一旦自動(dòng)駕駛汽車成為現(xiàn)實(shí)，乘客不再擔(dān)心安全問(wèn)題，他們需要尋找新的娛樂(lè)方式。然而，車對(duì)數(shù)據(jù)中心（DC）通信的高延遲，會(huì)讓娛樂(lè)內(nèi)容的檢索妨礙內(nèi)容遞送服務(wù)。本文通過(guò)使用部署在多接入邊緣計(jì)算（MEC）結(jié)構(gòu)上的深度學(xué)習(xí)方法，為自動(dòng)駕駛汽車提出了基于深度學(xué)習(xí)的緩存。通過(guò)仿真測(cè)試，結(jié)果發(fā)現(xiàn)該方法可以最大限度地減少延遲。

最近，自動(dòng)駕駛技術(shù)取得了顯著的進(jìn)步，一些公司，如谷歌，優(yōu)步，三星，特斯拉，梅賽德斯 － 奔馳，百度等，已經(jīng)開始關(guān)注自動(dòng)駕駛的下一階段——“無(wú)人駕駛”，即汽車可以在沒(méi)有人為駕駛干預(yù)的情況下自主駕駛。此外，為了使自動(dòng)駕駛汽車更加智能化，汽車需要配備智能傳感器和分析工具，以實(shí)時(shí)收集和分析與車載人員，行人和環(huán)境相關(guān)的異構(gòu)數(shù)據(jù)，這其中深度學(xué)習(xí)起著重要作用。

未來(lái)多接入邊緣計(jì)算的重要性

即使自動(dòng)駕駛汽車具有處理計(jì)算，通信，緩存和控制（4C）的車載單元（OBU），4C的自動(dòng)駕駛汽車資源仍是有限的，需要來(lái)自遠(yuǎn)程云的協(xié)助。對(duì)于有效的自動(dòng)駕駛汽車數(shù)據(jù)分析，需要低延遲和可靠的計(jì)算。但是，由于相關(guān)的端到端延遲，對(duì)云的依賴可能會(huì)影響自動(dòng)駕駛汽車數(shù)據(jù)分析的性能。因此，為了減少端到端延遲，我們將多接入邊緣計(jì)算（MEC）視為一種適用于支持自動(dòng)駕駛汽車進(jìn)行邊緣分析的技術(shù)。 MEC最近由歐洲電信標(biāo)準(zhǔn)協(xié)會(huì)（ETSI）推出以補(bǔ)充云計(jì)算，其中MEC服務(wù)器部署在4C的網(wǎng)絡(luò)邊緣。在這項(xiàng)工作中，MEC服務(wù)器部署在RoadSide Units（RSU）上，用于在自動(dòng)駕駛汽車附近進(jìn)行邊緣分析和內(nèi)容緩存。

通過(guò)自動(dòng)駕駛汽車的深度學(xué)習(xí)和4C功能，乘客將不再局限于車載廣播和電視，而是花更多時(shí)間觀看媒體，玩游戲和社交網(wǎng)絡(luò)。但是，由于相關(guān)的端到端延遲和消耗的回程帶寬資源，從數(shù)據(jù)中心（DC）檢索這些內(nèi)容會(huì)使內(nèi)容傳送服務(wù)變得更糟。作為示例，觀看汽車中的視頻需要三個(gè)組件，即視頻源，屏幕和聲音系統(tǒng)。因此，如果視頻源不在車內(nèi)，則汽車需要從DC下載。假設(shè)DC位于遠(yuǎn)處，那么車內(nèi)服務(wù)將會(huì)出現(xiàn)高延遲，自駕車中的緩存將對(duì)提升用戶體驗(yàn)起到重要作用。

自動(dòng)駕駛汽車緩存的挑戰(zhàn)

對(duì)于旅行的人來(lái)說(shuō)，自動(dòng)駕駛汽車將成為一個(gè)新的娛樂(lè)場(chǎng)所。因此，內(nèi)容提供商和游戲開發(fā)商需要通過(guò)提供高質(zhì)量的娛樂(lè)內(nèi)容來(lái)抓住這個(gè)新機(jī)會(huì)。然而，仍然缺乏關(guān)于如何執(zhí)行自動(dòng)駕駛中的娛樂(lè)內(nèi)容的緩存的文獻(xiàn)。

自動(dòng)駕駛汽車可以提供更多異構(gòu)的娛樂(lè)內(nèi)容，如電影，電視，音樂(lè)，和游戲以及最近出現(xiàn)的平臺(tái)，如虛擬現(xiàn)實(shí)（VR）。然而，4C的自動(dòng)駕駛汽車資源有限。因此，MEC服務(wù)器需要支持自動(dòng)駕駛汽車。

自動(dòng)駕駛汽車對(duì)延遲敏感。因此，減少car－DC延遲并節(jié)省回程帶寬，需要加強(qiáng)和優(yōu)化MEC服務(wù)器和自動(dòng)駕駛汽車中的通信和緩存資源利用。

關(guān)于如何解決自動(dòng)駕駛汽車緩存問(wèn)題，一直沒(méi)有很好的答案。

基于深度學(xué)習(xí)的自動(dòng)駕駛緩存

為了解決上述挑戰(zhàn)，韓國(guó)慶熙大學(xué)計(jì)算機(jī)科學(xué)與工程系的Anselme Ndikumana等人建議使用基于深度學(xué)習(xí)的緩存和MEC中的4C方法來(lái)改進(jìn)自動(dòng)駕駛汽車中的娛樂(lè)服務(wù)。

他們主要方法概括如下：

乘客有不同的內(nèi)容喜好，他們的選擇取決于年齡和性別。為了滿足乘客在自動(dòng)駕駛汽車中的需求，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法通過(guò)面部識(shí)別來(lái)預(yù)測(cè)他們的年齡和性別。具體地，CNN輸出由自動(dòng)駕駛汽車使用，以便確定哪些娛樂(lè)內(nèi)容（例如音樂(lè)，視頻和游戲數(shù)據(jù)）適合于乘客并因此需要被高速緩存。

為乘客提供適當(dāng)?shù)膴蕵?lè)內(nèi)容，需要MEC和DC支持自動(dòng)駕駛汽車。在DC，他們提出了一個(gè)MultiLayer感知器（MLP）框架來(lái)預(yù)測(cè)在自動(dòng)駕駛汽車的特定區(qū)域內(nèi)請(qǐng)求內(nèi)容的概率。然后，MLP預(yù)測(cè)輸出部署在緊鄰自動(dòng)駕駛汽車的MEC服務(wù)器（RSU）處。在非高峰時(shí)段，每個(gè)MEC服務(wù)器使用MLP輸出進(jìn)行下載，然后緩存具有高請(qǐng)求概率的內(nèi)容。選擇MLP優(yōu)于其他預(yù)測(cè)方法，如AutoRegressive（AR）和自回歸移動(dòng)平均（ARMA）模型，MLP有能力處理線性和非線性預(yù)測(cè)問(wèn)題。

對(duì)于需要緩存的內(nèi)容，自動(dòng)駕駛汽車需要從MEC服務(wù)器下載MLP輸出，然后將其與CNN輸出進(jìn)行比較。為了比較，該方法也結(jié)合了k－means和二元分類。

使用MEC中的4C組件進(jìn)行深度學(xué)習(xí)，在自動(dòng)駕駛汽車中制定用于娛樂(lè)服務(wù)的緩存，以最大限度地減少內(nèi)容下載延遲。

在自動(dòng)駕駛技術(shù)還未完全成熟的今天，本文研究的關(guān)于自動(dòng)駕駛緩存的技術(shù)還比較遙遠(yuǎn)，但是其中提出的方法以及研究思路還是值得借鑒。據(jù)調(diào)查，這是第一個(gè)研究自動(dòng)駕駛汽車娛樂(lè)內(nèi)容緩存的文章，其中緩存決策是基于MLP，CNN以及可用的通信，緩存和計(jì)算資源。