本期要分享的是北京郵電大學路兆銘教授的精彩演講內容：《5G自動駕駛研究與進展》。主要分為以下幾部分內容：

通用自動駕駛網關模組的出世，可以“突破1項障礙”，需要“面對2個難點”，具備“3大核心能力”。

“1項障礙”

即單車智能的改裝成本巨大。研究通用網關設備，使自動駕駛車具備網聯能力，可以大大減少智能車輛的改裝成本。

“2項難點”

1）模組復雜，開發難。涉及種類眾多，集成度高；

2）系統復雜，通用難：需要考慮適配各種車輛。

“3大核心能力”

1）通用適配能力：適配任何車型，提供能力接入；

2）通信與感知融合能力：5G網絡，感知融合；

3）決策下發&流量卸載能力：靈活可靠地進行駕駛決策與控制。

此外，通用網關模組還擁有“6大特點”。

下圖為5G自動駕駛網關模組架構。

總之，5G自動駕駛的技術演進和測試需要通用自動駕駛網關。

全場景高精度定位

高精度地圖和全場景高精度定位是實現L5級別自助駕駛路徑規劃的前提條件。

高精度地圖可以為車輛環境感知提供輔助，提供超視距路況信息，并幫助車輛進行規劃決策。高精度定位將自動駕駛汽車的環境感知結果與高精度地圖進行對比，得到車輛在高精度地圖中的精確位置和姿態。

通俗點說，高精度定位主要是為了解決“我在哪里”的問題。

高精度定位涉及到多種定位技術的融合計算，需要強大的計算資源。由于單車計算能力有限，往往需要將數據傳輸到MEC上。

場景1：

在隧道中，差分GPS信號較弱，慣導也會產生累積誤差，要靠圖像和基站為車輛提供精確的定位。

場景2：

在高速公路上，可以通過差分GPS，圖像和基站定位融合感知車輛的位置。

場景3：

在夜晚，圖像感知能力較差，主要靠基站和差分GPS獲取車輛的位置。

差分GPS、慣導、圖像、基站等多種定位手段獲得的位置數據，通過5G網絡上傳到移動邊緣計算服務器進行融合計算，得出車輛的精確位置，再通過5G網絡將位置信息回傳給車輛。

當網絡具備邊緣計算能力后，許多核心層和終端層的計算負荷都可以整合到邊緣層進行，極大地降低網絡傳輸的數據量，也為低時延賦能。

終端層：

車輛終端層決策的最大優勢為時延小，主要進行與車輛安全性緊密相關的決策，如緊急剎車制動等。

邊緣云：

該層配備的MEC平臺具有強大的計算能力和虛擬化能力，能夠承載多種自動駕駛應用。并且能夠對基站數據進行匹配分流，在移動網絡邊緣完成對自動駕駛車輛數據分析處理。

核心層：

覆蓋范圍極廣，計算能力最為強大，但由于距離機動車較遠，傳輸時延相對較大，主要進行對時延要求不是特別敏感的初始規劃、道路級規劃、宏觀交通調度、車輛大數據監管、全局路徑規劃和全局高精度地圖管理。如實時完成每個自動駕駛車輛的道路級規劃，優化整個道路交通網的車流。

最后，附上5G邊緣計算系統架構圖。