自動駕駛車聯(lián)網(wǎng)中通感算融合研究綜述與展望

馬忠貴，李 卓，梁彥鵬

北京科技大學計算機與通信工程學院，北京 100083

車聯(lián)網(wǎng)（Internet of vehicles，IoV）基于3GPP（3rd generation partnership project）全球統(tǒng)一標準的通信技術(shù)，可實現(xiàn)車輛與周邊環(huán)境和網(wǎng)絡(luò)的全方位通信，包括車與車（Vehicle-to-vehicle，V2V）、車與路（Vehicle-to-infrastructure，V2I）、車與人（Vehicle-topedestrian，V2P）、車與網(wǎng)絡(luò)（Vehicle-to-network，V2N）等，為自動駕駛和智能交通管理應(yīng)用提供環(huán)境感知、信息交互與協(xié)同控制能力[1].車聯(lián)網(wǎng)產(chǎn)業(yè)是車輛、電子通信和交通等領(lǐng)域進行融合的新興行業(yè)，是當下世界研究熱點和未來發(fā)展的核心領(lǐng)域，將使自動駕駛和智慧交通煥發(fā)新的生機[2].

根據(jù)ITU-R WP5A（International telecommunication union）中的定義：車聯(lián)網(wǎng)是指具備車與外界（Vehicle-to-everything，V2X）通信能力、并具有SAE（Society of automotive engineers）3 級至5 級的自動化功能的車輛互聯(lián).自動化功能包括SAE 2 級高級駕駛輔助系統(tǒng)，以及SAE 3 級至5 級自動駕駛系統(tǒng).這些系統(tǒng)使用傳感器，如攝像頭、紅外線、聲納、超聲波、毫米雷達和激光雷達，結(jié)合計算機算法來執(zhí)行不同程度的自動車輛控制.V2X 通信通過獲取車載傳感器探測范圍之外的信息，提供自己車輛的信息，通過V2X 連接與其他車輛和基礎(chǔ)設(shè)施相互交流意圖，以及繪制其他道路使用者(如車輛)的位置和意圖，擴展了高級駕駛輔助系統(tǒng)的感知范圍，并具有實時(非視距)“看到”和“交談”其他物體的能力.這可以在自動駕駛系統(tǒng)的基礎(chǔ)上，提高自動駕駛控制的安全性和效率.

自動駕駛車聯(lián)網(wǎng)為了自適應(yīng)滿足極低的通信時延、極高的可靠性、更大的傳輸速率等極致性能需求，需要提升車聯(lián)網(wǎng)感知、通信和算力自適應(yīng)能力，它不再只是單純的傳輸管道，而是能夠?qū)崿F(xiàn)“云-邊-端”一體化的協(xié)同通信、感知和計算，需要進行通感算的深度融合.但遺憾的是，現(xiàn)有車聯(lián)網(wǎng)中通信、感知、計算屬于獨立的學科和技術(shù)領(lǐng)域，長期以來相互割裂、獨立分治.鑒于第六代移動通信技術(shù)（6G）將引入潛在的毫米波頻譜和太赫茲，將傳統(tǒng)定位、探測、成像等感知功能和無線通信功能融合，同時利用“云-邊-端”一體化算力進行計算處理，實現(xiàn)通感算的深度融合，因此，需要凝練出“自動駕駛車聯(lián)網(wǎng)中通信、感知、計算內(nèi)生融合”的重大科學問題，充分發(fā)揮通感算一體化協(xié)同優(yōu)勢，實現(xiàn)自動駕駛的高效性.

1 研究意義

傳統(tǒng)的通信、感知、計算等多系統(tǒng)采用割立分治設(shè)計與性能優(yōu)化的方式已不能滿足自動駕駛車聯(lián)網(wǎng)場景下寬帶感知信息的極低時延、極高可靠傳輸需求.同時，隨著5G-Advanced 系統(tǒng)邁向支持更廣闊的toB（to Business）垂直行業(yè)領(lǐng)域，它將面臨更復(fù)雜多變且異構(gòu)組網(wǎng)的用戶環(huán)境和數(shù)字多維空間，這要求5G-Advanced 終端和5G-Advanced 網(wǎng)絡(luò)都具備更強的環(huán)境感知、計算和智能能力，實現(xiàn)通感算的深度融合[3].為了突破自動駕駛車聯(lián)網(wǎng)中通感算融合的架構(gòu)壁壘，需要探索如何構(gòu)建資源可解耦、能力可擴展、架構(gòu)可重構(gòu)的通感算融合網(wǎng)絡(luò)架構(gòu)以及通感算融合的資源管理技術(shù).然而，目前對于自動駕駛車聯(lián)網(wǎng)中通感算融合相關(guān)的研究還處于起步階段，主要體現(xiàn)在以下幾個方面：（1）現(xiàn)有的相關(guān)研究工作，大多集中于通感、通算、感算等雙邊能力的融合方面，而對通感算三者的深度融合，尚處于愿景與設(shè)想階段，迄今并未有深入且全面的融合基礎(chǔ)理論和關(guān)鍵技術(shù)予以支撐.（2）針對自動駕駛車聯(lián)網(wǎng)海量數(shù)據(jù)、泛在感知節(jié)點能耗和感知范圍受限等問題，需要繼續(xù)研究如何建立基于車聯(lián)網(wǎng)通信的“云-邊-端”一體化信息交互與數(shù)據(jù)共享機制以及實現(xiàn)“云-邊-端”一體化的高效感知.（3）針對車聯(lián)網(wǎng)網(wǎng)絡(luò)狀態(tài)時空動態(tài)變化及全場景業(yè)務(wù)差異化需求導(dǎo)致的通信容量受限問題，融合網(wǎng)絡(luò)資源管理需以感知輔助的通感融合波束管理技術(shù)為核心，以多維資源相互制約的耦合關(guān)系為理論依據(jù)，研究相適配的干擾管理和多域資源管理機制，為實現(xiàn)高性能、高可靠、低開銷、低能耗的通感算融合提供技術(shù)支撐.（4）為了滿足自動駕駛車聯(lián)網(wǎng)的強算力需求，計算模式也需向“云-邊-端”一體化部署的泛在式架構(gòu)發(fā)展，以打破傳統(tǒng)的中心化計算模式；同時，圍繞強算力、高算效網(wǎng)絡(luò)這一核心問題，探索算力網(wǎng)絡(luò)編排與調(diào)度技術(shù)，構(gòu)建實時、智能、綠色的算力網(wǎng)絡(luò)，為自動駕駛車聯(lián)網(wǎng)中通感算融合提供高效的算力支撐.

2 國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)分析

自動駕駛車聯(lián)網(wǎng)的感知依賴雷達定位、攝像頭成像以及各種傳感器探測，同時也離不開通信，通信可以將收集到的各種數(shù)據(jù)傳輸?shù)竭吘壒?jié)點進行計算；同時，在云-邊-端一體化高效算力的支持下實現(xiàn)的高精度感知和高效通信.通感融合網(wǎng)進一步提升了協(xié)同移動計算的魯棒性.因此，自動駕駛車聯(lián)網(wǎng)中通信、感知、計算（下文簡稱通感算）三大功能互相關(guān)聯(lián)、互為促進[4]，如圖1 所示.車聯(lián)網(wǎng)利用感知實現(xiàn)對環(huán)境中通信節(jié)點的位置、速度等參數(shù)的獲取，有助于實現(xiàn)通信系統(tǒng)中的快速波束對準、周圍設(shè)備識別、干擾管控和多址接入的功能；對通信功能進行提升，也可以增強車聯(lián)網(wǎng)的協(xié)同感知能力和提升感知資源分配效率，削弱雷達干擾；超強算力有助于支持高精度感知、高效率通信.此外，感知數(shù)據(jù)還可以對計算數(shù)據(jù)的降維起到一定的輔助作用，通信網(wǎng)絡(luò)可支持“云-邊-端”一體化的協(xié)同運算.

圖1 自動駕駛車聯(lián)網(wǎng)中通信、感知、計算三大功能關(guān)聯(lián)關(guān)系Fig.1 Relationships of communication,sensing,and computing in the internet of vehicles for autonomous driving

為了解決“自動駕駛車聯(lián)網(wǎng)中通信、感知、計算內(nèi)生融合”這一科學難題，下面擬分別從通感算融合網(wǎng)絡(luò)架構(gòu)、通信和感知融合領(lǐng)域、通信和計算融合領(lǐng)域、感知和計算融合領(lǐng)域四方面重點闡述國內(nèi)外相關(guān)研究現(xiàn)狀與發(fā)展趨勢.

2.1 通感算融合網(wǎng)絡(luò)研究現(xiàn)狀

隨著5G 技術(shù)的成熟以及大規(guī)模商用，全球逐步展開了對6G 的研究和攻關(guān)，6G 技術(shù)具備高可靠性（99.99999%）、大規(guī)模超低延遲（10～100 μs）以及高可擴展性，可滿足未來自動駕駛超低時延、極高可靠性的需求.2021 年6 月，歐盟正式啟動了最新一輪框架計劃—Horizon Europe 研究周期（2021—2027 年)，并發(fā)布6G 愿景白皮書，以期保持歐洲在科技領(lǐng)域的領(lǐng)先地位，其中負責6G 研究的Smart Networks and Services Joint Undertaking 明確將通信感知融合作為6G 的標志性技術(shù)，得到了各國學術(shù)界和標準組織的廣泛關(guān)注.在中國，IMT-2030 6G 推進組于2021 年成立了通信感知融合任務(wù)組，負責面向6G 的通信感知一體化預(yù)研.美國太赫茲與感知融合技術(shù)研究中心重點研究了通信感知融合技術(shù)，包括太赫茲超高速通信與超高精度成像.

在交通強國戰(zhàn)略指引下，2021 年12 月2 日，百度李彥宏編寫的《智能交通：影響人類未來10—40 年的重大變革》[5]一書由人民出版社出版，該書對車路協(xié)同自動駕駛、L4 級以上高級別自動駕駛的技術(shù)難點與突破進行了系統(tǒng)性論述，助力自動駕駛落地.C-V2X（Cellular V2X）與車路協(xié)同是未來智能交通和自動駕駛的重要使能.這其中就涉及到對通感算融合的資源管理問題，表1 介紹了在通感算融合資源管理研究領(lǐng)域中的代表性論文.

表1 通感算融合的資源管理研究領(lǐng)域的代表性論文Table 1 Representative papers in the field of communication-sensing-computing-integrated resource management

通過表1 可以發(fā)現(xiàn)，國內(nèi)外研究學者在通感算融合的資源管理方面取得了一些進展，但是仍然存在以下局限性：現(xiàn)有研究工作主要考慮在車聯(lián)網(wǎng)場景下如何部署邊緣計算能力來解決通信任務(wù)卸載的問題.但是，不同傳輸速率和時延保障能力的車聯(lián)網(wǎng)無線傳輸技術(shù)，將對分布式邊緣計算任務(wù)的卸載量產(chǎn)生哪些影響、計算任務(wù)如何卸載與協(xié)同優(yōu)化，都尚未在自動駕駛車聯(lián)網(wǎng)場景下考慮.此外，現(xiàn)有研究工作沒有考慮到自動駕駛車聯(lián)網(wǎng)的傳感器資源引入后，將對通信與計算資源的協(xié)同優(yōu)化產(chǎn)生何種影響.不同車輛的感知結(jié)果在時間和空間上差異顯著，信息獲取的相對參考系不同，如何將自動駕駛場景下的被檢測目標身份與時空位置信息建立聯(lián)系，是感知資源利用的難題.而且，通信、感知、計算等多維資源協(xié)同優(yōu)化將受到自動駕駛業(yè)務(wù)的傳輸速率、時延等條件的限制，尚無全面而深入的多維資源協(xié)同優(yōu)化方法.車聯(lián)網(wǎng)高動態(tài)環(huán)境導(dǎo)致通信、感知和計算等多維資源先驗信息難以準確認知，多樣化業(yè)務(wù)需求與多維資源的匹配和利用缺乏智能適應(yīng)環(huán)境變化的能力，資源利用率低，無法滿足自動駕駛車輛寬帶感知信息的極低時延、極高可靠傳輸需求.通過研究自動駕駛車聯(lián)網(wǎng)中通感算多維資源協(xié)同優(yōu)化技術(shù)，可為提升通感算融合系統(tǒng)的性能提供關(guān)鍵技術(shù)支撐.

近年來，學術(shù)界與工業(yè)界對通、感、算之間的融合技術(shù)進行了研究.2020 年11 月，中國移動在世界5G 大會提出了6G 通感算融合的一體化框架.國際標準化組織/國際電工委員會發(fā)布了ISO/IEC 30165:2021《物聯(lián)網(wǎng)—實時物聯(lián)網(wǎng)框架》[13]，給出了自動駕駛等時間強約束無人化業(yè)務(wù)的通感算融合物聯(lián)網(wǎng)系統(tǒng)框架.北京郵電大學馮志勇團隊的尉志青等針對單車感知無法滿足未來自動駕駛安全需求的現(xiàn)狀，面向多車傳感器信息融合與時效性共享問題，提出了基于感知-通信-計算融合的智能車聯(lián)網(wǎng)方法與解決思路[14].Qi 等[15]提出了感知-通信-計算融合的蜂窩物聯(lián)網(wǎng)體系架構(gòu)和關(guān)鍵技術(shù).北京郵電大學的王文博團隊的閆實等指出，為了提升6G 網(wǎng)絡(luò)內(nèi)生智能感知和算力自適應(yīng)能力，迫切需要對通信、感知、計算的融合理論基礎(chǔ)與關(guān)鍵技術(shù)開展探究.從通感算融合網(wǎng)絡(luò)結(jié)構(gòu)上看，主要由中心網(wǎng)云、一體化網(wǎng)元和分布式終端構(gòu)成，中心網(wǎng)云與一體化網(wǎng)元協(xié)同管理分布式終端數(shù)據(jù)的收集與計算[16].但是，現(xiàn)有的相關(guān)研究工作，大多集中于通感、通算、感算等雙邊能力的一體化方面，而對通感算三者的深度融合，尚處于愿景與設(shè)想階段.下面分別對通感、通算、感算融合方面的研究現(xiàn)狀進行綜述.

2.2 通信和感知融合方面的研究現(xiàn)狀

車聯(lián)網(wǎng)通過無線接入技術(shù)讓道路上安裝了車載設(shè)備單元的車輛可以與行人、相鄰的智能網(wǎng)聯(lián)汽車、路側(cè)設(shè)備單元（Road side unit，RSU）或者基站等實體便捷地進行各種信息的交換和傳播.自動駕駛汽車配備了多種傳感器，如用于計算機視覺的攝像頭、用于測量距離的超聲波雷達、用于檢測地球表面的激光雷達、用于溫度和濕度測量的數(shù)字溫濕度傳感器、用于確定物體的距離、角度或速度的毫米波雷達等，以及感知周圍環(huán)境各種信息的其他傳感器.自動駕駛汽車捕獲的數(shù)據(jù)正在激增，通常每輛車每天產(chǎn)生20～40 TB 的數(shù)據(jù)[17-18]，包括攝像頭成像速率(20～40 MB·s-1)、聲納傳輸速率(10～100 KB·s-1)、毫米波雷達檢測速率(10～100 KB·s-1)、激光雷達檢測速率(10～70 MB·s-1)等.但“單車智能”無法實現(xiàn)“完全自動駕駛”，蜂窩車聯(lián)網(wǎng)（C-V2X）是融合蜂窩通信與直通通信的車聯(lián)網(wǎng)通信技術(shù)，是網(wǎng)聯(lián)化和智能化發(fā)展的關(guān)鍵技術(shù).其具有以下三方面的優(yōu)勢：一是擴展了感知的范圍.可以預(yù)先獲取周圍環(huán)境信息與車輛、行人、信號燈的狀態(tài)等，便于車輛及時做出可靠研判.二是有效降低感知成本，提高傳感器利用率.通過利用網(wǎng)絡(luò)輔助，可降低車輛高精度傳感器的部署，降低成本.三是改善道路交通狀況.實現(xiàn)車路協(xié)同，可提高道路通行率，有效緩解道路堵塞.

自動駕駛車輛在面臨緊急情況時必須在幾毫秒內(nèi)做出正確的決策，因此，為了滿足未來自動駕駛車聯(lián)網(wǎng)極低的通信時延、極高的可靠性、更大的傳輸速率的需求，未來全場景自動駕駛需要基于6G 的車聯(lián)網(wǎng)的支持，從全局角度提升“云-邊-端”多維度上的感知協(xié)同決策能力.

對于通感融合的6G 網(wǎng)絡(luò)架構(gòu)，領(lǐng)軍團隊悉尼科技大學Ni 等[19]提出了感知移動網(wǎng)絡(luò)的理念和網(wǎng)絡(luò)架構(gòu).Kobayashi 研究團隊以廣義信道反饋估計信道狀態(tài)參數(shù)為基礎(chǔ)，研究了通感一體化性能的極限問題[20].北京郵電大學馮志勇團隊的Yuan等[21]提出了通感一體化波形設(shè)計方案，并設(shè)計了空時信號分配方案.電子科技大學李少謙團隊的李玲香等[22]提出了面向6G 的太赫茲感知通信一體化的3 種模式：資源一體化、功能一體化和資源功能一體化.中國移動的潘成康等針對無人化業(yè)務(wù)提出了通信感知一體化信息交互總體架構(gòu)[23].劉凡等對雷達與通信系統(tǒng)的同頻共存、雷達通信一體化系統(tǒng)設(shè)計進行了深入而系統(tǒng)的綜述[24].Zhang 等[25]提出了一種在多波束下聯(lián)合通信與感知的方案，通信功能與固定波束對接，感知功能與掃描波束對接，設(shè)計了聯(lián)合高效波束成形方案.Yang 等[26]闡述了基于模型驅(qū)動神經(jīng)網(wǎng)絡(luò)和超大規(guī)模天線陣列的通信定位一體化技術(shù)，為基于毫米微波通信的定位輔助提供了借鑒之處.Xiao 與Zeng[27]展示了無線定位和通信在各個網(wǎng)絡(luò)層中如何相互作用的最新成果，以及定位和通信協(xié)同的主要架構(gòu)和技術(shù).文獻[28]對6G 通信、定位和感知系統(tǒng)融合進行了詳述，指出關(guān)鍵技術(shù)和潛在挑戰(zhàn)，并給出可行的解決方案.田輝等對工業(yè)互聯(lián)網(wǎng)中感知、通信、控制三要素的協(xié)同融合技術(shù)進行了綜述[29].Liu 等[30]從信息理論極限到物理層性能權(quán)衡，以及跨層設(shè)計權(quán)衡，分析了傳感與通信之間的性能權(quán)衡，并且討論了通感一體化波形設(shè)計和接收信號處理，進一步提出通信與感知深度融合的愿景.

面對通信與感知的海量數(shù)據(jù)處理需求，自動駕駛車聯(lián)網(wǎng)需要提供超強的、及時的算力，構(gòu)建實時、智能、綠色的處理算法.為此，國際電信聯(lián)盟提出將計算與網(wǎng)絡(luò)相結(jié)合，構(gòu)建算力網(wǎng)絡(luò)，協(xié)調(diào)云、邊、端三級計算資源，提高算力的匯聚效率.目前，我國正在主導(dǎo)算力網(wǎng)絡(luò)的技術(shù)研究、標準制定和工程部署.同時，在算法的部署方面，一批新的基于“云-邊-端”一體化的算法得到了大量的研究.相關(guān)論文如表2 所示.

然而，當前的研究大都面向通信場景，如基于機器學習的無線通信技術(shù)，很少涉及感知的計算理論與方法，更缺少面向感知和通信融合的算力匯聚和算法部署.當然，除了上述問題，在硬件協(xié)同設(shè)計、與太赫茲融合感知、隱私安全、功耗、尺寸、成本等各個方面存在挑戰(zhàn).

2.3 在通信和計算融合方面的研究現(xiàn)狀

文獻[38]對基于6G 的車輛智能地組網(wǎng)、通信、計算進行了探討，并指出了將來的挑戰(zhàn)和研究方向.劉雷等將移動邊緣計算（Mobile edge computing，MEC）集成到車聯(lián)網(wǎng)架構(gòu)中，驗證可以有效地解決車聯(lián)網(wǎng)中計算密集型任務(wù)和延遲敏感型任務(wù)所導(dǎo)致的指數(shù)級增長的移動流量，是一種有效縮短V2I、V2N 應(yīng)用時延的方案[39].Chen 等[40]提出了基于聯(lián)邦學習的無線網(wǎng)絡(luò)聯(lián)合優(yōu)化架構(gòu)，為解決網(wǎng)絡(luò)系統(tǒng)中節(jié)點算力分布不均的問題提供了思路.Hu 等[41]提出了一種基于深度學習的單入多出系統(tǒng)信道估計算法，與傳統(tǒng)信道估計相比性能更好.近年來，相繼提出可將計算任務(wù)進行靈活傳輸?shù)乃懔Ω兄W(wǎng)絡(luò)[42]、多層算力網(wǎng)絡(luò)[43]，可以將業(yè)務(wù)需求與算力資源進行實時匹配，并有效利用網(wǎng)絡(luò)中分布式計算資源.文獻[44]提出一種基于深度強化學習的車聯(lián)網(wǎng)頻譜分配與功率控制方案，能夠有效提升車聯(lián)網(wǎng)中用戶信道的容量，同時具有很好的穩(wěn)定性.將MEC 與車聯(lián)網(wǎng)融合，通過在道路邊緣部署服務(wù)器，車輛可以將任務(wù)交付給邊緣服務(wù)器，由邊緣服務(wù)器完成計算任務(wù)[45].基于以上文章不難發(fā)現(xiàn)，通信與計算融合可以有效降低網(wǎng)絡(luò)部署與維護成本，降低系統(tǒng)對容量的需求.可以進一步針對基礎(chǔ)理論、系統(tǒng)架構(gòu)、結(jié)構(gòu)化設(shè)計等關(guān)鍵問題進行進一步的研究.

2.4 在感知和計算融合方面的研究現(xiàn)狀

在自動駕駛車聯(lián)網(wǎng)中，亟待解決的是如何讓車輛能夠精確感知環(huán)境，進而通過對感知數(shù)據(jù)的計算來理解環(huán)境，以及如何通過計算優(yōu)化滿足系統(tǒng)實時性要求.云計算技術(shù)與無線傳感器網(wǎng)絡(luò)結(jié)合所產(chǎn)生的傳感云（Sensor-cloud）系統(tǒng)已經(jīng)逐漸成為研究的熱點.王田等[46]構(gòu)建了基于霧計算模式的可信傳感云實現(xiàn)框架，設(shè)計了可信評估、可信數(shù)據(jù)收集、可信存儲等關(guān)鍵技術(shù).Gao 等[47]基于邊緣計算與分布式深度學習，提出了一種數(shù)據(jù)處理算法，適用于多元環(huán)境感知，對計算效率的提高與環(huán)境感知的準確性的增強具有顯著作用.陳育青與艾飛[48]提出了基于上下文感知計算的協(xié)同感知數(shù)據(jù)模型，引入上下文感知分類方法，對協(xié)同感知信息進行概念分層，同時采用本體建模法建立相應(yīng)的本體.

以上通感、通算、感算一體化的研究現(xiàn)狀說明了通信、感知與計算之間的融合是可行的.為了自動駕駛相關(guān)業(yè)務(wù)的進一步拓展，還需要對通信、感知、計算進行進一步的融合，突破目前多極致性能適配的瓶頸.因此，需要在車聯(lián)網(wǎng)架構(gòu)方面，研究通感算深度融合的全新架構(gòu)，打通通感算三大資源之間的靈活互通與統(tǒng)籌資源管理，并在此基礎(chǔ)上構(gòu)建分布式接入回傳一體化網(wǎng)絡(luò)架構(gòu)，實現(xiàn)智能重構(gòu)組網(wǎng)，進行算網(wǎng)統(tǒng)一編碼與資源管控，為提高通感算融合網(wǎng)絡(luò)容量、感知精度、計算效率提供架構(gòu)支持.

3 研究內(nèi)容

3.1 通信、計算輔助感知增強

通信功能可以有效傳遞和匯聚感知信息，以支撐多節(jié)點協(xié)作感知，進而擴展感知的維度和深度.此外，實時共享的分布式算力可對感知數(shù)據(jù)進行定制化的特征抽取及信息融合處理，借助先進算法模型將原始感知信息轉(zhuǎn)化為可被終端或用戶直接理解的意圖及語義信息，實現(xiàn)從環(huán)境感知到環(huán)境認知的能力增強.

文獻[49]通過將霧計算與無人機通信技術(shù)進行結(jié)合，極大地提升了無人機通信的位置感知功能，從而有效地支持動態(tài)物聯(lián)網(wǎng)應(yīng)用.文獻[50]提出了一種基于云計算和物聯(lián)網(wǎng)的智能車聯(lián)網(wǎng)管理系統(tǒng)，增強了車輛的實時感知功能，使汽車可以以最小的延遲獲取周圍道路的擁塞狀態(tài)，緩解城市交通壓力.文獻[51]針對現(xiàn)有任務(wù)卸載方案的性能較差、車載端無法實現(xiàn)高效計算的情況，提出了基于強化學習的車聯(lián)網(wǎng)邊緣計算架構(gòu)的任務(wù)卸載策略，可以實現(xiàn)快速收斂，任務(wù)卸載率更高.Yi 等[52]研究了D2D（Device to device）通信輔助多層霧計算的聯(lián)合資源管理，在所考慮的系統(tǒng)模型中，每個訂閱的移動最終用戶可以選擇通過蜂窩連接將其計算任務(wù)卸載到部署在基站的邊緣服務(wù)器，或者通過直接D2D 連接將其附近的一個第三方霧節(jié)點卸載.文獻[53]指出，在霧無線接入網(wǎng)中，霧接入點的本地存儲和計算能力為解決敏感型應(yīng)用延遲和計算限制提供了新的通信資源.文獻[54]將多個物聯(lián)網(wǎng)設(shè)備爭搶霧設(shè)備的過程視為一個游戲，設(shè)計了一種分布式計算卸載算法,目標是優(yōu)化霧節(jié)點的計算延遲、能耗和成本之間的平衡,物聯(lián)網(wǎng)節(jié)點之間的競爭最終會達到一個納什均衡點.

3.2 感知、計算輔助通信增強

感知功能通過獲取更豐富的用戶信息、環(huán)境數(shù)據(jù)等為通信提供先驗信息.智能終端可利用隨取隨用的分布式算力，進行精準高效的信道估計、測量及快速波束對準，有效增強智能終端的信息處理能力；智能云網(wǎng)可通過多維數(shù)據(jù)融合處理及大數(shù)據(jù)分析，重構(gòu)未知的物理信道狀態(tài)，設(shè)計最優(yōu)傳輸方式，提升通信的整體性能.

張燕詠等[55]總結(jié)了感算融合在自動駕駛領(lǐng)域的最新進展，在比較與分析了自動駕駛感知算法后，提出了一種新的感知融合算法ImageFusion，并且針對自動駕駛的實時性問題，推出了新的計算優(yōu)化框架MPlnfer.文獻[56]針對無人駕駛中車輛感知范圍小和針對復(fù)雜的路況難以處理的問題，基于霧計算和分簇技術(shù)的思想,提出了一種基于霧計算的協(xié)同感知與協(xié)同控制機制.文獻[57]提出了一種位置感知霧定位算法，該算法可保持移動用戶與理想霧節(jié)點之間的連接，它提供的延遲比建議的霧節(jié)點的其他算法低40%～50%，應(yīng)用程序響應(yīng)資源更快，并實時增強系統(tǒng)性能.文獻[58]提出了一種基于物聯(lián)網(wǎng)、智能移動設(shè)備和邊緣計算的新型機器學習輔助智能停車系統(tǒng)，這種新穎的停車系統(tǒng)旨在通過高度精確的定位和作為邊緣智能計算的用戶活動感知，快速將車位的準確位置傳遞給汽車，提升停車效率.Qi等[59]利用自動駕駛汽車傳感能力的群智傳感技術(shù)進行實時數(shù)據(jù)采集，用車載分布式計算提高計算能力，減少海量原始環(huán)境數(shù)據(jù)的傳輸.對于感知、通信和計算的收斂，提出了一種群智感知輔助車輛分布式計算機制，顯著降低了通信負載.文獻[60]提出了一種基于效用的傳感任務(wù)分解和分包算法，該算法是一種在移動節(jié)點之間建立直接協(xié)作的傳感數(shù)據(jù)采集方法,建立基于馬爾可夫鏈的移動模型，預(yù)測傳感節(jié)點的空間分布.

3.3 感知增強與通信增強進一步輔助計算增強

增強后的感知功能可以為分布式算力的最優(yōu)化快速調(diào)度提供先驗信息，也可以為人工智能服務(wù)與應(yīng)用提供更豐富的數(shù)據(jù)來源，以增強訓(xùn)練模型的魯棒性；而增強后的通信功能則進一步提高了算力網(wǎng)絡(luò)的泛在計算能力，實現(xiàn) 6G 時代各類場景下算力資源的即用即配.

文獻[61]介紹了通感一體化的關(guān)鍵技術(shù)模式，分別是資源一體化，功能獨立的功能一體化，資源獨立的功能資源一體化三種技術(shù)模式，當下主要的研究方向是功能資源一體化，即通信與感知共用同一硬件設(shè)備與波形.當通信與感知功能實現(xiàn)一體化之后，可以更好地實現(xiàn)智能體交互，數(shù)據(jù)融合與降維.秦增科等[62]指出，6G 新網(wǎng)絡(luò)和6G 新終端都將會利用各自更強大的無線感知與邊緣計算，進一步增強自身通信性能（提升容量/可靠性/能效/資源利用率、降低網(wǎng)絡(luò)部署成本/時延等）、實現(xiàn)對感知對象的模式識別（用戶手勢/表情/姿態(tài)等檢測、環(huán)境中活動伙伴行為檢測等）、實現(xiàn)更高精度定位/更高分辨率成像（無接觸式安檢、質(zhì)檢、材檢等）和虛擬環(huán)境重構(gòu)等功能目標.文獻[63]提出了利用集成傳感與通信（ISAC）技術(shù)提高傳感與通信性能的策略，采用擴展卡爾曼濾波算法，實現(xiàn)通信位置信息與傳感信息的融合，提高目標傳感精度.文獻[64]提出一種新型聯(lián)合傳感通信（JSC）算法，該算法采用波束共享方案，可用統(tǒng)一頻譜和收發(fā)器同時進行下行雷達傳感和傳感數(shù)據(jù)融合通信.Jiang 等[65]設(shè)計了一種基于mmWave 頻段5G新無線電協(xié)議的傳感與通信聯(lián)合集成系統(tǒng)，支持傳感與通信雙功能的動態(tài)幀結(jié)構(gòu)配置，可以解決CAV（Connected and automated vehicle）之間原始傳感數(shù)據(jù)共享的低時延和高數(shù)據(jù)速率問題，此外，以雷達互信息為關(guān)鍵指標，將多個CAV 之間的資源分配優(yōu)化問題表述為非合作博弈.

通算助感、感算助通與通感助算的發(fā)展進一步推動著通感算一體化網(wǎng)絡(luò)的發(fā)展，通信、感知、計算三者相互融合，促進了彼此的增強.下文提出的通感算融合網(wǎng)絡(luò)架構(gòu)通過智能融合面貫穿了通信面、感知面與算力面，將三者有機聯(lián)系起來.同時，縱向五層中每一層與每一面的交叉域都涉及到不同的融合技術(shù)與應(yīng)用.整個通感算融合網(wǎng)絡(luò)將通算助感、感算助通與通感助算深度融合起來，進而使網(wǎng)絡(luò)具備新型閉環(huán)信息流智能交互與處理及廣域智能協(xié)作的能力.

3.4 通感算融合網(wǎng)絡(luò)

（1）定義.

根據(jù)中國通信學會最新發(fā)布的通感算融合網(wǎng)絡(luò)前沿報告指出：通感算一體化網(wǎng)絡(luò)是指同時具備物理-數(shù)字空間感知、泛在智能通信與計算能力的網(wǎng)絡(luò).該網(wǎng)絡(luò)內(nèi)的各網(wǎng)元設(shè)備通過通感算軟硬件資源的協(xié)同與共享，實現(xiàn)多維感知、協(xié)作通信、智能計算功能的深度融合、互惠增強，進而使網(wǎng)絡(luò)具備新型閉環(huán)信息流智能交互與處理及廣域智能協(xié)作的能力，為6G 的智慧城市、智慧交通、智能家居等典型應(yīng)用場景提供支持.

（2）自動駕駛車聯(lián)網(wǎng)中通感算融合的網(wǎng)絡(luò)架構(gòu).

將通感算融合網(wǎng)絡(luò)應(yīng)用到自動駕駛車聯(lián)網(wǎng)的場景下，結(jié)合自動駕駛車聯(lián)網(wǎng)的實際需求，同時針對通信節(jié)點的計算、感知能力增強但傳統(tǒng)網(wǎng)絡(luò)架構(gòu)只關(guān)注通信維度，導(dǎo)致難以自適應(yīng)滿足自動駕駛車聯(lián)網(wǎng)多極致性能需求的挑戰(zhàn)，通過分布式的時頻空多域智能感知、高效通信資源管理、按需的分布式計算能力調(diào)度和“云-邊-端”一體化的網(wǎng)絡(luò)管控等技術(shù)，研究通感算融合的網(wǎng)絡(luò)架構(gòu)以適應(yīng)不同的業(yè)務(wù)需求，實現(xiàn)自動駕駛車聯(lián)網(wǎng)的智能感知、智能資源調(diào)度、智能計算、智能管控，從而為后續(xù)研究內(nèi)容奠定架構(gòu)基礎(chǔ).

通感算融合網(wǎng)絡(luò)在不同的層面共享資源、服務(wù)、網(wǎng)絡(luò)等，降低了硬件成本，優(yōu)化了整體架構(gòu)，結(jié)合實際應(yīng)用滿足業(yè)務(wù)需求.而通感算融合網(wǎng)絡(luò)整體上可以分為通信、感知、計算三個方面，結(jié)合自動駕駛車聯(lián)網(wǎng)領(lǐng)域，通信層面采用6G 通信網(wǎng)絡(luò)與C-V2X 技術(shù)；感知面采用毫米波或太赫茲波段載波，結(jié)合路側(cè)單元、雷達等獲取的感知信息，實現(xiàn)全方位高精度感知；算力層面，基于霧計算、邊緣計算技術(shù)，提高數(shù)據(jù)運算效率與精度，實現(xiàn)精準控制.實現(xiàn)通信、感知、算力的融合需要優(yōu)化整體網(wǎng)絡(luò)結(jié)構(gòu)，按需提供AI 能力和網(wǎng)絡(luò)管理能力，促進網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)部自動優(yōu)化，通信、感知、算力之間的資源調(diào)度優(yōu)化，融合網(wǎng)絡(luò)將實現(xiàn)更快的通信速度、更高的感知精度、更精準的計算，提升整個網(wǎng)絡(luò)層次的決策效率與預(yù)測準度.

突破自動駕駛車聯(lián)網(wǎng)中通感算融合的架構(gòu)壁壘，對網(wǎng)絡(luò)架構(gòu)進行“五層四面”數(shù)字化抽象，橫向五層自下而上分別是：多元接入層、統(tǒng)一網(wǎng)絡(luò)層、多域資源層、協(xié)同服務(wù)層、管理與應(yīng)用層；縱向四面分別是：通信面、感知面、算力面、智能融合面.基于通感算功能模塊化，構(gòu)建資源可解耦、能力可擴展、架構(gòu)可重構(gòu)的網(wǎng)絡(luò)架構(gòu)，如圖2 所示.

圖2 智能內(nèi)生的“五層四面”通感算融合網(wǎng)絡(luò)架構(gòu)Fig.2 Intelligent endogenous architecture of the communication-sensing-computing-integrated IoV with five layers and four planes

橫向五層的功能如下：多元接入層支持CV2X 專用頻譜及非專用頻譜通感一體化技術(shù)，并采用靈活頻譜共享技術(shù).統(tǒng)一網(wǎng)絡(luò)層主要解決全方位的統(tǒng)一組網(wǎng)問題，基于IP 承載，屏蔽異構(gòu)終端、接入鏈路的差異，在多元接入層之上構(gòu)建基于數(shù)據(jù)分組交換的核心網(wǎng)絡(luò)，實現(xiàn)數(shù)據(jù)的統(tǒng)一路由與轉(zhuǎn)發(fā).多域資源層通過就近將頻譜、帶寬、網(wǎng)絡(luò)、服務(wù)器、存儲、算力等聚合形成一個或多個邏輯上的邊緣資源池，各資源池之間共享計算、存儲、網(wǎng)絡(luò)、感知信息等資源，實現(xiàn)網(wǎng)絡(luò)邊緣局部的算力網(wǎng)絡(luò)管理、資源調(diào)度，完成初步的通感算融合管理及業(yè)務(wù)邏輯編排.協(xié)同服務(wù)層主要解決綜合感知業(yè)務(wù)的按需服務(wù)問題，負責統(tǒng)籌上層業(yè)務(wù)需求和下層資源，實現(xiàn)上下數(shù)據(jù)和控制的協(xié)同，是整個網(wǎng)絡(luò)架構(gòu)的核心層.協(xié)同服務(wù)層向上主要通過對業(yè)務(wù)信息的分類、分級，結(jié)合業(yè)務(wù)傳輸速率、時延、優(yōu)先級、可靠性等服務(wù)質(zhì)量（Quality of service，QoS）需求，實現(xiàn)各類業(yè)務(wù)的注冊、接納控制和業(yè)務(wù)編排等.協(xié)同服務(wù)層向下主要通過對下層資源的抽象封裝，構(gòu)建面向不同應(yīng)用需求的網(wǎng)絡(luò)模型等.管理與應(yīng)用層能夠自動捕獲業(yè)務(wù)性能需求，自適應(yīng)不同應(yīng)用場景.利用人工智能技術(shù)挖掘不同業(yè)務(wù)的差異化特征，完成通感算多維資源的動態(tài)協(xié)同管理以及后續(xù)的策略制定和執(zhí)行，同時為不同應(yīng)用智能地進行網(wǎng)絡(luò)重構(gòu).

縱向四面的功能如下：通信面使用6G 通信網(wǎng)絡(luò)和國際上廣泛采納的C-V2X 技術(shù)，實現(xiàn)動態(tài)覆蓋和服務(wù).感知面復(fù)用6G 通信網(wǎng)絡(luò)的超高頻毫米波或者太赫茲波段載波，基于多普勒效應(yīng)獲取區(qū)域內(nèi)的感知信息，同時融合區(qū)域內(nèi)車輛、路側(cè)單元、云端的感知信息，形成多視角、全方位目標協(xié)同感知體系.算力面除了向目標用戶提供算力服務(wù)體驗以外，還提供分布式的交互感知，進行用戶信息的采集和識別，為智能融合面的服務(wù)決策提供信息.智能融合面可為其他“層”與“面”按需提供AI 能力和網(wǎng)絡(luò)管理的相關(guān)能力.基于“智能融合面”構(gòu)建通感算數(shù)據(jù)模型及其交互模型的自挖掘與演進機制，以指導(dǎo)融合網(wǎng)絡(luò)決策推理與動態(tài)調(diào)整.探索網(wǎng)絡(luò)自演進內(nèi)核構(gòu)成、進化動態(tài)表征模型、網(wǎng)絡(luò)經(jīng)驗提取、重組與演繹推理方法，實現(xiàn)融合網(wǎng)絡(luò)架構(gòu)的內(nèi)生“自優(yōu)化、自生長、自演進”能力.

（3）性能指標.

針對自動駕駛車輛網(wǎng)的應(yīng)用場景需求，需要考慮的性能指標包括通信、感知、計算三方面，同時各方面細化為若干性能指標，在進行通感算融合網(wǎng)絡(luò)的設(shè)計時需要重點考慮這些性能指標，其中關(guān)于評價通感算融合網(wǎng)絡(luò)性能的指標體系如表3 所示.

表3 通感算融合網(wǎng)絡(luò)性能評價體系Table 3 Key performance indexes (KPIs) of communication-sensing-computing-integrated IoV

4 挑戰(zhàn)及發(fā)展趨勢

4.1 基礎(chǔ)理論架構(gòu)

基于無人駕駛車聯(lián)網(wǎng)的通感算融合缺乏相應(yīng)的基礎(chǔ)理論架構(gòu)，缺乏通感算相互制約的理論[66].需要給出相應(yīng)的指標來表征融合的效果，并論述通信性能、感知指標、計算約束下的制衡關(guān)系；通感算融合網(wǎng)絡(luò)需要考慮傳輸過程中的信道模型，同時基于電磁波產(chǎn)生和傳輸理論進行設(shè)計；通信感知融合設(shè)計需要對信號發(fā)射和接收涉及的天線、信道帶寬、觀測條件等理論進行系統(tǒng)的分析，保證通信可靠性、有效性以及較高的感知精度，由于目前通感算參數(shù)間的相互作用原理缺乏基礎(chǔ)的理論架構(gòu)，現(xiàn)有的仿真方法不具備多場景的普適性.

4.2 集成通感算融合的硬件設(shè)計

進行通感算一體化的硬件設(shè)備的異構(gòu)設(shè)計十分重要，現(xiàn)有的基站結(jié)構(gòu)已經(jīng)十分復(fù)雜，如果只是簡單地將感知功能疊加到基站上，進行假融合，融合效率不高且成本高昂，需要對基站進行整體的結(jié)構(gòu)化設(shè)計.在5G 中，感知和通信是獨立設(shè)計的，而且隨著6G 技術(shù)的蓬勃發(fā)展，通信與感知的頻譜愈發(fā)重合，以毫米波段為例，在未來毫米波通信與毫米波雷達都在使用的20～300 GHz 這個頻段，通信和感知達到最佳性能所需的信號波形一般并不相同，即使當前使用正交頻分復(fù)用（Orthogonal frequency division multiplexing,OFDM）信號測距與調(diào)頻連續(xù)波雷達相似，使用最佳傳感信號波形仍需要現(xiàn)有通信系統(tǒng)設(shè)備進行完善，甚至實現(xiàn)波形虛擬與優(yōu)化，這也同時體現(xiàn)了一體化天線設(shè)計的重要性.

4.3 多維數(shù)據(jù)處理

海量多維數(shù)據(jù)基于樣本和特征的融合算法和面向不同的用戶或耦合業(yè)務(wù)的相關(guān)數(shù)據(jù)處理方式需要繼續(xù)研究，在同一網(wǎng)絡(luò)覆蓋下，用戶產(chǎn)生的感知數(shù)據(jù)是相互關(guān)聯(lián)的，需要解決本地模型產(chǎn)生的模型參數(shù)，當前分布式學習沒有考慮網(wǎng)絡(luò)中設(shè)備的差異性，例如在大規(guī)模物聯(lián)網(wǎng)場景下，許多傳感器并不具備基本算力以支持本地數(shù)據(jù)訓(xùn)練，導(dǎo)致終端出現(xiàn)接入設(shè)備功率和算力受限的情況，這種情況需要終端進行通信和數(shù)據(jù)感知的權(quán)衡[67].

4.4 多接入干擾問題

通過多用戶通信實現(xiàn)泛在感知，未知參量為計算帶來極大的求解壓力，有效的通感體系和計算方式需要研究.廣泛接入和大規(guī)模協(xié)作會帶來復(fù)雜網(wǎng)絡(luò)信號干擾問題，隨著期望感知范圍或者精度要求的提升，增加傳輸?shù)墓β适且粋€有效的方法，但是隨著功率的提高，網(wǎng)絡(luò)傳輸?shù)膭討B(tài)性和隨機性也會相應(yīng)提升，從而增加了干擾，從網(wǎng)絡(luò)中提取信息就需要更加深入的學習和挖掘，盡可能地提取出更多更有價值的數(shù)據(jù).

5 結(jié)論

針對無人駕駛車聯(lián)網(wǎng)的高性能需求，為了實現(xiàn)通感算融合網(wǎng)絡(luò)的深度融合，在對通感、通算、感算融合網(wǎng)絡(luò)的研究現(xiàn)狀進行論述后，同時對通感算融合網(wǎng)絡(luò)的資源管理進行了總結(jié)，進一步驗證了通感算網(wǎng)絡(luò)融合的可行性.提出了通感算融合網(wǎng)絡(luò)的定義，論述了通算助感、感算助通、通感助算領(lǐng)域的最新進展，針對無人駕駛車聯(lián)網(wǎng)的應(yīng)用場景，創(chuàng)造性地提出了“五層四面”的網(wǎng)絡(luò)架構(gòu)，橫向五層自下而上分別是多元接入層、統(tǒng)一網(wǎng)絡(luò)層、多域資源層、協(xié)同服務(wù)層、管理與應(yīng)用層，縱向四面分別是通信面、感知面、算力面、智能融合面.基于通感算功能模塊化，構(gòu)建資源可解耦、能力可擴展、架構(gòu)可重構(gòu)的網(wǎng)絡(luò)架構(gòu).總結(jié)了通感算融合網(wǎng)絡(luò)的性能指標評價體系.最后提出通感算融合網(wǎng)絡(luò)研究面臨的挑戰(zhàn)與未來發(fā)展方向，建立完備的通感算融合網(wǎng)絡(luò)的基礎(chǔ)理論架構(gòu)，進行一體化硬件設(shè)備設(shè)計，多位數(shù)據(jù)處理范式，解決多接入干擾問題.通感算融合網(wǎng)絡(luò)的發(fā)展尚處于初期階段，許多研究還基于理論層面，需要加快進行統(tǒng)一的標準建設(shè)，占領(lǐng)6G 研究的制高點.