AR 及其云服務(wù)和能力融合構(gòu)架進(jìn)入了百舸爭流的快速發(fā)展階段。各 ICT，人工智能以及互聯(lián)網(wǎng)的領(lǐng)軍企業(yè)紛紛發(fā)布了令人眩目的新技術(shù)并拓展其基于云的服務(wù)模式，線下物理世界和線上數(shù)字世界之間的融合和相互激勵已逐步呈現(xiàn)。
同時5G時代的到來和商用化部署的加速，加速了數(shù)字信息流轉(zhuǎn)以及物聯(lián)網(wǎng)規(guī)模的發(fā)展，并以更加安全、靈活的方式保護(hù)了數(shù)字資產(chǎn)和隱私信息，為物理和數(shù)字世界的融合與啟動以視覺自然交互為基礎(chǔ)的人物交互機(jī)制 （HTI：Human Things Interaction）開辟了高速公路。
編者嘗試從基于計算遷移的端/邊協(xié)同優(yōu)化及云原生技術(shù)對AR邊緣云的影響等兩個方面來進(jìn)一步剖析該白皮書內(nèi)容，使得對邊緣計算+云原生技術(shù)如何提升AR應(yīng)用的用戶體驗有更加清晰的認(rèn)識。
基于計算遷移的端/邊協(xié)同優(yōu)化
AR應(yīng)用一般對延遲是極其敏感的，而且對計算和通信的要求都很高。并且，在移動設(shè)備上運行AR應(yīng)用時，在對移動設(shè)備電池的消耗方面，一直無法滿足用戶的期望[1-3]。
AR 應(yīng)用程序通過移動設(shè)備的屏幕和攝像頭將一些計算機(jī)圖像疊加到現(xiàn)實世界的影像中，圖 1 所示的框圖說明了這一過程。完成這一過程需要五個組成部分[3-4]：
視頻源， 它可以先從移動攝像機(jī)中獲得原始的視頻幀；
跟蹤器，在當(dāng)前環(huán)境下識別并跟蹤用戶的相對位置；
映射器，對當(dāng)前所處環(huán)境建立一個模型；
對象識別器，識別當(dāng)前環(huán)境中的已知物體；
渲染器，顯示處理過的幀。
基于AR應(yīng)用的處理流程及其固有特點，相關(guān)研究人員提出，利用計算遷移及同位置數(shù)據(jù)共享的方式來進(jìn)一步提升AR應(yīng)用的用戶體驗。
將計算密集型任務(wù)卸載至邊緣云執(zhí)行，完成計算任務(wù)執(zhí)行優(yōu)化：
視頻源和渲染器組件必須在移動設(shè)備中執(zhí)行，而計算量最大的跟蹤器、映射器和對象識別器組建所進(jìn)行的計算可以卸載到云端進(jìn)行。同時考慮到邊緣側(cè)計算資源能夠利用本地上下文信息, 同時具有較強(qiáng)的處理能力, 非常適合AR應(yīng)用。Dastjerdi等人[4]介紹了一種通過檢測人腦電波工作的“大腦-計算機(jī)”交互AR應(yīng)用。
腦電波數(shù)據(jù)由腦電生物傳感器實時接收, 同時, 借助MEC和云計算平臺處理大型的計算任務(wù)。Schneider等人[5]設(shè)計了一種基于邊緣計算的AR應(yīng)用架構(gòu), 克服了智能手機(jī)、平板電腦等移動AR設(shè)備在性能方面存在的困難, 同時, 將移動AR應(yīng)用的端到端延遲減少到了50ms以內(nèi)。
基于同位置用戶的數(shù)據(jù)共享實現(xiàn)通信資源優(yōu)化：
此外，如果對任務(wù)進(jìn)行卸載，映射器和對象識別器可以從處在相同地理位置的所有用戶設(shè)備中收集輸入，限制用戶上行鏈路中傳輸?shù)娜哂嘈畔ⅰ４送?，映射器和對象識別器計算的結(jié)果可以從云端組播到下行鏈路中所有同位置的用戶。同時，[6-7]的工作表明，通過對通信資源和計算資源的分配進(jìn)行聯(lián)合優(yōu)化，可能在時延約束下顯著降低移動能量消耗。他們的工作能在多個用戶獨立運行通用應(yīng)用程序上應(yīng)用。
但是，AR 應(yīng)用程序有其獨特的性質(zhì)，所有的用戶都可能上傳和下載一部分相同的數(shù)據(jù)，且其計算任務(wù)也在一個或多個服務(wù)器上共享。因此，可以通過聯(lián)合優(yōu)化通信和計算資源來減少通信和計算開銷[8]。
云原生技術(shù)對于AR邊緣云的影響
白皮書對于AR邊緣云核心技術(shù)發(fā)展預(yù)測這一章中提到，目前AR邊緣云的標(biāo)準(zhǔn)實現(xiàn)模式是將AR云的各種能力組件和應(yīng)用邏輯通過虛擬機(jī)或者容器的方式在邊緣云承載。
容器虛擬化技術(shù)能夠?qū)⒌讓佑布Y源進(jìn)行虛擬化，形成資源池，為AR應(yīng)用提供可配置、可復(fù)制的應(yīng)用運行環(huán)境，成為連接AR應(yīng)用邏輯和專用硬件的橋梁。容器虛擬化技術(shù)能夠在保持極低額外開銷、媲美本機(jī)原生AR應(yīng)用運行速度的同時，大大降低AR服務(wù)部署的成本，成為決定AR服務(wù)性價比的核心競爭力之一。
基于容器虛擬化技術(shù)的邊緣云部署方案能夠滿足AR的基本服務(wù)能力，在此基礎(chǔ)上，未來AR邊緣云核心技術(shù)會面對構(gòu)建邊緣彈性部署、云邊協(xié)同服務(wù)、AR邊緣云生態(tài)環(huán)境構(gòu)建等更進(jìn)一步的挑戰(zhàn)，這也是架構(gòu)發(fā)展的重要影響因素。基于K8s+Docker的云原生技術(shù)能夠幫助AR邊緣云應(yīng)對這些挑戰(zhàn)。
邊緣彈性部署：AR應(yīng)用需要大量的計算資源，如果邊緣側(cè)出現(xiàn)大量用戶的應(yīng)用服務(wù)請求，可能會造成AR應(yīng)用不可用的問題。利用K8s+Docker的云原生技術(shù)，可以將彈性地整合利用多個邊緣節(jié)點及云上資源，在出現(xiàn)邊緣側(cè)資源不足的情況時，可以將AR服務(wù)實例彈性地部署到其他邊緣節(jié)點及云上，保證邊緣AR服務(wù)高可用。在應(yīng)用服務(wù)請求較少的時候，可以彈性地減少AR服務(wù)實例的部署數(shù)量，節(jié)約資源，降低成本。
云邊協(xié)同：AR應(yīng)用經(jīng)常需要與AI技術(shù)相結(jié)合，邊緣AR設(shè)備產(chǎn)生大量數(shù)據(jù)，可以用于云端的模型訓(xùn)練工作，反過來云端訓(xùn)練好的模型可以下發(fā)到邊緣側(cè)進(jìn)行AR應(yīng)用相關(guān)的推理和計算。另外，利用云邊協(xié)同可以幫助AR邊緣云進(jìn)行數(shù)據(jù)同步和備份，實現(xiàn)數(shù)據(jù)高可靠。云原生技術(shù)可以幫助AR邊緣云很方便地實現(xiàn)這些能力。
生態(tài)：基于K8s+Docker的云原生技術(shù)能夠提供對于開發(fā)生態(tài)比較好的包容和可用性，幫助AR邊緣云與公有云實現(xiàn)AR應(yīng)用的標(biāo)準(zhǔn)化。云原生技術(shù)中的image repository，service catalog等特性，能夠幫助AR邊緣云實現(xiàn)鏡像管理、應(yīng)用管理等需求，有助于構(gòu)建一個開放、便捷的AR邊緣應(yīng)用生態(tài)。
結(jié)語
隨著5G和云原生技術(shù)的成熟和落地，對于 AR 能力和服務(wù)的云部署，不但帶來了寬裕的上下行流量通道，同時超低的空口延時和安全靈活的數(shù)據(jù)傳輸幀組織方式，為基于核心接入的移動邊緣計算框架提供了廣闊的可能?；?G+邊緣計算的AR應(yīng)用執(zhí)行框架可描述如下：
同時，5G 為核心和入口的龐大設(shè)備群落，也為 AR 服務(wù)的受眾覆蓋和效益輻射提供了不可比擬的廣闊空間，也使得 5G+AR 推動的輕薄和便攜 AR 服務(wù)成為蘋果（Apple）、谷歌（Google）乃至亞馬遜（Amazon）等巨頭著力投入和開拓的領(lǐng)域。然而，機(jī)遇和挑戰(zhàn)并存，移動邊緣智能視頻服務(wù)能力并非是簡單5G和已有技術(shù)的堆砌，其中切實實現(xiàn) 5G 為核心和入口的龐大設(shè)備群落的體驗一致，以及邊緣云能力賦能終端提供更有吸引力客戶體驗（如延時和清晰度等指標(biāo)）和經(jīng)濟(jì)模式就顯得尤為重要。
【參考文獻(xiàn)】
[1] SHOAIB H, JAFFRY S W. A Survey of Augmented Reality[C]. Proceedings of the 2015 International Conference on Virtual and Augmented Reality, New York: ACM, 2015:73-82.
[2] FAN P, WANG J, ZHENG Z, et al. Toward Optimal Deployment of Communication-Intensive Cloud Applications[C]. Proceedings of the 2011 International Conference on Cloud Computing. Washington, DC: IEEE Computer Society, 2011:460-467.
[3] MAHMUD M R, AFRIN M, RAZZAQUE M A, et al. Maximizing quality of experience through context-aware mobile application scheduling in cloudlet infrastructure[J]. Software—practice & Experience, 2016, 46(11):1525-1545.
[4] Dastjerdi A V, Gupta H, Calheiros R N, et al. Fog computing: Principles, architectures, and applications[M]. Internet of things. Morgan Kaufmann, 2016: 61-75.
[5] Schneider M, Rambach J, Stricker D. Augmented reality based on edge computing using the example of remote live support[C]. 2017 IEEE International Conference on Industrial Technology (ICIT). IEEE, 2017: 1277-1282.
[6] MARSCH P, ROST P, FETTWEIS G. Application driven joint uplink-downlink optimization in wireless communications[M]. Berlin: Workshop on Smart Antennas, 2009:361-368.
[7] SARDELLITTI S, SCUTARI G, BARBAROSSA S. Joint optimization of radio and computational resources for multicell mobile cloud computing[C]. Proceedings of the 2014 International Workshop on Signal Processing Advances in Wireless Communications. Piscataway, NJ: IEEE, 2014:89-103.
[8] AL-SHUWAILI A, SIMEONE O. Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications[J]. IEEE Wireless Communications Letters, 2017, PP(99):398-401.
