自动驾驶系统中的边缘计算是一种在网络边缘进行计算的新型计算模式。它的数据处理主要包括两部分，一是下行的云服务，二是上行的万物互联服务。“边缘”其实是一个相对的概念，指的是云计算中心内数据与路径之间的任何计算、存储、网络相关的资源。从数据的一端到云服务中心的另一端，根据应用的具体需求和这条路径上的实际应用场景，边缘可以表示为这条路径上的一个或多个资源节点。边缘计算的业务本质是云计算汇聚节点在数据中心之外的延伸和演化。主要由边缘云、边缘网络、边缘网关三种落地形式组成。如上图所示，它代表的是目前用于自动驾驶的工控机。实际上，它是一台经过强化的增强型个人计算机。它可以作为工业控制器在工业环境中可靠运行。采用符合EIA标准的全钢工业机箱，增强抗电磁干扰能力，采用总线结构和模块化设计技术，防止单点故障。上述自动驾驶工业计算机网络设计方案充分考虑了ISO26262的要求。其中，CPU、GPU、FPGA、总线均采用冗余设计。当整体IPC系统出现故障时，冗余MCU控制可确保运行安全，并直接向车辆CAN总线发送指令，控制车辆停车。目前这种集中式架构适用于下一代集中式自动驾驶系统方案，其中工控机相当于下一代集中式域控制器，将所有的计算工作放在一个地方，算法迭代做无需过多考虑硬件整体升级和车规要求。边缘计算和边缘云在当前的自动驾驶中，大规模的人工智能算法模型和大规模的数据集中分析都是在云端进行的。因为云端拥有大量的计算资源，可以在极短的时间内完成数据处理，但很多时候单纯依靠云端为自动驾驶汽车提供服务是行不通的。因为自动驾驶汽车在行驶过程中会产生大量需要实时处理的数据，如果这些数据通过核心网传输到远程云端进行处理，那么仅仅是数据的传输就会造成很大的延迟，不能满足数据处理的要求。实时要求。核心网的带宽也难以支撑大量自动驾驶汽车同时向云端发送大??量数据，而一旦核心网拥塞、数据传输不稳定，驾驶无法保证自动驾驶汽车的安全。边缘计算侧重于本地服务，实时性要求高，网络压力大，计算方式本地化。边缘计算更适用于本地小规模智能分析和预处理的集成算法模型。将边缘计算应用到自动驾驶领域，将有助于解决自动驾驶汽车在获取和处理环境数据方面面临的问题。作为行业数字化转型的两种重要计算方式，边缘计算和云计算基本并存、相辅相成、相互促进，共同解决大数据时代的计算问题。边缘计算是指在网络边缘进行计算的计算模型。其操作对象来自于云服务的下行数据和万物互联服务的上行数据。边缘计算中的“边”是指从数据源头到云计算中心的路径。介于两者之间的任意计算和网络资源。简而言之，边缘计算是将服务器部署到靠近用户的边缘节点，在网络边缘（如无线接入点）为用户提供服务，避免长距离的数据传输，为用户提供更快的响应。任务卸载技术将自动驾驶汽车的计算任务卸载到其他边缘节点执行，解决了自动驾驶汽车计算资源不足的问题。边缘计算的特点是接近、低延迟、局部性和位置感知。其中，就近是指边缘计算靠近信息源头，适合通过数据优化捕捉和分析大数据中的关键信息，可以更高效地直接接入设备、服务和边缘智能，轻松衍生出特定的应用场景.低延迟意味着边缘计算服务靠近产生数据的终端设备。与云计算相比，大大降低了时延，尤其是在智能驾驶应用场景中，使得反馈过程更快。局部性意味着边缘计算可以与网络的其余部分隔离运行，实现本地化和相对独立的计算。一方面保证了本地数据的安全，另一方面降低了计算对网络质量的依赖。位置感知是指当边缘网络是无线网络的一部分时，边缘计算式的本地服务可以使用相对较少的信息来确定所有连接设备的位置，这些服务可以应用于基于位置的服务应用场景。同时，边缘计算的发展趋势将逐步向异构计算、边缘智能、边云协同、5G+边缘计算方向演进。异构计算需要使用不同类型指令集和架构的计算单元组成一个系统，以满足边缘服务对多样化计算的需求。异构计算不仅可以满足新一代“连接+计算”的基础设施建设，还可以满足碎片化行业和差异化应用的需求，提高计算资源的利用率，支持计算能力的灵活部署和调度。边缘计算参考架构边缘计算参考架构的每一层都提供了一个模型化的开放接口，实现了各层级架构的开放。通过垂直管理服务、数据生命周期服务和安全服务，实现全业务流程和全生命周期。智能服务。如上图所示，边缘计算参考架构主要包括以下内容：整个系统分为智能服务、业务编排、边缘云、边缘计算节点四层。边缘计算位于云端和现场设备之间，边缘层支持各种现场设备的访问，可以向上连接到云端。边缘层包括两个主要部分，边缘节点和边缘管理器。边缘节点是一个硬件实体，是承载边缘计算服务的核心。边缘管理器的核心是软件，其主要功能是对边缘节点进行统一管理。边缘计算节点一般拥有计算资源、网络资源和存储资源。边缘计算系统使用资源的方式有两种：一是直接封装计算资源、网络资源和存储资源，并提供调用接口。通过代码下载、网络策略配置、数据库操作等方式使用边缘节点资源；其次，将边缘节点资源按照功能区域进一步封装成功能模块，边缘管理器通过模型驱动的业务编排对功能模块进行组合调用，实现边缘计算业务的集成开发和敏捷部署。边缘计算的硬件基础设施1.边缘服务器边缘服务器是边缘计算和边缘数据中心的主要计算载体，可以部署在运营商的机房内。由于边缘计算环境差异较大，边缘服务在时延、带宽、GPU、AI等方面有个性化需求，同时需要尽量减少工程师现场操作，并有较强的管理和支持能力。运维能力，包括状态采集、运行控制和管理接口，实现远程和自动化管理。在自动驾驶系统中，通常采用智能边缘一体机，将计算、存储、网络、虚拟化、环境动力等产品有机地集成到一台工控机中，以方便自动驾驶系统的正常运行。2.边缘接入网边缘计算接入网是指从用户系统到边缘计算系统的一系列网络基础设施，包括但不限于校园网、接入网、边缘网关等。并且具有收敛、低时延、大带宽、大连接、高安全等特点。3.边缘内部网络边缘计算的内部网络是指边缘计算系统的内部网络基础设施，如连接到服务器的网络设备、连接到外部网络的网络设备以及由其构建的网络。边缘计算的内部网络具有架构简化、功能完备、性能损耗大大降低的特点；同时可以实现边云协同，集中管控。由于边缘计算系统的分布式特性，个体规模不大但数量较多。如果采用单点管理方式，难以满足作业要求，还会占用工控机资源，降低效率；另一方面，边缘计算业务更加重视端到端的时延、带宽和安全性，因此边云和边边的协同也非常重要。通常需要在云计算系统中引入智能的跨域管理和编排系统，对一定范围内的所有边缘计算系统网络基础设施进行统一管理和控制，并通过支持对网络和计算资源的自动化来保证网络和计算资源的自动化。基于边云协同的集中管理模式高效配置。4.边缘计算互联网边缘计算互联网包括从边缘计算系统到云计算系统（如公有云、私有云、通信云、用户自建云等）的网络、其他边缘计算系统和各类数据中心。基础设施。边缘计算互联网具有连接多样化、跨域低时延等特点。边缘计算与自动驾驶系统如何结合下一阶段，要实现更高层次的自动驾驶系统任务，仅靠单车智能是不够的。协同感知和任务卸载是边缘计算在自动驾驶领域的主要应用。这两项技术使实现高级别自动驾驶成为可能。协同感知技术使汽车能够从其他边缘节点获取传感器信息，扩大自动驾驶汽车的感知范围，增加环境数据的完整性。以自动驾驶为例，汽车将集成激光雷达、摄像头等传感器。同时，需要通过车联网V2X等实现对车辆、道路、交通数据的全面感知，获取比单车内外传感器更多的信息，加强对过载检测。the-horizo??n感知范围内的环境，通过高清3D动态地图实时分享自动驾驶位置。并且采集到的数据将与道路边缘节点和周边车辆进行交互，从而扩展感知能力，实现车与车、车与路的协同。云计算中心负责采集广泛分布的边缘节点的数据，感知交通系统的运行状况，通过大数据和人工智能算法对边缘节点、交通信号系统、车辆发出合理的调度指令，从而改进系统手术。效率。例如在下雨、下雪、大雾等恶劣天气，或路口、拐角等场景下，雷达和摄像头无法清晰识别前方障碍物，通过V2x获取道路、行车等实时数据，实现路况智能预测。避免事故。随着自动驾驶水平的提高和智能传感器数量的增加，自动驾驶汽车每天都会产生大量的原始数据。这些原始数据需要在本地进行实时处理、融合和特征提取，包括基于深度学习的目标检测和跟踪。同时，需要利用V2X提高对环境、道路和其他车辆的感知，通过3D高清地图进行实时建模定位、路径规划选择、驾驶策略调整等，因此以便安全地控制车辆。由于这些任务需要时刻在车内进行实时处理和响应，因此需要一个强大可靠的边缘计算平台来执行它们。考虑到计算任务的差异性，为了提高执行效率，降低功耗和成本，一般需要支持异构计算平台。自动驾驶的边缘计算架构依赖于LTE/5G提供的边缘云协作和通信基础设施和服务。边缘侧主要指车载单元、路边单元（RSU）或移动边缘计算（MEC）服务器。其中，车载单元是环境感知、决策规划和车辆控制的主体，但有赖于RSU或MEC服务器的配合。例如，RSU向车载单元提供了更多有关道路和行人的信息，但有些功能更适合甚至在云端运行。无可替代。如车辆远程控制、车辆仿真与验证、节点管理、数据的持久化存储与管理等。对于自动驾驶系统的边缘计算，可以很好地实现负载集成、异构计算、实时处理等优势、连接和互操作性以及安全优化。1、“负载集成”通过虚拟化计算，将ADAS、IVI、数字仪表、抬头显示、后排娱乐系统等不同属性的负载运行在同一个硬件平台上。同时，基于虚拟化和硬件抽象层的负载集成，更容易实现车辆驾驶系统的云端业务编排、深度学习模型更新、软件固件升级等。2.“异构计算”是指针对自动驾驶系统边缘平台继承的不同属性的计算任务，根据不同硬件平台的性能和能耗比采用不同的计算方法。例如地理定位和路径规划、基于深度学习的物体识别和检测、图像预处理和特征提取、传感器融合和物体跟踪等。GPU擅长处理用于物体识别和跟踪的卷积计算。CPU将为逻辑计算能力提供更好的性能和更低的能耗。数字信号处理DSP在定位等特征提取算法上更具优势。这种异构计算方式大大提高了计算平台的性能和能耗比，降低了计算延迟。异构计算针对不同的计算任务选择合适的硬件实现，充分发挥不同硬件平台的优势，通过统一上层软件接口屏蔽硬件多样性。3、“实时处理”是众所周知的，因为自动驾驶系统对实时性的要求非常高，因为在危险情况下，自动驾驶系统可能只有几秒钟的时间来刹车和避免碰撞.而且，制动反应时间包括整个驾驶系统的反应时间，涉及云计算处理、车间协商处理时间、整车系统计算和制动处理时间。如果将自动驾驶响应实时分解为其边缘计算平台的各个功能模块的要求。需要细化为感知检测时间、融合分析时间和行为路径规划时间。同时，还要考虑整个网络的时延，因为5G带来的低时延、高可靠的应用场景也非常关键。他可以让自动驾驶汽车实现端到端延迟小于1ms，可靠性接近100%。同时，5G可以根据优先级灵活分配网络处理能力，从而保证车辆控制信号传输有更快的响应速度。4.自动驾驶汽车的“连接互通”边缘计算离不开车对万物无线通信技术（V2X，vehicle-to-everything）的支持，它提供了自动驾驶汽车与智能领域其他要素之间的通信手段运输系统。自动驾驶汽车与边缘节点合作的基础。目前，V2X主要基于专用短距离通信（DSRC，dedicatedshortrangecommunication）和蜂窝网络[5]。其中，DSRC是专门用于车与车（V2V，vehicle-to-vehicle）和车与道路基础设施（V2I，vehicle-to-infrastructure）之间的通信标准，具有高数据传输速率和低延迟，支持点-点对点或点对多点通讯等优点。以5G为代表的蜂窝网络具有网络容量大、覆盖范围广等优势，适用于V2I通信和边缘服务器之间的通信。5、“安全优化”边缘计算安全是边缘计算的重要保障。其设计结合了云计算和边缘计算的深度安全防护系统，增强边缘基础设施、网络、应用、数据识别和抵御各种安全威胁的能力。能力，为边缘计算的发展构建安全可信的环境。下一代自动驾驶系统5G核心网控制平面和数据平面分离，NFV使网络部署更加灵活，从而保证边缘分布式计算部署的成功。边缘计算将更多的数据计算和存储从中央单元分散到边缘，其计算能力部署在靠近数据源的地方。一些数据不需要经过网络到达云端进行处理，从而减少了延迟和网络负载，也提高了数据处理能力。安全和隐私。对于未来靠近车辆的移动通信设备，如基站、路边单元等，或者部署车联网的边缘计算，可以很好地完成数据处理、加密和决策等。本地端，并提供实时、高可靠的通信能力。总结边缘计算在自动驾驶的环境感知和数据处理方面有着极其重要的应用。自动驾驶汽车可以通过从边缘节点获取环境信息来扩大感知范围，也可以将计算任务卸载到边缘节点，解决计算资源不足的问题。与云计算相比，边缘计算避免了长距离数据传输带来的高延迟，可以为自动驾驶汽车提供更快的响应，减轻骨干网络的负载。因此，在阶段性自动驾驶研发过程中采用边缘计算，将是其持续优化发展的重要选择。
