一、介紹

自動(dòng)駕駛泛指對(duì)于交通工具(尤其是汽車)的智能化改造，應(yīng)用自動(dòng)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(jī)動(dòng)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(shí)現(xiàn)離不開對(duì)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(dòng)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(jìn)制造業(yè)等多方機(jī)構(gòu)同時(shí)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(jī)對(duì)于車輛的操控能力、對(duì)于駕駛規(guī)則的認(rèn)知能力不盡相同;另一方面，在不同的情況下，司機(jī)的反應(yīng)時(shí)間與決策準(zhǔn)確性會(huì)受到諸多因素不同程度的影響。這使得我們對(duì)于機(jī)動(dòng)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(duì)于自動(dòng)駕駛技術(shù)而言，不論是低階輔助駕駛(例如定速巡航、自動(dòng)化跟車、車道保持、自動(dòng)泊車)，還是高階自動(dòng)駕駛(幾乎完全交由行車系統(tǒng)進(jìn)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(shí)緩解了諸如心情、病癥等因素對(duì)駕駛者的影響，提高了行車可靠性。

同時(shí)，由于數(shù)據(jù)處理系統(tǒng)超低時(shí)延的性能，自動(dòng)駕駛技術(shù)能夠以低于常人反應(yīng)時(shí)間的速度進(jìn)行決策，在突發(fā)情況(例如即將碰撞)時(shí)能夠即時(shí)采取最佳策略，避免事故的發(fā)生，或減弱事故帶來(lái)的危害，進(jìn)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(xiàng)典型應(yīng)用即精確導(dǎo)航。對(duì)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(duì)于交通流量判斷的經(jīng)驗(yàn)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(jì)算平臺(tái)的結(jié)合帶來(lái)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(guò)邊緣節(jié)點(diǎn)，能夠在LAN進(jìn)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(dá)、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(shí)景畫面，為駕駛系統(tǒng)提供準(zhǔn)確的地理位置信息支撐。

實(shí)時(shí)更新地圖?；谶吘壠脚_(tái)的計(jì)算能力，能夠?qū)τ谝欢ǚ秶鷥?nèi)的高精度地圖進(jìn)行實(shí)時(shí)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(shí)效性數(shù)據(jù)，并即時(shí)分發(fā)至可能經(jīng)過(guò)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(lái)的時(shí)效性對(duì)于傳統(tǒng)地圖信息系統(tǒng)而言難以實(shí)現(xiàn)。

動(dòng)態(tài)信息監(jiān)控：通過(guò)基站、車載計(jì)算、路邊單元等邊緣節(jié)點(diǎn)，能夠?qū)⒔煌髁?、突發(fā)事故等動(dòng)態(tài)信息進(jìn)行監(jiān)控、采集，并經(jīng)過(guò)聚合、處理后上報(bào)至車聯(lián)網(wǎng)，使得交通狀況由傳統(tǒng)的現(xiàn)場(chǎng)發(fā)現(xiàn)、人工播報(bào)逐漸轉(zhuǎn)變?yōu)閷?shí)時(shí)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(dòng)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(yùn)行的能力，有效彌補(bǔ)了公共交通工具有限運(yùn)行時(shí)間以及駕駛者面臨的疲勞駕駛等問(wèn)題。

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

二、問(wèn)題與挑戰(zhàn)

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

1.計(jì)算性能

研究稱，人類的反應(yīng)時(shí)間通常為100～150ms，盡可能保證安全性的自動(dòng)駕駛技術(shù)的響應(yīng)時(shí)間則應(yīng)該低于100ms[68]，而自動(dòng)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(dá)(NVIDIA)公司研究稱，車身上的高分辨率照相機(jī)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(wàn)億個(gè)操作，用于物體及行人追蹤、交通信號(hào)檢測(cè)與識(shí)別、車道檢測(cè)等智能場(chǎng)景的實(shí)現(xiàn)。

同時(shí)，對(duì)于如此規(guī)模的計(jì)算量，數(shù)據(jù)處理系統(tǒng)還應(yīng)嚴(yán)格控制硬件發(fā)熱問(wèn)題，避免溫度過(guò)高導(dǎo)致的性能損耗、續(xù)航縮減、能源浪費(fèi)，甚至車身自燃等嚴(yán)重問(wèn)題的發(fā)生。因此，如何在極短時(shí)間內(nèi)高能效地實(shí)現(xiàn)大規(guī)模運(yùn)算，將是對(duì)行車數(shù)據(jù)處理系統(tǒng)的一大考驗(yàn)。

2.存儲(chǔ)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(dá)到3～40Gbit/s[69]，英偉達(dá)公司的自動(dòng)駕駛技術(shù)測(cè)試也顯示車輛學(xué)習(xí)數(shù)據(jù)收集系統(tǒng)在幾小時(shí)內(nèi)就能夠充滿TB級(jí)的固態(tài)存儲(chǔ)硬盤(SSD)。

自動(dòng)駕駛技術(shù)在短時(shí)間內(nèi)產(chǎn)生如此規(guī)模的數(shù)據(jù)量，使得車載存儲(chǔ)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(wú)法將傳感器收集的實(shí)時(shí)原生數(shù)據(jù)直接上傳至計(jì)算平臺(tái);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(jià)值，造成識(shí)別錯(cuò)誤、決策準(zhǔn)確率下降等問(wèn)題。

3.網(wǎng)絡(luò)通信性能

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

車與車之間的互連：通過(guò)車輛點(diǎn)對(duì)點(diǎn)網(wǎng)絡(luò)，車輛之間能夠不借助于駕駛者實(shí)現(xiàn)智能化通信，進(jìn)行事故警報(bào)、碰撞預(yù)測(cè)、協(xié)同化巡航等應(yīng)用。

車與計(jì)算平臺(tái)之間的互連：由于車載處理系統(tǒng)受限于有限計(jì)算資源，我們無(wú)法將所有的復(fù)雜任務(wù)直接交由它本身進(jìn)行計(jì)算，必將基于更高階的計(jì)算平臺(tái)進(jìn)行特定的任務(wù)卸載來(lái)完成。通過(guò)V2I(Vehicle-to-Infrastructure)技術(shù)，智能車輛能夠連接路邊單元、基站等計(jì)算服務(wù)設(shè)施，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)交互、計(jì)算卸載等過(guò)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(duì)機(jī)動(dòng)車的自身狀況有所了解，以評(píng)估行駛安全性等問(wèn)題。

但是，在不考慮數(shù)據(jù)處理時(shí)間開銷的情況下，傳統(tǒng)網(wǎng)絡(luò)通信技術(shù)由于無(wú)線信道狀況、通信帶寬限制、網(wǎng)絡(luò)流量擁塞等問(wèn)題，使得數(shù)據(jù)傳輸開銷通常遠(yuǎn)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(yán)重性能瓶頸。而現(xiàn)有基于云-端的遠(yuǎn)距離網(wǎng)絡(luò)傳輸技術(shù)難以達(dá)到響應(yīng)時(shí)間限制，需要嘗試局域范圍內(nèi)的短距離網(wǎng)絡(luò)通信來(lái)實(shí)現(xiàn)。

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

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

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

不同節(jié)點(diǎn)的負(fù)載情況、計(jì)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(dòng)態(tài)的場(chǎng)景下，合理計(jì)費(fèi)與安全保障同樣重要。

因此，這也對(duì)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(chǎng)景感知的數(shù)據(jù)采集

對(duì)于固定地理位置的基站、路邊單元等邊緣節(jié)點(diǎn)，以及具有高移動(dòng)性、不穩(wěn)定性的車輛，均無(wú)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(shí)時(shí)場(chǎng)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(shí)景畫面采集。基于此類高維度的數(shù)據(jù)，自動(dòng)駕駛系統(tǒng)才能夠?qū)崿F(xiàn)性能進(jìn)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(qiáng)、性能不統(tǒng)一的復(fù)雜情況下，對(duì)多元化數(shù)據(jù)進(jìn)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(duì)它進(jìn)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(jī)器的智能化發(fā)展。駕駛者能夠通過(guò)目視采集環(huán)境信息，通過(guò)大腦進(jìn)行分析并決定下一步的操作，而想要實(shí)現(xiàn)自動(dòng)駕駛，行車控制系統(tǒng)同樣需要實(shí)現(xiàn)這一過(guò)程。為了讓機(jī)器具備“分析”“推斷”等能力，機(jī)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(qiáng)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(dá)到了一級(jí)、二級(jí)甚至三級(jí)的自動(dòng)駕駛能力，并預(yù)計(jì)在未來(lái)十年內(nèi)實(shí)現(xiàn)四級(jí)以及五級(jí)的高度自動(dòng)駕駛水平。

三、前沿研究

面對(duì)上述問(wèn)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(tái)、邊緣平臺(tái)以及車載平臺(tái)三者協(xié)同的處理方案：

車在平臺(tái)：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(duì)任務(wù)卸載所用到的數(shù)據(jù)進(jìn)行預(yù)處理，以降低數(shù)據(jù)體積，進(jìn)而減小帶寬占用和傳輸時(shí)間開銷。

邊緣平臺(tái)：適用于計(jì)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(chǔ)等，能夠?yàn)橘Y源極度受限的車載平臺(tái)提供一定能力的計(jì)算、存儲(chǔ)等服務(wù)。同時(shí)，以路邊單元為代表的邊緣節(jié)點(diǎn)由于靠近車輛但(通常)不具備移動(dòng)性的特點(diǎn)，能夠?yàn)楣潭▍^(qū)域內(nèi)的來(lái)往車輛提供實(shí)時(shí)且豐富的信息，彌補(bǔ)單一車載平臺(tái)視野受限的問(wèn)題。

云平臺(tái)：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(wú)限的計(jì)算、存儲(chǔ)等資源，能夠承擔(dān)復(fù)雜且大規(guī)模的計(jì)算任務(wù)(例如用于實(shí)時(shí)推斷的DNN模型的訓(xùn)練)、非實(shí)時(shí)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(chǔ)富有價(jià)值的大規(guī)模交通數(shù)據(jù)以備未來(lái)的統(tǒng)計(jì)、分析及預(yù)測(cè)任務(wù)等。

接下來(lái)，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(diǎn)能夠?yàn)橐欢ǚ秶鷥?nèi)的多個(gè)用戶(車輛)同時(shí)提供服務(wù)，因此資源調(diào)配以及用戶任務(wù)競(jìng)爭(zhēng)問(wèn)題是影響性能的主要因素。參考文獻(xiàn)[70]將車輛任務(wù)卸載過(guò)程中的競(jìng)爭(zhēng)沖突問(wèn)題轉(zhuǎn)化為多用戶博弈問(wèn)題，證明該問(wèn)題的納什均衡的存在性，并實(shí)現(xiàn)了一個(gè)分布式的計(jì)算卸載算法。

而參考文獻(xiàn)[71]則更進(jìn)一步，針對(duì)任務(wù)卸載過(guò)程中的通信速率、可靠性、延遲三方面進(jìn)行優(yōu)化分析，提出了一個(gè)支持服務(wù)質(zhì)量感知的無(wú)線網(wǎng)絡(luò)資源管理框架，將資源分配問(wèn)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(gè)子問(wèn)題，并實(shí)現(xiàn)了一個(gè)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(wèn)題，使得車輛之間的協(xié)同控制能夠避免隱藏終端問(wèn)題，同時(shí)避免由半雙工導(dǎo)致的通信限制;

對(duì)群組的資源塊池分配問(wèn)題轉(zhuǎn)化為基于加權(quán)資源沖突圖的最大最小公平性問(wèn)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(qiáng)與限制集群間競(jìng)爭(zhēng)沖突的權(quán)衡。

針對(duì)車輛高移動(dòng)性導(dǎo)致的邊緣節(jié)點(diǎn)頻繁切換的問(wèn)題，參考文獻(xiàn)[72]認(rèn)為車輛與節(jié)點(diǎn)之間的連接在維持較短時(shí)間后便丟失，將造成處理時(shí)間及能耗開銷增長(zhǎng)，提出了任務(wù)接替算法，按照計(jì)算出的接替時(shí)間，將處理任務(wù)從原有節(jié)點(diǎn)卸載至下一個(gè)可行的目標(biāo)節(jié)點(diǎn)，繼續(xù)任務(wù)的運(yùn)行。

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

對(duì)于整個(gè)卸載過(guò)程而言，車端的性能與邊緣服務(wù)節(jié)點(diǎn)端的性能均需要認(rèn)真對(duì)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(fù)載)對(duì)車端與節(jié)點(diǎn)端的兩個(gè)相互耦合且包含大量狀態(tài)信息、控制變量的隨機(jī)優(yōu)化問(wèn)題同時(shí)進(jìn)行考慮。

具體而言，該算法基于Lyapunov算法將雙邊隨機(jī)優(yōu)化問(wèn)題解耦為兩個(gè)獨(dú)立的按幀優(yōu)化問(wèn)題：對(duì)于車輛，卸載策略通過(guò)比較本地處理成本與任務(wù)卸載成本進(jìn)行選擇，CPU調(diào)整頻率通過(guò)提出的目標(biāo)函數(shù)計(jì)算得出;對(duì)于邊緣節(jié)點(diǎn)端，首先提出一個(gè)輕量的資源供給算法，之后基于對(duì)無(wú)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(shí)，該研究者選用電視機(jī)空白頻段(TV white space)進(jìn)行車輛與邊緣節(jié)點(diǎn)之間的無(wú)線數(shù)據(jù)傳輸，彌補(bǔ)了傳統(tǒng)蜂窩、Wi-Fi等技術(shù)的弊端，提高了通信效率。

同時(shí)，對(duì)于一定區(qū)域內(nèi)的多個(gè)用戶，通常具有多個(gè)節(jié)點(diǎn)提供選擇。JSCO算法[74]將多節(jié)點(diǎn)、多用戶背景下的負(fù)載均衡與任務(wù)卸載決策問(wèn)題轉(zhuǎn)化為混合整數(shù)非線性規(guī)劃問(wèn)題，并能夠針對(duì)節(jié)點(diǎn)選擇、計(jì)算資源優(yōu)化、卸載方案決策3個(gè)問(wèn)題以低復(fù)雜度進(jìn)行計(jì)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(chǎng)景十分豐富，例如：

1)交通流量評(píng)估

參考文獻(xiàn)[75]發(fā)現(xiàn)傳統(tǒng)車流量評(píng)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(duì)于沒(méi)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(lái)判斷，結(jié)果準(zhǔn)確率不佳。

該研究將車輛看作邊緣計(jì)算節(jié)點(diǎn)，通過(guò)車載攝像(例如行車記錄儀)的實(shí)時(shí)視頻流進(jìn)行交通評(píng)估：基于YOLO模型的物體檢測(cè)模塊實(shí)時(shí)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(jìn)行比對(duì)，流量評(píng)估模塊基于Hough以及虛擬車道進(jìn)行同向和對(duì)向的車道線的提取以及車道的分離，進(jìn)而分析車輛通行情況。

2)安全分析

基于OpenVDAP框架實(shí)現(xiàn)的AutoVAPS[76]框架包括數(shù)據(jù)層(負(fù)責(zé)數(shù)據(jù)采集及管理)、模型層(負(fù)責(zé)提供用于智能分析圖像的模型)、訪問(wèn)層(提供保護(hù)隱私的數(shù)據(jù)共享與訪問(wèn))，能夠通過(guò)車載攝像視頻流實(shí)時(shí)地進(jìn)行安全分析。

對(duì)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(shì)，解決傳統(tǒng)單一云模式下面臨的問(wèn)題;另一方面，需要針對(duì)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(shí)現(xiàn)方案，使得該體系能夠更加適應(yīng)于不同特定的場(chǎng)景，充分發(fā)揮特定場(chǎng)景的優(yōu)勢(shì)。