智能网联车的端边云数据管理

中国计算机学会

摘要—智能网联车的端边云数据管理主要涉及数据感知、数据存储、数据管理与分析等几个方面。本文将围绕智能网联车场景，从上述几个角度探讨相关技术和对未来的展望。

杨晓春（东北大学）

关键词：智能网联车 车联网 端边云 数据管理

端边云协同让智能网联车更高效

        想象一下，你正在驾驶一辆配备了各种高科技设备的智能网联汽车，车上有各种各样的传感器和摄像头，正源源不断地收集着车辆周围的信息，包括道路状况、车辆工况、交通信号灯状态，等等。这些信息被发送至车辆内部的计算机系统进行处理与分析，这就是“端”的部分。这时，车载系统需要在本地对数据进行一些基础的处理和分析，比如识别道路上的障碍物、判断车辆的行驶状态等。这些处理不需要远程的云服务器，被称为“边缘计算”[1]。在车辆的边缘计算设备上，另一部分数据也得到了一些初步的处理，比如识别出行人、车辆、交通标志等信息，这些处理过的数据被发送到云端服务器。云端有着更强大的计算能力和存储空间。云端服务器可以对收集到的大量数据进行深入的分析和挖掘，比如通过机器学习算法预测交通拥堵状况，或者识别出驾驶员的驾驶习惯。这些分析结果可以帮助汽车制造商改进车辆的设计，提高驾驶安全性，并且为驾驶员提供更好的驾驶体验。

       讨论端边云协同环境中的数据管理与分析在智能网联车上的应用，实际上是在探讨如何让车辆更高效、更安全地在道路上行驶。端边云协同是一个技术方案，它结合了传统的云计算和边缘计算的优势，以满足智能网联车的特殊需求。在云计算方案中，数据和应用程序在远程大型数据中心处理和存储，用户通过互联网连接访问。云计算具有强大的处理能力和海量存储空间，但通常会有一定的延迟。在边缘计算方案中，数据处理是在数据产生的地点或其附近进行的，这意味着在物理上离用户或数据源更近，这样做的好处是可以极大地降低延迟，提高响应速度。智能网联车正是需要这种低延迟和快速响应的环境[2]。

       在自动驾驶车辆中，从感应器传来的数据（如路况、障碍物信息等）都需要被实时处理，为做出驾驶决策提供依据。如果这些数据被发送到远端的云中心去处理，响应时间可能会延长，从而影响到驾驶安全。

       在端边云场景下，智能网联车的数据管理与分析具有低延迟与高可靠性等特点。通过在车辆附近或车内进行数据处理，实现几乎实时的响应，同时确保数据处理的连续性和稳定性，防止因中断对车辆安全构成威胁的情况发生。相较于其他数据管理环境，智能网联车特别强调了实时数据处理的重要性以及对安全、隐私保护的高要求。端边云结构能够将处理能力下放到距离数据产生点更近的位置，从而更有效地支持智能网联车的高级功能，如自动驾驶、车辆对车辆通信等。在未来，智能网联车将逐渐成为智能交通系统的重要组成部分，使车辆能够与云端平台进行数据交换和服务调用，例如实时导航、远程诊断等，智能网联汽车将为全球交通系统带来根本性变革。

       本文将围绕智能网联车的端边云结构下的数据感知、数据存储、数据管理与分析及其典型应用需求等方面进行介绍。

解构智能网联车数据：感知、存储与分析

       在智能网联车的场景中，车载设备端通过各类传感器和摄像头获取车辆状态和环境信息，如车速、位置、道路状况等，并临时存储这些数据以备后续处理；边缘计算层扮演数据处理与筛选的重要角色，它位于车载设备和云端之间，通过分析感知到的数据实时识别和响应交通标志、障碍物等，并将重要数据汇总传输至云端；在云端，大规模的数据存储和高性能的计算资源支持数据的深度分析和挖掘，从而生成车辆行驶状态、交通状况预测等关键信息，为驾驶者提供智能化的驾驶辅助和车辆管理服务。如图1所示，智能网联车数据管理的整个流程形成了一个完整的数据生命周期，从感知到存储再到分析，为智能网联车的安全性、高效性和智能化提供了坚实的基础。本节将聚焦智能网联车数据管理的关键部分，即数据的感知、存储与分析，依次贯穿端、边、云三个关键层面。

端侧数据感知

       智能网联车作为端侧设备，通常配备了各种传感器，用来感知车辆周围的环境和状态信息[3]。智能网联车中常见的数据感知技术和传感器如下：

       1.摄像头是智能网联车中最常见的传感器之一，摄像头可以采集视频数据，通过图像处理和计算机视觉技术可以实时监测车辆周围的道路、交通标志、行人、车辆等。

       2.雷达是一种常用的远程感知技术，可以用来探测车辆周围的障碍物、其他车辆和行人等。雷达还可以提供高精度的距离和速度信息，具有在恶劣天气条件下工作的能力。

       3.激光雷达通过发送激光束并测量其反射时间获取车辆周围物体的距离和形状信息。它可以提供高分辨率的三维空间信息，可用于实时地图构建、障碍物检测和环境感知。

       4.超声波传感器常用于近距离障碍物检测，可用于停车辅助系统和自动泊车系统。

       5.GPS和惯性导航系统可以提供车辆的位置、速度和方向信息，再结合其他传感器数据，可以实现车辆的精确定位和导航功能。

       6.智能网联车上还可以搭载其他类型的传感器，例如温度传感器、湿度传感器、气压传感器、风向传感器等，用于监测车辆内部和外部环境的各种参数，实现多样化的数据感知。

       智能网联车上还部署了车载智能计算单元，它由单个或者多个CPU、GPU组成，可以提供强大的算力，实现网联车的“智能化”[4]，利用它可以对传感器获取到的数据进行数据校准、数据滤波、数据压缩等预处理，从而提高数据质量、减少噪音、减少数据量、降低数据传输的成本和带宽占用，确保数据的准确性和可靠性，为后续的数据传输以及数据分析提供更可靠的基础。之后，这些数据将被传输到端边云或中心服务器进行进一步的处理和分析，以实现智能驾驶、车辆控制和交通管理等功能。

边缘数据存储

       在端边云的数据管理中，边缘计算发挥着至关重要的作用，其核心理念是将资源存储于网络边缘，这一理念在智能网联汽车的场景中尤为显著。边缘侧的数据存储和缓存放置将信息处理的关键部分移至车辆附近，这样做不仅能够实现高速数据处理，同时也极大地降低了数据传输的延迟，为车辆的智能化提供了有力的支持。通过在车辆上部署计算和存储设备，边缘计算技术能够实现实时的数据处理和缓存存储，这使得网联车辆能够更加高效地应对复杂的交通环境和紧急情况。

       边缘计算在智能网联汽车的自动驾驶场景下发挥着重要作用。在自动驾驶中，车辆需要实时感知周围环境并做出相应决策，边缘计算可以使车辆在本地进行传感器数据处理，例如识别道路状况、检测障碍物等，无须依赖远程云服务器，从而极大地缩短了响应时间，提高了系统的实时性和可靠性。此外，通过在车辆上部署缓存存储，可以提前下载地图数据、车辆历史行驶数据等，即使在无网络连接的情况下，车辆仍能够保持智能化驾驶功能，提升了系统的鲁棒性和稳定性。

       随着智能网联车的发展，边缘侧的数据存储和缓存放置将扮演越来越重要的角色。边缘计算技术的进步将使智能网联汽车更加智能、高效地运行，为驾驶者提供更加安全、便捷的出行体验。同时，对于边缘侧、缓存放置和缓存策略等方面的深入研究和优化，将进一步提升智能网联汽车系统的性能和可靠性，推动智能交通系统的发展，在未来的技术创新和发展中，边缘计算和数据管理将继续成为汽车行业关注的重点领域，为智能交通的实现和普及贡献力量。

云上数据分析

       云一般具备强大的数据存储和管理能力，首先采用云数据库、分布式文件系统等技术存储从网联车采集到的海量数据，确保数据的安全性、可靠性和可扩展性；然后对传感器中的数据进行分析，实现智能驾驶、交通管理、车辆健康监测等功能[5]。数据分析的方法主要有以下三种：

       1.数据挖掘是从大量数据中发现隐藏的模式、关联和趋势的过程。常见的数据挖掘技术包括关联规则挖掘、聚类分析、分类与预测等。在智能网联车中，云可以通过数据挖掘方式，发现驾驶员的驾驶行为模式、预测交通拥堵情况等。例如，云端收集到了大量的网联车驾驶数据，包括车速、加速度、刹车力度、转向角度等信息。利用这些数据，可以使用机器学习算法建立一个分类模型，以判断驾驶员的驾驶行为是否安全。经过训练和验证之后，将模型部署到智能网联车系统中，实时监测驾驶员的驾驶行为，并根据模型的预测结果给出相应的安全提醒或者驾驶建议。通过对车辆信息的挖掘，还可以实现对现有车道线和周边车辆的识别，从而进行智能车转向预测以及偏差检测。云具有高效的数据处理能力，能够快速发布预警信息，识别道路、行人信息，预防事故发生。

       2.深度学习技术使用神经网络模拟和学习复杂的非线性关系。在智能网联车场景中，云可以采用相关的深度学习模型，对多种传感器获得的异构数据进行融合，充分利用传感器中的数据全面感知周围环境信息，自动规划路径，并通过跟踪控制系统正确执行驾驶动作[6]。

       3.统计分析是最基本的数据分析方法之一，云依靠其强大的算力可以对数据进行描述统计、频率分布、相关性分析等，从而初步了解数据的特征和规律，分析车辆行驶速度、路线偏好、交通拥堵情况等。云还可以将数据分析的结果通过可视化的方式呈现给用户，以便用户直观地理解数据，并做出相应的决策。

智能网联车的场景与应用

       从驾驶员的角度来看，智能网联车的应用通过提供实时导航、交通状况、娱乐等信息，极大地提升了驾驶体验。驾驶员可以依靠这些信息服务更轻松地规划路线，避开拥堵，享受更加愉快的行车过程。同时，智能网联车的交通管理类应用通过优化交通流量、提升交通效率，以及对道路安全进行监控和管理，为驾驶员创造了更为安全和舒适的驾驶环境。服务提供商则通过云端技术与驾驶员实现了紧密的融合，信息服务类应用从多个来源收集数据，如交通信息、导航数据等，并通过云端服务将这些数据整合并提供给驾驶员；交通管理类应用通过收集大量车辆位置、速度等数据，并在云端进行分析和处理，优化交通流量，提升交通效率，同时通过实时监控确保道路安全；自动驾驶类应用则需要大量的传感器数据支持车辆的自主驾驶，这些数据通过车辆端收集，并经过云端处理和分析，再将指令传输回车辆，实现自动驾驶功能。本节将选取信息服务类应用中的智能座舱、交通管理类应用中的智能交通云平台以及自动驾驶类应用进行详细介绍。

智能座舱

       智能座舱是目前备受瞩目的信息服务类应用之一，致力于改善汽车驾驶舱内的用户体验，重点关注人机交互场景。在备受瞩目的信息服务类应用中，数据管理不仅是简单的信息存储和处理，更是驱动用户体验提升的关键因素之一，端边云中的数据管理体系通过有效地整合驾驶相关信息和娱乐内容，为智能座舱提供了无缝的服务。这意味着驾驶员在驾驶过程中可以轻松获取所需信息，并且在享受娱乐内容时不会分散注意力，确保驾驶过程的安全性。

       智能座舱在物理范围上涵盖一系列模块，包括操控系统、娱乐系统、空调系统、通信系统、座椅系统、交互系统以及感知系统等，如图2所示。其中，操控系统包括方向盘；娱乐系统涵盖中控台屏幕和后排多媒体设备；通信系统包括蓝牙、Wi-Fi、近场通信（NFC）等技术；交互系统提供中控屏、仪表盘以及抬头显示器（HUD）等功能；感知系统利用雷达、摄像头、驾驶员健康监控系统以及空气质量传感器等装置实现对车辆及周围环境的实时感知与监测。这些模块的集成使智能座舱成为一体化的智能驾乘空间，为用户带来更加便捷、安全和舒适的出行体验。

       在智能座舱的体验层面，除了注重交互安全外，还通过对软硬件的特定功能要求，为驾驶员提供更加优质的技术体验。这些功能包括车机互联、语音交互、驾驶员状态监控、生物识别、车路协同、安全预警、物联网以及信息安全等技术。在舒适性、智能化和办公化等方面，智能座舱不断提升性能，以满足用户对驾乘体验的不断追求[7]。

       当前众多车企将汽车智能座舱作为重点发展方向的主要原因在于，与智能驾驶相比，目前智能座舱技术更成熟、安全性更高，且实现难度更低。此外，智能座舱产品更符合当前用户的需求，更容易吸引用户的兴趣，而且座舱的功能迭代速度更快，车企的个性化需求也更为明显。未来，用户将更加关注人机交互的多模性、车载娱乐信息系统的丰富性以及移动座舱的智能性。以人工智能为核心的智能座舱技术将成为评价一辆智能网联汽车的重要指标，也将成为影响用户购车和乘车体验的关键决策因素。

智能交通云平台

       智能交通云平台是基于云计算、大数据、人工智能等先进技术构建的综合性交通管理和服务平台，其中的数据流向涵盖了多个环节，以实现高效的交通管理与较高的服务水平。首先，各类传感器、监控摄像头等设备在交通场景中实时采集的数据被传输至云端服务器，这些数据涵盖了车流量、车速、路况等多方面信息。在云端，这些数据经过处理、清洗和分析，利用大数据和人工智能技术进行交通态势分析、预测和优化。其次，云端平台也能将分析结果实时反馈至交通监控中心或相关部门，支持交通管理决策的制定和调整。最后，云端存储和处理的数据还支持交通信息的发布，如实时交通状态、路况提示等，为驾驶员和出行者提供更加智能化的导航和出行建议。在地方政府和部门的支持下，交通云平台的建设与应用不断推进，以满足不断增长的交通管理需求，促进交通运输领域的现代化发展。

       如图3所示，交通云平台为交通行业的发展提供了图像识别、数据分析、智能控制、云计算、可视化等多种关键功能[8]。交通行业的开发者可以利用这些功能，根据不同场景的具体业务需求，构建各种智能应用。例如，在城市交通、高速公路运营、大型交通枢纽调度等场景中，可以实现智慧化改造，通过创新的智能应用和优化方案，为交通管理者和出行者提供更好的服务。平台将各类交通数据，包括路侧设备数据、交警数据、视频结构化数据等，按照行业数据模型进行清洗，融合多元数据进行计算，形成统一的路网和设施设备规整数据。在此基础上，还会生成不同模型的融合交通参数，以满足不同的业务应用需求。

       交通云平台是智能网联车重要的应用场景之一。智能网联车通过与交通云平台连接，可以获取实时的交通信息和路况数据，从而实现智能化的驾驶辅助和交通管理。智能网联车也可以将车载传感器收集到的数据上传至交通云平台，为交通管理部门和其他车辆提供参考和支持。智能网联车与交通云平台的紧密协作，可以实现交通系统的高效运行、智能化管理，提升交通安全性和出行体验。

自动驾驶类应用

       我国参照国际标准，自2022年3月起实施《汽车驾驶自动化分级》国家标准，将自动驾驶划分为0~5六个等级，驾驶自动化0级为应急辅助，1级为部分驾驶辅助，2级为组合驾驶辅助，3级为有条件自动驾驶，4级为高度自动驾驶，5级为完全自动驾驶[9]。其中，3级及以上的驾驶自动化需融合车路协同实现网联赋能，而0~2级的驾驶自动化可通过单车智能实现。

       自动驾驶的实现离不开先进的传感器、计算机视觉、机器学习和人工智能等技术的支持。传感器包括激光雷达、摄像头、超声波传感器等，能够实时感知车辆周围的环境和交通情况；计算机视觉和机器学习技术则能够对感知到的信息进行处理和分析，从而做出合理的决策和规划[10]。除此之外，云端和边缘端的数据处理起着关键作用，部分数据可能会在车辆本地处理，以实现低延迟和隐私保护，而另一部分可能会通过云端系统进行更深入的分析和学习，以提升车辆的智能水平和适应能力，这种端边云结合的数据管理方式，有效地实现了自动驾驶系统中的数据处理和决策协同。

       目前，自动驾驶技术已经在多个领域得到了广泛应用。首先是在个人商用车领域，许多汽车制造商已经推出的汽车都配备自动驾驶功能系统，如特斯拉的Autopilot系统、Waymo的无人驾驶出租车等。其次是在物流和运输领域，云控无人车使用自动驾驶技术，面向矿山、港口、机场、园区等场地封闭、道路简单、车速缓慢的特定场景，替代人类执行任务，提高运输效率、降低成本、减少交通事故，受到了物流公司和货运企业的青睐。此外，在公共交通、城市规划和智慧城市建设等方面，自动驾驶技术也有着广阔的应用前景，有望为城市交通拥堵、环境污染等问题提供解决方案。

机遇与挑战

       端边云架构为智能网联车的数据管理和分析带来了新的维度，这种架构结合了云计算的强大处理能力和边缘设备能够及时处理的优势，旨在优化智能网联车的操作效率，提升安全性。智能网联车作为集传感器、数据处理与通信于一体的复杂系统，不断地收集和分析关于车辆运行和周边环境的大量数据，在端边云设备架构下面临新的挑战，如数据收集的实时性、数据的准确处理以及数据安全和隐私保护等。

       智能网联车在端边云架构下的数据呈现出独特的复杂性和不同的需求。首先，不同设备和数据的异构性是一大挑战，因为它涉及从终端设备如车辆到云端的各种数据类型（包括数值、图像和音频等）的处理[11]。这些设备的计算能力和通信资源差异很大，对数据处理模型和方法的应用造成了影响。其次，车辆传感器生成的时序数据量大且更新频繁，数据的高维性也是一大挑战，这需要高效的数据压缩和快速写入技术。网联车系统需要快速响应，对实时性的要求也十分严格，如对车辆故障进行预警需要做到快速甚至提前响应。最后，随着车辆越来越多地依赖先进的传感器和车载网络协议，收集和传输大量关于车辆性能、道路状况以及驾驶行为的数据，数据的隐私保护和安全防护也面临严峻挑战[12]。

       为应对这些挑战，未来研究将集中于开发灵活的数据模型、高效的存储技术、先进的数据索引和优化查询处理技术。这些努力旨在优化数据处理流程，确保智能网联车系统的高效与安全运行。

       随着技术的发展，新的安全技术和标准不断涌现，如区块链技术在数据完整性保护和防篡改方面的应用，以及利用人工智能进行异常行为检测和响应，这些都为智能网联车的安全保护提供了新的解决方案。另一方面，大数据和人工智能技术能够有效整合和优化多样化的数据，如视频、图像和传感器数据，直接在数据源附近进行即时处理和分析，这不仅提高了数据处理效率，还显著减少了传输延迟。同时，端边云计算支持高级数据分析和机器学习模型的部署，使车辆能够实时做出智能决策，提升了驾驶的安全性和效率。端边云协同数据库的发展对智能网联车中的数据管理起到了关键作用，它能够在云、边缘设备和网联车终端间有效存储和管理数据[13]。这种数据库支持按需传输数据，提升了边缘设备的实时查询和决策能力，显著降低了响应时延，减少带宽消耗，同时增强数据安全。

结语

       在智能网联车技术的前沿，端边云数据管理不断推动着行业的创新和发展。随着技术的进步，端边云协同将更好地服务智能网联车，提高车辆的自主性和安全性，优化交通系统的效率。通过深入分析与实践，我们可以更好地理解数据在智能网联车中的核心价值，进一步推动智能交通系统的创新与发展。在未来，随着技术的不断成熟和应用的广泛推广，智能网联车将在智能化、自动化的道路上行驶得更远，为全球交通带来革命性的变革。在这一过程中，我们每个人既是观察者也是参与者，将共同见证和塑造这一激动人心的未来。　■

参考文献：

[1] 张晓东, 张朝昆, 赵继军. 边缘智能研究进展[J]. 计算机研究与发展, 2023, 60(12): 2749-2764.

[2] 李伯虎, 柴旭东, 刘阳, 等. 智慧物联网系统发展战略研究[J]. 中国工程科学, 2022, 24(04):1-11.

[3] 郭欣宇. 基于深度学习的智能网联汽车的感知与通信相关技术研究[D]. 吉林大学, 2023.

[4] 李克强, 戴一凡, 李升波, 等. 智能网联汽车（ICV）技术的发展现状及趋势[J]. 汽车安全与节能学报, 2017, 8(01): 1-14.

[5] 丁飞, 张楠, 李升波, 等. 智能网联车路云协同系统架构与关键技术研究综述[J]. 自动化学报, 2022, 48(12): 2863-2885.

[6] 李升波, 关阳, 侯廉, 等. 深度神经网络的关键技术及其在自动驾驶领域的应用[J]. 汽车安全与节能学报, 2019, 10(02): 119-145.

[7] Li W, Zeng G, Zhang J, et al. Cogemonet: A cognitive-feature-augmented driver emotion recognition model for smart cockpit[J]. IEEE Transactions on Computational Social Systems, 2021, 9(3): 667-678.

[8] Cao C, Cui F, Xu L. Research on intelligent traffic control model and simulation based on the internet of things and cloud platform[J]. Journal of Computational and Theoretical Nanoscience, 2016, 13(12): 9886-9892.

[9] 陈云培. 《汽车驾驶自动化分级》（GB/T 40429—2021）解析[J]. 汽车维护与修理, 2021, (21): 68-70. DOI: 10.16613/j.cnki.1006-6489.2021.21.021.

[10] Zhang X, Gao H, Guo M, et al. A study on key technologies of unmanned driving[J]. CAAI Transactions on Intelligence Technology, 2016, 1(1): 4-13.

[11] Thornton S, Dey S. Multi-modal Data and Model Reduction for Enabling Edge Fusion in Connected Vehicle Environments[J]. IEEE Transactions on Vehicular Technology, 2024: 1-16. DOI: 10.1109/TVT.2024.3378182.

[12] 张洪天, 赵子骏, 段希冉. 面向智能网联车的数据保护及解决方案[J]. 中国电子科学研究院学报, 2021, 16(07):705-709.

[13] 崔双双, 吴限, 王宏志, 等. 面向云边端协同的多模态数据建模技术及其应用[J]. 软件学报, 2024, 35(03):1154-1172. DOI:10.13328/j.cnki.jos.007070.

版权声明：中国计算机学会(CCF)拥有《中国计算机学会通讯》(CCCF)所刊登内容的所有版权，未经CCF允许，不得转载本刊文字及照片，否则被视为侵权。对于侵权行为，CCF将追究其法律责任。