大數據動態規劃和人工智能無人駕駛技術應用構想
——以四維空間導航宏速模式解決交通擁堵為例

劉子天

(大連理工大學，遼寧 大連 116000)

0 引言

進入21世紀以來，人類經歷了3G到5G移動通信技術的升級變遷、經歷了無人駕駛技術從L0到L5的跨越、經歷了大數據元年到數據賦能產業的急速發展期。現今，人工智能領域正處于第三次浪潮的初始階段，受到大數據及深度學習的推動，引發生產力的變革。以大數據路徑規劃和人工智能無人駕駛技術為首的技術不斷推陳出新，給汽車駕駛行業帶來翻天覆地的變化。在未來，人工智能必將滲透到各行各業，解放生產力、調節生產關系，給人類帶來更加美好的生活。

1 車聯網技術發展現狀

在汽車的百年發展中，“四化發展”構建汽車發展競爭力：(1)汽車網聯化(商業模式轉型)，車、路、網、人、環境交互，降低車輛感知成本；(2)汽車自動化(技術轉型)，基于AI，實現自動駕駛感知、規劃、決策和執行；(3)汽車電動化(技術轉型)，改變汽車結構、能源及驅動；(4)汽車共享化(商業模式轉型)，影響所有權結構，車輛成為社會化出行服務工具。本文闡述汽車網聯化和自動化。

1.1 汽車網聯化

汽車網聯化——車聯網，是物聯網中最典型的場景，因為其對通信網絡有著極高的要求：大帶寬、低延時、廣連接、嚴密的覆蓋，這些都是實現車聯網必不可少的條件。車聯網基于蜂窩技術C-V2X網絡，由LTE-V和5G-V2X組成，包括車與車(Vehicle-to-Vehicle，V2V)、車與路(Vehicle-to-Infrastructure，V2I)、車與人(Vehicle-to-Pedestrian，V2P)、車與網絡(Vehicle-to-Network，V2N)等[1]。車聯網V2X與ADAS(高級駕駛輔助系統)結合可以車路協同，V2N2V可以讓自動駕駛實現更高級別的安全，其適用5G網絡切片以超高可靠性與超低時延業務(Ultra Reliable & Low Latency Communication,uRRLC)為主、增強移動寬帶(Enhance Mobile Broadband，eMBB)和海量物聯網通信(Massive Machine Type Communication，mMTC)為輔助。

車聯網自下而上分為3層架構，分別是感知層、網絡層和應用層[2]。感知層承擔車輛自身與道路交通信息的全面感知與采集，通過RFID、傳感器和車輛定位等技術，實時感知車況、道路環境、車輛與人、道路、車等信息，為車聯網提供全面的終端信息服務。網絡層通過制定專用的能夠協同異構網絡通信的網絡架構和協議模型，整合感知層的數據，為應用程序提供信息傳輸服務。其中，云計算和虛擬化等技術的綜合應用以及網絡資源，為上層應用提供強大的支撐。應用層需求是推動車聯網技術發展的巨大動力，車聯網在實現智能交通管理、車輛控制、交通預警等功能時，還為車聯網用戶提供車輛信息查詢與訂閱、告警等功能。

1.2 汽車自動化

汽車自動化——無人駕駛技術是指車輛在無駕駛員操作的情況下自行實現駕駛[3]。自動駕駛有多種發展路徑，單車智能、車路協同、聯網云控等。單車智能是通過傳感器實時感知車輛及周邊環境，交由智能系統進行動態規劃，最后由控制系統執行自動駕駛。單車智能是實現自動駕駛的基礎，其缺陷在于路障及轉彎處存在無法感知的問題，通過車路協同的方式可以解決這個問題。單車智能經過多年發展也不能實現絕對安全，裝置更多的雷達、攝像頭，不僅算力需求呈幾何級數上升，穩定性風險也增加，成本的激增讓商業化變得遙不可及。

車路協同是以網絡決策或網絡輔助決策的方式實現機動車輛自動駕駛，通過車與車、車與路等動態信息進行實時交互，用路測設施和車輛傳感器收集路況信息和車輛狀態，并為車輛決策行駛方案，從而解決單車智能自動駕駛的局限性，實現全局優化的智能自動駕駛方案。

1.2.1 車路協同

車路協同(Vehicle-Infrastructure Cooperated Autono-mous Driving, VICAD)是一種采用先進的無線通信與新一代互聯網技術，全方位地實施車與車、路與路、車與人之間的動態信息交互，并在全時空動態交通信息采集與融合的基礎上開展車輛主動安全控制與道路協同管理，充分實現人車路的有效協同，保證交通安全，提高同行效率，從而形成安全、高效和環保的道路交通系統。

車路協同從技術架構上分成車、路和云3個板塊，我國關于實現車路協同的規劃部署將逐漸顯現。從技術上講，由“人-車-路”組成的道路交通是一個復雜的系統，要想真正實現車路協調，無法繞開中國復雜的路況。此外，車路協同需要5G強大的傳輸速率以及道路技術設施的智能化改造。隨著智能車載系統、智能路側系統、通信平臺等諸多技術層面的不斷完善，特別是5G的普及，會將車路協同推向新高度。在未來，中國車路協同將迎來重大突破，同時會有更加完善的產業藍圖助力車路協同發展。

1.2.2 國內自動駕駛分級

2020年3月9日，工信部正式發布了《汽車駕駛自動化分級》標準進行報批公示，進一步聽取社會各界意見，截至2020年4月9日。該標準于2021年1月1日正式實施。

自動駕駛等級分為6個級別[4]如表1所示。

表1 自動駕駛分級

2 四維空間導航平臺與宏速模式

2.1 問題的提出

道路一定是擁擠的，用反正法可得。

圖1 交叉路口示意

假設，道路是不擁擠的，設X，Y，Z表示道路的流量峰值，有X+Y≤Z,…,Xn+Yn≤Zn，由圖1可知，Z既是上兩條道路的下游，又是下一條道路的上游(即Z道路既是上游，又是下游)，所以Zn=Xn+1。

Zn≥Zn-1+Yn≥Xn-1+Yn-1+Yn≥Xn-2+Yn-2+
Yn-1+Yn≥X1+Y1+…YnSn+X1

(1)

2.2 宏速模式

2.2.1 定義

宏速模式可以定義為：存在某一片區域MAX：Yn(n=1,…,n)使得接入“四維空間導航平臺”的車輛Xk(k=1,…,k)以近似MAX∶V勻速方式行駛，則稱該車輛Xk接入宏速模式(其中，MAX∶Yn表示最大化區域；MAX∶V勻速表示最大化勻速)。

宏速模式的本質是基于大數據動態規劃和人工智能無人駕駛技術的應用平臺。

2.2.2 效果舉例

(1)例一:“如果我和一輛轎車B同時過路口，我極速前進幾乎快要超速了，但卻在下一個路口等紅燈30 s，這時只見他勻速從我身邊經過，恰巧在他到達下一個路口的時候綠燈了，我們又在同一起跑線上”。

顯然，如果是以上情況則應該選擇B方案；否則，應該選擇A方案。那么，宏速模式會在不同情況進行A與B方案的切換。這里先選擇B方案的原因有很多，A急速向前首先承擔超速違規的風險、個人開車全神貫注更加消耗體力、加速踩剎車更加耗油、乘客更加不舒適等。

(2)例二:以行人視角觀測車輛，車輛出現擁擠大多在“十字路口的信號燈”處。紅燈時所有車輛停止在行人面前，信號燈“變綠”又極速駛過行人身旁，這給過馬路的行人造成很不好的體驗。在理想的宏速模式情況下，車輛在信號燈的約束下依然可以近似勻速前行(仿佛不存在信號燈)，使得車輛到達信號燈處恰好是綠燈通行。而“面向車輛信號燈紅燈，面向行人綠燈”時，以行人的視角會發現車輛遠未到路口，提升行人在過馬路過程中的體驗。

2.2.3 前置條件

假如有限多車輛接入宏速模式，那么某些道路將不再擁擠。

如上，可以理解為：當考慮第一輛車接入宏速模式中勻速時(其余車輛不接入宏速模式)，道路可能會擁擠；當考慮第二輛車勻速時，此時會對上一輛車的速度這一變量進行調節(可以快、可以慢)以達到兩輛車最大化勻速，使得兩輛車保持高速勻速狀態，那么這兩輛車構成的集合在該道路不會主動成為發生擁擠的“破壞因素”。最終使得更多車輛接入宏速模式，并使得在該路段所有車輛將以近似均衡的速度行駛在公路上，達到全局最優解。

歸納為，以一段道路為例，該道路下存在k(k=1,…,k)輛車，當這k輛車全接入宏速模式，那么這k輛車構成的集合理論上在該道路是不會擁擠的，但是存在沒接入宏速模式的車輛會造成不可控因素的干擾。所以開啟宏速模式時代的前提條件是進入L5級完全自動駕駛時代，并且宏速模式也是完全自動駕駛時代的必然產物。這樣未接入宏速模式系統的L5自動駕駛的車輛會根據宏速模式k個車輛進行“偵查與反應”，根據宏速模式定義的內置條件以MAX∶V勻速行駛，即該車輛不會主動成為發生擁擠的“破壞因素”，那么L5完全自動駕駛車輛也不會主動成為發生擁擠的“破壞因素”，這兩類車會形成很好的“默契”，使得該路段大概率是不會發生擁擠的。

常見的誤區是進入L5完全自動駕駛時代，沒有宏速模式也可以不發生擁堵。設想一下，當某一段路的車輛是L5完全自動駕駛的，這些車依然有可能停在交通信號燈(紅燈)下。根據宏速模式定義，MAX∶Yn和MAX∶V勻速(最大化區域和最大化勻速)可以大概率規避該風險。

2.3 宏速模式的理論基礎——四維空間導航

X軸、Y軸、Z軸向量，對應著三維空間真實世界，那么高德、百度地圖導航(以下簡稱“地圖導航”)起點A、終點B導航的路徑規劃即是對現實空間投影的二維向量。其舍去的Z向量(高度)由道路自身存在的高度來補充。

用戶使用的地圖導航通過北斗衛星或GPS進行實時定位以指導用戶駕駛車輛。在L5的完全自動駕駛場景下，由地圖導航引導車輛駛向目的地，由L5完全自動駕駛保障車輛安全，規避路障。當有大量完全自動駕駛的汽車(記作集合A)在某條道路上時，由宏速模式定義可知，該集合A未接入“四維空間導航平臺”，將舍去兩個MAX——最大化區域和最大化勻速，即：

存在某一片區域Yn(n=1,…,n)使得集合A的車輛可以V勻速方式行。

傳統三維地圖導航是對路徑進行規劃，是三維空間的二維平面。而四維空間導航比三維多一維，即時間T。

S÷T=V

其中，S是路程，T是時間，V是速度。

由上式可知，四維空間導航的本質是對車輛進行速度的規劃，基于微分與積分的概念，四維空間導航可以規劃車輛每一秒時間T所對應的速度V。這樣，每一輛接入宏速模式的車在人工智能自動駕駛技術下，基于大數據動態規劃可以實現基于宏速模式定義的最大化區域和最大化均速。

3 宏速模式的可行性

2030年，海南省率先將燃油汽車推出歷史舞臺，銷售新能源汽車，帶領我國進入新能源汽車時代。在5G網速的加持下，L5完全自動駕駛技術將伴隨著新能源汽車在未來成為可能。

3.1 關于信號燈數據

宏速模式是基于大數據的動態規劃和人工智能的無人駕駛技術發展而來，如果沒有信號燈的數據，通過大數據的實時動態運算可得。基于車路協同中V2V(車與車)方法論，在該區域經過既定的路口的車輛只要足夠多，那么接入宏速模式車輛可將參數傳遞給就近的5G基站、衛星或網關，到達四維空間導航平臺基于以下兩個公式進行運算。

TP(紅燈時長)=MIN[DT(α1)-DT(α2)]≥0

TP(綠燈時長)=MIN[DTβ1-DTβ2]≥0

其中，TP：TimePlace該路口處；DT：DateTime時刻；α：通行時刻；β：停車時刻；時間具有一維性，那么α,β∈任意時刻[6]。

3.2 關于算力的保障

1965年，計算機第一定律：摩爾定律，被英特爾(Intel)創始人之一戈登 ·摩爾(Gordon Moore)提出。一直發展了半個多世紀，半導體芯片的集成化趨勢一如該理論的預測，推動了整個信息技術產業的發展[5]。到2022年6月5G基站數達到185.4萬個，算力產業鏈條持續完善，產業協同不斷深化，包括算力基礎設施、算力平臺和算力服務等，具有國際競爭力的算力產業初步形成，一批具有示范效應的算力平臺、數據中心相繼落地。

據中國信通院測算，2021年，云計算規模超過3 000億元，人工智能核心產業規模超4 000億元。在“中國云”不斷發展的背景下，車聯網行業將會通過“云-管-邊-端”為宏速模式提供巨大算力。更何況，一輛汽車存在足夠的空間搭載本地服務器或臺式電腦。綜上所述，宏速模式將擁有足夠的算力支持。

3.3 宏速模式下用戶的區域劃分

宏速模式的運算區域初期不會是以全國的范圍，那樣將需要非常強大的算力。我們可以劃分不同的區域，這樣的劃分區域可以按照“國、省、市、縣、鄉”的等級劃分，也可以按照地圖導航平臺或網約車平臺的算法進行劃分，至此不再贅述。

3.4 關于乘客舒適性保障——無感通行

基于馬斯洛需求層次理論，該理論將人類需求分為5種，并將這5種需求進行了等級的劃分，按照層次逐級遞升，分為生理上的需求、安全需求、情感需求(愛和歸屬感)、尊重需求和自我實現的需求[7]。馬斯洛認為只有當低一層次的需求被基本滿足時，更高一層次需求才會被打開。

進入L5完全自動駕駛時代，車輛接入宏速模式，安全需求可以被滿足。比安全需求更高一層是歸屬感需求，要想車輛具有“家”一樣的屬性，那么車輛除了需要封閉性以外還不能過于顛簸。由于慣性，理論上只要車輛不踩剎車，乘客是舒適的且不顛簸的。那么，將有兩種滿足方式，一種是車輛一直加速，這種顯然不可能。另一種是車輛平穩運行，近似勻速行駛。

根據宏速模式定義可知，車輛接入宏速模式將有MAX∶Yn表示最大化區域；MAX∶V勻速表示最大化勻速，以不同速度的勻速，在多個不同的路段進行勻速行駛可以實現車輛“無感通行”。因此，可以滿足馬斯洛安全層次和歸屬感層次的需求。

4 結語

宏速模式是L5完全自動駕駛后的產物，在未來必將實現。回顧當下，本文首創性提出宏速模式的概念，基于自動駕駛車路協同的技術理念和思想，為交通問題提供全局最優解思路，其本質是基于大數據動態規劃和人工智能無人駕駛技術應用平臺。同時，希望國家完善自動駕駛、車路協同立法及標準規范，推動該領域不斷發展，讓宏速模式更早“面世”，造福人類。