唐潔 劉少山

摘要：高精度地圖作為無人駕駛應(yīng)用中輔助駕駛的重要手段，在高精度定位、輔助環(huán)境感知、控制決策等方面發(fā)揮著重要作用。邊緣計算將計算、存儲、共享能力從云端延伸到網(wǎng)絡(luò)邊緣，使用“業(yè)務(wù)應(yīng)用在邊緣，綜合管理在云端”的模式，非常適合于部署更新頻率高、實時服務(wù)延遲低、覆蓋面積廣的高精地圖服務(wù)。結(jié)合眾包的邊緣地圖服務(wù)已經(jīng)成為高精地圖更新的主要方式，有著重要的應(yīng)用前景。

關(guān)鍵詞：高精地圖;無人駕駛;邊緣計算;眾包

Abstract： High-precision map plays an important role in autonomous driving， and it is the important foundation for high-precision positioning， environmental perception and control decision. Edge computing extends computing， storage and data sharing from cloud to network edge thus it is very suitable for deploying high-precision map services. With the mode of "deployment in edge， management in cloud"， edge high-precision map service can provide high update frequency， low real-time service delay and wide coverage area. Combined with crowdsourcing， edge high-precision map has become the applicable and promising solution for low-cost and high-precision map updating.

Key words： high-precision map; autonomous driving; edge computing; crowdsourcing

無人駕駛作為目前人工智能行業(yè)最受關(guān)注的應(yīng)用場景之一，擔(dān)當(dāng)著革新汽車行業(yè)甚至是交通運輸業(yè)未來的重要使命。無人駕駛能夠真正地解放人類雙手，提高行車安全，通過更普及的運力共享，在緩解交通擁堵的同時可大大地減少對環(huán)境的污染。隨著無人車的普及，無人駕駛將成為未來智慧公共出行的主要方式，是未來智慧城市的重要聯(lián)結(jié)之一[1]。

在無人駕駛應(yīng)用中，高精地圖是其必不可少的實現(xiàn)基礎(chǔ)。高精地圖是對物理世界路況的精準(zhǔn)還原，通過道路信息的高精度承載，利用超視距信息，和其他車載傳感器形成互補，打破車身傳感的局限性，實現(xiàn)感知的無限延伸。以底層的高精度地圖數(shù)據(jù)為基礎(chǔ)，在此之上疊加動態(tài)交通數(shù)據(jù)，通過高速通信完成交通信息的實時更新以及駕駛預(yù)警推送，為無人駕駛行車決策提供強有力的指導(dǎo)[2-3]。

相比于傳統(tǒng)的電子地圖，高精地圖具有數(shù)據(jù)高精度、信息高維度以及高實時性的特點。隨著感知范圍的延伸和傳感精度的提高，高精度地圖有能力構(gòu)建更精確的定位、更廣范圍的環(huán)境感知、更完備的交通信息，從而為無人駕駛提供感知、定位、決策等多種支持[4-5]。高精度地圖不僅僅包含對道路靜態(tài)元素10～20 cm厘米精度的三維表示，如車道線、曲率、坡度和路側(cè)物體等，還包括了駕駛環(huán)境中各種動態(tài)信息，如車道限速、車道關(guān)閉、道路坑洼、交通事故等。此外，高精地圖還發(fā)展出個性化駕駛支持，包括各種駕駛行為建議，如最佳加速點及剎車點、最佳過彎速度等，以提高無人駕駛的舒適度。

目前，全球圖商以及無人駕駛車商，如百度、Google、高德、HERE、TomTom等已經(jīng)組建了自有專業(yè)地圖采集車隊，通過配置有攝像頭和激光雷達等設(shè)備的高精度地圖采集車掃描獲得街景圖像數(shù)據(jù)和3D激光點云數(shù)據(jù)，經(jīng)過后臺的自動化建圖流程，結(jié)合人工糾錯與標(biāo)注，最終形成多層次地圖數(shù)據(jù)疊加的高精度地圖，并進行發(fā)布。然而，自建專業(yè)采集車隊極其昂貴、維護成本開銷大且覆蓋與更新面積有限，難以實現(xiàn)高精度地圖生產(chǎn)的實時更新或修復(fù)自愈。地圖眾包是高精度地圖生產(chǎn)與服務(wù)提供的新方向。利用（半）社會車輛在行駛過程中完成傳感數(shù)據(jù)采集，通過邊緣計算節(jié)點的數(shù)據(jù)清理、聚合和壓縮等優(yōu)化手段，可以將抽取過的關(guān)鍵感知數(shù)據(jù)推送至云端，在利用云端的強大算力使用多源數(shù)據(jù)完成對地圖數(shù)據(jù)的更新，最后再把增量更新與動態(tài)實時交通存儲在邊緣緩存，根據(jù)車輛的駕駛場景，完成對高精地圖數(shù)據(jù)的推送與預(yù)取。由此可見，邊緣高精地圖服務(wù)是自動駕駛在邊緣計算場景下的一大典型應(yīng)用，在減少成本開銷的同時，實現(xiàn)覆蓋更為廣泛的、更高頻的、更實時的地圖數(shù)據(jù)服務(wù)。

通過眾包機制，利用多車傳感在邊緣計算端與云端進行協(xié)同，實現(xiàn)高精度地圖的構(gòu)建與實時更新;并通過邊緣緩存向車輛實時發(fā)布高精度地圖的動態(tài)層數(shù)據(jù)與靜態(tài)更新，以輔助車輛的無人駕駛。這一未來無人駕駛典型應(yīng)用需要解決3大方面的問題：（1）如何以邊緣節(jié)點為中心，根據(jù)邊緣智能感知的車輛動態(tài)分布進行感知任務(wù)分配，并對匯集的群智信息的時空有效性與數(shù)據(jù)質(zhì)量進行評估和控制;（2）多車輛傳感數(shù)據(jù)如何在邊緣節(jié)點自動化地進行過濾、聚合、協(xié)商，以得出對交通態(tài)勢的動態(tài)描述，抽取出對靜態(tài)更新的一致性感知結(jié)果，其中包括如何通過有序協(xié)作對感知數(shù)據(jù)進行動態(tài)融合，從而提高感知準(zhǔn)確性、全面性，減少信息冗余度;（3）根據(jù)感知數(shù)據(jù)的時空特征和車輛的分布規(guī)律，如何利用邊緣環(huán)境中具有時空約束的服務(wù)數(shù)據(jù)緩存與分發(fā)，把確認(rèn)后的地圖更新與實時交通狀況傳播到其他相關(guān)車輛中，為無人駕駛服務(wù)提供細(xì)粒度、準(zhǔn)確、高時效的數(shù)據(jù)基礎(chǔ)。

1 高精地圖

高精地圖是高精度、高維度、高實時的地圖數(shù)據(jù)綜合。在數(shù)據(jù)精度上，相比電子地圖米級的數(shù)據(jù)誤差，高精地圖的相對精度誤差不超過20 cm。相比電子地圖中簡單的道路模型，高精地圖包含了道路標(biāo)志、車道邊界、車道坡度、彎道曲率等多維度的豐富信息。同時，通過與車聯(lián)網(wǎng)以及車到萬物（V2X）等技術(shù)的結(jié)合，高精地圖還將更新實時交通信息以及天氣狀況等。所有這些路況信息是高精地圖輔助實現(xiàn) L3～L5級無人駕駛的基礎(chǔ)。如圖1所示，高精度地圖在無人駕駛中發(fā)揮著重要作用。通過比對車載傳感環(huán)境信息與高精地圖信息，可以得到車輛在地圖中的厘米級精確位置，實現(xiàn)車輛的高精度定位[6]。利用先驗知識，高精地圖信息可以輔助環(huán)境感知，從而降低車載環(huán)境感知的難度[7]。高精度地圖現(xiàn)已精確到車道模型，可以預(yù)知前方多種道路信息，實現(xiàn)提前減速和避讓，完成更有效的局部駕駛規(guī)劃。通過5G等通信手段，結(jié)合V2X交互支持，可以實現(xiàn)超距離路況感知與預(yù)警，完成更智能、更實時的全局駕駛規(guī)劃。

1.1 高精地圖數(shù)據(jù)組織

高精度地圖作為自動駕駛的必要支撐，在維持底層車道數(shù)據(jù)精確性的同時，必須具備進行動態(tài)路況信息實時更新的能力，并發(fā)展出基于車主不同駕駛習(xí)慣的個性化駕駛支撐能力。因此，高精地圖需分為2個層級：最底層是靜態(tài)高精地圖層，需提前進行裝載;上層是動態(tài)高精地圖層，在行車過程中不斷更新。

為了提升存儲效率和可讀性，靜態(tài)高精地圖在存儲時又繼續(xù)劃分為矢量層和特征層。特征地圖是對路面信息的準(zhǔn)確刻畫，主要驅(qū)動于高精度定位的需求，能夠很好地完成地圖道路匹配與定位。矢量地圖是在特征地圖基礎(chǔ)之上進一步的抽象、處理和標(biāo)注。它的容量更小，并能夠通過其中的路網(wǎng)信息完成點到點的精確路徑規(guī)劃，這是高精度地圖使能的一大途徑。如圖2所示，矢量層包含車道模型、道路部件、道路屬性數(shù)據(jù)。這些語義元素被簡化和抽取出來，補充到幾何構(gòu)建的道路結(jié)構(gòu)中，形成新的矢量地圖數(shù)據(jù)。其中，車道模型中包含了車道線、車道中心線、車道屬性變化等信息，可以輔助車輛完成橫向定位，并且執(zhí)行交通規(guī)則，比如指導(dǎo)車輛在虛線區(qū)域內(nèi)進行并線，在車道分離點前完成變道。通過對比車載傳感數(shù)據(jù)與交通標(biāo)志牌等道路部件信息，可以修正車輛縱向定位和航向。即便在沒有檢測到任何道路特征的情況下，也可以通過高精地圖的航位推算進行短時間的位置推算。車道模型中曲率、坡度、航向、橫坡等數(shù)學(xué)參數(shù)，可以決策車輛準(zhǔn)確的轉(zhuǎn)向、制動、爬坡等行為。這部分?jǐn)?shù)據(jù)因為道路翻新和維護出現(xiàn)頻繁變化，需要有效地利用邊緣群智感知進行更新。

動態(tài)高精地圖層構(gòu)建在靜態(tài)層之上，增加了道路擁堵情況、施工情況、交通事故、交通管制情況、天氣情況等動態(tài)交通信息。這些動態(tài)要素通過5G等通信手段在車車之間、車與邊緣節(jié)點之間、多邊緣節(jié)點之間進行收集、處理與發(fā)布，將及時地反映在高精地圖上以輔助決策確保無人車行駛安全。

1.2 高精地圖傳感器類型

高精地圖的生產(chǎn)依賴于多個傳感器數(shù)據(jù)的融合。高精地圖數(shù)據(jù)采集時使用的傳感器種類不一定與無人駕駛時使用的傳感器相同。為保證L4或者L5無人駕駛的要求，高精地圖生產(chǎn)需要的傳感器主要包括圖3中的幾種類型。

· 光學(xué)攝像頭。通過車載攝像頭，可以捕捉車身周圍交通環(huán)境的靜態(tài)信息，通過對圖片中關(guān)鍵交通標(biāo)志、路面關(guān)鍵信息的提取，來完成對地圖的初步繪制。目前，基于圖像的深度學(xué)習(xí)技術(shù)發(fā)展遠(yuǎn)超過基于3D點云的深度學(xué)習(xí)，對于各種地物的提取具有較高的精確率和較低的召回率，可以非常清晰地提取道路邊線和交通標(biāo)識等信息。這些都是攝像頭作為高精地圖感知手段的重要優(yōu)勢。然而，攝像頭傳感要求外部環(huán)境光線充足，因此采集工作只能在白天進行[8]。

· 陀螺儀（IMU）。IMU配備有6軸運動處理組件，包含了3軸加速度和3軸陀螺儀，分別檢測在上下、左右、前后這3個方向上的加速度和角速度信息，以此解算出物體的姿態(tài)，提供短時內(nèi)較為準(zhǔn)確的定位。但是，從加速度推算出運動距離需要經(jīng)過2次積分，隨著時間漂移所產(chǎn)生的誤差將不斷增大。因此，僅依賴IMU無法完成長時間的車輛位置精確預(yù)測，高精地圖的生產(chǎn)往往需要精度較高的IMU，所使用的IMU價格一般在數(shù)萬到幾十萬之間[9]。

· 輪測距器。車輛的前輪通常配備了輪測距器，分別記錄左輪與右輪的總轉(zhuǎn)數(shù)。通過分析每個時間段內(nèi)左右輪的轉(zhuǎn)數(shù)、向左右轉(zhuǎn)動的角度等，可以推算出車輛前進的距離和位置。但是，不同的地面材質(zhì)（如冰面與水泥地）上的轉(zhuǎn)數(shù)對距離轉(zhuǎn)換存在偏差。所以單靠輪測距器并不能精準(zhǔn)預(yù)測無人車位置，但對于高精地圖的制作不是必須的傳感器。

· 全球定位系統(tǒng)（GPS）。GPS作為使用最廣的定位系統(tǒng)，在無人駕駛定位和高精地圖制作中都發(fā)揮著舉足輕重的作用。GPS使用4顆或更多衛(wèi)星的位置（儲存在星歷中）計算出地面接收器與每顆衛(wèi)星之間的距離，然后利用三維空間的三邊測量法推算出車輛的位置。民用GPS的單點定位精度一般在米級，差分GPS通過增加一個參考基站的方法可提高定位精度至厘米級[10]。但是在復(fù)雜環(huán)境中，一旦出現(xiàn)信號阻擋的情況，GPS多路徑反射（Multi-Path）的問題會導(dǎo)致幾十厘米甚至幾米的誤差。同時GPS的定位頻率較低，最高僅為10 Hz，目前通常使用GPS和IMU連接組成慣性導(dǎo)航系統(tǒng)，利用低頻率的GPS數(shù)據(jù)校準(zhǔn)高頻率但易漂移誤差的IMU數(shù)據(jù)，進而完成相對高頻率、高精度的融合數(shù)據(jù)。

· 激光雷達（LiDAR）。激光雷達通過向目標(biāo)物體發(fā)射一束激光，然后根據(jù)接收-反射的時間間隔確定目標(biāo)物體的實際距離。根據(jù)距離以及激光發(fā)射的角度和感光測量數(shù)據(jù)，通過簡單的幾何變化即可推導(dǎo)出物體的三維空間位置信息和光強度信息。使用激光雷達能夠快速獲得道路及周邊環(huán)境的三維點云數(shù)據(jù)和光強度信息，完成對檢測到物體的初步判斷。激光雷達的工作條件基本不受時間影響，白天黑夜都可以工作。但是，激光雷達對環(huán)境要求較高，在大雨、濃煙、濃霧、大雪等惡劣天氣里都會受到很大的影響。同時，激光雷達并不能識別和理解交通標(biāo)志牌、信號燈等內(nèi)容，需要借助光學(xué)攝像頭來捕捉并提取這部分信息。最重要的是，激光雷達價格昂貴，尤其是高線束激光雷達的量產(chǎn)率比較低，價格居高不下，導(dǎo)致激光雷達的部署成本過高，難以落地。

· 多傳感器融合。如表1所示，單一傳感器很難全天候工作，并且在實際應(yīng)用中不同傳感器有著不同的特性。比如，GPS傳感器能夠直接測量出每個時間點車輛的全局位姿，但是這些直接測量結(jié)果通常不會很精確。激光雷達和攝像頭的每次采樣測量結(jié)果均是在局部坐標(biāo)系，但是兩者包含了豐富且準(zhǔn)確的局部測量信息，很多相對的位姿信息可以被抽取出來豐富地圖的語義。因此，在制圖中均采用多傳感器融合的方法。多傳感器數(shù)據(jù)融合就是把所有的車載傳感器數(shù)據(jù)標(biāo)定到統(tǒng)一的車輛坐標(biāo)系（如x軸向前，y軸向左，z軸向上）上，并盡可能利用各種離散時空數(shù)據(jù)，計算出車輛每個時間點在全局坐標(biāo)系下的三維位姿。一旦有了全局車輛的位姿信息，就可以完成各類傳感數(shù)據(jù)局部測量結(jié)果融合。

2 高精地圖的制作

如圖4所示，高精度地圖的構(gòu)建由數(shù)據(jù)采集、地圖生產(chǎn)、人工驗證、地圖更新發(fā)布4個過程組成。

2.1 數(shù)據(jù)采集

目前主流的高精度地圖數(shù)據(jù)采集可以分成3大陣營。其一，自由專業(yè)采集體系是圖商利用自建的高精專業(yè)采集車進行上路采集。其二，行業(yè)采集生態(tài)是利用如物流車、出租車等車輛上的GPS、攝像頭等回傳實時的道路軌跡和路況信息，這也是現(xiàn)在導(dǎo)航地圖中使用的交通動態(tài)信息采集方法之一。其三，眾包模式。在自動駕駛時代，普及后的每輛無人駕駛車上的激光雷達、攝像頭等傳感器無時不刻都在采集道路信息。這些傳感信息可以被用來完成對高精地圖的更新發(fā)現(xiàn)與實施。邊緣地圖更新就是利用眾包在提供邊緣地圖服務(wù)的同時，收集服務(wù)車輛的傳感數(shù)據(jù)，利用邊緣智能完成對地圖多層級數(shù)據(jù)的迭代。

第一陣營的代表是谷歌、百度等，他們擁有專業(yè)的地圖測繪車車隊，可完成封閉的集中式制圖。目前，谷歌汽車已經(jīng)完成了累積超過1 931 212.8 km的無人駕駛高精度地圖測繪[11]。然而專業(yè)的地圖采集車造價非常昂貴，成本達到800萬元，相對精度在10 cm之內(nèi)，這顯然是單純依靠攝像頭提供視覺方案的眾包模式所無法實現(xiàn)的。第三陣營的代表是 Mobileye。Mobileye借助不同品牌大量級的車載攝像頭獲取數(shù)據(jù)來源，并針對自動駕駛情景，將重點放在路上的各種導(dǎo)流標(biāo)志、方向標(biāo)識、信號燈等，依靠這些建立的路標(biāo)，從微觀上在行駛過程中為車輛提供指引。

未來在無人駕駛發(fā)展和應(yīng)用中，3種模式將長期共存。地圖采集車高昂的造價限制了地圖數(shù)據(jù)大范圍、高頻率的采集更新，因此這部分?jǐn)?shù)據(jù)將作為高精地圖基礎(chǔ)數(shù)據(jù)。在此之上，物流車等半社會化商用車和私用車將以眾包模式實現(xiàn)對高精度地圖數(shù)據(jù)的補充和更新;而邊緣地圖服務(wù)正是基于此種應(yīng)用需求，在網(wǎng)絡(luò)側(cè)完成對眾包車輛對道路多源描述的整合。

2.2 地圖生產(chǎn)

地圖生產(chǎn)主要涉及位姿修正、數(shù)據(jù)預(yù)處理、位置檢測和語義生成4個環(huán)節(jié)[12]。這一過程將會利用激光點云識別技術(shù)、深度學(xué)習(xí)圖像識別技術(shù)以及大數(shù)據(jù)的處理能力等實現(xiàn)多種傳感數(shù)據(jù)的自動融合、識別、語義標(biāo)注等。一般來說，采集的設(shè)備越精密，采集的數(shù)據(jù)越完整，需要算法修正的不確定性就越大，像Google、HERE等公司已有低分辨率的母圖做基礎(chǔ)，只需要疊加更多立體圖層和語義層。相反，如果采集的數(shù)據(jù)誤差越大，就越需要依賴算法彌補數(shù)據(jù)的缺陷，對算法要求更高。在邊緣地圖服務(wù)中，來自不同車輛的傳感信息本身就存在著各自的誤差。同時，不同的傳感數(shù)據(jù)描述通常是對同一事件的抽象，這就對傳感數(shù)據(jù)的邊緣抽象、融合、處理水平提出了較高要求。

2.3 人工驗證

人工驗證這一環(huán)節(jié)由人工完成。自動化驗證的數(shù)據(jù)還不能達到百分百的準(zhǔn)確，需要人工再進行最后一步的確認(rèn)和完善。

2.4 地圖更新發(fā)布

地圖更新發(fā)布主要針對靜態(tài)地圖層的道路的修改和動態(tài)地圖層的突發(fā)路況、交通事故等。最終形成的地圖更新可在云平臺決策之后經(jīng)由邊緣節(jié)點和車間通信進行內(nèi)容的分發(fā)。

3 邊緣場景下的高精地圖服務(wù)

由于高精度地圖對數(shù)據(jù)更新提出了很高的要求，實時更新和實時同步是高精度地圖應(yīng)用過程中繞不開的2大問題。為了解決這2點，云平臺是高精地圖所不可或缺的。但是，云平臺在高精地圖中的直接應(yīng)用面臨2個難點：（1）實時更新、數(shù)據(jù)同步的困難;（2）云平臺制圖能力的有限性，包括但不限于數(shù)據(jù)收集、運算、交互、分發(fā)等。因此，高精地圖生產(chǎn)與服務(wù)更需要從云-邊緣-端的角度推進，在分散云中心計算壓力的同時，還要強化云-邊緣-端之間的聯(lián)系以及網(wǎng)絡(luò)側(cè)本身的計算、收集與發(fā)布能力。

因此，從高精地圖的產(chǎn)品形態(tài)和服務(wù)方式的角度，通過邊緣計算服務(wù)對高精地圖數(shù)據(jù)進行實時更新與分發(fā)是一種可行的方式。根據(jù)邊緣計算產(chǎn)業(yè)聯(lián)盟的定義，邊緣計算是在靠近設(shè)備或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，融合網(wǎng)絡(luò)、計算、存儲、應(yīng)用核心能力的開放平臺，就近提供邊緣智能服務(wù)，以滿足行業(yè)數(shù)字化在敏捷聯(lián)接、實時業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護等方面的關(guān)鍵需求[13-14]。基于邊緣計算的高精地圖服務(wù)包括地圖生產(chǎn)和地圖發(fā)布2部分內(nèi)容。邊緣地圖生產(chǎn)服務(wù)通過實時收集各車的行駛數(shù)據(jù)來增強交通時態(tài)的收集密度，擴充道路情況信息的感知范圍，并通過對感知數(shù)據(jù)的預(yù)處理實現(xiàn)有效的內(nèi)容提取和無關(guān)語義去除等。邊緣地圖發(fā)布服務(wù)通過邊緣緩存能力進行地圖數(shù)據(jù)發(fā)布，將大大地緩解數(shù)據(jù)更新的緩存開銷和到達延遲，實現(xiàn)更貼近用戶的數(shù)據(jù)服務(wù)和行車預(yù)警。

高精地圖對于地圖數(shù)據(jù)處理有著特殊的要求：一是低時延，在車輛高速運動過程中，要實現(xiàn)動態(tài)地圖中的碰撞預(yù)警功能，通信時延應(yīng)當(dāng)在4 ms以內(nèi);二是高可靠性，高精度地圖服務(wù)于無人駕駛，相較于普通數(shù)據(jù)處理，高精地圖的傳感數(shù)據(jù)處理需要更高的可靠性。與此同時，車輛的高速運動以及可預(yù)見的傳感數(shù)據(jù)量爆發(fā)，對于時延和可靠性的要求也將越來越高。邊緣計算在局域內(nèi)即可實現(xiàn)對實時傳感數(shù)據(jù)的聚集、分析與抽取，一方面將分析所得結(jié)果以極低延遲（通常是毫秒類）傳送給區(qū)域內(nèi)的其他車輛，一方面將抽取后的信息推送至云端，以便地圖云完成對更新的決策。通過利用邊緣計算的位置特征，地圖數(shù)據(jù)就可實現(xiàn)就近存儲，因此可有效降低時延，非常適合于動態(tài)高精地圖中防碰撞、事故警告等時延標(biāo)準(zhǔn)要求極高的業(yè)務(wù)類型。同時，邊緣計算能夠精確地實時感知車輛移動，提高通信的時效與安全。在此方面，德國已經(jīng)研發(fā)了數(shù)字高速公路試驗臺來提供交通預(yù)警服務(wù)，該試驗臺用于在長期演進（LTE）環(huán)境下在同一區(qū)域內(nèi)進行車輛預(yù)警消息的發(fā)布[15]。相比集中式高精地圖服務(wù)，邊緣高精地圖服務(wù)擁有以下的特性：

· 低時延。邊緣高精地圖服務(wù)利用V2X 等近距離通信技術(shù)來提升行車安全與交通效率。目前邊緣節(jié)點有效范圍內(nèi)的主要通信方式是專用短程通信（DSRC）、蜂窩通信（LTE-V2X）、5G-V2X。5G網(wǎng)絡(luò)延遲可以達到毫秒級，峰值速率可達10～20 Gbit/s，連接密度可以達到100萬/千米2，可保障大規(guī)模行車場景下的4 ms碰撞預(yù)警時間。這使得駕駛反饋更加迅速，改善了用戶安全與用戶體驗。