人-機-網融合的新型車聯網體系架構與關鍵技術*

陳艷艷，蘇子勛，范博**，吳遠，須成忠

（1.北京工業大學城市交通學院交通工程北京市重點實驗室，北京 100124；2.澳門大學智慧城市物聯網國家重點實驗室，澳門 999078；3.澳門大學計算機與信息科學系，澳門 999078）

0 引言

車聯網技術通過Vehicle-X（V2X，X：車、基礎設施、行人等）通信，實現安全輔助駕駛、車載娛樂等功能，以提高駕駛人的安全性、舒適性和便捷性[1-2]。近十年來，車聯網技術飛速發展，并朝著網絡多元化、高帶寬化、綜合化、智能化的方向演進。層出不窮的無線通信技術為車聯網用戶提供了異構的網絡環境和無縫的網絡服務，包括專用短程通信技術（DSRC,Dedicated Short Range Communications）[3]、LTE-V（LTE-Vehicle）[4]、毫米波通信[5-6]、車載移動自組織網絡（VANET,Vehicular Ad-Hoc Network）[7]以及NR-V2X[8-9]等。另一方面，人工智能與車聯網的融合極大地提升了車聯網的自組織、自適應能力，提升了車聯網用戶的端到端服務質量（QoS,Quality of Service），很大程度上滿足了車聯網超高可靠性與超低時延通信（URLLC,Ultra-reliable and Low Latency Communications）需求。

車聯網技術最初于20 世紀90 年代展開研究，由歐洲、美國和日本主導并制定DSRC 標準，該技術基于IEEE802.11 協議族，工作于5.9 GHz 頻點，采用CSMA/CA 的調度方式，適用于短程V2X 通信[10]。LTE-V 是由3GPP 主導，由我國大唐電信和華為公司參與并推動的車聯網標準，于2010 年以后展開研究，該技術基于3GPP Release 14 與Release 15 標準，并分別與2017 年3 月和2018 年6 月完成標準化文檔制定，主要工作于5.9 GHz 頻點，采用SPS（Semi-Persistent Scheduling）的調度方式，可提供更大的覆蓋范圍、更高的可靠性和移動性支持，以提供主動安全預警、自動避障、交通信息發送等基本車聯網業務[11]。

為了支撐高級別自動駕駛、遠程駕駛、車輛自動編組巡航等具有更高性能需求的車聯網業務，3GPP 于2018 年啟動了NR-V2X（即5G）標準化工作，并于2019 年12 月完成了Release 16，并預計到2020 年完成Release 17 的標準化制定，NR-V2X 可工作于6 GHz 以下和20 GHz 以上（即毫米波）兩個頻段[12]，具備靈活的子載波間隔，同時對LTE-V2X 網絡具備良好的兼容性，其靈活的帶寬管理、公用專用資源池分離的方式，進一步提升了網絡的頻譜效率同時降低了網絡能耗[13]。另一方面，最新的車聯網體系構架融合邊緣計算與V2X，將V2X 業務部署在邊緣計算平臺上，將計算模塊分散部署至近端路側單元，以降低大量數據傳輸至遠端云的網絡負載，緩解云端數據計算與存儲壓力，同時降低數據傳輸時延，提升車聯網用戶服務質量[14-15]。此外，車聯網在移動醫療[16]、智慧城市[17]等垂直行業的應用以及車聯網安全[18]也引起了廣泛關注。

截至目前，車聯網的設計遵循模型驅動的準則，即通過既定的業務模型，建立車聯網用戶需求（包括用戶的速率需求、時延需求、可靠性需求等）到網絡業務的映射關系，實現網絡側和用戶側的松耦合。這種模型驅動的方式，兼容性低，即有限的業務模型難以描述多樣化的業務場景；同時，伴隨人工智能、無人機、陸海空天大規模物聯網等新興技術和網絡場景的發展，全新未知的業務類型對模型驅動業務的可擴展性提出巨大挑戰。此外，速率、時延和可靠性等傳統業務需求（即更好的通信性能）并不是未來車聯網演進的唯一目標，由于車聯網的重要服務對象是駕駛人和出行者，而信息傳輸的最終目的在于最大限度地提升駕駛人和出行者的用戶體驗，因此，以人的行為特征和個性化需為導向進行網絡優化，對于保障駕駛安全、提高交通運輸效率和提升駕駛人/出行者用戶體驗具有重要意義。因此，在人工智能新理論、虛擬網絡世界與真實世界交互融合的大背景下，未來6G 車聯網技術的發展需要支持更深層的、智能的、泛在的、靈活可擴展的通信需求，建立用戶側所在的真實世界與網絡側所構建的虛擬世界之間的緊耦合關系，促進真實世界與虛擬網絡世界間的交互，驅動新的網絡模式與技術，重構交通信息系統，定義新的出行模式。

本文提出了一種人-機-網融合的新型車聯網體系架構，探討了新型車聯網體系中人機網緊耦合的組網模式，以及包括遠程駕駛、車載全息通信、定制公共交通等在內的新型網絡業務范式，進一步探討了人-機-網融合的新型車聯網體系中的關鍵技術。

1 人-機-網融合的新型車聯網體系架構

未來車聯網不僅為用戶提供可靠的信息服務，更需要通過真實世界的人與虛擬世界的網絡空間之間的緊耦合，為駕駛人和出行者提供浸入式的網絡服務，最大限度提升用戶體驗。

互聯網之父蒂姆·伯納斯·李認為網絡世界具有兩個基本維度——技術維度和社會維度。他指出：“萬維網之前的因特網是在一個分權式的技術結構和社會結構的基礎上繁榮起來的。技術性和社會性設備的設計不斷推動著因特網的發展”[19]。另一方面，技術性設計和社會性設計在整個萬維網歷史中交替反復出現，隨著物聯網和人工智能技術的發展與應用，AI 逐漸從輔助人類發展到代理人類最終成為與人類平行的社會性個體，隨之推動互聯網技術維度與社會維度交互融合，最終實現網絡（技術維度）與人（社會維度）的高度統一。而車聯網的發展也遵循此規律：早期的車聯網為駕駛人提供基本的交通路況信息和安全信息以輔助駕駛人決策，隨著5G 技術的發展，網絡通信速度與計算能力得到大幅度提升，賦予了交通系統一定程度的自動決策能力，增強了駕駛人與車之間、出行者與交通系統之間的互操作性。而6G 技術即將迎來人、車、網絡的全面融合互通，即人的意識、決策可以無縫映射并作用到網絡中，同時，網絡的運行也不單純是機器、協議和技術行為，更具有人的社會性行為。

圖1 給出了6G 環境下人-機-網融合的車聯網體系架構，最底層為智能網聯車層，承載基本的交通運輸功能，并支持高級別自動駕駛、車輛自動編組巡航等業務。中間層為智能邊緣節點層，由路側單元和邊緣服務器組成，二者通過有線回程連接，路側單元為車輛提供網絡覆蓋，邊緣服務器完成實時計算任務，包括車輛控制決策、路徑規劃與導航、局部路網控制與優化等。最上層為云傳輸與計算層，其主要功能包括核心網的數據交換、交通數據存儲與維護、全局路網優化（例如交通配時配流）等。同時，駕駛人與出行者的行為數據可通過人機網接口采集并上傳至云服務器或邊緣服務器，服務器通過計算分析并挖掘用戶行為特征，并以指令或協議的方式映射至網絡中，影響車輛控制與交通行為，實現人-機-網緊耦合。

2 人-機-網融合的新型車聯網關鍵技術

人機網融合下的車聯網具有業務多元化，虛擬現實交互融合、用戶需求個性化等特點。為滿足上述網絡業務需求，需要從用戶行為特征出發，開展人-機-網接口管理、用戶行為特征驅動的網絡切片、遠程駕駛與車載全息通信、人機網融合下的交通態勢感知、出行者行為分析與定制公交和高級別自動駕駛等技術的研究。

2.1 駕駛人/出行者行為分析

如圖2 所示，未來車聯網環境下駕駛人/出行者行為分析主要包括4 個主要模塊：感知模塊、行動模塊、人機共駕特征模塊和屬性模塊。感知模塊采用分層模糊邏輯算法，將感知信息分為視聽覺類、生理特征類和心理特征類，分析感知信息類型并對各類密集簇模糊聚類。在信息合并過程中綜合考慮不同的簇相對互連和封閉性，且聚類各階段采用不同模糊程度的隸屬度分配，并對孤立點進行有效的處理[18]。行動模塊采用層次歸納法，從行動和決策兩方面對駕駛員行為進行分析。行動層主要通過車輛傳感器進行微觀層面車輛感知，例如采集車輛方向盤轉動角度、油門大小、剎車力度及車輛功能使用情況分析駕駛者的駕駛行為信息，決策層通過路側采集器進行宏觀層面車輛感知，例如采集車輛實時速度、加速度、換道行為等。屬性模塊是駕駛人模型構建的基礎模塊，采用因子歸納法，綜合考慮駕駛員的駕駛風格、性別、年齡等少數因子，描述多因素之間的聯系，將相關比較密切的幾個因子變量歸為一類。人機共駕特征模塊用于優化駕駛者行為模型，通過測量人體靜態動態數據、機器運行狀態、決策結果反饋等方法，得到人機共駕狀態下駕駛者對信息的接受信任程度及判斷信息有效性，從而調整系統參數優化人機網模型。

圖1 新型車聯網體系構架

新型的駕駛行為感知系統區別于傳統的個體感知系統，將利用車輛群體來分散復雜的感知任務，通過采集交通個體信息來挖掘群體信息，從而實現個體駕駛行為對群體交通狀況影響的感知。在群體協同、群體調度的大框架下，終端車輛利用數據中心反饋的信息進行數據采集與處理，完成宏觀的道路調控目標，從而可以實現人機網融合下車聯網體系在時間上和空間上的移動性。

2.2 人-機-網接口管理

伴隨腦機接口技術的發展，未來新型車聯網環境下駕駛員對車輛的控制不僅限于通過油門剎車或者人機交互界面，而是將駕駛人腦部活動通過腦機接口實現車輛控制。相比傳統操作控制方式，腦機接口具有響應速度快、安全性高等優點，甚至使殘疾人士駕駛車輛成為可能。此外，人自主的意識和情感可以通過腦電波的形式傳達出來，利于挖掘駕駛者數據中的隱性信息和個性化特征，為車聯網大數據技術和人機網融合下的交通態勢感知技術服務。

腦機接口技術中，為保證腦電信號特征提取和分類的準確有效性，需要采用半分布式的數據采集與管理方法[20]。如圖1 所示，邊緣路側節點收集路段內駕駛人腦電波數據，并進行實時分析與處理；同時，路側單元通過有線回傳將數據傳送至云端，完成數據聚合、大數據特征深度挖掘等功能，并依據駕駛人行為特征進行宏觀路網優化。

2.3 用戶行為特征驅動的網絡切片

網絡切片是車聯網中的關鍵技術之一，在未來車聯網環境中，駕駛人行為千差萬別，并且呈現出不同的行為特征。在駕駛人行為特征驅動下，網絡節點之間形成了不同的數據傳輸場景，導致網絡切片問題更加復雜。如圖3 所示，駕駛人的駕駛歷史數據反映出駕駛人的駕駛風格（例如，通過駕駛人的歷史違章次數、罰款次數等負面記錄的次數，將駕駛風格分類為激進型、平穩型、保守型等），針對激進型行為的駕駛人，需要以更高的優先級制定網絡切片策略，以提供更可靠的信息服務，保障駕駛安全。另一方面，當建立V2V（Vehicle to Vehicle）通信鏈路時，由于駕駛人之間的關聯關系影響著通信鏈路的穩定性（例如，具有好友關系的駕駛人之間的V2V 通信鏈路具有更好的穩定性），因此需要將駕駛人之間的關聯關系考慮到網絡切片中來。

圖2 駕駛人/出行者行為特征分析圖

由上可知，如果根據駕駛人的行為特征，設計網絡切片，相比傳統車聯網虛擬化中的網絡切片更能突出人的因素，因而就能更加準確地滿足駕駛人的個性化需求。而傳統車聯網中的網絡切片僅根據群組用戶需求進行粗粒度網絡切片，忽略了駕駛人的個性化行為特征，造成了網絡資源的浪費。因此，為了提升網絡切片效率、優化網絡資源配置，必須充分考慮駕駛人的個性化行為特征，實現網絡切片和用戶個性化需求之間的細粒度靈活適配。

因此，需要將車聯網的重要組成部分——駕駛人，及其個性化行為特征，納入車聯網網絡切片。另一方面，結合智能車的通信、存儲和計算能力，將駕駛人行為模型融入到車聯網系統中，作為車聯網資源形態的拓展。隨著駕駛人需求的個性化以及行為的差異化日益凸顯，結合無線資源管理功能的增強，駕駛人的行為特征為靈活按需的網絡切片機制提供了重要依據。也正是因為駕駛人的行為在時空范圍所呈現的動態性，以及駕駛人對服務需求所表現的差異性，為車聯網虛擬化中的網絡切片機制帶來了極大的挑戰。

2.4 遠程駕駛與車載全息通信

人機網融合下的車載全息通信技術服務于未來車輛的遠程駕駛。車載全息通信本質上是多視點視頻流傳輸的過程，為真實還原駕駛環境，車端及道路采集視頻流的完整性和時效性尤為關鍵。為支撐車載全息通信，不僅需要高速度低時延，還需要將數據源壓縮編碼，并進行數據分割和并行傳輸，同時，全息通信需要各傳輸數據點及應用影像高度同步，以保證遠程駕駛安全可靠。

未來車載全息通信將更注重駕駛者的多維度全息駕駛體驗，使實時駕駛情景可以傳遞到人體所有感官，還原最真實的駕駛者駕駛狀態，進一步促進車聯網體系下人機的有效融合。未來實現車載全息影像也將為網絡傳輸提供更多發展空間，不同級別的信息屬性將具有不同程度的可靠性，使得網絡可以選擇性地在擁塞的情況下丟棄部分數據并且在對端仍然能夠重建信息[21]。

2.5 人機網融合下的交通態勢感知

未來交通態勢感知將大幅提升全局路網優化能力，其特點是在道路預測中融入更多道路使用者的個性化影響因素。傳統的交通態勢感知系統不具備道路使用者經長期積累獲得的分析能力（即經驗、直覺以及對交通數據和道路狀態的宏觀判斷），未來交通態勢感知也并非以機器完全代替人，而是將人的感知能力與機器的計算能力更好地融合，以交通大數據為基礎，從全局視角提升對未來交通演變狀態的感知，最終為駕駛者與交通部門的決策與行動服務[22-23]。

人機網融合下的交通態勢感知關鍵點在于能否將人的分析能力與機器大數據通過車聯網有效結合，生成個性化出行方案和整體化路網調控[24]。人善于在數據很少或沒有數據的情況下分析并提出可能的解決方案，而機器的優勢在于處理龐大的數據。態勢感知最困難的部分，一是如何將駕駛者主觀心理的“勢”轉化為客觀可生成參數化的“態”（例如駕駛者通過天氣等因素對道路可能狀況的預先感知如何能轉換為符號語言傳達給機器），二是如何把已經在人意識中形成的“知”轉化為機器能學習的感受能力（例如駕駛者通過經驗可以得知在某個時段選擇適合的走法比較快捷，或為欣賞沿途風景選擇繞行較遠的路線）。二者的實現都需要在建立系統模型中不斷采集人的個性化感知參數并進行融合。如圖4 中人機態勢融合的感知模型所示，通過感知器采集到的交通數據通過公式轉化為邏輯符號信息，信息知識通過模型提取出人的直覺信息，二者相結合（即從態空間進入勢空間，從數據空間進入特征向量空間）經過機器學習算法預測出未來交通變化趨勢，并通過上下層模塊的雙向映射將調整參數反饋給基礎信息采集器以利于模型不斷優化。此外，人機網融合下的交通態勢感知是注重于宏觀視角下的交通態勢預測，新車聯網體系下網絡域采用的分布式路側信息采集器可以獲取到路段所有車輛的信息，進而在核心網中進行群體協同調控，以優化整個路網未來的交通狀況。

圖4 人機融合下的態勢感知模型

2.6 出行者行為分析與定制公交

出行者主動向邊緣智能節點上報出行需求，同時給與邊緣智能節點一定的歷史查詢等權限，使得邊緣智能節點能夠收集出行者行為信息數據，挖掘出行者內在行為特征，如時域活動/分布特征、空域活動/分布特征、公共交通環境需求特征等，定制公共交通，動態調整交通線路和調度策略，在保證整體路網運行效率的同時，為出行者個體和具有共同行為特征的出行者群體提供“盡力而為”的交通服務。

2.7 高級別自動駕駛

在高級別自動駕駛方面，理解人的內隱認知行為是未來人機網融合下的車聯網重要特征，即通過建議機制進行機器自主改良，例如自動駕駛的剎車控制、剎車后的停車距離以及路面上行駛時跟車距離。由機器自主控制并感知人的舒適度，機器根據人的評價來自動調整系統參數，同時將數據上傳至網絡，既提供個人的個性化服務，也作為大數據為其他系統提供默認服務。

3 結束語

車聯網是人、車、環境協同的多元化融合網絡系統。隨著感知技術，通信技術，大數據技術以及邊緣計算技術帶來的計算能力提升，賦予了車聯網系統將自主解析駕駛人個性化需求并制定信息傳輸策略的能力。本文基于將人的駕駛行為特征融入人-機-網系統的理念，提出了新型車聯網體系架構，介紹了人-機-網融合下的關鍵技術。大數據下分析駕駛員行為；利用車聯網網絡切片技術等技術，將駕駛人之間的關聯關系考慮到網絡切片中來，實現網絡切片和用戶個性化需求之間的細粒度靈活適配；擴展人機通信接口；實現車載全息通信；進一步挖掘道路交通中人、車、道路大數據中的隱性態勢信息，改變現有僅依靠機器公式化算法來優化交通問題的現狀，充分考慮人機態勢之間的轉化問題，實現人機有效融合。未來人-機-網融合的新型車聯網體系有望構建完備的多通道人機交互模式，為駕駛者提供沉浸式交互體驗。