如何通过边缘数据融合来提高自动驾驶车辆的安全性？

边缘作为交通基础设施的新元素

现代自动驾驶车辆依赖于传感器数据，但传感器的视野有限。遮挡、弯道和密集交通会妨碍对远处物体的检测。基于边缘的解决方案可以通过结合来自多个来源（自动驾驶车辆和固定单元 (RSU)）的数据来解决这个问题。在这种情况下，出现了互联自动驾驶车辆 (CAV) 的概念，它们协同工作以创建共享的世界模型。然而，关键挑战在于信息传输时间--数据必须是最新的，才能对路径规划系统有意义。

Conductor 解决方案引入了一种新方法：与其在车辆级别进行本地融合，不如从固定的视角（例如固定单元 (RSU)）创建一个集成的世界模型。这可以更好地识别场景，尤其是在车辆无法看到超出其传感器范围的区域中。

用于实时应用的动态数据选择

边缘系统中的主要挑战是时间限制--必须在特定时间范围内处理和传递数据，该时间范围被称为信息时效性 (AoI)。如果信息太晚，则会失去价值。对于 Conductor 而言，系统不会接受所有车辆的数据，而是动态地选择那些能够带来最大收益的车辆。关键在于一个感知遮挡的selector：优先选择来自检测到 RSU 视野中未覆盖区域内物体的车辆的数据。

这意味着该系统不仅收集数据，而且还可以智能地决定哪些数据最有价值。结合时间控制器，它可以调整每次迭代中用于融合的数据量和轨迹预测的数量，从而即使在高负载下也能保持在 AoI 时间限制范围内。

模拟测试：在实际条件下的有效性

在CAV仿真基础设施上进行的研究表明，Conductor解决方案满足与信息时效性（AoI）相关的安全要求，即使同时有最多31辆自动驾驶汽车参与。这一点很重要，因为在实际的交通环境中，车辆数量可能很多，并且系统必须可靠地运行。

数据融合值接近理想模型（Oracle）所达到的水平，这意味着该系统能够有效地利用可用数据。此外，其结果明显优于随机选择用于数据融合的车辆所获得的结果--这表明智能的数据选择对系统的质量有实际影响。

解决方案的重要性和局限性

Conductor解决方案尚未部署在实际车辆或道路基础设施中--这是一个基于仿真的演示。这意味着，在考虑到网络干扰、硬件多样性和不可预测的驾驶员行为等因素的情况下，其在现实条件下的有效性仍未得到证实。此外，该系统需要车辆和固定单元之间的时间同步和稳定的通信，这在实践中可能很困难。

尽管如此，这项研究表明了一个重要的发展方向：自动驾驶系统的未来不仅在于开发车辆上的传感器，还在于智能地利用基础设施以及车辆之间的协同作用。边缘数据融合可以成为交通安全和效率的关键要素。

解决方案的重要性和局限性

Conductor解决方案虽然基于仿真，但为未来的交通开辟了新的视角。其关键创新在于将边缘数据融合用作基础设施的一部分，它不仅提高了安全性，还改善了物流效率并降低了在人口稠密城市区域发生碰撞的风险。通过基于遮挡意识的智能数据选择，该系统能够有效地弥补自动驾驶车辆传感器的局限性，这在城市环境中尤其重要，因为弯道、建筑物和其他障碍物会妨碍视野。值得强调的是，这种方法对于大规模部署联网自动驾驶汽车（CAV）可能至关重要，在这种情况下，车辆数量和场景的复杂性都很高。

然而，在商业化之前，必须克服一些实际限制。这不仅需要稳定且低延迟的通信网络，还需要车辆和固定单元（RSU）之间的时间同步，这在现实条件下由于不断变化的网络条件可能很困难。此外，硬件多样性、不同的通信标准以及潜在的干扰可能会影响传输到边缘的数据质量。因此，虽然仿真结果令人鼓舞，但将其转移到实际环境需要进一步的研究，即在高逼真度测试环境中进行研究，并加强车辆制造商、基础设施运营商和监管机构之间的合作。在未来，此类解决方案可能成为智能城市的标准，但这只有在克服技术和组织障碍之后才能实现。