Durch die Technologie der kabellosen Kommunikation unterstützen Anwendungen allgemeine Sicherheitsfunktionen, die Transporteffizienz und den Internetzugang, während Fahrzeuge direkt im Vehicle-to-Vehicle-Modus (V2V) oder über die Infrastruktur im Vehicle-to-Infrastructure-Modus (V2I) (gemeinsam V2X genannt) kommunizieren. Die Vernetzung ist eine natürliche Ergänzung der steigenden Anzahl von Sensoren, die in automatisierten Fahrzeugen eingebaut sind.
Automatisierte Fahrzeuge gibt es in unterschiedlicher Art, abhängig vom Grad der Automatisierung. Das eine Extrem besteht darin, dass der Fahrer die vollständige Kontrolle hat. Beim anderen Extrem hat das Fahrzeug die vollständige Kontrolle, während der Passagier über keinerlei Mittel verfügt, die Kontrolle übernehmen. Dazwischen gibt es mehrere Stufen, bei denen bestimmte Fahrfunktionen automatisiert sind, aber der Fahrer weiterhin eingreifen kann. Auf einer geringeren Automatisierungsstufe beispielsweise kann der Fahrer über eine potenzielle Kollision gewarnt werden. Auf einer höheren Automatisierungsstufe kann das Fahrzeug automatisch bremsen und Ausweichmanöver vornehmen, um eine Kollision zu vermeiden. Es gibt zwar den aktuellen Trend, das vollautomatisierte Fahren „autonomes Fahren“ zu nennen. Es ist aber unwahrscheinlich, dass eine vollständige Automatisierung gleichzeitig mit einer vollständigen Autonomie, die keinerlei Kommunikation benötigt, erreicht werden wird. Ein vollautomatisiertes Fahren mit hoher Geschwindigkeit ist ohne hochauflösende Kartendaten, die über Echtzeitaktualisierungen von einem Kartenserver abgerufen werden, nur schwer möglich. Und dies ist nur die Mindestanforderung.
Sensoren in Fahrzeugen
Für die Automatisierung implementierte Sensoren umfassen Automotive Radar, Kameras sowie Light-Detection- und Radar-Systeme (LiDAR). Radar wird für den automatischen Tempomat, Kollisionswarnungen, den Spurwechselassistenten, das Parken und Pre-Crash-Anwendungen verwendet. Kameras werden für die Sicherheit beim Rückwärtsfahren, das Abdecken toter Winkel, das Verhindern des Einschlafens und das Halten der Fahrspur eingesetzt. LiDAR bietet hochauflösende 3D-Kartendaten, die für die autonome Navigation und die Erkennung von Fußgängern und Fahrradfahrern verwendet werden können.
All diese Technologien sind wichtig für vollautomatisierte Fahrzeuge. Beispielsweise verwendet Tesla Kameras für das automatisierte Fahren auf Autobahnen, während Google-Fahrzeuge für präzises Fahren und genaue Navigation sehr stark auf LiDAR und 3D-Kartendaten sowie für die Erkennung anderer Fahrzeuge auf mehrere Radarsysteme setzen. Die Abdeckung der jeweiligen Technologie hängt von der Konfiguration und dem Szenario ab. In ländlichen Gebieten beträgt die Reichweite für Radar bis zu 200 m, für LiDAR 35 m und für Kameras 30 m. Aber in städtischen Gebieten verkleinert sich die Reichweite aufgrund starken Verkehrs und anderer Hindernisse auf wenige Meter. Im Wesentlichen bedeutet dies, dass diese externen Sensoren auf das beschränkt sind, was sie sehen können. Kommunikation kann den Abtastbereich von Fahrzeugen erhöhen, indem der sichtbare Bereich anderer Fahrzeuge, die sich vor, hinter oder neben dem Fahrzeug befinden, mitgenutzt werden kann.
Die Daten, die zwischen automatisierten Fahrzeugen ausgetauscht werden sollten, sind bislang noch nicht festgelegt. Falls nur geringe Datenraten verfügbar sind, macht es Sinn, dass zwischen den Fahrzeugen nur stark verarbeitete Daten übermittelt werden. Wenn beispielsweise ein Fahrzeug anhand seiner Sensoren einen Fahrradfahrer erkennt, sendet es die Position und Geschwindigkeit des Fahrrads an andere Fahrzeuge. Falls dagegen mit einer hohen Datenrate kommuniziert wird, sendet das Fahrzeug weniger stark verarbeitete Daten, sondern Rohdaten der Sensoren, anhand derer die anderen Fahrzeuge ihre eigene Sensorfusion und Verarbeitung durchführen können. Durch diese Methode können Fahrzeuge ihre eigenen Entscheidungen treffen und ihre Abhängigkeit von Entscheidungen, die andere Fahrzeuge treffen, verringern. Ein weiterer Vorteil besteht darin, dass dieser Ansatz eine Skalierung ermöglicht, wenn sich die Verarbeitungsfähigkeiten von Fahrzeugen mit der Zeit verbessern. Eine hohe Datenrate und eine Kommunikation mit niedriger Latenz ermöglichen den Austausch sowohl verarbeiteter Daten als auch von Rohdaten. Tabelle 1 zeigt die Datenrate, die benötigt wird, um die Rohdaten, die von verschiedenen Automobilsensoren generiert wurden, zu übertragen.
Tabelle 1: Automobilsensoren und deren Datenraten – Zusammenfassung
Modernste Fahrzeugkommunikation
DSRC (Dedicated Short Range Communication) ist primär ein Mittel zum Austausch allgemeiner Sicherheitsmeldungen und bietet Anwendungen für das Verkehrsmanagement. DSRC unterstützt sowohl V2V als auch V2I. Nach fast zwei Jahrzehnten der Entwicklung ist DSRC jetzt in einigen Fahrzeugen in den USA verfügbar. Allerdings ist zur breiteren Nutzung eine staatliche Genehmigung erforderlich. Die von DSRC unterstützten Datenraten sind ziemlich niedrig – wenige Megabit pro Sekunde. DSRC unterstützt nicht den Austausch roher Sensordaten, was möglicherweise für automatisierte Fahrzeugen erforderlich ist.
Die Mobilfunkkommunikation ist eine weitere Möglichkeit der Kommunikation zwischen Fahrzeugen, entweder direkt mit Device-to-Device (D2D) oder über die Mobilfunk-Infrastruktur auf den Frequenzbändern 850 MHz, 1.800 MHz oder 2.100 MHz. Über den D2D-Modus in LTE-A hilft die Basisstation (BS) den Geräten beim direkten Erkennen und Kommunizieren. Die durch D2D in LTE-A unterstützten Daten sind aufgrund der ungenauen Informationen des Kanalstatus begrenzt nutzbar, was für mobile Anwendungen ein Problem darstellt. Die Mobilfunkkommunikation der vierten Generation (4G) über die Infrastruktur wird durch die Verwendung dieser Technologie möglich, aber die Datenraten liegen bei mittlerer und hoher Mobilität nur bei einigen Megabit pro Sekunde. Tabelle 2 zeigt die Funktionen von DSRC gegenüber LTE-A für die V2V/V2I-Kommunikation. Wenn man bedenkt, dass autonome Fahrzeuge bis zu 1 TB an Daten pro Stunde Fahrt erzeugen, bieten weder die Mobilfunkkommunikation auf 4G-Basis noch DSRC ausreichend Kapazitäten, um Fahrzeuge für den Austausch von Sensordaten zu vernetzen.
Connected-and-Automated Vehicles (CAVs) sind ein Thema von großem Interesse. Aktuell validieren Tests die Vorteile, wenn Vernetzung und Automatisierung kombiniert werden:
- Erweiterter Abtastbereich des Fahrzeugs, wodurch Reichweitenbeschränkungen vorhandener Sensoren überwunden werden
- Unterstützung der Interaktionen zwischen Fahrzeugen mit verschiedenen Automatisierungsstufen, auf denen geplante Fahrmanöver geteilt werden, damit zukünftige Entscheidungen und Handlungen optimiert werden können
- Sicherheitsentscheidungen und ein höheres Maß an Verkehrskoordination sowie Kraftstoffeffizienz auf Basis besserer Informationen
Tabelle 2: Vergleich unterschiedlicher Funktionen von DSRC und LTE-A im D2D-Modus für die Fahrzeugkommunikation
Herausforderungen in Bezug auf das Abtasten
Gegenwärtig gibt es ein großes Interesse im automotiven Nutzungsfall für 5G. Zu den Anwendungen gehören Fahrzeugautomatisierung, Verkehrsplanung und Verkehrsbetrieb sowie Infotainment. 5G unterstützt zehnfach geringere Latenzen und zehnfach höhere Bandbreiten als 4G-Lösungen, wodurch es sich besonders gut für Anwendungen im Automobilbereich eignet. Insbesondere ist 5G im Millimeterwellenbereich (mmWave) aufgrund der sehr hohen Datenraten attraktiv. Es kann zum Austausch von rohen Sensordaten verwendet werden. Außerdem sind mit Millimeterwellenfrequenzen Infotainment-Anwendungen mit hoher Datenrate, eine gemeinsame Kommunikation sowie Radar möglich.
Bei mmWave-Links können Fahrzeuge und Fußgänger den primären Kommunikationspfad blockieren. Auch stellen feste Objekte in der Umgebung, z. B. Bäume und Gebäude, weitere Blockierungsquellen dar. Ausgehend davon, dass die Basisstation über mehrere Sensoren verfügt, z. B. Radar und Kameras, erkennt eine Kombination aus Abtasten und Machine Learning (ML) potenzielle Hindernisse und deren Mobilität, um den Kommunikationslink zu konfigurieren und die V2I-Kommunikationsleistung zu verbessern. Der ML-Algorithmus nutzt die vorhergende Kommunikationsleistung, um z. B. bestimmte Radarantworten als Blockierungen einzuordnen. In Verbindung mit der Karte der statischen Umgebung dienen diese Informationen dazu, einen Algorithmus zu entwickeln, um verschiedene Blockierungstypen vorherzusagen, auf die ein Zielfahrzeug während der Fahrt stoßen kann. Anhand dieser Ergebnisse definiert der Blockierungsvorhersage-Algorithmus die Beams neu, die auf der Infrastrukturseite zur Ausleuchtung des Fahrzeugs verwendet werden müssen. Die Kombination aus Abtasten und ML kann zudem in den Verkehrsleitzentralen dazu genutzt werden, mehr über die Verkehrssituation zu erfahren und die Verkehrssignale und -planung zu verbessern.
Die genaue Lokalisierung ist ein weiterer kritischer Aspekt bei der Navigation autonomer oder automatisierter Fahrzeuge. GPS/GNSS-Standardempfänger weisen bei guten Empfangsbedingungen mit mehreren Satelliten eine Positionsgenauigkeit von zwei bis drei Metern auf, autonome/automatisierte Fahrzeuge benötigen jedoch eine präzisere Positionierungstechnologie. Eine Zentimeter- oder zumindest Dezimetergenauigkeit ist wünschenswert, um garantieren zu können, dass ein Fahrzeug den Sicherheitsabstand zu anderen Fahrzeugen hält und in seiner Spur bleibt. Eine hochpräzise Positionierung ist allerdings bei der Navigation in Stadtzentren aufgrund des so genannten „Urban Canyon“-Effekts zwischen hohen Gebäuden problematisch. Obwohl präzise Empfänger verfügbar sind, sind die erforderlichen GPS-Sensoren sehr teuer. Ein Ansatz, um diese Hindernisse zu überwinden, besteht in der Nutzung der Daten, die aus anderen Sensoren im Fahrzeug oder über die Straßeninfrastruktur ermittelt wurden. Mit diesen kann die GPS-Standardschätzung korrigiert und eine zentimetergenaue Positionierung in Echtzeit erreicht werden.
Umgebungen mit gemischter Nutzung, in denen Fahrzeuge mit unterschiedlichen Automatisierungsstufen und unterschiedlicher Kommunikation ausgestattet sind, stellen weiter eine Herausforderung dar. Eine Methode besteht darin, Sensoren an der Basisstation zu implementieren. Dann können die Informationen von den Sensoren an die vernetzten Fahrzeuge übertragen werden, um eine situative Aufmerksamkeit in Bezug auf nicht vernetzte Fahrzeuge und nicht motorisierte Verkehrsteilnehmer auf Straßen zu erzeugen. Der infrastrukturbasierte Ansatz funktioniert gut, selbst wenn die meisten anderen Fahrzeuge über keine Kommunikationsfähigkeiten verfügen. Die Infrastruktur macht zudem das höhere Maß an Automatisierung zum Koordinieren von Interaktionen der Fahrzeuge an Kreuzungen effizienter, ohne dass Ampeln erforderlich wären. Diese infrastrukturbasierte Abtasten, wie in Abbildung 1 dargestellt, wird wahrscheinlich um die 5G-Mobilfunkkommunikation herum aufgebaut, da das Ziel darin besteht, deutlich höhere Datenraten zu erzielen. Abbildung 1 zeigt unsere Vision der Mobilfunkinfrastruktur zur Unterstützung des Verkehrs im Millimeterwellenbereich. Es ist eine Kombination aus Abtasten, Lernen und Kommunikation, wobei Fahrzeuge Sensordaten austauschen.
Vision einer Mobilfunkinfrastruktur, die den Verkehr unterstützt
Die SAVES-Initiative
Die University of Texas (UT) in Austin hat im Rahmen der „Wireless Networking and Communications Group“ der Hochschule eine neue strategische Forschungsinitiative mit dem Namen SAVES entwickelt, um die Herausforderungen hinsichtlich der vernetzten Fahrzeuge der nächsten Generation anzugehen. SAVES bietet einen gemeinsamen Rahmen zur Entwicklung einer fortgeschrittenen Fahrzeugvernetzung, einer Infrastruktur zur Unterstützung der Vernetzung, der Technologien für das Abtasten mit Bildgebung, Radar und Standort sowie von Vernetzungsanwendungen.
SAVES ermöglicht eine Zusammenarbeit von Unternehmen aus den Bereichen Kommunikation und Automobilbau mit der Fakultät und den Studenten, die sich auf kabellose Kommunikation, ML und das Verkehrswesen spezialisiert haben. Die SAVES-Initiative nutzt zudem die kontinuierliche Zusammenarbeit mit dem U.S. Department of Transportation (DOT) über „Data-Supported Transportation Operations and Planning“ (DSTOP) sowie zahlreiche Projekte, die vom Texas DOT finanziert werden. Das Alleinstellungsmerkmal der SAVES -Initiative besteht in der Konzentration auf kabellose Leistungsmetriken, z. B. Datenraten, als auch auf Verkehrsmetriken, z. B. Effizienz und Sicherheit im Straßenverkehr bei der Entwicklung neuer Technologien.
Die aktuellen Arbeiten, die in der SAVES-Initiative an der UT durchgeführt werden, beinhalten allgemeine Theorie, Algorithmen und experimentelle Tätigkeiten. Eine Forschungsrichtung zielt darauf ab, Grundlagenforschung für die sensorgestützte Kommunikation zu betreiben und die Erkenntnisse für das Beam-Training im Rahmen der V2X-Kommunikation im Millimeterwellenbereich anzuwenden. Dabei werden Daten genutzt, die aus den vielen in Autos zur Verfügung stehenden Sensoren extrahiert werden. Dazu gehören die radargestützte Fahrzeugkommunikation im Millimeterwellenbereich und die Nutzung der Positionsdaten, um den Overhead bei der Beam-Ausrichtung zur reduzieren.
Eine andere Forschungsrichtung beschäftigt sich mit der Entwicklung der allgemeinen Theorie für die Fahrzeugkommunikation im Millimeterwellenbereich. Die Untersuchung der optimalen Bandbreite und die Definition der Kohärenzzeit für die Beam-Ausrichtung sind gute Beispiele der bereits entwickelten Projekte.
Bei mehreren aktuellen und sich entwickelnden experimentellen Aktivitäten wird von Equipment von National Instruments ausgiebig genutzt. Dazu gehören Tools zur Entwicklung von Prototypen im Millimeterwellenbereich, für Radartests sowie Messgeräte. In Zusammenarbeit mit dem Toyota Info Technology Center und National Instruments werden Kanalmessungen durchgeführt, um die Fahrzeugkommunikation im Millimeterwellenbereich genauer zu untersuchen. Ein hybrides MIMO-Prototypsystem im Millimeterwellenbereich mit zwei RF-Ketten, die eine Bandbreite von 1 GHz bieten, wird in Zusammenarbeit zwischen der UT, der Universität Vigo (Spanien) und National Instruments entwickelt. Das Ziel besteht darin, unsere Hybrid-Vorcodierung und die Kanalschätzungs-Algorithmen in einfachen Fahrzeugszenarien zu testen. Außerdem wird auf Grundlage der Hardware von National Instruments ein gemeinsamer Kommunikations- und Radar-Prototyp im Millimeterwellenbereich entwickelt. Er nutzt die Wellenform und die typischen Empfängeralgorithmen des Standards IEEE 802.11ad WLAN, um einen gemeinsamen Rahmen für die Fahrzeugkommunikation und die Radartechnologien bei 60 GHz zu ermöglichen. Ähnliche Anstrengungen werden bei niedrigeren Frequenzen unternommen, um zu zeigen, wie IEEE 802.11p ebenfalls für Radar verwendet werden kann. Schließlich gibt es laufende Forschungsaktivitäten auf dem Gebiet der Datenfusion anhand experimenteller Daten, z. B. in Form der Kombination von DSRC und Radar für verbesserte Kollisionswarnungen zwischen vernetzten und nicht vernetzten Fahrzeugen.
Schlussfolgerungen
Die 5G-Vernetzung und die Kommunikation im Millimeterwellenbereich werden Teil der nächsten Generation von automatisierten Fahrzeugen mit mehr und mehr Sensoren sein. Eine Vernetzung mit einer hohen Datenrate ist beim Austausch von Sensordaten zwischen Fahrzeugen entscheidend, da der Abtastbereich vergrößert wird und die Sicherheit betreffend Entscheidungen verbessert werden. Das Abtasten ist eine wichtige Differenzierungsfunktion von Fahrzeugsystemen. Abtastdaten können nicht nur zur Verbesserung der Sicherheit oder für die Koordination des Verkehrs genutzt werden, sondern helfen auch bei der Kommunikation selbst, indem sie den Aufbau von mmWave-Links mit geringem Overhead unterstützen. Infrastruktur wird nicht nur zu einem Mittel der Kommunikation, sondern auch eine Plattform für Abtastdaten und die Datenerfassung. Diese Daten sind für Echtzeitvorgänge, die Steuerung der Verkehrsvernetzung, die Planung und den Betrieb nützlich. Viele Forschungshindernisse müssen allerdings noch beseitigt werden, um unsere Automobilvision auf 5G-Basis umzusetzen, darunter die Entwicklung der Grundlagen der Fahrzeugkommunikation im Millimeterwellenbereich und der sensorgestützten Kommunikation.