[论文解读] Mobile Edge Intelligence and Computing for the Internet of Vehicles

Jun Zhang, Khaled B. Letaief|arXiv (Cornell University)|Jun 2, 2019

IoT and Edge/Fog Computing参考文献 125被引用 28

一句话总结

本文提出了一种边缘信息系 system（EIS），整合了边缘缓存、边缘计算与人工智能，以应对智能车联网（IoV）中延迟和带宽的挑战。通过在网络边缘（如无线接入点）部署存储与处理能力，实现了低延迟、本地化的数据处理，支持边缘辅助感知、高清地图与多车辆SLAM等应用，显著提升了实时性能与可扩展性。

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.

研究动机与目标

• 解决由于联网与自动驾驶车辆产生的海量数据，导致智能IoV中数据处理与通信延迟日益增加的挑战。
• 通过利用更靠近车辆的边缘资源，克服车载处理与云计算的局限性。
• 在车载网络中支持感知、定位与高清（HD）地图等实时、低延迟应用。
• 将边缘人工智能、边缘缓存与边缘计算整合为统一框架，以支持数据密集型IoV工作负载。
• 通过基于边缘的数据聚合与处理，提供可扩展且高效的基础设施，以支持未来智能交通系统。

提出的方法

• 在无线接入点与路边单元部署边缘服务器，以承载边缘缓存、边缘计算与边缘人工智能功能。
• 在车辆中使用GraphSLAM技术构建本地特征层以生成高清地图，并将这些地图传输至边缘服务器进行整合。
• 通过车辆间交换本地地图、图表示或拓扑地图，实现去中心化的多车辆SLAM。
• 应用地图融合与对齐技术，利用相对位姿估计与变换矩阵，将多辆车辆的本地地图进行合并。
• 将边缘服务器用作本地聚合节点，通过在转发至云端前处理与整合数据，减少回传链路的流量与延迟。
• 利用移动边缘计算（MEC）将计算密集型任务（如目标检测、定位与路径规划）从车辆卸载至附近的边缘节点。

实验结果

研究问题

• RQ1 边缘计算如何降低数据密集型IoV应用（如实时感知与定位）中的延迟与通信开销？
• RQ2 边缘人工智能在动态交通环境中如何提升自动驾驶车辆的智能水平与响应能力？
• RQ3 如何通过去中心化协同与边缘辅助地图融合，高效实现多车辆SLAM？
• RQ4 在IoV中实现可扩展的高清地图构建时，边缘缓存、边缘计算与边缘人工智能之间的最优设计权衡是什么？
• RQ5 与集中式或仅依赖车载的解决方案相比，基于边缘的系统如何提升车载数据处理的可靠性与准确性？

主要发现

• 边缘辅助感知与定位相比基于云或仅车载处理，显著降低了延迟，支持自动驾驶中的实时决策。
• 基于边缘的地图融合通过在上传至云端前实现多辆车辆特征层的本地整合，降低了通信开销。
• 结合边缘协同的去中心化多车辆SLAM提升了对传感器故障的鲁棒性，并能更快适应动态道路状况。
• 将边缘服务器用作高清地图构建的本地聚合节点，减少了回传负载，并加快了地图更新周期。
• 基于GraphSLAM的车辆特征层构建方法，实现了可扩展的众包高清地图创建，并通过数据融合提升了精度。
• 边缘人工智能与边缘计算相结合，为集中式云处理提供了可行替代方案，尤其适用于低延迟、高可靠性的IoV应用。