(綜合報導)隨著通訊網路的發展,蜂窩通訊也成了車輛間交流的新方式,車輛可直接利用 D2D 型態或透過蜂窩基礎設施,在 850 MHz、1800 MHz 或 2100 MHz 三個頻段通訊。 透過 D2D 型態,在 LTE-A 網路下基地台將幫助車輛完成發現和溝通的工作。不過,即使在 LTE-A 網路下,D2D 的傳送速率也有限制,因為其信道狀態資訊不夠準確,這對行動設定會產生影響。4G 網路通訊較依賴基礎設施,但中高速行駛時傳送速率還是會降到每秒幾百萬。 如今,5G 成了業界自動駕駛的好搭檔,新一代行動網路的應用包括車輛自動化、交通規劃、營運和資訊娛樂等。 確實,5G 網路上路後,延遲會低上 10 倍,而頻寬則會增長 10 倍,因此非常適合應用在汽車上。此外,5G 網路特有的毫米波技術能提供高速資料傳送,初始感測器資料也不在話下。 需要注意的是,高速率資訊娛樂應用、聯合通訊和雷達未來都會集中在毫米波這一頻率。在毫米波連結狀態下,車輛和行人可能會阻斷主要通訊路徑,同時樹木和建築等靜態實體也會產生阻擋效應。 假設地台搭載了不同的感測器,如雷達和影鏡頭,就可以透過感測器的結合與機器學習來探測潛在的障礙物和相關的移動物體來幫忙規範通訊連結,並提升 V2I 通訊的表現。機器學習演算法會利用過去通訊效能資料,將特殊的雷達回饋辨識為障礙。 舉例來說,在與靜態環境地圖進行結合後,得出的資訊會成為演算法生成的「養分」,該演算法可以預測車輛行駛中遇到的不同形式障礙。演算法得出的障礙預測結果可回饋到基礎設施建設端,這樣基礎設施就能對車輛有提醒作用。 除此之外,感測器和機器學習演算法的結合,還能讓交通執行中心發掘更多與交通環境相關的資訊,同時還能不斷提升交通訊號和規劃方面的服務。 除了以上各方面,精確定位也是自動駕駛車輛導航時的關鍵因素。 標準的 GPS 導航系統,即使在多路徑情況下,精確度也只能保持在 2~3 公尺內,但這樣的精度用在自動駕駛上完全不夠,自動駕駛的精確度至少要達到公分級別,這樣車輛才能與其他物體保持安全距離。 即使我們實現了高精確定位,在城市裡也會遭遇「城市峽谷」效應(高層建築間)。同時,能完成高精確度定位的 GPS 感測器現在還相當昂貴。要想解決這些挑戰,我們就必須使用汽車其他感測器收集到的資料,或用道路基礎設施校正標準 GPS 資料,這樣才能實現即時公分級精確定位。 還有一點,在車輛自動駕駛程度和通訊能力有差別的環境下,挑戰也會相當巨大。想解決這一挑戰,可以在基地台裝感測器,隨後這些感測器收集的資訊會直接傳給聯網車輛,讓它們對非聯網車輛和非機動車產生態勢感知。 這種依靠基礎設施的方式,即使在大多數車輛都沒有通訊能力時也能穩定工作,同時全自動駕駛汽車也能藉此更有效地通過十字路口。 這樣的方式將圍繞 5G 網路完成,因為其目標就是提供更快的傳送速率。 德州大學最近推出新戰略研究計畫,負責推動該計畫的是德州大學無線網路和通訊集團(SAVES),目標是解決下世代聯網車輛遇到的挑戰。 SAVES 為先進車輛通訊系統、基礎設施、感測器技術等設計了一個通用框架。同時,SAVES 還邀請通訊和汽車公司齊聚一堂,與擅長無線通訊、機器學習和交通的學者進行交流。 藉助自己強大的影響力,SAVES 還成功拉了美國交通部「入夥」,「籌碼」就是資料支援的交通營運和管理系統(DSTOP)與德州交通部門資助的多個專案。 SAVES 的強悍之處在於無線效能指標(如資料傳送速率)和交通運輸指標(如交通效率和安全)。 最近,該團隊在開發基礎理論、演算法上做了不少實驗,其中一個研究方向是為了建立感測器輔助通訊技術的基礎,並利用這一基礎在毫米波 V2X 通訊中完成訓練。 另一個研究方向則是毫米波車載通訊基礎理論的研究,他們調查了最優波束寬度和光束的相關時間,成績斐然。
|