基于5G边缘计算的高可靠车路协同组网技术研究与实践

宋坤，黄超平，黄兴伟，刘吉宁*

（1.清华大学深圳国际研究生院，广东 深圳 518055；2.中国移动通信集团广东有限公司，广东 广州 510623）

0 引言

车路协同（VICS,Vehicle Infrastructure Cooperative Systems）是新一代智能交通系统的核心技术之一，能够有效提升道路交通安全和交通效率，减少资源和能源的消耗，降低环境污染。借助新一代的无线通信技术，可以实现车-车（V2V,Vehicle-to-Vehicle）、车-路（V2I,Vehicle-to-Infrastructure）、车-网（V2N,Vehicle-to-Network）、车-人（V2P,Vehicle-to-Pedestrian）之间的高效可靠的信息交互，使车辆能够实时获取周围环境的信息，提前做出智能决策，避免交通事故的发生。此外，车路协同技术还可以通过优化交通信号控制、智能停车等手段，提高道路的使用效率。但是，传统的车路协同技术主要依赖于在中心节点部署服务器进行远端的数据处理和决策，网络传输时延较大，而5G 网络边缘计算作为一种新型的计算模式，其低延迟、高可靠性的特性，使其在车联网应用中具有巨大的潜力。

近年来，车路协同技术得到了国内外学者、企业和研究机构的广泛关注和研究。其中，Mao Y 等学者从通信角度研究了边缘计算（MEC,Multi-access Edge Computing）的基础网络架构、资源管理、服务质量保证和安全隐私保护等内容[1]；Liang L 等学者从物理层角度探讨了车载通信的信道建模、调制解调、安全加密/认证/编码等问题[2]；Wang S 等学者研究了计算、缓存和通信的融合，分析了计算资源管理、缓存策略和协议设计，指出了与人工智能的结合、绿色通信和边缘智能等[3]；Liu J等学者研究了基于强化学习的车载任务卸载，包括基于边缘云和基于车载云两种场景，探讨了Q-learning 和策略梯度算法在车载任务卸载中的应用，分析了车载任务卸载在网络延迟、可靠性和安全性方面的问题等[4]。清华大学张毅等学者提出了一种基于车路协同的车辆安全控制方法，通过在车辆和路侧设备之间实时交互信息，实现了对车辆行驶状态的实时监测和控制，提高了车辆的行驶安全性[5]。陈山枝等学者则对比了C-V2X 和IEEE 802.11p之间的差异，探讨了C-V2X 的基础理论、关键技术和应用前景[6,8-9]。基于上述研究成果，本文提出利用5G 基站、通用UPF 的边缘算力和空口能力来构建车路协同网络架构，通过在5G 基站侧部署算力单板来快速实现感知分析并降低时延。

1 车路协同无线接入方案对比

蜂窝车联网（C-V2X，Cellular-Vehicle to Everything）作为一种车路协同的无线通信技术[6]，为高速移动场景提供低时延、高可靠的通信能力，满足不同的车路协同应用需求。目前车路协同的无线接入方案主要有两种：

1.1 PC5接口直连通信方案

PC5 接口技术的车载和路侧终端之间可不经过基站转发直接进行数据传输，就能实现端到端通信的低时延，又可以在蜂窝覆盖外工作，满足车-车、车-路等设备间信息快速交互的需求[6,9]。

1.2 5G Uu接口蜂窝移动通信方案

5G Uu 接口技术可充分利用基础电信运营商庞大的5G 网络资源，以及网络切片、边缘计算和服务质量（QoS）预测等新特性[11-17]，为面向自动驾驶的车路协同数据传输提供独立切片，构建一个“时延和带宽有保障且与其他业务数据相互隔离”的虚拟专有网络[18-20]。车载设备（OBU,On board Unit）可以通过5G 专属切片通道访问部署在移动蜂窝网基站侧的边缘云，同时路侧设备（RSU,Road Side Unit）也可以通过5G Uu 或者有线网络回传数据到边缘云，边缘云通过云边协同机制与云控制平台等进行高效互联。

两种技术方案对比如表1 所示。

表1 PC5和5G Uu无线接入方案对比

可见，PC5 和5G Uu 接口方案可满足不同交通要素之间的通信需求，PC5 接口直连通信方案能更好地解决近程信息交互需求，但组网成本高、易普及度低；5G Uu接口蜂窝移动通信解决方案则依托5G 覆盖优势，能更好地解决远程的信息服务需求，有效弥补PC5 技术独立组网成本高的劣势。本文主要是基于5G Uu 接口技术方案，一方面，探索了不同边缘算力组网模式下的时延性能；另一方面，解决了鲜有厂家愿意投入路侧设备建设的商业困局，加快推进城市级“车路云一体化”示范应用。后续将进一步研究5G Uu+PC5 接口融合技术方案，利用两者优势最大限度地降低业务时延。

2 车路协同组网技术研究

2.1 基于V2X云控平台中心算力的车路协同组网方案

通过在云控平台集中部署算力，可将路侧及车载设备采集数据反馈到云端服务器进行处理和决策，然后下发控制指令，如图1 所示。该方案中V2X 云控平台扮演极为重要角色，既要集中管理和处理车辆和道路数据，又提供实时的交通信息和决策支持。它通过复杂的算法，处理大量的结构或非结构化数据和计算任务，同时还需拥有强大算力和存储能力进行实时数据分析和处理，为人、车辆和交通管理提供准确的信息和决策支持。V2X 云控平台集中算力部署方案增加车载/ 路侧数据的流转回路，增加网络带宽资源的消耗，也使得端到端的时延会变长。同时，当云控平台出现拥塞和宕机等故障问题时，对端侧的影响范围较大，网络安全控制难度高。

2.2 基于5G网络边缘算力的高可靠车路协同组网方案

考虑在云端集中部署算力的种种弊端，为了减少大量的车载/ 路侧数据回传到云控平台进行解算，再由云控平台回传到车载/ 路侧设备所需要的时延和算力，本文根据算力资源部署位置的差异，研究了两种基于边缘算力的高可靠车路协同方案，尤其是重点研究了算力下层到基站侧的组网方案，如图2 所示：

图2 基于边缘算力的5G网络组网方案架构图

（1）通用算力组网方案：使用通用共享UPF 算力资源，用服务器模拟V2X 平台部署在地市核心机房，前端测试终端通过地市通用UPF 接入，访问V2X 测试平台。该方案仍需将车载/ 路侧数据从基站侧回传到通用UPF做数据解算。

（2）算力下沉组网方案：在基站侧部署算力单板，组成算力基站，模拟V2X 平台就近部署在测试区域内，前端测试终端通过测试区域内的算力基站进行本地分流，接入到边缘V2X 测试平台。该方案将车载/ 路侧数据在基站侧进行本地卸载和解算，用户面数据流的回路大大减少。根据终端接入是否直连下沉算力基站，还可分为锚点型接入（直接在算力基站上接入）和非锚点接入（先接入普通基站，在绕行到算力基站），本文3.2 节将分析两种接入条件下的网络性能。

在模拟各种V2X 消息业务场景，测试5G 网络时延性能的计算公式为：

其中，T1为测试App 到5G 手机之间时延；T2是5G 手机到5G 基站之间的时延；T3是5G 基站经由传输网和UPF到服务器（模拟V2X 平台）的时延。

1）组网方案：在某个城市机房的5G 基站BBU 增加算力单板（含GPU 算力卡），部署切片标识功能（TOF,Traffic Offload Function）本地分流、感知分析等服务；将测试区内的2.6 G 和700 M 测试站点开启切片分流策略，摄像头和路侧安全网关（RSG,Road Safety Gateway）安装在固定路口的交通杆上，并占用2.6 G 的主服务小区；算力基站的vRSU 服务经本地口通过传输骨干网百兆云专线对接云控制平台；前端OBU 和RSG 网关的SIM 卡签约本次测试ToB 切片，接入网络后通过切片分流到算力基站，算力基站将RSG 低时延视频感知分析后，生成路侧安全消息（RSM,Road Safety Message）下发给OBU。端到端业务流程使用5G 综测仪模拟OBU，发送和接受基础安全消息（BSM,Basic Safety Message）、RSM 消息，业务时延和端到端时延的计算公式分别为：

其中，T1’为BSM 时延，即5G 综测仪经5G NR 到算力单板（vRSU）的时延；T2’为RSM 时延，即算力单板（vRSU）经5G NR 到5G 综测仪的时延；为RSG感知时延，即RSG 经5G NR 到算力单板（VRSU）的时延；T4’为摄像头到RSG 的时延。

2）实测场景及参数要求：

◆测试区域选取700 M 和2.6 G 双层网连片覆盖区域，且具备闭环路线；

◆测试路线内至少要包含1 个交通路口；

◆交通路口有无遮挡龙门架形式信号灯，且有空余位置进行摄像头与RSG 网关安装；

◆测试区域尽量选取车流量较小区域，为车机交互安全以及车速对比测试做准备；

◆测试区域内要有BBU 空余槽位的基站，以便算力板卡安装，且机房有空余位置安装或摆放服务器；

◆机房要有剩余传输端口资源，可打通算力单板与通用UPF 侧的云控平台；

◆测试区域的5G 网络的上/ 下行业务速率最大需要达到140 Mbps/600 Mbps，以便满足更丰富的测试需求。

实测场景所需资源需求如表2 所示：

表2 算力网络下沉的实测场景资源及参数需求

3 高可靠算力下沉网络性能研究

基于2.2 节所述的通用共享UPF 算力方案，经现场验证，在UPF 架构下RTT 时延均值在25 ms；从网络频段上看，对比2.6 GHz 和700 MHz，UPF 架构下的时延差在3 ms，频段对时延影响不大；从测试业务场景上看，在UPF 架构下的整体V2X 业务RTT 时延50 ms@99%。其中：V2X 消息RTT 时延均值在23 ms，大包视频业务RTT 时延均值在34 ms。本文将着重分析基于2.2 节所述的算力下沉组网方案，测试验证了车辆视野受阻（鬼探头）实际业务可行性，V2X 业务时延可靠性可以达到15 ms@99%，该组网架构下的5G Uu 方案可以承载车联网V2X 业务。同时，研究了不同算力网络模型的端到端网络特性，特别是算力锚点或非锚点站场景、覆盖和容量场景、站内或站间切换场景、多普勒频移场景。在基站算力下沉场景下，具体如下。

3.1 算力下沉方案下鬼探头场景业务性能分析

算力下沉组网步骤如下：

（1）在测试区域内基站BBU 增加算力单板（含GPU 算力卡），部署本地分流、感知分析等服务，测试区域内其他基站通过传输放通与算力基站的路由，并配置切片分流；

（2）前端OBU 和RSG 网关的SIM 卡签约特定切片，接入网络后通过切片分流到算力基站，访问算力基站本地vRSU、eFS 等服务；

（3）算力基站的本地vRSU 与云端V2X 云控平台通过CMNET 网络互通，算力基站侧需打通到CMNET的网络；

（4）本地vRSU 通过专线就近接入到现网BRAS 设备，并分配固定公网IP 地址，如BRAS 设备与算力基站在同一机房，可直接尾纤互联。如跨机房，则通过SPN开一条专线到就近的BRAS 设备，以实现本地vRSU 与云端V2X 云控平台的业务互通；

（5）测试基站配置按切片分流，仅V2X 业务到算力基站，其他普通用户业务则保持原有转发路径不变。

定义BSM 时延为OBU 普算力基站的时延；RSM 时延为算力基站→站→基的时延；RSG 感知时延为RSG 延算力基站的时延；RTT 时延为RSG；算力基站→力基站的时延；E2E 时延为摄像头→延为摄像头算力基站（视频解码/ 识别）→别）→的时延。测试场景示意图如图3所示。

图3 视野受阻（鬼探头）场景碰撞识别预警场景

经现场测试得到，在测试终端直连算力基站的条件下，基于视野阻碍（鬼探头）协助业务的算力下沉部署性能分别为：BSM 时延为5.7 ms，RSM 时延为5.0 ms，RSG 感知时延为10.4 ms，RTT 时延为15.4 ms，E2E 为65.6 ms，可及时触发鬼探头预警告示，能满足视野受阻场景业务要求。

3.2 算力下沉方案锚点和非锚点站点性能分析

在现网算力单板部署时，不会每个基站都配置算力单板，而是充分挖掘算力单板能力，因此，可通过其他普通基站调用算力基站能力。本文分析了测试终端分别接入锚点基站和非锚点基站的网络性能特性，组网架构如图4 所示:

图4 算力基站方案业务流程（左图）及组网方案（右图）

经多次测试验证，通过基站对感知数据分析和识别处理，锚点站与非锚点站的时延差异不大，端到端业务时延可低至65 ms，业务可靠性近100%。在现网算力板卡部署时，可结合业务需要和算力板卡能力进行小范围集中算力调度和容灾备份使用。测试终端接入锚点或非锚点性能如表3 所示。

表3 测试终端在接入算力非锚点站与算力锚点站的性能对比

3.3 算力下沉方案好点、中点、差点，负荷环境业务性能分析

基于2.2 节算力环境，车辆终端依次在好点、中点、差点以及业务负荷环境接入网络并开展真实的视野阻碍协助业务，验证不同网络覆盖环境下业务的时延和可靠性，如图5 所示。从网络频段来看，2.6 G 和700 M 相差性能不大，时延相差在1 ms 以内；从网络覆盖来看，不同网络覆盖条件下，时延差异不明显，时延相差在1 ms 以内；从网络负荷来看，在开启2 路并发后，时延差异未发生明显变化；V2X 业务的RTT 时延可以达到15 ms，端到端业务时延（含视频编解码和分析处理）低至65 ms。定点下RTT 时延＜100 ms 可靠性为100%。因此，在有效覆盖范围内的终端，频段和容量等对业务时延影响不大，可靠性较高。还可进一步推广应用在类似的交叉路口碰撞提醒、弱势交通参与者碰撞提醒、绿波带导航等协作感知类场景。在网络部署方面，可在城区基于2.6 GHz 的5G 网络部署算力板卡，在城郊或农村区域可基于700 MHz的5G 网络部署算力板卡。

图5 算力基站方案业务性能测试结果

3.4 算力下沉方案下站内、站间切换性能分析

当终端发生位置变化时，常常会发生网络切换。本文基于2.2 节的算力环境，验证视野阻碍协助业务场景下的同频小区、异频小区在切换场景中业务的时延和可靠性，如图6 所示。现网测试发现切换会导致BSM/RSM时延的增加，当消息传输时碰到终端发生切换，消息报文将会在切换完成后继续传输，最终导致增大时延。从同频切换来看，站间切换的影响比站内切换较大，时延差异约1～2 ms；从异频切换来看，时延与站间切换的时延基本相同，切换中断时延相比同频切换较高，切换中断时延最高达到70 ms；因此，切换会带来时延的增加及可靠性的降低，在后续网络规划时，可根据网络需求进行5G 专网部署和多小区合并，减少不必要的切换。

图6 算力基站方案切换性能测试结果

3.5 算力下沉方案多普勒频移影响下的性能分析

根据终端移动速度的快慢，研究基于2.2 节算力环境下的视野阻碍协助业务场景的多普勒频移网络特性，如图7 所示。经现场测试得到，在DMRS 1+1 配置下，即两个DMRS 符号被复制并发送，以提供冗余和可靠性，接收机可以使用两个DMRS 符号进行解调情况下，理论上30/60 km 时速对性能无明显影响；网络频段来看，2.6 G相比700 M，时延相差在2～3 ms；从多普勒频移来看，在同频不同速度下，时延差异不明显，时延相差在1 ms 以内；整体来看，移动过程中会引入切换，导致出现RTT 时延大于100 ms 的情况，但＜100 ms 可靠性仍在99%以上。因此，在中低速场景下（小于120 km/h），多普勒对业务影响相对较小；当速率变快，切换和掉话风险变大，多普勒频移影响变大，需通过频偏补偿或5G 专网覆盖等手段来解决。

图7 算力基站方案多普勒影响性能测试结果

综上，算力下沉到基站侧方案相比于UPF 集中算力方案，整体时延下降比较明显，时延增益在40% 以上。从网络频段上看，2.6 GHz 和700 MHz 在算力下沉方案的时延差别在1 ms 以内，优于UPF 集中算力方案；从测试业务场景上看，基站算力下沉场景下的整体V2X 业务的RTT 时延相比于UPF 算力集中方案要少25～35 ms。因此，在基站侧部署算力具有更优的业务能力和商用价值。

4 结束语

本文研究了基于5G 算力基站的车路协同组网技术并验证业务时延和可靠性。通过优化算力部署方式，持续降低端到端时延，提高车路协同系统的实时性和可靠性。经现网测试验证得到，在算力下沉场景下V2X 业务时延可靠性可达到15 ms@99%，满足视野受阻场景业务要求。后续，将进一步基于5G 基站边缘计算环境的搭建本地数字孪生平台，并通过平台处理车辆/ 路侧的数据采集、分析和决策，以及下发控制指令到路侧设备。此外，还将基于V2X 的多维交通数据源，引入深度学习算法研究更高效精确的交通管理策略，推动车路协同技术持续发展。