Vehicle as a Mobile Computing Platform: Opportunities and Challenges —— IEEE Network
原文链接:https://ieeexplore.ieee.org/abstract/document/10269712
文章目录
![image-20231128215250687](https://i-blog.csdnimg.cn/blog_migrate/42a3534d042be179caa60f111900f04c.png)
网联汽车(connected vehicles , CVs)除了具有传统的运输功能外,还将作为一个移动计算平台,具有计算、通信、能耗与存储、感知和数据存储等功能。
1 移动计算平台
车辆计算( Vehicle Computing )是指使计算能够在网联汽车上执行的技术,使其能够作为移动计算、通信、能耗和存储、感知以及各种边缘服务的数据存储平台,可以帮助分析来自车载传感器和周围连接设备/事物的数据流。
车辆计算范式由车辆到基础设施( V2I )、车辆到车辆( V2V )和潜在的车辆到万物( V2X )通信驱动。
" V2I "一词是指能够使车辆直接与交通系统的固定组件进行交互的通信框架,例如交通信号、路边传感器、气象站和其他基础设施元素。
V2X允许联网车辆与万物互联,不仅与各种交通系统建立通信,如蜂窝塔,交通监控摄像头和路边单元( RSU ),以及其他道路用户,还与邻近环境的组件进行通信,包括工业物联网设备和边缘服务器等。
2 移动通信平台
车联网中先进通信机制的普及为与其他车辆、路边基础设施甚至行人的信息交换铺平了道路,互联互通的环境增强了态势感知能力,使决策更加智能。
- 长期演进( Long Term Evolution,LTE )作为3G到4G通信技术过渡的中间解决方案。
- 5G比4G传输速率更大,时延更低。
- 专用短程通信( Dedicated Short-Range Communication,DSRC )是为车联网设计的V2X通信协议。它基于IEEE 802.11 p标准,工作频率为5.9 GHz 。由于受到带宽的限制,DSRC消息具有较小的尺寸和较低的频率。
- 蜂窝车联网( Cellular Vehicle-to- Everything,C-V2X )是传统V2X网络与蜂窝网络的结合,将4G / 5G成熟的网络支持带入了互联移动领域。与DSRC类似,C - V2X主要工作在5.9 GHz的共享频谱上。通过对蜂窝网络升级,C - V2X的性能可以得到极大提升。
3 移动感知平台
自动驾驶汽车通常采用各种传感器来观察和适应环境,包括:摄像机、激光雷达(LiDAR)、雷达Radar(无线电波)、IMU和GPS等。
-
摄像机:成本较低,被广泛用于自动驾驶汽车,提供二维信息。此外,摄像头以高帧率产生高分辨率的图像,同时可使用机器视觉方式处理这些数据。但是,对光的依赖限制了它们在恶劣天气和弱光条件下的有效性。
-
激光雷达:使用激光根据Time of Flight(TOF)确定距离,创建物体的3D图像。虽然激光雷达提供了更宽的传感范围和对不利条件的抵抗力,但其成本高。激光雷达每秒产生10到70MB的重要数据,实时处理可能很有挑战性。
-
雷达(无线电波):利用无线电波测量物体的距离和速度。通常,在24GHz或77GHz的频率下工作,77GHz雷达可以提高精度并减少干扰。其受恶劣天气和低光环境的影响较小,生成的数据大小较小,通常在每秒10100KB之间。
-
IMU和GPS:
GPS精度因观测值和处理算法而异。GPS提供了低成本和极小的积累误差,但也有局限性,例如一米的精度和对无遮挡天空的需求。GPS每100毫秒更新一次,这可能不足以进行实时定位。
IMU由陀螺仪和加速度计组成,分别测量角速度和线性加速度。IMU不需要无遮挡的天空视图,但精度低,并且随着时间的推移会累积误差。
通常,可以用卡尔曼滤波器合并GPS和IMU数据,以获得快速和精确的定位结果。
4 数据产生和存储平台
确保传感器准确地收集数据,立即处理数据,安全地存储数据,并将数据传输到系统中的其他元素,如RSU、云数据中心。开发一种分层存储和工作流程结构,以促进平稳的数据访问和计算,仍然是一个关键的未解决问题。
5 车计算商业模式创新
引入一种新的商业模式,促进了新收入来源,并抵消了与计算和通信硬件相关的服务维护的高昂费用。
形成商业闭环,促进了五个关键组成部分之间的互利关系,通过开放收入流或高效地提供所需服务来相互支持。
6 各方面的挑战
6.1 车辆计算
6.1.1车辆系统组件的异质性
如保护锁存在在无授权的情况下无法修改电子控制单元。
6.1.2 服务的实时约束
实时约束类型 | 不满足约束的惩罚 |
---|---|
硬实时 | 导致灾难性后果 |
软实时 | 可能使计算结果变得无用 |
非时间关键型 | 可能会降低结果的有效性和效用 |
例如,在正常驾驶场景中,视频流处理可能是软实时的,甚至是非时间关键的。然而,在发生车辆碰撞的情况下,对摄像机视频流的分析变得至关重要,也是一项艰巨的实时任务。系统必须快速识别关键服务,并分配有保障的系统资源来处理这些任务,并确保对车辆防撞任务的实时约束。
6.1.2 安全隐私保护
6.2 车辆通信
6.2.1 通信机制
对于不断移动的车辆来说,存在网络连接的不可靠性,在不同无线网络和云提供商之间进行服务迁移的情况下,这对车辆服务的连续性提出了重大挑战。
主流通信机制,有DSRC、LTE、C-V2X和WiFi,使网联汽车能够与附近的设备进行通信。
- DSRC吞吐量低和覆盖范围有限。
- LTE和WiFi提供了更多的带宽,但它们在移动场景中表现不佳。
- C-V2X在具有高车辆密度机动性的环境中表现良好。但C-V2X相对较新,价格昂贵,并且没有广泛部署。
6.2.2 通信成本
对于车辆而言,分为上行链路(数据更新)和下行链路(软件/固件更新)成本。
传输成本巨大,需要在联网移动中进行边缘计算。边缘计算处理的车辆数据更接近来源,减少了传输需求。
6.3 能源约束
传感器的广泛使用和复杂算法在车联网中的实施,显著的能量消耗已经成为一个关键的挑战。这就需要一种集成的设计方法,包括能量管理系统,计算系统和电池。
6.4 感知
感知层面的挑战 | 分析与措施 |
---|---|
相机和LiDAR传感器的联合使用 | 可以相互弥补对方的局限性,然而,要将这些传感器有效地结合,就必须进行外参标定,这就需要对它们的相对位姿进行精确估计。因此,准确地校准这些不同的模态是一个具有挑战性的课题。 |
数据异常 | 数据异常数据密集型感知系统中的一个常见的问题,由于不完美的传感器和较差的数据传输质量,数据异常在CV系统中普遍存在。这些异常会导致误报,影响结构性能评估。 |
数据处理成本较高 | 数据预处理或清洗在时间和人力方面成本较高。迫切需要有效的数据清洗算法,使数据更可靠地用于在线监测和进一步分析 |
异常环境下对性能的评估 | 车上的传感器由于受到各种机械和天气条件的影响而受到破坏,它们产生的数据可能会导致对车辆周围环境的不正确反应。即使在传感器正常工作并捕获正确信息的情况下,车辆所使用的算法在恶劣环境下仍可能无法保证可接受的性能。然而,目前还没有对传感器、传感器数据和算法的失效进行全面的研究。此外,对这些故障也缺乏明确的定义和分类 |
6.5 数据存储
- 需要对这些数据进行安全的处理和存储。
- 在保持数据隐私和安全的同时,保证数据可供实时决策使用。此外,在发生事故或法律纠纷时,数据必须是可获取的。
- 需要建立和实施数据管理标准和协议,以保证各个系统和利益相关者之间的互操作性。
7 数据分析平台和车辆数据
名称 | 信息 |
---|---|
OpenVDAP | 包括一个车载计算/通信单元,一个支持隔离和安全隐私保护的车载操作系统,一个边缘感知的应用库,以及一个最优的工作负载卸载和调度策略。该配置使CV能够动态评估每个服务的状态、计算开销和理想的卸载目标,确保每个服务可以在可接受的延迟和最小的带宽消耗内完成。 |
Auto API | 由High Mobility公司开发。第三方服务提供商通过标准化的API访问,并在客户同意的情况下,可以使用梅赛德斯奔驰汽车的数据进行按需付费保险和电动汽车( EV )充电。 |
Otonomo汽车数据服务平台 | 提供全球1800万辆乘用车和商用车的车辆数据,包括来自各种系统的实时数据,如信息娱乐单元、燃油系统和高级驾驶员辅助系统(ADAS)。它确保了安全的数据管理,并允许驾驶员控制他们的个人数据。 |