[论文解读] A Fog Computing Framework for Autonomous Driving Assist: Architecture, Experiments, and Challenges

Muthucumaru Maheswaran, Tianzi Yang+1 more|arXiv (Cornell University)|Jul 16, 2019

IoT and Edge/Fog Computing被引用 8

一句话总结

本文提出一种基于雾计算的边缘孪生框架，通过维护道路路段的分布式数字孪生、利用机器学习预测车辆轨迹，并生成动态风险地图，实现低延迟的实时自动驾驶辅助。该系统通过预测性时间偏移减少延迟导致的数据陈旧性，基于真实交通轨迹的仿真验证了其低预测误差。

ABSTRACT

Autonomous driving is expected to provide a range of far-reaching economic, environmental and safety benefits. In this study, we propose a fog computing based framework to assist autonomous driving. Our framework relies on overhead views from cameras and data streams from vehicle sensors to create a network of distributed digital twins, called an edge twin, on fog machines. The edge twin will be continuously updated with the locations of both autonomous and human-piloted vehicles on the road segments. The vehicle locations will be harvested from overhead cameras as well as location feeds from the vehicles themselves. Although the edge twin can make fair road space allocations from a global viewpoint, there is a communication cost (delay) in reaching it from the cameras and vehicular sensors. To address this, we introduce a machine learning forecaster as a part of the edge twin which is responsible for predicting the future location of vehicles. Lastly, we introduce a box algorithm that will use the forecasted values to create a hazard map for the road segment which would be used by the framework to suggest safe manoeuvres for the autonomous vehicles such as lane changes and accelerations. We present the complete fog computing framework for autonomous driving assist and evaluate key portions of the proposed framework using simulations based on a real-world dataset of vehicle position traces on a highway

研究动机与目标

• 通过利用雾计算实现低延迟处理，解决实时自动驾驶系统中的通信延迟挑战。
• 设计一种分布式数字孪生系统（边缘孪生），通过来自高空摄像头和车辆传感器的数据，保持道路路段的实时虚拟表示。
• 通过机器学习预测未来车辆位置，减轻数据陈旧性对驾驶决策的影响。
• 通过时间偏移的预测性世界视图，实现自动驾驶车辆之间道路空间的公平且高效的分配。
• 通过真实世界交通轨迹仿真评估框架的可行性，并衡量轨迹预测的准确性。

提出的方法

• 该框架利用雾计算在靠近数据源的雾节点上托管边缘孪生——即道路路段的分布式数字孪生。
• 车辆位置数据来自高空摄像头和车辆直接传输的数据流，实现世界状态的实时更新。
• 基于机器学习的轨迹预测模块可预测未来车辆位置，以补偿通信延迟，并将世界状态时间向前偏移至未来时间点。
• 系统将道路空间离散化为若干立方体单元，并基于预测占用情况计算风险地图，以识别自动驾驶车辆的安全路径。
• 立方体算法利用预测数据确定可自由使用、无碰撞的道路路段，用于分配给自动驾驶车辆。
• 该框架通过真实 NGSIM US-101 和 I-80 数据集的轨迹驱动仿真进行评估，以验证预测准确性与系统响应能力。

实验结果

研究问题

• RQ1 如何利用雾计算降低自动驾驶辅助系统中的延迟？
• RQ2 基于机器学习的轨迹预测在多大程度上可缓解实时驾驶决策中数据陈旧性的影响？
• RQ3 分布式数字孪生（边缘孪生）如何在多个雾节点间保持道路路段的一致且可预测的视图？
• RQ4 基于轨迹预测的时间偏移机制在提升驾驶建议相关性方面效果如何？
• RQ5 如何利用集中式、预测性的边缘孪生实现自动驾驶车辆之间道路空间的公平且高效分配？

主要发现

• 机器学习轨迹预测模块在真实交通轨迹上实现了低预测误差，有效补偿了系统中的通信延迟。
• 基于预测的时序偏移机制使边缘孪生能够生成与未来状态相符的、具有前瞻性的驾驶决策，即使存在数据延迟。
• 风险地图生成过程成功识别出基于预测车辆移动的安全、未被占用的道路路段。
• 仿真结果表明该框架具备可行性，证明预测性边缘孪生可支持实时、协同的自动驾驶辅助。
• 雾计算与数字孪生及机器学习的集成，可为交通管理与安全提供可扩展的低延迟解决方案。
• 该边缘孪生框架与 JAMScript 编程模型高度契合，支持未来大规模部署。