邊緣計算、霧計算和 云計算 將在自動駕駛領域發揮什么樣的作用？哪些任務交給邊緣計算，哪些交給云端？

在之前的文章中，曾多次提到過5G網聯技術將給自動駕駛帶來的巨大變化。5G網絡能提供20Gbps速率，時延僅僅1毫秒，每平方公里100萬連接，網絡穩定性可達99．999％的下一代蜂窩無線通訊網絡，將從 單車的信息流共享 、 車隊的編隊無人化、 遠程駕駛 三個方面推動智能駕駛的高速發展。5G網絡的給智能駕駛帶來了低延時，高穩定性的物網聯架構。通過服務器的高性能計算，核心云及邊緣云給網聯駕駛車提供實時路況、道路信息、行人信息等一系列交通信息，讓智能駕駛邁進了“入5G網而知天下”的時代。

然而，有一部分朋友并不完全認同， ＠goly 說：“設備端轉云端處理根本就不現實！ 1．網絡覆蓋情況？ 2．高速120下網絡吃的消？過隧道之類的咋處理？3．實時性要求？ 云端處理海量數據，集群，網不好的情況，等數據從云到端的時候，都翻車了。”

還有一個朋友 ＠Mr．high 也提出了自己的觀點：“云端＋邊緣計算可能是一個解決方案。 增強車載端高性能處理單元（車載計算機？）的處理能力， 網絡負載能力與高速行駛狀態下的容錯能力。 現在的車載TBOX已經完全不能滿足需要，5G時代的來臨可能會觸發車載高性能計算機的爆發式增長，CPU，GPU們好戲又要來了，反觀桌面PC市場可能進一步萎縮，更智能的手機終端與車載高性能計算機的搭配可能漸入佳境。”

邊緣計算、霧計算和云計算將在自動駕駛領域發揮什么樣的作用？

邊緣計算是一個相對較新的術語，隨著物聯網（IoT）時代的開始，它已變得越來越重要。

邊緣計算是指在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供最近端服務，這個概念不像在云端中進行處理和算法決策，而是將智能和計算推向更接近實際的行動。這就允許分析的直接性。

與云端相比，邊緣計算具備這七大優勢：

延遲：毫秒級延遲

高吞吐量：本地生成，近場傳輸

數據簡化：末端自主分析，減少對上游的依賴。

語境意識：實時獲取用戶及位置信息并用于計算

安全性：免受UE和CPE攻擊

隔離：在丟失連接時仍能繼續運轉

合規性：有助于用戶隱私條款

試想一下，如果你有一個工廠正在運行各種自動泵和渦輪機。如果設備連接到云，并且從這些設備傳出的所有數據都進入云端，那么讓云實際控制這些設備也是很誘人的。當需要關閉泵時，美國服務器租用，從云端通過網絡發出并下至泵的命令會告訴它關閉。當泵遇到麻煩時，它會通過網絡發送信息并傳送到云端。這將是管理設備的集中方式。

假設泵開始出現問題，它需要一點時間才能通過網絡進行通信，然后讓網絡將消息傳遞到云，然后 云應用 程序需要時間處理信息，才能發出一條命令，然后通過網絡，最后到達泵。那可能是因為那時泵已經完全失靈了。從泵 － 云 － 泵的步驟延遲可能需要很長的時間，以至于云錯過了保存泵的機會。

這也可以用在自動駕駛汽車。自動駕駛汽車上有許多感應裝置，包括攝像頭，用于激光雷達或雷達，聲納裝置等等。許多自動駕駛汽車制造商正在設想，傳感器的數據將流入汽車制造商為自駕車設置的云端。這使得汽車制造商能夠收集大量的駕駛數據，并能夠使用機器學習來改善自動駕駛汽車的行為。

問題出在多少處理應該發生在“邊緣”？ 在哪種情況下，處理應該在自動駕駛汽車及其無數本地設備，而不是在云端？

出于實際原因，我們已經知道大部分處理必須發生在邊緣，因為感知數據需要分析的速度受到自動駕駛汽車運動影響需要及時指示汽車周圍有什么。一份調查表明，一輛每天運行8小時的自動駕駛汽車將產生至少40TB的數據。這就是通過網絡來回傳輸的大量數據。

假設有強大的網絡連接并且在傳輸過程中保持連接，通過網絡來回發送數據至少需要150－200毫秒。這實際上是一個很長的時間，因為汽車在運轉，而且需要對汽車的控制作出快速的決定。

因此，自動駕駛汽車需要利用邊緣計算。但是這涉及到具有足夠的本地化計算處理能力和存儲器容量以能夠確保車輛和AI能夠執行其所需的任務。你可能會說，我們應該繼續將大量的處理器和內存放在自動駕駛汽車上。當然，這是一個不錯的主意，但請記住，這將為自動駕駛汽車增加大量成本，同時這將會增加機器發生故障的幾率，也需要耗費更多的電力，增加更多的重量到汽車等等。

本地與云端并不是互斥的命題

通過精心設計，能夠將本地化處理和云處理混合在一起。