近年來，人們在提高車輛安全性和效率上付出了諸多努力。車輛通信和5G車聯(lián)網(wǎng)（V2X）領域的進步，為車輛和基礎設施網(wǎng)絡（V2I）之間搭建了可靠的通信鏈路。邊緣計算最適合帶寬密集型和延時敏感型應用，如出于安全考慮需要立即采取行動和作出響應的自動駕駛汽車。
自動駕駛系統(tǒng)極其復雜，其中有許多緊密集成的技術，包括傳感、定位、感知、決策，以及為生成高清地圖、存儲數(shù)據(jù)而與云平臺進行的流暢交互等。這些復雜性為自動駕駛邊緣計算系統(tǒng)的設計帶來了諸多挑戰(zhàn)。
車載邊緣計算（VEC）系統(tǒng)需要實時處理大量數(shù)據(jù)。移動的VEC系統(tǒng)通常具有非常嚴格的能耗限制。因此，必須以合理的能耗支撐足夠的算力，保證自動駕駛汽車在高速行駛時也能安全無恙。
為自動駕駛汽車設計邊緣計算生態(tài)系統(tǒng)時，首要挑戰(zhàn)是如何實現(xiàn)數(shù)據(jù)的實時處理、提供足夠算力、保證其可靠性、可擴展性、安全性和控制成本，在確保自動駕駛汽車使用者安全的同時提升用戶體驗。
低延時性
實現(xiàn)零（低）延時是確保車輛安全的一項必備條件。許多自動駕駛汽車制造商都設想能讓傳感器數(shù)據(jù)上傳云端，方便進行自動駕駛汽車所需的進一步數(shù)據(jù)處理、深度學習、訓練和分析。如此一來，汽車制造商便能收集到大量的駕駛數(shù)據(jù)，并使用機器學習改進AI自動駕駛實踐和學習。根據(jù)估算，通過網(wǎng)絡來回發(fā)送數(shù)據(jù)需要至少150至200毫秒，考慮到車輛正在行駛中，且要對車輛控制做出實時決策，這個時間太長了。
根據(jù)豐田提供的信息顯示，到2025年，汽車和云端之間的數(shù)據(jù)傳輸量可達每月10艾字節(jié)，是當前數(shù)據(jù)量的一萬倍，然而云端計算并不是為了方便自動駕駛汽車快速處理大量數(shù)據(jù)設計的。
自動駕駛汽車將在本地（邊緣）實時處理有時效性的任務，如車道追蹤、交通監(jiān)控、目標檢測或語義分割等，并采取相應的駕駛行動。同時對于長期任務，它會將傳感器數(shù)據(jù)發(fā)送至云端進行處理，并將最終分析結果發(fā)回至自動駕駛汽車。
因此，邊緣計算技術將建立起一個端到端的系統(tǒng)架構框架，將計算過程分發(fā)至本地網(wǎng)絡。精心設計的AI自動駕駛和聯(lián)網(wǎng)車輛將配備邊緣云協(xié)作計算系統(tǒng)、高效的視頻/圖像處理和多層分布式（5G）網(wǎng)絡（本地化和云處理的結合）。邊緣AI計算旨在彌補云計算的不足，而非徹底取代云計算。
速度
鑒于大量數(shù)據(jù)都是通過網(wǎng)絡進行來回傳輸，出于安全考慮，大部分數(shù)據(jù)處理必須在車輛上進行。由于對網(wǎng)絡連接和數(shù)據(jù)傳輸速度存在一定依賴性，加快車輛在無需傳輸數(shù)據(jù)的情況下計算連續(xù)數(shù)據(jù)的速度，將有助于降低延時性，提高準確性。
要想實現(xiàn)人機交互，實時信息的傳輸速度至關重要。使用邊緣AI計算需要具備足夠的本地化計算處理能力和內(nèi)存容量，確保自動駕駛汽車和AI處理器能夠執(zhí)行所需任務。
可靠性
自動駕駛汽車的安全性至關重要。通過減少數(shù)據(jù)處理和車輛之間的延時，邊緣計算減輕了阻塞的云網(wǎng)絡中的壓力，并增強可靠性。然而自動駕駛汽車制造商很快便意識到了云計算的局限性，云計算雖然必不可少，但自動駕駛汽車需要一種更為分散的方法。
邊緣計算和邊緣數(shù)據(jù)中心更靠近車輛，因此，遠程網(wǎng)絡問題影響本地車輛的可能性微乎其微。即便附近數(shù)據(jù)中心發(fā)生故障，由于具備重要的本地處理功能，自動駕駛汽車的車載智能邊緣推理仍能保持有效的自運行。
如今，汽車制造商針對電源故障、網(wǎng)絡故障乃至計算故障提供了多層保護機制，并預留了一定冗余。車輛還能動態(tài)改變路由和供電網(wǎng)絡流量，甚至做出使自動駕駛汽車安全停車的決策。同時，通過在生命周期內(nèi)不斷發(fā)展和演變的特征預測分析系統(tǒng)，具有邊緣AI計算能力的自動駕駛汽車能夠支持車載診斷。
如此多基于邊緣計算的車輛聯(lián)網(wǎng)，可以讓數(shù)據(jù)通過多種路徑改變其路線，確保車輛保留對所需信息的訪問權限，有效地將車聯(lián)網(wǎng)（IoV）與邊緣計算集成到一個無比可靠且實用的分布式綜合邊緣架構中。
安全性
設計自動駕駛汽車邊緣計算生態(tài)系統(tǒng)的終極挑戰(zhàn)，是提供足夠的計算力、冗余度和安全性，保證自動駕駛汽車的安全。因此，重中之重是要使自動駕駛邊緣計算系統(tǒng)免受來自傳感和計算堆棧等不同層面的攻擊。
自動駕駛汽車的安全性應涉及自動駕駛邊緣計算堆棧各層面，包括傳感器安全、操作系統(tǒng)安全、控制系統(tǒng)安全和通信安全等。
此外，邊緣網(wǎng)關AI降低了通信成本。通信的減少會進一步提升數(shù)據(jù)安全性。
可擴展性
邊緣計算的重要性體現(xiàn)在以下幾個方面：局部性、低延時性、隱私性/安全性、移動支持以及功耗限制。
車載邊緣計算固有的分布式架構，能夠在網(wǎng)絡邊緣側進行車輛數(shù)據(jù)分析與實時交互，這與本地處理近乎相同。
盡管對于某些任務而言，云計算必不可少，但自動駕駛汽車需要的是一種更為分散的方法。例如，智能傳感器可以分析自己的視頻源，確定需要進一步關注的某一幀視頻，然后僅將這些數(shù)據(jù)發(fā)送至服務器。這種分散式架構減少了數(shù)據(jù)傳輸過程中的網(wǎng)絡延時，因為數(shù)據(jù)已不再需要通過網(wǎng)絡傳輸?shù)皆贫诉M行來即時處理。AI車輛的車載計算力較之過去有了顯著提升，可以自動執(zhí)行更多任務，提高可預測性，降低延時性。
成本
越來越多的路邊單元（RSU）配備了強大的本地AI處理器，有助于降低能耗、運維成本和將數(shù)據(jù)傳輸?shù)皆贫说母邘挸杀?。與此同時，在持續(xù)下跌的計算和傳感器成本等某些關鍵因素的作用下，邊緣計算如今更具有可行性。
