由于自动化水平的不同，市场上的自动驾驶车辆也各不相同。有些车辆虽然有自动驾驶功能，但驾驶员却要全程紧握方向盘；但另一个极端的自动驾驶，是没有方向盘。在这两种极端情况之间，驾驶员可以选择是否介入。
举例来说，自动驾驶程度较低的汽车，只会在危险时刻提醒驾驶员潜在碰撞将要发生，而自动驾驶程度较高的汽车，则会自动刹车并作出躲避。
需要注意的是，即使自动驾驶程度很高，汽车也不能脱离通信系统而存在，因为想实现完全自动驾驶，如果没有高精地图，那就很难实现。这就意味着汽车要实时从地图服务器获取最新的数据。
车载传感器
支持汽车自动驾驶的传感器包括车载雷达、视觉摄像头和激光雷达系统。
其中雷达主要用在自动巡航控制、碰撞预警、并线辅助和泊车等功能上；视觉摄像头则负责倒车安全、盲区监控、防疲劳和车道保持等功能；激光雷达的主要任务则是提供高精地图信息，以便汽车完成自动导航并及时发现行人和自行车。
对全自动驾驶汽车来说，这些技术至关重要。
举例来说，特斯拉使用视觉摄像头来完成高速公路上的自动驾驶，而谷歌则力求精确，主要依靠激光雷达和 3D 地图数据，同时雷达系统则负责探测其他车辆和障碍物。
需要注意的是，这些技术的作用范围要看硬件配置和部署场景。如果在郊区行驶，雷达的作用范围可达 200 米，激光雷达也有 35 米，视觉摄像头则为 30 米。如果换到城市环境，由于交通拥堵、障碍物众多，这些硬件的探测范围就会缩到至几米。
最重要的是，这些外部传感器会受制于它们的“视力”，如果加上通讯，车辆的传感范围则会大幅提升，因为四面八方的车辆都能给它提供重要信息。
当然，自动驾驶车辆到底要交换什么数据目前还没定论，如果数据传输速率较低，汽车间恐怕只能交换那些经过精细处理的数据了。
举例来说，一辆车上的传感器如果探测到一辆自行车，会将其位置和速度传给了其他车辆。如果传输速率高，它发送的可能就是处理较少的原始信息，其他车辆则需要根据自己传感器搜集到的数据进行整合处理。也就是说，拥有高速率和低延迟的通讯系统就能让处理和未处理的信息进行快速交换。
下图是汽车传感器及其相关数据摘要，其中也涉及各种传感器所需的传输速率对比。
专用短程通讯技术(DSRC)主要为交换基础安全信息和为交通管理提供应用而生，该技术可同时支持 V2V 和V2I。
经过 20 年的发展，DSRC 现在已经在开始在美国的新车型上部署了。不过，要想大规模普及这种技术，还需要政府授权。
眼下，DSRC 能支持的数据速率还很低，每秒传输几兆而已。此外，DSRC 技术并不支持原始传感器数据的交换，而这类数据对自动驾驶汽车至关重要。
随着通信网络的发展，蜂窝通讯也成了车辆间交流的新方式，车辆可直接利用 D2D 模式或通过蜂窝基础设施在850 MHz，1800 MHz 或 2100 MHz 三个频段进行通信。
通过 D2D 模式，在 LTE-A 网络下基站将帮助车辆完成发现和沟通的任务。不过，即使在 LTE-A 网络下，D2D 的传输速率也有限制，因为其信道状态信息不够准确，这对移动设置会产生影响。4G 网络通讯较为依赖基础设施，但在中高速行驶时传输速率还是会降到每秒几兆。
下图展示了 DSRC 和 LTE-A 用在 V2V/V2I 通讯时的传输速率对比。考虑到自动驾驶时车辆每小时能生成 1 TB 的数据，因此两项技术都无法满足联网车辆数据交换的需要。
传感器面临的挑战
如今，5G 成了业内眼中自动驾驶的好搭档，新一代移动网络的应用包括车辆自动化、交通规划、运营和资讯娱乐等。
确实，5G 网络上马后，延迟会低上十倍，而带宽则会增长十倍，因此非常适合应用在汽车上。此外，5G 网络特有的毫米波技术能提供高速数据传输，原始传感器数据也不在话下。
需要注意的是，高速率资讯娱乐应用、联合通讯和雷达未来都会集中在毫米波这一频率。在毫米波链接状态下，车辆和行人可能会阻断主要通讯路径，同时树木和建筑等静态实体也会产生阻挡效应。
假设基站搭载了不同的传感器，如雷达和摄像头，就可以通过传感器的结合与机器学习来探测潜在的障碍物和相关的移动物体来帮忙配置通讯链接，并提升 V2I 通讯的表现。机器学习算法会利用过去的通讯性能数据将特殊的雷达反馈识别为障碍。
举例来说，在与静态环境地图进行结合后，得出的信息会成为算法生成的“养料”，该算法可以预测车辆行驶中将遇到的不同形式的障碍。算法得出的障碍预测结果可反馈到基础设施建设端，这样基础设施就能对车辆起到提醒作用。
除此之外，传感器和机器学习算法的结合还能让交通运行中心发掘更多与交通环境相关的信息，同时它们还能不断提升交通信号和规划方面的服务。
除了以上各个方面，精确定位也是自动驾驶车辆导航时的关键因素。
标准的 GPS 导航系统，即使在多路径情况下，精确度也只能保持在 2 到 3 米之内，但这样的精度用在自动驾驶上完全不够，自动驾驶的精确度至少要达到分米或者厘米级别，这样车辆才能与其他物体保持安全距离。
即使我们实现了高精定位，在城市里也会遭遇“城市峡谷”效应(高层建筑间)。同时，能完成高精度定位的 GPS 传感器现在还相当昂贵。要想解决这些挑战，我们就必须使用汽车其他传感器采集到的数据或者用道路基础设施对标准的 GPS 数据进行校正，这样才能实现实时厘米级精确定位。
还有一点，在车辆自动驾驶程度和通讯能力有差别的环境下，挑战也会相当巨大。想解决这一挑战，我们可以在基站安装传感器，随后这些传感器采集到的信息会直接传递给联网车辆，让它们对非联网车辆和非机动车产生态势感知。
这种依靠基础设施的方式，即使在大多数车辆都没有通讯能力时也能稳定工作，同时全自动驾驶汽车也能借助它更高效地通过十字路口。
*蜂窝网络为基础的交通运输愿景
这样的方式(如上图)将围绕 5G 网络完成，因为其目标就是提供更快的传输速率。同时，下图的愿景也正是传感器、机器学习和通讯等技术的结合。
新的战略研究计划
德克萨斯大学最近推出了新的战略研究计划，负责推动该计划的是德克萨斯大学的无线网络和通信集团(SAVES)，它的目标就是解决下一代联网车辆遇到的挑战。
SAVES 为先进车辆通讯系统、基础设施、传感器技术等设计了一个通用框架。同时，SAVES 还邀请通讯和汽车界的公司齐聚一堂，与擅长无线通讯、机器学习和交通的学者们进行了一番交流。
借助自己强大的影响力，SAVES 还成功拉美国交通部“入伙”，它的“筹码”就是数据支持的交通运营和管理系统(DSTOP)与德州交通部门资助的多个项目。
SAVES 的强悍之处在于它们的无线性能指标(如数据传输速率)和交通运输指标(如交通效率和安全)。
最近，该团队在开发基础理论、算法上做了不少实验，其中一个研究方向是为了建立传感器辅助通讯技术的基础，并利用这一基础在毫米波 V2X 通讯中完成训练。
另一个研究方向则是毫米波车载通讯基础理论的研究，他们对最优波束宽度和光束的相干时间对其进行了调查，成绩斐然。
在一系列实验中，SAVES 充分利用了美国国家仪器公司的设备，其中包括毫米波原型产品、雷达测试和测量工具。在信道测量中，它找来了丰田信息技术中心和国家仪器公司来帮忙。
同时，一款混合型毫米波 MIMO 原型系统也得到了有效开发，SAVES 的目的就是测试自研混合型预编程和信道预估算法。
在国家仪器公司的设备之上，SAVES 还成功开发了联合毫米波通讯与雷达原型产品。除此之外，在实验数据之上完成数据融合也是研究的重点项目之一。
总结
5G 和毫米波通讯无疑会成为下一代传感器密集型自动驾驶车辆的标配，而高速率连接对于传感器数据交换则至关重要，该技术能扩大车辆传感器的探测范围，让车辆所做的决定更加安全。
传感能力将成为车载系统性能的分水岭，而传感器数据不但能提升车辆安全和交通效率，还能直接反哺通讯系统，在低成本的情况下就能建立毫米波链接。
基础设施不但是通讯的载体，它还成了传感器和数据平台，它采集的数据将用于实时运营、交通网络控制和规划上。
不过，前途并非一片光明，在前进的道路上我们还有许多挑战需要面对。
来源：cnbeta网站
