Mreže autonomnih vozila: V2X komunikacija, lidar senzori i mreže sa ultra niskim kašnjenjem

Razvoj autonomnih vozila (AV) predstavlja jednu od najrevolucionarnijih prekretnica u istoriji transporta, obećavajući transformaciju urbanih sredina, poboljšanje bezbednosti saobraćaja i značajno unapređenje efikasnosti mobilnosti. Međutim, potpuna autonomija vozila, odnosno sposobnost samostalnog navigovanja u kompleksnim i dinamičnim okruženjima bez ljudske intervencije, zavisi od sinergije više naprednih tehnologija. Među njima se posebno izdvajaju sofisticirani senzorski sistemi poput Lidara, robustne komunikacione arhitekture kao što je V2X (Vehicle-to-Everything) komunikacija, te telekomunikacione mreže sa ultra niskim kašnjenjem (URLLC), neophodne za obradu i razmenu kritičnih podataka u realnom vremenu. Ovaj članak dubinski analizira ove stubove moderne autonomne mobilnosti, istražujući njihov istorijski razvoj, tehničke principe, izazove i buduće perspektive.

Istorijski razvoj i paradigma autonomne mobilnosti

Ideja o samovozećim automobilima fascinira čovečanstvo decenijama, pojavljujući se u naučnoj fantastici mnogo pre nego što je tehnologija dozvolila ozbiljna istraživanja. Prvi eksperimenti sa automatski upravljanim vozilima datiraju još iz sredine 20. veka, sa značajnim napretkom u projektima poput General Motors-ovog "Firebirda" iz 1950-ih ili japanskih istraživanja na Univerzitetu u Tsukubi 1970-ih godina, koja su koristila kamere za praćenje belih linija na putu. Projekat ALVINN (Autonomous Land Vehicle In a Neural Network) sa Carnegie Mellon Univerziteta krajem 1980-ih, a kasnije i evropski projekat PROMETHEUS (Programme for European Traffic with Highest Efficiency and Unprecedented Safety) početkom 1990-ih, postavili su temelje za savremene sisteme, demonstrirajući mogućnost autonomnog upravljanja na otvorenim putevima. Ovi rani sistemi bili su uglavnom zasnovani na internim senzorima i heurističkim algoritmima, sa ograničenom sposobnošću percepcije okoline i bez eksterne komunikacije.

Prekretnica se dogodila sa DARPA Grand Challenge i Urban Challenge takmičenjima tokom 2000-ih, koja su podstakla masivna ulaganja i istraživanja u oblasti senzorskih tehnologija (Lidar, radar, kamere) i algoritama veštačke inteligencije. Ova takmičenja su jasno pokazala da je za pouzdanu autonomnu vožnju neophodan holistički pristup koji integriše različite izvore informacija. Razumevanje da autonomno vozilo ne može funkcionisati kao izolovana jedinica, već mora biti deo šireg ekosistema, dovelo je do razvoja koncepta povezane autonomne vožnje, gde komunikacija igra centralnu ulogu.

V2X komunikacija: temelj povezane mobilnosti

V2X (Vehicle-to-Everything) komunikacija predstavlja kičmu povezane mobilnosti, omogućavajući vozilima da razmenjuju informacije ne samo međusobno, već i sa saobraćajnom infrastrukturom, pešacima i mrežom. Ovo drastično proširuje 'vidokrug' autonomnog vozila izvan onoga što mogu detektovati onboard senzori, omogućavajući proaktivno donošenje odluka i poboljšanu bezbednost.

Tipovi V2X interakcija

V2X se deli na četiri osnovna tipa interakcija:

• V2V (Vehicle-to-Vehicle): Direktna komunikacija između vozila, ključna za kooperativnu svesnost, upozorenja na sudare, koordinaciju platooninga (grupnog kretanja vozila) i razmenu informacija o putu.
• V2I (Vehicle-to-Infrastructure): Komunikacija između vozila i putne infrastrukture (semafori, putokazi, pametni putevi, senzori). Omogućava optimizaciju protoka saobraćaja, prilagođavanje brzine zelenim talasima, informacije o radovima na putu i uslovima vožnje.
• V2P (Vehicle-to-Pedestrian/Vulnerable Road User): Komunikacija sa pešacima, biciklistima i drugim ranjivim učesnicima u saobraćaju, obično putem pametnih telefona ili nosivih uređaja. Cilj je prevencija nesreća upozoravanjem vozila na prisustvo pešaka i obrnuto.
• V2N (Vehicle-to-Network): Komunikacija vozila sa centralizovanom mrežom (cloud serveri, telekomunikacioni operateri). Koristi se za preuzimanje mapa visoke rezolucije, ažuriranja softvera, daljinsku dijagnostiku, zabavne sadržaje i obradu velikih količina podataka van vozila.

Evolucija V2X standarda: od DSRC do C-V2X

Istorijski, dva glavna tehnološka pristupa dominirala su u razvoju V2X komunikacije:

1. DSRC (Dedicated Short-Range Communications): Raniji standard, zasnovan na IEEE 802.11p specifikaciji, poznatoj i kao WLAN u vehicularnim okruženjima (WAVE). DSRC koristi nelicencirani opseg od 5.9 GHz (u SAD i nekim drugim regionima) i omogućava direktnu komunikaciju V2V i V2I na kratkim rastojanjima (do 1000 metara) sa niskim kašnjenjem. Razvoj DSRC-a započeo je kasnih 1990-ih, a standard je bio ključan u ranim fazama istraživanja kooperativnih inteligentnih transportnih sistema (C-ITS). Njegova glavna prednost leži u nezavisnosti od mobilne infrastrukture, što obezbeđuje robustnost u ruralnim ili slabo pokrivenim područjima. Međutim, nedostaci uključuju ograničen domet, nisku skalabilnost za gust saobraćaj i odsustvo prirodnog puta ka naprednim uslugama koje zahtevaju obradu u oblaku. ¹
2. C-V2X (Cellular V2X): Noviji pristup koji koristi mobilnu mrežu (LTE ili 5G) kao osnovu. Razvoj C-V2X-a pokrenut je od strane 3GPP (3rd Generation Partnership Project) u okviru specifikacija Release 14 (LTE-V2X), a kasnije je evoluirao u 5G NR V2X (New Radio V2X) sa Release 16 i dalje. C-V2X takođe podržava dva načina rada:
   • Direktna komunikacija (sidelink): V2V, V2I i V2P interakcije se odvijaju direktno, bez posredovanja bazne stanice, koristeći resurse mobilne mreže ali bez potrebe za njenim punim prisustvom (Mode 4 u LTE-V2X).

Prednosti C-V2X-a uključuju superioran domet, pouzdanost, skalabilnost, kao i mogućnost iskorišćavanja postojećih telekomunikacionih investicija. Posebno je značajan put unapređenja ka 5G NR V2X, koji obezbeđuje podršku za ekstremno niska kašnjenja (URLLC) i masivnu konektivnost (mMTC), što je ključno za napredne scenarije autonomne vožnje.

Trenutno, u svetu postoji debata o tome koji će standard preovladati. Dok su neke regije (poput Evrope) prvobitno favorizovale DSRC/ITS-G5, globalni trendovi ukazuju na sve veću podršku C-V2X-u zbog njegovih inherentnih prednosti i kompatibilnosti sa budućim 5G ekosistemom.

ETSI (European Telecommunications Standards Institute) je razvio seriju standarda za ITS (Intelligent Transport Systems) koristeći DSRC/ITS-G5 tehnologiju za emitovanje poruka poput Cooperative Awareness Message (CAM) i Decentralized Environmental Notification Message (DENM). Ove poruke omogućavaju vozilima da dele osnovne informacije o svom položaju, brzini i smeru kretanja, kao i upozorenja o opasnostima na putu, sa ciljem poboljšanja bezbednosti i efikasnosti saobraćaja.

Tabela 1: poređenje DSRC i C-V2X standarda

Lidar senzori: oči autonomnih vozila

Dok V2X obezbeđuje kooperativnu svesnost iz šire perspektive, onboard senzori su ključni za preciznu percepciju neposrednog okruženja vozila. Među njima, Lidar (Light Detection and Ranging) igra ključnu ulogu zbog svoje sposobnosti da generiše izuzetno precizne trodimenzionalne mape okoline.

Principi rada lidara

Lidar radi na principu sličnom radaru, ali umesto radio talasa, koristi laserske impulse. Senzor emituje kratke impulse laserske svetlosti i meri vreme koje je potrebno tim impulsima da se odbiju od objekata u okolini i vrate do prijemnika. Na osnovu vremena putovanja (time-of-flight) i poznate brzine svetlosti, Lidar precizno izračunava udaljenost do svakog detektovanog objekta. Ponovljenim emitovanjem impulsa u različitim pravcima, Lidar generiše "oblak tačaka" (point cloud) – preciznu 3D reprezentaciju okoline, sa milimetarskom ili centimetarskom preciznošću. ²

Vrste lidar senzora i njihov razvoj

Istorijski, prvi Lidar sistemi za autonomna vozila bili su glomazni i skupi, često postavljani na krov vozila sa rotirajućim glavama (npr. Velodyne HDL-64E). Njihove performanse su bile izvanredne, ali su dimenzije, cena (desetine hiljada dolara po jedinici) i mehanički delovi predstavljali značajne prepreke za komercijalizaciju.

Razvoj Lidar tehnologije fokusirao se na smanjenje troškova, dimenzija i povećanje robusnosti:

• Mehanički Lidar: Klasični Lidar sa rotirajućim ogledalima ili laserskim emiterima koji skeniraju okolinu. Nudi široko vidno polje i veliku gustinu tačaka.
• MEMS Lidar (Micro-Electro-Mechanical Systems): Koristi minijaturna, mehanički pokretna ogledala za usmeravanje laserskih impulsa. Manji su, jeftiniji i pouzdaniji od klasičnih mehaničkih Lidar senzora.
• Flash Lidar: Ne sadrži pokretne delove. Emituje širok laserski impuls koji istovremeno osvetljava celo vidno polje, a zatim koristi niz prijemnika za hvatanje odbijene svetlosti. Prednosti uključuju robusnost, kompaktnost i potencijalno vrlo nisku cenu, ali sa izazovima u dometu i rezoluciji.
• Fotonika na čipu (Photonic Integrated Circuits - PIC): Najnovija generacija koja obećava masovnu proizvodnju visoko integrisanih, minijaturnih i jeftinih Lidar senzora, čime bi se omogućila njihova masovna implementacija u vozila.

Fuzija senzora: komplementarnost sa radarom i kamerama

Iako Lidar nudi izvanrednu preciznost u 3D mapiranju, on ima i svoje nedostatke. Njegova efikasnost može biti smanjena u ekstremnim vremenskim uslovima (jaka kiša, sneg, magla) zbog apsorpcije i rasipanja laserske svetlosti. Takođe, Lidar ne pruža informacije o boji i teksturi objekata, što je ključno za prepoznavanje saobraćajnih znakova ili semafora.

Zbog toga, Lidar se retko koristi samostalno. Umesto toga, podaci iz Lidara se fuzioniraju sa informacijama iz drugih senzora:

• Radar: Odličan za merenje brzine i udaljenosti objekata, posebno robustan u lošim vremenskim uslovima. Daje precizne podatke o relativnoj brzini objekata, što Lidar ne može samostalno.
• Kamere: Pružaju bogate vizuelne informacije (boje, teksture), ključne za prepoznavanje saobraćajnih znakova, signalizacije i klasifikaciju objekata (npr. prepoznavanje da je objekat pešak ili vozilo).
• Ultrazvučni senzori: Koriste se za detekciju bliskih objekata, ključni za parkiranje i manevrisanje pri malim brzinama.

Algoritmi fuzije senzorskih podataka kombinuju sve ove informacije, stvarajući koherentan i robustan model okoline. Na primer, Lidar može dati preciznu geometriju objekta, kamera može potvrditi o kom se tipu objekta radi, a radar može izmeriti njegovu brzinu, sve to rezultujući daleko pouzdanijom percepcijom nego što bi to postigao bilo koji senzor pojedinačno.

Mreže sa ultra niskim kašnjenjem (URLLC): okosnica real-time aplikacija

Za funkcionisanje autonomnih vozila, posebno za scenarije visoke autonomije (nivoi 4 i 5), nije dovoljna samo razmena podataka; neophodno je da se ta razmena obavlja sa izuzetno niskim kašnjenjem i visokom pouzdanošću. Upravo tu na scenu stupa URLLC (Ultra-Reliable Low-Latency Communication), jedna od tri ključne kategorije usluga koje nudi 5G mobilna mreža (pored eMBB - enhanced Mobile Broadband i mMTC - massive Machine Type Communication).

Definicija i ključni parametri URLLC

URLLC je osmišljen da podrži kritične aplikacije koje zahtevaju ekstremno nisko kašnjenje komunikacije i izuzetno visoku pouzdanost.

• Kašnjenje (Latency): Za URLLC aplikacije, cilj je krajnje kašnjenje (end-to-end latency) ispod 1 milisekunde. U kontekstu autonomnih vozila, svaka milisekunda je kritična. Na primer, pri brzini od 100 km/h, vozilo pređe oko 28 metara u sekundi. Kašnjenje od 100 ms znači da bi vozilo prešlo skoro 3 metra pre nego što obradi informaciju. Smanjenje kašnjenja na ispod 10 ms (ili čak 1 ms) je presudno za aplikacije kao što su izbegavanje sudara ili koordinisani platooning. ³
• Pouzdanost (Reliability): URLLC garantuje isporuku paketa sa pouzdanošću od 99.999% ili čak 99.9999% (tzv. "pet devetki" ili "šest devetki"). To znači da je rizik od gubitka paketa ekstremno nizak, što je neophodno za sigurnosno kritične aplikacije u autonomnim vozilima gde greška može imati fatalne posledice.

Tehnički mehanizmi koji omogućavaju URLLC u 5G

Postizanje ovih rigoroznih zahteva za kašnjenjem i pouzdanošću zahteva značajne inovacije u arhitekturi i protokolima 5G mreže:

• Edge Computing (MEC – Multi-access Edge Computing): Računarski resursi su raspoređeni bliže krajnjim korisnicima (na rubu mreže, npr. u baznim stanicama ili lokalnim serverima), smanjujući fizičku udaljenost koju podaci moraju preći do centralnih servera. Ovo dramatično smanjuje kašnjenje obrade i prenosa.
• Network Slicing (Mrežna segmentacija): Omogućava kreiranje logičkih, virtuelnih mreža (slice-ova) na zajedničkoj fizičkoj infrastrukturi. Svaki slice može biti optimizovan za specifične zahteve usluge. Za autonomna vozila, to znači da se može kreirati dedikovan URLLC slice koji garantuje neophodno kašnjenje i pouzdanost, izolovan od saobraćaja sa nižim prioritetom.
• Fleksibilna numerologija i mini-slotovi: 5G New Radio (NR) omogućava fleksibilno konfigurisanje parametara prenosa (numerologija), uključujući dužinu vremenskih slotova za prenos podataka. Korišćenjem kraćih slotova (mini-slotova), vreme čekanja na prenos se smanjuje.
• Redundantne transmisije: Podaci se mogu prenositi istovremeno preko više puteva ili sa više kopija, što značajno povećava verovatnoću uspešnog prijema i time pouzdanost.
• Grant-free pristup: U tradicionalnim mobilnim mrežama, uređaj mora zatražiti dozvolu (grant) od bazne stanice pre nego što počne sa prenosom podataka, što dodaje kašnjenje. Grant-free pristup omogućava uređajima da prenose male pakete podataka bez prethodne dozvole, smanjujući kašnjenje.

Primena URLLC u autonomnoj vožnji

URLLC omogućava scenarije koji su do sada bili nezamislivi:

• Izbegavanje sudara: Gotovo trenutna razmena upozorenja o iznenadnim preprekama ili opasnostima na putu, omogućavajući vozilima da reaguju u deliću sekunde.
• Platooning (koordinisano kretanje vozila): Omogućava kamionima ili automobilima da se kreću u tesnim kolonama pri visokim brzinama, gde je razmak između vozila minimalan, a reakcija na kočenje jednog vozila mora biti sinhronizovana u celoj koloni sa milisekundnom preciznošću.
• Daljinsko upravljanje (Tele-operated driving): U situacijama kada autonomni sistem ne može da donese odluku (npr. zbog nepredviđenih uslova na putu), vozač-operator sa udaljene lokacije može preuzeti kontrolu nad vozilom. URLLC je ključan za obezbeđivanje minimalnog kašnjenja komandi i video fidova, čime se omogućava bezbedno daljinsko upravljanje.
• Mapiranje u realnom vremenu i deljenje informacija: Podaci o okolini, uključujući informacije o preprekama, uslovima na putu ili novim rutama, mogu se deliti sa drugim vozilima i centrom za upravljanje saobraćajem u realnom vremenu.

Integracija i sinergija: ka potpunoj autonomiji

Prava snaga autonomnih vozila leži u integraciji i sinergiji svih pomenutih tehnologija. Nije dovoljno imati napredne senzore ili brzu komunikaciju; neophodno je da svi sistemi rade besprekorno zajedno, obrađujući ogromne količine podataka i donoseći odluke u realnom vremenu.

Fuzija senzorskih podataka i V2X informacija

Centralna jedinica autonomnog vozila, često nazvana "mozgom", kontinuirano obrađuje i fuzionira podatke sa Lidara, radara, kamera, ultrazvučnih senzora, GPS-a, inercijalnih mernih jedinica (IMU) i V2X poruka. Algoritmi fuzije, često bazirani na Kalmanovim filterima, Bayesovim mrežama ili dubokom učenju (deep learning), koriste redudantnost i komplementarnost senzorskih podataka da bi kreirali konzistentan, precizan i pouzdan 3D model okoline. Ovaj model uključuje pozicije, brzine i klasifikaciju svih objekata u blizini vozila, predviđanje njihovih putanja, kao i identifikaciju saobraćajnih znakova i signalizacije. ⁴

V2X komunikacija dodaje još jedan sloj informacija, omogućavajući vozilu da "vidi" iza ugla, kroz objekte ili mnogo dalje nego što bi to bilo moguće samo sa onboard senzorima. Na primer, vozilo može primiti V2V poruku od drugog vozila koje je već prošlo kroz raskrsnicu i detektovalo neočekivanu prepreku, dajući mu dragoceno vreme za reakciju. Slično, V2I komunikacija može informisati vozilo o promeni semafora pre nego što uđe u vidno polje.

Arhitektura obrade podataka i uloga veštačke inteligencije

Moderna autonomna vozila koriste složenu arhitekturu obrade podataka koja obuhvata:

• Lokalna obrada (Onboard processing): Većina kritične obrade podataka za percepciju i donošenje odluka odvija se direktno u vozilu, na specijalizovanim računarima sa moćnim grafičkim procesorima (GPU) i akceleratorima veštačke inteligencije. Ovo je ključno za postizanje ultra niskog kašnjenja neophodnog za sigurnost.
• Obrada na rubu mreže (Edge processing): Korišćenjem MEC platformi, deo obrade se može preneti na obližnje bazne stanice ili serverske farme na rubu mreže. Ovo je korisno za zadatke koji zahtevaju više računarske snage nego što je dostupno u vozilu, ali i dalje moraju biti obrađeni sa niskim kašnjenjem (npr. koordinacija platooninga u realnom vremenu za veliku grupu vozila).
• Obrada u oblaku (Cloud processing): Za obradu velikih količina istorijskih podataka, učenje algoritama, generisanje mapa visoke rezolucije ili ne-kritične usluge (infotainment), koriste se centralizovani cloud resursi. URLLC omogućava da se čak i neki kritični podaci, uz adekvatnu strategiju keširanja i prioritizacije, efikasno koriste iz oblaka.

Veštačka inteligencija, a posebno mašinsko učenje (machine learning) i duboko učenje (deep learning), su srce sistema za autonomnu vožnju. Neuralne mreže se koriste za:

• Percepciju: Prepoznavanje objekata (pešaci, vozila, biciklisti), detekciju slobodnog prostora, segmentaciju semantičkih scena (npr. prepoznavanje trotoara, puta, trave).
• Lokalizaciju i mapiranje: Kreiranje i ažuriranje HD mapa u realnom vremenu, precizno pozicioniranje vozila u tim mapama.
• Predviđanje: Analiza ponašanja drugih učesnika u saobraćaju i predviđanje njihovih budućih kretanja.
• Donošenje odluka i planiranje putanje: Generisanje bezbedne i efikasne putanje, uzimajući u obzir sve percepcijske podatke, pravila saobraćaja i ciljeve putovanja.

Kibernetička sigurnost i privatnost

Složenost i povezanost autonomnih vozila otvaraju nove izazove u oblasti kibernetičke sigurnosti. Potencijalni napadi mogu uključivati:

• Kompromitovanje V2X komunikacije: Injektiranje lažnih poruka ili ometanje komunikacije može dovesti do pogrešnih odluka i sudara. Potrebni su robusni kriptografski mehanizmi i PKI (Public Key Infrastructure) za autentifikaciju i integritet poruka.
• Manipulacija senzorskim podacima: Lažiranje Lidar ili radarskih signala (spoofing) može prevariti vozilo da 'vidi' nepostojeće objekte ili da ignoriše stvarne prepreke.
• Napad na onboard računarske sisteme: Preuzimanje kontrole nad vozilom ili pristup osetljivim podacima.
• Naršavanje privatnosti: Prikupljanje i razmena ogromne količine podataka o lokaciji vozila, ponašanju vozača i putnicima postavlja ozbiljna pitanja o privatnosti.

Razvoj sigurnih protokola, hardverskih bezbednosnih modula (HSM), kontinuirano ažuriranje softvera i primena principa "security by design" su od suštinskog značaja za izgradnju poverenja u autonomna vozila.

Budućnost i regulatorni izazovi

Iako je tehnološki napredak u autonomnoj vožnji impresivan, široka komercijalizacija autonomnih vozila (posebno nivoa 4 i 5) suočava se sa značajnim izazovima.

Tehnološki trendovi

• Poboljšani Lidar: Dalji razvoj solid-state Lidara, smanjenje troškova i poboljšanje performansi u lošim vremenskim uslovima. Istražuje se i integracija Lidar funkcija direktno u farove ili druge delove vozila.
• Unapređenje C-V2X: Stalna evolucija 5G NR V2X u 3GPP Release 17 i šire, sa fokusom na još niže kašnjenje, veću pouzdanost i podršku za kompleksnije kooperativne manevre.
• Kombinacija satelitske i zemaljske komunikacije: Integracija satelitske komunikacije (npr. Starlink, OneWeb) može obezbediti globalnu pokrivenost i redundantnost za V2N komunikaciju, posebno u ruralnim područjima.
• AI za 'zdrav razum': Razvoj veštačke inteligencije koja može da simulira ljudski "zdrav razum" i da se nosi sa nepredviđenim situacijama koje nisu pokrivene trening podacima.
• Digitalni blizanci (Digital Twins): Kreiranje virtuelnih replika fizičkih vozila i okoline za simulaciju, testiranje i optimizaciju sistema u kontrolisanim uslovima pre implementacije u realnom svetu.

Regulatorni i društveni aspekti

• Harmonizacija standarda: Potrebno je globalno usaglašavanje V2X standarda i frekvencijskih opsega kako bi se osigurala interoperabilnost vozila različitih proizvođača i u različitim zemljama. Organizacije poput ITU, ETSI i 3GPP igraju ključnu ulogu u definisanju ovih standarda. ⁵
• Pravna odgovornost: Ključno pitanje je ko je odgovoran u slučaju saobraćajne nesreće sa autonomnim vozilom – proizvođač softvera, proizvođač vozila, operater flote, ili vlasnik vozila.
• Javno prihvatanje: Prevazilaženje straha i nepoverenja javnosti prema autonomnim vozilima kroz transparentnost, edukaciju i dokazane sigurnosne performanse.
• Infrastrukturna prilagođavanja: Implementacija V2I komunikacije zahteva značajna ulaganja u nadogradnju putne infrastrukture ("pametni putevi" i "pametni gradovi").

Mreže autonomnih vozila, sa V2X komunikacijom, Lidar senzorima i 5G URLLC mrežama u svojoj srži, predstavljaju složen, ali izuzetno obećavajući ekosistem. Njihova uspešna implementacija zahteva neprekidnu inovaciju, rigorozno testiranje, robusnu regulatornu podršku i stalnu posvećenost rešavanju složenih tehničkih i društvenih izazova. Krajnji cilj je transformacija mobilnosti u bezbednije, efikasnije i održivije iskustvo za sve učesnike u saobraćaju.

Reference i fusnote

---

Reference i literatura:

1. U.S. Department of Transportation, Federal Highway Administration. (2018). Dedicated Short Range Communications (DSRC) and C-V2X: Understanding the Technologies and Their Role in Connected and Automated Vehicles.↩

2. LiDAR Technology for Autonomous Driving: A Review. IEEE Access, Vol. 8, pp. 110839-110861, 2020. doi: 10.1109/ACCESS.2020.3001859↩

3. Ericsson. (2020). 5G from a requirements perspective: The three use case families.↩

4. Kuutti, S., et al. (2020). A Survey of Sensor Fusion Techniques for Autonomous Driving. IEEE Transactions on Intelligent Transportation Systems, 21(11), 4755-4769.↩

5. ITU-T Focus Group on Driving Future Networks (FG-FN). (2015). Network Requirements and Capabilities for IMT-2020 and beyond.↩

Česta pitanja (FAQ)