车路协同：运用多方算力保障道路交通安全

车路协同可以利用路端设备收集路侧海量数据，当然了，如此巨大的数据量也不是个善茬，带来的是对整个系统算力的极高要求。

然而，单车智能搭载的芯片由于空间和功耗的限制，目前的算力最高只能达到1000+TOPS。

这是个什么概念？

从L3有条件的自动驾驶开始，车辆除了需要控制自身的转向和加速减速以外，还需要在行驶过程中对环境进行监测。

此时，车载芯片的算力起点就已经从L2的2Tops提升到了L3的24Tops。

进入到L4和L5阶段之后，还需要加入紧急事件触发接管机制，此时对算力的要求几乎是呈现指数级的上升，达到320TOPS和4000TOPS。

至少目前来看，单车智能在面对如此海量的数据时，只能选择躺平。

而相比来说，车路协同除了自己的感知单元，在接受路、其他车、信号灯等各个信息来源的消息，即便是自己的雷达不够，也有“上帝视角”来补足；自身算力不够，可以运用边缘计算和云计算技术，调用海量的算力来完成这些复杂运算，而不会受制于单车的算力。

不仅如此，车路协同算力设备部署更为稳定，不受行车规则的限制，5G通信可实时调用海量算力把车端路端算法互相反馈测试来验证结果。这些也都是单车智能在算力上所不具备的优势。

车路协同除了能让车认路以外，最厉害的一点就是有能力解决自动驾驶面临的最大挑战：安全问题。

像特斯拉近年来由辅助驾驶引起的事故越来越多，即便当时视野开阔且光线良好，然而其AutoPilot依然没有成功识别出来前方静止的障碍物。这实际就是单车智能在安全问题上遇到的瓶颈。

车路协同所具备的信息收集和分析优势使得车路协同在安全性的保证上可以引入多余度的概念。

多余度一词源自飞机的设计之中，该技术通过使用多个相同的功能单元和模块来接受相同的信息。当主单元故障时，便会切换至备份单元工作，保障飞机的安全运行。

对于车路协同来说，多余度就是利用道路交通各参与方来进行多维度的感知、跟踪、预测和学习。

通过路端的感知，以及车、路之间的信息共享，不仅可以补足车端感知视距有限、感知存在盲区等问题，特别能够实现对于其他交通参与者行为的预测和判断。

比如，行人的鬼探头、路口有车辆突然窜出、同一条道路其他车辆的不规范行驶，甚至在无红绿灯路口交警现场指控交通时的命令等都可以由路端感知后提前预测判断，然后再把信号无延迟地传送给车辆端。

这就像是给单点智能的车加装上全天候、全场景、360度的“千里眼”和统筹全局的“智慧脑”， 实现车、路、人、基础设施的万物互联和万物互控。

未来，每辆车都将成为信息的接收者、中转者、处理者和发出者，全局调配将在一张城市智慧网上运行，实现对信息的多重采集和判断，从而实现无人驾驶安全性上指数级的提升。