日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

★高新興科技集團股份有限公司吳冬升，鄭廷釗，鄭澤彬，曾少旭

摘要：智慧交通和智能網(wǎng)聯(lián)是邊緣計算應(yīng)用的典型場景。在“云-邊-端”系統(tǒng)架構(gòu)中，邊緣計算承載著云側(cè)算力下沉及端側(cè)計算任務(wù)卸載的使命。本文分析了邊緣計算在智慧交通及智能網(wǎng)聯(lián)應(yīng)用中面臨的挑戰(zhàn)及發(fā)展趨勢，研究了不同業(yè)務(wù)場景下邊緣計算需要處理的主要內(nèi)容，分析了邊緣計算在“云-邊-端”架構(gòu)中的重要作用。

關(guān)鍵詞：邊緣計算；智慧交通；智能網(wǎng)聯(lián)

Abstract: Intelligent transportation and intelligent-connected industries are prime examples of edge computing applications. In the "cloud-edge-end" system architecture, edge computing bears the mission of sinking cloud side computing power and unloading end side computing tasks. This paper aims to analyze the challenges and development trends of edge computing in intelligent transportation and intelligent-connected applications. It delves into the main issues that edge computing needs to address in various business scenarios and highlights the crucial role of edge computing in the "cloud-edge-end" architecture. 

Key words: Edge computing; Intelligent transportation; Intelligent-connected

1引言

當(dāng)前，新一輪科技革命和產(chǎn)業(yè)變革蓬勃發(fā)展，汽車、交通及信息通信等領(lǐng)域技術(shù)加速融合，基于云端集中管理與分析、邊緣計算分析決策、端側(cè)數(shù)據(jù)采集以及C-V2X泛在通信的“云-邊-端”系統(tǒng)架構(gòu)已成為智慧交通與智能網(wǎng)聯(lián)的行業(yè)共識。邊緣計算具有降低處理時延、減輕傳輸和存儲壓力及本地化服務(wù)的優(yōu)勢，在智慧交通與智能網(wǎng)聯(lián)技術(shù)版圖中扮演越來越重要的角色。根據(jù)國家“十四五”規(guī)劃、《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021~2035年）》《國家綜合立體交通網(wǎng)規(guī)劃綱要》《關(guān)于加快推進新型城市基礎(chǔ)設(shè)施建設(shè)的指導(dǎo)意見》等政策指導(dǎo)，我國將重點推動智能網(wǎng)聯(lián)汽車以及智能化道路的升級改造，加快新型基礎(chǔ)設(shè)施建設(shè)。面向智慧交通與智能網(wǎng)聯(lián)的新型基礎(chǔ)設(shè)施建設(shè)重點推進構(gòu)建智能網(wǎng)聯(lián)汽車計算平臺及路側(cè)感知系統(tǒng)，其中邊緣計算設(shè)施是核心組成部分，基于邊緣計算、人工智能等技術(shù)實時采集各類感知數(shù)據(jù)進行智能分析和融合處理，能夠有效解決傳統(tǒng)基礎(chǔ)設(shè)施存在的感知數(shù)據(jù)單一、數(shù)據(jù)類型異構(gòu)、置信度及融合度較低等問題，有望實現(xiàn)全天候、全時空的信息感知，從而支撐輔助駕駛、自動駕駛以及交通管控、城市管理等應(yīng)用場景，具有巨大的市場需求。

2邊緣計算在智慧交通和智能網(wǎng)聯(lián)應(yīng)用面臨的挑戰(zhàn)和趨勢

2.1大算力要求

智慧交通系統(tǒng)為實現(xiàn)智能交通管理、自動駕駛和車路協(xié)同等重要應(yīng)用，需要大量數(shù)據(jù)的支撐與協(xié)助，尤其在交通高峰時期，采集、處理及分析大量的實時數(shù)據(jù)將產(chǎn)生龐大的數(shù)據(jù)傳輸量。龐大數(shù)據(jù)信息量需要邊緣側(cè)有更大算力進行分析計算處理。一方面，道路交通環(huán)境感知需要接入大量的攝像機、激光雷達、毫米波雷達、氣象傳感器等感知設(shè)備甚至其他車輛數(shù)據(jù)在邊緣側(cè)進行融合分析，并且車路協(xié)同等業(yè)務(wù)需達到毫秒級的處理速率。傳感器數(shù)量和類型的增加、分辨率的提升以及低時延處理要求對邊緣計算提出了大量異構(gòu)數(shù)據(jù)高速處理的要求，算法模型的復(fù)雜程度亦大幅提升，算力也亟需提升。以單路口為例，支持交通監(jiān)控及交通執(zhí)法業(yè)務(wù)感知需求的智能道路路側(cè)算力需要10~50TOPS，支持信息共享及輔助預(yù)警等車路協(xié)同基礎(chǔ)業(yè)務(wù)感知需求的算力需要50~100TOPS，支持協(xié)同感知與協(xié)同決策控制等高等級自動駕駛業(yè)務(wù)感知需求則需要100~300TOPS[1]。另一方面，自動駕駛等級每增加一級，所需算力就會呈現(xiàn)數(shù)十倍的上升。如支持L2級自動駕駛的算力僅需要2-2.5TOPS，但是支持L3級自動駕駛的算力需求就達到20-30TOPS，支持L4級自動駕駛的算力需要200TOPS以上，支持L5級別自動駕駛算力需求則超過2000TOPS。

從芯片平臺角度來看，大算力芯片需要滿足以下三個特點，其一是具備高算力，同時要有優(yōu)秀的能耗比；其二是要有靈活性和擴展性，不僅需要覆蓋多種車型和路端，也需要可定制、模塊化的平臺來滿足不同車端和路端場景下的開發(fā)需求，同時降低開發(fā)成本；其三是在軟件層面能夠提供配套的工具庫。在2021年發(fā)布的地平線征程5成為國內(nèi)首款實現(xiàn)前裝量產(chǎn)的128TOPS大算力AI芯片。而在2022年9月，英偉達推出的芯片NVIDIADriveThor，這款超級芯片可實現(xiàn)最高2000TOPSAI算力以及2000TFLOPS浮點算力，不斷刷新單芯片算力上限，給自動駕駛廠家研發(fā)更豐富的應(yīng)用場景提供更多可能性。

2.2異構(gòu)計算要求

在智慧交通與智能網(wǎng)聯(lián)應(yīng)用中，邊緣側(cè)需要處理多種不同屬性的計算任務(wù)，例如多傳感器融合、圖像及點云特征提取、目標(biāo)檢測與分類識別、目標(biāo)跟蹤、車道級感知定位和路徑規(guī)劃等。以全息路口攝像機視覺圖像處理為例，它分為圖像獲取、特征抽取、特征處理、模式識別和動作反饋等步驟[2]。傳統(tǒng)的CPU更傾向于通用計算和復(fù)雜動作反饋決策，而對大量圖像數(shù)據(jù)的高速并行實時處理，比如像素處理和梯度檢測等需要GPU等專用內(nèi)核來高速計算。依托異構(gòu)計算技術(shù)能夠整合不同架構(gòu)的內(nèi)核到單一芯片中，從而適配復(fù)雜計算要求。

異構(gòu)計算是多元算力的典型。主要是指不同類型的指令集和體系架構(gòu)的計算單元組成的系統(tǒng)的計算方式[3]。跨越CPU、GPU、FPGA、ASIC的異構(gòu)計算，如今已經(jīng)成為云計算和邊緣計算基礎(chǔ)設(shè)施建設(shè)的重要力量，表1為不同計算單元的特點[4]。異構(gòu)計算能夠?qū)⒉煌軜?gòu)的運算單元整合到一起進行并行計算，通過上層軟件解耦方式來屏蔽硬件多樣性，針對不同計算任務(wù)選擇最適合的專用硬件去做最適合的事，如密集計算或外設(shè)管理等，充分發(fā)揮不同硬件平臺的優(yōu)勢，從而提升計算平臺的性能和能耗比，降低計算時延，達到性能和成本的最優(yōu)化。使用異構(gòu)計算能夠化解算力瓶頸，挖掘和實現(xiàn)算力增長。

表1不同計算單元特點

2.3國產(chǎn)化要求

全球智能網(wǎng)聯(lián)產(chǎn)業(yè)正處于從示范逐步走向規(guī)模化應(yīng)用的快速發(fā)展期，發(fā)展自主可控、領(lǐng)先全球的核心技術(shù)是我國實現(xiàn)汽車變革及交通強國目標(biāo)的戰(zhàn)略機遇。2022年國家發(fā)布的“十四五”規(guī)劃提出，要大力發(fā)展智慧交通，推動自動駕駛行業(yè)穩(wěn)妥發(fā)展，明確將“自主可控”列為國家制造強國戰(zhàn)略的必要要求，加快補齊基礎(chǔ)軟件等瓶頸短板。邊緣計算產(chǎn)品在智慧交通和智能網(wǎng)聯(lián)領(lǐng)域中提供端側(cè)感知、邊緣服務(wù)、算力供給、協(xié)同聯(lián)動等能力，其重要性不言而喻。但是，邊緣計算產(chǎn)品國產(chǎn)化水平低，關(guān)鍵設(shè)備、核心元件仍嚴(yán)重依賴進口，影響信息和數(shù)據(jù)安全，需要推動自主研發(fā)，實現(xiàn)邊緣計算產(chǎn)品的國產(chǎn)化。

邊緣計算產(chǎn)品國產(chǎn)化不僅僅是邊緣計算硬件國產(chǎn)化，而且需從底層芯片、架構(gòu)、操作系統(tǒng)到算法全面推進國產(chǎn)化。包括CPU、GPU、內(nèi)存和運存等硬件核心器件的國產(chǎn)化，同時還包括操作系統(tǒng)國產(chǎn)化、中間件國產(chǎn)化、數(shù)據(jù)庫國產(chǎn)化、深度學(xué)習(xí)框架國產(chǎn)化等，確保關(guān)鍵核心技術(shù)自主可控。打造自主可控的國產(chǎn)化邊緣計算產(chǎn)品，這是歷史的必然也是時代的使命。

3智慧交通與智能網(wǎng)聯(lián)邊緣計算設(shè)備主要處理內(nèi)容分析

3.1交通管理場景應(yīng)用分析

一直以來，基于邊緣計算的路側(cè)計算單元或智能感知終端被廣泛應(yīng)用于交通管控、安防保障、智能研判、違法取證等交通管理場景中。全息路口是交通管理智慧化改造典型場景之一，通過智能邊緣計算單元將路口多方向的視頻、雷達等多維感知數(shù)據(jù)統(tǒng)一接入、解析、擬合，融合智能傳感器、AI算法、邊緣計算、高精度地圖等技術(shù)生成“全面、準(zhǔn)確、實時、精細(xì)”的交通數(shù)據(jù)，實現(xiàn)路口的全息感知。通過采集及分析道路交通數(shù)據(jù)，如車流量、平均速度、排隊狀態(tài)、車頭時距、間距、區(qū)域停車數(shù)、平均延誤、空間及時間占有率等數(shù)據(jù)，解決傳統(tǒng)路口單視覺感知、信號燈固時和事后分析等痛點問題，能夠為道路交通信號自適應(yīng)控制、溢出控制、路口仿真等提供精確數(shù)據(jù)支撐和可視化體驗，輔助交警提高管理效能，提升路口通行效率；通過對目標(biāo)及事件的檢測識別、人臉特征識別、車輛號牌識別等，智能判斷各種違法行為及突發(fā)事件，比如闖紅燈、逆行、壓線、違章停車、交通事故等，并自動記錄事件行為的完整過程，為事件監(jiān)測、全程監(jiān)測、交通執(zhí)法等多場景提供數(shù)據(jù)支持。此外，在城市視頻監(jiān)控系統(tǒng)的應(yīng)用上，可以構(gòu)建融合邊緣計算模型和視頻監(jiān)控技術(shù)的新型視頻監(jiān)控應(yīng)用的軟硬件服務(wù)平臺，以提高視頻監(jiān)控系統(tǒng)前端攝像機的智能處理能力，進而提升城市交通管理水平。

3.2高速公路場景應(yīng)用分析

高速公路場景下的邊緣計算廣泛應(yīng)用于交通事件、隱患分析、道路養(yǎng)護、機電設(shè)備聯(lián)控、數(shù)字孿生展現(xiàn)、車輛信息監(jiān)測與診斷、車載信息增強等業(yè)務(wù)。通過感知設(shè)備實時采集高速公路范圍內(nèi)的路面病害、缺陷及道路設(shè)施設(shè)備視頻圖像信息，由AI邊緣計算單元自動識別道路病害及設(shè)施設(shè)備完好情況，生成巡檢結(jié)果，從而提升巡檢效率及安全性，降低運維成本。通過采集道路交通參與者的類型、位置、速度和運行軌跡、車牌信息、交通擁堵情況等要素，利用邊緣計算以減少數(shù)據(jù)在網(wǎng)絡(luò)中的傳輸時間，實現(xiàn)對交通狀態(tài)的精準(zhǔn)感知，為車輛安全行駛、交通疏導(dǎo)、交通事件處置等提供數(shù)據(jù)支撐。

3.3智能網(wǎng)聯(lián)場景應(yīng)用分析

智能網(wǎng)聯(lián)場景中，由于駕駛環(huán)境的復(fù)雜性和動態(tài)性，無論智能網(wǎng)聯(lián)汽車還是路側(cè)感知系統(tǒng)均需通過邊緣計算融合多種傳感器以實現(xiàn)準(zhǔn)確、可靠的環(huán)境感知以及毫秒級的處理決策時延。智能網(wǎng)聯(lián)數(shù)據(jù)不僅包括通過視頻圖像、雷達等檢測的交通參與主體（人、機動車、非機動車）的狀態(tài)、速度、方向、位置等信息，以及車輛自身數(shù)據(jù)如時速、油門、剎車開度、方向燈等信息，還包括交通信號燈、交通管控、環(huán)境天氣等信息。利用邊緣端的AI推理分析能力，運用軌跡跟蹤、行為分析、事件觸發(fā)、違規(guī)檢測等技術(shù)，結(jié)合多種智能分析算法的應(yīng)用，如多傳感器時空聯(lián)合標(biāo)定算法、視覺目標(biāo)檢測算法、視覺目標(biāo)追蹤算法、車輛特征識別算法、視覺定位算法、雷達目標(biāo)檢測算法、雷達目標(biāo)追蹤算法、異構(gòu)傳感器目標(biāo)關(guān)聯(lián)算法、目標(biāo)軌跡融合算法、目標(biāo)軌跡跟蹤算法等。融合了多源異構(gòu)傳感器大量的數(shù)據(jù)，輸出目標(biāo)結(jié)構(gòu)化數(shù)據(jù)，實現(xiàn)車-路-云之間低流量高效的信息交互，為交通出行者提供可靠的全天候全方位的交通要素信息，滿足賦能自動駕駛以及智慧交通管理的訴求。

4邊緣計算在智慧交通和智能網(wǎng)聯(lián)“云邊-端”架構(gòu)中的作用分析

云-邊-端架構(gòu)已經(jīng)成為智慧交通和智能網(wǎng)聯(lián)行業(yè)應(yīng)用部署的基本范式。云側(cè)負(fù)責(zé)集中式管理以及部分?jǐn)?shù)據(jù)處理，邊側(cè)主要提供邊緣端數(shù)據(jù)分析計算決策處理，端側(cè)主要負(fù)責(zé)業(yè)務(wù)數(shù)據(jù)采集。在“云-邊-端”架構(gòu)中，“邊”的作用越發(fā)明顯，應(yīng)用場景也越來越廣泛。具體有如下特點[5]：

（1）提高實時響應(yīng)能力。云計算模型的系統(tǒng)性能瓶頸在于并發(fā)處理帶寬的有限性，通過網(wǎng)絡(luò)傳輸海量數(shù)據(jù)需要一定的時間，云計算中心處理數(shù)據(jù)也需要一定的時間，這些都會增加業(yè)務(wù)請求的響應(yīng)時間。其次，在隧道或信號故障、信號干擾等區(qū)域，當(dāng)與云端失聯(lián)時則無法提供服務(wù)。而邊緣計算靠近數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，就近提供邊緣智能服務(wù)，能夠提供毫秒級低時延反饋，從而滿足智慧交通和智能網(wǎng)聯(lián)領(lǐng)域?qū)崟r性的要求。

（2）減輕網(wǎng)絡(luò)和云計算中心的壓力。雖然云計算中心具有非常強大的處理性能，但是智慧交通和智能網(wǎng)聯(lián)相關(guān)終端設(shè)備，尤其是攝像機視頻圖像、雷達點云等感知數(shù)據(jù)的接入，占用了大量的帶寬且給云計算中心造成巨大的業(yè)務(wù)處理壓力。邊緣計算則可以利用自身的計算和決策能力在本地處理數(shù)據(jù)，并將最終的處理結(jié)果發(fā)送到云計算中心進行匯總。另外，實時交通產(chǎn)生的大量數(shù)據(jù)很多情況下是不需要進行長期存儲的，比如視頻監(jiān)控錄像和車輛數(shù)據(jù)，在完成數(shù)據(jù)處理后可以直接將大量的無作用數(shù)據(jù)丟棄，也減少了云計算中心的存儲壓力。

（3）滿足海量異構(gòu)連接和數(shù)據(jù)優(yōu)化的需求。智慧交通與智能網(wǎng)聯(lián)基礎(chǔ)設(shè)施建設(shè)中，有大量的異構(gòu)設(shè)備接入，如攝像機、激光雷達、毫米波雷達、RSU（RoadSideUnit，路側(cè)單元）、信號機、氣象傳感器和可變情報板等不同形態(tài)的終端設(shè)備。這些設(shè)備需要進行接入管理、退出管理、告警處理、運維處理，同時產(chǎn)生的異構(gòu)數(shù)據(jù)需要進行數(shù)據(jù)優(yōu)化實現(xiàn)數(shù)據(jù)的聚合、數(shù)據(jù)的統(tǒng)一呈現(xiàn)與開放，以便靈活、高效地服務(wù)于邊緣應(yīng)用。邊緣計算可以分而治之、化大為小，提供跨層協(xié)議轉(zhuǎn)換功能，實現(xiàn)異構(gòu)數(shù)據(jù)的統(tǒng)一和穩(wěn)定接入乃至協(xié)同控制。

（4）滿足隱私保護和信息安全的需求。智慧交通與智能網(wǎng)聯(lián)應(yīng)用場景中，大量地使用視頻圖像、雷達感知、短程通信交互等來構(gòu)建全要素的交通參與者信息，必將帶來出行者的隱私和信息暴露的風(fēng)險。區(qū)別于云計算方式，邊緣計算無須將全量數(shù)據(jù)通過網(wǎng)絡(luò)傳輸?shù)皆品?wù)器上，只在邊緣端對數(shù)據(jù)進行從生產(chǎn)到加工到產(chǎn)出的轉(zhuǎn)換，在本地生產(chǎn)并在本地銷毀。只保留姿態(tài)、軌跡、事件等信息，對敏感數(shù)據(jù)進行脫敏保護，并采用加密的方式往云端或用戶端進行推送，有效保護交通參與者的隱私和信息安全。

5結(jié)束語

邊緣計算以本地化、低時延、高可靠、隱私保護等優(yōu)勢已成為智能交通與智能網(wǎng)聯(lián)系統(tǒng)架構(gòu)中不可或缺的組成部分，是其不斷優(yōu)化和發(fā)展的重要選項。邊緣計算能夠支撐實現(xiàn)智能交通道路養(yǎng)護、交通狀態(tài)監(jiān)測、交通違法取證、信號配時優(yōu)化等業(yè)務(wù)，支撐實現(xiàn)車路協(xié)同自動駕駛，賦能低碳高效出行。當(dāng)前全球正處于新一輪汽車與交通產(chǎn)業(yè)變革的關(guān)鍵時期，邊緣計算作為我國新型基礎(chǔ)設(shè)施建設(shè)的重點內(nèi)容之一，還需在算力、異構(gòu)計算、國產(chǎn)化及應(yīng)用場景深度融合等方面持續(xù)創(chuàng)新引領(lǐng)，提高我國智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)國際競爭力，助力建設(shè)汽車與交通強國。

作者簡介：

吳冬升（1975-），男，博士，現(xiàn)任高新興科技集團股份有限公司高級副總裁，國家級企業(yè)技術(shù)中心（高新興）副主任，對5G、車聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、數(shù)字化轉(zhuǎn)型、智慧城市有深刻洞察。獲得2020年吳文俊人工智能科學(xué)技術(shù)獎二等獎。

鄭廷釗（1989-），男，現(xiàn)任高新興科技集團股份有限公司智能網(wǎng)聯(lián)事業(yè)部副總經(jīng)理，主要研究方向為5G、車聯(lián)網(wǎng)、物聯(lián)網(wǎng)、人工智能、數(shù)字化轉(zhuǎn)型、智慧城市等。

鄭澤彬（1991-），男，現(xiàn)任高新興科技集團股份有限公司產(chǎn)品經(jīng)理，主要負(fù)責(zé)邊緣計算、車路協(xié)同等研究工作。

曾少旭（1990-），男，現(xiàn)任高新興科技集團股份有限公司高級標(biāo)準(zhǔn)化工程師，主要從事車路協(xié)同產(chǎn)業(yè)、標(biāo)準(zhǔn)和前沿技術(shù)研究。

參考文獻：

[1]清華大學(xué)智能產(chǎn)業(yè)研究院,百度Apollo.面向自動駕駛的車路協(xié)同關(guān)鍵技術(shù)與展望2.0[R/OL].2022.

[2]中國圖像圖形學(xué)報.面向智慧交通的圖像處理與邊緣計算[R].2022.

[3]賈斯特,張云泉,等.OpenCL異構(gòu)計算(第2版)[M].北京:清華大學(xué)出版社,2013.

[4]IMT-2020(5G)推進組.基于邊緣計算的路側(cè)感知融合系統(tǒng)研究[R].2021.

[5]吳冬升,等.從云端到邊緣:邊緣計算的產(chǎn)業(yè)鏈與行業(yè)應(yīng)用[M].北京:人民郵電出版社,2021.

摘自《自動化博覽》2023年第2期暨《邊緣計算2023專輯》