智能机器网络 李静林 2022-12-17 18:30 No Comment 442次浏览 > 2022年12月17日，在车联网前沿技术及产业发展论坛，做了《6G智能机器网络》的报告，提出人工智能化机器组成的以群智协同为目标的智能机器网络，将成为未来B5G和6G的核心技术之一。在报告中，我们针对智能交通与自动驾驶存在的看不到、不相信、看不全、管不了等问题，提出智能机器网络的基本趋势，包括从人的协同到智能机器间的协同，从支持数据交换到支持人工智能能力协同，从泛在通信连接到泛在智能的连接等。  # 自动驾驶与智能交通实践 自动驾驶与智能交通在向智能化、网联化、协同化方向的演进进展。 **智能化**：从人的智能向人工智能转变。车和路侧基础设施在逐渐引入人工智能（自动驾驶、智能路控等），不但包括人工智能认知，还将提供人工智能决策。 **网联化**：从集中计算向泛在移动计算转变。车路之间不但支持以4G/5G为代表的Cell接入，还支持以C-V2X为代表的直通通信，交通专网也实现了路侧、边缘云、中心云的多层网络结构，以支持车路实时服务。 **协同化**：从个体决策向车路联合决策转变。V2X提供了车车、车路协同的基础能力，而自动驾驶在从L4到L5演进过程中，也需要引入车路联合决策以应对单车自动驾驶无法解决的盲区等问题。 在演进过程中仍存在一定问题： - **从车的角度** **看不到**：单车自动驾驶虽然实现了驾驶的人工智能化，但单车视野受限，比如红绿灯前大车遮挡，自动驾驶如何判断红绿灯、如何判断该如何起步；比如右侧盲区，自动驾驶如何判断行人或非机动车闯入等等。这一问题用车载感知显然无法逾越，导致难以提前预判，决策准确性受限。 **不相信**：虽然可以通过车路协同或多车协同进行红绿灯超视距认知、风险预警等服务，但由于认知质量问题和责任主体问题，车路协同存在协同认知困境。比如路测认知提供具有90%置信度的目标识别结果，人的智能可以判断和利用这一结果，但人工智能却难以对这一认知结果进行评价和利用。另外自动驾驶人工智能决策需要的是目标各个方向运动态势，而不只是一个目标位置，人工智能为了应用目标轨迹，还需要将轨迹恢复为态势，会导致转换损失。 - **从网的角度** **看不全**：网联自动驾驶和智能交通控制依赖对路面细粒度态势的认知。由于不同传感器的特性差异，单一传感器难以全面获得路面的完整状态，必需进行多源多角度融合。但是由于车辆和路侧的智能化，导致多车路之间决策的相互影响，网络即便将全量数据收集汇聚到云平台，也只是收集到了历史路面状态，这种交通状态具有宏观规律性，但却无法准确演化出细粒度的微观态势。 **管不了**：由于智能的车和路控相互影响，路控根据交通状态决策，而任何路控对车的指挥或车根据交通态势进行的重路由，都会导致交通状态的变化，进而影响路控决策的有效性。同时，路面上的交通参与者也不止一个系统，会包括编队、应急、公交等等多种异质系统，这种智能信控、智能编队、智能保障等多子系统的复杂耦合，会导致使用中心云通过全局最优化进行交通调度是不可行的。 # 智能机器网络 以上人工智能化的自动驾驶和路控，群体智能化的车车和车路协同，其需求已经超越了传统通信和网络的能力。以前在探讨5G/C-V2X的时候，主要出发点还是在保证移动主体的通信质量，但是却忽视了通信和网络所需承载的对象。单纯的被动响应式的通信资源调度和网络组织管理，已经难以满足群体智能化的智能机器协同需求。在从5G到B5G&6G的演进途中，我们需要重新审视通信网络与智能应用的关系。 智能机器网络的特征包括： > **从人的协同到智能机器间的协同** - **从 独立认知/决策 到 协同认知/决策** 由于个体认知/决策的局限性，人工智能化的机器必然需要协同认知和协同决策，这意味着智能机器网络不但需要解决发给谁的问题，还要能解决协同什么、协同目标、协同效果评价等问题。 - **从 数据层协同 到 信息/意图层协同** 目前的V2X的协同层面仍然是在数据层，即便通过BSM、RSI等传递目标识别结果，但人工智能并不理解其交互内容，仍然需要恢复重建以重新认知和利用，因此其仍然相当于工作在数据层，与传递雷达和视频原始数据类似，还可能丢失更丰富的维度信息而导致认知质量下降。为了提高人工智能之间协同的效率，协同的层面需要从数据层进一步提升到信息层、意图层甚至知识层，这样才能支持机器之间基于协同目标和协同效果评价进行主动协同。 - **从 数据互操作 到 意图互操作** 为了支持在信息层、意图层进行协同认知和协同决策，需要引入新型的原生支持智能机器互操作的机器语言。这种机器语言需要支持人工智能特征交互，保证机器语言交互的精炼性和完备性，不会产生认知损失。这种机器语言之间的交互时机也不是人为定义，而是基于人工智能之间的协同意图，按需进行互操作，从而保证有效性。 - 互操作内容：人工智能提取的特征 - 互操作时机：人工智能协同的意图 > **从支持数据交换到支持人工智能能力协同** - **从 同质主体系统内协同 到 异质异构主体跨层协同** 由于机器的人工智能化发展是存在差异性、阶段性的，特别是开放道路环境下，不会只存在相同能力的单一等级智能主体。这意味着智能机器网络所面对的一定是不同能力不同等级异质异构智能主体，在数据层、信息层、意图层、知识层等不同层面的跨层协同。 - **从 固定目标的预设共识 到 机器群体动态协商共识** 由于环境的动态性，智能机器群体可能是动态变化的，比如自动驾驶运输车队、智能化社会车辆、智能化公交车等在交通路口通行过程中，参与协同的智能个体是动态的，参与协同的智能群体也是动态的，预设的共识已经无法应对这种复杂动态场景，需要智能机器主动去协商协同共识。 - **从 通信为中心 到 智能服务为中心** 人工智能化的机器组网与传统网络不同，传统面向人的组网是对数据内容的发现和传输，而智能机器网络是为了共同协作完成特定任务，因此智能机器网络需要支持智能能力的协商和寻址，需要主动协商协同共识。这样才能通过不同层面的泛在协同，去满足智能机器的协同目标。而网络拓扑，也不再是单纯根据网络通信最佳组织的拓扑。而应该基于协同共识、协同目标主动发掘并按需构建协同拓扑，这样组网才是真正符合协同需求的，能够避免冗余链路，也能保证协同的完备性。 - 协同拓扑：共识驱动的按需柔性拓扑 - 触发时机：智能机器群体协同共识更新 > **从泛在通信连接到泛在智能的连接** - **从 广播通信 到 定向通信** 智能机器的机器语言有不同层面，因此对通信的需求也不只广播，更需要定向。因为智能机器之间跨层次动态的协同，需要将有限的无线资源，主动分配给具有强烈协同需求的智能机器，而不仅仅是提供一个泛在的链接。 - **从 无线资源自优化 到 感通算资源联合优化** 智能机器之间的通信需求受到时间、位置、自身装备、周边环境等多重复杂因素影响，其通信需求并不单一，通信不能自顾自的优化，而需要考虑感知、计算等的需求，进行联合优化，这样才能在智能机器拓扑动态变化的时候，能够实时完成资源调控，以满足智能机器协同的需求。 - **从 基于统计的被动资源竞争 到 基于协同意图驱动的主动资源管控** 感通算资源的联合优化过程，也不能只基于网络感知数据进行统计和预测，然后进行资源的调控。这种感知和响应是被动的基于资源竞争结果的小幅度调优，而不是网络主动的资源管控。智能机器协同的需求是有预期的，预期目标就是维持协同共识。因此有可能基于协同意图，驱动进行网络资源的主动调控。一方面可以通过通信信号与雷达信号的一体化设计，解决无线资源调度对通信需求的感知问题，实现更好效果的跟踪和定向通信。另一方面可以通过将通信资源调度进行封装和开放，实现对协同意图的主动响应，从而满足网络资源主动调控需求。