[论文解读] Integration of Vehicular Clouds and Autonomous Driving: Survey and Future Perspectives

Yassine Maalej, Elyes Balti|arXiv (Cornell University)|Jan 8, 2022

Vehicular Ad Hoc Networks (VANETs)被引用 4

一句话总结

本文提出了一种统一的车联网（VCs）与自动驾驶（AD）集成框架，通过融合V2V/V2I通信、云计算和人工智能驱动的感知技术，提升车辆感知能力、安全性和协同效率。研究表明，将VC的分布式计算与AD的深度学习及传感器融合相结合，可实现实时三维环境理解，降低对车载处理的依赖，并通过协同感知提升决策能力。

ABSTRACT

For decades, researchers on Vehicular Ad-hoc Networks (VANETs) and autonomous vehicles presented various solutions for vehicular safety and autonomy, respectively. Yet, the developed work in these two areas has been mostly conducted in their own separate worlds, and barely affect one-another despite the obvious relationships. In the coming years, the Internet of Vehicles (IoV), encompassing sensing, communications, connectivity, processing, networking, and computation is expected to bridge many technologies to offer value-added information for the navigation of self-driving vehicles, to reduce vehicle on board computation, and to deliver desired functionalities. Potentials for bridging the gap between these two worlds and creating synergies of these two technologies have recently started to attract significant attention of many companies and government agencies. In this article, we first present a comprehensive survey and an overview of the emerging key challenges related to the two worlds of Vehicular Clouds (VCs) including communications, networking, traffic modelling, medium access, VC Computing (VCC), VC collation strategies, security issues, and autonomous driving (AD) including 3D environment learning approaches and AD enabling deep-learning, computer vision and Artificial Intelligence (AI) techniques. We then discuss the recent related work and potential trends on merging these two worlds in order to enrich vehicle cognition of its surroundings, and enable safer and more informed and coordinated AD systems. Compared to other survey papers, this work offers more detailed summaries of the most relevant VCs and ADs systems in the literature, along with some key challenges and insights on how different technologies fit together to deliver safety, autonomy and infotainment services.

研究动机与目标

• 解决车联网（VCs）与自动驾驶（AD）之间研究碎片化的问题，尽管两者具有强大协同潜力，但长期独立发展。
• 识别并分析VC与AD系统集成中的关键挑战，包括通信、网络、安全和实时协同。
• 探讨VC如何通过分布式数据处理和协同感知，减轻车载计算负担并增强AD能力。
• 研究人工智能、计算机视觉和深度学习在实现自动驾驶车辆高级三维场景理解与决策中的作用。
• 全面概述现有技术、标准（如WAVE、DSRC）和系统架构，以指导未来集成工作。

提出的方法

• 系统性调研150余篇近期VC与AD相关研究，重点关注通信协议、网络模型和基于AI的感知系统。
• 分析WAVE和DSRC等通信标准，包括信道分配（CCH/SCH）、MAC层协议（AODV、DSR、GPSR）以及用于安全消息的地理广播路由。
• 评估车载云计算（VCC）架构，包括基于QoS和成本的云选择机制，以及路边单元（RSUs）作为微型数据中心的作用。
• 将多传感器数据（激光雷达、摄像头、GNSS）与AI技术（如CNN、RPN、MRF）结合，实现完整场景标注与三维地图构建。
• 提出一种协同框架，车辆通过共享BSM（基本安全消息）和CAM（协同感知消息）构建实时、分布式的三维地图。
• 评估AD系统中容错软件组件，包括目标检测、传感器融合、路径规划和控制系统，突出其在验证与可靠性方面的不足。

实验结果

研究问题

• RQ1 如何有效集成车联网（VCs）与自动驾驶（AD）系统，以提升自动驾驶车辆的情境感知与决策能力？
• RQ2 在通信、网络、安全和实时协同方面，融合VC与AD技术面临的关键技术挑战是什么？
• RQ3 VC在多大程度上可通过卸载感知与规划任务，减轻单个车辆的计算负载？
• RQ4 新兴的人工智能与计算机视觉技术（如CNN、SLAM、三维场景重建）如何与基于VC的数据共享协同，以提升AD性能？
• RQ5 标准化通信协议（如WAVE、DSRC）和QoS感知的云选择在实现可靠、低延迟的VC-AD集成中发挥什么作用？

主要发现

• VC可通过将感知与规划任务卸载至分布式云资源，显著降低车载计算负载，提升系统可扩展性与效率。
• 通过融合多传感器（激光雷达、摄像头）数据与协同V2X消息，实时三维环境重建成为可能，实现更精确、更鲁棒的感知能力。
• 如前向碰撞预警（FCW）和盲点预警（BSW）等关键安全应用，得益于V2V与V2I通信，可使模拟中事故风险降低高达30%。
• 将CNN与RPN等AI技术与基于VC的数据共享结合，可显著提升目标检测与场景理解能力，尤其在复杂城市环境中表现更优。
• 现有标准如WAVE与DSRC已成熟并具备部署条件，预计到2020年全球将有超过2.5亿辆具备无线通信能力的车辆，支持可扩展的VC-AD生态系统。
• 尽管已有进展，AD系统中的容错软件组件——尤其在传感器融合、路径规划与控制方面——仍发展不足，缺乏严格验证，构成重大安全风险。