一、介紹

智能駕駛泛指對于交通工具(尤其是汽車)的智能化改造，應用自動駕駛(autonomous driving)以及車聯網(Internet of Vehicles，IoV)等技術，使得傳統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據采集、智能分析、智能決策等，而這一系列的智能化技術的實現離不開對于車輛本身、外界環境、交互控制等多維度海量數據的高效處理與分析。

智能駕駛大數據之所以能夠被傳統汽車行業以及新興互聯網企業、先進制造業等多方機構同時寄予厚望，包括但不限于以下原因：

1. 安全性

一方面，不同人對于車輛的操控能力、對于駕駛規則的認知能力不盡相同;另一方面，在不同的情況下，人的反應時間與決策準確性會受到諸多因素不同程度的影響。這使得人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。

而對于智能駕駛技術而言，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進行控制)，都能夠在不同程度上替代人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，由于數據處理系統超低時延的性能，智能駕駛技術能夠以低于常人反應時間的速度進行決策，在突發情況(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

車聯網技術中一項典型應用即精確導航。對于傳統駕駛者而言，規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驗以及通用的定位導航技術(例如GPS或北斗)，而車聯網與邊緣計算平臺的結合帶來了區域性精確導航的能力，包括但不限于：

• 高精度地圖。不同于傳統基于衛星的遙感地圖，通過邊緣節點，能夠在LAN進行多維度的數據獲取，例如基于攝錄系統的視頻采集，基于雷達、聲吶系統的空間距離感知等，獲得小范圍內的精確空間信息以及實景畫面，為駕駛系統提供準確的地理位置信息支撐。
• 實時更新地圖。基于邊緣平臺的計算能力，能夠對于一定范圍內的高精度地圖進行實時更新，記錄道路維修、車道調整、通行規則調整等一系列高時效性數據，并即時分發至可能經過此區域的行車系統中，為它提供更加準確的決策，而極高的更新頻率帶來的時效性對于傳統地圖信息系統而言難以實現。
• 動態信息監控：通過基站、車載計算、路邊單元等邊緣節點，能夠將交通流量、突發事故等動態信息進行監控、采集，并經過聚合、處理后上報至車聯網，使得交通狀況由傳統的現場發現、人工播報逐漸轉變為實時獲取、連網傳播，大大提高了車輛通行效率。

3. 便捷性

不論是作為交通系統使用者的自動駕駛車輛，還是作為服務者的車聯網系統，由于智能處理系統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

而自動駕駛技術是否能夠最終落地，對于數據處理系統而言，主要依賴于以下三方面：

1. 計算性能

研究稱，人類的反應時間通常為100～150ms，盡可能保證安全性的自動駕駛技術的響應時間則應該低于100ms[68]，而自動駕駛系統所面臨的持續輸入的數據量又是十分龐大的—據英偉達(NVIDIA)公司研究稱，車身上的高分辨率照相機每秒將產生2GB像素，輸入到用于決策推斷的深度神經網絡中，隨之產生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。

同時，對于如此規模的計算量，數據處理系統還應嚴格控制硬件發熱問題，避免溫度過高導致的性能損耗、續航縮減、能源浪費，甚至車身自燃等嚴重問題的發生。因此，如何在極短時間內高能效地實現大規模運算，將是對行車數據處理系統的一大考驗。

2. 存儲性能

研究表明，遍布車身的傳感器的數據傳輸帶寬能夠達到3～40Gbit/s[69]，英偉達公司的自動駕駛技術測試也顯示車輛學習數據收集系統在幾小時內就能夠充滿TB級的固態存儲硬盤(SSD)。

自動駕駛技術在短時間內產生如此規模的數據量，使得車載存儲系統的性能需要不斷提升。一方面，由于網絡通信條件的限制，車輛無法將傳感器收集的實時原生數據直接上傳至計算平臺;另一方面，降低傳感器數量或數據采集質量將直接影響數據價值，造成識別錯誤、決策準確率下降等問題。

3. 網絡通信性能

對于自動駕駛、車聯網等智能駕駛技術，網絡通信幾乎為各項功能提供著底層支撐：

• 車與車之間的互連：通過車輛點對點網絡，車輛之間能夠不借助于駕駛者實現智能化通信，進行事故警報、碰撞預測、協同化巡航等應用。
• 車與計算平臺之間的互連：由于車載處理系統受限于有限計算資源，人們無法將所有的復雜任務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卸載來完成。通過V2I(Vehicle-to-Infrastructure)技術，智能車輛能夠連接路邊單元、基站等計算服務設施，進而實現數據交互、計算卸載等過程。
• 車與用戶設備之間的互連：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，在不考慮數據處理時間開銷的情況下，傳統網絡通信技術由于無線信道狀況、通信帶寬限制、網絡流量擁塞等問題，使得數據傳輸開銷通常遠高于100ms的限制標準，這將導致行車數據處理系統的嚴重性能瓶頸。而現有基于云-端的遠距離網絡傳輸技術難以達到響應時間限制，需要嘗試局域范圍內的短距離網絡通信來實現。

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

• 智能汽車內部的計算系統與路側的邊緣計算節點需要通信與協同;
• 汽車不斷移動的同時，需要順序地接入不同的邊緣節點，相鄰的節點之間需要基于服務遷移技術進行“接力”;
• 不同節點的負載情況、計算能力差異較大，延遲敏感的車聯網任務如何高效處理;
• 如此動態的場景下，合理計費與安全保障同樣重要。

因此，這也對上層數據處理系統提出了挑戰：

1)具備環境感知與場景感知的數據采集

對于固定地理位置的基站、路邊單元等邊緣節點，以及具有高移動性、不穩定性的車輛，均無法照搬傳統數據采集方法，而應探索具備感知周圍環境能力以及實時場景信息能力的新型數據獲取技術，例如包含高精度地理位置的空間信息獲取、實景畫面采集。基于此類高維度的數據，智能駕駛系統才能夠實現性能進一步的提升。

2)數據聚合與處理

在輸入源數量大、異構性強、性能不統一的復雜情況下，對多元化數據進行有效聚合、處理便是下一步。利用這些數據，車聯網應當能夠高效地對它進行分析、挖掘，以支撐局域內的高精度地圖、定位、導航等功能。

3)智能化決策

新型交通相較于傳統而言，最大的變化在于機器的智能化發展。駕駛者能夠通過目視采集環境信息，通過大腦進行分析并決定下一步的操作，而想要實現智能駕駛，行車控制系統同樣需要實現這一過程。為了讓機器具備“分析”“推斷”等能力，機器學習、深度學習技術快速發展。

目前，相關研究人員利用強化學習、深度神經網絡等技術，已經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，并預計在未來十年內實現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同的處理方案：

• 車在平臺：由于直接嵌入至車體內，因此能夠執行高度延遲敏感型任務，例如關鍵決策推斷，以及對任務卸載所用到的數據進行預處理，以降低數據體積，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，例如精確定位、局部區域高精度導航、多數據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。同時，以路邊單元為代表的邊緣節點由于靠近車輛但(通常)不具備移動性的特點，能夠為固定區域內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：由于處于網絡中心，具備全局性的服務范圍，且擁有近乎無限的計算、存儲等資源，能夠承擔復雜且大規模的計算任務(例如用于實時推斷的DNN模型的訓練)、非實時的廣域信息聚合及處理任務(例如預設路線規劃)，處理并存儲富有價值的大規模交通數據以備未來的統計、分析及預測任務等。

接下來，將介紹一些相關技術的具體研究：

1. 資源管理與任務卸載

由于邊緣節點能夠為一定范圍內的多個用戶(車輛)同時提供服務，因此資源調配以及用戶任務競爭問題是影響性能的主要因素。參考文獻[70]將車輛任務卸載過程中的競爭沖突問題轉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，針對任務卸載過程中的通信速率、可靠性、延遲三方面進行優化分析，提出了一個支持服務質量感知的無線網絡資源管理框架，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、集群內的資源分配3個子問題，并實現了一個基于圖理論的優化方法：

• 首先將車輛分區轉化為集群劃分問題，使得車輛之間的協同控制能夠避免隱藏終端問題，同時避免由半雙工導致的通信限制;
• 對群組的資源塊池分配問題轉化為基于加權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用導致的)頻譜利用率增強與限制集群間競爭沖突的權衡。

針對車輛高移動性導致的邊緣節點頻繁切換的問題，參考文獻[72]認為車輛與節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，提出了任務接替算法，按照計算出的接替時間，將處理任務從原有節點卸載至下一個可行的目標節點，繼續任務的運行。

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

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

具體而言，該算法基于Lyapunov算法將雙邊隨機優化問題解耦為兩個獨立的按幀優化問題：對于車輛，卸載策略通過比較本地處理成本與任務卸載成本進行選擇，CPU調整頻率通過提出的目標函數計算得出;對于邊緣節點端，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化的迭代式算法，提出持續松弛方法以及Lagrange雙解耦算法。

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

同時，對于一定區域內的多個用戶，通常具有多個節點提供選擇。JSCO算法[74]將多節點、多用戶背景下的負載均衡與任務卸載決策問題轉化為混合整數非線性規劃問題，并能夠針對節點選擇、計算資源優化、卸載方案決策3個問題以低復雜度進行計算，在保證延遲限制的條件下最大化系統利用率。

2. 典型應用

依托于智能車輛的應用場景十分豐富，例如：

1)交通流量評估

參考文獻[75]發現傳統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的路段需要使用衛星定位系統的連接情況來判斷，結果準確率不佳。

該研究將車輛看作邊緣計算節點，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車體范圍框，物體追蹤模塊提取范圍框內車體的SIFT特征描述符，并在連續幀之間進行比對，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框架實現的AutoVAPS[76]框架包括數據層(負責數據采集及管理)、模型層(負責提供用于智能分析圖像的模型)、訪問層(提供保護隱私的數據共享與訪問)，能夠通過車載攝像視頻流實時地進行安全分析。

對于新型大數據應用的發展而言，一方面，需要面向云邊協同的層次化架構，充分利用云、邊、端三者的優勢，解決傳統單一云模式下面臨的問題;另一方面，需要針對特定應用，不斷優化云邊協同下數據處理系統的實現方案，使得該體系能夠更加適應于不同特定的場景，充分發揮特定場景的優勢。

關于作者：韓銳，北京理工大學特別研究員，博士生導師。2010年畢業于清華大學并獲優秀碩士畢業生，2014年博士畢業于英國帝國理工學院，2014年3月至2018年6月在中國科學院計算所工作。專注于研究面向典型負載(機器學習、深度學習、互聯網服務)的云計算系統優化，在 TPDS、TC、TKDE、TSC等領域頂級(重要)期刊和INFOCOM、ICDCS、ICPP、RTSS等會議上發表超過40篇論文，Google學術引用1000 余次。

劉馳，北京理工大學計算機學院副院長，教授，博士生導師。智能信息技術北京市重點實驗室主任，國家優秀青年科學基金獲得者，國家重點研發計劃首席科學家，中國電子學會會士，英國工程技術學會會士，英國計算機學會會士。分別于清華大學和英國帝國理工學院獲得學士和博士學位，后在德國電信研究總院任博士后研究員，在美國IBM T.J.Watson研究中心和IBM中國研究院任研究主管。主要研究方向是智能物聯網技術。

本文摘編自《云邊協同大數據技術與應用》(ISBN：978-7-111-70100-2)，經出版方授權發布。