边缘计算、云计算、雾计算能为自动驾驶做些什么

APP

5G网络技术给自动驾驶带来了巨大变化。5G网络作下一代蜂窝无线通信网络能提供20Gbps速率，时延仅1ms，网络稳定性可达99.99%，它将促进汽车的信息流共享、车队的编队无人化、远程驾驶三个方面的高速发展。5G网络给智能驾驶带来了高稳定性的物网联架构。通过服务器的高性能计算，核心云及边缘云给网联车辆提供实时路况、道路信息、行人信息等一系列交通信息，让智能驾驶迈进了“入5G网而知天下”的时代。

一、边缘计算在自动驾驶领域发挥什么样的作用

边缘计算是一个较新的术语，随着物联网（IoT）时代的开始，目前它已变得越来越重要。

边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务，这个概念不像在云端中进行处理和算法决策，而是将智能和计算推向更接近实际的行动。与云端相比，边缘计算具备这七大优势：

1.延迟：毫秒级延迟；

2.高吞吐量：本地生成，近场传输；

3.数据简化：末端自主分析，减少对上游的依赖；

4.语境意识：实时获取用户及位置信息并用于计算；

5安全性：免受UE和CPE攻击；

6.隔离：在丢失连接时仍能继续运转；

7合规性：有助于用户隐私条款。

试想下，如果你有占个工厂正在运行各种自动泵和涡轮机。如果设备连接到云，并巨从这些设备传出的所有数据都进入云端，那么让云实际控制这些设备也是很诱人的。当需要关闭泵时，从云端通过网络发出并下至泵的命令会告诉它关闭。当泵遇到麻烦时，它会通过网络发送信息并传送到云端。这将是管理设备的集中方式。

假设泵开始出现问题，它需要一点时间才能通过网络进行通信，然后让网络将消息传递到云，然后云应用程序需要时间处理信息，才能发出命令，然后通过网络，最后到达泵。那时泵可能已经完全失灵了。泵→云→泵的步骤延迟可能需要很长的时间，以至于云错过了保存泵的机会。

这也可以用在自动驾驶汽车。自动驾驶汽车上有许多感应装置，包括摄像头、激光雷达、声呐装置等。许多自动驾驶汽车制造商正在设想，传感器的数据将流入汽车制造商为自驾车设置的云端。这使得汽车制造商能够收集大量的驾驶数据，并能够使用机器学习来改善自动驾驶汽车的行为。

二、多少计算应该发生在“边缘”

出于实际原因，我们已经知道大部分计算必须发生在边缘，因为感知数据分析的速度受到自动驾驶汽车周围有什么物体的影响。一份调查表明，一辆每天运行8小时的自动驾驶汽车将产生至少40TB的数据。

假设有强大的网络并且保持连接，通过网络来回发送数据至少需要150～200ms。这实际上是一个很长的时间，因为汽车在高速前进，而且需要时刻对汽车的控制做出判定。

因此，自动驾驶汽车需要利用边缘计算。但是这涉及拥有足够的本地化计算处理能力和存储器容量，才能够确保车辆和人工智能能够执行其所需的任务。

三、本地与云端并不是互斥的命题

通过精心设计，能够将本地化处理和云处理混合在一起。

例如，自动驾驶汽车可能正在实时处理感知数据，并据此采取驾驶行动。同时，它正在将数据发送到云端。云处理数据需要一些时间，并最终通过分析数据向自动驾驶汽车发送一些新信息。在这种情况下，我们将工作分为两部分，一部分是在本地层面进行的快速处理，另一部分是在云层面上进行更多面向概述的工作，而不是即时性的工作。将数据推送到云端并取回结果的能力将取决于：

（1）自动驾驶汽车上的通信设备；

（2）通过网络进行通信所涉及的延迟；

（3）网络的带宽；

（4）网络的可用性；

（5）网络的可靠性；

（6）自驾车内的通信。

变幻莫测的网络决定了为什么不能把自乏翘侧汽车的实时工；作交给云端处理。

自动驾驶汽车上有一些设备将被视为边缘专用设备，这意味着他们完全依赖于本地处理。尽管他们收集的数据会发送到云端，但他们并不依赖于认云端返回的任何内容。有边缘共享的设备能够与云分工，完全在本地完成一些任务，并以与云共同协作的方式执行其他任务。

自动驾驶汽车的处理器上的图像分析仪能够追踪其他汽车、摩托车、行人等。然后将其输入到传感器融合中，进行感知分析。

自动驾驶汽车的人工智能在本地处理器上运行，并分析虚拟模型以决定采取何种动作。然后，人工智能会采用汽车控制装置加速或刹车来驾驶汽车。

我们假设这一切都会发生在边缘。过程会是这样的：

（l）传感器数据收集在边缘；

（2）传感器融合在边缘；

（3）虛拟世界模型更新在边缘；

（4）人工智能决策规划在边缘确定；

（5）人工智能在边缘发布汽车控制命令；

（6）自动驾驶在边缘执行汽车控制昧令。

如果把云端加进来，作为一个非实刚合作者，这意味着云会被告知正在发生的事情，但不会进行与自驾车有关的控制：

（1）在边缘传感器数据收集，将数据发送到云端，但不要等待云端；

（2）传感器融合在边缘，将传感器融合结果发送到云端，但不要等待云端；

（3）虚拟世界模型更新在边缘，将虚拟世界模型发送到云端，但不要等待云端；

（4）人工智能行动计划在边缘确定，将人工智能行动计划发送到云端，但不要等待云端；

（5）人工智能在边缘发布汽车控制命令，将人工具薇勤丁的汽车控制命令发送到云端，但不要等待云端；

（6）自驾车控制执行命令，从云端获取更新并在可行时更新边缘。

我们将边缘信息传输到云端。这也可以在上述循环结束时完成，而不是尝试交错。如果决定将云端控制放在这些步骤中，可能看起来是这样：

（1）在边缘传感器数据收集；

（2）将数据发送到云端，等待云端；

（3）传感器融合在云端；

（4）虚拟世界模型更新在云端；

（5）人工智能在云中确定的行动计划；

（6）人工智能通过云发布汽车控制命令；

（7）等到收到云端车辆控制命令；

（8）自驾车执行汽车控制命令。

使用云的原因之尸是我们在云中可以拥有更快的处理器和更多的内存容量，而不是我们已经加载到自动驾驶汽车上的。例如，当进行图像分析时，最好在边缘完成，而在云端进行大规模学习，其中有成千上万的自动驾驶的汽车图像，它可能比边缘处理器仁的一些较小的神经网络更好地进行图像分析。

因此，精心设计的自动驾驶汽车能够在边缘拥有所需的自主权，并在适当的时候利用云。例如，当汽车停放或未被使用时，我们可能会让自动驾驶汽车的人工智能在可用的情况「从云端获取更新信息。还可以通过利用来自云的大规模神经网络学习来增强局部边缘的神经网络。

四、有些人认为我们也需要雾计算

雾计算是边缘计算和云计算之间的中间地带。像一种中介计算，来充当边缘和云之间的中介。这意味着我们会在公路上安装计算机服务器，这些系统可以更快速、更可靠地与在高速公路卜呼啸而过的自动驾驶汽车进行通信，而不会与云本身进行通信。因此，您会得到类似云的功能，不会像真正的云那样具有相同类型的延迟和其他问题。但这需要增加大量的基础设施，而这些基础设施在初始设置和维护时往往都很昂贵。

在许多雾计算应用中，来自端点设备或者简单的类服务器计算机（有时称为“网关”）的传感器数据会受到该网关的作用而触发某些动作，或者执行某些类型的任务。之后，数据被传送到更强大的服务器上。这些服务器通常在云端进行更高级的数据分析。

前沿边缘计算设备的一个最好例子是联网自动驾驶汽车。它得益于大量的传感器数据以及关键的本地处理能力，再加上连接到云端更先进数据分析工具的需求，自动驾驶汽车成了前沿边缘计算的典范。