面向自動(dòng)駕駛的邊緣計(jì)算技術(shù)研究綜述

呂品，許嘉，李陶深，徐文彪

（1.廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院，廣西 南寧 530004；2.廣西多媒體通信與網(wǎng)絡(luò)技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530004；3.廣西高校并行分布式計(jì)算技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530004）

1 引言

計(jì)算機(jī)技術(shù)和傳感器技術(shù)的發(fā)展使汽車逐漸成為更加智能的自動(dòng)駕駛汽車。自動(dòng)駕駛汽車的出現(xiàn)將會(huì)提高交通通行效率，減少道路交通事故。美國高速公路交通安全管理局將自動(dòng)駕駛分為L0～L5 共6 個(gè)等級(jí)，從L0 到L5，汽車的智能化水平逐漸提升。L5 級(jí)的自動(dòng)駕駛汽車可以在任何環(huán)境下完成所有的駕駛操作而不需要人類駕駛員的干預(yù)。

為了提供安全的自動(dòng)駕駛服務(wù)，自動(dòng)駕駛汽車需要獲取所處環(huán)境的完整信息，并對(duì)其進(jìn)行實(shí)時(shí)處理以做出行駛決策。從環(huán)境信息的獲取到行駛決策的制定可以分為3 個(gè)階段，分別是環(huán)境信息獲取、信息融合處理和駕駛行為決策。

1) 環(huán)境信息獲取。自動(dòng)駕駛汽車通過多種車載傳感器獲取所處環(huán)境的信息，如用定位系統(tǒng)、慣性測量單元獲取位置信息，用激光雷達(dá)繪制周圍環(huán)境的點(diǎn)云，用攝像頭獲取環(huán)境的圖像數(shù)據(jù)，用雷達(dá)和聲納檢測距離車輛最近的物體等。

2) 信息融合處理。此階段的任務(wù)是將獲取的環(huán)境信息進(jìn)行融合處理，使自動(dòng)駕駛汽車了解周圍的環(huán)境。信息融合處理階段有3 個(gè)主要的任務(wù)，分別是自我定位、目標(biāo)識(shí)別和目標(biāo)跟蹤。這3 個(gè)任務(wù)都需要大量的計(jì)算資源來完成。

3) 駕駛行為決策。在自動(dòng)駕駛汽車了解了自身所處的環(huán)境之后，就開始預(yù)測其他車輛或行人等障礙物的運(yùn)動(dòng)路徑，然后根據(jù)預(yù)測結(jié)果做出自身的路徑規(guī)劃和避障決策。

高級(jí)別的自動(dòng)駕駛汽車需要在無人干涉的情況下完成以上3 個(gè)步驟，但僅依靠單個(gè)自動(dòng)駕駛汽車的能力是很難做到的，原因如下。

1) 在環(huán)境信息獲取方面，單個(gè)自動(dòng)駕駛汽車存在傳感器視野盲區(qū)，無法獲取完整的所處環(huán)境信息，這可能導(dǎo)致自動(dòng)駕駛汽車無法檢測即將到來的危險(xiǎn)。

2) 在數(shù)據(jù)處理方面，車載計(jì)算系統(tǒng)難以完成對(duì)大量異構(gòu)傳感器數(shù)據(jù)的實(shí)時(shí)處理，其中僅攝像頭每秒就產(chǎn)生1.8 GB 的數(shù)據(jù)[1]。若在自動(dòng)駕駛汽車上配備高性能的計(jì)算系統(tǒng)，則會(huì)大大增加自動(dòng)駕駛汽車的成本。

總體來說，環(huán)境信息獲取和數(shù)據(jù)處理兩方面的問題導(dǎo)致僅依靠單個(gè)自動(dòng)駕駛汽車的能力無法實(shí)現(xiàn)高級(jí)別自動(dòng)駕駛，因此需要其他智能節(jié)點(diǎn)的協(xié)助。

為了解決數(shù)據(jù)處理方面的問題，有些研究者提出了自動(dòng)駕駛汽車與云計(jì)算相結(jié)合的方案，將數(shù)據(jù)上傳到云端處理[2-3]。云端雖然有大量的計(jì)算資源，可以在極短的時(shí)間內(nèi)完成數(shù)據(jù)的處理，但是僅依靠云端為自動(dòng)駕駛汽車提供服務(wù)在很多情況下是不可行的。因?yàn)樽詣?dòng)駕駛汽車在行駛過程中會(huì)產(chǎn)生大量需要實(shí)時(shí)處理的數(shù)據(jù)，如果將這些數(shù)據(jù)都通過核心網(wǎng)傳輸?shù)竭h(yuǎn)程云端處理，那么僅數(shù)據(jù)的傳輸便會(huì)導(dǎo)致很大的時(shí)延，無法滿足數(shù)據(jù)處理的實(shí)時(shí)性要求。核心網(wǎng)絡(luò)的帶寬也難以支持大量自動(dòng)駕駛汽車同時(shí)向云端發(fā)送大量的數(shù)據(jù)，而且一旦核心網(wǎng)絡(luò)出現(xiàn)擁塞導(dǎo)致數(shù)據(jù)傳輸不穩(wěn)定，自動(dòng)駕駛汽車的行駛安全便得不到保障。

將邊緣計(jì)算應(yīng)用到自動(dòng)駕駛領(lǐng)域?qū)⒂兄诮鉀Q自動(dòng)駕駛汽車在環(huán)境數(shù)據(jù)獲取和處理上所面臨的問題。邊緣計(jì)算[4]是指在網(wǎng)絡(luò)邊緣執(zhí)行計(jì)算的一種計(jì)算模型，其操作對(duì)象來自云服務(wù)的下行數(shù)據(jù)和萬物互聯(lián)服務(wù)的上行數(shù)據(jù)，而邊緣計(jì)算中的“邊緣”是指從數(shù)據(jù)源到云計(jì)算中心路徑之間的任意計(jì)算和網(wǎng)絡(luò)資源。簡而言之，邊緣計(jì)算將服務(wù)器部署到用戶附近的邊緣節(jié)點(diǎn)，在網(wǎng)絡(luò)邊緣（如無線接入點(diǎn)）給用戶提供服務(wù)，避免了長距離數(shù)據(jù)傳輸，給用戶提供更加快速的響應(yīng)。邊緣計(jì)算、移動(dòng)邊緣計(jì)算、霧計(jì)算在自動(dòng)駕駛領(lǐng)域的應(yīng)用較相似，本文將它們統(tǒng)稱為邊緣計(jì)算。

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，這2 種技術(shù)使實(shí)現(xiàn)高級(jí)別自動(dòng)駕駛成為可能。其中，協(xié)同感知技術(shù)使汽車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)駕駛汽車的感知范圍，增加了環(huán)境數(shù)據(jù)的完整性；任務(wù)卸載技術(shù)將自動(dòng)駕駛汽車的計(jì)算任務(wù)卸載到其他邊緣節(jié)點(diǎn)執(zhí)行，解決了自動(dòng)駕駛汽車計(jì)算資源不足的問題。面向自動(dòng)駕駛汽車的邊緣計(jì)算離不開車用無線通信技術(shù)（V2X,vehicle-to-everything）的支持，它提供了自動(dòng)駕駛汽車與智能交通系統(tǒng)中其他元素的通信手段，是自動(dòng)駕駛汽車和邊緣節(jié)點(diǎn)合作的基礎(chǔ)。目前，V2X 主要基于專用短程通信（DSRC,dedicated short range communication）和蜂窩網(wǎng)絡(luò)[5]。其中DSRC 是一種專門用于車輛與車輛（V2V,vehicle-to-vehicle）和車輛與道路基礎(chǔ)設(shè)施（V2I,vehicle-to-infrastructure）之間的通信標(biāo)準(zhǔn)，具有數(shù)據(jù)傳輸速率高、時(shí)延低、支持點(diǎn)對(duì)點(diǎn)或點(diǎn)對(duì)多點(diǎn)通信等優(yōu)點(diǎn)[6]。以5G 為代表的蜂窩網(wǎng)絡(luò)具有網(wǎng)絡(luò)容量大、覆蓋范圍廣等優(yōu)點(diǎn)，適用于V2I 通信和邊緣服務(wù)器之間的通信[5]。

本文首先對(duì)自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)之間的協(xié)同感知和任務(wù)卸載進(jìn)行介紹，并闡述它們所面臨的挑戰(zhàn)；然后分別綜述了協(xié)同感知技術(shù)和任務(wù)卸載技術(shù)的研究現(xiàn)狀；最后指出了該領(lǐng)域有待進(jìn)一步研究的問題。

2 面向自動(dòng)駕駛的邊緣計(jì)算及其面臨的挑戰(zhàn)

傳統(tǒng)的自動(dòng)駕駛技術(shù)專注于提升單個(gè)車輛的能力來實(shí)現(xiàn)更高級(jí)別的自動(dòng)駕駛[7]，然而在車輛上安裝數(shù)量更多或精度更高的傳感器并不能解決單個(gè)車輛感知范圍受限的問題。計(jì)算資源不足的問題可以通過給車輛配備高性能的計(jì)算系統(tǒng)來解決，但這會(huì)極大地增加自動(dòng)駕駛汽車的成本，不利于自動(dòng)駕駛汽車的普及。

邊緣計(jì)算技術(shù)的發(fā)展給高級(jí)別自動(dòng)駕駛的實(shí)現(xiàn)帶來了契機(jī)，自動(dòng)駕駛汽車通過與邊緣節(jié)點(diǎn)之間的協(xié)同感知和任務(wù)卸載能夠解決自身在環(huán)境感知和數(shù)據(jù)處理方面的問題。在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上，邊緣節(jié)點(diǎn)與自動(dòng)駕駛汽車是一跳或兩跳的通信距離，這使數(shù)據(jù)傳輸時(shí)延大大減少，能在滿足自動(dòng)駕駛應(yīng)用極其嚴(yán)格的時(shí)延約束下為自動(dòng)駕駛汽車提供服務(wù)。

在自動(dòng)駕駛場景中，邊緣節(jié)點(diǎn)包括配備邊緣服務(wù)器的交通基礎(chǔ)設(shè)施、無線接入點(diǎn)和網(wǎng)絡(luò)基站以及移動(dòng)智能設(shè)備等，后文將上述元素統(tǒng)稱為邊緣節(jié)點(diǎn)。需要注意的是，在自動(dòng)駕駛汽車的視角下，其他自動(dòng)駕駛汽車也是邊緣節(jié)點(diǎn)。

接下來，本節(jié)將分別對(duì)協(xié)同感知和任務(wù)卸載進(jìn)行簡要介紹，并指出它們所面臨的挑戰(zhàn)。

2.1 協(xié)同感知

協(xié)同感知技術(shù)能夠擴(kuò)大自動(dòng)駕駛汽車的感知范圍，使自動(dòng)駕駛汽車可以獲得更加完整的環(huán)境信息，包括路面情況、車輛、行人或其他障礙物等。這使自動(dòng)駕駛汽車能夠提前對(duì)可能發(fā)生的碰撞進(jìn)行檢測和規(guī)避，并能夠更好地規(guī)劃行駛路徑。

在車車協(xié)同方面，Kim 等[8-9]探討了一個(gè)使用合作感知的多車輛協(xié)同駕駛系統(tǒng)，驗(yàn)證了協(xié)同感知的可行性。類似地，Gunther 等[10-11]證明了協(xié)同感知可以使車輛提前感知到障礙物，從而有更多時(shí)間采取避障措施，并驗(yàn)證了低滲透率（自動(dòng)駕駛汽車占道路車輛總數(shù)的百分比）下協(xié)同感知也對(duì)自動(dòng)駕駛汽車的環(huán)境感知有著積極影響。在車路協(xié)同方面，Calvo 等[12]為自動(dòng)駕駛汽車與RSU（road side unite）之間的協(xié)作設(shè)計(jì)了一個(gè)通信理論架構(gòu)，并證明了該架構(gòu)在協(xié)同感知方面的可行性。Wang 等[13]分析了不同基礎(chǔ)設(shè)施部署方案對(duì)自動(dòng)駕駛汽車協(xié)同感知的影響，總結(jié)出在道路交叉口和道路沿線以均勻間距部署RSU 能更好地覆蓋道路區(qū)域。文獻(xiàn)[14]研究了RSU攝像頭位置校準(zhǔn)與目標(biāo)定位的問題。這些研究都為協(xié)同感知的實(shí)現(xiàn)奠定了基礎(chǔ)。

圖1 展示了典型的協(xié)同感知場景。其中車輛A由于右前方停放車輛的遮擋無法感知到行人的存在，繼續(xù)行駛則有產(chǎn)生碰撞的可能。若此時(shí)協(xié)作車輛B 或RSU 將它們所感知到的行人信息共享給車輛A，那么車輛A 就能規(guī)避此次碰撞。

圖1 典型的協(xié)同感知場景

實(shí)現(xiàn)自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)的協(xié)同感知需要解決以下2 個(gè)問題。

1) 協(xié)同感知信息共享。自動(dòng)駕駛汽車和邊緣節(jié)點(diǎn)之間共享環(huán)境感知數(shù)據(jù)能夠擴(kuò)大自動(dòng)駕駛車輛的感知范圍。但是在通信資源有限的情況下，如何設(shè)置環(huán)境感知數(shù)據(jù)的共享策略是一個(gè)很重要的問題，比如共享原始數(shù)據(jù)還是處理過的數(shù)據(jù)、以何種頻率共享數(shù)據(jù)、共享全部數(shù)據(jù)還是部分?jǐn)?shù)據(jù)等。

2) 協(xié)同感知信息融合。在車輛接收到其他邊緣節(jié)點(diǎn)的環(huán)境感知信息后，需要將自身的感知數(shù)據(jù)和接收到的信息進(jìn)行融合，得到實(shí)時(shí)的、擴(kuò)展的環(huán)境信息。這需要設(shè)計(jì)環(huán)境感知數(shù)據(jù)的融合算法。

本文將在第3 節(jié)從以上2 個(gè)方面對(duì)協(xié)同感知的研究現(xiàn)狀進(jìn)行歸納總結(jié)。

2.2 任務(wù)卸載

在獲取了環(huán)境信息之后，自動(dòng)駕駛汽車要在極短的時(shí)間內(nèi)對(duì)這些數(shù)據(jù)進(jìn)行處理，實(shí)時(shí)地進(jìn)行自我定位、目標(biāo)識(shí)別和目標(biāo)跟蹤等任務(wù)，從而做出正確的行駛決策。在自我定位和目標(biāo)檢測與跟蹤階段都需要大量的計(jì)算資源[15]，而自動(dòng)駕駛汽車的計(jì)算系統(tǒng)難以在時(shí)延約束下完成這些處理，這便需要邊緣節(jié)點(diǎn)的協(xié)助。任務(wù)卸載的基本目標(biāo)是使邊緣節(jié)點(diǎn)在滿足任務(wù)時(shí)延約束的條件下完成計(jì)算任務(wù)，并將計(jì)算結(jié)果返回給卸載發(fā)起節(jié)點(diǎn)。

圖2 展示了典型的任務(wù)卸載場景。其中主車輛A 可以將自身的計(jì)算任務(wù)t1和t2卸載到邊緣服務(wù)器或有空閑計(jì)算資源的協(xié)作車輛B 執(zhí)行，然后它們再將計(jì)算結(jié)果返回給主車輛A。任務(wù)的卸載可分為任務(wù)整體卸載和任務(wù)部分卸載。整體卸載是將整個(gè)計(jì)算任務(wù)卸載到同一個(gè)邊緣節(jié)點(diǎn)執(zhí)行，如任務(wù)t2的卸載方式。部分卸載是將任務(wù)劃分為多個(gè)部分，自動(dòng)駕駛汽車可以自身執(zhí)行一部分，然后將其余的部分卸載到邊緣節(jié)點(diǎn)，如任務(wù)t1的卸載方式。

圖2 典型的任務(wù)卸載場景

自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)之間的任務(wù)卸載主要面臨以下挑戰(zhàn)。

1) 資源受限。相比于云服務(wù)器，邊緣服務(wù)器的計(jì)算能力是有限的。邊緣節(jié)點(diǎn)為大量自動(dòng)駕駛汽車提供任務(wù)卸載服務(wù)時(shí)可能會(huì)出現(xiàn)計(jì)算資源不足的情況，尤其是交通流量密集區(qū)域的邊緣節(jié)點(diǎn)。這需要制定高效合理的資源分配策略，同時(shí)還需要通過合理的任務(wù)調(diào)度來平衡多個(gè)邊緣節(jié)點(diǎn)之間的負(fù)載，將負(fù)載過多的節(jié)點(diǎn)上的計(jì)算任務(wù)轉(zhuǎn)移到相對(duì)較空閑的節(jié)點(diǎn)。除了計(jì)算資源，通信資源的合理分配也是十分重要的一方面。

2) 車輛移動(dòng)性。自動(dòng)駕駛汽車的高速移動(dòng)使邊緣環(huán)境下的任務(wù)卸載變得更加復(fù)雜。邊緣節(jié)點(diǎn)的服務(wù)范圍是有限的，這使自動(dòng)駕駛汽車在移動(dòng)過程中會(huì)頻繁切換為它提供服務(wù)的邊緣節(jié)點(diǎn)。在邊緣節(jié)點(diǎn)切換時(shí)，需要保證服務(wù)不中斷。類似地，車輛之間的任務(wù)卸載也需要考慮車輛的相對(duì)移動(dòng)導(dǎo)致的通信距離的快速變化。此外，車輛的移動(dòng)性導(dǎo)致車載自組網(wǎng)的網(wǎng)絡(luò)拓?fù)涮幱诟叨葎?dòng)態(tài)變化之中，使尋找數(shù)據(jù)傳輸路由變得更加困難。

3) 任務(wù)執(zhí)行環(huán)境的隔離。邊緣節(jié)點(diǎn)會(huì)同時(shí)為大量自動(dòng)駕駛汽車服務(wù)，同時(shí)執(zhí)行多個(gè)計(jì)算任務(wù)。為了保護(hù)自動(dòng)駕駛汽車的安全和隱私，防止同時(shí)執(zhí)行的計(jì)算任務(wù)之間相互影響，邊緣節(jié)點(diǎn)在執(zhí)行自動(dòng)駕駛計(jì)算任務(wù)時(shí)需要為它們提供安全獨(dú)立的運(yùn)行環(huán)境。常用的虛擬機(jī)和容器等隔離技術(shù)由于啟動(dòng)時(shí)間的限制，在自動(dòng)駕駛?cè)蝿?wù)極其嚴(yán)格的時(shí)延約束下難以實(shí)現(xiàn)靈活的資源分配。

現(xiàn)有任務(wù)卸載技術(shù)的研究可分為2 類：一類是對(duì)任務(wù)卸載架構(gòu)的研究，專注于研究自動(dòng)駕駛汽車和邊緣節(jié)點(diǎn)之間的合作策略；另一類是對(duì)任務(wù)卸載算法的研究，專注于處理任務(wù)調(diào)度、資源分配等具體問題。本文將在第4 節(jié)從任務(wù)卸載架構(gòu)和任務(wù)卸載算法2 個(gè)方面綜述自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)之間任務(wù)卸載技術(shù)的研究現(xiàn)狀。

3 協(xié)同感知技術(shù)

自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)之間的協(xié)同感知技術(shù)解決了自動(dòng)駕駛汽車感知范圍受限的問題，給自動(dòng)駕駛汽車提供了更加完整的環(huán)境信息，有助于自動(dòng)駕駛汽車的避障和路徑規(guī)劃。實(shí)現(xiàn)協(xié)同感知要解決2個(gè)主要的問題，即如何共享感知信息和如何進(jìn)行感知信息的融合。接下來，本節(jié)將分別總結(jié)分析協(xié)同感知信息（CPM,cooperative perception message）共享和協(xié)同感知信息融合這2 個(gè)方面的研究現(xiàn)狀。

3.1 協(xié)同感知信息共享

CPM 的共享是協(xié)同感知的基礎(chǔ)，車輛和邊緣節(jié)點(diǎn)之間CPM 的傳遞需要一定的帶寬，且有著嚴(yán)格的時(shí)延約束，這對(duì)網(wǎng)絡(luò)性能提出了要求。此外，合理的CPM 共享策略也十分重要，它定義了車輛以何種頻率共享感知數(shù)據(jù)、共享哪些感知數(shù)據(jù)等問題，高效的CPM 共享策略可以在減少通信資源使用的同時(shí)增強(qiáng)自動(dòng)駕駛汽車的感知能力。

現(xiàn)有對(duì)CPM 共享的研究可分為支持共享CPM的網(wǎng)絡(luò)架構(gòu)和CPM 共享策略這2 個(gè)方面，相關(guān)研究工作如表1 所示。

1) 支持共享CPM 的網(wǎng)絡(luò)架構(gòu)

自動(dòng)駕駛汽車和邊緣節(jié)點(diǎn)之間傳遞CPM 是實(shí)現(xiàn)協(xié)同感知的基礎(chǔ)，頻繁的信息共享必然會(huì)對(duì)網(wǎng)絡(luò)性能提出較高的要求。不同的網(wǎng)絡(luò)架構(gòu)具有不同的特性，在不同的通信場景、交通情境下需要選擇合適的網(wǎng)絡(luò)架構(gòu)。

在網(wǎng)絡(luò)連接方式選擇方面，Wei 等[16]分析了無線局域網(wǎng)、WAVE 和4G 這3 種網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，提出車輛之間可以同時(shí)采用這3 種方式連接，然后在數(shù)據(jù)傳輸之前利用神經(jīng)網(wǎng)絡(luò)模型根據(jù)車輛密度、速度和數(shù)據(jù)傳輸量選擇一個(gè)更合適的通信方式。

自動(dòng)駕駛汽車的行駛速度不同對(duì)網(wǎng)絡(luò)性能的要求也不一樣，汽車的行駛速度越快，就需要越頻繁地獲取CPM，對(duì)網(wǎng)絡(luò)性能的要求也就越高。文獻(xiàn)[17-18]分析了自動(dòng)駕駛汽車在不同行駛速度下對(duì)數(shù)據(jù)率的要求，指出了使用毫米波通信的重要性。其中，文獻(xiàn)[17]證明了隨著汽車速度的加快，傳感器生成數(shù)據(jù)的最小數(shù)據(jù)速率呈指數(shù)級(jí)增加。文獻(xiàn)[18]的研究發(fā)現(xiàn)，30 GHz和60 GHz的毫米波V2V通信分別允許自動(dòng)駕駛汽車以63 km/h 和86 km/h 的最大速度行駛，而5 GHz 頻帶僅允許車輛以50 km/h的速度行駛。

表1 協(xié)同感知信息共享研究分類總結(jié)

此外，當(dāng)自動(dòng)駕駛汽車數(shù)量占道路汽車總數(shù)比例（即滲透率）太低時(shí)，可能會(huì)因?yàn)樽詣?dòng)駕駛汽車之間距離太遠(yuǎn)而難以找到支持?jǐn)?shù)據(jù)傳輸?shù)腣2V 鏈路，這時(shí)便需要通過V2I 進(jìn)行數(shù)據(jù)的傳輸。Wang等[19]分析了不同交通密度和不同滲透率下V2V 和V2I 的網(wǎng)絡(luò)容量需求，得出CPM 交換產(chǎn)生的V2I流量在中等滲透率處（如滲透率為0.5 時(shí)）最高，當(dāng)大多數(shù)車輛同時(shí)參與協(xié)同感知時(shí)絕大部分?jǐn)?shù)據(jù)都將通過V2V 傳輸。

2) CPM 共享策略

不同的CPM 共享策略對(duì)網(wǎng)絡(luò)性能的要求不同，給車輛提供的感知效果也不同。若過于頻繁地共享感知數(shù)據(jù)，則會(huì)給無線信道造成很大壓力；若共享感知數(shù)據(jù)的頻率過低，則會(huì)導(dǎo)致信息年齡太大，信息價(jià)值降低。類似地，共享所有感知數(shù)據(jù)會(huì)導(dǎo)致冗余信息過多，浪費(fèi)通信資源；共享部分感知數(shù)據(jù)可能會(huì)使接收方收到的信息不完整，難以利用其做出安全合理的行駛決策。

歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)（ETSI,European Telecommunications Standards Institute）制定了CPM 的生成規(guī)則，定義了車輛何時(shí)應(yīng)生成和發(fā)送CPM 以及要包含在CPM 中的信息。在ETSI 制定的CPM生成規(guī)則中，車輛必須檢查每個(gè)時(shí)間間隔是否應(yīng)該生成和傳輸新的CPM。默認(rèn)情況下，時(shí)間間隔設(shè)置為100 ms。對(duì)于每個(gè)時(shí)間間隔，如果車輛檢測到一個(gè)新物體，或者對(duì)于任何先前檢測到的物體都滿足以下條件，則該車輛應(yīng)生成一個(gè)新的CPM。

①從該物體上次的數(shù)據(jù)被納入CPM 以來，它的絕對(duì)位置改變超過了4 m。

②該物體的絕對(duì)速度自上一次被納入CPM 以來變化了超過0.5 m/s。

③上一次檢測到的物體被納入CPM 是在1 s 或更久之前。

Thandavarayan 等[20]將ETSI 制定的動(dòng)態(tài)CPM生成策略與周期性生成策略進(jìn)行了對(duì)比，周期性生成策略即車輛周期性廣播檢測到的所有物體的信息，得出動(dòng)態(tài)CPM 生成策略比周期性生成策略更加靈活，它使每個(gè)CPM 中包含的對(duì)象數(shù)目適應(yīng)交通密度和速度，減少了數(shù)據(jù)冗余傳輸。此后，他們通過避免信息的重復(fù)廣播對(duì)ETSI 制定的動(dòng)態(tài)CPM 生成策略進(jìn)行了優(yōu)化[21]，進(jìn)一步減少了數(shù)據(jù)的冗余。在所提出的優(yōu)化策略中，如果車輛最近從其他車輛接收到了有關(guān)某一對(duì)象的更新信息，則該車輛就不再廣播有關(guān)該對(duì)象的信息，這進(jìn)一步減少了不必要的數(shù)據(jù)傳輸。

有研究者根據(jù)CPM 的重要程度定義了CPM 共享策略[22-24]。其中，文獻(xiàn)[22]提出通過預(yù)測CPM 對(duì)接收方的重要程度來決定是否發(fā)送該CPM 的策略。在CPM 發(fā)送之前，發(fā)送信息的車輛通過信息論的方法預(yù)測該信息對(duì)潛在接收方的價(jià)值，當(dāng)網(wǎng)絡(luò)擁塞時(shí)，發(fā)送方可以推遲甚至取消低價(jià)值信息的傳輸，從而緩解了信道壓力，更可靠地將重要信息傳遞給接收方。文獻(xiàn)[23-24]則通過提高包含重要地理位置信息的CPM 的優(yōu)先級(jí)來增強(qiáng)協(xié)同感知的性能。其中，文獻(xiàn)[24]定義了車輛感興趣區(qū)域，即車輛希望感知的區(qū)域，在通信資源有限的情況下，選擇部分自動(dòng)駕駛汽車共享感知數(shù)據(jù)，并提高包含大多數(shù)車輛感興趣區(qū)域信息的CPM 的發(fā)送頻率，擴(kuò)大了汽車的感知范圍并且降低了信息年齡。

以上感知信息共享策略都是針對(duì)車與車的協(xié)同感知，而RSU 與自動(dòng)駕駛汽車的感知信息共享也十分重要。由于RSU 位置通常固定且有著更大的感知范圍，因此能為自動(dòng)駕駛汽車提供更穩(wěn)定的服務(wù)。合理利用RSU 的感知能力還能減少車載傳感器的成本。

文獻(xiàn)[25]提出了一個(gè)利用RSU 感知信息為自動(dòng)駕駛汽車提供駕駛建議的架構(gòu)。當(dāng)車輛駛?cè)隦SU 服務(wù)范圍時(shí)，RSU 會(huì)根據(jù)自身的感知數(shù)據(jù)告知自動(dòng)駕駛汽車即將到來的危險(xiǎn)，并給出駕駛建議。文獻(xiàn)[25]在道路結(jié)冰和施工這2 個(gè)交通場景下測試了所提架構(gòu)的性能，RSU 均能為自動(dòng)駕駛汽車提供合理的駕駛建議。

文獻(xiàn)[26-27]設(shè)計(jì)了一個(gè)車路協(xié)同感知系統(tǒng)并在真實(shí)場景中部署。實(shí)驗(yàn)結(jié)果表明，通過RSU 與自動(dòng)駕駛汽車之間的信息共享，能夠改善交通效率或?yàn)檐囕v提供自身視野之外的障礙物信息。

3.2 協(xié)同感知信息融合

在主車輛獲取了其他邊緣節(jié)點(diǎn)發(fā)送的CPM 之后，便需要將CPM 與自身傳感器的信息進(jìn)行融合，從而得到在自身坐標(biāo)系下擴(kuò)展的環(huán)境信息。傳感器融合涉及2 個(gè)關(guān)鍵問題，分別是數(shù)據(jù)的時(shí)間對(duì)齊和空間對(duì)齊[28]。其中，時(shí)間對(duì)齊考慮了感知信息從被采集到被其他車輛接收的時(shí)間差；空間對(duì)齊則是將其他車輛坐標(biāo)系下的目標(biāo)轉(zhuǎn)換為在主車輛坐標(biāo)系下的目標(biāo)。

根據(jù)共享CPM 的不同類型，感知數(shù)據(jù)融合的方式也有所不同。現(xiàn)有主要的感知數(shù)據(jù)融合方式有圖像融合、點(diǎn)云融合、占用柵格地圖融合、對(duì)象匹配等，如表2 所示。

1) 圖像融合

圖像融合的處理對(duì)象是視覺傳感器（攝像頭）所產(chǎn)生的原始或經(jīng)過初步處理的圖像數(shù)據(jù)。

文獻(xiàn)[29]利用圖像融合實(shí)現(xiàn)了擁有共同視野的車輛的協(xié)同感知。首先提取接收到的圖像和自身攝像頭捕獲到圖像的特征點(diǎn)，然后進(jìn)行特征點(diǎn)的匹配來估計(jì)車輛的相對(duì)位置，再根據(jù)數(shù)據(jù)發(fā)送方慣性測量單元的信息更新相對(duì)方向，這樣主車輛就能將數(shù)據(jù)發(fā)送方坐標(biāo)系下的目標(biāo)轉(zhuǎn)為自身坐標(biāo)系下的目標(biāo)。如圖3所示，車輛A 通過匹配兩車共同視野中的特征點(diǎn)（圓形）來獲取車輛的相對(duì)位置，然后車輛A 即可將車輛B 視野中的障礙物（星形）轉(zhuǎn)移到自身坐標(biāo)系下。

表2 感知數(shù)據(jù)融合研究分類總結(jié)

圖3 有共同視野車輛的協(xié)同感知

原始圖像的共享會(huì)增加網(wǎng)絡(luò)負(fù)擔(dān)，Xiao 等[30]提出通過融合其他車輛生成的鳥瞰圖來擴(kuò)大主車輛的感知范圍，共享經(jīng)過處理的傳感器數(shù)據(jù)減少了數(shù)據(jù)傳輸量。首先每輛自動(dòng)駕駛汽車對(duì)所采集到的圖像進(jìn)行語義分割，識(shí)別出道路上的障礙物；然后用逆透視映射技術(shù)將信息轉(zhuǎn)化為鳥瞰圖。此后，進(jìn)行車輛之間鳥瞰圖的融合，對(duì)于有重疊區(qū)域的鳥瞰圖，使用特征點(diǎn)匹配的方法進(jìn)行融合；對(duì)于沒有重疊區(qū)域的鳥瞰圖，則通過坐標(biāo)轉(zhuǎn)換進(jìn)行融合。

Lian 等[31]提出了一個(gè)可擴(kuò)展的協(xié)同感知系統(tǒng)，通過分布在多個(gè)區(qū)域的RSU 攝像頭檢測所有環(huán)境信息，然后將這些動(dòng)態(tài)感知信息進(jìn)行融合，形成一個(gè)全局的語義描述。該系統(tǒng)擴(kuò)展了車輛的感知范圍，提高了感知的精度。

2) 點(diǎn)云融合

點(diǎn)云融合處理的數(shù)據(jù)是來自光學(xué)傳感器（如激光雷達(dá)）的原始數(shù)據(jù)。

Chen 等[32]首次提出通過共享原始點(diǎn)云數(shù)據(jù)實(shí)現(xiàn)協(xié)同感知，通過分析共享經(jīng)過處理的數(shù)據(jù)和共享原始感知數(shù)據(jù)各自的優(yōu)缺點(diǎn)，指出了共享點(diǎn)云數(shù)據(jù)的好處。文獻(xiàn)[32]還提出了稀疏點(diǎn)云目標(biāo)檢測方法，并在此基礎(chǔ)上提出了點(diǎn)云數(shù)據(jù)融合的方案。此外，該文獻(xiàn)還證明了DSRC 的帶寬可以滿足協(xié)同感知的點(diǎn)云數(shù)據(jù)傳輸。文獻(xiàn)[33]將所接收到的對(duì)象數(shù)據(jù)轉(zhuǎn)化為點(diǎn)云數(shù)據(jù)，然后利用點(diǎn)匹配算法進(jìn)行數(shù)據(jù)匹配，減少了由車輛自身定位不夠精確對(duì)數(shù)據(jù)關(guān)聯(lián)和融合所產(chǎn)生的負(fù)面影響。

Wei 等[34]通過多個(gè)對(duì)象之間的點(diǎn)云融合來提升目標(biāo)跟蹤精度。首先，基于車載激光雷達(dá)的多目標(biāo)跟蹤方法使用立體像素聚類算法獲取周圍環(huán)境的狀態(tài)。其次，將初步跟蹤結(jié)果與來自RSU 和其他車輛的感知信息融合，以生成目標(biāo)車輛的軌跡。該方法能夠在車載激光雷達(dá)受限和V2V 通信故障的情況下連續(xù)感知周圍車輛的位置，提高目標(biāo)跟蹤精度。

文獻(xiàn)[35]通過融合不同位置RSU 的激光雷達(dá)數(shù)據(jù)來提高目標(biāo)檢測的精度，提出了一種基于早期融合和晚期融合的三維目標(biāo)檢測協(xié)同感知系統(tǒng)。早期融合是指融合原始感知數(shù)據(jù)，晚期融合則是融合經(jīng)過車輛處理的數(shù)據(jù)。實(shí)驗(yàn)表明，該系統(tǒng)能夠利用空間中的視野重疊來增加融合點(diǎn)云的密度，減少了假陰性檢測，并能更準(zhǔn)確地估計(jì)檢測目標(biāo)的邊界框。

3) 占用柵格地圖融合

占用柵格地圖是機(jī)器人地圖的一種，其生成依賴于激光雷達(dá)。在占用柵格地圖中，車輛所處環(huán)境被定義為一個(gè)二維柵格，其中每個(gè)柵格都有空閑或占用的概率，此外還可包括占用它物體的高度等信息。

Li 等[36-37]利用占用柵格地圖實(shí)現(xiàn)了自動(dòng)駕駛汽車的協(xié)同感知，提出了一個(gè)基于占用概率的目標(biāo)函數(shù)，并采用遺傳算法對(duì)目標(biāo)函數(shù)進(jìn)行動(dòng)態(tài)優(yōu)化。在該方法的基礎(chǔ)上，還提出了一個(gè)車輛之間的相對(duì)姿態(tài)估計(jì)策略，該策略可作為多車輛感知融合的通用解決方案。文獻(xiàn)[38]將重點(diǎn)放在占用柵格地圖融合框架本身，利用信任函數(shù)理論對(duì)車輛的相對(duì)位置和交換的傳感器數(shù)據(jù)進(jìn)行不確定性推理，增強(qiáng)信息融合的準(zhǔn)確性，但該研究建立在“通信資源是無限的”這一假設(shè)上。

4) 對(duì)象匹配

對(duì)象是經(jīng)過高度處理后的傳感器數(shù)據(jù)，它是一條包含某一目標(biāo)位置、行駛方向、速度、加速度、軌跡等數(shù)據(jù)的信息。對(duì)象級(jí)的數(shù)據(jù)共享極大地降低了網(wǎng)絡(luò)負(fù)載，也減少了數(shù)據(jù)接收方的計(jì)算量。

文獻(xiàn)[28]利用了一個(gè)高級(jí)融合體系結(jié)構(gòu)進(jìn)行車輛間傳感器數(shù)據(jù)的融合。高級(jí)融合體系結(jié)構(gòu)中每個(gè)傳感器、每個(gè)車輛都會(huì)對(duì)其原始數(shù)據(jù)進(jìn)行預(yù)處理。在此基礎(chǔ)上，該文獻(xiàn)重點(diǎn)研究了感知數(shù)據(jù)融合的時(shí)間對(duì)齊和空間對(duì)齊，其中，時(shí)間對(duì)齊以恒定轉(zhuǎn)率和加速度（CTRA,constant turn rate and acceleration）運(yùn)動(dòng)模型為基礎(chǔ)，空間對(duì)齊采用無跡變換轉(zhuǎn)換對(duì)象坐標(biāo)。

Ambrosin 等[39]開發(fā)了一個(gè)兩層體系結(jié)構(gòu)用于處理來自動(dòng)態(tài)遠(yuǎn)程信息源的對(duì)象跟蹤和融合，在此方案中，車輛定期廣播自身所檢測到的對(duì)象列表。首先主車輛將接收到的對(duì)象列表與自身所檢測到的對(duì)象進(jìn)行匹配，關(guān)聯(lián)相同的對(duì)象；然后對(duì)感興趣范圍之內(nèi)的對(duì)象進(jìn)行持續(xù)地跟蹤，丟棄感興趣范圍之外對(duì)象的信息。

文獻(xiàn)[40]提出了一種通用的高斯混合概率假設(shè)密度協(xié)同融合方法，來融合不同車輛的目標(biāo)跟蹤結(jié)果，使車輛可以跟蹤自身視野之外的車輛。Yuan 等[41]提出了一種基于軌跡的數(shù)據(jù)關(guān)聯(lián)方法，使用交互多模型估計(jì)器和序列多重假設(shè)檢驗(yàn)作為一種普遍的解決方案，來處理復(fù)雜駕駛場景中的不同情況。該方法僅使用車輛的位置信息用于目標(biāo)匹配，減少了信息傳輸量。

3.3 協(xié)同感知小結(jié)

如表1 和表2 所列，本節(jié)從感知信息共享和感知數(shù)據(jù)融合2 個(gè)方面綜述了自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)之間協(xié)同感知技術(shù)的研究現(xiàn)狀。在感知信息共享方面，從支持感知信息共享的網(wǎng)絡(luò)架構(gòu)和感知信息共享策略這2 個(gè)角度進(jìn)行了分析。對(duì)于網(wǎng)絡(luò)架構(gòu)，很多研究都指出了使用毫米波通信進(jìn)行協(xié)同感知的重要性；對(duì)于共享策略，大部分的CPM 共享策略是基于不同CPM 所包含信息的重要程度來設(shè)計(jì)的。車輛與RSU 之間信息共享的研究表明，車路協(xié)同能夠更好地提升協(xié)同感知系統(tǒng)的性能。在感知數(shù)據(jù)融合方面，大部分研究側(cè)重于融合處理過的數(shù)據(jù)，這不僅可以減少網(wǎng)絡(luò)負(fù)載，也能減少數(shù)據(jù)接收方的計(jì)算量，但是原始數(shù)據(jù)的共享能夠帶來更好的協(xié)同感知效果，可以根據(jù)網(wǎng)絡(luò)狀況將二者結(jié)合使用。

協(xié)同感知大大增強(qiáng)了自動(dòng)駕駛汽車的感知能力，除了對(duì)協(xié)同感知技術(shù)的研究外，協(xié)同感知技術(shù)的應(yīng)用也是很重要的一方面。有很多研究者利用協(xié)同感知優(yōu)化了自動(dòng)駕駛汽車的路徑規(guī)劃[42-45]以及自我定位和目標(biāo)定位[46]。Miller 等[47]通過L2 級(jí)別與L4 級(jí)別自動(dòng)駕駛汽車之間的協(xié)同感知，實(shí)現(xiàn)了L2 級(jí)別自動(dòng)駕駛汽車的完全自主行駛。還有研究者利用車輛與RSU 之間的協(xié)同感知，開發(fā)了一個(gè)能夠?yàn)樽詣?dòng)駕駛提供自動(dòng)停車服務(wù)的車輛控制系統(tǒng)[48]。

4 任務(wù)卸載技術(shù)

任務(wù)卸載技術(shù)旨在通過將自動(dòng)駕駛汽車的計(jì)算任務(wù)卸載到其他邊緣節(jié)點(diǎn)執(zhí)行以解決自動(dòng)駕駛汽車計(jì)算資源不足的問題。任務(wù)卸載最基本也最重要的要求就是在任務(wù)的時(shí)延約束下完成任務(wù)的計(jì)算，并將計(jì)算結(jié)果返回到卸載發(fā)起節(jié)點(diǎn)，這樣才能保證自動(dòng)駕駛汽車的安全。

邊緣計(jì)算環(huán)境和自動(dòng)駕駛汽車的特殊性使自動(dòng)駕駛的任務(wù)卸載更加復(fù)雜，在2.2 節(jié)中已有說明。為了在考慮這些特殊性的前提下為自動(dòng)駕駛汽車提供低時(shí)延高可靠的任務(wù)卸載服務(wù)，研究者進(jìn)行了很多相關(guān)研究，主要可分為對(duì)任務(wù)卸載架構(gòu)的研究和對(duì)任務(wù)卸載算法的研究。本節(jié)將從這2 個(gè)方面來介紹自動(dòng)駕駛?cè)蝿?wù)卸載技術(shù)的研究現(xiàn)狀。

4.1 任務(wù)卸載架構(gòu)

任務(wù)卸載架構(gòu)定義了任務(wù)卸載系統(tǒng)中各節(jié)點(diǎn)之間的合作策略，主要解決了任務(wù)卸載中車輛移動(dòng)性和任務(wù)執(zhí)行環(huán)境隔離的問題。根據(jù)架構(gòu)所涉及元素以及研究側(cè)重點(diǎn)的不同，可以將任務(wù)卸載架構(gòu)分為車群架構(gòu)、車-邊架構(gòu)和車-邊-云架構(gòu)，圖4 中展示了一個(gè)簡單的自動(dòng)駕駛汽車任務(wù)卸載架構(gòu)，其中Ⅰ層是車群架構(gòu)，Ⅰ-Ⅱ?qū)拥慕M合是車-邊架構(gòu)，Ⅰ-Ⅱ-Ⅲ層的整體是車-邊-云架構(gòu)。

圖4 任務(wù)卸載架構(gòu)

表3 對(duì)任務(wù)卸載架構(gòu)的研究成果進(jìn)行了匯總，接下來，將詳細(xì)介紹任務(wù)卸載架構(gòu)的研究現(xiàn)狀。

1) 車群架構(gòu)

車群架構(gòu)由多個(gè)相互通信、共享計(jì)算資源的自動(dòng)駕駛汽車組成，它注重的是自動(dòng)駕駛汽車之間的合作策略，車輛利用其他車輛的空閑計(jì)算資源來進(jìn)行任務(wù)卸載。

文獻(xiàn)[49-50]對(duì)自動(dòng)駕駛汽車的合作方式進(jìn)行了研究。其中，文獻(xiàn)[49]建議車輛之間使用去中心化的方式進(jìn)行任務(wù)卸載，并提出了一個(gè)分布式架構(gòu)中任務(wù)卸載的工作流。分布式的任務(wù)卸載能夠更好地適應(yīng)車輛網(wǎng)絡(luò)的動(dòng)態(tài)變化，有更強(qiáng)的穩(wěn)健性。文獻(xiàn)[50]則提出了一種中心式任務(wù)卸載架構(gòu)，將道路上的車輛劃分為多個(gè)車群，然后將車群中的車輛分為卸載發(fā)起車輛、服務(wù)車輛和群頭車輛。其主要思想是用群頭車輛管理車群內(nèi)的任務(wù)卸載，更合理地分配通信和計(jì)算資源。

表3 任務(wù)卸載架構(gòu)研究分類總結(jié)

文獻(xiàn)[51]針對(duì)車輛的移動(dòng)性設(shè)計(jì)了一個(gè)車輛之間的任務(wù)卸載架構(gòu)。該架構(gòu)中，卸載發(fā)起車輛會(huì)考慮自身與其他車輛的最長通信時(shí)間來選擇合適的任務(wù)卸載節(jié)點(diǎn)，其中最長通信時(shí)間與車輛的相對(duì)移動(dòng)有關(guān)，車輛之間距離過大則無法通信。該架構(gòu)還考慮了城市交通環(huán)境中的車輛轉(zhuǎn)彎行為。

現(xiàn)有關(guān)于車群架構(gòu)的研究較少，因?yàn)樗允抢密囕v的計(jì)算資源執(zhí)行任務(wù)，對(duì)自動(dòng)駕駛汽車計(jì)算資源的擴(kuò)展并不明顯，但是車群架構(gòu)對(duì)于車輛之間合作策略具有重要意義。

2) 車-邊架構(gòu)

車-邊架構(gòu)在車群架構(gòu)的基礎(chǔ)上引入了除自動(dòng)駕駛汽車之外的其他邊緣節(jié)點(diǎn)，如配備邊緣服務(wù)器的RSU，這大大擴(kuò)展了自動(dòng)駕駛汽車的計(jì)算資源。車-邊架構(gòu)側(cè)重于研究車輛與邊緣服務(wù)器之間的合作策略，其中車輛主要利用邊緣服務(wù)器的計(jì)算資源來進(jìn)行任務(wù)卸載。

由于自動(dòng)駕駛汽車的移動(dòng)性以及RSU 服務(wù)范圍有限，自動(dòng)駕駛的任務(wù)卸載變得更加復(fù)雜。車-邊架構(gòu)的研究中很大一部分都專注于解決車輛移動(dòng)性帶來的問題。

Zhang 等[52]通過預(yù)測任務(wù)文件的傳輸和執(zhí)行時(shí)間以及車輛在任務(wù)執(zhí)行完成時(shí)到達(dá)的位置，提出了2 種任務(wù)卸載方式：一種是通過多跳V2V 通信和V2I通信傳輸任務(wù)文件到車輛將要到達(dá)的RSU執(zhí)行計(jì)算，該RSU 再將結(jié)果傳回給卸載發(fā)起車輛；另一種是由當(dāng)前為車輛服務(wù)的RSU 來執(zhí)行計(jì)算，然后通過RSU 之間的無線回程通信傳輸計(jì)算結(jié)果到車輛將要到達(dá)的RSU。在不同的情況下，靈活使用2 種方式能夠節(jié)省通信成本。

文獻(xiàn)[53-54]采用部分卸載的方式進(jìn)行任務(wù)卸載。其中，文獻(xiàn)[53]將一個(gè)任務(wù)劃分為多個(gè)小的任務(wù)單元，然后將這些任務(wù)單元分配到多個(gè)車輛將要到達(dá)的RSU 服務(wù)區(qū)域，最后決定在每一個(gè)服務(wù)區(qū)內(nèi)車輛和RSU 分別需要執(zhí)行的任務(wù)單元數(shù)量。類似地，文獻(xiàn)[54]提出了一種以RSU 為中心的任務(wù)卸載架構(gòu)，由RSU 組織周圍車輛形成車群并收集車輛的信息，車輛可從RSU 獲取其他車輛的信息。當(dāng)該車輛產(chǎn)生任務(wù)卸載需求時(shí)，它會(huì)綜合考慮每輛服務(wù)車的計(jì)算資源和最大服務(wù)時(shí)間，決定分配給每輛服務(wù)車的任務(wù)百分比。

文獻(xiàn)[56]研究了邊緣服務(wù)器中服務(wù)遷移的問題。車輛的移動(dòng)導(dǎo)致其需要不停切換為其服務(wù)的邊緣服務(wù)器，而服務(wù)器之間服務(wù)的遷移（容器或虛擬機(jī)的遷移）需要較長的時(shí)間。所提架構(gòu)通過考慮車輛的移動(dòng)信息、邊緣服務(wù)器中可用的計(jì)算資源、候選服務(wù)器的時(shí)延和遷移時(shí)間選擇將服務(wù)遷移到最合適的服務(wù)器上。

還有研究者研究了車輛與邊緣基站之間建立連接的問題。文獻(xiàn)[57]提出采用多路徑傳輸建立車輛與基站之間的連接，多路徑傳輸可以支持虛擬機(jī)在邊緣節(jié)點(diǎn)之間的實(shí)時(shí)動(dòng)態(tài)遷移，減少了重新建立連接所導(dǎo)致的啟動(dòng)時(shí)間和網(wǎng)絡(luò)時(shí)延。

除了解決車輛移動(dòng)性帶來的任務(wù)卸載挑戰(zhàn)，還有一些研究關(guān)注車-邊架構(gòu)中任務(wù)執(zhí)行環(huán)境的隔離性，以及如何充分利用車群的計(jì)算資源。

為了保證任務(wù)執(zhí)行環(huán)境的隔離性，Tang 等[58]提出了一種基于容器的自動(dòng)駕駛邊緣卸載框架。該框架以邊緣容器的粒度提供任務(wù)執(zhí)行環(huán)境的抽象和管理，為自動(dòng)駕駛?cè)蝿?wù)的執(zhí)行提供了隱私保護(hù)和資源隔離。此外，文獻(xiàn)[58]還提出了一種在邊緣服務(wù)器上預(yù)先運(yùn)行容器的策略來減少由于容器初始化導(dǎo)致的時(shí)延。模擬實(shí)驗(yàn)表明，提出的卸載框架能夠支持毫秒級(jí)的計(jì)算卸載，同時(shí)保證了自動(dòng)駕駛汽車的安全性和私密性。

以上架構(gòu)中，任務(wù)卸載都是在車輛和邊緣服務(wù)器之間進(jìn)行的，并沒有充分利用車群的計(jì)算能力。

為了激勵(lì)車輛共享自身的計(jì)算資源為其他計(jì)算資源不足的車輛提供服務(wù)，Zhou 等[59]提出了一個(gè)兩階段的邊緣計(jì)算框架。首先提出了一種基于契約的機(jī)制，以激勵(lì)資源未充分利用的車輛充當(dāng)邊緣服務(wù)器，并對(duì)其資源進(jìn)行優(yōu)化管理。然后處理自動(dòng)駕駛車輛和車輛邊緣服務(wù)器之間的任務(wù)卸載分配問題。仿真結(jié)果表明，該框架提高了系統(tǒng)的資源利用率并減少了任務(wù)卸載時(shí)延。

文獻(xiàn)[60-61]提出車輛到邊緣服務(wù)器和車輛到車輛的聯(lián)合卸載方案。其中，文獻(xiàn)[60]采用部分卸載的方法，將任務(wù)分為本地計(jì)算部分、通過V2I 通信卸載到RSU 的部分和通過V2V 通信卸載到相鄰車輛的部分，并通過調(diào)整這3 個(gè)部分之間的比例來最小化任務(wù)卸載的時(shí)延。文獻(xiàn)[61]提出RSU 接收到任務(wù)卸載請求后，根據(jù)車群計(jì)算能力、RSU 計(jì)算能力以及網(wǎng)絡(luò)狀況決定任務(wù)卸載到其他車輛、RSU 或云端執(zhí)行。

除了利用邊緣服務(wù)器和其他車輛進(jìn)行任務(wù)卸載，還有研究者還提出用乘客的移動(dòng)設(shè)備，如智能手機(jī)、筆記本電腦等進(jìn)行計(jì)算任務(wù)的卸載[62]。

3) 車-邊-云架構(gòu)

車-邊-云架構(gòu)在車-邊架構(gòu)的基礎(chǔ)上引入了云端。由于云端資源的使用需要進(jìn)行長距離的數(shù)據(jù)傳輸，因此車-邊-云架構(gòu)中的主要任務(wù)卸載方式仍是將車輛的計(jì)算任務(wù)卸載到其他邊緣節(jié)點(diǎn)執(zhí)行。云端在架構(gòu)中主要起著宏觀控制、優(yōu)化邊緣端的任務(wù)卸載過程等作用，同時(shí)也可以執(zhí)行時(shí)延容忍類任務(wù)。

在車-邊-云架構(gòu)的研究中，軟件定義網(wǎng)絡(luò)（SDN,software defined network）和光纖-無線（Fi-Wi,fiber-wireless）網(wǎng)絡(luò)是常用的2 種網(wǎng)絡(luò)技術(shù)。SDN 將網(wǎng)絡(luò)的控制平面和數(shù)據(jù)平面解耦，網(wǎng)絡(luò)設(shè)備中僅保留數(shù)據(jù)轉(zhuǎn)發(fā)功能，將網(wǎng)絡(luò)的控制邏輯轉(zhuǎn)移到SDN 控制器，從而可以更靈活地調(diào)整路由策略并簡化服務(wù)的開發(fā)[72]，更好地適應(yīng)車輛網(wǎng)絡(luò)的動(dòng)態(tài)變化。FiWi 網(wǎng)絡(luò)結(jié)合了光網(wǎng)絡(luò)低時(shí)延、高可靠、大帶寬和無線網(wǎng)絡(luò)移動(dòng)性強(qiáng)、擴(kuò)展性強(qiáng)的優(yōu)點(diǎn)，可以同時(shí)為用戶提供云端和邊緣服務(wù)器的計(jì)算資源[73]。文獻(xiàn)[63-66]均在所提出的架構(gòu)中使用了SDN 或Fi-Wi 網(wǎng)絡(luò)技術(shù)，利用SDN 管理任務(wù)的卸載；采用光纖網(wǎng)絡(luò)連接邊緣服務(wù)器和云端，減少與云端通信的時(shí)延。

為了更好地發(fā)揮云端的宏觀控制作用，實(shí)現(xiàn)車輛、邊緣、云端的深度合作，Qiao 等[67]提出了一個(gè)可以預(yù)先分配資源并且消除冗余計(jì)算任務(wù)的框架。所提框架分為三層：云端作為全局控制器，收集交通流量、網(wǎng)絡(luò)狀態(tài)等信息，利用先進(jìn)的數(shù)據(jù)挖掘技術(shù)預(yù)測一段時(shí)間后流量或網(wǎng)絡(luò)信息的變化；邊緣服務(wù)器的資源被抽象為資源池，根據(jù)云端的數(shù)據(jù)分析結(jié)果可以進(jìn)行資源的預(yù)先分配；自動(dòng)駕駛汽車組成車群，相鄰車輛由于所處環(huán)境相似，可以協(xié)同共享和卸載計(jì)算任務(wù)，消除了冗余計(jì)算任務(wù)的同時(shí)增加了數(shù)據(jù)的完整性。該架構(gòu)充分實(shí)現(xiàn)了云端、邊緣服務(wù)器和車輛的協(xié)同工作，利用云端的全局控制和車輛之間的相互協(xié)作優(yōu)化了車輛邊緣計(jì)算系統(tǒng)的資源分配和任務(wù)卸載。

考慮到自動(dòng)駕駛有著多種不同的應(yīng)用，文獻(xiàn)[68]提出了一種支持多種應(yīng)用程序卸載的通用任務(wù)卸載框架。在該框架中，應(yīng)用程序被分為客戶端和服務(wù)端，云服務(wù)器、邊緣服務(wù)器以及車輛通過安裝應(yīng)用的服務(wù)端來為其他作為客戶端的車輛提供服務(wù)。

以上研究均將車載計(jì)算系統(tǒng)作為自動(dòng)駕駛汽車的控制主體。與此不同的是，Sasaki 等[69-71]將云和邊緣服務(wù)器作為自動(dòng)駕駛汽車控制的主體，提出并優(yōu)化了云和邊緣服務(wù)器之間協(xié)同的車輛控制系統(tǒng)。在該系統(tǒng)中，車輛主要用來收集環(huán)境信息，云或邊緣服務(wù)器進(jìn)行數(shù)據(jù)處理并向自動(dòng)駕駛汽車下達(dá)控制命令，在一定程度上克服了自動(dòng)駕駛汽車計(jì)算資源不足、感知范圍受限等問題。

4.2 任務(wù)卸載算法

任務(wù)卸載算法專注于解決任務(wù)卸載中的任務(wù)調(diào)度、資源分配和數(shù)據(jù)傳輸?shù)葐栴}，提高了任務(wù)卸載系統(tǒng)在邊緣環(huán)境資源受限情況下的性能。其中，任務(wù)調(diào)度算法解決任務(wù)卸載到何處的問題；資源分配算法解決計(jì)算資源和通信資源的分配問題；數(shù)據(jù)傳輸優(yōu)化算法使數(shù)據(jù)傳輸更能適應(yīng)網(wǎng)絡(luò)的變化，并減少通信資源的占用。

表4 總結(jié)了任務(wù)卸載算法的研究成果。所有算法對(duì)能耗、任務(wù)完成率等其他指標(biāo)的優(yōu)化都是在滿足時(shí)延約束或者盡量減少時(shí)延的基礎(chǔ)上進(jìn)行的，表4中根據(jù)其他優(yōu)化指標(biāo)進(jìn)行算法的分類。接下來，本節(jié)將從任務(wù)調(diào)度、資源分配、任務(wù)調(diào)度和資源分配聯(lián)合優(yōu)化以及數(shù)據(jù)傳輸優(yōu)化4個(gè)方面歸納總結(jié)任務(wù)卸載算法的研究現(xiàn)狀。

1) 任務(wù)調(diào)度算法

任務(wù)調(diào)度算法解決任務(wù)卸載到何處以及卸載多少的問題。

表4 任務(wù)卸載算法研究分類總結(jié)

①以時(shí)延為優(yōu)化目標(biāo)的算法

任務(wù)卸載的時(shí)延包括任務(wù)數(shù)據(jù)往返傳輸時(shí)延和任務(wù)處理時(shí)延。自動(dòng)駕駛的任務(wù)卸載算法都是在任務(wù)的時(shí)延約束下優(yōu)化其他指標(biāo)，本節(jié)總結(jié)了僅以時(shí)延為優(yōu)化目標(biāo)的任務(wù)調(diào)度算法。

文獻(xiàn)[74-77]針對(duì)有執(zhí)行順序約束的部分卸載，設(shè)計(jì)了減少卸載時(shí)延的算法。有執(zhí)行順序約束的部分卸載是指任務(wù)拆分后的各個(gè)任務(wù)有執(zhí)行順序先后的依賴關(guān)系。

文獻(xiàn)[74]旨在將RSU 中的計(jì)算任務(wù)分配到車輛中執(zhí)行。為了描述由車輛高移動(dòng)性引起的計(jì)算資源的不穩(wěn)定性，利用關(guān)注車輛停留時(shí)間的移動(dòng)性模型，在此基礎(chǔ)上提出了一個(gè)NP 難的任務(wù)調(diào)度優(yōu)化問題，然后提出了基于改進(jìn)遺傳算法的調(diào)度方案，具有較低的時(shí)間復(fù)雜度。文獻(xiàn)[75]關(guān)注車輛移動(dòng)過程中可用資源的變化，建立馬爾可夫決策過程模型來描述問題場景，并利用工作流調(diào)度算法計(jì)算任務(wù)的完成時(shí)間，然后提出了基于模擬退火算法的Q-learning 算法來優(yōu)化任務(wù)的完成時(shí)間。文獻(xiàn)[76]將任務(wù)結(jié)構(gòu)轉(zhuǎn)換為順序執(zhí)行的多個(gè)任務(wù)。首先將優(yōu)化問題從單車計(jì)算卸載場景擴(kuò)展到多車計(jì)算卸載場景，然后開發(fā)了一個(gè)基于深度強(qiáng)化學(xué)習(xí)的卸載算法來分配資源，并為卸載發(fā)起車輛確定可行的邊緣服務(wù)器集合。文獻(xiàn)[77]首先根據(jù)任務(wù)之間的相互依賴性將計(jì)算任務(wù)建模為有向無環(huán)圖，利用整數(shù)線性規(guī)劃模型計(jì)算離線調(diào)度策略，獲得給定網(wǎng)絡(luò)參數(shù)集的最優(yōu)解；然后設(shè)計(jì)了以離線調(diào)度策略為基礎(chǔ)的在線調(diào)度算法，根據(jù)實(shí)際的網(wǎng)絡(luò)狀態(tài)生成適用于實(shí)時(shí)場景的卸載策略。文獻(xiàn)[78]在任務(wù)卸載時(shí)考慮計(jì)算復(fù)雜性、內(nèi)存影響、數(shù)據(jù)大小、時(shí)延和可用資源等因素，為每個(gè)任務(wù)確定最佳卸載位置。

②以能耗為優(yōu)化目標(biāo)的算法

任務(wù)卸載時(shí)的能耗主要由數(shù)據(jù)傳輸能耗和計(jì)算能耗組成。

文獻(xiàn)[79]提出了一種基于車輛互聯(lián)網(wǎng)的霧云計(jì)算卸載算法，以最小化車輛和計(jì)算設(shè)施的功耗。在車輛的數(shù)據(jù)傳輸方面，設(shè)計(jì)了一種V2V 和V2I 組合傳輸算法來節(jié)省能源。在邊緣服務(wù)器的負(fù)載分配方面，建立了一個(gè)深度學(xué)習(xí)模型來優(yōu)化工作負(fù)載的分配，以最小化霧和云設(shè)施的功耗。

文獻(xiàn)[80]對(duì)邊緣服務(wù)器的任務(wù)到達(dá)過程進(jìn)行了闡述，證明邊緣服務(wù)器的任務(wù)到達(dá)模型不屬于標(biāo)準(zhǔn)泊松分布，并將其描述為車輛到達(dá)和任務(wù)生成的復(fù)合過程。在此基礎(chǔ)上，考慮到負(fù)載分配和成本預(yù)測，提出了一種負(fù)載感知的卸載方法，每輛車都基于預(yù)測的成本并使用有關(guān)邊緣服務(wù)器負(fù)載分配的最新信息來選擇卸載節(jié)點(diǎn)。

文獻(xiàn)[81]根據(jù)任務(wù)是否可拆分以及拆分后功能的完整性將任務(wù)分為不可分割的任務(wù)和可分割的任務(wù)，然后針對(duì)這2 種任務(wù)提出了2 種任務(wù)卸載算法。將任務(wù)整體卸載建模為多臂老虎機(jī)模型，采用改進(jìn)的上置信界算法求解。部分卸載將具有大數(shù)據(jù)量的復(fù)雜任務(wù)劃分為由不同RSU 處理的時(shí)間段，并使用Q-learning 算法找到最有效的卸載策略，可以充分利用每個(gè)節(jié)點(diǎn)的計(jì)算資源。

Xu 等[82]設(shè)計(jì)了保護(hù)自動(dòng)駕駛汽車隱私的任務(wù)卸載算法，主要思想是將有隱私?jīng)_突的任務(wù)卸載到不同的邊緣節(jié)點(diǎn)執(zhí)行。設(shè)計(jì)了尋找V2V 數(shù)據(jù)傳輸路由的算法，采用非支配排序遺傳算法II 實(shí)現(xiàn)多目標(biāo)優(yōu)化，減少邊緣服務(wù)器的執(zhí)行時(shí)間和能耗，并防止計(jì)算任務(wù)的隱私?jīng)_突。

Shang 等[83]考慮了不完全信道狀態(tài)信息（CSI,channel state information）下的任務(wù)卸載，目標(biāo)是最小化計(jì)算和通信成本，提出了計(jì)算卸載管理算法。該算法提供了任務(wù)是否應(yīng)該被卸載的度量，并在不完全CSI 條件下顯著降低了總開銷。與基于完美CSI 的算法相比，所提算法在保持相近成本的同時(shí)提高了任務(wù)完成率。

③以負(fù)載平衡為優(yōu)化目標(biāo)的算法

負(fù)載平衡是在多個(gè)邊緣服務(wù)器之間平衡計(jì)算負(fù)載，防止某些邊緣服務(wù)器出現(xiàn)超載的情況。

文獻(xiàn)[86]通過V2X 將任務(wù)傳輸?shù)较鄬?duì)較空閑的邊緣服務(wù)器執(zhí)行以進(jìn)行負(fù)載平衡。首先采用非支配排序遺傳算法III 生成均衡的卸載策略，在此基礎(chǔ)上利用簡單加權(quán)和與多準(zhǔn)則決策來確定最優(yōu)卸載策略，提出了一種基于V2X 通信的算法，用于獲得計(jì)算任務(wù)在原始車輛和最終節(jié)點(diǎn)之間的傳輸路由。文獻(xiàn)[87]采用綜合任務(wù)處理時(shí)延作為性能指標(biāo)，將考慮負(fù)載平衡的任務(wù)卸載問題描述為在允許時(shí)延約束下的系統(tǒng)效用最大化問題，將邊緣服務(wù)器選擇建模為二元決策，通過聯(lián)合優(yōu)化節(jié)點(diǎn)選擇方案和任務(wù)卸載比例，使系統(tǒng)效用最大化。

④以任務(wù)完成率為優(yōu)化目標(biāo)的算法

任務(wù)完成率的優(yōu)化旨在讓邊緣服務(wù)器在任務(wù)的時(shí)延約束下盡可能多地完成接收到的任務(wù)，增強(qiáng)任務(wù)卸載系統(tǒng)處理任務(wù)的能力。

文獻(xiàn)[88]提出了一個(gè)最佳擬合替代調(diào)度算法，通過將邊緣節(jié)點(diǎn)之間的任務(wù)進(jìn)行替換和重組改進(jìn)了最早截止時(shí)間優(yōu)先算法，并考慮了自動(dòng)駕駛?cè)蝿?wù)的優(yōu)先級(jí)。該算法的主要思想是當(dāng)有新的任務(wù)卸載需求，但是無法為該任務(wù)找到能夠在時(shí)延約束下完成它的邊緣節(jié)點(diǎn)時(shí)，將某一邊緣節(jié)點(diǎn)的等待隊(duì)列中已經(jīng)存在的幾個(gè)需要計(jì)算資源較少的任務(wù)分散轉(zhuǎn)移到其他節(jié)點(diǎn)執(zhí)行，空閑出來的計(jì)算資源用來支持執(zhí)行新到達(dá)的大型任務(wù)。文獻(xiàn)[89]也考慮了邊緣節(jié)點(diǎn)中任務(wù)的重組和任務(wù)的優(yōu)先級(jí)，提出了優(yōu)先緊急替代算法判斷計(jì)算任務(wù)應(yīng)該在哪個(gè)節(jié)點(diǎn)上執(zhí)行，并對(duì)每個(gè)節(jié)點(diǎn)中的任務(wù)執(zhí)行順序進(jìn)行調(diào)度，先執(zhí)行優(yōu)先級(jí)高的計(jì)算任務(wù)。此外，文獻(xiàn)[89]還考慮了車輛的移動(dòng)性，利用卡爾曼濾波算法根據(jù)車輛的歷史軌跡來預(yù)測車輛之后的位置，以便將計(jì)算結(jié)果返回給卸載發(fā)起車輛。這2 個(gè)研究工作都有效提高了邊緣節(jié)點(diǎn)中緊急任務(wù)的完成率。

2) 資源分配算法

任務(wù)卸載中的資源分配包括計(jì)算資源和通信資源的分配。

文獻(xiàn)[91-92]專注于任務(wù)卸載過程中通信資源的分配。其中，文獻(xiàn)[91]建立了一個(gè)基于匹配理論的帶寬分配算法，在分配帶寬的同時(shí)迭代地將自動(dòng)駕駛汽車與邊緣服務(wù)器相關(guān)聯(lián)。文獻(xiàn)[92]采用隨機(jī)公平分配算法為有任務(wù)卸載需求的自動(dòng)駕駛汽車分配所需最小通信資源。

文獻(xiàn)[93]提出了考慮異構(gòu)車輛的計(jì)算資源分配模型。該文獻(xiàn)假設(shè)不同類型的車輛提供不同數(shù)量的計(jì)算資源，并以不同的概率分布到達(dá)邊緣服務(wù)器，在此基礎(chǔ)上建立了一個(gè)半馬爾可夫決策過程模型，并提出了一種尋找資源分配最優(yōu)策略的方法。

文獻(xiàn)[94]針對(duì)時(shí)變信道建立了通信與計(jì)算資源聯(lián)合分配問題，利用車輛信道的可預(yù)測性和Lyapunov 優(yōu)化技術(shù)，將資源分配問題分解為計(jì)算資源分配子問題和無線資源分配子問題。利用2 個(gè)子問題的結(jié)果，提出了一種聯(lián)合無線資源和計(jì)算資源分配算法，并分析了信道衰落對(duì)算法的影響。

Bai 等[95]根據(jù)任務(wù)卸載到其他車輛或RSU，將卸載發(fā)起車輛分為V2V 卸載車輛和V2I 卸載車輛，通過合理復(fù)用V2I 信道來提高系統(tǒng)的吞吐量。優(yōu)化問題分為2 個(gè)子問題。首先，基于凸優(yōu)化理論確定車輛的最優(yōu)傳輸功率分配，計(jì)算最優(yōu)功率值下的吞吐量增益；然后，比較不同的卸載方式和信道復(fù)用方式下系統(tǒng)吞吐量增益的大小，以做出卸載決策。

3) 任務(wù)調(diào)度和資源分配聯(lián)合優(yōu)化算法

以上的算法都將任務(wù)調(diào)度和資源分配分開考慮，因此文獻(xiàn)[96-97]提出了任務(wù)調(diào)度和資源分配的聯(lián)合優(yōu)化問題。文獻(xiàn)[96]證明了調(diào)度問題是NP 難問題，在此基礎(chǔ)上給出了基于拉格朗日松弛的有效解，并證明了它們與最優(yōu)解的接近性。文獻(xiàn)[97]將深度強(qiáng)化學(xué)方法與車輛邊緣計(jì)算相結(jié)合，解決了車輛網(wǎng)絡(luò)中任務(wù)調(diào)度和資源分配的優(yōu)化問題。首先將通信和計(jì)算架構(gòu)建模為有限狀態(tài)馬爾可夫鏈；然后將任務(wù)調(diào)度過程建模為雙邊匹配模型，提出了一種動(dòng)態(tài)V2I 匹配算法來尋找最優(yōu)匹配；最后利用深度強(qiáng)化學(xué)習(xí)算法解決基于馬爾可夫鏈的資源分配和卸載決策聯(lián)合優(yōu)化問題。

4) 數(shù)據(jù)傳輸優(yōu)化算法

對(duì)車輛到RSU 的數(shù)據(jù)傳輸進(jìn)行優(yōu)化，能夠減少車輛的能耗、增加數(shù)據(jù)傳輸成功率并更好地適應(yīng)網(wǎng)絡(luò)狀況。

Wang 等[98]通過優(yōu)化車輛到邊緣節(jié)點(diǎn)的數(shù)據(jù)傳輸，減少了車輛的通信開銷。在該方案中，自動(dòng)駕駛汽車會(huì)選擇部分傳感器數(shù)據(jù)以特定的頻率發(fā)送，這些數(shù)據(jù)滿足精度和實(shí)時(shí)性的要求，在此基礎(chǔ)上提出了2 種算法獲得問題的最優(yōu)解。一個(gè)是偏差檢測算法，基本思想是根據(jù)每一個(gè)周期的目標(biāo)檢測偏差來調(diào)整下一個(gè)周期的傳輸參數(shù)。另一個(gè)是貪心算法，假設(shè)每輛車在滿足數(shù)據(jù)精度和實(shí)時(shí)性要求的前提下，以最小的開銷發(fā)送數(shù)據(jù)，那么所有車輛總的通信開銷也達(dá)到最小。與此類似，Ma 等[3]提出了車輛到云端數(shù)據(jù)傳輸?shù)膬?yōu)化方案，根據(jù)網(wǎng)絡(luò)速度自動(dòng)調(diào)整上傳視頻的分辨率，視頻的幀率也會(huì)根據(jù)車速進(jìn)行控制。

Nguyen 等[99]考慮到車輛密集區(qū)域會(huì)產(chǎn)生大量冗余的環(huán)境感知任務(wù)，設(shè)計(jì)了減少重復(fù)感知任務(wù)的機(jī)制。首先根據(jù)捕獲圖像的時(shí)空覆蓋，將數(shù)據(jù)冗余問題表述為集合覆蓋問題；然后利用子模塊優(yōu)化技術(shù)在不降低環(huán)境感知質(zhì)量的情況下，最大限度地減少傳輸?shù)竭吘壏?wù)器的圖像數(shù)量。

文獻(xiàn)[100]優(yōu)化了車輛到邊緣節(jié)點(diǎn)的任務(wù)數(shù)據(jù)傳輸成功率，針對(duì)V2I 通信的動(dòng)態(tài)性和隨機(jī)性特點(diǎn)，提出了一種面向可靠性的V2I 計(jì)算卸載隨機(jī)優(yōu)化模型。在考慮截止期約束的情況下，首先推導(dǎo)了計(jì)算卸載的期望可靠性的理論下界；然后通過將隨機(jī)優(yōu)化轉(zhuǎn)化為動(dòng)態(tài)規(guī)劃范式，得到了最優(yōu)期望卸載可靠性的下界和最優(yōu)的數(shù)據(jù)傳輸調(diào)度機(jī)制。

4.3 任務(wù)卸載技術(shù)小結(jié)

本節(jié)從任務(wù)卸載架構(gòu)和任務(wù)卸載算法2 個(gè)方面總結(jié)了任務(wù)卸載技術(shù)的研究現(xiàn)狀，分別如表3 和表4所示。任務(wù)卸載架構(gòu)定義了車輛之間、車輛和邊緣服務(wù)器以及云端之間的合作方式，主要在于解決2.2 節(jié)中提出的車輛移動(dòng)性和任務(wù)執(zhí)行環(huán)境隔離性的問題。任務(wù)卸載算法則通過合理的任務(wù)調(diào)度、資源分配以及數(shù)據(jù)傳輸優(yōu)化，在資源受限的邊緣環(huán)境中提高了任務(wù)卸載系統(tǒng)的可靠性以及吞吐量，主要處理2.2 節(jié)中提出的資源受限問題，也有部分算法研究關(guān)注到了車輛的移動(dòng)性。

表5 按照任務(wù)卸載技術(shù)所面臨的3 個(gè)主要挑戰(zhàn)對(duì)上面提到的研究工作進(jìn)行了歸類總結(jié)。從表5 可以看出，資源有限和車輛移動(dòng)性這2 個(gè)問題已經(jīng)受到了多數(shù)研究者的關(guān)注，而與任務(wù)執(zhí)行環(huán)境的隔離性相關(guān)的研究數(shù)量較少，這是未來研究中需要重點(diǎn)關(guān)注的方向。

5 有待進(jìn)一步研究的問題

自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)的協(xié)同感知和任務(wù)卸載能夠解決自動(dòng)駕駛汽車感知范圍受限和計(jì)算資源不足的問題。但是邊緣計(jì)算環(huán)境和自動(dòng)駕駛汽車的特殊性給協(xié)同感知和任務(wù)卸載帶來了很多困難，結(jié)合前文所述協(xié)同感知和任務(wù)卸載方面的研究成果，本節(jié)提出了自動(dòng)駕駛邊緣計(jì)算領(lǐng)域有待進(jìn)一步研究的問題。

1) 高效且可靠的感知信息共享策略

在協(xié)同感知的研究上，現(xiàn)有對(duì)協(xié)同感知信息共享策略的研究大多是以廣播的形式實(shí)現(xiàn)信息共享。與單播不同的是，廣播報(bào)文只能以最低速率發(fā)送，并且沒有確認(rèn)機(jī)制。這增加了無線信道的占用時(shí)間，并且很難在信道質(zhì)量不穩(wěn)定的車載網(wǎng)環(huán)境中保證感知信息傳輸?shù)目煽啃浴Ｒ詮V播的形式共享協(xié)同感知信息時(shí)，車輛可能會(huì)收到關(guān)于同一對(duì)象的多條信息，如圖5 中的車輛C 將從車輛A 和車輛B 收到兩條關(guān)于車輛X 的信息。這不僅會(huì)占用過多的V2V 通信資源，還會(huì)給車輛增加許多額外的計(jì)算任務(wù)。因?yàn)樽詣?dòng)駕駛汽車需要將接收到的對(duì)象與已知的對(duì)象進(jìn)行關(guān)聯(lián)匹配，判斷它們是否是同一對(duì)象，如車輛C 需要將來自車輛A 和車輛B 的關(guān)于車輛X的信息進(jìn)行匹配。另一種情況是車輛C 可能并不需要車輛X 的信息。適當(dāng)?shù)臄?shù)據(jù)冗余有助于提高感知的精確度，但是過多的數(shù)據(jù)冗余明顯是沒有益處的。

圖5 廣播式的協(xié)同感知信息共享

車載自組網(wǎng)的通信資源十分寶貴，所以在設(shè)置CPM 共享策略時(shí)需要盡量減少數(shù)據(jù)的冗余。這可以通過合理的合作節(jié)點(diǎn)選擇來實(shí)現(xiàn)，比如選擇盡可能少的節(jié)點(diǎn)來廣播信息，這些節(jié)點(diǎn)的傳感器能夠覆蓋絕大部分重要的或車輛感興趣的區(qū)域。同時(shí)，還需要根據(jù)網(wǎng)絡(luò)狀態(tài)和車輛位置的動(dòng)態(tài)變化，來調(diào)整所選擇的節(jié)點(diǎn)，在有限的通信資源約束下盡可能滿足大多數(shù)車輛的感知需求。

2) 隔離且實(shí)時(shí)的任務(wù)執(zhí)行環(huán)境

在邊緣計(jì)算環(huán)境中，同一個(gè)邊緣服務(wù)器會(huì)為多個(gè)自動(dòng)駕駛汽車服務(wù)，同時(shí)執(zhí)行多個(gè)計(jì)算任務(wù)。隔離任務(wù)執(zhí)行環(huán)境旨在將執(zhí)行任務(wù)所需要的資源進(jìn)行隔離，防止多個(gè)同時(shí)執(zhí)行的任務(wù)爭奪計(jì)算資源，導(dǎo)致任務(wù)無法在時(shí)延約束下完成。現(xiàn)有大多數(shù)研究僅僅是將邊緣服務(wù)器的資源分配給各個(gè)任務(wù)，而并未考慮資源的隔離。盡管隔離任務(wù)的執(zhí)行環(huán)境可以用容器或虛擬機(jī)技術(shù)實(shí)現(xiàn)，但虛擬機(jī)和容器的啟動(dòng)速度很難滿足自動(dòng)駕駛?cè)蝿?wù)的實(shí)時(shí)性要求。

表5 現(xiàn)有研究所解決的挑戰(zhàn)

若在邊緣服務(wù)器中利用虛擬機(jī)或容器進(jìn)行資源分配、隔離任務(wù)執(zhí)行環(huán)境，則要在任務(wù)到達(dá)之前啟動(dòng)虛擬機(jī)或容器。這便需要預(yù)測將要到達(dá)的任務(wù)數(shù)量及其所需計(jì)算資源。因此，可以通過與時(shí)間和空間相關(guān)的歷史數(shù)據(jù)、車輛所處交通環(huán)境（需要檢測和跟蹤的目標(biāo)數(shù)量）以及車輛的速度等屬性來預(yù)測未來一段時(shí)間服務(wù)器所接收的任務(wù)數(shù)量及其所需資源大小，并根據(jù)預(yù)測結(jié)果啟動(dòng)能夠滿足任務(wù)卸載需求的虛擬機(jī)或容器數(shù)量。

3) 支持協(xié)同感知的任務(wù)卸載技術(shù)

自動(dòng)駕駛的計(jì)算瓶頸是在感知階段[15]，即車輛通常是在環(huán)境感知階段出現(xiàn)計(jì)算資源不足的情況下，影響環(huán)境感知的精度。而現(xiàn)有的協(xié)同感知研究中均未考慮自動(dòng)駕駛汽車計(jì)算資源不足的情況，絕大多數(shù)任務(wù)卸載技術(shù)也未涉及協(xié)同感知場景。

自動(dòng)駕駛汽車最基本的要求是能夠感知到完整的、可靠的環(huán)境信息，并且在時(shí)延約束下完成對(duì)環(huán)境信息的處理。這2 個(gè)階段應(yīng)是緊密結(jié)合的。所以未來的任務(wù)卸載技術(shù)研究應(yīng)考慮協(xié)同感知場景下的任務(wù)卸載，進(jìn)一步加強(qiáng)任務(wù)卸載中的時(shí)延約束，使任務(wù)卸載技術(shù)為自動(dòng)駕駛汽車的環(huán)境感知服務(wù)。比如可以研究不同任務(wù)卸載決策對(duì)協(xié)同感知性能的影響，或根據(jù)感知區(qū)域的重要程度定義感知任務(wù)的優(yōu)先級(jí)進(jìn)行任務(wù)調(diào)度。

4) 去中心化的安全信任機(jī)制

協(xié)同感知和任務(wù)卸載都涉及自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)的協(xié)作，若有惡意節(jié)點(diǎn)向其他車輛發(fā)送虛假的環(huán)境信息、向RSU 發(fā)送大量的計(jì)算任務(wù)占用計(jì)算資源、接收自動(dòng)駕駛汽車的計(jì)算任務(wù)而不執(zhí)行，自動(dòng)駕駛汽車的安全就會(huì)受到極大的威脅。所以在進(jìn)行協(xié)同感知和任務(wù)卸載時(shí)，都需要考慮節(jié)點(diǎn)之間相互信任的問題。

自動(dòng)駕駛汽車所處的環(huán)境物理范圍廣、節(jié)點(diǎn)種類多，其中車輛、道路基礎(chǔ)設(shè)施、邊緣節(jié)點(diǎn)等很可能來自不同的廠商，很難形成公認(rèn)的安全中心。將區(qū)塊鏈技術(shù)[101]應(yīng)用到車載網(wǎng)絡(luò)有助于解決去中心化條件下自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)合作中的安全問題。區(qū)塊鏈技術(shù)的本質(zhì)是解決節(jié)點(diǎn)之間的信任問題，因此可以利用其去中心化和數(shù)據(jù)不可篡改的特性建立自動(dòng)駕駛車輛和邊緣節(jié)點(diǎn)之間信任機(jī)制。此外，利用區(qū)塊鏈實(shí)用拜占庭共識(shí)算法的多備份和簽名機(jī)制可以避免自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)的合作受到惡意節(jié)點(diǎn)的干擾。

6 結(jié)束語

高級(jí)別自動(dòng)駕駛的實(shí)現(xiàn)離不開邊緣計(jì)算的幫助。自動(dòng)駕駛汽車與邊緣節(jié)點(diǎn)之間的協(xié)同感知和任務(wù)卸載是邊緣計(jì)算在自動(dòng)駕駛領(lǐng)域的關(guān)鍵應(yīng)用，幫助自動(dòng)駕駛汽車解決了感知范圍受限和計(jì)算資源不足的問題。本文介紹了協(xié)同感知和任務(wù)卸載的概念，并對(duì)這2 個(gè)方面的研究現(xiàn)狀進(jìn)行了分析總結(jié)，最后結(jié)合現(xiàn)有研究成果提出了有待進(jìn)一步研究的問題。本文通過對(duì)自動(dòng)駕駛邊緣計(jì)算領(lǐng)域的研究成果的綜述，總結(jié)研究思路，幫助該領(lǐng)域研究人員快速了解協(xié)同感知和任務(wù)卸載技術(shù)的研究現(xiàn)狀，并給出了供參考的研究方向。