面向自動駕駛的邊緣計算技術研究綜述

呂品，許嘉，李陶深，徐文彪

（1.廣西大學計算機與電子信息學院，廣西 南寧 530004；2.廣西多媒體通信與網絡技術重點實驗室，廣西 南寧 530004；3.廣西高校并行分布式計算技術重點實驗室，廣西 南寧 530004）

1 引言

計算機技術和傳感器技術的發(fā)展使汽車逐漸成為更加智能的自動駕駛汽車。自動駕駛汽車的出現(xiàn)將會提高交通通行效率，減少道路交通事故。美國高速公路交通安全管理局將自動駕駛分為L0～L5 共6 個等級，從L0 到L5，汽車的智能化水平逐漸提升。L5 級的自動駕駛汽車可以在任何環(huán)境下完成所有的駕駛操作而不需要人類駕駛員的干預。

為了提供安全的自動駕駛服務，自動駕駛汽車需要獲取所處環(huán)境的完整信息，并對其進行實時處理以做出行駛決策。從環(huán)境信息的獲取到行駛決策的制定可以分為3 個階段，分別是環(huán)境信息獲取、信息融合處理和駕駛行為決策。

1) 環(huán)境信息獲取。自動駕駛汽車通過多種車載傳感器獲取所處環(huán)境的信息，如用定位系統(tǒng)、慣性測量單元獲取位置信息，用激光雷達繪制周圍環(huán)境的點云，用攝像頭獲取環(huán)境的圖像數(shù)據，用雷達和聲納檢測距離車輛最近的物體等。

2) 信息融合處理。此階段的任務是將獲取的環(huán)境信息進行融合處理，使自動駕駛汽車了解周圍的環(huán)境。信息融合處理階段有3 個主要的任務，分別是自我定位、目標識別和目標跟蹤。這3 個任務都需要大量的計算資源來完成。

3) 駕駛行為決策。在自動駕駛汽車了解了自身所處的環(huán)境之后，就開始預測其他車輛或行人等障礙物的運動路徑，然后根據預測結果做出自身的路徑規(guī)劃和避障決策。

高級別的自動駕駛汽車需要在無人干涉的情況下完成以上3 個步驟，但僅依靠單個自動駕駛汽車的能力是很難做到的，原因如下。

1) 在環(huán)境信息獲取方面，單個自動駕駛汽車存在傳感器視野盲區(qū)，無法獲取完整的所處環(huán)境信息，這可能導致自動駕駛汽車無法檢測即將到來的危險。

2) 在數(shù)據處理方面，車載計算系統(tǒng)難以完成對大量異構傳感器數(shù)據的實時處理，其中僅攝像頭每秒就產生1.8 GB 的數(shù)據[1]。若在自動駕駛汽車上配備高性能的計算系統(tǒng)，則會大大增加自動駕駛汽車的成本。

總體來說，環(huán)境信息獲取和數(shù)據處理兩方面的問題導致僅依靠單個自動駕駛汽車的能力無法實現(xiàn)高級別自動駕駛，因此需要其他智能節(jié)點的協(xié)助。

為了解決數(shù)據處理方面的問題，有些研究者提出了自動駕駛汽車與云計算相結合的方案，將數(shù)據上傳到云端處理[2-3]。云端雖然有大量的計算資源，可以在極短的時間內完成數(shù)據的處理，但是僅依靠云端為自動駕駛汽車提供服務在很多情況下是不可行的。因為自動駕駛汽車在行駛過程中會產生大量需要實時處理的數(shù)據，如果將這些數(shù)據都通過核心網傳輸?shù)竭h程云端處理，那么僅數(shù)據的傳輸便會導致很大的時延，無法滿足數(shù)據處理的實時性要求。核心網絡的帶寬也難以支持大量自動駕駛汽車同時向云端發(fā)送大量的數(shù)據，而且一旦核心網絡出現(xiàn)擁塞導致數(shù)據傳輸不穩(wěn)定，自動駕駛汽車的行駛安全便得不到保障。

將邊緣計算應用到自動駕駛領域將有助于解決自動駕駛汽車在環(huán)境數(shù)據獲取和處理上所面臨的問題。邊緣計算[4]是指在網絡邊緣執(zhí)行計算的一種計算模型，其操作對象來自云服務的下行數(shù)據和萬物互聯(lián)服務的上行數(shù)據，而邊緣計算中的“邊緣”是指從數(shù)據源到云計算中心路徑之間的任意計算和網絡資源。簡而言之，邊緣計算將服務器部署到用戶附近的邊緣節(jié)點，在網絡邊緣（如無線接入點）給用戶提供服務，避免了長距離數(shù)據傳輸，給用戶提供更加快速的響應。邊緣計算、移動邊緣計算、霧計算在自動駕駛領域的應用較相似，本文將它們統(tǒng)稱為邊緣計算。

協(xié)同感知和任務卸載是邊緣計算在自動駕駛領域的主要應用，這2 種技術使實現(xiàn)高級別自動駕駛成為可能。其中，協(xié)同感知技術使汽車可以獲取其他邊緣節(jié)點的傳感器信息，擴大了自動駕駛汽車的感知范圍，增加了環(huán)境數(shù)據的完整性；任務卸載技術將自動駕駛汽車的計算任務卸載到其他邊緣節(jié)點執(zhí)行，解決了自動駕駛汽車計算資源不足的問題。面向自動駕駛汽車的邊緣計算離不開車用無線通信技術（V2X,vehicle-to-everything）的支持，它提供了自動駕駛汽車與智能交通系統(tǒng)中其他元素的通信手段，是自動駕駛汽車和邊緣節(jié)點合作的基礎。目前，V2X 主要基于專用短程通信（DSRC,dedicated short range communication）和蜂窩網絡[5]。其中DSRC 是一種專門用于車輛與車輛（V2V,vehicle-to-vehicle）和車輛與道路基礎設施（V2I,vehicle-to-infrastructure）之間的通信標準，具有數(shù)據傳輸速率高、時延低、支持點對點或點對多點通信等優(yōu)點[6]。以5G 為代表的蜂窩網絡具有網絡容量大、覆蓋范圍廣等優(yōu)點，適用于V2I 通信和邊緣服務器之間的通信[5]。

本文首先對自動駕駛汽車與邊緣節(jié)點之間的協(xié)同感知和任務卸載進行介紹，并闡述它們所面臨的挑戰(zhàn)；然后分別綜述了協(xié)同感知技術和任務卸載技術的研究現(xiàn)狀；最后指出了該領域有待進一步研究的問題。

2 面向自動駕駛的邊緣計算及其面臨的挑戰(zhàn)

傳統(tǒng)的自動駕駛技術專注于提升單個車輛的能力來實現(xiàn)更高級別的自動駕駛[7]，然而在車輛上安裝數(shù)量更多或精度更高的傳感器并不能解決單個車輛感知范圍受限的問題。計算資源不足的問題可以通過給車輛配備高性能的計算系統(tǒng)來解決，但這會極大地增加自動駕駛汽車的成本，不利于自動駕駛汽車的普及。

邊緣計算技術的發(fā)展給高級別自動駕駛的實現(xiàn)帶來了契機，自動駕駛汽車通過與邊緣節(jié)點之間的協(xié)同感知和任務卸載能夠解決自身在環(huán)境感知和數(shù)據處理方面的問題。在網絡拓撲結構上，邊緣節(jié)點與自動駕駛汽車是一跳或兩跳的通信距離，這使數(shù)據傳輸時延大大減少，能在滿足自動駕駛應用極其嚴格的時延約束下為自動駕駛汽車提供服務。

在自動駕駛場景中，邊緣節(jié)點包括配備邊緣服務器的交通基礎設施、無線接入點和網絡基站以及移動智能設備等，后文將上述元素統(tǒng)稱為邊緣節(jié)點。需要注意的是，在自動駕駛汽車的視角下，其他自動駕駛汽車也是邊緣節(jié)點。

接下來，本節(jié)將分別對協(xié)同感知和任務卸載進行簡要介紹，并指出它們所面臨的挑戰(zhàn)。

2.1 協(xié)同感知

協(xié)同感知技術能夠擴大自動駕駛汽車的感知范圍，使自動駕駛汽車可以獲得更加完整的環(huán)境信息，包括路面情況、車輛、行人或其他障礙物等。這使自動駕駛汽車能夠提前對可能發(fā)生的碰撞進行檢測和規(guī)避，并能夠更好地規(guī)劃行駛路徑。

在車車協(xié)同方面，Kim 等[8-9]探討了一個使用合作感知的多車輛協(xié)同駕駛系統(tǒng)，驗證了協(xié)同感知的可行性。類似地，Gunther 等[10-11]證明了協(xié)同感知可以使車輛提前感知到障礙物，從而有更多時間采取避障措施，并驗證了低滲透率（自動駕駛汽車占道路車輛總數(shù)的百分比）下協(xié)同感知也對自動駕駛汽車的環(huán)境感知有著積極影響。在車路協(xié)同方面，Calvo 等[12]為自動駕駛汽車與RSU（road side unite）之間的協(xié)作設計了一個通信理論架構，并證明了該架構在協(xié)同感知方面的可行性。Wang 等[13]分析了不同基礎設施部署方案對自動駕駛汽車協(xié)同感知的影響，總結出在道路交叉口和道路沿線以均勻間距部署RSU 能更好地覆蓋道路區(qū)域。文獻[14]研究了RSU攝像頭位置校準與目標定位的問題。這些研究都為協(xié)同感知的實現(xiàn)奠定了基礎。

圖1 展示了典型的協(xié)同感知場景。其中車輛A由于右前方停放車輛的遮擋無法感知到行人的存在，繼續(xù)行駛則有產生碰撞的可能。若此時協(xié)作車輛B 或RSU 將它們所感知到的行人信息共享給車輛A，那么車輛A 就能規(guī)避此次碰撞。

圖1 典型的協(xié)同感知場景

實現(xiàn)自動駕駛汽車與邊緣節(jié)點的協(xié)同感知需要解決以下2 個問題。

1) 協(xié)同感知信息共享。自動駕駛汽車和邊緣節(jié)點之間共享環(huán)境感知數(shù)據能夠擴大自動駕駛車輛的感知范圍。但是在通信資源有限的情況下，如何設置環(huán)境感知數(shù)據的共享策略是一個很重要的問題，比如共享原始數(shù)據還是處理過的數(shù)據、以何種頻率共享數(shù)據、共享全部數(shù)據還是部分數(shù)據等。

2) 協(xié)同感知信息融合。在車輛接收到其他邊緣節(jié)點的環(huán)境感知信息后，需要將自身的感知數(shù)據和接收到的信息進行融合，得到實時的、擴展的環(huán)境信息。這需要設計環(huán)境感知數(shù)據的融合算法。

本文將在第3 節(jié)從以上2 個方面對協(xié)同感知的研究現(xiàn)狀進行歸納總結。

2.2 任務卸載

在獲取了環(huán)境信息之后，自動駕駛汽車要在極短的時間內對這些數(shù)據進行處理，實時地進行自我定位、目標識別和目標跟蹤等任務，從而做出正確的行駛決策。在自我定位和目標檢測與跟蹤階段都需要大量的計算資源[15]，而自動駕駛汽車的計算系統(tǒng)難以在時延約束下完成這些處理，這便需要邊緣節(jié)點的協(xié)助。任務卸載的基本目標是使邊緣節(jié)點在滿足任務時延約束的條件下完成計算任務，并將計算結果返回給卸載發(fā)起節(jié)點。

圖2 展示了典型的任務卸載場景。其中主車輛A 可以將自身的計算任務t1和t2卸載到邊緣服務器或有空閑計算資源的協(xié)作車輛B 執(zhí)行，然后它們再將計算結果返回給主車輛A。任務的卸載可分為任務整體卸載和任務部分卸載。整體卸載是將整個計算任務卸載到同一個邊緣節(jié)點執(zhí)行，如任務t2的卸載方式。部分卸載是將任務劃分為多個部分，自動駕駛汽車可以自身執(zhí)行一部分，然后將其余的部分卸載到邊緣節(jié)點，如任務t1的卸載方式。

圖2 典型的任務卸載場景

自動駕駛汽車與邊緣節(jié)點之間的任務卸載主要面臨以下挑戰(zhàn)。

1) 資源受限。相比于云服務器，邊緣服務器的計算能力是有限的。邊緣節(jié)點為大量自動駕駛汽車提供任務卸載服務時可能會出現(xiàn)計算資源不足的情況，尤其是交通流量密集區(qū)域的邊緣節(jié)點。這需要制定高效合理的資源分配策略，同時還需要通過合理的任務調度來平衡多個邊緣節(jié)點之間的負載，將負載過多的節(jié)點上的計算任務轉移到相對較空閑的節(jié)點。除了計算資源，通信資源的合理分配也是十分重要的一方面。

2) 車輛移動性。自動駕駛汽車的高速移動使邊緣環(huán)境下的任務卸載變得更加復雜。邊緣節(jié)點的服務范圍是有限的，這使自動駕駛汽車在移動過程中會頻繁切換為它提供服務的邊緣節(jié)點。在邊緣節(jié)點切換時，需要保證服務不中斷。類似地，車輛之間的任務卸載也需要考慮車輛的相對移動導致的通信距離的快速變化。此外，車輛的移動性導致車載自組網的網絡拓撲處于高度動態(tài)變化之中，使尋找數(shù)據傳輸路由變得更加困難。

3) 任務執(zhí)行環(huán)境的隔離。邊緣節(jié)點會同時為大量自動駕駛汽車服務，同時執(zhí)行多個計算任務。為了保護自動駕駛汽車的安全和隱私，防止同時執(zhí)行的計算任務之間相互影響，邊緣節(jié)點在執(zhí)行自動駕駛計算任務時需要為它們提供安全獨立的運行環(huán)境。常用的虛擬機和容器等隔離技術由于啟動時間的限制，在自動駕駛任務極其嚴格的時延約束下難以實現(xiàn)靈活的資源分配。

現(xiàn)有任務卸載技術的研究可分為2 類：一類是對任務卸載架構的研究，專注于研究自動駕駛汽車和邊緣節(jié)點之間的合作策略；另一類是對任務卸載算法的研究，專注于處理任務調度、資源分配等具體問題。本文將在第4 節(jié)從任務卸載架構和任務卸載算法2 個方面綜述自動駕駛汽車與邊緣節(jié)點之間任務卸載技術的研究現(xiàn)狀。

3 協(xié)同感知技術

自動駕駛汽車與邊緣節(jié)點之間的協(xié)同感知技術解決了自動駕駛汽車感知范圍受限的問題，給自動駕駛汽車提供了更加完整的環(huán)境信息，有助于自動駕駛汽車的避障和路徑規(guī)劃。實現(xiàn)協(xié)同感知要解決2個主要的問題，即如何共享感知信息和如何進行感知信息的融合。接下來，本節(jié)將分別總結分析協(xié)同感知信息（CPM,cooperative perception message）共享和協(xié)同感知信息融合這2 個方面的研究現(xiàn)狀。

3.1 協(xié)同感知信息共享

CPM 的共享是協(xié)同感知的基礎，車輛和邊緣節(jié)點之間CPM 的傳遞需要一定的帶寬，且有著嚴格的時延約束，這對網絡性能提出了要求。此外，合理的CPM 共享策略也十分重要，它定義了車輛以何種頻率共享感知數(shù)據、共享哪些感知數(shù)據等問題，高效的CPM 共享策略可以在減少通信資源使用的同時增強自動駕駛汽車的感知能力。

現(xiàn)有對CPM 共享的研究可分為支持共享CPM的網絡架構和CPM 共享策略這2 個方面，相關研究工作如表1 所示。

1) 支持共享CPM 的網絡架構

自動駕駛汽車和邊緣節(jié)點之間傳遞CPM 是實現(xiàn)協(xié)同感知的基礎，頻繁的信息共享必然會對網絡性能提出較高的要求。不同的網絡架構具有不同的特性，在不同的通信場景、交通情境下需要選擇合適的網絡架構。

在網絡連接方式選擇方面，Wei 等[16]分析了無線局域網、WAVE 和4G 這3 種網絡的優(yōu)缺點，提出車輛之間可以同時采用這3 種方式連接，然后在數(shù)據傳輸之前利用神經網絡模型根據車輛密度、速度和數(shù)據傳輸量選擇一個更合適的通信方式。

自動駕駛汽車的行駛速度不同對網絡性能的要求也不一樣，汽車的行駛速度越快，就需要越頻繁地獲取CPM，對網絡性能的要求也就越高。文獻[17-18]分析了自動駕駛汽車在不同行駛速度下對數(shù)據率的要求，指出了使用毫米波通信的重要性。其中，文獻[17]證明了隨著汽車速度的加快，傳感器生成數(shù)據的最小數(shù)據速率呈指數(shù)級增加。文獻[18]的研究發(fā)現(xiàn)，30 GHz和60 GHz的毫米波V2V通信分別允許自動駕駛汽車以63 km/h 和86 km/h 的最大速度行駛，而5 GHz 頻帶僅允許車輛以50 km/h的速度行駛。

表1 協(xié)同感知信息共享研究分類總結

此外，當自動駕駛汽車數(shù)量占道路汽車總數(shù)比例（即滲透率）太低時，可能會因為自動駕駛汽車之間距離太遠而難以找到支持數(shù)據傳輸?shù)腣2V 鏈路，這時便需要通過V2I 進行數(shù)據的傳輸。Wang等[19]分析了不同交通密度和不同滲透率下V2V 和V2I 的網絡容量需求，得出CPM 交換產生的V2I流量在中等滲透率處（如滲透率為0.5 時）最高，當大多數(shù)車輛同時參與協(xié)同感知時絕大部分數(shù)據都將通過V2V 傳輸。

2) CPM 共享策略

不同的CPM 共享策略對網絡性能的要求不同，給車輛提供的感知效果也不同。若過于頻繁地共享感知數(shù)據，則會給無線信道造成很大壓力；若共享感知數(shù)據的頻率過低，則會導致信息年齡太大，信息價值降低。類似地，共享所有感知數(shù)據會導致冗余信息過多，浪費通信資源；共享部分感知數(shù)據可能會使接收方收到的信息不完整，難以利用其做出安全合理的行駛決策。

歐洲電信標準化協(xié)會（ETSI,European Telecommunications Standards Institute）制定了CPM 的生成規(guī)則，定義了車輛何時應生成和發(fā)送CPM 以及要包含在CPM 中的信息。在ETSI 制定的CPM生成規(guī)則中，車輛必須檢查每個時間間隔是否應該生成和傳輸新的CPM。默認情況下，時間間隔設置為100 ms。對于每個時間間隔，如果車輛檢測到一個新物體，或者對于任何先前檢測到的物體都滿足以下條件，則該車輛應生成一個新的CPM。

①從該物體上次的數(shù)據被納入CPM 以來，它的絕對位置改變超過了4 m。

②該物體的絕對速度自上一次被納入CPM 以來變化了超過0.5 m/s。

③上一次檢測到的物體被納入CPM 是在1 s 或更久之前。

Thandavarayan 等[20]將ETSI 制定的動態(tài)CPM生成策略與周期性生成策略進行了對比，周期性生成策略即車輛周期性廣播檢測到的所有物體的信息，得出動態(tài)CPM 生成策略比周期性生成策略更加靈活，它使每個CPM 中包含的對象數(shù)目適應交通密度和速度，減少了數(shù)據冗余傳輸。此后，他們通過避免信息的重復廣播對ETSI 制定的動態(tài)CPM 生成策略進行了優(yōu)化[21]，進一步減少了數(shù)據的冗余。在所提出的優(yōu)化策略中，如果車輛最近從其他車輛接收到了有關某一對象的更新信息，則該車輛就不再廣播有關該對象的信息，這進一步減少了不必要的數(shù)據傳輸。

有研究者根據CPM 的重要程度定義了CPM 共享策略[22-24]。其中，文獻[22]提出通過預測CPM 對接收方的重要程度來決定是否發(fā)送該CPM 的策略。在CPM 發(fā)送之前，發(fā)送信息的車輛通過信息論的方法預測該信息對潛在接收方的價值，當網絡擁塞時，發(fā)送方可以推遲甚至取消低價值信息的傳輸，從而緩解了信道壓力，更可靠地將重要信息傳遞給接收方。文獻[23-24]則通過提高包含重要地理位置信息的CPM 的優(yōu)先級來增強協(xié)同感知的性能。其中，文獻[24]定義了車輛感興趣區(qū)域，即車輛希望感知的區(qū)域，在通信資源有限的情況下，選擇部分自動駕駛汽車共享感知數(shù)據，并提高包含大多數(shù)車輛感興趣區(qū)域信息的CPM 的發(fā)送頻率，擴大了汽車的感知范圍并且降低了信息年齡。

以上感知信息共享策略都是針對車與車的協(xié)同感知，而RSU 與自動駕駛汽車的感知信息共享也十分重要。由于RSU 位置通常固定且有著更大的感知范圍，因此能為自動駕駛汽車提供更穩(wěn)定的服務。合理利用RSU 的感知能力還能減少車載傳感器的成本。

文獻[25]提出了一個利用RSU 感知信息為自動駕駛汽車提供駕駛建議的架構。當車輛駛入RSU 服務范圍時，RSU 會根據自身的感知數(shù)據告知自動駕駛汽車即將到來的危險，并給出駕駛建議。文獻[25]在道路結冰和施工這2 個交通場景下測試了所提架構的性能，RSU 均能為自動駕駛汽車提供合理的駕駛建議。

文獻[26-27]設計了一個車路協(xié)同感知系統(tǒng)并在真實場景中部署。實驗結果表明，通過RSU 與自動駕駛汽車之間的信息共享，能夠改善交通效率或為車輛提供自身視野之外的障礙物信息。

3.2 協(xié)同感知信息融合

在主車輛獲取了其他邊緣節(jié)點發(fā)送的CPM 之后，便需要將CPM 與自身傳感器的信息進行融合，從而得到在自身坐標系下擴展的環(huán)境信息。傳感器融合涉及2 個關鍵問題，分別是數(shù)據的時間對齊和空間對齊[28]。其中，時間對齊考慮了感知信息從被采集到被其他車輛接收的時間差；空間對齊則是將其他車輛坐標系下的目標轉換為在主車輛坐標系下的目標。

根據共享CPM 的不同類型，感知數(shù)據融合的方式也有所不同。現(xiàn)有主要的感知數(shù)據融合方式有圖像融合、點云融合、占用柵格地圖融合、對象匹配等，如表2 所示。

1) 圖像融合

圖像融合的處理對象是視覺傳感器（攝像頭）所產生的原始或經過初步處理的圖像數(shù)據。

文獻[29]利用圖像融合實現(xiàn)了擁有共同視野的車輛的協(xié)同感知。首先提取接收到的圖像和自身攝像頭捕獲到圖像的特征點，然后進行特征點的匹配來估計車輛的相對位置，再根據數(shù)據發(fā)送方慣性測量單元的信息更新相對方向，這樣主車輛就能將數(shù)據發(fā)送方坐標系下的目標轉為自身坐標系下的目標。如圖3所示，車輛A 通過匹配兩車共同視野中的特征點（圓形）來獲取車輛的相對位置，然后車輛A 即可將車輛B 視野中的障礙物（星形）轉移到自身坐標系下。

表2 感知數(shù)據融合研究分類總結

圖3 有共同視野車輛的協(xié)同感知

原始圖像的共享會增加網絡負擔，Xiao 等[30]提出通過融合其他車輛生成的鳥瞰圖來擴大主車輛的感知范圍，共享經過處理的傳感器數(shù)據減少了數(shù)據傳輸量。首先每輛自動駕駛汽車對所采集到的圖像進行語義分割，識別出道路上的障礙物；然后用逆透視映射技術將信息轉化為鳥瞰圖。此后，進行車輛之間鳥瞰圖的融合，對于有重疊區(qū)域的鳥瞰圖，使用特征點匹配的方法進行融合；對于沒有重疊區(qū)域的鳥瞰圖，則通過坐標轉換進行融合。

Lian 等[31]提出了一個可擴展的協(xié)同感知系統(tǒng)，通過分布在多個區(qū)域的RSU 攝像頭檢測所有環(huán)境信息，然后將這些動態(tài)感知信息進行融合，形成一個全局的語義描述。該系統(tǒng)擴展了車輛的感知范圍，提高了感知的精度。

2) 點云融合

點云融合處理的數(shù)據是來自光學傳感器（如激光雷達）的原始數(shù)據。

Chen 等[32]首次提出通過共享原始點云數(shù)據實現(xiàn)協(xié)同感知，通過分析共享經過處理的數(shù)據和共享原始感知數(shù)據各自的優(yōu)缺點，指出了共享點云數(shù)據的好處。文獻[32]還提出了稀疏點云目標檢測方法，并在此基礎上提出了點云數(shù)據融合的方案。此外，該文獻還證明了DSRC 的帶寬可以滿足協(xié)同感知的點云數(shù)據傳輸。文獻[33]將所接收到的對象數(shù)據轉化為點云數(shù)據，然后利用點匹配算法進行數(shù)據匹配，減少了由車輛自身定位不夠精確對數(shù)據關聯(lián)和融合所產生的負面影響。

Wei 等[34]通過多個對象之間的點云融合來提升目標跟蹤精度。首先，基于車載激光雷達的多目標跟蹤方法使用立體像素聚類算法獲取周圍環(huán)境的狀態(tài)。其次，將初步跟蹤結果與來自RSU 和其他車輛的感知信息融合，以生成目標車輛的軌跡。該方法能夠在車載激光雷達受限和V2V 通信故障的情況下連續(xù)感知周圍車輛的位置，提高目標跟蹤精度。

文獻[35]通過融合不同位置RSU 的激光雷達數(shù)據來提高目標檢測的精度，提出了一種基于早期融合和晚期融合的三維目標檢測協(xié)同感知系統(tǒng)。早期融合是指融合原始感知數(shù)據，晚期融合則是融合經過車輛處理的數(shù)據。實驗表明，該系統(tǒng)能夠利用空間中的視野重疊來增加融合點云的密度，減少了假陰性檢測，并能更準確地估計檢測目標的邊界框。

3) 占用柵格地圖融合

占用柵格地圖是機器人地圖的一種，其生成依賴于激光雷達。在占用柵格地圖中，車輛所處環(huán)境被定義為一個二維柵格，其中每個柵格都有空閑或占用的概率，此外還可包括占用它物體的高度等信息。

Li 等[36-37]利用占用柵格地圖實現(xiàn)了自動駕駛汽車的協(xié)同感知，提出了一個基于占用概率的目標函數(shù)，并采用遺傳算法對目標函數(shù)進行動態(tài)優(yōu)化。在該方法的基礎上，還提出了一個車輛之間的相對姿態(tài)估計策略，該策略可作為多車輛感知融合的通用解決方案。文獻[38]將重點放在占用柵格地圖融合框架本身，利用信任函數(shù)理論對車輛的相對位置和交換的傳感器數(shù)據進行不確定性推理，增強信息融合的準確性，但該研究建立在“通信資源是無限的”這一假設上。

4) 對象匹配

對象是經過高度處理后的傳感器數(shù)據，它是一條包含某一目標位置、行駛方向、速度、加速度、軌跡等數(shù)據的信息。對象級的數(shù)據共享極大地降低了網絡負載，也減少了數(shù)據接收方的計算量。

文獻[28]利用了一個高級融合體系結構進行車輛間傳感器數(shù)據的融合。高級融合體系結構中每個傳感器、每個車輛都會對其原始數(shù)據進行預處理。在此基礎上，該文獻重點研究了感知數(shù)據融合的時間對齊和空間對齊，其中，時間對齊以恒定轉率和加速度（CTRA,constant turn rate and acceleration）運動模型為基礎，空間對齊采用無跡變換轉換對象坐標。

Ambrosin 等[39]開發(fā)了一個兩層體系結構用于處理來自動態(tài)遠程信息源的對象跟蹤和融合，在此方案中，車輛定期廣播自身所檢測到的對象列表。首先主車輛將接收到的對象列表與自身所檢測到的對象進行匹配，關聯(lián)相同的對象；然后對感興趣范圍之內的對象進行持續(xù)地跟蹤，丟棄感興趣范圍之外對象的信息。

文獻[40]提出了一種通用的高斯混合概率假設密度協(xié)同融合方法，來融合不同車輛的目標跟蹤結果，使車輛可以跟蹤自身視野之外的車輛。Yuan 等[41]提出了一種基于軌跡的數(shù)據關聯(lián)方法，使用交互多模型估計器和序列多重假設檢驗作為一種普遍的解決方案，來處理復雜駕駛場景中的不同情況。該方法僅使用車輛的位置信息用于目標匹配，減少了信息傳輸量。

3.3 協(xié)同感知小結

如表1 和表2 所列，本節(jié)從感知信息共享和感知數(shù)據融合2 個方面綜述了自動駕駛汽車與邊緣節(jié)點之間協(xié)同感知技術的研究現(xiàn)狀。在感知信息共享方面，從支持感知信息共享的網絡架構和感知信息共享策略這2 個角度進行了分析。對于網絡架構，很多研究都指出了使用毫米波通信進行協(xié)同感知的重要性；對于共享策略，大部分的CPM 共享策略是基于不同CPM 所包含信息的重要程度來設計的。車輛與RSU 之間信息共享的研究表明，車路協(xié)同能夠更好地提升協(xié)同感知系統(tǒng)的性能。在感知數(shù)據融合方面，大部分研究側重于融合處理過的數(shù)據，這不僅可以減少網絡負載，也能減少數(shù)據接收方的計算量，但是原始數(shù)據的共享能夠帶來更好的協(xié)同感知效果，可以根據網絡狀況將二者結合使用。

協(xié)同感知大大增強了自動駕駛汽車的感知能力，除了對協(xié)同感知技術的研究外，協(xié)同感知技術的應用也是很重要的一方面。有很多研究者利用協(xié)同感知優(yōu)化了自動駕駛汽車的路徑規(guī)劃[42-45]以及自我定位和目標定位[46]。Miller 等[47]通過L2 級別與L4 級別自動駕駛汽車之間的協(xié)同感知，實現(xiàn)了L2 級別自動駕駛汽車的完全自主行駛。還有研究者利用車輛與RSU 之間的協(xié)同感知，開發(fā)了一個能夠為自動駕駛提供自動停車服務的車輛控制系統(tǒng)[48]。

4 任務卸載技術

任務卸載技術旨在通過將自動駕駛汽車的計算任務卸載到其他邊緣節(jié)點執(zhí)行以解決自動駕駛汽車計算資源不足的問題。任務卸載最基本也最重要的要求就是在任務的時延約束下完成任務的計算，并將計算結果返回到卸載發(fā)起節(jié)點，這樣才能保證自動駕駛汽車的安全。

邊緣計算環(huán)境和自動駕駛汽車的特殊性使自動駕駛的任務卸載更加復雜，在2.2 節(jié)中已有說明。為了在考慮這些特殊性的前提下為自動駕駛汽車提供低時延高可靠的任務卸載服務，研究者進行了很多相關研究，主要可分為對任務卸載架構的研究和對任務卸載算法的研究。本節(jié)將從這2 個方面來介紹自動駕駛任務卸載技術的研究現(xiàn)狀。

4.1 任務卸載架構

任務卸載架構定義了任務卸載系統(tǒng)中各節(jié)點之間的合作策略，主要解決了任務卸載中車輛移動性和任務執(zhí)行環(huán)境隔離的問題。根據架構所涉及元素以及研究側重點的不同，可以將任務卸載架構分為車群架構、車-邊架構和車-邊-云架構，圖4 中展示了一個簡單的自動駕駛汽車任務卸載架構，其中Ⅰ層是車群架構，Ⅰ-Ⅱ層的組合是車-邊架構，Ⅰ-Ⅱ-Ⅲ層的整體是車-邊-云架構。

圖4 任務卸載架構

表3 對任務卸載架構的研究成果進行了匯總，接下來，將詳細介紹任務卸載架構的研究現(xiàn)狀。

1) 車群架構

車群架構由多個相互通信、共享計算資源的自動駕駛汽車組成，它注重的是自動駕駛汽車之間的合作策略，車輛利用其他車輛的空閑計算資源來進行任務卸載。

文獻[49-50]對自動駕駛汽車的合作方式進行了研究。其中，文獻[49]建議車輛之間使用去中心化的方式進行任務卸載，并提出了一個分布式架構中任務卸載的工作流。分布式的任務卸載能夠更好地適應車輛網絡的動態(tài)變化，有更強的穩(wěn)健性。文獻[50]則提出了一種中心式任務卸載架構，將道路上的車輛劃分為多個車群，然后將車群中的車輛分為卸載發(fā)起車輛、服務車輛和群頭車輛。其主要思想是用群頭車輛管理車群內的任務卸載，更合理地分配通信和計算資源。

表3 任務卸載架構研究分類總結

文獻[51]針對車輛的移動性設計了一個車輛之間的任務卸載架構。該架構中，卸載發(fā)起車輛會考慮自身與其他車輛的最長通信時間來選擇合適的任務卸載節(jié)點，其中最長通信時間與車輛的相對移動有關，車輛之間距離過大則無法通信。該架構還考慮了城市交通環(huán)境中的車輛轉彎行為。

現(xiàn)有關于車群架構的研究較少，因為它仍是利用車輛的計算資源執(zhí)行任務，對自動駕駛汽車計算資源的擴展并不明顯，但是車群架構對于車輛之間合作策略具有重要意義。

2) 車-邊架構

車-邊架構在車群架構的基礎上引入了除自動駕駛汽車之外的其他邊緣節(jié)點，如配備邊緣服務器的RSU，這大大擴展了自動駕駛汽車的計算資源。車-邊架構側重于研究車輛與邊緣服務器之間的合作策略，其中車輛主要利用邊緣服務器的計算資源來進行任務卸載。

由于自動駕駛汽車的移動性以及RSU 服務范圍有限，自動駕駛的任務卸載變得更加復雜。車-邊架構的研究中很大一部分都專注于解決車輛移動性帶來的問題。

Zhang 等[52]通過預測任務文件的傳輸和執(zhí)行時間以及車輛在任務執(zhí)行完成時到達的位置，提出了2 種任務卸載方式：一種是通過多跳V2V 通信和V2I通信傳輸任務文件到車輛將要到達的RSU執(zhí)行計算，該RSU 再將結果傳回給卸載發(fā)起車輛；另一種是由當前為車輛服務的RSU 來執(zhí)行計算，然后通過RSU 之間的無線回程通信傳輸計算結果到車輛將要到達的RSU。在不同的情況下，靈活使用2 種方式能夠節(jié)省通信成本。

文獻[53-54]采用部分卸載的方式進行任務卸載。其中，文獻[53]將一個任務劃分為多個小的任務單元，然后將這些任務單元分配到多個車輛將要到達的RSU 服務區(qū)域，最后決定在每一個服務區(qū)內車輛和RSU 分別需要執(zhí)行的任務單元數(shù)量。類似地，文獻[54]提出了一種以RSU 為中心的任務卸載架構，由RSU 組織周圍車輛形成車群并收集車輛的信息，車輛可從RSU 獲取其他車輛的信息。當該車輛產生任務卸載需求時，它會綜合考慮每輛服務車的計算資源和最大服務時間，決定分配給每輛服務車的任務百分比。

文獻[56]研究了邊緣服務器中服務遷移的問題。車輛的移動導致其需要不停切換為其服務的邊緣服務器，而服務器之間服務的遷移（容器或虛擬機的遷移）需要較長的時間。所提架構通過考慮車輛的移動信息、邊緣服務器中可用的計算資源、候選服務器的時延和遷移時間選擇將服務遷移到最合適的服務器上。

還有研究者研究了車輛與邊緣基站之間建立連接的問題。文獻[57]提出采用多路徑傳輸建立車輛與基站之間的連接，多路徑傳輸可以支持虛擬機在邊緣節(jié)點之間的實時動態(tài)遷移，減少了重新建立連接所導致的啟動時間和網絡時延。

除了解決車輛移動性帶來的任務卸載挑戰(zhàn)，還有一些研究關注車-邊架構中任務執(zhí)行環(huán)境的隔離性，以及如何充分利用車群的計算資源。

為了保證任務執(zhí)行環(huán)境的隔離性，Tang 等[58]提出了一種基于容器的自動駕駛邊緣卸載框架。該框架以邊緣容器的粒度提供任務執(zhí)行環(huán)境的抽象和管理，為自動駕駛任務的執(zhí)行提供了隱私保護和資源隔離。此外，文獻[58]還提出了一種在邊緣服務器上預先運行容器的策略來減少由于容器初始化導致的時延。模擬實驗表明，提出的卸載框架能夠支持毫秒級的計算卸載，同時保證了自動駕駛汽車的安全性和私密性。

以上架構中，任務卸載都是在車輛和邊緣服務器之間進行的，并沒有充分利用車群的計算能力。

為了激勵車輛共享自身的計算資源為其他計算資源不足的車輛提供服務，Zhou 等[59]提出了一個兩階段的邊緣計算框架。首先提出了一種基于契約的機制，以激勵資源未充分利用的車輛充當邊緣服務器，并對其資源進行優(yōu)化管理。然后處理自動駕駛車輛和車輛邊緣服務器之間的任務卸載分配問題。仿真結果表明，該框架提高了系統(tǒng)的資源利用率并減少了任務卸載時延。

文獻[60-61]提出車輛到邊緣服務器和車輛到車輛的聯(lián)合卸載方案。其中，文獻[60]采用部分卸載的方法，將任務分為本地計算部分、通過V2I 通信卸載到RSU 的部分和通過V2V 通信卸載到相鄰車輛的部分，并通過調整這3 個部分之間的比例來最小化任務卸載的時延。文獻[61]提出RSU 接收到任務卸載請求后，根據車群計算能力、RSU 計算能力以及網絡狀況決定任務卸載到其他車輛、RSU 或云端執(zhí)行。

除了利用邊緣服務器和其他車輛進行任務卸載，還有研究者還提出用乘客的移動設備，如智能手機、筆記本電腦等進行計算任務的卸載[62]。

3) 車-邊-云架構

車-邊-云架構在車-邊架構的基礎上引入了云端。由于云端資源的使用需要進行長距離的數(shù)據傳輸，因此車-邊-云架構中的主要任務卸載方式仍是將車輛的計算任務卸載到其他邊緣節(jié)點執(zhí)行。云端在架構中主要起著宏觀控制、優(yōu)化邊緣端的任務卸載過程等作用，同時也可以執(zhí)行時延容忍類任務。

在車-邊-云架構的研究中，軟件定義網絡（SDN,software defined network）和光纖-無線（Fi-Wi,fiber-wireless）網絡是常用的2 種網絡技術。SDN 將網絡的控制平面和數(shù)據平面解耦，網絡設備中僅保留數(shù)據轉發(fā)功能，將網絡的控制邏輯轉移到SDN 控制器，從而可以更靈活地調整路由策略并簡化服務的開發(fā)[72]，更好地適應車輛網絡的動態(tài)變化。FiWi 網絡結合了光網絡低時延、高可靠、大帶寬和無線網絡移動性強、擴展性強的優(yōu)點，可以同時為用戶提供云端和邊緣服務器的計算資源[73]。文獻[63-66]均在所提出的架構中使用了SDN 或Fi-Wi 網絡技術，利用SDN 管理任務的卸載；采用光纖網絡連接邊緣服務器和云端，減少與云端通信的時延。

為了更好地發(fā)揮云端的宏觀控制作用，實現(xiàn)車輛、邊緣、云端的深度合作，Qiao 等[67]提出了一個可以預先分配資源并且消除冗余計算任務的框架。所提框架分為三層：云端作為全局控制器，收集交通流量、網絡狀態(tài)等信息，利用先進的數(shù)據挖掘技術預測一段時間后流量或網絡信息的變化；邊緣服務器的資源被抽象為資源池，根據云端的數(shù)據分析結果可以進行資源的預先分配；自動駕駛汽車組成車群，相鄰車輛由于所處環(huán)境相似，可以協(xié)同共享和卸載計算任務，消除了冗余計算任務的同時增加了數(shù)據的完整性。該架構充分實現(xiàn)了云端、邊緣服務器和車輛的協(xié)同工作，利用云端的全局控制和車輛之間的相互協(xié)作優(yōu)化了車輛邊緣計算系統(tǒng)的資源分配和任務卸載。

考慮到自動駕駛有著多種不同的應用，文獻[68]提出了一種支持多種應用程序卸載的通用任務卸載框架。在該框架中，應用程序被分為客戶端和服務端，云服務器、邊緣服務器以及車輛通過安裝應用的服務端來為其他作為客戶端的車輛提供服務。

以上研究均將車載計算系統(tǒng)作為自動駕駛汽車的控制主體。與此不同的是，Sasaki 等[69-71]將云和邊緣服務器作為自動駕駛汽車控制的主體，提出并優(yōu)化了云和邊緣服務器之間協(xié)同的車輛控制系統(tǒng)。在該系統(tǒng)中，車輛主要用來收集環(huán)境信息，云或邊緣服務器進行數(shù)據處理并向自動駕駛汽車下達控制命令，在一定程度上克服了自動駕駛汽車計算資源不足、感知范圍受限等問題。

4.2 任務卸載算法

任務卸載算法專注于解決任務卸載中的任務調度、資源分配和數(shù)據傳輸?shù)葐栴}，提高了任務卸載系統(tǒng)在邊緣環(huán)境資源受限情況下的性能。其中，任務調度算法解決任務卸載到何處的問題；資源分配算法解決計算資源和通信資源的分配問題；數(shù)據傳輸優(yōu)化算法使數(shù)據傳輸更能適應網絡的變化，并減少通信資源的占用。

表4 總結了任務卸載算法的研究成果。所有算法對能耗、任務完成率等其他指標的優(yōu)化都是在滿足時延約束或者盡量減少時延的基礎上進行的，表4中根據其他優(yōu)化指標進行算法的分類。接下來，本節(jié)將從任務調度、資源分配、任務調度和資源分配聯(lián)合優(yōu)化以及數(shù)據傳輸優(yōu)化4個方面歸納總結任務卸載算法的研究現(xiàn)狀。

1) 任務調度算法

任務調度算法解決任務卸載到何處以及卸載多少的問題。

表4 任務卸載算法研究分類總結

①以時延為優(yōu)化目標的算法

任務卸載的時延包括任務數(shù)據往返傳輸時延和任務處理時延。自動駕駛的任務卸載算法都是在任務的時延約束下優(yōu)化其他指標，本節(jié)總結了僅以時延為優(yōu)化目標的任務調度算法。

文獻[74-77]針對有執(zhí)行順序約束的部分卸載，設計了減少卸載時延的算法。有執(zhí)行順序約束的部分卸載是指任務拆分后的各個任務有執(zhí)行順序先后的依賴關系。

文獻[74]旨在將RSU 中的計算任務分配到車輛中執(zhí)行。為了描述由車輛高移動性引起的計算資源的不穩(wěn)定性，利用關注車輛停留時間的移動性模型，在此基礎上提出了一個NP 難的任務調度優(yōu)化問題，然后提出了基于改進遺傳算法的調度方案，具有較低的時間復雜度。文獻[75]關注車輛移動過程中可用資源的變化，建立馬爾可夫決策過程模型來描述問題場景，并利用工作流調度算法計算任務的完成時間，然后提出了基于模擬退火算法的Q-learning 算法來優(yōu)化任務的完成時間。文獻[76]將任務結構轉換為順序執(zhí)行的多個任務。首先將優(yōu)化問題從單車計算卸載場景擴展到多車計算卸載場景，然后開發(fā)了一個基于深度強化學習的卸載算法來分配資源，并為卸載發(fā)起車輛確定可行的邊緣服務器集合。文獻[77]首先根據任務之間的相互依賴性將計算任務建模為有向無環(huán)圖，利用整數(shù)線性規(guī)劃模型計算離線調度策略，獲得給定網絡參數(shù)集的最優(yōu)解；然后設計了以離線調度策略為基礎的在線調度算法，根據實際的網絡狀態(tài)生成適用于實時場景的卸載策略。文獻[78]在任務卸載時考慮計算復雜性、內存影響、數(shù)據大小、時延和可用資源等因素，為每個任務確定最佳卸載位置。

②以能耗為優(yōu)化目標的算法

任務卸載時的能耗主要由數(shù)據傳輸能耗和計算能耗組成。

文獻[79]提出了一種基于車輛互聯(lián)網的霧云計算卸載算法，以最小化車輛和計算設施的功耗。在車輛的數(shù)據傳輸方面，設計了一種V2V 和V2I 組合傳輸算法來節(jié)省能源。在邊緣服務器的負載分配方面，建立了一個深度學習模型來優(yōu)化工作負載的分配，以最小化霧和云設施的功耗。

文獻[80]對邊緣服務器的任務到達過程進行了闡述，證明邊緣服務器的任務到達模型不屬于標準泊松分布，并將其描述為車輛到達和任務生成的復合過程。在此基礎上，考慮到負載分配和成本預測，提出了一種負載感知的卸載方法，每輛車都基于預測的成本并使用有關邊緣服務器負載分配的最新信息來選擇卸載節(jié)點。

文獻[81]根據任務是否可拆分以及拆分后功能的完整性將任務分為不可分割的任務和可分割的任務，然后針對這2 種任務提出了2 種任務卸載算法。將任務整體卸載建模為多臂老虎機模型，采用改進的上置信界算法求解。部分卸載將具有大數(shù)據量的復雜任務劃分為由不同RSU 處理的時間段，并使用Q-learning 算法找到最有效的卸載策略，可以充分利用每個節(jié)點的計算資源。

Xu 等[82]設計了保護自動駕駛汽車隱私的任務卸載算法，主要思想是將有隱私沖突的任務卸載到不同的邊緣節(jié)點執(zhí)行。設計了尋找V2V 數(shù)據傳輸路由的算法，采用非支配排序遺傳算法II 實現(xiàn)多目標優(yōu)化，減少邊緣服務器的執(zhí)行時間和能耗，并防止計算任務的隱私沖突。

Shang 等[83]考慮了不完全信道狀態(tài)信息（CSI,channel state information）下的任務卸載，目標是最小化計算和通信成本，提出了計算卸載管理算法。該算法提供了任務是否應該被卸載的度量，并在不完全CSI 條件下顯著降低了總開銷。與基于完美CSI 的算法相比，所提算法在保持相近成本的同時提高了任務完成率。

③以負載平衡為優(yōu)化目標的算法

負載平衡是在多個邊緣服務器之間平衡計算負載，防止某些邊緣服務器出現(xiàn)超載的情況。

文獻[86]通過V2X 將任務傳輸?shù)较鄬^空閑的邊緣服務器執(zhí)行以進行負載平衡。首先采用非支配排序遺傳算法III 生成均衡的卸載策略，在此基礎上利用簡單加權和與多準則決策來確定最優(yōu)卸載策略，提出了一種基于V2X 通信的算法，用于獲得計算任務在原始車輛和最終節(jié)點之間的傳輸路由。文獻[87]采用綜合任務處理時延作為性能指標，將考慮負載平衡的任務卸載問題描述為在允許時延約束下的系統(tǒng)效用最大化問題，將邊緣服務器選擇建模為二元決策，通過聯(lián)合優(yōu)化節(jié)點選擇方案和任務卸載比例，使系統(tǒng)效用最大化。

④以任務完成率為優(yōu)化目標的算法

任務完成率的優(yōu)化旨在讓邊緣服務器在任務的時延約束下盡可能多地完成接收到的任務，增強任務卸載系統(tǒng)處理任務的能力。

文獻[88]提出了一個最佳擬合替代調度算法，通過將邊緣節(jié)點之間的任務進行替換和重組改進了最早截止時間優(yōu)先算法，并考慮了自動駕駛任務的優(yōu)先級。該算法的主要思想是當有新的任務卸載需求，但是無法為該任務找到能夠在時延約束下完成它的邊緣節(jié)點時，將某一邊緣節(jié)點的等待隊列中已經存在的幾個需要計算資源較少的任務分散轉移到其他節(jié)點執(zhí)行，空閑出來的計算資源用來支持執(zhí)行新到達的大型任務。文獻[89]也考慮了邊緣節(jié)點中任務的重組和任務的優(yōu)先級，提出了優(yōu)先緊急替代算法判斷計算任務應該在哪個節(jié)點上執(zhí)行，并對每個節(jié)點中的任務執(zhí)行順序進行調度，先執(zhí)行優(yōu)先級高的計算任務。此外，文獻[89]還考慮了車輛的移動性，利用卡爾曼濾波算法根據車輛的歷史軌跡來預測車輛之后的位置，以便將計算結果返回給卸載發(fā)起車輛。這2 個研究工作都有效提高了邊緣節(jié)點中緊急任務的完成率。

2) 資源分配算法

任務卸載中的資源分配包括計算資源和通信資源的分配。

文獻[91-92]專注于任務卸載過程中通信資源的分配。其中，文獻[91]建立了一個基于匹配理論的帶寬分配算法，在分配帶寬的同時迭代地將自動駕駛汽車與邊緣服務器相關聯(lián)。文獻[92]采用隨機公平分配算法為有任務卸載需求的自動駕駛汽車分配所需最小通信資源。

文獻[93]提出了考慮異構車輛的計算資源分配模型。該文獻假設不同類型的車輛提供不同數(shù)量的計算資源，并以不同的概率分布到達邊緣服務器，在此基礎上建立了一個半馬爾可夫決策過程模型，并提出了一種尋找資源分配最優(yōu)策略的方法。

文獻[94]針對時變信道建立了通信與計算資源聯(lián)合分配問題，利用車輛信道的可預測性和Lyapunov 優(yōu)化技術，將資源分配問題分解為計算資源分配子問題和無線資源分配子問題。利用2 個子問題的結果，提出了一種聯(lián)合無線資源和計算資源分配算法，并分析了信道衰落對算法的影響。

Bai 等[95]根據任務卸載到其他車輛或RSU，將卸載發(fā)起車輛分為V2V 卸載車輛和V2I 卸載車輛，通過合理復用V2I 信道來提高系統(tǒng)的吞吐量。優(yōu)化問題分為2 個子問題。首先，基于凸優(yōu)化理論確定車輛的最優(yōu)傳輸功率分配，計算最優(yōu)功率值下的吞吐量增益；然后，比較不同的卸載方式和信道復用方式下系統(tǒng)吞吐量增益的大小，以做出卸載決策。

3) 任務調度和資源分配聯(lián)合優(yōu)化算法

以上的算法都將任務調度和資源分配分開考慮，因此文獻[96-97]提出了任務調度和資源分配的聯(lián)合優(yōu)化問題。文獻[96]證明了調度問題是NP 難問題，在此基礎上給出了基于拉格朗日松弛的有效解，并證明了它們與最優(yōu)解的接近性。文獻[97]將深度強化學方法與車輛邊緣計算相結合，解決了車輛網絡中任務調度和資源分配的優(yōu)化問題。首先將通信和計算架構建模為有限狀態(tài)馬爾可夫鏈；然后將任務調度過程建模為雙邊匹配模型，提出了一種動態(tài)V2I 匹配算法來尋找最優(yōu)匹配；最后利用深度強化學習算法解決基于馬爾可夫鏈的資源分配和卸載決策聯(lián)合優(yōu)化問題。

4) 數(shù)據傳輸優(yōu)化算法

對車輛到RSU 的數(shù)據傳輸進行優(yōu)化，能夠減少車輛的能耗、增加數(shù)據傳輸成功率并更好地適應網絡狀況。

Wang 等[98]通過優(yōu)化車輛到邊緣節(jié)點的數(shù)據傳輸，減少了車輛的通信開銷。在該方案中，自動駕駛汽車會選擇部分傳感器數(shù)據以特定的頻率發(fā)送，這些數(shù)據滿足精度和實時性的要求，在此基礎上提出了2 種算法獲得問題的最優(yōu)解。一個是偏差檢測算法，基本思想是根據每一個周期的目標檢測偏差來調整下一個周期的傳輸參數(shù)。另一個是貪心算法，假設每輛車在滿足數(shù)據精度和實時性要求的前提下，以最小的開銷發(fā)送數(shù)據，那么所有車輛總的通信開銷也達到最小。與此類似，Ma 等[3]提出了車輛到云端數(shù)據傳輸?shù)膬?yōu)化方案，根據網絡速度自動調整上傳視頻的分辨率，視頻的幀率也會根據車速進行控制。

Nguyen 等[99]考慮到車輛密集區(qū)域會產生大量冗余的環(huán)境感知任務，設計了減少重復感知任務的機制。首先根據捕獲圖像的時空覆蓋，將數(shù)據冗余問題表述為集合覆蓋問題；然后利用子模塊優(yōu)化技術在不降低環(huán)境感知質量的情況下，最大限度地減少傳輸?shù)竭吘壏掌鞯膱D像數(shù)量。

文獻[100]優(yōu)化了車輛到邊緣節(jié)點的任務數(shù)據傳輸成功率，針對V2I 通信的動態(tài)性和隨機性特點，提出了一種面向可靠性的V2I 計算卸載隨機優(yōu)化模型。在考慮截止期約束的情況下，首先推導了計算卸載的期望可靠性的理論下界；然后通過將隨機優(yōu)化轉化為動態(tài)規(guī)劃范式，得到了最優(yōu)期望卸載可靠性的下界和最優(yōu)的數(shù)據傳輸調度機制。

4.3 任務卸載技術小結

本節(jié)從任務卸載架構和任務卸載算法2 個方面總結了任務卸載技術的研究現(xiàn)狀，分別如表3 和表4所示。任務卸載架構定義了車輛之間、車輛和邊緣服務器以及云端之間的合作方式，主要在于解決2.2 節(jié)中提出的車輛移動性和任務執(zhí)行環(huán)境隔離性的問題。任務卸載算法則通過合理的任務調度、資源分配以及數(shù)據傳輸優(yōu)化，在資源受限的邊緣環(huán)境中提高了任務卸載系統(tǒng)的可靠性以及吞吐量，主要處理2.2 節(jié)中提出的資源受限問題，也有部分算法研究關注到了車輛的移動性。

表5 按照任務卸載技術所面臨的3 個主要挑戰(zhàn)對上面提到的研究工作進行了歸類總結。從表5 可以看出，資源有限和車輛移動性這2 個問題已經受到了多數(shù)研究者的關注，而與任務執(zhí)行環(huán)境的隔離性相關的研究數(shù)量較少，這是未來研究中需要重點關注的方向。

5 有待進一步研究的問題

自動駕駛汽車與邊緣節(jié)點的協(xié)同感知和任務卸載能夠解決自動駕駛汽車感知范圍受限和計算資源不足的問題。但是邊緣計算環(huán)境和自動駕駛汽車的特殊性給協(xié)同感知和任務卸載帶來了很多困難，結合前文所述協(xié)同感知和任務卸載方面的研究成果，本節(jié)提出了自動駕駛邊緣計算領域有待進一步研究的問題。

1) 高效且可靠的感知信息共享策略

在協(xié)同感知的研究上，現(xiàn)有對協(xié)同感知信息共享策略的研究大多是以廣播的形式實現(xiàn)信息共享。與單播不同的是，廣播報文只能以最低速率發(fā)送，并且沒有確認機制。這增加了無線信道的占用時間，并且很難在信道質量不穩(wěn)定的車載網環(huán)境中保證感知信息傳輸?shù)目煽啃?。以廣播的形式共享協(xié)同感知信息時，車輛可能會收到關于同一對象的多條信息，如圖5 中的車輛C 將從車輛A 和車輛B 收到兩條關于車輛X 的信息。這不僅會占用過多的V2V 通信資源，還會給車輛增加許多額外的計算任務。因為自動駕駛汽車需要將接收到的對象與已知的對象進行關聯(lián)匹配，判斷它們是否是同一對象，如車輛C 需要將來自車輛A 和車輛B 的關于車輛X的信息進行匹配。另一種情況是車輛C 可能并不需要車輛X 的信息。適當?shù)臄?shù)據冗余有助于提高感知的精確度，但是過多的數(shù)據冗余明顯是沒有益處的。

圖5 廣播式的協(xié)同感知信息共享

車載自組網的通信資源十分寶貴，所以在設置CPM 共享策略時需要盡量減少數(shù)據的冗余。這可以通過合理的合作節(jié)點選擇來實現(xiàn)，比如選擇盡可能少的節(jié)點來廣播信息，這些節(jié)點的傳感器能夠覆蓋絕大部分重要的或車輛感興趣的區(qū)域。同時，還需要根據網絡狀態(tài)和車輛位置的動態(tài)變化，來調整所選擇的節(jié)點，在有限的通信資源約束下盡可能滿足大多數(shù)車輛的感知需求。

2) 隔離且實時的任務執(zhí)行環(huán)境

在邊緣計算環(huán)境中，同一個邊緣服務器會為多個自動駕駛汽車服務，同時執(zhí)行多個計算任務。隔離任務執(zhí)行環(huán)境旨在將執(zhí)行任務所需要的資源進行隔離，防止多個同時執(zhí)行的任務爭奪計算資源，導致任務無法在時延約束下完成?，F(xiàn)有大多數(shù)研究僅僅是將邊緣服務器的資源分配給各個任務，而并未考慮資源的隔離。盡管隔離任務的執(zhí)行環(huán)境可以用容器或虛擬機技術實現(xiàn)，但虛擬機和容器的啟動速度很難滿足自動駕駛任務的實時性要求。

表5 現(xiàn)有研究所解決的挑戰(zhàn)

若在邊緣服務器中利用虛擬機或容器進行資源分配、隔離任務執(zhí)行環(huán)境，則要在任務到達之前啟動虛擬機或容器。這便需要預測將要到達的任務數(shù)量及其所需計算資源。因此，可以通過與時間和空間相關的歷史數(shù)據、車輛所處交通環(huán)境（需要檢測和跟蹤的目標數(shù)量）以及車輛的速度等屬性來預測未來一段時間服務器所接收的任務數(shù)量及其所需資源大小，并根據預測結果啟動能夠滿足任務卸載需求的虛擬機或容器數(shù)量。

3) 支持協(xié)同感知的任務卸載技術

自動駕駛的計算瓶頸是在感知階段[15]，即車輛通常是在環(huán)境感知階段出現(xiàn)計算資源不足的情況下，影響環(huán)境感知的精度。而現(xiàn)有的協(xié)同感知研究中均未考慮自動駕駛汽車計算資源不足的情況，絕大多數(shù)任務卸載技術也未涉及協(xié)同感知場景。

自動駕駛汽車最基本的要求是能夠感知到完整的、可靠的環(huán)境信息，并且在時延約束下完成對環(huán)境信息的處理。這2 個階段應是緊密結合的。所以未來的任務卸載技術研究應考慮協(xié)同感知場景下的任務卸載，進一步加強任務卸載中的時延約束，使任務卸載技術為自動駕駛汽車的環(huán)境感知服務。比如可以研究不同任務卸載決策對協(xié)同感知性能的影響，或根據感知區(qū)域的重要程度定義感知任務的優(yōu)先級進行任務調度。

4) 去中心化的安全信任機制

協(xié)同感知和任務卸載都涉及自動駕駛汽車與邊緣節(jié)點的協(xié)作，若有惡意節(jié)點向其他車輛發(fā)送虛假的環(huán)境信息、向RSU 發(fā)送大量的計算任務占用計算資源、接收自動駕駛汽車的計算任務而不執(zhí)行，自動駕駛汽車的安全就會受到極大的威脅。所以在進行協(xié)同感知和任務卸載時，都需要考慮節(jié)點之間相互信任的問題。

自動駕駛汽車所處的環(huán)境物理范圍廣、節(jié)點種類多，其中車輛、道路基礎設施、邊緣節(jié)點等很可能來自不同的廠商，很難形成公認的安全中心。將區(qū)塊鏈技術[101]應用到車載網絡有助于解決去中心化條件下自動駕駛汽車與邊緣節(jié)點合作中的安全問題。區(qū)塊鏈技術的本質是解決節(jié)點之間的信任問題，因此可以利用其去中心化和數(shù)據不可篡改的特性建立自動駕駛車輛和邊緣節(jié)點之間信任機制。此外，利用區(qū)塊鏈實用拜占庭共識算法的多備份和簽名機制可以避免自動駕駛汽車與邊緣節(jié)點的合作受到惡意節(jié)點的干擾。

6 結束語

高級別自動駕駛的實現(xiàn)離不開邊緣計算的幫助。自動駕駛汽車與邊緣節(jié)點之間的協(xié)同感知和任務卸載是邊緣計算在自動駕駛領域的關鍵應用，幫助自動駕駛汽車解決了感知范圍受限和計算資源不足的問題。本文介紹了協(xié)同感知和任務卸載的概念，并對這2 個方面的研究現(xiàn)狀進行了分析總結，最后結合現(xiàn)有研究成果提出了有待進一步研究的問題。本文通過對自動駕駛邊緣計算領域的研究成果的綜述，總結研究思路，幫助該領域研究人員快速了解協(xié)同感知和任務卸載技術的研究現(xiàn)狀，并給出了供參考的研究方向。