大数据动态规划和人工智能无人驾驶技术应用构想
——以四维空间导航宏速模式解决交通拥堵为例

刘子天

(大连理工大学，辽宁 大连 116000)

0 引言

进入21世纪以来，人类经历了3G到5G移动通信技术的升级变迁、经历了无人驾驶技术从L0到L5的跨越、经历了大数据元年到数据赋能产业的急速发展期。现今，人工智能领域正处于第三次浪潮的初始阶段，受到大数据及深度学习的推动，引发生产力的变革。以大数据路径规划和人工智能无人驾驶技术为首的技术不断推陈出新，给汽车驾驶行业带来翻天覆地的变化。在未来，人工智能必将渗透到各行各业，解放生产力、调节生产关系，给人类带来更加美好的生活。

1 车联网技术发展现状

在汽车的百年发展中，“四化发展”构建汽车发展竞争力：(1)汽车网联化(商业模式转型)，车、路、网、人、环境交互，降低车辆感知成本；(2)汽车自动化(技术转型)，基于AI，实现自动驾驶感知、规划、决策和执行；(3)汽车电动化(技术转型)，改变汽车结构、能源及驱动；(4)汽车共享化(商业模式转型)，影响所有权结构，车辆成为社会化出行服务工具。本文阐述汽车网联化和自动化。

1.1 汽车网联化

汽车网联化——车联网，是物联网中最典型的场景，因为其对通信网络有着极高的要求：大带宽、低延时、广连接、严密的覆盖，这些都是实现车联网必不可少的条件。车联网基于蜂窝技术C-V2X网络，由LTE-V和5G-V2X组成，包括车与车(Vehicle-to-Vehicle，V2V)、车与路(Vehicle-to-Infrastructure，V2I)、车与人(Vehicle-to-Pedestrian，V2P)、车与网络(Vehicle-to-Network，V2N)等[1]。车联网V2X与ADAS(高级驾驶辅助系统)结合可以车路协同，V2N2V可以让自动驾驶实现更高级别的安全，其适用5G网络切片以超高可靠性与超低时延业务(Ultra Reliable & Low Latency Communication,uRRLC)为主、增强移动宽带(Enhance Mobile Broadband，eMBB)和海量物联网通信(Massive Machine Type Communication，mMTC)为辅助。

车联网自下而上分为3层架构，分别是感知层、网络层和应用层[2]。感知层承担车辆自身与道路交通信息的全面感知与采集，通过RFID、传感器和车辆定位等技术，实时感知车况、道路环境、车辆与人、道路、车等信息，为车联网提供全面的终端信息服务。网络层通过制定专用的能够协同异构网络通信的网络架构和协议模型，整合感知层的数据，为应用程序提供信息传输服务。其中，云计算和虚拟化等技术的综合应用以及网络资源，为上层应用提供强大的支撑。应用层需求是推动车联网技术发展的巨大动力，车联网在实现智能交通管理、车辆控制、交通预警等功能时，还为车联网用户提供车辆信息查询与订阅、告警等功能。

1.2 汽车自动化

汽车自动化——无人驾驶技术是指车辆在无驾驶员操作的情况下自行实现驾驶[3]。自动驾驶有多种发展路径，单车智能、车路协同、联网云控等。单车智能是通过传感器实时感知车辆及周边环境，交由智能系统进行动态规划，最后由控制系统执行自动驾驶。单车智能是实现自动驾驶的基础，其缺陷在于路障及转弯处存在无法感知的问题，通过车路协同的方式可以解决这个问题。单车智能经过多年发展也不能实现绝对安全，装置更多的雷达、摄像头，不仅算力需求呈几何级数上升，稳定性风险也增加，成本的激增让商业化变得遥不可及。

车路协同是以网络决策或网络辅助决策的方式实现机动车辆自动驾驶，通过车与车、车与路等动态信息进行实时交互，用路测设施和车辆传感器收集路况信息和车辆状态，并为车辆决策行驶方案，从而解决单车智能自动驾驶的局限性，实现全局优化的智能自动驾驶方案。

1.2.1 车路协同

车路协同(Vehicle-Infrastructure Cooperated Autono-mous Driving, VICAD)是一种采用先进的无线通信与新一代互联网技术，全方位地实施车与车、路与路、车与人之间的动态信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制与道路协同管理，充分实现人车路的有效协同，保证交通安全，提高同行效率，从而形成安全、高效和环保的道路交通系统。

车路协同从技术架构上分成车、路和云3个板块，我国关于实现车路协同的规划部署将逐渐显现。从技术上讲，由“人-车-路”组成的道路交通是一个复杂的系统，要想真正实现车路协调，无法绕开中国复杂的路况。此外，车路协同需要5G强大的传输速率以及道路技术设施的智能化改造。随着智能车载系统、智能路侧系统、通信平台等诸多技术层面的不断完善，特别是5G的普及，会将车路协同推向新高度。在未来，中国车路协同将迎来重大突破，同时会有更加完善的产业蓝图助力车路协同发展。

1.2.2 国内自动驾驶分级

2020年3月9日，工信部正式发布了《汽车驾驶自动化分级》标准进行报批公示，进一步听取社会各界意见，截至2020年4月9日。该标准于2021年1月1日正式实施。

自动驾驶等级分为6个级别[4]如表1所示。

表1 自动驾驶分级

2 四维空间导航平台与宏速模式

2.1 问题的提出

道路一定是拥挤的，用反正法可得。

图1 交叉路口示意

假设，道路是不拥挤的，设X，Y，Z表示道路的流量峰值，有X+Y≤Z,…,Xn+Yn≤Zn，由图1可知，Z既是上两条道路的下游，又是下一条道路的上游(即Z道路既是上游，又是下游)，所以Zn=Xn+1。

Zn≥Zn-1+Yn≥Xn-1+Yn-1+Yn≥Xn-2+Yn-2+
Yn-1+Yn≥X1+Y1+…YnSn+X1

(1)

2.2 宏速模式

2.2.1 定义

宏速模式可以定义为：存在某一片区域MAX：Yn(n=1,…,n)使得接入“四维空间导航平台”的车辆Xk(k=1,…,k)以近似MAX∶V匀速方式行驶，则称该车辆Xk接入宏速模式(其中，MAX∶Yn表示最大化区域；MAX∶V匀速表示最大化匀速)。

宏速模式的本质是基于大数据动态规划和人工智能无人驾驶技术的应用平台。

2.2.2 效果举例

(1)例一:“如果我和一辆轿车B同时过路口，我极速前进几乎快要超速了，但却在下一个路口等红灯30 s，这时只见他匀速从我身边经过，恰巧在他到达下一个路口的时候绿灯了，我们又在同一起跑线上”。

显然，如果是以上情况则应该选择B方案；否则，应该选择A方案。那么，宏速模式会在不同情况进行A与B方案的切换。这里先选择B方案的原因有很多，A急速向前首先承担超速违规的风险、个人开车全神贯注更加消耗体力、加速踩刹车更加耗油、乘客更加不舒适等。

(2)例二:以行人视角观测车辆，车辆出现拥挤大多在“十字路口的信号灯”处。红灯时所有车辆停止在行人面前，信号灯“变绿”又极速驶过行人身旁，这给过马路的行人造成很不好的体验。在理想的宏速模式情况下，车辆在信号灯的约束下依然可以近似匀速前行(仿佛不存在信号灯)，使得车辆到达信号灯处恰好是绿灯通行。而“面向车辆信号灯红灯，面向行人绿灯”时，以行人的视角会发现车辆远未到路口，提升行人在过马路过程中的体验。

2.2.3 前置条件

假如有限多车辆接入宏速模式，那么某些道路将不再拥挤。

如上，可以理解为：当考虑第一辆车接入宏速模式中匀速时(其余车辆不接入宏速模式)，道路可能会拥挤；当考虑第二辆车匀速时，此时会对上一辆车的速度这一变量进行调节(可以快、可以慢)以达到两辆车最大化匀速，使得两辆车保持高速匀速状态，那么这两辆车构成的集合在该道路不会主动成为发生拥挤的“破坏因素”。最终使得更多车辆接入宏速模式，并使得在该路段所有车辆将以近似均衡的速度行驶在公路上，达到全局最优解。

归纳为，以一段道路为例，该道路下存在k(k=1,…,k)辆车，当这k辆车全接入宏速模式，那么这k辆车构成的集合理论上在该道路是不会拥挤的，但是存在没接入宏速模式的车辆会造成不可控因素的干扰。所以开启宏速模式时代的前提条件是进入L5级完全自动驾驶时代，并且宏速模式也是完全自动驾驶时代的必然产物。这样未接入宏速模式系统的L5自动驾驶的车辆会根据宏速模式k个车辆进行“侦查与反应”，根据宏速模式定义的内置条件以MAX∶V匀速行驶，即该车辆不会主动成为发生拥挤的“破坏因素”，那么L5完全自动驾驶车辆也不会主动成为发生拥挤的“破坏因素”，这两类车会形成很好的“默契”，使得该路段大概率是不会发生拥挤的。

常见的误区是进入L5完全自动驾驶时代，没有宏速模式也可以不发生拥堵。设想一下，当某一段路的车辆是L5完全自动驾驶的，这些车依然有可能停在交通信号灯(红灯)下。根据宏速模式定义，MAX∶Yn和MAX∶V匀速(最大化区域和最大化匀速)可以大概率规避该风险。

2.3 宏速模式的理论基础——四维空间导航

X轴、Y轴、Z轴向量，对应着三维空间真实世界，那么高德、百度地图导航(以下简称“地图导航”)起点A、终点B导航的路径规划即是对现实空间投影的二维向量。其舍去的Z向量(高度)由道路自身存在的高度来补充。

用户使用的地图导航通过北斗卫星或GPS进行实时定位以指导用户驾驶车辆。在L5的完全自动驾驶场景下，由地图导航引导车辆驶向目的地，由L5完全自动驾驶保障车辆安全，规避路障。当有大量完全自动驾驶的汽车(记作集合A)在某条道路上时，由宏速模式定义可知，该集合A未接入“四维空间导航平台”，将舍去两个MAX——最大化区域和最大化匀速，即：

存在某一片区域Yn(n=1,…,n)使得集合A的车辆可以V匀速方式行。

传统三维地图导航是对路径进行规划，是三维空间的二维平面。而四维空间导航比三维多一维，即时间T。

S÷T=V

其中，S是路程，T是时间，V是速度。

由上式可知，四维空间导航的本质是对车辆进行速度的规划，基于微分与积分的概念，四维空间导航可以规划车辆每一秒时间T所对应的速度V。这样，每一辆接入宏速模式的车在人工智能自动驾驶技术下，基于大数据动态规划可以实现基于宏速模式定义的最大化区域和最大化均速。

3 宏速模式的可行性

2030年，海南省率先将燃油汽车推出历史舞台，销售新能源汽车，带领我国进入新能源汽车时代。在5G网速的加持下，L5完全自动驾驶技术将伴随着新能源汽车在未来成为可能。

3.1 关于信号灯数据

宏速模式是基于大数据的动态规划和人工智能的无人驾驶技术发展而来，如果没有信号灯的数据，通过大数据的实时动态运算可得。基于车路协同中V2V(车与车)方法论，在该区域经过既定的路口的车辆只要足够多，那么接入宏速模式车辆可将参数传递给就近的5G基站、卫星或网关，到达四维空间导航平台基于以下两个公式进行运算。

TP(红灯时长)=MIN[DT(α1)-DT(α2)]≥0

TP(绿灯时长)=MIN[DTβ1-DTβ2]≥0

其中，TP：TimePlace该路口处；DT：DateTime时刻；α：通行时刻；β：停车时刻；时间具有一维性，那么α,β∈任意时刻[6]。

3.2 关于算力的保障

1965年，计算机第一定律：摩尔定律，被英特尔(Intel)创始人之一戈登 ·摩尔(Gordon Moore)提出。一直发展了半个多世纪，半导体芯片的集成化趋势一如该理论的预测，推动了整个信息技术产业的发展[5]。到2022年6月5G基站数达到185.4万个，算力产业链条持续完善，产业协同不断深化，包括算力基础设施、算力平台和算力服务等，具有国际竞争力的算力产业初步形成，一批具有示范效应的算力平台、数据中心相继落地。

据中国信通院测算，2021年，云计算规模超过3 000亿元，人工智能核心产业规模超4 000亿元。在“中国云”不断发展的背景下，车联网行业将会通过“云-管-边-端”为宏速模式提供巨大算力。更何况，一辆汽车存在足够的空间搭载本地服务器或台式电脑。综上所述，宏速模式将拥有足够的算力支持。

3.3 宏速模式下用户的区域划分

宏速模式的运算区域初期不会是以全国的范围，那样将需要非常强大的算力。我们可以划分不同的区域，这样的划分区域可以按照“国、省、市、县、乡”的等级划分，也可以按照地图导航平台或网约车平台的算法进行划分，至此不再赘述。

3.4 关于乘客舒适性保障——无感通行

基于马斯洛需求层次理论，该理论将人类需求分为5种，并将这5种需求进行了等级的划分，按照层次逐级递升，分为生理上的需求、安全需求、情感需求(爱和归属感)、尊重需求和自我实现的需求[7]。马斯洛认为只有当低一层次的需求被基本满足时，更高一层次需求才会被打开。

进入L5完全自动驾驶时代，车辆接入宏速模式，安全需求可以被满足。比安全需求更高一层是归属感需求，要想车辆具有“家”一样的属性，那么车辆除了需要封闭性以外还不能过于颠簸。由于惯性，理论上只要车辆不踩刹车，乘客是舒适的且不颠簸的。那么，将有两种满足方式，一种是车辆一直加速，这种显然不可能。另一种是车辆平稳运行，近似匀速行驶。

根据宏速模式定义可知，车辆接入宏速模式将有MAX∶Yn表示最大化区域；MAX∶V匀速表示最大化匀速，以不同速度的匀速，在多个不同的路段进行匀速行驶可以实现车辆“无感通行”。因此，可以满足马斯洛安全层次和归属感层次的需求。

4 结语

宏速模式是L5完全自动驾驶后的产物，在未来必将实现。回顾当下，本文首创性提出宏速模式的概念，基于自动驾驶车路协同的技术理念和思想，为交通问题提供全局最优解思路，其本质是基于大数据动态规划和人工智能无人驾驶技术应用平台。同时，希望国家完善自动驾驶、车路协同立法及标准规范，推动该领域不断发展，让宏速模式更早“面世”，造福人类。