自动驾驶车联网中通感算融合研究综述与展望

马忠贵，李 卓，梁彦鹏

北京科技大学计算机与通信工程学院，北京 100083

车联网（Internet of vehicles，IoV）基于3GPP（3rd generation partnership project）全球统一标准的通信技术，可实现车辆与周边环境和网络的全方位通信，包括车与车（Vehicle-to-vehicle，V2V）、车与路（Vehicle-to-infrastructure，V2I）、车与人（Vehicle-topedestrian，V2P）、车与网络（Vehicle-to-network，V2N）等，为自动驾驶和智能交通管理应用提供环境感知、信息交互与协同控制能力[1].车联网产业是车辆、电子通信和交通等领域进行融合的新兴行业，是当下世界研究热点和未来发展的核心领域，将使自动驾驶和智慧交通焕发新的生机[2].

根据ITU-R WP5A（International telecommunication union）中的定义：车联网是指具备车与外界（Vehicle-to-everything，V2X）通信能力、并具有SAE（Society of automotive engineers）3 级至5 级的自动化功能的车辆互联.自动化功能包括SAE 2 级高级驾驶辅助系统，以及SAE 3 级至5 级自动驾驶系统.这些系统使用传感器，如摄像头、红外线、声纳、超声波、毫米雷达和激光雷达，结合计算机算法来执行不同程度的自动车辆控制.V2X 通信通过获取车载传感器探测范围之外的信息，提供自己车辆的信息，通过V2X 连接与其他车辆和基础设施相互交流意图，以及绘制其他道路使用者(如车辆)的位置和意图，扩展了高级驾驶辅助系统的感知范围，并具有实时(非视距)“看到”和“交谈”其他物体的能力.这可以在自动驾驶系统的基础上，提高自动驾驶控制的安全性和效率.

自动驾驶车联网为了自适应满足极低的通信时延、极高的可靠性、更大的传输速率等极致性能需求，需要提升车联网感知、通信和算力自适应能力，它不再只是单纯的传输管道，而是能够实现“云-边-端”一体化的协同通信、感知和计算，需要进行通感算的深度融合.但遗憾的是，现有车联网中通信、感知、计算属于独立的学科和技术领域，长期以来相互割裂、独立分治.鉴于第六代移动通信技术（6G）将引入潜在的毫米波频谱和太赫兹，将传统定位、探测、成像等感知功能和无线通信功能融合，同时利用“云-边-端”一体化算力进行计算处理，实现通感算的深度融合，因此，需要凝练出“自动驾驶车联网中通信、感知、计算内生融合”的重大科学问题，充分发挥通感算一体化协同优势，实现自动驾驶的高效性.

1 研究意义

传统的通信、感知、计算等多系统采用割立分治设计与性能优化的方式已不能满足自动驾驶车联网场景下宽带感知信息的极低时延、极高可靠传输需求.同时，随着5G-Advanced 系统迈向支持更广阔的toB（to Business）垂直行业领域，它将面临更复杂多变且异构组网的用户环境和数字多维空间，这要求5G-Advanced 终端和5G-Advanced 网络都具备更强的环境感知、计算和智能能力，实现通感算的深度融合[3].为了突破自动驾驶车联网中通感算融合的架构壁垒，需要探索如何构建资源可解耦、能力可扩展、架构可重构的通感算融合网络架构以及通感算融合的资源管理技术.然而，目前对于自动驾驶车联网中通感算融合相关的研究还处于起步阶段，主要体现在以下几个方面：（1）现有的相关研究工作，大多集中于通感、通算、感算等双边能力的融合方面，而对通感算三者的深度融合，尚处于愿景与设想阶段，迄今并未有深入且全面的融合基础理论和关键技术予以支撑.（2）针对自动驾驶车联网海量数据、泛在感知节点能耗和感知范围受限等问题，需要继续研究如何建立基于车联网通信的“云-边-端”一体化信息交互与数据共享机制以及实现“云-边-端”一体化的高效感知.（3）针对车联网网络状态时空动态变化及全场景业务差异化需求导致的通信容量受限问题，融合网络资源管理需以感知辅助的通感融合波束管理技术为核心，以多维资源相互制约的耦合关系为理论依据，研究相适配的干扰管理和多域资源管理机制，为实现高性能、高可靠、低开销、低能耗的通感算融合提供技术支撑.（4）为了满足自动驾驶车联网的强算力需求，计算模式也需向“云-边-端”一体化部署的泛在式架构发展，以打破传统的中心化计算模式；同时，围绕强算力、高算效网络这一核心问题，探索算力网络编排与调度技术，构建实时、智能、绿色的算力网络，为自动驾驶车联网中通感算融合提供高效的算力支撑.

2 国内外研究现状及发展动态分析

自动驾驶车联网的感知依赖雷达定位、摄像头成像以及各种传感器探测，同时也离不开通信，通信可以将收集到的各种数据传输到边缘节点进行计算；同时，在云-边-端一体化高效算力的支持下实现的高精度感知和高效通信.通感融合网进一步提升了协同移动计算的鲁棒性.因此，自动驾驶车联网中通信、感知、计算（下文简称通感算）三大功能互相关联、互为促进[4]，如图1 所示.车联网利用感知实现对环境中通信节点的位置、速度等参数的获取，有助于实现通信系统中的快速波束对准、周围设备识别、干扰管控和多址接入的功能；对通信功能进行提升，也可以增强车联网的协同感知能力和提升感知资源分配效率，削弱雷达干扰；超强算力有助于支持高精度感知、高效率通信.此外，感知数据还可以对计算数据的降维起到一定的辅助作用，通信网络可支持“云-边-端”一体化的协同运算.

图1 自动驾驶车联网中通信、感知、计算三大功能关联关系Fig.1 Relationships of communication,sensing,and computing in the internet of vehicles for autonomous driving

为了解决“自动驾驶车联网中通信、感知、计算内生融合”这一科学难题，下面拟分别从通感算融合网络架构、通信和感知融合领域、通信和计算融合领域、感知和计算融合领域四方面重点阐述国内外相关研究现状与发展趋势.

2.1 通感算融合网络研究现状

随着5G 技术的成熟以及大规模商用，全球逐步展开了对6G 的研究和攻关，6G 技术具备高可靠性（99.99999%）、大规模超低延迟（10～100 μs）以及高可扩展性，可满足未来自动驾驶超低时延、极高可靠性的需求.2021 年6 月，欧盟正式启动了最新一轮框架计划—Horizon Europe 研究周期（2021—2027 年)，并发布6G 愿景白皮书，以期保持欧洲在科技领域的领先地位，其中负责6G 研究的Smart Networks and Services Joint Undertaking 明确将通信感知融合作为6G 的标志性技术，得到了各国学术界和标准组织的广泛关注.在中国，IMT-2030 6G 推进组于2021 年成立了通信感知融合任务组，负责面向6G 的通信感知一体化预研.美国太赫兹与感知融合技术研究中心重点研究了通信感知融合技术，包括太赫兹超高速通信与超高精度成像.

在交通强国战略指引下，2021 年12 月2 日，百度李彦宏编写的《智能交通：影响人类未来10—40 年的重大变革》[5]一书由人民出版社出版，该书对车路协同自动驾驶、L4 级以上高级别自动驾驶的技术难点与突破进行了系统性论述，助力自动驾驶落地.C-V2X（Cellular V2X）与车路协同是未来智能交通和自动驾驶的重要使能.这其中就涉及到对通感算融合的资源管理问题，表1 介绍了在通感算融合资源管理研究领域中的代表性论文.

表1 通感算融合的资源管理研究领域的代表性论文Table 1 Representative papers in the field of communication-sensing-computing-integrated resource management

通过表1 可以发现，国内外研究学者在通感算融合的资源管理方面取得了一些进展，但是仍然存在以下局限性：现有研究工作主要考虑在车联网场景下如何部署边缘计算能力来解决通信任务卸载的问题.但是，不同传输速率和时延保障能力的车联网无线传输技术，将对分布式边缘计算任务的卸载量产生哪些影响、计算任务如何卸载与协同优化，都尚未在自动驾驶车联网场景下考虑.此外，现有研究工作没有考虑到自动驾驶车联网的传感器资源引入后，将对通信与计算资源的协同优化产生何种影响.不同车辆的感知结果在时间和空间上差异显著，信息获取的相对参考系不同，如何将自动驾驶场景下的被检测目标身份与时空位置信息建立联系，是感知资源利用的难题.而且，通信、感知、计算等多维资源协同优化将受到自动驾驶业务的传输速率、时延等条件的限制，尚无全面而深入的多维资源协同优化方法.车联网高动态环境导致通信、感知和计算等多维资源先验信息难以准确认知，多样化业务需求与多维资源的匹配和利用缺乏智能适应环境变化的能力，资源利用率低，无法满足自动驾驶车辆宽带感知信息的极低时延、极高可靠传输需求.通过研究自动驾驶车联网中通感算多维资源协同优化技术，可为提升通感算融合系统的性能提供关键技术支撑.

近年来，学术界与工业界对通、感、算之间的融合技术进行了研究.2020 年11 月，中国移动在世界5G 大会提出了6G 通感算融合的一体化框架.国际标准化组织/国际电工委员会发布了ISO/IEC 30165:2021《物联网—实时物联网框架》[13]，给出了自动驾驶等时间强约束无人化业务的通感算融合物联网系统框架.北京邮电大学冯志勇团队的尉志青等针对单车感知无法满足未来自动驾驶安全需求的现状，面向多车传感器信息融合与时效性共享问题，提出了基于感知-通信-计算融合的智能车联网方法与解决思路[14].Qi 等[15]提出了感知-通信-计算融合的蜂窝物联网体系架构和关键技术.北京邮电大学的王文博团队的闫实等指出，为了提升6G 网络内生智能感知和算力自适应能力，迫切需要对通信、感知、计算的融合理论基础与关键技术开展探究.从通感算融合网络结构上看，主要由中心网云、一体化网元和分布式终端构成，中心网云与一体化网元协同管理分布式终端数据的收集与计算[16].但是，现有的相关研究工作，大多集中于通感、通算、感算等双边能力的一体化方面，而对通感算三者的深度融合，尚处于愿景与设想阶段.下面分别对通感、通算、感算融合方面的研究现状进行综述.

2.2 通信和感知融合方面的研究现状

车联网通过无线接入技术让道路上安装了车载设备单元的车辆可以与行人、相邻的智能网联汽车、路侧设备单元（Road side unit，RSU）或者基站等实体便捷地进行各种信息的交换和传播.自动驾驶汽车配备了多种传感器，如用于计算机视觉的摄像头、用于测量距离的超声波雷达、用于检测地球表面的激光雷达、用于温度和湿度测量的数字温湿度传感器、用于确定物体的距离、角度或速度的毫米波雷达等，以及感知周围环境各种信息的其他传感器.自动驾驶汽车捕获的数据正在激增，通常每辆车每天产生20～40 TB 的数据[17-18]，包括摄像头成像速率(20～40 MB·s-1)、声纳传输速率(10～100 KB·s-1)、毫米波雷达检测速率(10～100 KB·s-1)、激光雷达检测速率(10～70 MB·s-1)等.但“单车智能”无法实现“完全自动驾驶”，蜂窝车联网（C-V2X）是融合蜂窝通信与直通通信的车联网通信技术，是网联化和智能化发展的关键技术.其具有以下三方面的优势：一是扩展了感知的范围.可以预先获取周围环境信息与车辆、行人、信号灯的状态等，便于车辆及时做出可靠研判.二是有效降低感知成本，提高传感器利用率.通过利用网络辅助，可降低车辆高精度传感器的部署，降低成本.三是改善道路交通状况.实现车路协同，可提高道路通行率，有效缓解道路堵塞.

自动驾驶车辆在面临紧急情况时必须在几毫秒内做出正确的决策，因此，为了满足未来自动驾驶车联网极低的通信时延、极高的可靠性、更大的传输速率的需求，未来全场景自动驾驶需要基于6G 的车联网的支持，从全局角度提升“云-边-端”多维度上的感知协同决策能力.

对于通感融合的6G 网络架构，领军团队悉尼科技大学Ni 等[19]提出了感知移动网络的理念和网络架构.Kobayashi 研究团队以广义信道反馈估计信道状态参数为基础，研究了通感一体化性能的极限问题[20].北京邮电大学冯志勇团队的Yuan等[21]提出了通感一体化波形设计方案，并设计了空时信号分配方案.电子科技大学李少谦团队的李玲香等[22]提出了面向6G 的太赫兹感知通信一体化的3 种模式：资源一体化、功能一体化和资源功能一体化.中国移动的潘成康等针对无人化业务提出了通信感知一体化信息交互总体架构[23].刘凡等对雷达与通信系统的同频共存、雷达通信一体化系统设计进行了深入而系统的综述[24].Zhang 等[25]提出了一种在多波束下联合通信与感知的方案，通信功能与固定波束对接，感知功能与扫描波束对接，设计了联合高效波束成形方案.Yang 等[26]阐述了基于模型驱动神经网络和超大规模天线阵列的通信定位一体化技术，为基于毫米微波通信的定位辅助提供了借鉴之处.Xiao 与Zeng[27]展示了无线定位和通信在各个网络层中如何相互作用的最新成果，以及定位和通信协同的主要架构和技术.文献[28]对6G 通信、定位和感知系统融合进行了详述，指出关键技术和潜在挑战，并给出可行的解决方案.田辉等对工业互联网中感知、通信、控制三要素的协同融合技术进行了综述[29].Liu 等[30]从信息理论极限到物理层性能权衡，以及跨层设计权衡，分析了传感与通信之间的性能权衡，并且讨论了通感一体化波形设计和接收信号处理，进一步提出通信与感知深度融合的愿景.

面对通信与感知的海量数据处理需求，自动驾驶车联网需要提供超强的、及时的算力，构建实时、智能、绿色的处理算法.为此，国际电信联盟提出将计算与网络相结合，构建算力网络，协调云、边、端三级计算资源，提高算力的汇聚效率.目前，我国正在主导算力网络的技术研究、标准制定和工程部署.同时，在算法的部署方面，一批新的基于“云-边-端”一体化的算法得到了大量的研究.相关论文如表2 所示.

然而，当前的研究大都面向通信场景，如基于机器学习的无线通信技术，很少涉及感知的计算理论与方法，更缺少面向感知和通信融合的算力汇聚和算法部署.当然，除了上述问题，在硬件协同设计、与太赫兹融合感知、隐私安全、功耗、尺寸、成本等各个方面存在挑战.

2.3 在通信和计算融合方面的研究现状

文献[38]对基于6G 的车辆智能地组网、通信、计算进行了探讨，并指出了将来的挑战和研究方向.刘雷等将移动边缘计算（Mobile edge computing，MEC）集成到车联网架构中，验证可以有效地解决车联网中计算密集型任务和延迟敏感型任务所导致的指数级增长的移动流量，是一种有效缩短V2I、V2N 应用时延的方案[39].Chen 等[40]提出了基于联邦学习的无线网络联合优化架构，为解决网络系统中节点算力分布不均的问题提供了思路.Hu 等[41]提出了一种基于深度学习的单入多出系统信道估计算法，与传统信道估计相比性能更好.近年来，相继提出可将计算任务进行灵活传输的算力感知网络[42]、多层算力网络[43]，可以将业务需求与算力资源进行实时匹配，并有效利用网络中分布式计算资源.文献[44]提出一种基于深度强化学习的车联网频谱分配与功率控制方案，能够有效提升车联网中用户信道的容量，同时具有很好的稳定性.将MEC 与车联网融合，通过在道路边缘部署服务器，车辆可以将任务交付给边缘服务器，由边缘服务器完成计算任务[45].基于以上文章不难发现，通信与计算融合可以有效降低网络部署与维护成本，降低系统对容量的需求.可以进一步针对基础理论、系统架构、结构化设计等关键问题进行进一步的研究.

2.4 在感知和计算融合方面的研究现状

在自动驾驶车联网中，亟待解决的是如何让车辆能够精确感知环境，进而通过对感知数据的计算来理解环境，以及如何通过计算优化满足系统实时性要求.云计算技术与无线传感器网络结合所产生的传感云（Sensor-cloud）系统已经逐渐成为研究的热点.王田等[46]构建了基于雾计算模式的可信传感云实现框架，设计了可信评估、可信数据收集、可信存储等关键技术.Gao 等[47]基于边缘计算与分布式深度学习，提出了一种数据处理算法，适用于多元环境感知，对计算效率的提高与环境感知的准确性的增强具有显著作用.陈育青与艾飞[48]提出了基于上下文感知计算的协同感知数据模型，引入上下文感知分类方法，对协同感知信息进行概念分层，同时采用本体建模法建立相应的本体.

以上通感、通算、感算一体化的研究现状说明了通信、感知与计算之间的融合是可行的.为了自动驾驶相关业务的进一步拓展，还需要对通信、感知、计算进行进一步的融合，突破目前多极致性能适配的瓶颈.因此，需要在车联网架构方面，研究通感算深度融合的全新架构，打通通感算三大资源之间的灵活互通与统筹资源管理，并在此基础上构建分布式接入回传一体化网络架构，实现智能重构组网，进行算网统一编码与资源管控，为提高通感算融合网络容量、感知精度、计算效率提供架构支持.

3 研究内容

3.1 通信、计算辅助感知增强

通信功能可以有效传递和汇聚感知信息，以支撑多节点协作感知，进而扩展感知的维度和深度.此外，实时共享的分布式算力可对感知数据进行定制化的特征抽取及信息融合处理，借助先进算法模型将原始感知信息转化为可被终端或用户直接理解的意图及语义信息，实现从环境感知到环境认知的能力增强.

文献[49]通过将雾计算与无人机通信技术进行结合，极大地提升了无人机通信的位置感知功能，从而有效地支持动态物联网应用.文献[50]提出了一种基于云计算和物联网的智能车联网管理系统，增强了车辆的实时感知功能，使汽车可以以最小的延迟获取周围道路的拥塞状态，缓解城市交通压力.文献[51]针对现有任务卸载方案的性能较差、车载端无法实现高效计算的情况，提出了基于强化学习的车联网边缘计算架构的任务卸载策略，可以实现快速收敛，任务卸载率更高.Yi 等[52]研究了D2D（Device to device）通信辅助多层雾计算的联合资源管理，在所考虑的系统模型中，每个订阅的移动最终用户可以选择通过蜂窝连接将其计算任务卸载到部署在基站的边缘服务器，或者通过直接D2D 连接将其附近的一个第三方雾节点卸载.文献[53]指出，在雾无线接入网中，雾接入点的本地存储和计算能力为解决敏感型应用延迟和计算限制提供了新的通信资源.文献[54]将多个物联网设备争抢雾设备的过程视为一个游戏，设计了一种分布式计算卸载算法,目标是优化雾节点的计算延迟、能耗和成本之间的平衡,物联网节点之间的竞争最终会达到一个纳什均衡点.

3.2 感知、计算辅助通信增强

感知功能通过获取更丰富的用户信息、环境数据等为通信提供先验信息.智能终端可利用随取随用的分布式算力，进行精准高效的信道估计、测量及快速波束对准，有效增强智能终端的信息处理能力；智能云网可通过多维数据融合处理及大数据分析，重构未知的物理信道状态，设计最优传输方式，提升通信的整体性能.

张燕咏等[55]总结了感算融合在自动驾驶领域的最新进展，在比较与分析了自动驾驶感知算法后，提出了一种新的感知融合算法ImageFusion，并且针对自动驾驶的实时性问题，推出了新的计算优化框架MPlnfer.文献[56]针对无人驾驶中车辆感知范围小和针对复杂的路况难以处理的问题，基于雾计算和分簇技术的思想,提出了一种基于雾计算的协同感知与协同控制机制.文献[57]提出了一种位置感知雾定位算法，该算法可保持移动用户与理想雾节点之间的连接，它提供的延迟比建议的雾节点的其他算法低40%～50%，应用程序响应资源更快，并实时增强系统性能.文献[58]提出了一种基于物联网、智能移动设备和边缘计算的新型机器学习辅助智能停车系统，这种新颖的停车系统旨在通过高度精确的定位和作为边缘智能计算的用户活动感知，快速将车位的准确位置传递给汽车，提升停车效率.Qi等[59]利用自动驾驶汽车传感能力的群智传感技术进行实时数据采集，用车载分布式计算提高计算能力，减少海量原始环境数据的传输.对于感知、通信和计算的收敛，提出了一种群智感知辅助车辆分布式计算机制，显著降低了通信负载.文献[60]提出了一种基于效用的传感任务分解和分包算法，该算法是一种在移动节点之间建立直接协作的传感数据采集方法,建立基于马尔可夫链的移动模型，预测传感节点的空间分布.

3.3 感知增强与通信增强进一步辅助计算增强

增强后的感知功能可以为分布式算力的最优化快速调度提供先验信息，也可以为人工智能服务与应用提供更丰富的数据来源，以增强训练模型的鲁棒性；而增强后的通信功能则进一步提高了算力网络的泛在计算能力，实现 6G 时代各类场景下算力资源的即用即配.

文献[61]介绍了通感一体化的关键技术模式，分别是资源一体化，功能独立的功能一体化，资源独立的功能资源一体化三种技术模式，当下主要的研究方向是功能资源一体化，即通信与感知共用同一硬件设备与波形.当通信与感知功能实现一体化之后，可以更好地实现智能体交互，数据融合与降维.秦增科等[62]指出，6G 新网络和6G 新终端都将会利用各自更强大的无线感知与边缘计算，进一步增强自身通信性能（提升容量/可靠性/能效/资源利用率、降低网络部署成本/时延等）、实现对感知对象的模式识别（用户手势/表情/姿态等检测、环境中活动伙伴行为检测等）、实现更高精度定位/更高分辨率成像（无接触式安检、质检、材检等）和虚拟环境重构等功能目标.文献[63]提出了利用集成传感与通信（ISAC）技术提高传感与通信性能的策略，采用扩展卡尔曼滤波算法，实现通信位置信息与传感信息的融合，提高目标传感精度.文献[64]提出一种新型联合传感通信（JSC）算法，该算法采用波束共享方案，可用统一频谱和收发器同时进行下行雷达传感和传感数据融合通信.Jiang 等[65]设计了一种基于mmWave 频段5G新无线电协议的传感与通信联合集成系统，支持传感与通信双功能的动态帧结构配置，可以解决CAV（Connected and automated vehicle）之间原始传感数据共享的低时延和高数据速率问题，此外，以雷达互信息为关键指标，将多个CAV 之间的资源分配优化问题表述为非合作博弈.

通算助感、感算助通与通感助算的发展进一步推动着通感算一体化网络的发展，通信、感知、计算三者相互融合，促进了彼此的增强.下文提出的通感算融合网络架构通过智能融合面贯穿了通信面、感知面与算力面，将三者有机联系起来.同时，纵向五层中每一层与每一面的交叉域都涉及到不同的融合技术与应用.整个通感算融合网络将通算助感、感算助通与通感助算深度融合起来，进而使网络具备新型闭环信息流智能交互与处理及广域智能协作的能力.

3.4 通感算融合网络

（1）定义.

根据中国通信学会最新发布的通感算融合网络前沿报告指出：通感算一体化网络是指同时具备物理-数字空间感知、泛在智能通信与计算能力的网络.该网络内的各网元设备通过通感算软硬件资源的协同与共享，实现多维感知、协作通信、智能计算功能的深度融合、互惠增强，进而使网络具备新型闭环信息流智能交互与处理及广域智能协作的能力，为6G 的智慧城市、智慧交通、智能家居等典型应用场景提供支持.

（2）自动驾驶车联网中通感算融合的网络架构.

将通感算融合网络应用到自动驾驶车联网的场景下，结合自动驾驶车联网的实际需求，同时针对通信节点的计算、感知能力增强但传统网络架构只关注通信维度，导致难以自适应满足自动驾驶车联网多极致性能需求的挑战，通过分布式的时频空多域智能感知、高效通信资源管理、按需的分布式计算能力调度和“云-边-端”一体化的网络管控等技术，研究通感算融合的网络架构以适应不同的业务需求，实现自动驾驶车联网的智能感知、智能资源调度、智能计算、智能管控，从而为后续研究内容奠定架构基础.

通感算融合网络在不同的层面共享资源、服务、网络等，降低了硬件成本，优化了整体架构，结合实际应用满足业务需求.而通感算融合网络整体上可以分为通信、感知、计算三个方面，结合自动驾驶车联网领域，通信层面采用6G 通信网络与C-V2X 技术；感知面采用毫米波或太赫兹波段载波，结合路侧单元、雷达等获取的感知信息，实现全方位高精度感知；算力层面，基于雾计算、边缘计算技术，提高数据运算效率与精度，实现精准控制.实现通信、感知、算力的融合需要优化整体网络结构，按需提供AI 能力和网络管理能力，促进网络结构内部自动优化，通信、感知、算力之间的资源调度优化，融合网络将实现更快的通信速度、更高的感知精度、更精准的计算，提升整个网络层次的决策效率与预测准度.

突破自动驾驶车联网中通感算融合的架构壁垒，对网络架构进行“五层四面”数字化抽象，横向五层自下而上分别是：多元接入层、统一网络层、多域资源层、协同服务层、管理与应用层；纵向四面分别是：通信面、感知面、算力面、智能融合面.基于通感算功能模块化，构建资源可解耦、能力可扩展、架构可重构的网络架构，如图2 所示.

图2 智能内生的“五层四面”通感算融合网络架构Fig.2 Intelligent endogenous architecture of the communication-sensing-computing-integrated IoV with five layers and four planes

横向五层的功能如下：多元接入层支持CV2X 专用频谱及非专用频谱通感一体化技术，并采用灵活频谱共享技术.统一网络层主要解决全方位的统一组网问题，基于IP 承载，屏蔽异构终端、接入链路的差异，在多元接入层之上构建基于数据分组交换的核心网络，实现数据的统一路由与转发.多域资源层通过就近将频谱、带宽、网络、服务器、存储、算力等聚合形成一个或多个逻辑上的边缘资源池，各资源池之间共享计算、存储、网络、感知信息等资源，实现网络边缘局部的算力网络管理、资源调度，完成初步的通感算融合管理及业务逻辑编排.协同服务层主要解决综合感知业务的按需服务问题，负责统筹上层业务需求和下层资源，实现上下数据和控制的协同，是整个网络架构的核心层.协同服务层向上主要通过对业务信息的分类、分级，结合业务传输速率、时延、优先级、可靠性等服务质量（Quality of service，QoS）需求，实现各类业务的注册、接纳控制和业务编排等.协同服务层向下主要通过对下层资源的抽象封装，构建面向不同应用需求的网络模型等.管理与应用层能够自动捕获业务性能需求，自适应不同应用场景.利用人工智能技术挖掘不同业务的差异化特征，完成通感算多维资源的动态协同管理以及后续的策略制定和执行，同时为不同应用智能地进行网络重构.

纵向四面的功能如下：通信面使用6G 通信网络和国际上广泛采纳的C-V2X 技术，实现动态覆盖和服务.感知面复用6G 通信网络的超高频毫米波或者太赫兹波段载波，基于多普勒效应获取区域内的感知信息，同时融合区域内车辆、路侧单元、云端的感知信息，形成多视角、全方位目标协同感知体系.算力面除了向目标用户提供算力服务体验以外，还提供分布式的交互感知，进行用户信息的采集和识别，为智能融合面的服务决策提供信息.智能融合面可为其他“层”与“面”按需提供AI 能力和网络管理的相关能力.基于“智能融合面”构建通感算数据模型及其交互模型的自挖掘与演进机制，以指导融合网络决策推理与动态调整.探索网络自演进内核构成、进化动态表征模型、网络经验提取、重组与演绎推理方法，实现融合网络架构的内生“自优化、自生长、自演进”能力.

（3）性能指标.

针对自动驾驶车辆网的应用场景需求，需要考虑的性能指标包括通信、感知、计算三方面，同时各方面细化为若干性能指标，在进行通感算融合网络的设计时需要重点考虑这些性能指标，其中关于评价通感算融合网络性能的指标体系如表3 所示.

表3 通感算融合网络性能评价体系Table 3 Key performance indexes (KPIs) of communication-sensing-computing-integrated IoV

4 挑战及发展趋势

4.1 基础理论架构

基于无人驾驶车联网的通感算融合缺乏相应的基础理论架构，缺乏通感算相互制约的理论[66].需要给出相应的指标来表征融合的效果，并论述通信性能、感知指标、计算约束下的制衡关系；通感算融合网络需要考虑传输过程中的信道模型，同时基于电磁波产生和传输理论进行设计；通信感知融合设计需要对信号发射和接收涉及的天线、信道带宽、观测条件等理论进行系统的分析，保证通信可靠性、有效性以及较高的感知精度，由于目前通感算参数间的相互作用原理缺乏基础的理论架构，现有的仿真方法不具备多场景的普适性.

4.2 集成通感算融合的硬件设计

进行通感算一体化的硬件设备的异构设计十分重要，现有的基站结构已经十分复杂，如果只是简单地将感知功能叠加到基站上，进行假融合，融合效率不高且成本高昂，需要对基站进行整体的结构化设计.在5G 中，感知和通信是独立设计的，而且随着6G 技术的蓬勃发展，通信与感知的频谱愈发重合，以毫米波段为例，在未来毫米波通信与毫米波雷达都在使用的20～300 GHz 这个频段，通信和感知达到最佳性能所需的信号波形一般并不相同，即使当前使用正交频分复用（Orthogonal frequency division multiplexing,OFDM）信号测距与调频连续波雷达相似，使用最佳传感信号波形仍需要现有通信系统设备进行完善，甚至实现波形虚拟与优化，这也同时体现了一体化天线设计的重要性.

4.3 多维数据处理

海量多维数据基于样本和特征的融合算法和面向不同的用户或耦合业务的相关数据处理方式需要继续研究，在同一网络覆盖下，用户产生的感知数据是相互关联的，需要解决本地模型产生的模型参数，当前分布式学习没有考虑网络中设备的差异性，例如在大规模物联网场景下，许多传感器并不具备基本算力以支持本地数据训练，导致终端出现接入设备功率和算力受限的情况，这种情况需要终端进行通信和数据感知的权衡[67].

4.4 多接入干扰问题

通过多用户通信实现泛在感知，未知参量为计算带来极大的求解压力，有效的通感体系和计算方式需要研究.广泛接入和大规模协作会带来复杂网络信号干扰问题，随着期望感知范围或者精度要求的提升，增加传输的功率是一个有效的方法，但是随着功率的提高，网络传输的动态性和随机性也会相应提升，从而增加了干扰，从网络中提取信息就需要更加深入的学习和挖掘，尽可能地提取出更多更有价值的数据.

5 结论

针对无人驾驶车联网的高性能需求，为了实现通感算融合网络的深度融合，在对通感、通算、感算融合网络的研究现状进行论述后，同时对通感算融合网络的资源管理进行了总结，进一步验证了通感算网络融合的可行性.提出了通感算融合网络的定义，论述了通算助感、感算助通、通感助算领域的最新进展，针对无人驾驶车联网的应用场景，创造性地提出了“五层四面”的网络架构，横向五层自下而上分别是多元接入层、统一网络层、多域资源层、协同服务层、管理与应用层，纵向四面分别是通信面、感知面、算力面、智能融合面.基于通感算功能模块化，构建资源可解耦、能力可扩展、架构可重构的网络架构.总结了通感算融合网络的性能指标评价体系.最后提出通感算融合网络研究面临的挑战与未来发展方向，建立完备的通感算融合网络的基础理论架构，进行一体化硬件设备设计，多位数据处理范式，解决多接入干扰问题.通感算融合网络的发展尚处于初期阶段，许多研究还基于理论层面，需要加快进行统一的标准建设，占领6G 研究的制高点.