AI边缘计算的架构案例：路车协同（学习心得）
路车协同的 AI 边缘计算架构案例：
graph LR
A[自动驾驶汽车] -- 路测感知设备A --> B((5G基站))
A --路测感知设备C--> C((5G 基站))
A--路测感知设备B-->B
B --> D{MEC节点}
C --> D
D --> E(智能边缘)
E --> D
E --> F(智能云)
F --> E
为什么需要边缘计算？
在实践中，每增加一公里的物理距离，会带来 1ms 的网络延迟。
如果要把自动驾驶汽车采集的信息上传到云端进行计算处理，而汽车距离云计算中心的距离是 1500 km，即我们面对的是 300ms 上传和下载的网络延迟。
对于无人驾驶汽车来说，如果行驶速度是 100km/小时，那也就意味着等我们云计算后完成反应，汽车已经开出将近 8 米了，那这个风险太高了，对于自动驾驶这样的应用来说是不能接受的。
所以我们需要边缘，也就是就近计算来完成！
架构特殊点
加入路测感知设备：提供类似第三方上帝视角，会上传行人有没有横穿马路等信息。
通过 5G 传递信息到基站上，空中延迟降低在 10ms 之内，基站通过光纤传递到移动边缘计算节点 MEC 中，也是几个毫秒处理信息，传回信息，自动驾驶汽车做出对应操作。
同时这些数据会上传云端，经过云端的计算优化算法，再更新到自动驾驶汽车和 MEC 节点中。完成自动驾驶的进化！
