AI邊緣計算的架構案例：路車協同（學習心得）
路車協同的 AI 邊緣計算架構案例：
graph LR
A[自動駕駛汽車] -- 路測感知設備A --> B((5G基地台))
A --路測感知設備C--> C((5G 基地台))
A--路測感知設備B-->B
B --> D{MEC節點}
C --> D
D --> E(智慧邊緣)
E --> D
E --> F(智慧雲)
F --> E
為什麼需要邊緣計算？
在實踐中，每增加一公里的物理距離，會帶來 1ms 的網路延遲。
如果要把自動駕駛汽車採集的資訊上傳到雲端進行計算處理，而汽車距離雲計算中心的距離是 1500 km，即我們面對的是 300ms 上傳和下載的網路延遲。
對於無人駕駛汽車來說，如果行駛速度是 100km/小時，那也就意味著等我們雲計算後完成反應，汽車已經開出將近 8 米了，那這個風險太高了，對於自動駕駛這樣的應用來說是不能接受的。
所以我們需要邊緣，也就是就近計算來完成！
架構特殊點
加入路測感知設備：提供類似第三方上帝視角，會上傳行人有沒有橫穿馬路等資訊。
通過 5G 傳遞資訊到基地台上，空中延遲降低在 10ms 之內，基地台通過光纖傳遞到移動邊緣計算節點 MEC 中，也是幾個毫秒處理資訊，傳回資訊，自動駕駛汽車做出對應操作。
同時這些數據會上傳雲端，經過雲端的計算優化演算法，再更新到自動駕駛汽車和 MEC 節點中。完成自動駕駛的進化！
