为什么实现车路协同比造一辆特斯拉还难？| 郭继舜带你读汽车科技
编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。
本栏目由广汽研究院智能驾驶技术部部长，广汽 L3/L4 无人驾驶技术总监郭继舜博士与汽车之心联合出品，每周一至周五更新，每日一期，内容独家授权汽车之心发布。
今天的汽车科技解读，我们来聊聊 5G 和 V2X。
5G 在智能交通和智能城市上的应用正变得炙手可热。
前段时间，上海发布新基建行动方案，首批重大项目 3 年投资 2700 亿元。
其中，洋山港「5G 自动驾驶重卡」项目已经在 2019 年成功开展示范运营。
今年 4 月 20 号，江苏省交通运输厅公布《江苏省智能交通建设实施方案》，到 2022 年，江苏建成一批智慧交通基础设施试点示范工程并加快推广；完成南京、苏州等一批智慧公交试点，全面实现 5G 在南京禄口机场等重要交通枢纽的覆盖与应用。
本月，2020 年 5 月 8 日上午，广州举办首批数字新基建重大项目签约及揭牌活动。73 个总投资规模约 1800 亿元的重大数字新基建项目集中签约、揭牌。
其中，南沙区签约的 18 个新基建项目建成后，将成为粤港澳大湾区首个全自动化码头和全国 5G 应用示范工程。
回到智能驾驶的角度来看 5G。
今年 2 月份，发改委、科技部、工信部等十一部委联合发布了《智能汽车创新发展战略》，战略中较为明确地把车路协同、C-V2X 作为我国智能汽车发展的重要技术方向之一。
前些天，2020 年 5 月 6 号，交通运输部发布了《关于深入推进公路工程技术创新工作的意见（征求意见稿）》，新基础设施建设成为大交通行业炙手可热的话题，BIM 信息化技术、人工智能、智能感知、5G 通信、路端传感器、车路协同和边缘计算等技术。
以我工作的广汽研究院为例，我们在 2018 年年底部署了三大运营商的 5G 试验网，实现了实时远程驾驶、车路协同无人驾驶典型工况等技术内容。
前两年省市区领导来交流指导工作，主要关注的是智能驾驶的量产技术、L4 无人驾驶的示范运营政策支持等，但今年调研的重点就是 5G 的智能驾驶应用。
政策的支持对于一个技术的发展是非常重要的，所以我非常坚定地认为，中国 5G V2X 一定会走出自己的特色。
5G 技术大家都比较熟悉了，经过这段时间的媒体信息轰炸，我们基本都能说出 5G 的一些技术特点，大带宽、低时延、高可靠性、多并发数。
相较于 4G，5G 具有更高的网络速率，峰值网络速率可达到 10Gbps，网络传输速度比 4G 快 10-100 倍。
智能驾驶的更多非结构化信息可以利用大带宽这个特点进行实时传输。
5G 还有更低的网络延迟，空口时延理论值从 4G 的 50 毫秒缩短到了 1 毫秒，当然，现阶段因为和 4G 共用了主干网，会对整体的信号延迟率有影响。
测试现阶段在我们研究院部署的 5G 试验网的空口时延在 20-30 毫秒，初步能满足研发的需求。
体现 5G 大带宽和低时延的典型应用是远程驾驶，驾驶者使用 5G 网络传输车载高清摄像头画面，实时操纵一辆远在千里的车辆。
这个地方我要专门强调一下，并不是 4G LTE-V 网络不能做信息的传输，只是由于时延等性能限制，我们现在基于 LTE-V 网络的研发主要还是集中在车辆信息预警上，真正要操作车辆行驶，5G 网络才能满足一系列严苛的信息传输要求。
高可靠性就使得信息传输在量产车型上更容易满足车规和功能安全的要求，多并发数让单车智能能够扩展为超大规模的群体智慧的智能汽车集群，这个很像蜂群或者蚁群。
简单地说完 5G，再跟大家聊聊车路协同。
车路协同，简单理解就是智慧的车+聪明的路。在路端部署多种传感器设备，摄像头、毫米波雷达、激光雷达等。车路协同和智能驾驶所使用的车载传感器是同构的。
将路上的信息结构化之后，把信息传输到边缘计算端、云端和附近的车上。车路协同，
在解决方案上被称为 V2X，包括车对车（V2V），车对路/基础设施（V2I），车对云（V2N），以及车对人（V2P）等四类。
某种程度上，由于各方参与者身份的多样性及工程的复杂性，远远超过想象，车路协同的实现难度甚至比造一辆 L4 级无人车的难度还要大，至少比造一辆特斯拉难多了。
换句话说，当商业产品与交通基础设施发生了业务碰撞，就变得异常严肃和不那么性感了。
譬如，在我们向一些无人驾驶公司与车联网软件公司提及「车路协同」这个概念时，他们的第一反应往往是「这应该是政府牵头主导的事情」，或是「网络运营商是不是应该承担更多责任」。甚至是——「为什么这个好几年的老掉牙的话题，又一次被重拾起来了？」
这个老话题有另一段故事，就是美国政府搞了 20 年的 DSRC，我们后续有机会可以好好讲讲。
一般来说，车路协同主要涉及三个端口：车端、路端和云端。
其中路端和云端因为车路协同环境下计算节点下沉至边缘层，也就是经常说的部署在路上的边缘计算单元。
再考虑到三个端口间信息传输渠道的重要性，对于车路协同系统平台是由以下三个核心部分组成：
智能车载系统(车端)、智能路侧系统 (路端+云端) 和通信平台。
其中，智能车载系统负责车载端的海量数据实时处理和多传感器数据融合，保证车辆在各种复杂的情况下稳定、安全行驶；
智能路侧系统负责路况信息搜集与边缘侧计算，完成对路况的数字化感知和就近云端算力部署；
通信平台负责提供车-车、车-路间实时传输的信息管道，通过低延时、高可靠、快速接入的网络环境，我们现在使用的就是 5G 网络，保障车端与路侧端的信息实时交互。
三者恰好构成智慧交通场景下协同感知与协同决策的闭环。
为什么智能驾驶需要车路协同呢？
第一个原因，车载传感器视距比较短，往往只有 200 米，遮挡、恶劣天气等对于单车传感器感知能力影响明显。
「单车视角」不如「车+感知基站的上帝全知视角」更快更全面地感知到路面异常情况。
其实也可以这么理解：单车采集到的数据量、数据类别以及数据质量，要远远逊色于车与路况信息打通后的数据。而反过来看，多样化数据对于单车自动驾驶软件与高精地图质量的进一步优化，也有重要的推动作用。
第二个原因，如果未来路段设施健全了，那些相对昂贵的车载传感器可以去掉，用相对简单的车载传感器实现基本安全，用路端传感器和边缘计算实现智能性。这样能极大降低智能汽车的普及成本。
第三，刚才讲到了，单车智能容易陷入局部最优，群体智慧的实现才能使全局效率最大化。举两个例子，在高速公路上行驶的重卡，如果能够实现编队行驶，编队后部的车辆由于风阻减小，能够节省最高 16% 的燃油消耗。
我们曾经做过仿真，如果在十字路口实现车路协同技术，十字路口的通过能力将提高至少 3.8 倍。
当然，车路协同技术也不乏反对者。
譬如无人驾驶技术领域毋庸置疑的领袖级公司——Waymo 的现任 CEO John Krafcik 就曾在一次汽车论坛上直率而又不失礼貌地表达了对 V2X 的拒绝态度：
「虽然我们挺喜欢 V2X 或 V2V 的这些想法，这对我们很有帮助。但是如果你依赖 V2X，你就不可能拥有一辆真正的自动驾驶汽车。要等待的时间太长了，我们真的不依赖外部基础设施来让车完成周游世界的使命。」
欧美大多数企业还是坚持单车智能的技术路线，其背后原因，更多是对欧美政府进行基础设施建设的效率没信心。
我们不否认，围绕车路协同的新基础设施建设确实需要投入大量的人力物力和社会资源，短时间内的商业模式也在探索，路端设备逐渐完善也是一个长期的事情。
我的理解，我们可以分三步逐渐完成路端的建设和应用。
未来一到两年，在关键的十字路口、丁字路口、环岛建设路端传感器和边缘计算单元，实现对人类驾驶员的信息预警功能，初步提升关键交通路段的通过能力；
未来三到五年，在关键的十字路口、丁字路口、环岛使用 5G 网络加上完备的路端传感器，实现对关键路段车辆的协同控制，实现关键交通路段的局部智能驾驶；
未来十年，实现在高速公路、城市道路的网络部署，传感器部署，边缘计算单元部署，实现全交通场景的车路协同。
对于车路协同，我们用一句话作总结：实现车路协同，特别是涉及到基础设施的改造，仍然必须是一场由政府主导的交通大变革。
在中国做这件事有中国的特色，各级执行力都特别强，我们会走出一条更安全稳定的智能驾驶之路。
往期回顾：
关于主讲人郭继舜博士：高级工程师，广汽研究院智能驾驶技术部部长，广汽 L3/L4 无人驾驶技术总监。
中国电子科技大学本科，台湾清华大学、苏黎世联邦理工学院硕士，斯坦福大学博士。加入广汽研究院前，先后在 Google X-Lab，EMC2 中国研究院，百度深度学习研究院从事人工智能技术研发，2017 年广州市高层次引进人才。
ACM/ICIP 亚洲区金牌，日本文部科学省学者奖，Erasmus Mundus 全额奖学金，海峡两岸杰出学者奖等。先后主持和参与 973 国家重点基础研究项目、国家重大基础研究专项、教育部新世纪优秀人才项目等，在 CVPR，ICCV，IJCAI 等国内外顶级期刊和会议上先后发表论文二十余篇，获得中美发明专利共 32 项。
本期制作
主讲：郭继舜 监制：王德芙
编辑：叶方 后期：陆非
设计：陈溪阳 运营：林芝芝
「汽车之心·行家说」预告