本文來(lái)自twt企業(yè)IT社區(qū)，作者/陳強(qiáng)。
一、前言
工業(yè)作為國(guó)民經(jīng)濟(jì)的核心要素一直為各國(guó)政府重視，特別是隨著云計(jì)算、物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、5G及邊緣計(jì)算等技術(shù)的發(fā)展，世界各國(guó)都加快了工業(yè)數(shù)字化轉(zhuǎn)型的步伐。從德國(guó)“工業(yè)4.0”戰(zhàn)略，到美國(guó)“制造業(yè)復(fù)興”計(jì)劃，到中共中央指出要加快5G網(wǎng)絡(luò)、數(shù)據(jù)中心等新型基礎(chǔ)設(shè)施建設(shè)進(jìn)度，邊緣計(jì)算作為云計(jì)算的延伸，在電信運(yùn)營(yíng)商、公有云廠商和各行業(yè)領(lǐng)域有著極大的市場(chǎng)需求，是推動(dòng)行業(yè)數(shù)字化轉(zhuǎn)型的重要技術(shù)?，F(xiàn)在結(jié)合車(chē)企行業(yè)特征，對(duì)邊緣計(jì)算的應(yīng)用場(chǎng)景做一些淺薄探索，希望本文能起到拋磚引玉的作用。
二、邊緣計(jì)算
Gartner預(yù)測(cè)，到2025年，邊緣計(jì)算將有超過(guò)萬(wàn)億的市場(chǎng)規(guī)模，處理75%以上的各類業(yè)務(wù)數(shù)據(jù)。邊緣計(jì)算是相對(duì)云計(jì)算而言的，云計(jì)算是集中化的，離終端設(shè)備（如攝像頭、傳感器等）較遠(yuǎn)，對(duì)于實(shí)時(shí)性要求高的計(jì)算需求，把計(jì)算放在云上會(huì)引起網(wǎng)絡(luò)時(shí)延變長(zhǎng)、網(wǎng)絡(luò)擁塞、服務(wù)質(zhì)量下降等問(wèn)題。而終端設(shè)備通常計(jì)算能力不足，無(wú)法與云端相比。為解決上述問(wèn)題，通過(guò)在靠近終端設(shè)備的地方建立邊緣計(jì)算節(jié)點(diǎn)，打通“云-邊-端”協(xié)同能力，將云端計(jì)算能力延伸到靠近終端設(shè)備的邊緣計(jì)算節(jié)點(diǎn)，滿足行業(yè)在實(shí)時(shí)業(yè)務(wù)、應(yīng)用智能、安全與隱私保護(hù)等方面的基本需求。
2.1云邊協(xié)同
邊緣計(jì)算如果缺少云邊協(xié)同技術(shù)，其作用是有限的，所以我們廣義的邊緣計(jì)算是具備云邊協(xié)同概念的。云邊協(xié)同是云計(jì)算與邊緣計(jì)算的互補(bǔ)協(xié)同，邊緣計(jì)算模型的提出，對(duì)云計(jì)算集中式模型的不足提供了新的解決思路，是適應(yīng)技術(shù)發(fā)展需求的產(chǎn)物，但不能完全取代云計(jì)算，兩者是協(xié)同運(yùn)作的；通過(guò)云和邊緣的緊密協(xié)同可以更好地滿足各種應(yīng)用場(chǎng)景的需求，從而放大兩者的應(yīng)用價(jià)值。
實(shí)現(xiàn)種類很多，典型的有如下幾種：
通過(guò)云邊協(xié)同技術(shù)，實(shí)現(xiàn)云上部署與下發(fā)，邊上執(zhí)行。目前邊緣計(jì)算社區(qū)，比如華為的KubeEdge、騰訊的SuperEdge，阿里的OpenYurt等邊緣計(jì)算框架都是這種方式實(shí)現(xiàn)的。
通過(guò)SD-WAN設(shè)備，以環(huán)網(wǎng)專線方式接入云計(jì)算中心網(wǎng)絡(luò)實(shí)現(xiàn)。這種方式一般是公有云廠商使用比較多，將算力、平臺(tái)等下沉到邊緣集群中，邊緣集群與云上集群通過(guò)SD-WAN設(shè)備實(shí)現(xiàn)專線互聯(lián)，自然就實(shí)現(xiàn)了云邊協(xié)同了。
通過(guò)5G和MEC技術(shù)，實(shí)現(xiàn)移動(dòng)邊緣技術(shù)。這種一般電信運(yùn)營(yíng)商正在推廣的。將MEC邊緣云作為發(fā)展5G 2B/2C高價(jià)值業(yè)務(wù)的重要戰(zhàn)略，MEC是電信運(yùn)營(yíng)商“云網(wǎng)邊端業(yè)”融合協(xié)同關(guān)鍵環(huán)節(jié)。
2.2 GPU容器
由于邊緣計(jì)算是云端功能下沉的體現(xiàn)，云端目前都基本是基于Kubernetes和Docker方式實(shí)現(xiàn)業(yè)務(wù)容器化和編排部署的。同樣，基于容器技術(shù)來(lái)實(shí)現(xiàn)邊緣計(jì)算也更容易實(shí)現(xiàn)云端調(diào)度，邊端執(zhí)行。如果我們抓住邊緣計(jì)算的本質(zhì)，就是通過(guò)分布式、高可用、業(yè)務(wù)易部署與維護(hù)，那么容器化就是一個(gè)很重要的實(shí)現(xiàn)數(shù)字化改造的核心，如果碰到不好容器化的場(chǎng)景，也可以基于KubeVirt來(lái)實(shí)現(xiàn)用容器方式運(yùn)行虛擬機(jī)，將業(yè)務(wù)部署在虛擬機(jī)中。
對(duì)于通用的x86 CPU架構(gòu)，大家都知道容器化技術(shù)是基于Linux Control Groups(CGroups)實(shí)現(xiàn)的，那對(duì)于需要容器做AI運(yùn)算的場(chǎng)景，就需要GPU服務(wù)器支持，比如Nvidia DGX/HGX計(jì)算平臺(tái)，邊緣計(jì)算如EGX認(rèn)證服務(wù)器，更小型的工作現(xiàn)場(chǎng)如JETSON嵌入式系列。
眾所周知，Kubernetes平臺(tái)通過(guò)設(shè)備插件框架提供對(duì)特殊硬件資源的訪問(wèn)，如NVIDIA GPU、DPU等異構(gòu)計(jì)算設(shè)備。然而，使用這些硬件資源配置和管理節(jié)點(diǎn)需要配置多個(gè)軟件組件，如驅(qū)動(dòng)程序、容器運(yùn)行時(shí)或其他依賴庫(kù)，這是困難的和容易出錯(cuò)的。比如：一般的設(shè)備驅(qū)動(dòng)只有一個(gè)kernel object（ko）文件，只要在宿主機(jī)上安裝驅(qū)動(dòng)，ko文件就會(huì)自動(dòng)被載入內(nèi)核供容器使用。但是Nvidia的GPU驅(qū)動(dòng)除了ko文件之外還有shared object（so）文件，是用戶層的程序，需要在容器內(nèi)程序運(yùn)行時(shí)被動(dòng)態(tài)加載。并且，ko文件的版本必須與so文件版本一摸一樣。要在容器中找到so文件，我們可以把so文件打包到鏡像里，但是在生成鏡像的時(shí)候我們并不知道宿主機(jī)器的GPU驅(qū)動(dòng)是什么版本的，所以無(wú)法預(yù)先打包對(duì)應(yīng)版本的so文件。另一個(gè)方法是運(yùn)行容器的時(shí)候，自動(dòng)找到宿主系統(tǒng)中的so文件并掛載進(jìn)來(lái)。但是so文件有很多可能的安裝路徑。這時(shí)候nvidia-docker就出現(xiàn)了，為我們把這些細(xì)節(jié)問(wèn)題隱藏了起來(lái)。使用起來(lái)非常的簡(jiǎn)單，把docker命令換成nvidia-docker即可。
此外還有一個(gè)環(huán)節(jié)需要考慮：CUDA庫(kù)和cuDNN庫(kù)。CUDA庫(kù)用來(lái)做CUDA架構(gòu)下的數(shù)值計(jì)算，它包含編譯時(shí)需要的頭文件以及運(yùn)行時(shí)需要的so文件。cuDNN是專門(mén)為深度學(xué)習(xí)設(shè)計(jì)的數(shù)值計(jì)算庫(kù)，也是包含頭文件與so文件。它們都有很多版本，并且編譯時(shí)的頭文件版本必須與運(yùn)行時(shí)的so文件版本一致。
如果不用容器，這兩個(gè)庫(kù)很麻煩，自己編譯好的程序可能拿到別人的機(jī)器上就因?yàn)榘姹静灰恢露荒苡昧恕Ｓ萌萜骶筒粫?huì)有這個(gè)問(wèn)題，在生成開(kāi)發(fā)鏡像的時(shí)候我們把CUDA和cuDNN庫(kù)以及所需的工具都打包了進(jìn)去，在生產(chǎn)鏡像也打包了對(duì)應(yīng)版本的so文件，不會(huì)出現(xiàn)版本不一致的問(wèn)題。運(yùn)行GPU生產(chǎn)鏡像的時(shí)候，宿主機(jī)器只用安裝Nvidia驅(qū)動(dòng)就可，不需要安裝CUDA或者cuDNN。
2.3 GPU Operator
為了更好的方便用戶使用GPU，Nvidia公司開(kāi)發(fā)了GPU Operator，利用了Kubernetes平臺(tái)的Operator控制模式，方便地自動(dòng)化集成管理GPU所需的NVIDIA設(shè)備組件，有效地解決了上述GPU設(shè)備集成的痛點(diǎn)。這些組件包括NVIDIA驅(qū)動(dòng)程序(用于啟用CUDA)、用于GPU的Kubernetes設(shè)備插件、NVIDIA Container運(yùn)行時(shí)、自動(dòng)節(jié)點(diǎn)標(biāo)簽、基于DCGM的監(jiān)控等，同時(shí)Operator無(wú)縫集成了GPU更細(xì)粒度的使用方式，例如多實(shí)例切分（MIG）或基于時(shí)間片的切分（Time Slicing），用于更好的提高GPU的使用效率。
NVIDIA GPU Operator的不僅實(shí)現(xiàn)了設(shè)備和組件一體化集成，而且它管理GPU節(jié)點(diǎn)就像管理CPU節(jié)點(diǎn)一樣方便，無(wú)需單獨(dú)為GPU節(jié)點(diǎn)提供特殊的操作系統(tǒng)。值得關(guān)注的是，它將GPU各組件容器化，提供GPU能力，非常適合快速擴(kuò)展和管理規(guī)模GPU節(jié)點(diǎn)。當(dāng)然，對(duì)于已經(jīng)為GPU組件構(gòu)建了特殊操作系統(tǒng)的應(yīng)用場(chǎng)景來(lái)說(shuō)，顯得并不是那么合適了。
2.4硬件加速
為實(shí)現(xiàn)邊緣計(jì)算提速和提高資源利用率，我們主要可以從網(wǎng)絡(luò)傳輸速度、數(shù)據(jù)傳輸、GPU虛擬化等方面考慮，利用硬件來(lái)加速。
網(wǎng)絡(luò)傳輸速度方面，我們可以采用5G網(wǎng)絡(luò)，或者可在設(shè)備中集成5G模組，以靈活的適配各類應(yīng)用場(chǎng)景；在端側(cè)集成智能加速模塊或其他專用芯片以提升推理能力及實(shí)現(xiàn)如壓縮等特定功能，如集成華為MH5000 5G模組、Atlas200 AI加速模塊或海思IPC芯片等。
數(shù)據(jù)傳輸量方面，我們可以利用ASIC、FPGA、CPLD等硬件專用處理器，并配合軟件優(yōu)化，比如只提取圖像中的局部感興趣的圖像（ROI），還可以進(jìn)行一些圖像壓縮后再?gòu)?fù)原。另外高流量的場(chǎng)景，還可以借助DPU智能網(wǎng)卡使用其板載的處理器，來(lái)執(zhí)行加密/解密、防火墻、TCP/IP和HTTP網(wǎng)絡(luò)處理等。
GPU資源利用方面，我們可以采用GPU虛擬化技術(shù)，提高單個(gè)slot卡，可支持多個(gè)作業(yè)同時(shí)運(yùn)行。
三、邊緣計(jì)算場(chǎng)景探索
接下來(lái)對(duì)車(chē)企行業(yè)涉及到的邊緣計(jì)算應(yīng)用場(chǎng)景簡(jiǎn)單探索一下。
目前使用的較多的是可以容器化的場(chǎng)景，比如：車(chē)間制造執(zhí)行系統(tǒng)（MES），它實(shí)現(xiàn)計(jì)劃、調(diào)度、質(zhì)量、設(shè)備、生產(chǎn)、能效等管理功能；企業(yè)資源計(jì)劃系統(tǒng)（ERP），它實(shí)現(xiàn)供應(yīng)鏈、物流、成本等企業(yè)經(jīng)營(yíng)管理功能；數(shù)據(jù)采集，需要在邊緣端容器化類似MQTT、TDengine等和數(shù)據(jù)采集相關(guān)的應(yīng)用。
還有一種是需要延遲低，實(shí)時(shí)交互的場(chǎng)景，比如：車(chē)間安全巡檢，利用邊緣計(jì)算和AI圖像識(shí)別等技術(shù)；AI相關(guān)的一些場(chǎng)景，比如智能質(zhì)檢測(cè)、數(shù)字孿生、智能網(wǎng)聯(lián)與自動(dòng)駕駛場(chǎng)景。
3.1終端數(shù)采
車(chē)企一般會(huì)遇到數(shù)字化工廠舊設(shè)備改造、數(shù)據(jù)采集難的問(wèn)題。
圖一邊緣計(jì)算在終端數(shù)采應(yīng)用架構(gòu)
以終端設(shè)備數(shù)據(jù)采集為例，圖一為邊緣計(jì)算在終端數(shù)采應(yīng)用架構(gòu)。邊端數(shù)采通過(guò)數(shù)采網(wǎng)關(guān)采集設(shè)備數(shù)據(jù)，并將設(shè)備數(shù)據(jù)傳輸?shù)竭叾瞬渴鸬膃mqx，邊端數(shù)據(jù)處理服務(wù)讀取emqx數(shù)據(jù)并做初步數(shù)據(jù)處理再記錄到邊端存儲(chǔ)，同時(shí)邊端部署的IoT網(wǎng)關(guān)將數(shù)據(jù)推送到云端IoT平臺(tái)。邊緣節(jié)點(diǎn)中需要容器化類似MQTT、TDengine等和數(shù)據(jù)采集相關(guān)的應(yīng)用。配合工控系統(tǒng)，打通“端+5G網(wǎng)絡(luò)+邊緣云+云服務(wù)”的協(xié)作。通過(guò)5G網(wǎng)絡(luò)連接，可以使得制造設(shè)備在產(chǎn)線上每個(gè)采集應(yīng)用不再是獨(dú)立的數(shù)據(jù)孤島，并讓邊緣集群中的工廠中央生產(chǎn)控制系統(tǒng)實(shí)時(shí)獲得每個(gè)被檢測(cè)對(duì)象的結(jié)果和狀態(tài)，納入云端的IoT平臺(tái)，實(shí)現(xiàn)全工廠生產(chǎn)管理。
3.2智能質(zhì)檢
圖二邊緣計(jì)算在智能質(zhì)檢應(yīng)用架構(gòu)
在車(chē)企生產(chǎn)制造車(chē)間，通過(guò)AI技術(shù)實(shí)現(xiàn)智能質(zhì)檢，邊緣計(jì)算加速計(jì)算，5G加速云邊協(xié)同。
圖二展示了邊緣計(jì)算在智能質(zhì)檢中的應(yīng)用架構(gòu)，邊緣端有兩個(gè)主要子系統(tǒng)：
圖像采集系統(tǒng)：實(shí)現(xiàn)現(xiàn)場(chǎng)圖像或視頻采集及處理功能；
設(shè)備控制系統(tǒng)：接收?qǐng)D像處理結(jié)果而完成設(shè)備動(dòng)作控制；
邊緣計(jì)算提供質(zhì)檢專用計(jì)算節(jié)點(diǎn)，比如采用Nvidia EGX服務(wù)器提供圖像或視頻處理功能。相機(jī)通過(guò)有線連接到工控機(jī)(或其他處理設(shè)備)，工控機(jī)和AI視覺(jué)云平臺(tái)通過(guò)5G網(wǎng)絡(luò)連接，實(shí)現(xiàn)設(shè)備狀態(tài)和軟件版本的在線可視化管理；同時(shí)將瑕疵、誤殺、疑似等圖像上傳到視覺(jué)AI云平臺(tái)，快速迭代模型并自動(dòng)下發(fā)，讓本地邊緣側(cè)的設(shè)備越來(lái)越聰明，邊緣計(jì)算也滿足了現(xiàn)場(chǎng)推理與閉環(huán)控制所需的嚴(yán)苛的超低實(shí)時(shí)性要求，在可靠性和安全性都能得到保證。
3.3安全巡檢
車(chē)企也存在一些高危崗位的，我們可以通過(guò)機(jī)器視覺(jué)、邊緣計(jì)算以及其他技術(shù)，來(lái)實(shí)現(xiàn)設(shè)備自動(dòng)化運(yùn)維及設(shè)備聯(lián)動(dòng)等功能來(lái)代替人工，實(shí)現(xiàn)安全巡檢。它主要包含廠區(qū)管理、安全生產(chǎn)、環(huán)境監(jiān)控三個(gè)方面內(nèi)容，以及在這些場(chǎng)景中對(duì)于人、車(chē)、設(shè)備等安全狀態(tài)的檢查，排查異常情況，及時(shí)解決問(wèn)題和安全隱患。
傳統(tǒng)安全巡檢主要依靠人工，無(wú)論在巡檢確定性、效率和及時(shí)性方面，都存在較為嚴(yán)重的問(wèn)題。
基于邊緣計(jì)算和AI視覺(jué)識(shí)別的智能安全巡檢方式，通過(guò)現(xiàn)場(chǎng)高清設(shè)備進(jìn)行采集，借助5G網(wǎng)絡(luò)進(jìn)行圖像數(shù)據(jù)回傳，通過(guò)深度學(xué)習(xí)訓(xùn)練AI模型，實(shí)時(shí)監(jiān)控現(xiàn)場(chǎng)安全狀態(tài)，提高識(shí)別準(zhǔn)確率。針對(duì)靠近邊緣側(cè)的人員管理、車(chē)輛管理、安全著裝規(guī)范識(shí)別、生產(chǎn)機(jī)械安全監(jiān)控、危險(xiǎn)行為監(jiān)測(cè)和環(huán)境監(jiān)控等大場(chǎng)景，借助邊緣計(jì)算的實(shí)時(shí)處理能力，可快速減少網(wǎng)絡(luò)延遲，消除人工巡檢存在的隱患，實(shí)現(xiàn)對(duì)于現(xiàn)場(chǎng)的自動(dòng)化安全巡檢。
3.4數(shù)字孿生
數(shù)字孿生技術(shù)通過(guò)使用邊緣計(jì)算采集的真實(shí)數(shù)據(jù)不斷訓(xùn)練模型來(lái)進(jìn)行模型迭代，可以提供智能分析、仿真模擬預(yù)測(cè)等應(yīng)用服務(wù)，以解決車(chē)間生產(chǎn)制造、智能網(wǎng)聯(lián)、自動(dòng)駕駛測(cè)試、智慧交通發(fā)展中的效率和安全等痛點(diǎn)問(wèn)題。數(shù)字孿生綜合運(yùn)用感知、計(jì)算、建模等信息技術(shù)，通過(guò)軟件定義，對(duì)物理空間進(jìn)行描述、診斷、預(yù)測(cè)、決策，進(jìn)而實(shí)現(xiàn)物理空間與賽博空間的交互映射。數(shù)據(jù)是基礎(chǔ)，可通過(guò)數(shù)采獲取；邊緣計(jì)算是加速，減少服務(wù)響應(yīng)速度；模型是核心，可通過(guò)云端建模；服務(wù)是目標(biāo)，包括智能分析、仿真模擬預(yù)測(cè)、以及比較常見(jiàn)的應(yīng)用服務(wù)等。同時(shí)依托云端大規(guī)模并行加速的能力進(jìn)行仿真和預(yù)測(cè)，將模型下發(fā)邊緣端，5G網(wǎng)絡(luò)實(shí)現(xiàn)云邊協(xié)同，結(jié)合圖像渲染技術(shù)讓數(shù)據(jù)可視化呈現(xiàn)。
3.5智能網(wǎng)聯(lián)
傳統(tǒng)的智能交通系統(tǒng)形成的是相互獨(dú)立的系統(tǒng)，信息的共享和群體的協(xié)同比較困難，通過(guò)智能網(wǎng)聯(lián)可以把傳統(tǒng)的相互獨(dú)立的交通系統(tǒng)連接起來(lái)，形成物理上分布、邏輯上統(tǒng)一的系統(tǒng)。智能網(wǎng)聯(lián)需要逐一攻克全息感知、多模式通信系統(tǒng)融合、高精度且低成本的連續(xù)時(shí)空定位技術(shù)、“端邊云”交通信息融合、自主決策和優(yōu)化控制技術(shù)、“車(chē)路網(wǎng)云”實(shí)時(shí)數(shù)據(jù)的交互處理、測(cè)試和認(rèn)證技術(shù)以及網(wǎng)絡(luò)信息安全等幾大核心技術(shù)。
那邊緣計(jì)算如何賦能智能網(wǎng)聯(lián)？邊緣設(shè)備具有一定的計(jì)算能力，可以在路側(cè)實(shí)現(xiàn)算力下沉，減輕云端計(jì)算的壓力。此外，邊緣計(jì)算可以減少數(shù)據(jù)在網(wǎng)絡(luò)中的傳輸時(shí)間，簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，還可以實(shí)現(xiàn)對(duì)交通狀態(tài)的精準(zhǔn)感知。從邊緣計(jì)算的三種交付模式看，5G MEC邊緣計(jì)算最適合應(yīng)用在智能網(wǎng)聯(lián)中。將MEC邊緣計(jì)算引入車(chē)路協(xié)同之后，這些邊緣計(jì)算設(shè)備可直接從車(chē)載端及路側(cè)傳感器實(shí)時(shí)接收本地化的數(shù)據(jù)，進(jìn)行分析，并將分析結(jié)果以極低延遲傳送給臨近區(qū)域內(nèi)的其他聯(lián)網(wǎng)車(chē)輛，整個(gè)過(guò)程可在毫秒級(jí)別時(shí)間內(nèi)完成。
3.6自動(dòng)駕駛
自動(dòng)駕駛的邊緣計(jì)算架構(gòu)依賴于邊云協(xié)同和LTE/5G提供的通信基礎(chǔ)設(shè)施和服務(wù)。邊緣側(cè)主要指車(chē)載單元、路側(cè)單元（RSU）或移動(dòng)邊緣計(jì)算（MEC）服務(wù)器等。其中車(chē)載單元是環(huán)境感知、決策規(guī)劃和車(chē)輛控制的主體，但依賴于RSU或MEC服務(wù)器的協(xié)作，如RSU給車(chē)載單元提供了更多關(guān)于道路和行人的信息，但是有些功能運(yùn)行在云端更加適合甚至無(wú)法替代。比如車(chē)輛遠(yuǎn)程控制、車(chē)輛模擬仿真和驗(yàn)證、節(jié)點(diǎn)管理、數(shù)據(jù)的持久化保存和管理等。
為了實(shí)現(xiàn)更高階自動(dòng)駕駛系統(tǒng)任務(wù)，僅僅依靠單車(chē)智能是完全不夠的。協(xié)同感知和任務(wù)卸載是邊緣計(jì)算在自動(dòng)駕駛領(lǐng)域的主要應(yīng)用，它們使實(shí)現(xiàn)高級(jí)別自動(dòng)駕駛成為可能。協(xié)同感知技術(shù)使汽車(chē)可以獲取其他邊緣節(jié)點(diǎn)的傳感器信息，擴(kuò)大了自動(dòng)駕駛汽車(chē)的感知范圍，增加了環(huán)境數(shù)據(jù)的完整性。
汽車(chē)將集成激光雷達(dá)、攝像頭等傳感器，同時(shí)需要通過(guò)車(chē)輛網(wǎng)V2X等實(shí)現(xiàn)車(chē)輛與道路以及交通數(shù)據(jù)的全面感知，獲取比單車(chē)內(nèi)外部傳感器更多的信息，增強(qiáng)對(duì)超視距范圍內(nèi)環(huán)境的感知，并通過(guò)高清的3D動(dòng)態(tài)地圖實(shí)時(shí)共享自動(dòng)駕駛位置。并將采集到的數(shù)據(jù)與道路邊緣節(jié)點(diǎn)和周邊車(chē)輛進(jìn)行交互，從而擴(kuò)展感知能力，實(shí)現(xiàn)車(chē)與車(chē)、車(chē)與路協(xié)同。
云上負(fù)責(zé)收集來(lái)自分布廣泛的邊緣節(jié)點(diǎn)數(shù)據(jù)，感知交通系統(tǒng)的運(yùn)行狀況，并通過(guò)大數(shù)據(jù)和人工智能算法，為邊緣計(jì)算節(jié)點(diǎn)、交通信號(hào)系統(tǒng)和車(chē)輛下發(fā)合理的調(diào)度指令，從而提高系統(tǒng)運(yùn)行效率。比如，雨雪、大霧等惡劣天氣下，或在交叉路口、拐彎等場(chǎng)景下，雷達(dá)和攝像頭無(wú)法清晰的辨別前方障礙，通過(guò)V2X來(lái)獲取道路，行車(chē)等實(shí)時(shí)數(shù)據(jù)，可以實(shí)現(xiàn)智能預(yù)測(cè)路況，避免意外事故的發(fā)生。
隨著自動(dòng)駕駛等級(jí)的提升，配備智能傳感器數(shù)量的增加，自動(dòng)駕駛汽車(chē)每天產(chǎn)生大量的原始數(shù)據(jù)。這些原始數(shù)據(jù)需要在本地進(jìn)行實(shí)時(shí)處理、融合以及特征提取，包括基于深度學(xué)習(xí)的目標(biāo)檢測(cè)和跟蹤等。同時(shí)需要利用V2X提升對(duì)環(huán)境、道路和其他車(chē)輛的感知能力，通過(guò)3D高清地圖進(jìn)行實(shí)時(shí)建模和定位、路徑規(guī)劃和選擇、駕駛策略調(diào)整，進(jìn)而安全的控制車(chē)輛。由于這些任務(wù)都需要在車(chē)內(nèi)始終來(lái)保持處理和響應(yīng)實(shí)時(shí)性，因此需要性能強(qiáng)大可靠地邊緣計(jì)算平臺(tái)來(lái)執(zhí)行?？紤]到計(jì)算任務(wù)的差異性，為了提高執(zhí)行效率并降低功耗和成本，一般需要支持異構(gòu)的計(jì)算平臺(tái)?？梢钥紤]Nvidia JETSON平臺(tái)，它專注于工業(yè)級(jí)的，確保安全性和可靠性的軟硬一體的邊緣AI平臺(tái)。JETSON芯片有好幾個(gè)級(jí)別，滿足不同的用戶需求及場(chǎng)景，芯片列表如下：
四、結(jié)束語(yǔ)
邊緣計(jì)算的場(chǎng)景除了文章提及的外，后期可能還會(huì)涉及更多的場(chǎng)景，而車(chē)企隨著業(yè)務(wù)越來(lái)越復(fù)雜，面對(duì)的挑戰(zhàn)與機(jī)遇也會(huì)越多，相信邊緣計(jì)算會(huì)與云計(jì)算、5G網(wǎng)絡(luò)、人工智能、大數(shù)據(jù)、自動(dòng)駕駛、車(chē)聯(lián)網(wǎng)、數(shù)字孿生等會(huì)結(jié)合的越來(lái)越緊密，帶來(lái)更多發(fā)展空間，挖掘更多硬核價(jià)值。
