一、介紹

自動駕駛泛指對于交通工具(尤其是汽車)的智能化改造，應(yīng)用自動駕駛以及車聯(lián)網(wǎng)(IoV)等技術(shù)，使得傳統(tǒng)上完全人為控制的機動車輛具備智能處理的能力，包括但不限于智能數(shù)據(jù)采集、智能分析、智能決策等，而這一系列的智能化技術(shù)的實現(xiàn)離不開對于車輛本身、外界環(huán)境、交互控制等多維度海量數(shù)據(jù)的高效處理與分析。

自動駕駛大數(shù)據(jù)之所以能夠被傳統(tǒng)汽車行業(yè)以及新興互聯(lián)網(wǎng)企業(yè)、先進制造業(yè)等多方機構(gòu)同時寄予厚望，包括但不限于以下原因：

1.安全性

一方面，不同的司機對于車輛的操控能力、對于駕駛規(guī)則的認知能力不盡相同;另一方面，在不同的情況下，司機的反應(yīng)時間與決策準(zhǔn)確性會受到諸多因素不同程度的影響。這使得我們對于機動車的駕駛行為具有高度的主觀決定性，使得道路交通安全情況難以完全保證。

而對于自動駕駛技術(shù)而言，不論是低階輔助駕駛(例如定速巡航、自動化跟車、車道保持、自動泊車)，還是高階自動駕駛(幾乎完全交由行車系統(tǒng)進行控制)，都能夠在不同程度上替代我們主觀性的判斷與操控，同時緩解了諸如心情、病癥等因素對駕駛者的影響，提高了行車可靠性。

同時，由于數(shù)據(jù)處理系統(tǒng)超低時延的性能，自動駕駛技術(shù)能夠以低于常人反應(yīng)時間的速度進行決策，在突發(fā)情況(例如即將碰撞)時能夠即時采取最佳策略，避免事故的發(fā)生，或減弱事故帶來的危害，進一步提高了駕駛的安全性。

2.高效性

車聯(lián)網(wǎng)技術(shù)中一項典型應(yīng)用即精確導(dǎo)航。對于傳統(tǒng)駕駛者而言，規(guī)劃出行路線通常依賴于自身的位置記憶、對于交通流量判斷的經(jīng)驗以及通用的定位導(dǎo)航技術(shù)(例如GPS或北斗)，而車聯(lián)網(wǎng)與邊緣計算平臺的結(jié)合帶來了區(qū)域性精確導(dǎo)航的能力，包括但不限于：

高精度地圖。不同于傳統(tǒng)基于衛(wèi)星的遙感地圖，通過邊緣節(jié)點，能夠在LAN進行多維度的數(shù)據(jù)獲取，例如基于攝錄系統(tǒng)的視頻采集，基于雷達、聲吶系統(tǒng)的空間距離感知等，獲得小范圍內(nèi)的精確空間信息以及實景畫面，為駕駛系統(tǒng)提供準(zhǔn)確的地理位置信息支撐。

實時更新地圖?；谶吘壠脚_的計算能力，能夠?qū)τ谝欢ǚ秶鷥?nèi)的高精度地圖進行實時更新，記錄道路維修、車道調(diào)整、通行規(guī)則調(diào)整等一系列高時效性數(shù)據(jù)，并即時分發(fā)至可能經(jīng)過此區(qū)域的行車系統(tǒng)中，為它提供更加準(zhǔn)確的決策，而極高的更新頻率帶來的時效性對于傳統(tǒng)地圖信息系統(tǒng)而言難以實現(xiàn)。

動態(tài)信息監(jiān)控：通過基站、車載計算、路邊單元等邊緣節(jié)點，能夠?qū)⒔煌髁?、突發(fā)事故等動態(tài)信息進行監(jiān)控、采集，并經(jīng)過聚合、處理后上報至車聯(lián)網(wǎng)，使得交通狀況由傳統(tǒng)的現(xiàn)場發(fā)現(xiàn)、人工播報逐漸轉(zhuǎn)變?yōu)閷崟r獲取、連網(wǎng)傳播，大大提高了車輛通行效率。

3.便捷性

不論是作為交通系統(tǒng)使用者的自動駕駛車輛，還是作為服務(wù)者的車聯(lián)網(wǎng)系統(tǒng)，由于智能處理系統(tǒng)接管了原有人為的工作，因此能夠具備7天×24h不間斷運行的能力，有效彌補了公共交通工具有限運行時間以及駕駛者面臨的疲勞駕駛等問題。

這樣一來，需要出行的用戶能夠在任意時間使用高度智能化、自動化的交通工具，降低了駕駛者成本，提高了交通便捷性。

二、問題與挑戰(zhàn)

而自動駕駛技術(shù)是否能夠最終落地，對于數(shù)據(jù)處理系統(tǒng)而言，主要依賴于以下三方面：

1.計算性能

研究稱，人類的反應(yīng)時間通常為100～150ms，盡可能保證安全性的自動駕駛技術(shù)的響應(yīng)時間則應(yīng)該低于100ms[68]，而自動駕駛系統(tǒng)所面臨的持續(xù)輸入的數(shù)據(jù)量又是十分龐大的—據(jù)英偉達(NVIDIA)公司研究稱，車身上的高分辨率照相機每秒將產(chǎn)生2GB像素，輸入到用于決策推斷的深度神經(jīng)網(wǎng)絡(luò)中，隨之產(chǎn)生250萬億個操作，用于物體及行人追蹤、交通信號檢測與識別、車道檢測等智能場景的實現(xiàn)。

同時，對于如此規(guī)模的計算量，數(shù)據(jù)處理系統(tǒng)還應(yīng)嚴格控制硬件發(fā)熱問題，避免溫度過高導(dǎo)致的性能損耗、續(xù)航縮減、能源浪費，甚至車身自燃等嚴重問題的發(fā)生。因此，如何在極短時間內(nèi)高能效地實現(xiàn)大規(guī)模運算，將是對行車數(shù)據(jù)處理系統(tǒng)的一大考驗。

2.存儲性能

研究表明，遍布車身的傳感器的數(shù)據(jù)傳輸帶寬能夠達到3～40Gbit/s[69]，英偉達公司的自動駕駛技術(shù)測試也顯示車輛學(xué)習(xí)數(shù)據(jù)收集系統(tǒng)在幾小時內(nèi)就能夠充滿TB級的固態(tài)存儲硬盤(SSD)。

自動駕駛技術(shù)在短時間內(nèi)產(chǎn)生如此規(guī)模的數(shù)據(jù)量，使得車載存儲系統(tǒng)的性能需要不斷提升。一方面，由于網(wǎng)絡(luò)通信條件的限制，車輛無法將傳感器收集的實時原生數(shù)據(jù)直接上傳至計算平臺;另一方面，降低傳感器數(shù)量或數(shù)據(jù)采集質(zhì)量將直接影響數(shù)據(jù)價值，造成識別錯誤、決策準(zhǔn)確率下降等問題。

3.網(wǎng)絡(luò)通信性能

對于自動駕駛、車聯(lián)網(wǎng)等自動駕駛技術(shù)，網(wǎng)絡(luò)通信幾乎為各項功能提供著底層支撐：

車與車之間的互連：通過車輛點對點網(wǎng)絡(luò)，車輛之間能夠不借助于駕駛者實現(xiàn)智能化通信，進行事故警報、碰撞預(yù)測、協(xié)同化巡航等應(yīng)用。

車與計算平臺之間的互連：由于車載處理系統(tǒng)受限于有限計算資源，我們無法將所有的復(fù)雜任務(wù)直接交由它本身進行計算，必將基于更高階的計算平臺進行特定的任務(wù)卸載來完成。通過V2I(Vehicle-to-Infrastructure)技術(shù)，智能車輛能夠連接路邊單元、基站等計算服務(wù)設(shè)施，進而實現(xiàn)數(shù)據(jù)交互、計算卸載等過程。

車與用戶設(shè)備之間的互連：不論是駕駛者還是乘坐者，都需要在不同程度上對機動車的自身狀況有所了解，以評估行駛安全性等問題。

但是，在不考慮數(shù)據(jù)處理時間開銷的情況下，傳統(tǒng)網(wǎng)絡(luò)通信技術(shù)由于無線信道狀況、通信帶寬限制、網(wǎng)絡(luò)流量擁塞等問題，使得數(shù)據(jù)傳輸開銷通常遠高于100ms的限制標(biāo)準(zhǔn)，這將導(dǎo)致行車數(shù)據(jù)處理系統(tǒng)的嚴重性能瓶頸。而現(xiàn)有基于云-端的遠距離網(wǎng)絡(luò)傳輸技術(shù)難以達到響應(yīng)時間限制，需要嘗試局域范圍內(nèi)的短距離網(wǎng)絡(luò)通信來實現(xiàn)。

例如，通過邊緣平臺，將復(fù)雜的計算密集型任務(wù)卸載至路邊單元等邊緣節(jié)點的方案，具有巨大的潛力，但也面臨著一些問題：

智能汽車內(nèi)部的計算系統(tǒng)與路側(cè)的邊緣計算節(jié)點需要通信與協(xié)同;

汽車不斷移動的同時，需要順序地接入不同的邊緣節(jié)點，相鄰的節(jié)點之間需要基于服務(wù)遷移技術(shù)進行“接力”;

不同節(jié)點的負載情況、計算能力差異較大，延遲敏感的車聯(lián)網(wǎng)任務(wù)如何高效處理;

如此動態(tài)的場景下，合理計費與安全保障同樣重要。

因此，這也對上層數(shù)據(jù)處理系統(tǒng)提出了挑戰(zhàn)：

1)具備環(huán)境感知與場景感知的數(shù)據(jù)采集

對于固定地理位置的基站、路邊單元等邊緣節(jié)點，以及具有高移動性、不穩(wěn)定性的車輛，均無法照搬傳統(tǒng)數(shù)據(jù)采集方法，而應(yīng)探索具備感知周圍環(huán)境能力以及實時場景信息能力的新型數(shù)據(jù)獲取技術(shù)，例如包含高精度地理位置的空間信息獲取、實景畫面采集?；诖祟惛呔S度的數(shù)據(jù)，自動駕駛系統(tǒng)才能夠?qū)崿F(xiàn)性能進一步的提升。

2)數(shù)據(jù)聚合與處理

在輸入源數(shù)量大、異構(gòu)性強、性能不統(tǒng)一的復(fù)雜情況下，對多元化數(shù)據(jù)進行有效聚合、處理便是下一步。利用這些數(shù)據(jù)，車聯(lián)網(wǎng)應(yīng)當(dāng)能夠高效地對它進行分析、挖掘，以支撐局域內(nèi)的高精度地圖、定位、導(dǎo)航等功能。

3)智能化決策

新型交通相較于傳統(tǒng)而言，最大的變化在于機器的智能化發(fā)展。駕駛者能夠通過目視采集環(huán)境信息，通過大腦進行分析并決定下一步的操作，而想要實現(xiàn)自動駕駛，行車控制系統(tǒng)同樣需要實現(xiàn)這一過程。為了讓機器具備“分析”“推斷”等能力，機器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)快速發(fā)展。

目前，相關(guān)研究人員利用強化學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)等技術(shù)，已經(jīng)在行車智能控制方面取得了初步成果，達到了一級、二級甚至三級的自動駕駛能力，并預(yù)計在未來十年內(nèi)實現(xiàn)四級以及五級的高度自動駕駛水平。

三、前沿研究

面對上述問題，云邊端協(xié)同處理模式顯示出了巨大潛力。研究人員嘗試提出了一種云平臺、邊緣平臺以及車載平臺三者協(xié)同的處理方案：

車在平臺：由于直接嵌入至車體內(nèi)，因此能夠執(zhí)行高度延遲敏感型任務(wù)，例如關(guān)鍵決策推斷，以及對任務(wù)卸載所用到的數(shù)據(jù)進行預(yù)處理，以降低數(shù)據(jù)體積，進而減小帶寬占用和傳輸時間開銷。

邊緣平臺：適用于計算密集型、中度延遲敏感型任務(wù)，例如精確定位、局部區(qū)域高精度導(dǎo)航、多數(shù)據(jù)源的信息聚合與存儲等，能夠為資源極度受限的車載平臺提供一定能力的計算、存儲等服務(wù)。同時，以路邊單元為代表的邊緣節(jié)點由于靠近車輛但(通常)不具備移動性的特點，能夠為固定區(qū)域內(nèi)的來往車輛提供實時且豐富的信息，彌補單一車載平臺視野受限的問題。

云平臺：由于處于網(wǎng)絡(luò)中心，具備全局性的服務(wù)范圍，且擁有近乎無限的計算、存儲等資源，能夠承擔(dān)復(fù)雜且大規(guī)模的計算任務(wù)(例如用于實時推斷的DNN模型的訓(xùn)練)、非實時的廣域信息聚合及處理任務(wù)(例如預(yù)設(shè)路線規(guī)劃)，處理并存儲富有價值的大規(guī)模交通數(shù)據(jù)以備未來的統(tǒng)計、分析及預(yù)測任務(wù)等。

接下來，將介紹一些相關(guān)技術(shù)的具體研究：

1.資源管理與任務(wù)卸載

由于邊緣節(jié)點能夠為一定范圍內(nèi)的多個用戶(車輛)同時提供服務(wù)，因此資源調(diào)配以及用戶任務(wù)競爭問題是影響性能的主要因素。參考文獻[70]將車輛任務(wù)卸載過程中的競爭沖突問題轉(zhuǎn)化為多用戶博弈問題，證明該問題的納什均衡的存在性，并實現(xiàn)了一個分布式的計算卸載算法。

而參考文獻[71]則更進一步，針對任務(wù)卸載過程中的通信速率、可靠性、延遲三方面進行優(yōu)化分析，提出了一個支持服務(wù)質(zhì)量感知的無線網(wǎng)絡(luò)資源管理框架，將資源分配問題拆分為車輛集群的分塊、集群之間的資源塊池分配、集群內(nèi)的資源分配3個子問題，并實現(xiàn)了一個基于圖理論的優(yōu)化方法：

首先將車輛分區(qū)轉(zhuǎn)化為集群劃分問題，使得車輛之間的協(xié)同控制能夠避免隱藏終端問題，同時避免由半雙工導(dǎo)致的通信限制;

對群組的資源塊池分配問題轉(zhuǎn)化為基于加權(quán)資源沖突圖的最大最小公平性問題，解決(由高效的集群間通信資源復(fù)用導(dǎo)致的)頻譜利用率增強與限制集群間競爭沖突的權(quán)衡。

針對車輛高移動性導(dǎo)致的邊緣節(jié)點頻繁切換的問題，參考文獻[72]認為車輛與節(jié)點之間的連接在維持較短時間后便丟失，將造成處理時間及能耗開銷增長，提出了任務(wù)接替算法，按照計算出的接替時間，將處理任務(wù)從原有節(jié)點卸載至下一個可行的目標(biāo)節(jié)點，繼續(xù)任務(wù)的運行。

同時，該研究者沒有局限于單一完整的任務(wù)卸載，實現(xiàn)了一系列任務(wù)的部分卸載策略。

對于整個卸載過程而言，車端的性能與邊緣服務(wù)節(jié)點端的性能均需要認真對待。DDORV算法[73]能夠根據(jù)當(dāng)前系統(tǒng)狀況(例如信道質(zhì)量、流量負載)對車端與節(jié)點端的兩個相互耦合且包含大量狀態(tài)信息、控制變量的隨機優(yōu)化問題同時進行考慮。

具體而言，該算法基于Lyapunov算法將雙邊隨機優(yōu)化問題解耦為兩個獨立的按幀優(yōu)化問題：對于車輛，卸載策略通過比較本地處理成本與任務(wù)卸載成本進行選擇，CPU調(diào)整頻率通過提出的目標(biāo)函數(shù)計算得出;對于邊緣節(jié)點端，首先提出一個輕量的資源供給算法，之后基于對無線資源與能耗的共同優(yōu)化的迭代式算法，提出持續(xù)松弛方法以及Lagrange雙解耦算法。

同時，該研究者選用電視機空白頻段(TV white space)進行車輛與邊緣節(jié)點之間的無線數(shù)據(jù)傳輸，彌補了傳統(tǒng)蜂窩、Wi-Fi等技術(shù)的弊端，提高了通信效率。

同時，對于一定區(qū)域內(nèi)的多個用戶，通常具有多個節(jié)點提供選擇。JSCO算法[74]將多節(jié)點、多用戶背景下的負載均衡與任務(wù)卸載決策問題轉(zhuǎn)化為混合整數(shù)非線性規(guī)劃問題，并能夠針對節(jié)點選擇、計算資源優(yōu)化、卸載方案決策3個問題以低復(fù)雜度進行計算，在保證延遲限制的條件下最大化系統(tǒng)利用率。

2.典型應(yīng)用

依托于智能車輛的應(yīng)用場景十分豐富，例如：

1)交通流量評估

參考文獻[75]發(fā)現(xiàn)傳統(tǒng)車流量評估方法通常是大范圍的、粗粒度的，且依賴于固定位置的交通攝像頭，而對于沒有攝像系統(tǒng)的路段需要使用衛(wèi)星定位系統(tǒng)的連接情況來判斷，結(jié)果準(zhǔn)確率不佳。

該研究將車輛看作邊緣計算節(jié)點，通過車載攝像(例如行車記錄儀)的實時視頻流進行交通評估：基于YOLO模型的物體檢測模塊實時地生成目標(biāo)車體范圍框，物體追蹤模塊提取范圍框內(nèi)車體的SIFT特征描述符，并在連續(xù)幀之間進行比對，流量評估模塊基于Hough以及虛擬車道進行同向和對向的車道線的提取以及車道的分離，進而分析車輛通行情況。

2)安全分析

基于OpenVDAP框架實現(xiàn)的AutoVAPS[76]框架包括數(shù)據(jù)層(負責(zé)數(shù)據(jù)采集及管理)、模型層(負責(zé)提供用于智能分析圖像的模型)、訪問層(提供保護隱私的數(shù)據(jù)共享與訪問)，能夠通過車載攝像視頻流實時地進行安全分析。

對于新型大數(shù)據(jù)應(yīng)用的發(fā)展而言，一方面，需要面向云邊協(xié)同的層次化架構(gòu)，充分利用云、邊、端三者的優(yōu)勢，解決傳統(tǒng)單一云模式下面臨的問題;另一方面，需要針對特定應(yīng)用，不斷優(yōu)化云邊協(xié)同下數(shù)據(jù)處理系統(tǒng)的實現(xiàn)方案，使得該體系能夠更加適應(yīng)于不同特定的場景，充分發(fā)揮特定場景的優(yōu)勢。