本文来源：智车科技
8月16日，英特尔中国2023学术峰会于南京隆重召开，本次峰会以“合·聚·创 共IN智能时代”为主题，聚焦科技前沿，邀请专家学者共议科技界前沿趋势，延续英特尔“为智能而聚能”的使命，推动产学研融合创新。
英特尔中国研究院首席科学家吴向斌先生在本次大会“数据感知与边缘计算论坛”上发表了题为《智行边缘，协同驰骋 - 车路协同需要什么样的边缘计算》的报告，为与会者带来了深刻的洞见。他的报告着重探讨了车路协同与边缘计算之间的紧密联系，揭示了在智能时代背景下，如何满足车路协同所需的高效边缘计算需求。
01
智行边缘
技术推动产业未来
吴向斌，英特尔中国研究院首席科学家，自主系统实验室资深总监，英特尔智能网联车大学联合研究中心首席研究员，专注于计算机体系结构、大规模异构云计算集群、智能边缘计算框架、自动驾驶和智能交通等领域。
在报告中，吴向斌先生深入剖析了车路协同作为中国自动驾驶发展的必然趋势和要求。他指出，智慧道路作为城市车路协同的关键基础设施，承载着将车辆、道路和云端技术相融合的使命。而智慧边缘计算作为智慧道路的核心和最重要的组成部分，扮演着确保实时性和可靠性的关键角色。
报告强调了车路协同场景对边缘计算的特殊需求，包括感知、计算、存储和通信等方面。并强调智能交通系统需要实时的信息处理和传输，因此在边缘计算中加入感知模块尤为重要。报告对于边缘计算的核心需求进行了深入剖析，包括实时性、高可靠性以及易于部署等方面。
在报告中，吴向斌先生分享了如何解决边缘计算中面临的挑战，他提出了一系列创新性的思路和方法，包括感知模块中的视频编解码引入、异构资源的合理利用、分布式部署和资源池化等。强调了数据的合理存储和利用，以及通信技术的持续发展在解决车路协同中的边缘计算难题上的重要性。
吴向斌先生的报告为大会增添了亮点，不仅深入解析了车路协同与边缘计算的关系，还为未来智能交通系统的发展提供了宝贵的指导。他的深入探讨引发了与会者的广泛思考，也将进一步推动车路协同和边缘计算领域的研究和创新。
02
车路协同下，
边缘计算核心需求
在日益发展的自动驾驶领域中，车路协同已成为必然的趋势和要求。为实现更安全、高效的智能交通系统，智慧道路作为关键基础设施崭露头角。而在智慧道路的核心中，智慧边缘计算扮演着至关重要的角色。如何满足车路协同对边缘计算的特殊需求，成为一个关键问题。报告探讨了在车路协同背景下，边缘计算的核心需求及面临的挑战。
1. 实时性需求
车路协同场景下，信息的实时处理至关重要。这种实时性不仅仅是传统意义上的快速响应，更强调“确定性实时”，也就是在严格的时间要求下，能够准确地完成数据处理和传递。在感知、计算、存储和通信的各个环节中，都需要实现高度的实时性。特别是在感知阶段，由于引入视频编解码会带来额外的延迟，需要仔细权衡其必要性，以及如何消除这种延迟。
2. 高可靠性
车路协同中，涉及多种传感器的异构部署，例如摄像头、雷达、激光雷达等。由于这些传感器对于不同场景的可靠性要求不同，需要在设计上进行智能交叉，充分利用冗余资源来提升系统的可靠性。在计算方面，分布式部署能够提高可靠性，通过互为备份和n+1备份的方式，确保即使出现故障，系统也能迅速恢复。
3. 易于部署和维护
车路协同的边缘计算系统需要具备易于部署和维护的特点。在感知层面，允许多代传感器的混合部署，以及版本升级的问题需要得到合理解决。在计算方面，应考虑将前端算力简化，通过边缘计算来实现后移，从而减轻前端的计算负担。此外，系统应支持异构的硬件资源，从CPU到GPU，从IP指令到各种传感器，都应能够灵活参与其中。
4. 动态适配与可扩展性
车路协同系统的需求可能随着交通情况和技术发展不断变化，因此边缘计算系统需要具备动态适配的能力。这意味着系统应能够灵活地根据情况进行资源分配和配置调整，以适应不同的交通场景。此外，系统的可扩展性也是至关重要的，以应对交通规模的增加和技术的更新换代。
综上，车路协同领域对边缘计算提出了高度的要求。实时性、高可靠性、易于部署和维护，以及动态适配和可扩展性成为边缘计算系统设计时需要重点关注的核心问题。随着技术的不断演进，边缘计算将持续在车路协同中发挥关键作用，推动自动驾驶技术的蓬勃发展。
03
FDEA解决技术挑战
自动驾驶技术的发展不断取得突破，但随之而来的是一系列挑战，其中计算挑战尤为突出。针对这一问题，吴向斌先生及其所在的研究团队提出了Flow Driven Edge Architecture（FDEA），该架构致力于应对确定性实时计算、资源异构、99.999%高可靠性和无缝连接等四大挑战，从而推动智行领域迈向更高的境界。
1. 解决确定性实时计算挑战
在车路协同的环境下，实时性不仅仅是响应速度，更关乎“确定性实时”的实现。FDEA架构通过精准的数据流驱动，将感知、计算、存储和通信等环节紧密结合，确保数据在严格的时间要求下得以准确处理和传递。特别是在感知阶段，通过优化视频编解码等方法，极大降低了额外延迟的影响，为实现确定性实时计算提供了强有力的保障。
2. 资源异构与池化的精妙结合
资源异构是智行领域的一大难题，FDEA架构独辟蹊径，将资源异构与池化相巧妙地结合。在架构中，黑框标注的计算引擎是异构的，充分发挥了不同类型计算资源的优势。同时，资源池的构建确保了系统的高可靠性，即使部分资源出现问题，也不会影响整体系统的运行。这种策略为自动驾驶的可靠性和稳定性提供了坚实的支持。
3. 实现99.999%高可靠性
高可靠性一直是自动驾驶技术追求的目标，而FDEA架构以其独特的设计思路，实现了高达99.999%的可靠性。通过分布式部署和资源互备的方式，确保了系统在面临各种故障时都能迅速恢复。在故障发生后100ms-200ms内，系统即可恢复到初始状态，远远领先于传统指标30s到1.5min的恢复时间。
4. 实现无缝连接，保障数据隐私
实现智能交通还需要实现无缝连接，包括硬件、软件和用户算法的协同工作。FDEA架构通过优化架构设计，使各个组件能够无缝连接，协同工作，从而实现更加智能化的交通体系。此外，FDEA架构充分考虑到AI数据的隐私问题，确保数据的安全和隐私能得到有效保障。
04
结语
在中国的自动驾驶领域，车路协同已然成为无可置疑的必然趋势和迫切要求。智慧道路，作为城市车路协同的基石，为整个系统的顺畅运行提供了不可或缺的支持。然而，要想实现智慧道路的梦想，智能边缘计算不仅是其中的核心，更是最为重要的组成部分。
边缘计算作为实现智慧道路的关键，蕴含着实时性、高可靠性、易于部署等核心指标。这些指标不仅是技术的考验，更是对未来道路安全和城市智能化发展的一份承诺。自动驾驶领域中感知、计算、存储和通信等环节，都需要迎接相应的挑战，以满足这些核心指标的要求。
安徽大学人工智能学院王晓教授团队致力于混行交通环境下无人自主车辆的主动安全问题研究，此次论坛分享，王晓教授从单车平行感知切入，提出了多源数据协同的车端平行感知与决策架构，针对单源感知受限问题，通过融合真实多模态多视角信息，构建了全方位的环境监测系统。
在此基础上，进一步建立了人工交通系统，实现了场景重构、数据扩充和协同感知模型的构建。通过云边协同的系统设计，建立基于车端真实环境的云端推演机制，在增强车辆决策智能的同时，通过平行执行实现了向实际系统的收敛。这项研究成果在混合交通环境中的自动驾驶车辆主动安全方面，具备重要的应用潜力。相关报告分享，敬请关注智车科技后续发布内容。
随着技术的不断演进，我们正迈向一个更加智能、高效的出行时代。智慧道路将会在未来的城市规划和交通建设中扮演着举足轻重的角色，而智能边缘计算则将是实现这一愿景的关键驱动力。通过克服挑战、创新技术，我们将能够构建起更加安全、便捷、智能的道路网络，为人类出行带来新的纪元。让我们期待着，智慧道路与智能边缘计算的紧密融合，为未来的交通带来革命性的变革。
