Vai trị của điện tốn biên: Điện tốn biên bao gồm các cơng nghệ máy tính như lưu trữ, quản lí dữ liệu, phân tích dữ liệu và mạng. Biên cho phép xử lí dữ liệu thời gian thực và cho phép các ứng dụng và thiết bị phản ứng với dữ liệu ngay lập tức.
Các phương tiện như xe tự lái có thể kết nối vào lề để nâng cao độ an toàn, nâng cao hiệu quả, giảm thiểu tai nạn và giảm ùn tắc giao thông. Những chiếc xe này được trang bị nhiều cảm biến, và lượng lớn các dữ liệu cho các cảm biến tạo ra cần được xử lí nhanh chóng.
Các thuật tốn học máy được sử dụng cho ô tô tự lái trích xuất thơng tin chi tiết từ những dữ liệu thô ban đầu để xác định điều kiện đường đi và đưa ra những quyết định dựa trên việc phân tích chúng.Ví dụ :Vị trí của người đi bộ, tình trạng đường xá, mức độ ánh sáng, điều kiện lái xe và xá vật thể xung quanh xe. Tất cả những yếu tố này tạo ra một lượng dữ liệu khổng lồ phải được xử lí một cách nhanh chóng.
Điện toán biên (MEC) được áp dụng rộng rãi trong ngành công nghiệp ô tô đặc biệt là xe tự lái. Nó sẽ làm cách mạng hóa thay đổi nhiều nền kinh tế và cuộc sống hàng ngày của chúng ta. Một số cơ chế điều khiển liên quan đến tính tốn biên trong xe tự lái
1) Dữ liệu được tối ưu hóa: Điện tốn biên sẽ cho phép các phương tiện và các thiết
bị được kết nối và xử lí một cách gần hơn giảm lượng dữ liệu truyền qua lại giữa đám mây và vùng biên của mạng. Giúp tiết kiệm chi phí
2) Thời gian phản hồi của 6G nhanh hơn : Khi này chúng ta khơng cần vịng quanh
đám mây nữa nên độ trễ giảm xuống làm giảm thời gian các phương tiện cần kết nối để hồn thành vịng điều khiển một cách nhanh chóng
3) Quy tụ việc xử lí theo khu vực: Việc xử lí thơng tin một cách cục bộ làm hạn chế
dò rỉ thông tin của người dùng tránh việc lộ thông tin nhạy cảm.
4)Cơ sở hạ tầng được bảo mật nghiêm túc: điện toán biên giúp giải quyết các mối
nguy cơ về bảo mật đối với các phương tiện và thiết bị từ khâu bảo mật đầu cuối thiết bị đến đám mây đảm bảo khả năng phát hiện mối đe dọa về thời gian thực ở rìa mạng.
5) Bộ nhớ đệm lưu trữ dữ liệu cục bộ: Nó cho phép lưu trữ dữ liệu cục bộ giúp cải
thiện trải nghiệm của người dùng tối ưu hóa các chi phí. Các thiết bị chỉ cần di chuyển dữ liệu đến các vùng chính xác để xử lí, điều này giúp giảm thời gian và độ trễ khi truyền dữ liệu.
Là một ứng dụng đầy hứa hẹn, việc xe tự lái đang phát triển mạnh mẽ đã dẫn đến sự phát triển vượt bậc của MEC và AI, thúc đẩy sự thịnh vượng của biên thông minh (EI) để tạo điều kiện thuận lợi hàng ngày đời. Trong bối cảnh này, EI cho phép xe tự lái (AV) để cảm nhận và phản ứng với mơi trường xung quanh chính xác chắc chắn bằng cách giảm tải dữ liệu đã thu thập đến lợi thế mạnh mẽ máy chủ được đặt cùng vị trí với trạm gốc (BS), như được đánh dấu trong Hình 3.1 Bằng cách triển khai dịch vụ điện toán dựa trên EI tại máy chủ biên, tính tốn suy luận của AV có thể đạt được với độ chính xác cao hơn và độ trễ thấp hơn. Tuy nhiên, có nhiều các vấn đề liên quan đến giao tiếp và máy tính theo băng thơng hạn chế và tài ngun tính tốn, bảo mật dữ liệu và an ninh, những trở ngại hiện tại đối với mục tiêu lái xe tự hành trong kỷ nguyên 6G. Được thúc đẩy bởi các đặc điểm hấp dẫn nêu trên, một loạt các nghiên cứu các hoạt động kết hợp 6G với EI trong xe tự lái thiết kế hệ thống đã được bắt đầu. Về khía cạnh này, nhằm mục đích khám phá những thách thức về EI trong lái xe tự lái, điều tra những đóng góp gần đây và tiến bộ, và sau đó đề xuất các giải pháp.
Những đóng góp chính và tổ chức của bài viết này được tóm tắt như sau. Phần 3.1 Tổng quan về những nỗ lực đã được thực hiện dựa trên trí tuệ nhân tạo trong mạng lưới xe cộ và đặt ra những thách thức thiết kế trong mục 3.2. Trong Phần 3.3 trình bày hai khung xe tự lái được trao quyền EI cấp, vượt trội hơn các cơng trình hiện có ở hai phần sau:
Đạt được chiến lược giảm tải thông minh thông qua học tập đa nhiệm vụ trong thời gian gần thực
Đạt được sự suy luận chung với việc bảo vệ quyền riêng tư và ít giao tiếp hơn trì hỗn thơng qua phân đoạn mạng nơ-ron. Đặc biệt, một mơ hình học tập đa tác vụ được triển khai tại máy chủ biên để suy ra quyết định tải trọng tối ưu của các phương tiện và phân bổ tài ngun tính tốn của máy chủ biên với độ chính xác trong thời gian gần thực, được tăng cường bởi mạng nơ-ron phương pháp phân đoạn để đạt được suy luận trực tuyến hiệu quả linh hoạt với tính năng bảo vệ quyền riêng tư và tăng độ trễ ít hơn. Một nghiên cứu điển hình được trình bày để chứng minh khung đề xuất và sau đó được đánh giá thơng qua các thí nghiệm trong Phần 3.4.
3.2. Các ứng dụng, lợi ích và thách thức đối với tính tốn biên thơng minh cho xe tự lái tự lái
3.2.1 Ứng dụng EI trong xe tự lái
Gần đây mối quan tâm nghiên cứu ngày càng gia tăng đối với sự đánh giá cơng nghệ AI (ví dụ: ML và DL) vào tính tốn biên được gọi là EI, có thể giúp đạt được hiệu quả tính tốn và đưa ra quyết định thơng minh để giữ an toàn cho các con đường. Sau đây em xin liệt kê một số tính tốn cơ bản chun sâu các ứng dụng được hỗ trợ bởi EI trong việc xe tự lái hoạt động, chẳng hạn như đối tượng phát hiện, dự đoán luồng lưu lượng và lập kế hoạch đường đi.
1) Phát hiện đối tượng: Phân tích video thời gian thực đã được áp dụng rộng rãi trong xe tự lái (xem hình 16 ). trong đó dữ liệu do máy ảnh và các cảm biến tích hợp khác ghi lại là được phân tích thơng qua các kỹ thuật AI. Để đạt được an toàn và hiệu quả lái xe (ví dụ: giảm tai nạn và giảm tắc nghẽn giao thông), xe tự hành nên xác định các đối tượng kịp thời và chính xác theo mơi trường xung quanh. Tuy nhiên, việc thực thi loại tác vụ nhạy cảm với độ trễ này thông qua DL thường yêu cầu
Tài ngun tính tốn cao được tích hợp và có băng tần cao tiêu thụ chiều rộng bằng cách tải các tác vụ lên đám mây từ xa các trung tâm. Để giải quyết các vấn đề và thực hiện xe tự lái. Có thể EI cho phép các phương tiện tự lái di chuyển một số phân tích video tới các máy chủ biên, thường ở gần nguồn dữ liệu và có thể cải thiện độ chính xác của suy luận.
2) Dự đoán lưu lượng truy cập: Với xu hướng ngày càng tăng con người yêu cầu về hệ thống giao thông thông minh và việc áp dụng các phương tiện tự hành, kịp thời và chính xác thu thập thơng tin về luồng giao thông sẽ tạo ra dation cho nhiều ứng dụng liên quan đến vị trí, ví dụ: điều hướng. Tuy nhiên, khối lượng lớn dữ liệu môi trường với nhiều các nguồn sẽ bão hòa nghiêm trọng bộ nhớ trên bo mạch và trở thành quá phức tạp để đáp ứng các yêu cầu với truyền thống kỹ thuật và cơ sở hạ tầng tính tốn. Để đáp ứng điều này thách thức, EI đại diện cho một xu hướng “cuộc cách mạng không người lái trên dữ liệu lớn”. Cụ thể, bằng cách kết hợp AI với nâng cao kỹ thuật tính tốn biên, các tài ngun tính tốn có thể được mở rộng sang máy chủ biên để đạt được trạng thái tối tân hiệu suất cho các tính năng phân cấp học hỏi từ cấp cao tập dữ liệu chiều và đáp ứng các yêu cầu thời gian thực của các công việc tốn nhiều thời gian.
3) Quyết định thông minh: Những năm gần đây đã cho thấy nhận xét- có thể chú ý đến quyết định thơng minh trong xe tự lái, ví dụ: lập kế hoạch đường đi trực tuyến, nhằm mục đích cải thiện an tồn đường bộ bằng cách tránh va chạm với các chướng ngại vật xung quanh, xe cộ, và cơ sở hạ tầng. Với việc lập kế hoạch đường đi khả thi, AVs có thể thực hiện quyết định hợp lý về các hoạt động quan trọng (chẳng hạn như brak- ing, quay đầu và vượt.) theo môi trường xung quanh bằng cách cung cấp kết quả suy luận vào ECU trên bo mạch hoặc hệ thống CACC. Trong thực tế, quyết định thơng minh có thể được xây dựng như một vấn đề ra quyết định được tối ưu hóa có tính đến động lực của phương tiện, tuy nhiên, điều này làm cho quyết định khó đạt được trong thời gian. Đáng chú ý, điều này ngày càng trở thành mối quan tâm khi mơ hình B5G / 6G được tính đến. Để đáp ứng mối quan tâm này, EI có thể là một cuộc cách mạng-đột phá tĩnh bằng cách trực tiếp suy ra quyết định tối ưu trong thời gian gần thực thông qua một mơ hình DL được đào tạo bài bản được triển khai tại cạnh. Khác với điện toán đám mây thơng thường- các phương pháp dựa trên, ví dụ: Google Map, với sự hỗ trợ của AI hàm chỉnh màu ở biên, EI có thể làm giảm đáng kể mạng khơng dây trì hỗn giao tiếp bằng cách cho phép AV tải lên dữ liệu (chẳng hạn như điều kiện xe và dữ liệu môi trường xung quanh) cho máy chủ biên. Kết quả là, các AV có thể thu được kết quả kết quả trong một khoảng thời gian giới hạn và do đó một cách thơng minh, kịp thời, và quyết định đáng tin cậy dễ đạt được ở các AV, đặc biệt là khi các điều kiện xung quanh thay đổi đột ngột.
3.2.2 Thách thức về kĩ thuật
Cảm giác khả thi: Trong thực tế, do tính năng của cảm biến nhúng, chúng thường bị hạn chế năng lực nhận thức, dẫn đến cảm nhận không khả thi về vùng lân cận. Cụ thể, với tư cách là một phương pháp cảm biến chính, nhược điểm chính của phát hiện đối tượng dựa trên hình ảnh là hiệu suất suy luận (ví dụ: độ chính xác của nhiều lớp sàng lọc) thường dựa vào chất lượng hình ảnh đã chụp. Các chất lượng hình ảnh có thể bị ảnh hưởng bởi môi trường xung quanh, chẳng hạn
giữa máy ảnh và vật thể. Theo báo cáo tai nạn của Ban An tồn Giao thơng Vận tải (NTSB) tional, …
Xe thử nghiệm tự lái của Uber đã tông vào một người đi bộ mặc quần áo sẫm màu và đi xe đạp băng qua đường ở Arizona vào khoảng 9:58 tối ngày 18 tháng 3 năm 2018. Xe đạp khơng có bất kỳ phản xạ bên và ánh sáng đường khơng chiếu sáng trực tiếp phần lịng đường. Kết quả là, mơ hình học sâu được đào tạo trước đã phân loại nhầm người đi bộ trước tiên là một đối tượng khơng xác định, sau đó là một phương tiện, và cuối cùng, là một chiếc xe đạp với những kỳ vọng khác nhau về tương lai các con đường du lịch. Từ tai nạn này quan sát thấy rằng quyết định tạo ra bởi một loại cảm biến duy nhất (ví dụ: các máy ảnh trong) Riêng trường hợp thử nghiệm của Uber đã có xu hướng nghiêm trọng hóa tai nạn. Để tránh điều này, một phương pháp ứng viên đầy hứa hẹn là hợp nhất các phương thức cảm nhận thay thế để nhận thức, ví dụ: hợp nhất từ các cảm biến LiDAR, các cảm biến được triển khai tại đèn giao thông thông minh và truy vấn các cảm biến từ các xe cộ. Loại công nghệ này được gọi là hợp nhất cảm biến.
Đánh đổi giữa độ tin cậy và độ trễ: Do đó hiệu suất nói chung khơng chỉ bao gồm suy luận độ chính xác mà cịn là độ trễ suy luận. Kể từ khi suy luận độ chính xác của một mơ hình DL được đào tạo trước chủ yếu được xác định bởi chất lượng dữ liệu đầu vào và khả năng mơ hình, suy luận độ chính xác có thể bị giảm do dữ liệu "chất lượng kém" và mơ hình mạng nơ ron nơng. Bên cạnh đó, một bổ sung sự chậm trễ giao tiếp được đưa ra bằng cách giảm tải các tác vụ từ thiết bị di động sang một máy chủ mạnh hơn với một mơ hình mạng nơ ron sâu hơn. Tuy nhiên, kênh động lực đơi khi có thể vơ hiệu hóa việc giảm tải. Ngay cả khi khơng, độ trễ giới thiệu có thể gây tử vong cho thiết bị nhạy cảm với độ trễ. Do đó, tồn tại sự đánh đổi giữa suy luận độ chính xác và độ trễ, cần cân nhắc kỹ lưỡng về thiết kế của biên thông minh không thể tránh khỏi. Để đạt được sự cân bằng thoải mái giữa độ tin cậy và độ trễ tăng lên, nó trở nên cần thiết để giảm mạng không dây độ trễ truyền giữa các thiết bị và máy chủ biên. Ví dụ, tốc độ có thể đạt được của liên kết khơng dây có thể được cải tiến thơng qua một số công nghệ đầy hứa hẹn trong tương lai 6G mạng, chẳng hạn như truyền dẫn mmWave, MIMO lớn, và các bề mặt thơng minh có thể định cấu hình lại ba chiều. Trên khác lưu ý, dữ liệu có thể được tải thêm sang các thiết bị di động khác thông qua các liên kết giữa thiết bị với thiết bị với khoảng cách ngắn hơn. Trong mạng lưới phương tiện được coi là phương tiện có thể trực tiếp giảm tải dữ liệu cho các phương tiện lân cận của họ thơng qua hầm-V2V hoặc thậm chí cả giao diện PC5.
Nguồn lực hạn chế: So với một lượng lớn các đơn vị xử lý đồ họa (GPU) và xử lý trung tâm hiệu quả đơn vị (CPU) được tích hợp trên đám mây, các máy chủ biên thường khó có thể chịu một lượng lớn các yêu cầu giảm tải từ các thiết bị do hạn chế của tính tốn, bộ nhớ đệm và tài nguyên năng lượng trên các máy chủ biên và giao tiếp hạn chế băng thông. Trong bối cảnh này, việc tối ưu hóa chung của việc giảm tải quyết định và phân bổ các nguồn lực hạn chế có sẵn tại máy
chủ cạnh đóng một vai trị đặc biệt quan trọng trong tính tốn biên thơng minh. Bảo mật dữ liệu và quyền riêng tư: Trong nhiều ứng dụng làm- nguồn của trí tuệ
biên, các vấn đề về bảo mật dữ liệu và quyền riêng tư rất quan trọng vì dữ liệu của thiết bị di động bắt buộc phải được xử lý và suy luận có thể mang nhiều tính nhạy cảm riêng tư thơng tin có thể khơng muốn nắm bắt. Cầm lấy xe tự lái là một ví dụ, trong đó AV bắt một lượng lớn hình ảnh chứa thơng tin về quyền riêng tư. Giả sử rằng loại thông tin này được tải trực tiếp xuống máy chủ biên được xử lý, quyền riêng tư của người dùng có thể bị rị rỉ. Nói chung, vấn đề này có thể xảy ra trong cả quá trình đào tạo mơ hình và suy luận. Để giải quyết vấn đề này, thực hiện đơn giản đầu tiên đóng gói (hoặc đào tạo) tại thiết bị và sau đó tải lên các tính năng trung gian cho máy chủ biên trở nên đầy hứa hẹn.
3.2.3 Lợi ích của việc tính tốn biên
Đạt được tốc độ xử lý cao hơn: Xử lý dữ liệu gần nguồn hơn giúp giảm độ trễ mạng do đó tăng hiệu suất và tốc độ mạng cho người dùng cuối
Tăng cường bảo mật: Do đó, nhiều dữ liệu hơn được xử lý tại thiết bị cục bộ, làm giảm các cuộc tấn công bảo mật xảy ra trong quá trình truyền dữ liệu qua mạng. Ngoài ra, vì nó phân phối q trình xử lý, lưu trữ và ứng dụng trên nhiều thiết bị để giảm đáng kể rủi ro bảo mật
Tiết kiệm chi phí -Do tính tốn biên giữ lại hầu hết dữ liệu tại chính thiết bị, nên