智能汽車車聯(lián)網(wǎng)通信架構(gòu)與數(shù)據(jù)協(xié)同研究

中圖分類號(hào)：U463.67 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-8639（2025）07-0063-04

Researchon CommunicationArchitectureandDataCollaborationof Intelligent Vehicle Internetof Vehicles

Zhao Wenping’，ZhangGuodong2 （1.Tianjin College of Commerce，Tianjin 30oooo，China； 2.Tianjin 712 Communication and Broadcasting Co.，Ltd.，Tianjin 30oooo，China）

【Abstract】In thecurrent urban traffc scenarios，vehicles need to interact frequently with roadsideequipment， cloud platformsand other vehicles.Thetraditional communicationarchitecture hasproblems suchas highdata latency， lowcollaborationeficiencyand insuffcientreliability，whichareprone tocausesafetyriskproblems.Thearticlemainly studiesitscommunicationarchitecture designand datacolaborative processing schemeintheInternetof Vehicles environment，with a focus onsolving problems such asresource competition inhigh-densityscenarios.Theefectivenes ofthe hierarchical communicationarchitectureand standardized protocolsisverified bybuildingasimulation experiment platform，etc.The results show that under conditions such as local layer bandwidth allocation ?40% ，the system can meettherelevant securityindicators.

【Key words】 internet of vehicles；intellgent car；communication architecture；data colaborative processing

智能汽車將傳感器、通信模塊與計(jì)算平臺(tái)融合，行進(jìn)過程中能實(shí)時(shí)感知環(huán)境、規(guī)劃路徑并規(guī)避風(fēng)險(xiǎn)。然而，現(xiàn)有技術(shù)仍面臨以下不足，具體表現(xiàn)為：一是傳統(tǒng)通信架構(gòu)難以動(dòng)態(tài)分配資源，易導(dǎo)致關(guān)鍵數(shù)據(jù)傳輸延遲；二是數(shù)據(jù)一致性難以保障，路側(cè)單元（RoadSideUnit，RSU）與車輛對同一障礙物的位置判斷若存在偏差，將引發(fā)錯(cuò)誤避讓指令。通信架構(gòu)的優(yōu)化與數(shù)據(jù)協(xié)同設(shè)計(jì)是突破上述瓶頸的關(guān)鍵，分層架構(gòu)可將計(jì)算任務(wù)合理分配至本地設(shè)備、邊緣節(jié)點(diǎn)，減少核心網(wǎng)絡(luò)的負(fù)載壓力。因此，建立一套兼顧效率與可靠性的車聯(lián)網(wǎng)通信框架并通過貼近實(shí)際的測試驗(yàn)證其性能邊界具有重要意義。文章將探索智能汽車在車聯(lián)網(wǎng)環(huán)境下的通信架構(gòu)設(shè)計(jì)與數(shù)據(jù)協(xié)同處理方案，重點(diǎn)解決高密度場景下的資源競爭、數(shù)據(jù)一致性保障及極端環(huán)境容錯(cuò)問題，分析得出的結(jié)論可為智能交通系統(tǒng)的優(yōu)化提供理論依據(jù)。

1車聯(lián)網(wǎng)通信架構(gòu)與數(shù)據(jù)處理問題分析

1.1通信延遲與帶寬不足的根源

車輛上傳位置、速度等信息至遠(yuǎn)程服務(wù)器，經(jīng)計(jì)算后傳回指令。網(wǎng)絡(luò)負(fù)載過高時(shí)，數(shù)據(jù)排隊(duì)致通信延遲增加，緊急制動(dòng)預(yù)警等實(shí)時(shí)場景易引發(fā)安全隱患。交通高峰期大量車輛競爭信道，帶寬資源均攤使安全報(bào)警延遲。車輛未及時(shí)獲事故信息加劇擁堵，路側(cè)設(shè)備數(shù)據(jù)延遲致版本沖突增加碰撞風(fēng)險(xiǎn)。無線信號(hào)受環(huán)境干擾易重傳數(shù)據(jù)包，既增延遲又浪費(fèi)帶寬，電磁噪聲覆蓋有效信號(hào)時(shí)，重傳機(jī)制占用通信時(shí)間，致實(shí)時(shí)信息無法及時(shí)觸達(dá)，威脅行車安全。前方車輛突然緊急制動(dòng)，其發(fā)出的報(bào)警信息因噪聲干擾未能一次送達(dá)，需要重傳幾次才能被后車收到，這寶貴的零點(diǎn)幾秒延遲，足以讓后車失去最佳的避讓時(shí)機(jī)。更嚴(yán)峻的是，關(guān)鍵信息的反復(fù)重傳還會(huì)擠占信道帶寬，阻礙其他同樣重要的實(shí)時(shí)信息及時(shí)傳輸。信息流的“塞車”使得車輛無法及時(shí)、全面地掌握瞬息萬變的路況，其感知和決策能力被嚴(yán)重削弱，使得本應(yīng)提升安全性的智能系統(tǒng)，在特定電磁干擾場景下，反而可能因信息傳遞的“卡頓”而埋下行車安全隱患。

1.2 多源異構(gòu)數(shù)據(jù)的整合難題

不同設(shè)備數(shù)據(jù)格式與協(xié)議差異顯著，車載雷達(dá)、攝像頭等輸出數(shù)據(jù)需經(jīng)格式轉(zhuǎn)換才能統(tǒng)一分析，此過程消耗計(jì)算資源且易丟失信息。車聯(lián)網(wǎng)多系統(tǒng)協(xié)議不一致，跨系統(tǒng)數(shù)據(jù)傳遞需多次轉(zhuǎn)換適配，導(dǎo)致傳輸慢、解析易失敗。車載傳感器每秒產(chǎn)生百條數(shù)據(jù)且格式各異，而路側(cè)設(shè)備數(shù)據(jù)更新慢，高頻與低頻數(shù)據(jù)混雜致系統(tǒng)處理卡頓、關(guān)鍵指令延遲，海量數(shù)據(jù)還擠占帶寬，降低危險(xiǎn)響應(yīng)及時(shí)性。具體分析可知，車輛本身集成了多種傳感器，如雷達(dá)、攝像頭、超聲波探頭等，這些傳感器由不同供應(yīng)商提供，各自采用最適合其工作原理的內(nèi)部數(shù)據(jù)格式和通信協(xié)議。道路上的信號(hào)燈、路側(cè)單元、交通監(jiān)控?cái)z像頭等基礎(chǔ)設(shè)施設(shè)備也來自不同品牌、不同批次，其數(shù)據(jù)輸出方式和通信標(biāo)準(zhǔn)各不相同，設(shè)備來源的多樣性直接導(dǎo)致了底層數(shù)據(jù)格式和協(xié)議差異。這些協(xié)議主要關(guān)注設(shè)備間的通信連接，對于數(shù)據(jù)本身的格式、語義、結(jié)構(gòu)并未進(jìn)行嚴(yán)格統(tǒng)一規(guī)定，因而使得不同設(shè)備產(chǎn)生的數(shù)據(jù)難以被對方系統(tǒng)直接理解和有效利用。車聯(lián)網(wǎng)環(huán)境對數(shù)據(jù)的時(shí)效性、頻率和處理能力提出了極高的、且差異巨大的要求，車輛為了保障行駛安全，其搭載的傳感器需要以極高的頻率感知環(huán)境并生成數(shù)據(jù)流。然而，路側(cè)基礎(chǔ)設(shè)施的數(shù)據(jù)更新頻率低，使得系統(tǒng)在處理時(shí)需要同時(shí)應(yīng)對高速涌人的車載數(shù)據(jù)和相對緩慢的路側(cè)數(shù)據(jù)流，極易導(dǎo)致數(shù)據(jù)處理管道擁堵。此外，車輛本身的移動(dòng)性加劇了數(shù)據(jù)整合的復(fù)雜性。車輛高速移動(dòng)時(shí)，需要不斷地與不同的路側(cè)單元、其他車輛建立和斷開連接，接人的網(wǎng)絡(luò)環(huán)境、可用的通信帶寬等數(shù)據(jù)源一直在動(dòng)態(tài)變化，車聯(lián)網(wǎng)系統(tǒng)需要在動(dòng)態(tài)環(huán)境中實(shí)時(shí)識(shí)別可用的數(shù)據(jù)源，理解其格式協(xié)議進(jìn)行轉(zhuǎn)換、計(jì)算。這一過程中，系統(tǒng)需要具備高實(shí)時(shí)性、高可靠性、高安全性的能力才能確保數(shù)據(jù)的高效處理和智能決策，這對系統(tǒng)的適應(yīng)性和處理能力提出了極高要求。

1.3邊緣計(jì)算資源分配與模型訓(xùn)練難題

邊緣計(jì)算在車聯(lián)網(wǎng)中負(fù)責(zé)將數(shù)據(jù)處理和計(jì)算任務(wù)從遙遠(yuǎn)的云端拉近到靠近車輛的道路邊緣，滿足車輛對低延遲和高可靠性的嚴(yán)格要求。然而，將計(jì)算資源部署到靠近車輛的邊緣位置帶來了資源分配方面的問題。不同于擁有龐大計(jì)算集群的數(shù)據(jù)中心，單個(gè)部署在路邊的邊緣服務(wù)器或路側(cè)單元內(nèi)部可用的處理器能力、內(nèi)存大小、存儲(chǔ)空間都相對有限，而道路上行駛的車輛數(shù)量眾多，且會(huì)不斷發(fā)生變化，每輛車都會(huì)同時(shí)產(chǎn)生需要即時(shí)處理的數(shù)據(jù)。在交通高峰期的路口情況下，該節(jié)點(diǎn)有限的資源難以同時(shí)、高效地響應(yīng)所有車輛的計(jì)算需求，此時(shí)任務(wù)處理就會(huì)出現(xiàn)延遲、處理失敗的情況。

而關(guān)于模型訓(xùn)練難題，車輛在道路上持續(xù)行駛時(shí)的位置以及與周邊邊緣節(jié)點(diǎn)的連接關(guān)系一直在變化，頻繁的網(wǎng)絡(luò)切換和連接不穩(wěn)定對需要持續(xù)計(jì)算資源支持的任務(wù)構(gòu)成了嚴(yán)重干擾。訓(xùn)練一個(gè)用于識(shí)別復(fù)雜交通場景的智能模型需要收集和分析一段時(shí)間內(nèi)連續(xù)多輛車的相關(guān)數(shù)據(jù)。如果參與訓(xùn)練的車輛不斷移動(dòng)，那么就意味著其數(shù)據(jù)來源和計(jì)算節(jié)點(diǎn)是在不斷變更的，這將無法保障訓(xùn)練過程的連續(xù)性和數(shù)據(jù)一致性。此外，早晚高峰時(shí)段，城市主干道或高速公路入口的車流量激增，導(dǎo)致覆蓋該區(qū)域的少數(shù)邊緣節(jié)點(diǎn)負(fù)載快速攀升，資源也迅速被消耗殆盡。而在非高峰時(shí)段，邊緣節(jié)點(diǎn)的資源則處于閑置狀態(tài)，難以發(fā)揮作用。在分布式部署的邊緣節(jié)點(diǎn)之間實(shí)現(xiàn)高效協(xié)同、共享資源并共同完成復(fù)雜任務(wù)，這一過程需要復(fù)雜的技術(shù)支持。

2智能汽車通信架構(gòu)與數(shù)據(jù)協(xié)同處理方案

2.1分層式通信架構(gòu)的設(shè)計(jì)與優(yōu)化

智能汽車分層式通信架構(gòu)將車聯(lián)網(wǎng)功能劃分為本地層、邊緣層與云端層，優(yōu)化資源分配并降低延遲。本地層由車輛自身計(jì)算單元和短距離通信模塊組成，負(fù)責(zé)緊急制動(dòng)這一實(shí)時(shí)性要求最高的任務(wù)；邊緣層部署在道路路側(cè)設(shè)備中，處理區(qū)域內(nèi)的數(shù)據(jù)協(xié)同；云端層則負(fù)責(zé)交通流量預(yù)測此類非實(shí)時(shí)任務(wù)。

在通信架構(gòu)優(yōu)化過程中，第一步先假設(shè)系統(tǒng)總帶寬為B，分配給本地層、邊緣層和云端層的帶寬分別為Blocal、Bedge、Bcloud，優(yōu)化目標(biāo)為最小化整體通信延遲D：

D=α+β+γ

式中： α，β 、 γ ——各層任務(wù)的優(yōu)先級(jí)權(quán)重，實(shí)時(shí)監(jiān)測網(wǎng)絡(luò)負(fù)載來調(diào)整Blocal、Bedge、Bcloud的比例，以使高優(yōu)先級(jí)任務(wù)始終獲得充足帶寬。

第二步是利用自適應(yīng)路由算法，輸入信號(hào)強(qiáng)度、丟包率等實(shí)時(shí)鏈路質(zhì)量和節(jié)點(diǎn)負(fù)載，輸出最優(yōu)傳輸路徑，鏈路權(quán)重W定義為： W=λ× 延遲 +（1-λ）× 負(fù)載率，其中， λ 為可調(diào)參數(shù)（ 0≤λ≤1 ），用于平衡延遲與負(fù)載。

2.2 跨平臺(tái)數(shù)據(jù)協(xié)同的標(biāo)準(zhǔn)化協(xié)議

參與協(xié)同的設(shè)備需提前約定數(shù)據(jù)打包和解包規(guī)則，將數(shù)據(jù)統(tǒng)一分為頭部、內(nèi)容、校驗(yàn)3部分。頭部記錄數(shù)據(jù)來源等信息，內(nèi)容部分用固定字段和單位存儲(chǔ)數(shù)值，非數(shù)值信息用數(shù)字代表，校驗(yàn)部分通過計(jì)算驗(yàn)證數(shù)據(jù)完整性。標(biāo)準(zhǔn)化協(xié)議簡化確認(rèn)動(dòng)作，發(fā)送方推送數(shù)據(jù)，接收方僅在格式錯(cuò)誤時(shí)要求重傳。底層傳輸數(shù)據(jù)塊，無論是攝像頭拍到的圖像數(shù)據(jù)、雷達(dá)探測的距離信息，還是GPS定位信號(hào)，在底層都被打包成大小合適、格式統(tǒng)一的數(shù)據(jù)塊。中層拆解數(shù)據(jù)，即依據(jù)標(biāo)準(zhǔn)化協(xié)議把集裝箱里的原始數(shù)據(jù)塊拆解開來。上層調(diào)用處理邏輯，根據(jù)自己負(fù)責(zé)的任務(wù)靈活地調(diào)用它所需要的特定信息。當(dāng)?shù)讓觽鬏斶^來的、格式統(tǒng)一的數(shù)據(jù)塊抵達(dá)后，中層處理模塊會(huì)依據(jù)預(yù)先約定的標(biāo)準(zhǔn)化協(xié)議進(jìn)行數(shù)據(jù)塊拆解，檢查數(shù)據(jù)在傳輸過程中有沒有發(fā)生錯(cuò)誤或丟失。驗(yàn)證通過后，提取頭部信息，明確這份數(shù)據(jù)具體來自哪個(gè)設(shè)備、是什么類型的數(shù)據(jù)以及產(chǎn)生的時(shí)間等關(guān)鍵數(shù)據(jù)，而后按照協(xié)議中嚴(yán)格定義的固定字段名稱、數(shù)據(jù)類型、單位轉(zhuǎn)換成系統(tǒng)內(nèi)部可理解和處理的標(biāo)準(zhǔn)格式。這一步為上層提供了準(zhǔn)確、結(jié)構(gòu)化的信息資料。

上層獲得中層提供的結(jié)構(gòu)化數(shù)據(jù)后，各個(gè)負(fù)責(zé)具體功能的子系統(tǒng)（自動(dòng)制動(dòng)系統(tǒng)、導(dǎo)航系統(tǒng)、交通預(yù)警系統(tǒng)等）開始發(fā)揮作用。其中，負(fù)責(zé)碰撞預(yù)警的系統(tǒng)會(huì)調(diào)用附近車輛的距離和速度數(shù)據(jù)，從而判斷是否存在潛在的碰撞風(fēng)險(xiǎn)并及時(shí)向駕駛員發(fā)出預(yù)警提示，以幫助駕駛員采取相應(yīng)的避讓措施。規(guī)劃路徑的導(dǎo)航系統(tǒng)會(huì)提取GPS定位、道路限速、前方擁堵信息，動(dòng)態(tài)調(diào)整路線，為用戶提供最優(yōu)行駛路徑。上層系統(tǒng)結(jié)合自身的算法和策略判斷做出執(zhí)行決策。這種設(shè)計(jì)既保障了不同系統(tǒng)間關(guān)鍵數(shù)據(jù)共享的協(xié)同效率，又充分尊重了各系統(tǒng)根據(jù)自身職責(zé)進(jìn)行獨(dú)立運(yùn)算和判斷的自主性，共同保障了行車安全。

2.3 部署輕量化模型與模型壓縮技術(shù)

智能汽車的平穩(wěn)行駛依靠的是各種傳感器，這些傳感器能夠?qū)崟r(shí)感知環(huán)境，并運(yùn)行復(fù)雜的計(jì)算模型來實(shí)現(xiàn)自動(dòng)緊急制動(dòng)、識(shí)別交通標(biāo)志等功能。其中所運(yùn)用的深度學(xué)習(xí)模型包含海量的計(jì)算步驟和數(shù)據(jù)量。然而，智能汽車本身算力有限、電量有限，且路邊的邊緣計(jì)算設(shè)備也難以高效運(yùn)行這些大模型，如果強(qiáng)行運(yùn)行，會(huì)導(dǎo)致計(jì)算速度極慢，無法滿足行車安全所需的快速響應(yīng)需要。因此，為了讓這些對安全至關(guān)重要的模型能夠在汽車和路邊設(shè)備上順暢、快速地運(yùn)行，必須使用輕量化模型和應(yīng)用模型壓縮技術(shù)，從而在不顯著降低模型準(zhǔn)確性和功能的前提下，大幅度減少模型的計(jì)算量、占用的存儲(chǔ)空間和運(yùn)行所需的能量。

實(shí)現(xiàn)模型輕量化主要有兩大方向：一是工程師們在構(gòu)建模型結(jié)構(gòu)時(shí)，將模型設(shè)計(jì)為內(nèi)部結(jié)構(gòu)更精煉、計(jì)算步驟更少的模型；二是對已經(jīng)訓(xùn)練好、性能強(qiáng)大、體積龐大的現(xiàn)有模型進(jìn)行優(yōu)化，即采用模型壓縮技術(shù)。

首先分析模型內(nèi)部哪些計(jì)算節(jié)點(diǎn)或連接對最終結(jié)果影響微乎其微，然后將其移除，從而簡化模型結(jié)構(gòu)。其次，改變模型內(nèi)部處理數(shù)據(jù)的方式，原本模型計(jì)算時(shí)使用非常精細(xì)的數(shù)值，量化后則使用比較粗糙但足夠用的數(shù)值，從而顯著減少計(jì)算量和內(nèi)存占用。此外，還可以使用一個(gè)訓(xùn)練好、功能強(qiáng)大的復(fù)雜大模型去指導(dǎo)訓(xùn)練一個(gè)新的、結(jié)構(gòu)簡單得多的小模型，讓小模型學(xué)習(xí)并模仿大模型的判斷能力。最終，這個(gè)小模型就能達(dá)到接近大模型的效果，但體積和計(jì)算需求卻小得多。將這些輕量化模型部署在智能汽車的車載電腦以及路邊的邊緣服務(wù)器上，能夠確保各種智能應(yīng)用快速響應(yīng)，為駕駛?cè)藛T提供更安全、更流暢的服務(wù)體驗(yàn)。

3通信架構(gòu)與數(shù)據(jù)處理方案的試驗(yàn)驗(yàn)證

3.1仿真試驗(yàn)平臺(tái)的搭建與參數(shù)設(shè)定

為驗(yàn)證車聯(lián)網(wǎng)方案效果，搭建仿真平臺(tái)模擬車輛、路側(cè)設(shè)備等交互。選取帶寬分配比例、車輛密度、鏈路穩(wěn)定性閾值、數(shù)據(jù)校驗(yàn)強(qiáng)度4個(gè)關(guān)鍵參數(shù)，見表1。帶寬分配影響通信延遲，本地層占比低于30% 或云端層超 30% 均影響任務(wù)響應(yīng)。車輛密度達(dá)200輛/平方公里時(shí)，信號(hào)干擾致數(shù)據(jù)重傳率上升。鏈路穩(wěn)定性閾值過嚴(yán)或過松，分別會(huì)增加開銷或?qū)е聰?shù)據(jù)丟失。CRC16校驗(yàn)速度快但檢錯(cuò)率低，CRC32反之，需按場景選用。

3.2 通信性能的延遲與穩(wěn)定性測試

車聯(lián)網(wǎng)通信架構(gòu)在真實(shí)場景中的表現(xiàn)高低需要經(jīng)過延遲和穩(wěn)定性測試，測試通過模擬不同交通場景與網(wǎng)絡(luò)負(fù)載，結(jié)合關(guān)鍵參數(shù)調(diào)整，評估系統(tǒng)是否滿足安全要求。智能汽車通信性能的延遲與穩(wěn)定性測試參數(shù)如表2所示。

從端到端延遲的測試數(shù)據(jù)來看，當(dāng)本地層帶寬占比 ?40% 時(shí)，緊急任務(wù)延遲穩(wěn)定在 45ms 以下，符合安全要求。高密度場景下，信號(hào)強(qiáng)度低于 -80dBm 會(huì)使抖動(dòng)率達(dá) 40ms ，超出閾值，致指令執(zhí)行不穩(wěn)，優(yōu)化帶寬分配和啟用冗余路由可改善。低密度時(shí)CRC32校驗(yàn)成功率超 99.5% ，但車輛密度超180輛每平方千米會(huì)因擁塞致成功率下降、關(guān)鍵數(shù)據(jù)丟失，需在邊緣層動(dòng)態(tài)控流并為關(guān)鍵數(shù)據(jù)預(yù)留信道。系統(tǒng)在車輛密度 ?150 輛每平方千米、本地帶寬 340% 且用CRC32校驗(yàn)時(shí)，可滿足延遲 ?50ms 、抖動(dòng)率 ?25ms 、成功率 ?99.5% 的指標(biāo)。

3.3數(shù)據(jù)協(xié)同處理的效率與可靠性驗(yàn)證

車聯(lián)網(wǎng)智能汽車的數(shù)據(jù)協(xié)同處理能力直接影響車輛對復(fù)雜交通環(huán)境的響應(yīng)效率與安全性。測試模擬了城市道路、高速公路、極端擁堵場景，通過調(diào)整數(shù)據(jù)分發(fā)頻率、校驗(yàn)機(jī)制及任務(wù)優(yōu)先級(jí)，驗(yàn)證了車聯(lián)網(wǎng)系統(tǒng)在動(dòng)態(tài)環(huán)境下的表現(xiàn)。智能汽車數(shù)據(jù)協(xié)同處理的效率與可靠性驗(yàn)證見表3。

在數(shù)據(jù)同步效率上，緊急數(shù)據(jù)同步時(shí)間 ?85ms 滿足安全要求，非緊急數(shù)據(jù)在干擾或擁塞時(shí)延遲120ms ，優(yōu)化分發(fā)策略可減少波動(dòng)。啟用CRC校驗(yàn)時(shí)，多設(shè)備協(xié)作錯(cuò)誤率 0.3% ，低于 1% 閾值，關(guān)閉則升至 5% ，需強(qiáng)制啟用校驗(yàn)。資源充足時(shí)關(guān)鍵任務(wù)完成率高，高負(fù)載下非關(guān)鍵任務(wù)完成率降至 90% 。綜上，方案在緊急數(shù)據(jù)同步 ?100ms 、強(qiáng)制校驗(yàn)、動(dòng)態(tài)分配帶寬時(shí)表現(xiàn)最優(yōu)。

4結(jié)論

綜上所述，本研究圍繞車聯(lián)網(wǎng)智能汽車的通信架構(gòu)與數(shù)據(jù)協(xié)同處理問題進(jìn)行理論分析與試驗(yàn)驗(yàn)證。結(jié)果表明：當(dāng)本地層帶寬分配 340% 、車輛密度 ?150 輛每平方千米時(shí)，端到端延遲可穩(wěn)定控制在 50ms 以下，滿足緊急任務(wù)的安全需求；在數(shù)據(jù)協(xié)同處理方面，緊急數(shù)據(jù)同步時(shí)間 ?85ms 、CRC校驗(yàn)下協(xié)同錯(cuò)誤率低至 0.3% 、關(guān)鍵任務(wù)完成率 ?98% 。后續(xù)研究可深入探索人工智能驅(qū)動(dòng)的動(dòng)態(tài)資源分配算法，并推動(dòng)5G與V2X（VehicletoEverything）技術(shù)的深度融合，為智能汽車提供更安全、高效的數(shù)據(jù)服務(wù)。

參考文獻(xiàn)

[1]渠謹(jǐn)黛，郝放，徐鵬程，等.智能汽車通信系統(tǒng)的技術(shù)進(jìn)展與挑戰(zhàn)[J].汽車電器，2025（4）：28-31.

[2]劉淑娟，倪璇.智能汽車試驗(yàn)平臺(tái)的底層控制系統(tǒng)設(shè)計(jì)[J].汽車電器，2025（3）：14-17.

[3]王海晶.基于車載以太網(wǎng)的智能汽車通信系統(tǒng)設(shè)計(jì)研究[J].汽車測試報(bào)告，2025（3）：16-18.

[4]渠謹(jǐn)黛，郝放，徐鵬程，等.智能汽車通信系統(tǒng)的技術(shù)進(jìn)展與挑戰(zhàn)[J].重型汽車，2024（5）：25-26.

[5]任晨森.智能網(wǎng)聯(lián)技術(shù)在汽車中的應(yīng)用[J].集成電路應(yīng)用，2024，41（3）：178-179.

（編輯林子衿）