[논문 리뷰] Mobile Edge Intelligence and Computing for the Internet of Vehicles

Jun Zhang, Khaled B. Letaief|arXiv (Cornell University)|2019. 06. 02.

IoT and Edge/Fog Computing참고 문헌 125인용 수 28

한 줄 요약

이 논문은 스마트 인텔리전트 인터넷 오브 차 things(IoV)에서 지연과 대역폭 문제를 해결하기 위해 엣지 캐싱, 엣지 컴퓨팅, AI를 통합한 엣지 정보 시스템(EIS)을 제안한다. 무선 접근 지점과 같은 네트워크 엣지에 저장 및 처리 기능을 구현함으로써 엣지 보조 인식, 고해상도 지ap, 다중 차량 SLAM과 같은 응용 분야에서 저지연, 국지화된 데이터 처리를 가능하게 하여 실시간 성능과 확장성을 크게 향상시킨다.

ABSTRACT

The Internet of Vehicles (IoV) is an emerging paradigm, driven by recent advancements in vehicular communications and networking. Advances in research can now provide reliable communication links between vehicles, via vehicle-to-vehicle communications, and between vehicles and roadside infrastructures, via vehicle-to-infrastructure communications. Meanwhile, the capability and intelligence of vehicles are being rapidly enhanced, and this will have the potential of supporting a plethora of new exciting applications, which will integrate fully autonomous vehicles, the Internet of Things (IoT), and the environment. These trends will bring about an era of intelligent IoV, which will heavily depend upon communications, computing, and data analytics technologies. To store and process the massive amount of data generated by intelligent IoV, onboard processing and Cloud computing will not be sufficient, due to resource/power constraints and communication overhead/latency, respectively. By deploying storage and computing resources at the wireless network edge, e.g., radio access points, the edge information system (EIS), including edge caching, edge computing, and edge AI, will play a key role in the future intelligent IoV. Such system will provide not only low-latency content delivery and computation services, but also localized data acquisition, aggregation and processing. This article surveys the latest development in EIS for intelligent IoV. Key design issues, methodologies and hardware platforms are introduced. In particular, typical use cases for intelligent vehicles are illustrated, including edge-assisted perception, mapping, and localization. In addition, various open research problems are identified.

연구 동기 및 목표

• 연결 및 자율 주행 차량에서 유입되는 막대한 데이터로 인해 증가하는 스마트 IoV에서의 데이터 처리 및 통신 지연 문제를 해결하기 위해.
• 차량 내 처리 및 클라우드 컴퓨팅의 한계를 극복하기 위해 차량에 가까운 엣지 자원을 활용하기 위해.
• 차량 네트워워크에서 인식, 정위치, 고해상도(HD) 지ap과 같은 실시간, 저지연 응용을 가능하게 하기 위해.
• 엣지 AI, 엣지 캐싱, 엣지 컴퓨팅을 통합한 유일한 프레임워크를 통해 데이터 집약적인 IoV 워크로드를 지원하기 위해.
• 엣지 기반의 데이터 집계 및 처리를 통해 향후 스마트 교통 시스템을 위한 확장 가능하고 효율적인 인fra를 제공하기 위해.

제안 방법

• 무선 접근 지점과 도로변 단위에 엣지 서버를 구축하여 엣지 캐싱, 엣지 컴퓨팅, 엣지 AI 기능을 제공한다.
• 차량 내에서 GraphSLAM 기반 기법을 사용해 고해상도 지도를 위한 국지적 특징 레이어를 구축하고, 이를 엣지 서버로 전송하여 통합한다.
• 차량 간 국지 지도, 그래프 표현 또는 토폴로지 지도를 교환하여 분산된 다중 차량 SLAM을 구현한다.
• 상대 자세 추정 및 변환 행렬을 사용해 다중 차량의 국지 지도를 융합하고 정렬하는 기법을 적용한다.
• 데이터를 클라우드로 전달하기 전에 처리 및 통합함으로써 백홀 트래픽과 지연을 줄이기 위해 엣지 서버를 국지 집계기로 활용한다.
• 모바일 엣지 컴퓨팅(MEC)을 활용해 객체 탐지, 정위치, 경로 계획과 같은 계산 집약적인 작업을 차량에서 근접한 엣지 노드로 오프로드한다.

실험 결과

연구 질문

• RQ1 엣지 컴퓨팅는 실시간 인식 및 정위치와 같은 데이터 집약적인 IoV 응용에서 지연과 통신 오버헤드를 어떻게 줄일 수 있는가?
• RQ2 다양한 교통 환경에서 자율 주행 차량의 지능성과 반응성 향상에 있어 엣지 AI의 역할은 무엇인가?
• RQ3 분산된 협업과 엣지 기반 지도 융합을 통해 다중 차량 SLAM은 어떻게 효율적으로 구현될 수 있는가?
• RQ4 IoV에서 확장 가능한 고해상도 지도 구축을 위해 엣지 캐싱, 엣지 컴퓨팅, 엣지 AI 간의 최적 설계 트레이드오프는 무엇인가?
• RQ5 중앙 집중식 또는 차량 내 전용 솔루션 대비 엣지 기반 시스템은 차량 데이터 처리의 신뢰성과 정확도를 어떻게 향상시킬 수 있는가?

주요 결과

• 엣지 보조 인식 및 정위치 기술은 클라우드 기반 또는 차량 내 전용 처리 대비 지연을 크게 줄여 자율 주행에서 실시간 의사결정을 가능하게 한다.
• 엣지 기반의 지도 융합은 다수의 차량에서 온 특징 레이어를 국지적으로 통합함으로써 클라우드 업로드 전에 통신 오버헤드를 감소시킨다.
• 엣지 협업을 통한 분산 다중 차량 SLAM은 센서 고장에 대한 강건성을 향상시키고 동적 도로 환경에 빠르게 적응할 수 있도록 한다.
• 고해상도 지도 구축을 위한 엣지 서버를 국지 집계기로 활용함으로써 백홀 부하를 감소시키고 지도 업데이트 주기를 가속화한다.
• 차량에서 유도된 GraphSLAM 기반 특징 레이어 구축은 데이터 융합을 통해 정확도를 향상시키며, 확장 가능한 커뮤니티 기반 고해상도 지도 생성을 가능하게 한다.
• 엣지 AI와 엣지 컴퓨팅의 조합은 특히 저지연, 고신뢰성 IoV 응용 분야에서 중심 집중형 클라우드 처리의 실질적인 대안을 제공한다.