深度|边缘计算应用于自动驾驶汽车的优势

边缘计算创新促进自动驾驶汽车充分发挥潜力

本文摘自《AI Advancements Driving Autonomous Vehicle Ubiquity》,原作者为GTI高级技术副总裁Manouchehr Rafie博士,一村资本整理。


近年来,人们在提高车辆安全性和效率上付出了诸多努力。车辆通信和5G车联网(V2X)领域的进步,为车辆和基础设施网络(V2I)之间搭建了可靠的通信链路。边缘计算最适合带宽密集型和延时敏感型应用,如出于安全考虑需要立即采取行动和作出响应的自动驾驶汽车。

自动驾驶系统极其复杂,其中有许多紧密集成的技术,包括传感、定位、感知、决策,以及为生成高清地图、存储数据而与云平台进行的流畅交互等。这些复杂性为自动驾驶边缘计算系统的设计带来了诸多挑战。

车载边缘计算(VEC)系统需要实时处理大量数据。移动的VEC系统通常具有非常严格的能耗限制。因此,必须以合理的能耗支撑足够的算力,保证自动驾驶汽车在高速行驶时也能安全无恙。

为自动驾驶汽车设计边缘计算生态系统时,首要挑战是如何实现数据的实时处理、提供足够算力、保证其可靠性、可扩展性、安全性和控制成本,在确保自动驾驶汽车使用者安全的同时提升用户体验。

低延时性

实现零(低)延时是确保车辆安全的一项必备条件。许多自动驾驶汽车制造商都设想能让传感器数据上传云端,方便进行自动驾驶汽车所需的进一步数据处理、深度学习、训练和分析。如此一来,汽车制造商便能收集到大量的驾驶数据,并使用机器学习改进AI自动驾驶实践和学习。根据估算,通过网络来回发送数据需要至少150至200毫秒,考虑到车辆正在行驶中,且要对车辆控制做出实时决策,这个时间太长了。

根据丰田提供的信息显示,到2025年,汽车和云端之间的数据传输量可达每月10艾字节,是当前数据量的一万倍,然而云端计算并不是为了方便自动驾驶汽车快速处理大量数据设计的。

自动驾驶汽车将在本地(边缘)实时处理有时效性的任务,如车道追踪、交通监控、目标检测或语义分割等,并采取相应的驾驶行动。同时对于长期任务,它会将传感器数据发送至云端进行处理,并将最终分析结果发回至自动驾驶汽车。

因此,边缘计算技术将建立起一个端到端的系统架构框架,将计算过程分发至本地网络。精心设计的AI自动驾驶和联网车辆将配备边缘云协作计算系统、高效的视频/图像处理和多层分布式(5G)网络(本地化和云处理的结合)。边缘AI计算旨在弥补云计算的不足,而非彻底取代云计算。


速度

鉴于大量数据都是通过网络进行来回传输,出于安全考虑,大部分数据处理必须在车辆上进行。由于对网络连接和数据传输速度存在一定依赖性,加快车辆在无需传输数据的情况下计算连续数据的速度,将有助于降低延时性,提高准确性。

要想实现人机交互,实时信息的传输速度至关重要。使用边缘AI计算需要具备足够的本地化计算处理能力和内存容量,确保自动驾驶汽车和AI处理器能够执行所需任务。

可靠性

自动驾驶汽车的安全性至关重要。通过减少数据处理和车辆之间的延时,边缘计算减轻了阻塞的云网络中的压力,并增强可靠性。然而自动驾驶汽车制造商很快便意识到了云计算的局限性,云计算虽然必不可少,但自动驾驶汽车需要一种更为分散的方法。

边缘计算和边缘数据中心更靠近车辆,因此,远程网络问题影响本地车辆的可能性微乎其微。即便附近数据中心发生故障,由于具备重要的本地处理功能,自动驾驶汽车的车载智能边缘推理仍能保持有效的自运行。

如今,汽车制造商针对电源故障、网络故障乃至计算故障提供了多层保护机制,并预留了一定冗余。车辆还能动态改变路由和供电网络流量,甚至做出使自动驾驶汽车安全停车的决策。同时,通过在生命周期内不断发展和演变的特征预测分析系统,具有边缘AI计算能力的自动驾驶汽车能够支持车载诊断。

如此多基于边缘计算的车辆联网,可以让数据通过多种路径改变其路线,确保车辆保留对所需信息的访问权限,有效地将车联网(IoV)与边缘计算集成到一个无比可靠且实用的分布式综合边缘架构中。

安全性

设计自动驾驶汽车边缘计算生态系统的终极挑战,是提供足够的计算力、冗余度和安全性,保证自动驾驶汽车的安全。因此,重中之重是要使自动驾驶边缘计算系统免受来自传感和计算堆栈等不同层面的攻击。

自动驾驶汽车的安全性应涉及自动驾驶边缘计算堆栈各层面,包括传感器安全、操作系统安全、控制系统安全和通信安全等。

此外,边缘网关AI降低了通信成本。通信的减少会进一步提升数据安全性。

可扩展性

边缘计算的重要性体现在以下几个方面:局部性、低延时性、隐私性/安全性、移动支持以及功耗限制。

车载边缘计算固有的分布式架构,能够在网络边缘侧进行车辆数据分析与实时交互,这与本地处理近乎相同。

尽管对于某些任务而言,云计算必不可少,但自动驾驶汽车需要的是一种更为分散的方法。例如,智能传感器可以分析自己的视频源,确定需要进一步关注的某一帧视频,然后仅将这些数据发送至服务器。这种分散式架构减少了数据传输过程中的网络延时,因为数据已不再需要通过网络传输到云端进行来即时处理。AI车辆的车载计算力较之过去有了显著提升,可以自动执行更多任务,提高可预测性,降低延时性。

成本

越来越多的路边单元(RSU)配备了强大的本地AI处理器,有助于降低能耗、运维成本和将数据传输到云端的高带宽成本。与此同时,在持续下跌的计算和传感器成本等某些关键因素的作用下,边缘计算如今更具有可行性。

关于作者

Manouchehr Rafie博士现任Gyrfalcon Technology Inc.(GTI)公司高级技术副总裁,致力于推动公司在深度学习、AI边缘计算和可视化数据分析等先进技术的融合。他同时也兼任MPEG-VCM标准的新型机器视觉编码(VCM)联合主席。加入GTI之前,Rafie博士曾在诸多创新企业和大型公司担任过执行/高级技术专业人员,如Exalt Wireless的接入产品副总裁、Cadence Design Services的集团总监及研究人员,以及加利福尼亚大学伯克利分校兼职教授。Rafie博士发表过90多篇论文,并在全球多个技术会议和专业协会担任主席、讲师及编辑等职位。

关于Gyrfalcon Technology Inc

Gyrfalcon Technology Inc.(GTI)是全球领先的高性能AI加速器开发商,采用低功耗封装,低成本和小尺寸芯片。Gyrfalcon(海东青)是一种以飞行速度迅疾著称的鸟。GTI由硅谷资深创业者和人工智能科学家创立,旨在推广云人工智能应用于当地设备的能力,提供更高的性能和效率,为新设备提供功效最大化的AI定制服务,让人工智能产业化成为可能。


版权所有 一村资本有限公司 2017 不得转载苏ICP备15026364号

提示:私募基金仅面向与基金风险等级匹配的合格投资者推介或募集。投资有风险,投资者应理性作出投资决策、自行承担投资风险;本公司不作保本保收益或投资无风险的承诺。私募基金产品风险等级评分表详见网站媒体中心页面。

我明白