★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)是邊緣計算應用的典型場(chǎng)景。在“云-邊-端”系統架構中，邊緣計算承載著(zhù)云側算力下沉及端側計算任務(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)應用中面臨的挑戰及發(fā)展趨勢，研究了不同業(yè)務(wù)場(chǎng)景下邊緣計算需要處理的主要內容，分析了邊緣計算在“云-邊-端”架構中的重要作用。

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

當前，新一輪科技革命和產(chǎn)業(yè)變革蓬勃發(fā)展，汽車(chē)、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、端側數據采集以及C-V2X泛在通信的“云-邊-端”系統架構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(shí)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(lái)越重要的角色。根據國家“十四五”規劃、《新能源汽車(chē)產(chǎn)業(yè)發(fā)展規劃（2021~2035年）》《國家綜合立體交通網(wǎng)規劃綱要》《關(guān)于加快推進(jìn)新型城市基礎設施建設的指導意見(jiàn)》等政策指導，我國將重點(diǎn)推動(dòng)智能網(wǎng)聯(lián)汽車(chē)以及智能化道路的升級改造，加快新型基礎設施建設。面向智慧交通與智能網(wǎng)聯(lián)的新型基礎設施建設重點(diǎn)推進(jìn)構建智能網(wǎng)聯(lián)汽車(chē)計算平臺及路側感知系統，其中邊緣計算設施是核心組成部分，基于邊緣計算、人工智能等技術(shù)實(shí)時(shí)采集各類(lèi)感知數據進(jìn)行智能分析和融合處理，能夠有效解決傳統基礎設施存在的感知數據單一、數據類(lèi)型異構、置信度及融合度較低等問(wèn)題，有望實(shí)現全天候、全時(shí)空的信息感知，從而支撐輔助駕駛、自動(dòng)駕駛以及交通管控、城市管理等應用場(chǎng)景，具有巨大的市場(chǎng)需求。

2邊緣計算在智慧交通和智能網(wǎng)聯(lián)應用面臨的挑戰和趨勢

2.1大算力要求

智慧交通系統為實(shí)現智能交通管理、自動(dòng)駕駛和車(chē)路協(xié)同等重要應用，需要大量數據的支撐與協(xié)助，尤其在交通高峰時(shí)期，采集、處理及分析大量的實(shí)時(shí)數據將產(chǎn)生龐大的數據傳輸量。龐大數據信息量需要邊緣側有更大算力進(jìn)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備甚至其他車(chē)輛數據在邊緣側進(jìn)行融合分析，并且車(chē)路協(xié)同等業(yè)務(wù)需達到毫秒級的處理速率。傳感器數量和類(lèi)型的增加、分辨率的提升以及低時(shí)延處理要求對邊緣計算提出了大量異構數據高速處理的要求，算法模型的復雜程度亦大幅提升，算力也亟需提升。以單路口為例，支持交通監控及交通執法業(yè)務(wù)感知需求的智能道路路側算力需要10~50TOPS，支持信息共享及輔助預警等車(chē)路協(xié)同基礎業(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(dòng)駕駛業(yè)務(wù)感知需求則需要100~300TOPS[1]。另一方面，自動(dòng)駕駛等級每增加一級，所需算力就會(huì )呈現數十倍的上升。如支持L2級自動(dòng)駕駛的算力僅需要2-2.5TOPS，但是支持L3級自動(dòng)駕駛的算力需求就達到20-30TOPS，支持L4級自動(dòng)駕駛的算力需要200TOPS以上，支持L5級別自動(dòng)駕駛算力需求則超過(guò)2000TOPS。

從芯片平臺角度來(lái)看，大算力芯片需要滿(mǎn)足以下三個(gè)特點(diǎn)，其一是具備高算力，同時(shí)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(chē)型和路端，也需要可定制、模塊化的平臺來(lái)滿(mǎn)足不同車(chē)端和路端場(chǎng)景下的開(kāi)發(fā)需求，同時(shí)降低開(kāi)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(xiàn)征程5成為國內首款實(shí)現前裝量產(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(shí)現最高2000TOPSAI算力以及2000TFLOPS浮點(diǎn)算力，不斷刷新單芯片算力上限，給自動(dòng)駕駛廠(chǎng)家研發(fā)更豐富的應用場(chǎng)景提供更多可能性。

2.2異構計算要求

在智慧交通與智能網(wǎng)聯(lián)應用中，邊緣側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(diǎn)云特征提取、目標檢測與分類(lèi)識別、目標跟蹤、車(chē)道級感知定位和路徑規劃等。以全息路口攝像機視覺(jué)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(dòng)作反饋等步驟[2]。傳統的CPU更傾向于通用計算和復雜動(dòng)作反饋決策，而對大量圖像數據的高速并行實(shí)時(shí)處理，比如像素處理和梯度檢測等需要GPU等專(zhuān)用內核來(lái)高速計算。依托異構計算技術(shù)能夠整合不同架構的內核到單一芯片中，從而適配復雜計算要求。

異構計算是多元算力的典型。主要是指不同類(lèi)型的指令集和體系架構的計算單元組成的系統的計算方式[3]?？缭紺PU、GPU、FPGA、ASIC的異構計算，如今已經(jīng)成為云計算和邊緣計算基礎設施建設的重要力量，表1為不同計算單元的特點(diǎn)[4]。異構計算能夠將不同架構的運算單元整合到一起進(jìn)行并行計算，通過(guò)上層軟件解耦方式來(lái)屏蔽硬件多樣性，針對不同計算任務(wù)選擇最適合的專(zhuān)用硬件去做最適合的事，如密集計算或外設管理等，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(shí)延，達到性能和成本的最優(yōu)化。使用異構計算能夠化解算力瓶頸，挖掘和實(shí)現算力增長(cháng)。

表1不同計算單元特點(diǎn)

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?；瘧玫目焖侔l(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(shí)現汽車(chē)變革及交通強國目標的戰略機遇。2022年國家發(fā)布的“十四五”規劃提出，要大力發(fā)展智慧交通，推動(dòng)自動(dòng)駕駛行業(yè)穩妥發(fā)展，明確將“自主可控”列為國家制造強國戰略的必要要求，加快補齊基礎軟件等瓶頸短板。邊緣計算產(chǎn)品在智慧交通和智能網(wǎng)聯(lián)領(lǐng)域中提供端側感知、邊緣服務(wù)、算力供給、協(xié)同聯(lián)動(dòng)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)鍵設備、核心元件仍嚴重依賴(lài)進(jìn)口，影響信息和數據安全，需要推動(dòng)自主研發(fā)，實(shí)現邊緣計算產(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、操作系統到算法全面推進(jìn)國產(chǎn)化。包括CPU、GPU、內存和運存等硬件核心器件的國產(chǎn)化，同時(shí)還包括操作系統國產(chǎn)化、中間件國產(chǎn)化、數據庫國產(chǎn)化、深度學(xué)習框架?chē)a(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(shí)代的使命。

3智慧交通與智能網(wǎng)聯(lián)邊緣計算設備主要處理內容分析

3.1交通管理場(chǎng)景應用分析

一直以來(lái)，基于邊緣計算的路側計算單元或智能感知終端被廣泛應用于交通管控、安防保障、智能研判、違法取證等交通管理場(chǎng)景中。全息路口是交通管理智慧化改造典型場(chǎng)景之一，通過(guò)智能邊緣計算單元將路口多方向的視頻、雷達等多維感知數據統一接入、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、準確、實(shí)時(shí)、精細”的交通數據，實(shí)現路口的全息感知。通過(guò)采集及分析道路交通數據，如車(chē)流量、平均速度、排隊狀態(tài)、車(chē)頭時(shí)距、間距、區域停車(chē)數、平均延誤、空間及時(shí)間占有率等數據，解決傳統路口單視覺(jué)感知、信號燈固時(shí)和事后分析等痛點(diǎn)問(wèn)題，能夠為道路交通信號自適應控制、溢出控制、路口仿真等提供精確數據支撐和可視化體驗，輔助交警提高管理效能，提升路口通行效率；通過(guò)對目標及事件的檢測識別、人臉特征識別、車(chē)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(xiàn)、違章停車(chē)、交通事故等，并自動(dòng)記錄事件行為的完整過(guò)程，為事件監測、全程監測、交通執法等多場(chǎng)景提供數據支持。此外，在城市視頻監控系統的應用上，可以構建融合邊緣計算模型和視頻監控技術(shù)的新型視頻監控應用的軟硬件服務(wù)平臺，以提高視頻監控系統前端攝像機的智能處理能力，進(jìn)而提升城市交通管理水平。

3.2高速公路場(chǎng)景應用分析

高速公路場(chǎng)景下的邊緣計算廣泛應用于交通事件、隱患分析、道路養護、機電設備聯(lián)控、數字孿生展現、車(chē)輛信息監測與診斷、車(chē)載信息增強等業(yè)務(wù)。通過(guò)感知設備實(shí)時(shí)采集高速公路范圍內的路面病害、缺陷及道路設施設備視頻圖像信息，由AI邊緣計算單元自動(dòng)識別道路病害及設施設備完好情況，生成巡檢結果，從而提升巡檢效率及安全性，降低運維成本。通過(guò)采集道路交通參與者的類(lèi)型、位置、速度和運行軌跡、車(chē)牌信息、交通擁堵情況等要素，利用邊緣計算以減少數據在網(wǎng)絡(luò )中的傳輸時(shí)間，實(shí)現對交通狀態(tài)的精準感知，為車(chē)輛安全行駛、交通疏導、交通事件處置等提供數據支撐。

3.3智能網(wǎng)聯(lián)場(chǎng)景應用分析

智能網(wǎng)聯(lián)場(chǎng)景中，由于駕駛環(huán)境的復雜性和動(dòng)態(tài)性，無(wú)論智能網(wǎng)聯(lián)汽車(chē)還是路側感知系統均需通過(guò)邊緣計算融合多種傳感器以實(shí)現準確、可靠的環(huán)境感知以及毫秒級的處理決策時(shí)延。智能網(wǎng)聯(lián)數據不僅包括通過(guò)視頻圖像、雷達等檢測的交通參與主體（人、機動(dòng)車(chē)、非機動(dòng)車(chē)）的狀態(tài)、速度、方向、位置等信息，以及車(chē)輛自身數據如時(shí)速、油門(mén)、剎車(chē)開(kāi)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)、違規檢測等技術(shù)，結合多種智能分析算法的應用，如多傳感器時(shí)空聯(lián)合標定算法、視覺(jué)目標檢測算法、視覺(jué)目標追蹤算法、車(chē)輛特征識別算法、視覺(jué)定位算法、雷達目標檢測算法、雷達目標追蹤算法、異構傳感器目標關(guān)聯(lián)算法、目標軌跡融合算法、目標軌跡跟蹤算法等。融合了多源異構傳感器大量的數據，輸出目標結構化數據，實(shí)現車(chē)-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(mǎn)足賦能自動(dòng)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”架構中的作用分析

云-邊-端架構已經(jīng)成為智慧交通和智能網(wǎng)聯(lián)行業(yè)應用部署的基本范式。云側負責集中式管理以及部分數據處理，邊側主要提供邊緣端數據分析計算決策處理，端側主要負責業(yè)務(wù)數據采集。在“云-邊-端”架構中，“邊”的作用越發(fā)明顯，應用場(chǎng)景也越來(lái)越廣泛。具體有如下特點(diǎn)[5]：

（1）提高實(shí)時(shí)響應能力。云計算模型的系統性能瓶頸在于并發(fā)處理帶寬的有限性，通過(guò)網(wǎng)絡(luò )傳輸海量數據需要一定的時(shí)間，云計算中心處理數據也需要一定的時(shí)間，這些都會(huì )增加業(yè)務(wù)請求的響應時(shí)間。其次，在隧道或信號故障、信號干擾等區域，當與云端失聯(lián)時(shí)則無(wú)法提供服務(wù)。而邊緣計算靠近數據源頭的網(wǎng)絡(luò )邊緣側，就近提供邊緣智能服務(wù)，能夠提供毫秒級低時(shí)延反饋，從而滿(mǎn)足智慧交通和智能網(wǎng)聯(lián)領(lǐng)域對實(shí)時(shí)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)終端設備，尤其是攝像機視頻圖像、雷達點(diǎn)云等感知數據的接入，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據，并將最終的處理結果發(fā)送到云計算中心進(jìn)行匯總。另外，實(shí)時(shí)交通產(chǎn)生的大量數據很多情況下是不需要進(jìn)行長(cháng)期存儲的，比如視頻監控錄像和車(chē)輛數據，在完成數據處理后可以直接將大量的無(wú)作用數據丟棄，也減少了云計算中心的存儲壓力。

（3）滿(mǎn)足海量異構連接和數據優(yōu)化的需求。智慧交通與智能網(wǎng)聯(lián)基礎設施建設中，有大量的異構設備接入，如攝像機、激光雷達、毫米波雷達、RSU（RoadSideUnit，路側單元）、信號機、氣象傳感器和可變情報板等不同形態(tài)的終端設備。這些設備需要進(jìn)行接入管理、退出管理、告警處理、運維處理，同時(shí)產(chǎn)生的異構數據需要進(jìn)行數據優(yōu)化實(shí)現數據的聚合、數據的統一呈現與開(kāi)放，以便靈活、高效地服務(wù)于邊緣應用。邊緣計算可以分而治之、化大為小，提供跨層協(xié)議轉換功能，實(shí)現異構數據的統一和穩定接入乃至協(xié)同控制。

（4）滿(mǎn)足隱私保護和信息安全的需求。智慧交通與智能網(wǎng)聯(lián)應用場(chǎng)景中，大量地使用視頻圖像、雷達感知、短程通信交互等來(lái)構建全要素的交通參與者信息，必將帶來(lái)出行者的隱私和信息暴露的風(fēng)險。區別于云計算方式，邊緣計算無(wú)須將全量數據通過(guò)網(wǎng)絡(luò )傳輸到云服務(wù)器上，只在邊緣端對數據進(jìn)行從生產(chǎn)到加工到產(chǎn)出的轉換，在本地生產(chǎn)并在本地銷(xiāo)毀。只保留姿態(tài)、軌跡、事件等信息，對敏感數據進(jìn)行脫敏保護，并采用加密的方式往云端或用戶(hù)端進(jìn)行推送，有效保護交通參與者的隱私和信息安全。

5結束語(yǔ)

邊緣計算以本地化、低時(shí)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)系統架構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(shí)現智能交通道路養護、交通狀態(tài)監測、交通違法取證、信號配時(shí)優(yōu)化等業(yè)務(wù)，支撐實(shí)現車(chē)路協(xié)同自動(dòng)駕駛，賦能低碳高效出行。當前全球正處于新一輪汽車(chē)與交通產(chǎn)業(yè)變革的關(guān)鍵時(shí)期，邊緣計算作為我國新型基礎設施建設的重點(diǎn)內容之一，還需在算力、異構計算、國產(chǎn)化及應用場(chǎng)景深度融合等方面持續創(chuàng )新引領(lǐng)，提高我國智能網(wǎng)聯(lián)汽車(chē)產(chǎn)業(yè)國際競爭力，助力建設汽車(chē)與交通強國。

作者簡(jiǎn)介：

吳冬升（1975-），男，博士，現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(chē)聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數據、人工智能、數字化轉型、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(chē)聯(lián)網(wǎng)、物聯(lián)網(wǎng)、人工智能、數字化轉型、智慧城市等。

鄭澤彬（1991-），男，現任高新興科技集團股份有限公司產(chǎn)品經(jīng)理，主要負責邊緣計算、車(chē)路協(xié)同等研究工作。

曾少旭（1990-），男，現任高新興科技集團股份有限公司高級標準化工程師，主要從事車(chē)路協(xié)同產(chǎn)業(yè)、標準和前沿技術(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(dòng)駕駛的車(chē)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異構計算(第2版)[M].北京:清華大學(xué)出版社,2013.

[4]IMT-2020(5G)推進(jìn)組.基于邊緣計算的路側感知融合系統研究[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)應用[M].北京:人民郵電出版社,2021.

摘自《自動(dòng)化博覽》2023年第2期暨《邊緣計算2023專(zhuān)輯》