郊區、泊車/取車、封閉園區和室內/室外,要求測試設備能夠實時準確全面地記錄測試過程中各項參數,以加速探索和優化技術成熟度尚未達到推廣應用要求的網聯車輛在運行過程中出現的各種技術問題[135];后者側重被測系統在開放道路環境下的穩定性、可靠性,要求試驗后能完全還原系統誤報、漏報等問題事件,為開發人員提供問題優化、系統升級的數據支撐[136].例如,美國密歇根大學建立名為MCity智能駕駛測試基地,設置城市各類道路場景,驗證不同場景下網聯車輛執行智能駕駛任務的有效性和可靠性[137].同濟大學研究團隊在江蘇省太倉市以及河北省廊坊市的實際道路上構建智能駕駛的實驗系統,驗證智能駕駛與主動交通控制系統之間的協同工作及可行性[138].

智能網聯車路云協同系統的商用需要大規模的實車測試,將具備智能駕駛和車路云協同功能的單車、多車及系統置于實際交通場景中,通過道路環境和交通參與者等元素隨機組合的場景輸入,以實現智能網聯車輛與道路、設施及其他交通參與者的相互適應與協調,驗證并不斷完善車輛面對真實復雜道路場景的安全行駛能力.

2.3.3 智能網聯性能評價指標

LTE/5G-V2X 網絡為智能網聯車路云協同系統的運行提供了核心支撐,分析智能網聯應用技術與車路云協同產品的研究現狀,梳理出智能網聯核心測試指標與典型場景的限定性技術要求,將有利于推動產業協同創新、系統研發并加速落地應用.Fan等[139]在開放道路的實測過程中,以被測車輛的車速和車間距進行聯合建模,獲得V2V 和V2I、靜態和動態、視距和非視距等不同場景下的系統通信性能與對應指標.Kong等[140]設計了基于LTE-V、航位推算和RTK 定位的車載單元,并以動態和靜態兩種實地測試場景對車載單元的延遲、數據包丟失率、定位精度性能進行測試.Avcil等[141]構建了由OMNET++、Veins 和SUMO 集成的仿真環境,通過對V2X 網絡的性能進行實驗分析,認為車輛密度和數據需求增加會對網絡時延和可靠性帶來不利影響,需要進一步對網絡資源進行合理分配以確保服務質量.Hofer等[142]首次將實時基于幾何的隨機信道模型參數用于實車在環中進行V2X 通信系統測試,收集試驗場和實車在環測試場景中的信號強度和包誤差率數據,驗證了兩個場景中的性能指標的一致性,這為結合實時更新基于幾何的隨機信道模型參數的實車在環測試系統用于實測分析奠定理論依據.Ahmad等[143]選取馬來西亞班吉大學校園內的區域和工程建筑環境學院室內2 個區域場景,提取了LTE 信號強度、端到端時延和吞吐量性能指標.Wang等[144]在高速公路場景,獲得了5.9 GHz頻段的直道和彎道、靜態和動態場景的V2V 和V2I鏈路的覆蓋范圍、丟包率及時延等性能指標.表6為已有文獻設定的智能網聯測試性能指標,勾選項為對應文獻涉及到的性能指標.總之,網聯場景的測試場景可分為靜態和動態測試、視距和非視距、短包和長包測試、V2V 和V2I (拓展到V2X 的各種模式)、直道和交叉路口和彎道等.

表6 網聯測試主要性能指標Table 6 Key performance indicators of connectivity test

在未來相當長時間內,中國將基于5G/LTEV2X 網絡支撐車路云協同系統的建設與發展[151].3GPP 針對不同承載方式均提出對應場景需求指標,隨著 5G-LTE NSA 網絡架構部署及后續演進,未來將需要完成服務場景與技術指標的統一.3GPP針對LTE-V2X 定義了27 個車路協同應用場景,并給出7 種典型場景性能要求,V2X 需支持的通用業務性能要求如表7 所示[152].針對5G NR-V2X,3GPP 定義了未來更高等級的自動駕駛需求,定義了25 個用例并歸納成編隊行駛、先進駕駛、傳感器擴展、遠程駕駛和基本需求五類場景,場景需求指標如表8 所示[153].綜合以上分析,可總結出智能網聯車路云協同系統中典型測試場景可依據道路類別、自動駕駛業務場景、測試數據和通信對象等分類,主要的測試性能評價指標包括時延、丟包率/可靠性(單次傳輸和累積傳輸可靠性)、吞吐量、通信范圍、數據包投遞率、接收信號強度、數據速率(絕對速率和相對速率)等.

表7 LTE-V2X 典型場景通信性能要求[152]Table 7 LTE-V2X communication performance requirements in typical scenarios[152]

表8 NR-V2X 典型應用場景需求指標[153]Table 8 Scenario diagram of cooperative networking and control[153]

3 發展趨勢

智能網聯車路云協同系統將向協同組網與控制方向發展,業界需加緊互操作性測試與合作,大規模接入需要部署邊緣智能服務,新型融合系統亟待應用安全建設等.為此,提出以下4 個方面的挑戰、機遇和前進方向.

1)協同組網與控制技術.未來智能網聯車路云協同場景可分為車輛隊列組網與控制、空地網聯組網與控制兩個層面,如圖8 所示.前者可分為車內控制、車隊結構和車間通信三個模塊,車內控制指為保持安全編隊的車輛縱向控制動力學建模,車隊結構是指隊列中車輛之間關聯結構與隊列穩定性控制,車間通信為能夠適應高速移動、動態拓撲的環境感知和車路云協同網絡.Li等[154]基于多智能體系統理論設計了車輛隊列分布式控制的四元素架構,為基于一致性的車輛隊列控制系統建模與分析提供了統一框架,歐洲HORIZON 2020 計劃也將其作為編隊項目ENSEMBLE 的控制框架[155].后者受益于北斗天基增強、RTK 和高精地圖[156]的建設,推動空地網聯的協同組網研究與發展.文獻[157?158]在智能網聯系統中部署了具有緩存功能的UAV基站,可以充分發揮空地資源共享的優勢;文獻[159]采用UAV 的分層部署方案,高層UAV 負責網聯車輛的通信和總體監視工作,低層UAV 執行熱點區域的覆蓋任務,從而最大程度地保障V2X 網絡的吞吐性能.Abbasi等[160]將UAV 視作空中通信中繼站,通過對車載軌跡的感知以實現對V2X 節點之間的中繼轉發服務.Demir等[161]考慮車輛用戶的等待時間和回程鏈路的容量限制,以UAV 作為飛行部署的RSU,建模并求解該UAV 的最優懸停時長和系統功耗.為此,智能網聯車路云協同新架構下人?車?路?云多元共融,網絡拓撲時空動態多變,以及大量同頻、異頻終端接入[162],需要研究混合交通場景下多元分布式協同機制[163?168]、融合QoS 感知的車聯網組網數據播發[165]以及面向分層智能決策的自主任務分配與跨層協同控制方法等.此外,文獻[166?188]的基于智能網聯的生態駕駛在車輛隊列和交叉路口[172?188]等場景下的應用,也已成為研究熱點,這也是該技術走向實際應用所迫切需要解決的現實問題.

圖8 協同組網與控制場景Fig.8 NR-V2X typical application scenario demand index

2) 互操作技術.智能網聯車路云協同系統內V2V、V2I、V2P 和V2C 等服務模式共存,業界需要在 “三跨”、“四跨”和 “新四跨”基礎上,進一步完成標準體系建設與不斷升級[173?174].同時,需加速推進新一代車載V2X 融合終端和云控系統、路側基礎設施、智慧交通系統與智慧城市等的標準化研發與發展,綜合ECN與HPPS 等的部署和技術演進,推進產業鏈全面聯動并融合發展[175].

3)邊緣智能服務.未來相當長時間內智能網聯車路云協同系統將采用分階段、分區域的建設方案,各階段、各區域建設的系統本身也存在通信、存儲和計算方面的資源約束,采用云網協同、算網融合的發展思路有利于系統的有序落地并應用[176?177].文獻[178?179] 在車路云協同架構中,利用MEC 平臺進行邊緣計算與存儲協同,優化了智能網聯車輛的接入服務性能.Feng等[180]為5G-V2X與邊緣融合系統設計了多車與多緩存資源單元的通信資源分配機制、車輛任務與多MEC 服務器的計算卸載策略,在保證網絡穩定性的同時優化了功耗、緩存溢出概率和請求響應時延.Li等[181]引入了無人機輔助多用戶、多服務器的MEC 環境中的卸載決策和資源分配方案,優化了系統的延遲和能耗.上述研究大多處于仿真與實驗驗證階段.未來隨著入網車輛數目的規模增加,邊緣網絡資源調度與優化服務方面仍有很多問題需要解決,如復雜交通場景下的動態資源管理[182]、集中式車輛檢測模型與高效計算服務[183]等.并且,5G UPF 下沉到承載網且分布式部署,將導致對應的業務端口的下移,5G 現網需要梳理新場景下的端邊云協同以及移動承載網與固定承載網雙平面之間的網絡架構與互操作需求.

4)安全技術.ICV 網絡拓撲動態變化,通信過程中節點高速切換時,任何偽造節點與惡意攻擊都可能導致單車系統故障以及區域交通癱瘓,因此智能車輛安全互信認證技術需要面對大范圍移動、拓撲變化快和高頻接入/解除等問題[184].吳武飛等[185]在對智能網聯車輛架構下的車載網絡進行剖分基礎上,給出了網絡安全設計的約束分析,并對車載網入侵檢測技術進行了重點闡述.同時,融入區塊鏈的分布式架構可以提高大規模車輛分布式訪問控制的安全性,結合車路云協同場景下多實體、多角色的數據共享需求,構造基于多屬性的層級訪問策略框架,相比集中式架構更為有效[186].Jabbar等[187]提出一種去中心化安全解決方案,用于實現車輛與交通系統中其他參與者之間的安全保密通信.Khan等[188]為云霧網絡架構下的V2X 通信系統引入微區塊鏈技術,相比公共區塊鏈方法可減少簽名和合法驗證的時間,且可優化系統開銷.因此,智能網聯車路云協同系統需要重新進行安全架構設計以及系統成本、可用性、一致性、穩定性和保密性等,根據敏感業務需求對符合條件的各通路及資源進行優化調度,做到保證安全且節約系統整體開銷.

4 結束語

B5G/6G、新能源和人工智能的發展,引發了全球汽車產業格局與產業生態的重新構建,為汽車產業變革與升級帶來戰略機遇.面向智能網聯車路云協同系統的發展現狀與加速產業化需要,本文介紹了新型車路云融合系統、智能網聯V2X 通信系統、云控系統和車路云協同測試系統等的總體架構設計.當前全國智能網聯車路云協同試驗場正在全面建設的背景下,從智能網聯V2X 組網、融合定位和測試評價三個關鍵技術方面進行了分析,重點在協同組網與控制、互操作、差異化服務和安全等相關技術進行了現狀分析與前沿展望,旨在加速推進智能網聯車路云協同系統從理論研究到實際應用的轉換,為實現未來人?車?路?云一體化協同作業下自動駕駛和下一代智慧交通系統的創新與變革提供技術參考與發展思路.