Motion-to-Motion Latency Measurement Framework for Connected and Autonomous Vehicle Teleoperation

📄 arXiv: 2511.22467v1 📥 PDF

作者: François Provost, Faisal Hawlader, Mehdi Testouri, Raphaël Frank

分类: cs.PF, cs.RO

发布日期: 2025-11-27

💡 一句话要点

提出一种用于车联网自动驾驶远程操控的运动到运动延迟测量框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 远程操控 延迟测量 车联网 自动驾驶 运动到运动延迟 霍尔效应传感器 树莓派

📋 核心要点

  1. 现有远程操控延迟测量主要关注视频传输延迟，忽略了执行机构的延迟，无法全面评估操控体验。
  2. 该论文提出一种基于霍尔效应传感器和树莓派的M2M延迟测量框架，独立于特定的远程操控架构。
  3. 实验结果表明，执行机构的延迟是M2M延迟的主要组成部分，中值超过750毫秒，精度在10-15ms。

📝 摘要（中文）

延迟是车联网自动驾驶车辆（CAV）远程操控的关键性能指标。它影响操作员感知驾驶环境变化并采取纠正措施的速度。现有工作主要关注端到端（G2G）延迟，仅捕获视频管道中的延迟。然而，目前没有测量运动到运动（M2M）延迟的标准方法，M2M延迟定义为远程操作员的物理转向运动与车辆中相应的转向运动之间的延迟。本文提出了一种M2M延迟测量框架，该框架使用霍尔效应传感器和两个同步的Raspberry Pi 5设备。该系统记录基于中断的时间戳，以独立于底层远程操控架构来估计M2M延迟。精度测试表明精度为10-15毫秒，而现场结果表明，执行器延迟在M2M延迟中占主导地位，中值高于750毫秒。

🔬 方法详解

问题定义：现有远程操控系统的延迟测量主要集中在视频传输的端到端延迟（G2G latency），忽略了车辆执行机构的延迟。这导致无法全面评估远程操作员的操控体验，尤其是在需要快速响应的场景下。因此，需要一种能够准确测量从操作员动作到车辆实际运动的完整延迟（M2M latency）的方案。

核心思路：该论文的核心思路是直接测量操作员的物理转向动作和车辆的实际转向运动之间的时间差，从而获得M2M延迟。通过使用高精度传感器和同步时间戳记录，可以独立于底层远程操控架构来评估延迟。这种方法能够更全面地反映整个系统的延迟情况，包括视频传输、控制指令处理和执行机构响应等环节。

技术框架：该M2M延迟测量框架包含以下主要模块：1) 操作员端：使用霍尔效应传感器检测操作员的转向动作，并通过Raspberry Pi 5记录带时间戳的中断信号。2) 车辆端：使用霍尔效应传感器检测车辆的转向运动，同样通过Raspberry Pi 5记录带时间戳的中断信号。3) 时间同步：使用网络同步协议（NTP或PTP）同步两个Raspberry Pi 5设备的时间。4) 数据处理：将两端记录的时间戳进行对齐和计算，得到M2M延迟。

关键创新：该论文的关键创新在于提出了一种独立于底层远程操控架构的M2M延迟测量方法。与传统的G2G延迟测量相比，该方法能够更全面地反映整个系统的延迟情况，包括执行机构的延迟。此外，使用霍尔效应传感器和Raspberry Pi 5的方案具有成本低、易于部署的优点。

关键设计：该框架的关键设计包括：1) 使用霍尔效应传感器进行高精度转向动作检测。2) 使用Raspberry Pi 5记录带时间戳的中断信号，实现精确的时间测量。3) 使用网络同步协议同步两个Raspberry Pi 5设备的时间，保证时间戳的准确性。4) 通过校准实验确定系统的测量精度，并对测量结果进行统计分析。

📊 实验亮点

实验结果表明，该M2M延迟测量框架的精度为10-15毫秒。现场测试结果表明，执行机构的延迟是M2M延迟的主要组成部分，中值高于750毫秒。这些结果表明，在远程操控系统中，执行机构的延迟是一个不可忽视的因素，需要进行重点优化。

🎯 应用场景

该研究成果可应用于车联网自动驾驶远程操控系统的性能评估和优化。通过准确测量M2M延迟，可以识别系统瓶颈，优化控制算法和通信协议，从而提高远程操控的安全性、稳定性和用户体验。此外，该框架还可用于比较不同远程操控系统的性能，为系统设计和选型提供参考。

📄 摘要（原文）

Latency is a key performance factor for the teleoperation of Connected and Autonomous Vehicles (CAVs). It affects how quickly an operator can perceive changes in the driving environment and apply corrective actions. Most existing work focuses on Glass-to-Glass (G2G) latency, which captures delays only in the video pipeline. However, there is no standard method for measuring Motion-to-Motion (M2M) latency, defined as the delay between the physical steering movement of the remote operator and the corresponding steering motion in the vehicle. This paper presents an M2M latency measurement framework that uses Hall-effect sensors and two synchronized Raspberry Pi~5 devices. The system records interrupt-based timestamps on both sides to estimate M2M latency, independently of the underlying teleoperation architecture. Precision tests show an accuracy of 10--15~ms, while field results indicate that actuator delays dominate M2M latency, with median values above 750~ms.