综述:自动驾驶车辆中的策略性卸载技术:当前方案、挑战及未来前景的系统综述

《Computer Science Review》:Strategic offloading in autonomous vehicles: A systematic survey of current schemes, challenges, and future prospects

【字体: 大 中 小 】 时间:2026年01月20日 来源:Computer Science Review 12.7

编辑推荐:

  阿米尔·马苏德·拉赫马尼(Amir Masoud Rahmani)| 阿米尔·海德尔(Amir Haider)| 法哈德·索莱曼尼安·加雷赫乔波格(Farhad Soleimanian Gharehchopogh)| 科米尔·莫加达西(Komeil Moghaddasi)| 阿索

  阿米尔·马苏德·拉赫马尼(Amir Masoud Rahmani)| 阿米尔·海德尔(Amir Haider)| 法哈德·索莱曼尼安·加雷赫乔波格(Farhad Soleimanian Gharehchopogh)| 科米尔·莫加达西(Komeil Moghaddasi)| 阿索·达尔韦什(Aso Darwesh)| 梅赫迪·侯赛因扎德(Mehdi Hosseinzadeh)
未来技术研究中心,国立云林科技大学,云林,台湾

**摘要**
自动驾驶车辆,尤其是无人驾驶汽车,被许多人视为交通运输领域的革命性变革,有望降低事故率并缓解交通拥堵。为了正常运行,这些车辆结合了来自摄像头、雷达和激光雷达(LiDAR)的数据,并需要实时处理这些数据,从而产生巨大的计算需求。要在自主系统的能耗和散热范围内满足这些需求,需要精心规划哪些任务应在何时以及以何种顺序执行。在某些情况下,将工作负载转移到边缘计算或云服务器上可以缓解计算压力,减少端到端的延迟,并在严格延迟限制下提高系统的整体响应速度。本文综述了现有的卸载技术,指出了诸如延迟管理、网络可靠性和安全性等关键挑战,并探讨了车辆系统领域的未来改进方向。通过对现有研究的分析,我们客观评估了卸载策略在何时以及如何增强自动驾驶系统的多方面计算需求,最终目标是支持更安全、更高效的交通工具。

**引言**
物联网(IoT)通过使设备能够无缝传输信息,在多个领域发挥重要作用[1]。在交通运输领域,这种连接性改善了车辆系统之间的通信,并提高了交通管理的安全性[2,3]。配备物联网技术的车辆具有独立导航的能力,能够在复杂环境中行驶。这些车辆专门设计用于自主运行,同时处理来自多种传感器的数据,以做出安全的驾驶决策[4,5]。在交通运输领域使用物联网传感器不仅仅是为了提升车辆性能[4,5],它还迎来了具备更高连接性、智能化和安全性的未来系统。随着车辆的发展,自动驾驶车辆必须在碰撞发生前基于传感器输入快速准确地进行决策,这带来了基于计算能力的重大数据处理挑战[6,7]。目前的解决方案(如云服务器)有助于离线处理数据,但通常无法为自动驾驶车辆提供低延迟的决策支持[8]。在高速行驶、长距离运输或复杂导航条件下,实时自动驾驶车辆的决策能力变得至关重要[9]。边缘计算(Edge Computing, MEC)和移动边缘计算(Mobile Edge Computing)服务器在填补这一差距方面发挥着越来越重要的作用。这些技术将数据处理过程移近数据生成源,无论是嵌入在车辆内部还是本地基础设施(如路边单元RSUs或蜂窝基站)中[10,11]。本地化处理可以减少处理延迟,显著提升车载系统的实时决策能力[12]。

卸载技术,即将计算任务从车辆主系统转移到边缘计算节点,是这一策略的核心[13, [14], [15]]。通过在靠近车辆的位置处理数据,边缘计算减少了延迟,提高了实时响应速度,并减轻了车载计算负担,从而更有效地管理大量连续的传感器和感知数据流[16,17]。研究表明,利用边缘计算资源可以显著提高任务执行速度、数据吞吐量和系统稳定性[18, [19], [20]]。这一过程不仅加速了数据处理,还节省了车辆有限的资源,使其能够更好地用于其他关键操作[21]。卸载技术在联网车辆中具有多重优势:首先,它减少了数据处理延迟,这对于及时响应环境变化和潜在危险至关重要[23, [24], [25]];其次,它减轻了车辆主计算系统的负担,防止系统过载并降低了能耗,这对电动汽车的续航里程和性能至关重要[26,27];第三,它支持比单纯依靠车载资源更复杂的计算,使得决策算法更加精确,车辆智能水平得到提升[28,29]。图1展示了自动驾驶车辆与云计算和边缘计算层的通信架构。自动驾驶车辆通过RSUs或将计算任务直接传输到云服务器,从而实现实时决策。

本调查探讨了卸载技术在提升自动驾驶车辆性能和安全性方面的作用,研究了边缘计算和MEC技术的进展及其在自动驾驶系统中的应用。同时,评估了各种数据及计算任务卸载策略,分析了相关的技术和操作挑战,并讨论了这些技术的安全影响。通过详细分析现有的卸载技术及其影响,本文旨在全面展示这些技术如何进一步发展,以满足自动驾驶系统不断增长的需求。

随着人们对自动驾驶和联网车辆的兴趣日益增加,有关任务卸载及相关主题的研究也层出不穷。这些研究在范围、方法论重点和技术深度上存在差异,反映了车辆计算的复杂性。因此,有必要仔细回顾相关文献,以便明确我们的研究定位并区分我们与以往研究的区别。

德索扎(De Souza)等人[30]进行了最早的关于车辆网络中计算卸载的综合性调查,他们将以往的研究分为通用方法、工具和目标框架,但主要侧重于基础术语的澄清。尽管这项工作为后续研究提供了起点,但它局限于车辆网络的更广泛背景,未能直接探讨自动驾驶车辆的安全关键限制。相关的文献综述[14]和[15]主要从通信角度分析了车辆任务和交通数据的卸载,将方法分为V2V、V2I和V2X三类。这些研究展示了卸载如何缓解网络拥塞和提高吞吐量,但在计算智能、优化和自动驾驶环境中利用边缘计算和云计算资源方面讨论较少。

先前的研究范围较为狭窄。哈姆迪(Hamdi)等人[31]探讨了车辆雾计算,并指出在选择雾计算节点时应遵守服务水平协议(SLA)的要求;然而,该综述仅关注雾计算,忽略了混合云和边缘计算配置,更不用说基于学习的新型策略了。屈伊(Quy)等人[32]转向5G/6G自动驾驶车辆,关注下一代网络中的延迟与能耗之间的权衡。这种以通信为导向的框架很有启发,但仍需进一步探讨适用于自动驾驶的决策规则和具体约束(例如,紧密的感知到控制时间、切换频率等)。阿布塔希尔(Abuthahir)等人[33]综合了多维卸载、元启发式算法、深度学习和博弈论在车辆边缘计算中的应用。虽然算法细节丰富,但与自动驾驶车辆实际运行条件的联系较为薄弱。

相比之下,我们的调查采用以自动驾驶为核心的视角,将卸载视为控制回路的一个组成部分,而不仅仅是网络任务。我们将策略分为五类:以边缘为中心的架构、优化模型、AI/ML流程、通信设计和安全防护措施。对于每一类策略,我们都将其设计与自动驾驶中的具体计算和安全要求联系起来。与以往的综述不同,我们重点探讨了卸载如何影响实时决策、系统可扩展性和韧性。通过综合分析现有方案,我们指出了不足之处,并提出了在约束条件下实现完全自主运行的具体方法。表1总结了现有研究的范围和主要贡献,指出了它们的研究重点和盲点,说明我们的研究是首个专门针对自动驾驶车辆卸载技术建立的分类体系。

我们的研究源于一个明确的需求:自动驾驶车辆必须提高计算效率和响应速度。近年来,数据需求持续增长,系统运行复杂性也在迅速增加。在这种情况下,卸载技术至关重要,它提供了一种实用的方法来克服车载处理的限制,同时解决车辆系统的延迟问题。有效的卸载技术可以提高安全性和可靠性,促进该领域的广泛应用,并在实际应用中展现出色的性能。

在详细整理文献的基础上,本文阐明了自动驾驶车辆中卸载技术的现状和挑战。本研究的主要贡献包括:
- 我们批判性地评估了边缘计算在支持自动驾驶中的实现方式,强调了成功应用的同时指出了限制其广泛应用的法律问题;
- 我们总结了优化算法在管理车辆网络资源方面的重大进展和持续存在的挑战,强调了需要更加灵活和稳健的解决方案;
- 我们研究了AI和ML在卸载过程中的应用,分析了这些技术在处理实时数据和决策复杂性方面的优缺点;
- 我们详细分析了关键的数据卸载通信策略,评估了现有技术的有效性及新兴标准的影响;
- 我们探讨了自动驾驶车辆卸载相关的安全风险,调查了保护数据和隐私的最新方法,并指出了剩余的安全漏洞。

基于这些发现,我们提出了改进措施,以克服已识别的限制,特别是优化数据卸载方式,以更可靠地支持自动驾驶车辆的功能。基于这些发现,我们推荐了若干研究方向,这些领域有望显著提升自动驾驶技术的可扩展性和效率。表2列出了研究中使用的缩写。

本文的结构如下:第2节描述了用于收集和分析自动驾驶车辆卸载策略相关文献的方法论;第3节概述了自动驾驶车辆的特征;第4节批判性地分析了当前领域的最新研究和方法;第5节探讨了阻碍这些系统发展的主要挑战;第6节总结了本文,提出了考虑研究局限性的未来研究方向。

**方法论**
本调查系统地回顾了关于自动驾驶车辆数据卸载的文献,概述了本研究采用的方法论,包括研究问题的构建方式、数据选择过程以及文献分类方法。

### 自动驾驶车辆
配备先进传感器和人工智能的自动驾驶车辆有望彻底改变交通运输方式。它们有望提升道路安全性、减少交通拥堵并降低排放。随着世界朝着可持续性和效率的方向发展,自动驾驶技术因其在未来交通模式中的变革潜力而备受关注。下面列出了实现这些变革能力的关键传感器:

### 超声波传感器
这些传感器用于短距离通信……

### 分析与分类
在本研究的这一部分,我们详细分析了相关文献,以了解自动驾驶车辆卸载策略的各种方法和手段。我们的目标是建立一个清晰的分类体系,帮助识别当前研究趋势、空白点及未来发展方向。

### 当前面临的挑战
根据第4节(以及表3、表4、表5、表6的总结),本节总结了当前卸载策略面临的主要挑战。这些挑战源于我们对各种方案的比较分析,特别是它们在可扩展性、安全性和集成方面的局限性(如第4.3节所讨论)。通过将这些问题与相关文献直接联系起来,我们……在我们审查的经过同行评审的研究中,四个问题反复出现:延迟、可扩展性、能源使用和数据隐私。我们的研究范围和调查存在局限性。我们主要关注在学术期刊上报道的技术提案,并仅简要讨论了生成式人工智能和人工智能辅助技术在写作过程中的应用。在本文的撰写过程中,作者使用了Grammarly工具来提升手稿的语言表述和可读性。使用该工具后,作者根据需要对内容进行了审查和编辑,并对出版物的全部内容负全部责任。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号