萝卜快跑-无人自动驾驶电动汽车融合边缘计算技术-引领未来出行

大量的传感器、海量的数据、不断提高的计算能力、实时操作和无人自动驾驶汽车所需的安全问题，正在推动计算核心从云端到网络边缘。无人自动驾驶汽车不断感知并发送有关路况、位置和周围车辆的数据，每秒产生大约1GB的数据，由于数据传输量大、时延问题和安全性问题。因此，深度学习作为人工智能的主要代表，并集成到边缘计算框架中。

不久前，出行方式经历了翻天覆地的新变化。无人自动驾驶领域先行者之一的“萝卜快跑”因其前瞻性的视野和卓越的技术实力，正在推动将来的出行趋势。无人自动驾驶技术可以和边缘计算紧密联系。不但重塑了大家对外出的想象力，并且在智能、安全、高效率道路上迈出了坚实的一步。

只有当收集到的数据可以在本地处理，并且可以在不依赖远程资源的情况下实时做出决策和预测时，边缘AI计算的真正价值才能实现。只有当边缘计算平台能够托管预先训练的深度学习模型，并拥有在本地执行实时推理的计算资源时，才更智能安全。

边缘计算在人工智能汽车中的优势

随着车载通信和5G车联网（V2X）的进步，现在可以在车辆和基础设施网络（V2I）之间提供可靠的通信链路。边缘计算最适合带宽密集型和延迟敏感型应用，无人自动驾驶汽车则需要立即采取行动和做出反应

车辆边缘计算（VEC）系统需要并行计算大量数据。因为VEC系统是移动，它们通常有非常严格的能耗限定。因而，需要提供足够的计算能力，以保证无人自动驾驶汽车的安全，即便在高速行驶时，也能即时处理。

1.低延迟

汽车安全零（低）延迟是必要的。汽车企业可以收集大量驾驶数据，并用机器学习来改变人工智能无人自动驾驶的实践和学习。据调查，在网络上往返传输的数据至少为150-200ms。

因此，边缘计算技术将提供一个端到端的系统架构框架，用于将计算过程分发到本地化网络。精心设计的人工智能无人自动驾驶和联网汽车将是一个协作的边缘云计算系统、高效的视频/图像处理和多层分布式（5G）网络——本地化和云处理的混合体。

2.速度

因为根据数据传输的海量数据，因为安全原因，大部分解决方法必须在汽车内进行。因为连通性和数据传输速率，汽车务必测算持续数据速率（而非传送数据），这有助于降低延迟，提升精确性。

人与机器间的相互依赖代表着实时信息传送的速率至关重要。运用边缘人工智能测算涉及到一定的本土化运算解决存储空间，以保证无人自动驾驶汽车和人工智能CPU可以执行所需的任务。

3.可靠性

无人自动驾驶汽车的安全性至关重要。边缘计算减少了云网络堵塞的压力，并通过减少数据处理和车辆之间的滞后来提供更好的可靠性。由于边缘计算和边缘数据中心位于更靠近车辆的位置，因此在较远的位置出现网络问题影响本地车辆的可能性较小。即使在附近的数据中心停电的情况下，无人自动驾驶汽车的车载智能边缘推理也将继续自行有效运行，因为它们可以本地处理重要的处理功能。

4.安全

为无人自动驾驶汽车设计边缘计算生态系统的最终挑战是提供充足的计算能力、安全性，以保证无人自动驾驶汽车的安全。 无人自动驾驶汽车的安全应遮盖无人自动驾驶边缘计算堆栈的各层次。该安全包括感应器安全、操作系统安全、控制系统稳定性和通信安全。此外，边缘网关的人工智能能够降低通信成本，减少通讯能提高数据安全性。

5.扩展性

汽车边缘计算实质上具备分布式架构，能够帮助将数据发送至网络边缘，汽车能够实时分析数据并与之互动，如同本地数据一样。无人自动驾驶汽车需要一种更加去中心化的方法。例如，智能传感器可以分析自己的视频帧，确定视频的哪些帧需要注意，并仅将该数据发送到服务器，减少了数据传输过程中的网络延迟，数据不再需要通过网络穿越到云端进行处理。

3.成本

强劲的本地AICPU路边单元（RSU）越来越多总数有利于节能降耗、维护和经营成本，以及将数据传送到云中高带宽成本。此外，使边缘计算成为当今更可行与实际的关键驱动因素之一是计算和传感器的成本降低。

结论

无人自动驾驶系统极其复杂;它们紧密集成了许多技术，包括感知、定位、感知、决策，以及与云平台的流畅交互，以实现高清（HD）地图生成和数据存储。这些复杂性给无人自动驾驶边缘计算系统的设计带来了许多挑战。

不断的开拓无人自动驾驶与边缘计算技术的深度融合，无人自动驾驶技术将指引我们进入一个更智能、更方便、更绿色的出行时代。