自动驾驶在智慧城市中的挑战与进展

智慧城市中的自动驾驶汽车：最新进展、需求与挑战

摘要

近年来，自动驾驶技术以前所未有的速度 proliferate，催生了可靠且安全的交通服务。在可预见的未来，数百万辆自动驾驶汽车将相互通信，并在智慧城市中广泛普及。因此，需要可扩展、鲁棒、安全、容错和可互操作的技术来支持如此众多的自动驾驶汽车。本文通过构建分类法，研究、突出并报告了自动驾驶领域的前沿研究进展。我们列举并讨论了自动驾驶汽车成功部署的一些不可或缺的要求。此外，我们还发现并展示了自动驾驶领域的最新协同效应和典型案例研究。最后，本文识别并讨论了若干紧迫的开放研究挑战，作为未来研究方向。

引言

近年来，微型自动驾驶技术的普及通过使智能汽车成为日常交通的可行选择，彻底改变了城市。自动驾驶汽车通过执行碰撞避免、车道偏离预警和交通标志检测等智能操作，减轻了人类驾驶员的负担。此外，自动驾驶技术能够高效管理交通流，减少拥堵，并通过降低排放提高了燃油经济性[1]。自动驾驶汽车通过为老年人和残疾人提供可靠且安全的交通服务、解决停车问题以及消除大量由人为错误引起的事故，协助人们日常生活[2]。

高德纳咨询公司预测，到2020年底，将有两亿五千万辆汽车实现相互连接。另一份报告显示，人工智能（AI）市场的估值预计到2025年将达到110亿美元（访问时间：2018年10月25日 https://medium.com/datadriveninvestor/artificial-intelligence-and-autonomous-vehicles-ae-877feb6cd2）。IHS Markit 预计，基于AI系统的安装率到2025年将增长至109%。麦肯锡估计，自动驾驶汽车将产生可观的收入预计到2030年将达到4500亿至7500亿美元（访问时间：2018年10月28日，https://itpeernet-work.intel.com/5g-key-fully-realizing-connected-au-tonomous-vehicles/）。然而，自动驾驶汽车的发展需要在感知、规划与控制方面具备当代解决方案。尽管自动驾驶汽车通常配备了基于异构架构的强大计算和传感技术，但通信与网络技术、隐私与安全、实时数据分析、数据传输以及有限带宽等方面存在的诸多固有挑战，阻碍了自动驾驶汽车成为主流技术[3, 4]。已有大量研究工作致力于克服上述挑战。在本研究中，我们旨在探讨和分析自动驾驶技术领域的最新解决方案与进展。主要贡献如下。

• 我们通过构建一种分类法，来研究、突出并报告自动驾驶汽车领域的前沿研究进展。
• 我们列举并讨论了自动驾驶汽车成功部署的不可或缺的要求。
• 我们发现并展示了自动驾驶领域的最新协同效应和突出案例研究。
• 我们识别并讨论了未来的研究挑战。

这些贡献分别在不同的章节中提供，结论部分在最后一节中给出。

最新进展

自动驾驶等级

自动驾驶可以分为五个级别[5]。在一级中，大多数组件由人类控制，但某些功能（如转向和加速）可自动执行。在二级中，至少有一个驾驶辅助系统实现自动化。然而，驾驶员仍需随时准备接管车辆。在三级中，驾驶员仍然需要在汽车中，并且仅在必要时进行干预。尽管4级适用于完全自动驾驶汽车，但它仅涵盖少数驾驶场景。只有5级指的是完全自动驾驶汽车，预计在所有驾驶场景中的表现都能达到人类驾驶员的水平。

通信技术

现代通信技术的出现已将传统交通行业转变为智能交通。传统上，车辆之间的通信能力有限。然而，由于第五代（5G）标准能够确保低延迟并提供高速数据传输[6]，自动驾驶汽车的愿景正变为现实。自动驾驶汽车从多个来源发送和接收数据，例如交通信号灯、停车位、其他自动驾驶汽车以及云，这些都对高可靠性的通信技术提出了需求。

5G涉及的关键技术包括毫米波、波束成形、设备到设备通信和小基站技术。近年来，自动驾驶汽车的研究主要集中在专用短程通信（DSRC）和蜂窝车联网（C-V2X）标准方面。这些技术的一些不可或缺的特性，如低延迟、高吞吐量、网络切片、灵活性、高容量、高度定向性、更短波长和低成本，使其在自动驾驶汽车应用中表现出显著优势[7]。此外，5G网络与网络功能虚拟化（NFV）和软件定义网络（SDN）的结合，为自动驾驶汽车提供了强大的支持。

车辆长期演进（LTE-V）是一种基站驱动技术。LTE-V目前基于4G技术。然而，LTE-V未来可以向5G扩展。与专用短程通信相比，LTE-V提供广覆盖，并能够支持高速自动驾驶场景。无线保真（WiFi）和专用短程通信属于IEEE 802.11系列。在自动驾驶汽车中，WiFi可以用于信息传播和互联网接入[7]。专用短程通信是WiFi的升级技术，高效且专为汽车应用设计。蓝牙是一种低功耗、短距离、低成本的通信技术。然而，该技术不适用于实时自动驾驶应用。

ZigBee 的显著特性，如部署成本低、易于维护和电池寿命长，使其适用于车辆对车辆以及车对基础设施通信。超宽带（UWB）主要用于车内无线互连[7]。汽车之间的协同中继和机会路由有助于克服通信基础设施的间歇性问题[8]。

组件

自动驾驶汽车的七个核心组件包括超声波传感器、摄像头、雷达、红外线、激光雷达、本地数据处理器和全球定位系统（GPS）设备。超声波传感器有助于检测物体并确定距离。车载摄像头确保汽车以安全方式行驶。雷达利用无线电波技术确定周围物体的距离、角度和速度。红外线可为自动驾驶汽车提供夜视功能。激光雷达用于测距和感应刹车灯。本地数据处理器实现自动实时计算，从而在行驶过程中实现高速决策。全球定位系统（GPS）帮助追踪车辆位置，并引导其驶向设定目的地。

目标

自动驾驶汽车旨在减少燃料消耗、事故和拥堵，节省时间和空间，并改善残障人士和老年人的出行。在城市地区，人们通常要在交通中花费数十亿小时，从而导致燃料浪费。自动驾驶汽车所涉及的技术正是以此为目标进行开发的。它可以减少燃油消耗，因为预计排放量将减少60%。自动驾驶汽车有助于减少大量交通事故，这些事故通常由酒驾、恶劣天气、行人失误、超速行驶和人为错误引起，如图3所示。自动驾驶汽车的成功部署有望预防90%的道路交通事故。由于无需人工干预，自动驾驶汽车每天可能节省多达一小时的时间。这些汽车能够高效访问最新数据，以相应监控交通数据和地图，从而确定高度高效的路线。通过这种方式，可以缓解严重的拥堵问题。自动驾驶汽车的另一个目标是解决停车问题。自动驾驶汽车可以自动停入停车位，仅需很小的空间，从而为城市社区带来显著的节省空间效果。改善残疾人出行也是自动驾驶汽车的目标之一。

所需能力

尽管自动驾驶汽车需要具备多种能力，但其中有三项能力尤为关键。例如，自动驾驶汽车必须能够有效识别和追踪道路上的各种物体，如道路标志、交通信号灯和车道标记，这些是人类通过感知获得的。情境分析器使汽车能够实时计算和分析海量数据，从而帮助运动预测器做出一些智能决策。运动预测器基于人工智能算法，有助于应对驾驶过程中出现的紧急情况，例如行人横穿马路和不可预测的天气状况[9]。

人工智能

人工智能技术使自动驾驶汽车能够处理并理解由车辆自身产生的大量数据（摄像头、传感器、雷达、激光雷达、通信系统、全球定位系统、内部系统和机械传感器）[10]。自动驾驶汽车通常通过共享某些数据（如位置信息和内部系统状态）来相互协调。对这些数据应用人工智能解决方案，可使车辆具备视觉、听觉以及决策能力，如图4所示。具体而言，机器学习算法使自动驾驶汽车能够监测其周围环境，并据此做出预测。这些算法可分为四类：回归算法、模式识别、聚类算法和决策矩阵算法。对于自动驾驶汽车而言，深度学习技术可在语音识别、语音搜索、推荐机器翻译引擎、情感分析、图像识别和运动检测。

强化学习有助于控制运动，并为决策提供支持。同步定位与地图构建（SLAM）是一类技术，自动驾驶汽车可利用这些技术来绘制其所在区域的地图并确定自身在地图上的位置[11]。总之，基于人工智能的解决方案能够实现自动驾驶汽车的正确且安全运行。

新兴技术

自动驾驶汽车的新兴技术包括：边缘计算、车载云计算（VCC）、软件定义网络（SDN）、网络功能虚拟化（NFV）和命名数据网络（NDN）。

边缘计算的发展使自动驾驶汽车能够通过将传感器数据靠近车辆网络，高效地实时处理数据并发现模式，从而实现快速决策[12]。最近的一项研究表明，自动驾驶汽车每秒产生 0.75 GB 的数据，这对数据的快速存储和传输提出了需求，而边缘计算能够应对这一挑战。

基于SDN的方法可以实现自动驾驶汽车电子控制模块产生的异构数据之间的互操作性。促进这些数据源之间的交互可以带来创新和新的智能功能，显著提升安全性及乘客体验。通过互操作性功能，自动驾驶汽车可利用基于SDN的解决方案缓解高风险情况。车载云计算（VCC）通过利用车载资源（即计算、存储和互联网）用于决策，在交通管理和道路安全方面对自动驾驶汽车产生显著影响。网络功能虚拟化（NFV）能够分布式部署网络功能，并集中关注计算能力，从而实现高效利用。对于自动驾驶汽车而言，NFV使得支持5G的车辆能够聚焦于主要所需的服务和位置。此外，NFV有助于实现网络切片，进而在基于5G的车载网络基础设施上形成多个逻辑网络，每个切片专用于特定功能并提供安全保障。网络切片的主要优势之一是能够确保自动驾驶汽车安全获取关键数据。命名数据网络（NDN）消除了与地址相关的问题，并支持网络内缓存以及自动驾驶汽车之间的安全数据共享[13]。表1总结了这些新兴技术的优势。

新兴技术	自动驾驶汽车中的角色
边缘计算	• 提供存储和实时数据处理功能。 • 提供缓存服务，从而实现信息娱乐服务 • 非关键数据可以被卸载，仅保留关键数据在车辆内。
软件定义网络	• 确保最优资源利用。 • 使车载网络灵活且可扩展。 • 消除传统网络的静态特性。
车载云计算	• 高效道路交通管理。 • 通过即时使用车载资源确保道路安全。 • 按需弹性应用服务 • 动态交通灯管理。
网络功能虚拟化	• 有助于实现网络切片。 • 在空间、功耗和散热方面提供高效性能。 • 允许网络功能被分发。
命名数据网络	• 解决了由地址引起的问题，例如地址空间耗尽、网络地址转换穿越、移动性以及IP架构中的地址管理。 • 命名数据支持自动的网络内缓存。 • 为安全数据共享提供了增强的基础在自动驾驶汽车中。

需求

容错性

如何在人工干预极为有限的情况下，识别、定位并纠正自动驾驶汽车中的故障？

自动驾驶汽车采用一系列技术，例如摄像头、激光雷达、雷达和计算机视觉，以及软件包来处理控制功能。然而，由于这些汽车集成了现代技术，它们极易受到硬件或软件故障的影响。机械/电气系统的基础可能导致一段时间的服务中断，从而引发致命事故。故障管理过程包括确定故障位置、限制故障范围，并随后在尽可能减少人工干预的情况下进行故障排除。然而，该过程的实施带来了新的挑战。因此，必须开发用于故障定位及故障排除的新型技术。确保使用高鲁棒性传感器以及结合故障预防措施的方法论至关重要。

严格延迟

如何使具备严格延迟感知的计算和存储能力的自动驾驶汽车能够支持信息娱乐和大数据分析？

边缘计算将计算和存储资源推向网络末端，以执行延迟敏感任务。在路侧单元缓存内容可减少延迟，避免以远程方式访问内容。边缘计算与缓存相结合，在实现自动驾驶中的信息娱乐和大数据分析方面可发挥关键作用。自动驾驶汽车会产生大量数据，其中大多数为非结构化类型，其处理需要强大的分析能力以生成可操作数据。利用边缘计算和缓存技术，也可高效地在汽车内提供信息娱乐服务，因为云计算由于位置偏远已不再可行。然而，设计和开发能够在自动驾驶汽车中通过运用边缘计算和缓存技术高效提供信息娱乐服务的算法，具有高度挑战性。

高鲁棒性架构

如何设计一种能够以低复杂度有效控制异构执行器、主计算机和传感器的高鲁棒性架构？

车辆必须执行复杂的操作管理，包括定位、规划、控制和驾驶，以及异构传感器以实现自动驾驶。通常，自动驾驶汽车配备了移动机器人技术、自动驾驶产业、计算技术（如云计算和边缘计算）以及通信技术。每种技术都有其自身的规格和需求。因此，需要新颖且高鲁棒性架构来实现并集成这些技术到自动驾驶汽车中。自动驾驶汽车的架构可以是集中式或分布式。在集中式系统中，由中央实体控制自动驾驶汽车的传感器和执行器。而在去中心化方法中，传感器和执行器被分布在多个子单元中。与分布式架构相比，集中式系统管理简便，但计算复杂度较高。在自动驾驶中，整个系统的规模预计将非常庞大。因此，去中心化方法非常适合构建具有低计算复杂度和高鲁棒性的系统。除了复杂度之外，分布式的特性还进一步增强了系统的容错性，这是自动驾驶中的主要关注点之一。同时，自动驾驶汽车的架构连同其他路侧单元必须设计成能够通过接入网络实现自动驾驶汽车、云和边缘节点之间高效通信的结构。

资源管理

如何在自动驾驶汽车之间高效管理通信、计算、存储和能源资源？

在自动驾驶中，通信资源可确保汽车之间的连接性。为了确保这些资源得到最优利用，可以采用基于优化的各种方案、博弈论和混合方法。尽管边缘计算为自动驾驶汽车提供了计算和存储服务，但在管理和功能方面带来了新的挑战。在能源资源方面的一个可行选择是高效利用势能和动能存储，实现自适应能量速度，从而支持自动驾驶汽车的经济驾驶。例如，在爬坡时降低速度、下坡时提高速度是较为理想的做法。未来，应设计有效的速度控制方案，以实现自动驾驶汽车的高效运行。

定位

如何精确确定自动驾驶汽车的位置以进行路径规划和决策？

定位过程包括两个阶段：使用传感器进行环境信息采集，然后精确估计其位置。在复杂场景中，利用惯性测量单元和全球定位系统计算车辆的位置是一项具有挑战性的任务，由于可见卫星数量不足，可能导致不准确的读数。也可以使用激光雷达的定位方案。然而，激光雷达传感器的高成本限制了其实际应用。因此，必须开发使用低成本硬件且能在动态城市环境中生成精确结果的新方案。

安全与隐私

如何防止自动驾驶汽车获得未授权访问以避免事故？

在汽车自动化的各个级别中，5级极易受到安全威胁，因为它旨在实现无需驾驶员的驾驶。黑客可能会劫持汽车并利用其引发事故和伤害。除了事故之外，黑客还可以将乘客锁在车内以索取赎金。通常，对自动驾驶汽车的潜在/可能攻击可分为两类：物理访问攻击和中间人攻击。黑客可以物理接触汽车并在其中安装恶意软件。此外，黑客还可以篡改通信信号。应设计新颖且有效的认证算法，以避免未授权访问，从而实现安全的自动驾驶。

自动驾驶协同与案例研究

本节简要描述了不同制造商报告的自动驾驶汽车案例研究。本节提供了四个案例研究中使用的功能和不同传感器的概述。

梅赛德斯-奔驰F 015 潮流奢华

梅赛德斯-奔驰F 015（访问时间：2018年10月23日 https://media.daimler.com/mars-MediaSite/en/instance/ko/Overview-Mercedes-Benz-F-015-Luxury-in-Motion.xhtml?oid=9904624）是一款自动驾驶研究车辆，其设计理念由梅赛德斯-奔驰团队提出，旨在融合移动性的各个方面，为用户提供前所未有的豪华体验。该车辆的主要特性包括车内包括四张可旋转的休息椅，在车门打开时能够向外摆动30度。除了车内设计外，这款自动驾驶汽车的关键特性是通过六个显示屏实现外部世界、车辆与乘客之间的信息交换。梅赛德斯-奔驰 F 015采用视觉和听觉通信方式与周围环境进行通信。F 015将在前后端使用激光和发光二极管，以向其他车辆和行人传递视觉信号。该车型将使用3D视频摄像头、激光雷达、红外传感器以及不同范围（如低、中、高范围）的雷达，以实现自动驾驶功能。尽管梅赛德斯-奔驰F 015提供了车道保持辅助、带制动自动化的自适应巡航控制和自动转向等多项优势，但该技术仍处于初级阶段。

特斯拉Autopilot

特斯拉Autopilot（访问时间：2018年10月24日，https://www.theverge.com/2018/10/20/18000884/tesla-full-self-driving-option-gone-musk-autopilot）旨在提供一种高级驾驶辅助系统，以实现自动泊车、自适应巡航控制、车道居中和自动变道功能。2014年，首款Autopilot应用于特斯拉Model S，仅提供自动泊车和半自动驾驶功能。随后，特斯拉Autopilot 7.0版本于2015年10月发布，Autopilot 8.0于2016年8月推出。在Autopilot 8.0中，雷达相较于摄像头被视为主要传感器。最新的特斯拉(9.0)版本提供了匝道入口到出口功能。同时，初始版本的Autopilot硬件1（2014年Autopilot）包含一个单色摄像头、用于人工查看而非自动化的后视摄像头以及12个超声波传感器。硬件2（2016年增强版Autopilot）则包含了前向雷达、前向摄像头、前向侧视摄像头、后向侧视摄像头、后视摄像头以及12个超声波传感器。2018年，一辆搭载特斯拉Autopilot的车辆与一辆静止车辆发生碰撞。手册显示，该事故由交通感知巡航控制功能引发，该功能无法检测所有物体，尤其是在车速超过50英里/小时的情况下。

宝马VISION iNEXT

宝马VISION iNEXT（访问时间：2018年10月21日，https://www.bmwgroup.com/BMW-Vision-iNEXT）是在2016年国际消费电子展上展示的一款自动驾驶汽车概念车，旨在为用户提供完全互联、全自动和高度自动驾驶服务。该项目由Mobileye、英特尔和宝马联合开发，计划于2021年首次上路。宝马VISION iNEXT的驾驶员可自由选择亲自驾驶或由汽车自动驾驶。该车型设想通过全景天窗照明、相对布置的座椅以及后部的长条座椅，提供娱乐、交互服务和舒适体验。驾驶员区域配有带两个数字显示屏的方向盘。根据驾驶员参与程度的不同，汽车可切换两种模式：增强模式和舒适模式。前者适用于传统的手动驾驶，后者则使车辆变为自动驾驶汽车。宝马VISION iNEXT计划使用多种传感器、电池和基于芯片的激光雷达进行开发。此外，宝马VISION iNEXT 旨在以三种不同形式采用含蓄技术：智能光束、智能材料和智能个人助理。

丰田雷克萨斯LS 600hL

丰田已推出雷克萨斯LS 600hL（访问时间：2018年10月28日 https://www.theverge.com/2018/1/4/16849422/toyota-self-driving-car-platform-3-lexus-lidar）自动驾驶汽车。该汽车具备多项功能，如自适应前照灯系统、高端导航系统、直观泊车辅助系统、盲点监测、预碰撞检测系统、碰撞避免、雷达巡航控制和车道保持辅助系统。此版本的丰田自动驾驶汽车在更远视野功能方面相较于旧版本有所提升。车辆顶部安装了由Luminar开发的四组长距离激光雷达，以实现更远视野。此外，在防风雨面板下方还安装了一组摄像头和激光雷达。短程激光雷达传感器安装在汽车的前后保险杠上。这些低位安装传感器可考虑儿童安全，并检测道路上的异常活动。

开放研究挑战

本节讨论阻碍自动驾驶汽车成功部署的五个紧迫的研究挑战。目的是为在该领域工作的研究人员和开发者提供解决这些挑战的指南。表2总结了这些挑战以及相关指南。

安全

尽管在自动驾驶汽车成为道路上的主流之前仍有许多明显的问题需要解决，但安全问题是其中引人关注的问题之一。自动驾驶汽车通常基于信息物理系统，因其同时包含物理环境和虚拟环境中的元素，从而使安全维护变得极具挑战性。自动驾驶汽车不仅容易受到传统网络攻击（如GPS干扰与欺骗、毫米波雷达攻击、激光雷达传感器攻击、超声波传感器攻击、摄像头传感器攻击、遥控钥匙克隆、远程信息处理服务攻击、通过更新进行地图篡改、重放获取、盲区范围传感器以及拒绝服务停车空间）的影响，但也涉及新型攻击（如勒索软件和汽车盗窃）带来的多种风险。自动驾驶汽车通常通过异构网络（如电力基础设施、沿道路两侧部署的传感器网络以及交通控制系统）进行连接，这也带来了安全风险。未来，必须广泛开发针对自动驾驶汽车的强大且万无一失的防御解决方案，以使其在智慧城市中得到广泛应用。

雷达干扰管理

激光雷达通常安装在自动驾驶汽车的车顶和车身，用于导航目的。雷达通过探测周围物体对无线电波的反射来实现感知。根据反射信号返回所需的时间，可以测量汽车与物体之间的距离，并据此执行适当操作。当雷达技术应用于数千辆联网汽车时，会出现干扰问题，从而导致频谱利用效率低下。在密集的城市社区中，该干扰问题可能导致雷达发生危险的致盲现象，进而阻碍自动驾驶汽车的广泛部署。文献[14]提出了一种名为RadarMAC的解决方案，以应对雷达干扰问题。然而，该方案尚处于初级阶段，因此仍需提出更多解决方案来有效处理雷达干扰问题。

异构车载网络

自动驾驶汽车具有高度移动性，从而导致拓扑结构快速变化，因此难以通过单一无线接入网络（如专用短程通信和长期演进（LTE））提供充足的服务。专用短程通信网络主要设计用于支持短距离通信，并未考虑普适通信基础设施。实时信息是自动驾驶汽车的主要需求之一，但由于涉及大量汽车，使用LTE网络无法满足该需求。同时，自动驾驶汽车通常会产生大量数据，超出了传统车载网络的管理能力。解决上述挑战的一种可能方案是通过构建异构车载网络来集成不同的无线接入网络，从而满足自动驾驶汽车的某些通信挑战[3]。然而，多个车载网络的集成又带来了新的挑战，必须加以解决。

用于自动驾驶汽车的人工智能

尽管基于人工智能的自动驾驶汽车无法完全类比于人脑，但现代人工智能算法有助于实现道路行驶的安全高效。例如，基于深度学习的解决方案可以帮助识别前方道路上的突发障碍物，而强化学习则可使汽车控制运动并辅助决策过程[15]。然而，开发能够对自动驾驶汽车收集的大量多样化数据进行实时分析的此类解决方案，变得极具挑战性。通过边缘计算概念将分析能力部署在自动驾驶汽车附近，可以弥补严格的延迟要求[5]。随后，基于数据融合的解决方案结合现代人工智能算法，可实现对数据的精确分析，从而提升决策能力。具体而言，边缘计算与人工智能的融合是获取车辆数据实时洞察的理想解决方案。然而，这一融合也带来了新的问题，需要在未来加以解决。

边缘辅助自动驾驶汽车

云计算使自动驾驶汽车能够高效地存储和处理其数据。然而，由于自动驾驶汽车需要高效传输大量数据，无线网络的有限带宽常常导致云计算性能下降。通过边缘计算概念可以缓解网络性能瓶颈。这设想将计算能力贴近车辆，从而满足自动驾驶汽车[5]的各种关键需求，如可靠性、时序、功耗和能耗。然而，随着汽车连接性及其数据量的迅猛增长，将服务部署到车辆网络附近常常变得极为关键，因为在功能、管理和负载方面存在可扩展性问题。此外，大量设备之间的连接导致数据激增，可能阻碍边缘节点在满足自动驾驶汽车严格延迟要求的情况下对大规模数据进行分析。必须充分考虑并解决与边缘相关的各种问题，以实现自动驾驶汽车的成功部署。

挑战	原因	指南
安全	• 缺乏复杂的软件解决方案。 • 缺乏频繁的软件更新。 • 信息物理系统的参与。	• 量子密码学和基于区块链的安全算法以缓解与传感器相关的内部和外部威胁。 • 深度防御理念。 • 正确分析日志。 • 部署机器学习模型。
雷达干扰管理	• 道路交通流量大。 • 缺乏碰撞检测与避让算法。 • 在重叠频段上运行的多个雷达位于同一区域。	• 处理射频噪声以及识别和分类障碍物的雷达。
异构车载网络	• 大量联网汽车的参与。 • 网络容量有限。 • 拓扑结构的快速变化。	• 基于异构基础设施集成不同的无线接入网络。
用于自动驾驶汽车的人工智能	• 缺乏实时数据分析解决方案。 • 异构类型的复杂数据集。	• 边缘计算与人工智能的融合。 • 基于数据融合和深度学习的解决方案。
边缘辅助自动驾驶汽车	• 大量数据生成。 • 在功能、管理和负载方面的可扩展性问题。	• 高性能内存 • 在最合适的位置部署边缘节点。

结论

在本文中，我们首先通过构建分类法，探讨、强调并报告了自动驾驶领域的前沿研究进展。接着，我们列举并讨论了自动驾驶汽车成功部署所需的六个不可或缺的需求。我们发现并展示了自动驾驶汽车领域的最新协同效应和重要案例研究。此外，我们揭示并讨论了未来研究挑战。我们得出结论：尽管自动驾驶汽车通过提供可靠和安全的交通服务正在协助人们，但其部署也带来了必须在未来加以解决的关键挑战。