人-机-网融合的新型车联网体系架构与关键技术*

陈艳艳，苏子勋，范博**，吴远，须成忠

（1.北京工业大学城市交通学院交通工程北京市重点实验室，北京 100124；2.澳门大学智慧城市物联网国家重点实验室，澳门 999078；3.澳门大学计算机与信息科学系，澳门 999078）

0 引言

车联网技术通过Vehicle-X（V2X，X：车、基础设施、行人等）通信，实现安全辅助驾驶、车载娱乐等功能，以提高驾驶人的安全性、舒适性和便捷性[1-2]。近十年来，车联网技术飞速发展，并朝着网络多元化、高带宽化、综合化、智能化的方向演进。层出不穷的无线通信技术为车联网用户提供了异构的网络环境和无缝的网络服务，包括专用短程通信技术（DSRC,Dedicated Short Range Communications）[3]、LTE-V（LTE-Vehicle）[4]、毫米波通信[5-6]、车载移动自组织网络（VANET,Vehicular Ad-Hoc Network）[7]以及NR-V2X[8-9]等。另一方面，人工智能与车联网的融合极大地提升了车联网的自组织、自适应能力，提升了车联网用户的端到端服务质量（QoS,Quality of Service），很大程度上满足了车联网超高可靠性与超低时延通信（URLLC,Ultra-reliable and Low Latency Communications）需求。

车联网技术最初于20 世纪90 年代展开研究，由欧洲、美国和日本主导并制定DSRC 标准，该技术基于IEEE802.11 协议族，工作于5.9 GHz 频点，采用CSMA/CA 的调度方式，适用于短程V2X 通信[10]。LTE-V 是由3GPP 主导，由我国大唐电信和华为公司参与并推动的车联网标准，于2010 年以后展开研究，该技术基于3GPP Release 14 与Release 15 标准，并分别与2017 年3 月和2018 年6 月完成标准化文档制定，主要工作于5.9 GHz 频点，采用SPS（Semi-Persistent Scheduling）的调度方式，可提供更大的覆盖范围、更高的可靠性和移动性支持，以提供主动安全预警、自动避障、交通信息发送等基本车联网业务[11]。

为了支撑高级别自动驾驶、远程驾驶、车辆自动编组巡航等具有更高性能需求的车联网业务，3GPP 于2018 年启动了NR-V2X（即5G）标准化工作，并于2019 年12 月完成了Release 16，并预计到2020 年完成Release 17 的标准化制定，NR-V2X 可工作于6 GHz 以下和20 GHz 以上（即毫米波）两个频段[12]，具备灵活的子载波间隔，同时对LTE-V2X 网络具备良好的兼容性，其灵活的带宽管理、公用专用资源池分离的方式，进一步提升了网络的频谱效率同时降低了网络能耗[13]。另一方面，最新的车联网体系构架融合边缘计算与V2X，将V2X 业务部署在边缘计算平台上，将计算模块分散部署至近端路侧单元，以降低大量数据传输至远端云的网络负载，缓解云端数据计算与存储压力，同时降低数据传输时延，提升车联网用户服务质量[14-15]。此外，车联网在移动医疗[16]、智慧城市[17]等垂直行业的应用以及车联网安全[18]也引起了广泛关注。

截至目前，车联网的设计遵循模型驱动的准则，即通过既定的业务模型，建立车联网用户需求（包括用户的速率需求、时延需求、可靠性需求等）到网络业务的映射关系，实现网络侧和用户侧的松耦合。这种模型驱动的方式，兼容性低，即有限的业务模型难以描述多样化的业务场景；同时，伴随人工智能、无人机、陆海空天大规模物联网等新兴技术和网络场景的发展，全新未知的业务类型对模型驱动业务的可扩展性提出巨大挑战。此外，速率、时延和可靠性等传统业务需求（即更好的通信性能）并不是未来车联网演进的唯一目标，由于车联网的重要服务对象是驾驶人和出行者，而信息传输的最终目的在于最大限度地提升驾驶人和出行者的用户体验，因此，以人的行为特征和个性化需为导向进行网络优化，对于保障驾驶安全、提高交通运输效率和提升驾驶人/出行者用户体验具有重要意义。因此，在人工智能新理论、虚拟网络世界与真实世界交互融合的大背景下，未来6G 车联网技术的发展需要支持更深层的、智能的、泛在的、灵活可扩展的通信需求，建立用户侧所在的真实世界与网络侧所构建的虚拟世界之间的紧耦合关系，促进真实世界与虚拟网络世界间的交互，驱动新的网络模式与技术，重构交通信息系统，定义新的出行模式。

本文提出了一种人-机-网融合的新型车联网体系架构，探讨了新型车联网体系中人机网紧耦合的组网模式，以及包括远程驾驶、车载全息通信、定制公共交通等在内的新型网络业务范式，进一步探讨了人-机-网融合的新型车联网体系中的关键技术。

1 人-机-网融合的新型车联网体系架构

未来车联网不仅为用户提供可靠的信息服务，更需要通过真实世界的人与虚拟世界的网络空间之间的紧耦合，为驾驶人和出行者提供浸入式的网络服务，最大限度提升用户体验。

互联网之父蒂姆·伯纳斯·李认为网络世界具有两个基本维度——技术维度和社会维度。他指出：“万维网之前的因特网是在一个分权式的技术结构和社会结构的基础上繁荣起来的。技术性和社会性设备的设计不断推动着因特网的发展”[19]。另一方面，技术性设计和社会性设计在整个万维网历史中交替反复出现，随着物联网和人工智能技术的发展与应用，AI 逐渐从辅助人类发展到代理人类最终成为与人类平行的社会性个体，随之推动互联网技术维度与社会维度交互融合，最终实现网络（技术维度）与人（社会维度）的高度统一。而车联网的发展也遵循此规律：早期的车联网为驾驶人提供基本的交通路况信息和安全信息以辅助驾驶人决策，随着5G 技术的发展，网络通信速度与计算能力得到大幅度提升，赋予了交通系统一定程度的自动决策能力，增强了驾驶人与车之间、出行者与交通系统之间的互操作性。而6G 技术即将迎来人、车、网络的全面融合互通，即人的意识、决策可以无缝映射并作用到网络中，同时，网络的运行也不单纯是机器、协议和技术行为，更具有人的社会性行为。

图1 给出了6G 环境下人-机-网融合的车联网体系架构，最底层为智能网联车层，承载基本的交通运输功能，并支持高级别自动驾驶、车辆自动编组巡航等业务。中间层为智能边缘节点层，由路侧单元和边缘服务器组成，二者通过有线回程连接，路侧单元为车辆提供网络覆盖，边缘服务器完成实时计算任务，包括车辆控制决策、路径规划与导航、局部路网控制与优化等。最上层为云传输与计算层，其主要功能包括核心网的数据交换、交通数据存储与维护、全局路网优化（例如交通配时配流）等。同时，驾驶人与出行者的行为数据可通过人机网接口采集并上传至云服务器或边缘服务器，服务器通过计算分析并挖掘用户行为特征，并以指令或协议的方式映射至网络中，影响车辆控制与交通行为，实现人-机-网紧耦合。

2 人-机-网融合的新型车联网关键技术

人机网融合下的车联网具有业务多元化，虚拟现实交互融合、用户需求个性化等特点。为满足上述网络业务需求，需要从用户行为特征出发，开展人-机-网接口管理、用户行为特征驱动的网络切片、远程驾驶与车载全息通信、人机网融合下的交通态势感知、出行者行为分析与定制公交和高级别自动驾驶等技术的研究。

2.1 驾驶人/出行者行为分析

如图2 所示，未来车联网环境下驾驶人/出行者行为分析主要包括4 个主要模块：感知模块、行动模块、人机共驾特征模块和属性模块。感知模块采用分层模糊逻辑算法，将感知信息分为视听觉类、生理特征类和心理特征类，分析感知信息类型并对各类密集簇模糊聚类。在信息合并过程中综合考虑不同的簇相对互连和封闭性，且聚类各阶段采用不同模糊程度的隶属度分配，并对孤立点进行有效的处理[18]。行动模块采用层次归纳法，从行动和决策两方面对驾驶员行为进行分析。行动层主要通过车辆传感器进行微观层面车辆感知，例如采集车辆方向盘转动角度、油门大小、刹车力度及车辆功能使用情况分析驾驶者的驾驶行为信息，决策层通过路侧采集器进行宏观层面车辆感知，例如采集车辆实时速度、加速度、换道行为等。属性模块是驾驶人模型构建的基础模块，采用因子归纳法，综合考虑驾驶员的驾驶风格、性别、年龄等少数因子，描述多因素之间的联系，将相关比较密切的几个因子变量归为一类。人机共驾特征模块用于优化驾驶者行为模型，通过测量人体静态动态数据、机器运行状态、决策结果反馈等方法，得到人机共驾状态下驾驶者对信息的接受信任程度及判断信息有效性，从而调整系统参数优化人机网模型。

图1 新型车联网体系构架

新型的驾驶行为感知系统区别于传统的个体感知系统，将利用车辆群体来分散复杂的感知任务，通过采集交通个体信息来挖掘群体信息，从而实现个体驾驶行为对群体交通状况影响的感知。在群体协同、群体调度的大框架下，终端车辆利用数据中心反馈的信息进行数据采集与处理，完成宏观的道路调控目标，从而可以实现人机网融合下车联网体系在时间上和空间上的移动性。

2.2 人-机-网接口管理

伴随脑机接口技术的发展，未来新型车联网环境下驾驶员对车辆的控制不仅限于通过油门刹车或者人机交互界面，而是将驾驶人脑部活动通过脑机接口实现车辆控制。相比传统操作控制方式，脑机接口具有响应速度快、安全性高等优点，甚至使残疾人士驾驶车辆成为可能。此外，人自主的意识和情感可以通过脑电波的形式传达出来，利于挖掘驾驶者数据中的隐性信息和个性化特征，为车联网大数据技术和人机网融合下的交通态势感知技术服务。

脑机接口技术中，为保证脑电信号特征提取和分类的准确有效性，需要采用半分布式的数据采集与管理方法[20]。如图1 所示，边缘路侧节点收集路段内驾驶人脑电波数据，并进行实时分析与处理；同时，路侧单元通过有线回传将数据传送至云端，完成数据聚合、大数据特征深度挖掘等功能，并依据驾驶人行为特征进行宏观路网优化。

2.3 用户行为特征驱动的网络切片

网络切片是车联网中的关键技术之一，在未来车联网环境中，驾驶人行为千差万别，并且呈现出不同的行为特征。在驾驶人行为特征驱动下，网络节点之间形成了不同的数据传输场景，导致网络切片问题更加复杂。如图3 所示，驾驶人的驾驶历史数据反映出驾驶人的驾驶风格（例如，通过驾驶人的历史违章次数、罚款次数等负面记录的次数，将驾驶风格分类为激进型、平稳型、保守型等），针对激进型行为的驾驶人，需要以更高的优先级制定网络切片策略，以提供更可靠的信息服务，保障驾驶安全。另一方面，当建立V2V（Vehicle to Vehicle）通信链路时，由于驾驶人之间的关联关系影响着通信链路的稳定性（例如，具有好友关系的驾驶人之间的V2V 通信链路具有更好的稳定性），因此需要将驾驶人之间的关联关系考虑到网络切片中来。

图2 驾驶人/出行者行为特征分析图

由上可知，如果根据驾驶人的行为特征，设计网络切片，相比传统车联网虚拟化中的网络切片更能突出人的因素，因而就能更加准确地满足驾驶人的个性化需求。而传统车联网中的网络切片仅根据群组用户需求进行粗粒度网络切片，忽略了驾驶人的个性化行为特征，造成了网络资源的浪费。因此，为了提升网络切片效率、优化网络资源配置，必须充分考虑驾驶人的个性化行为特征，实现网络切片和用户个性化需求之间的细粒度灵活适配。

因此，需要将车联网的重要组成部分——驾驶人，及其个性化行为特征，纳入车联网网络切片。另一方面，结合智能车的通信、存储和计算能力，将驾驶人行为模型融入到车联网系统中，作为车联网资源形态的拓展。随着驾驶人需求的个性化以及行为的差异化日益凸显，结合无线资源管理功能的增强，驾驶人的行为特征为灵活按需的网络切片机制提供了重要依据。也正是因为驾驶人的行为在时空范围所呈现的动态性，以及驾驶人对服务需求所表现的差异性，为车联网虚拟化中的网络切片机制带来了极大的挑战。

2.4 远程驾驶与车载全息通信

人机网融合下的车载全息通信技术服务于未来车辆的远程驾驶。车载全息通信本质上是多视点视频流传输的过程，为真实还原驾驶环境，车端及道路采集视频流的完整性和时效性尤为关键。为支撑车载全息通信，不仅需要高速度低时延，还需要将数据源压缩编码，并进行数据分割和并行传输，同时，全息通信需要各传输数据点及应用影像高度同步，以保证远程驾驶安全可靠。

未来车载全息通信将更注重驾驶者的多维度全息驾驶体验，使实时驾驶情景可以传递到人体所有感官，还原最真实的驾驶者驾驶状态，进一步促进车联网体系下人机的有效融合。未来实现车载全息影像也将为网络传输提供更多发展空间，不同级别的信息属性将具有不同程度的可靠性，使得网络可以选择性地在拥塞的情况下丢弃部分数据并且在对端仍然能够重建信息[21]。

2.5 人机网融合下的交通态势感知

未来交通态势感知将大幅提升全局路网优化能力，其特点是在道路预测中融入更多道路使用者的个性化影响因素。传统的交通态势感知系统不具备道路使用者经长期积累获得的分析能力（即经验、直觉以及对交通数据和道路状态的宏观判断），未来交通态势感知也并非以机器完全代替人，而是将人的感知能力与机器的计算能力更好地融合，以交通大数据为基础，从全局视角提升对未来交通演变状态的感知，最终为驾驶者与交通部门的决策与行动服务[22-23]。

人机网融合下的交通态势感知关键点在于能否将人的分析能力与机器大数据通过车联网有效结合，生成个性化出行方案和整体化路网调控[24]。人善于在数据很少或没有数据的情况下分析并提出可能的解决方案，而机器的优势在于处理庞大的数据。态势感知最困难的部分，一是如何将驾驶者主观心理的“势”转化为客观可生成参数化的“态”（例如驾驶者通过天气等因素对道路可能状况的预先感知如何能转换为符号语言传达给机器），二是如何把已经在人意识中形成的“知”转化为机器能学习的感受能力（例如驾驶者通过经验可以得知在某个时段选择适合的走法比较快捷，或为欣赏沿途风景选择绕行较远的路线）。二者的实现都需要在建立系统模型中不断采集人的个性化感知参数并进行融合。如图4 中人机态势融合的感知模型所示，通过感知器采集到的交通数据通过公式转化为逻辑符号信息，信息知识通过模型提取出人的直觉信息，二者相结合（即从态空间进入势空间，从数据空间进入特征向量空间）经过机器学习算法预测出未来交通变化趋势，并通过上下层模块的双向映射将调整参数反馈给基础信息采集器以利于模型不断优化。此外，人机网融合下的交通态势感知是注重于宏观视角下的交通态势预测，新车联网体系下网络域采用的分布式路侧信息采集器可以获取到路段所有车辆的信息，进而在核心网中进行群体协同调控，以优化整个路网未来的交通状况。

图4 人机融合下的态势感知模型

2.6 出行者行为分析与定制公交

出行者主动向边缘智能节点上报出行需求，同时给与边缘智能节点一定的历史查询等权限，使得边缘智能节点能够收集出行者行为信息数据，挖掘出行者内在行为特征，如时域活动/分布特征、空域活动/分布特征、公共交通环境需求特征等，定制公共交通，动态调整交通线路和调度策略，在保证整体路网运行效率的同时，为出行者个体和具有共同行为特征的出行者群体提供“尽力而为”的交通服务。

2.7 高级别自动驾驶

在高级别自动驾驶方面，理解人的内隐认知行为是未来人机网融合下的车联网重要特征，即通过建议机制进行机器自主改良，例如自动驾驶的刹车控制、刹车后的停车距离以及路面上行驶时跟车距离。由机器自主控制并感知人的舒适度，机器根据人的评价来自动调整系统参数，同时将数据上传至网络，既提供个人的个性化服务，也作为大数据为其他系统提供默认服务。

3 结束语

车联网是人、车、环境协同的多元化融合网络系统。随着感知技术，通信技术，大数据技术以及边缘计算技术带来的计算能力提升，赋予了车联网系统将自主解析驾驶人个性化需求并制定信息传输策略的能力。本文基于将人的驾驶行为特征融入人-机-网系统的理念，提出了新型车联网体系架构，介绍了人-机-网融合下的关键技术。大数据下分析驾驶员行为；利用车联网网络切片技术等技术，将驾驶人之间的关联关系考虑到网络切片中来，实现网络切片和用户个性化需求之间的细粒度灵活适配；扩展人机通信接口；实现车载全息通信；进一步挖掘道路交通中人、车、道路大数据中的隐性态势信息，改变现有仅依靠机器公式化算法来优化交通问题的现状，充分考虑人机态势之间的转化问题，实现人机有效融合。未来人-机-网融合的新型车联网体系有望构建完备的多通道人机交互模式，为驾驶者提供沉浸式交互体验。