从马车替代步行，再到内燃机替代马车，人类交通出行方式经历着一次又一次重大变革。现如今通信技术和人工智能技术的飞速发展，是否会引起交通方式的新一轮更新？未来交通技术的发展方向在哪里？智能IoV（Internet of Vehicles, 车联网）技术给出了答案。
边缘智能被学术界和工业界称为是打通人工智能在边缘计算系统中应用的最后一公里。因此，探究边缘智能技术在IoV领域中的关键研究问题和有效解决方案成为本文关注的重点。与此同时，本文还将结合当前边缘缓存、边缘计算、边缘智能三类技术方案的特点定义面向智能IoV的边缘信息系统（EIS: Edge Information System），为IoV领域的科学研究提供统一的基础框架和思路。
边缘信息系统是本文定义的可以支撑无线边缘缓存、移动边缘计算、边缘人工智能三类技术的系统架构。众所周知，提升边缘设备中信息处理能力既能突破车载计算、存储、通信等能力限制，又能减少与云计算交互带来的时延。如果将某些受欢迎程度较高的内容（如视频）部署到边缘缓存设备中，用户对该部分内容的请求便可以得到快速的响应，该模式即为典型的基于边缘缓存技术的内容服务解决方案。类似的，如果将原有云计算的部分计算服务部署在网络边缘（如时延敏感类移动应用服务），从而使用户在较低的时延下享受高性能的计算服务，则构成边缘计算系统架构。更进一步，如果考虑人工智能相关的任务处理，如机器学习模型在边缘设备上的训练和部署，则构成边缘人工智能技术。三类技术相辅相承，共同构成边缘信息系统的基础技术架构。
本文所定义的面向智能IoV的边缘信息系统如图1所示。该系统中包含以下几个实体模块：
在边缘信息系统中，可以简单的将车辆的角色分为两类：VaaC（Vehicle as a Client, 车辆终端），VaaS(Vehicleas a server, 车辆服务器)。顾名思义，前者是指车辆作为IoV中的服务消费者，而其他网络单元如边缘服务器则作为服务提供者，为车辆提供数据、计算资源等服务；后者则是指车辆作为移动服务器，为车载乘客、其他车辆提供资源服务，如驾驶员身份识别，车载娱乐服务等。在本文后续的介绍中也将延续这一分类方式对不同的技术展开探讨。
在智能IoV中关于边缘缓存技术的研究大致可以分为三类：时间相关性、空间相关性、车辆移动性。其中时间相关性是指所缓存内容的重要性（或称为受欢迎程度）随着时间改变而改变；空间相关性指缓存内容在不同空间呈现出有差别的重要性；移动性则是指车辆移动性对缓存服务持续性的影响。
在VaaC中，由于车辆向边缘服务器请求缓存服务，因此关于时间相关性的研究中一个重要问题是车辆用户请求行为的短时间评估与预测，进而在边缘服务器中如何建立相应的缓存更新机制。而关于空间相关性的研究中，则考虑位置相关信息的服务，如交通信息（如路网拥塞程度）会在不同路段呈现出较大差异对缓存性能的影响。同时由于车辆与边缘服务器连接时间有限，如何为车辆提供大容量数据的缓存（如视频、高清地图）服务则需要对车辆移动性的影响展开分析。
在VaaS中，车辆同时作为服务器为其他网络节点提供服务。因此，在时间相关性问题上，制定缓存决策时除了缓存相关应用的有效性之外还需要考虑资源占用时间对其他车载应用性能的影响。关于空间相关性的问题，通过预测车辆在未来一段时间的运行轨迹，从而基于此判断道路的热点区域或车辆的社交属性，可以较好地指导缓存决策。而为了缓解移动性对车间缓存服务的影响，通过在缓存决策时预测车辆微观移动性、车间链路稳定性等可以增强缓存服务性能。
边缘计算平台：软硬件平台是实现边缘计算功能等硬件基础。借助于5G网络技术中的网络虚拟化等技术，可以将分布在不同位置的边缘计算设备整合成虚拟资源池，从而为不同应用提供共享且高效的计算资源。在此基础上，
为了使边缘计算平台满足实际应用处理的要求，工业界和学术界研究人员均作出了诸多努力，如云计算服务商亚马逊(AWS Greengrass)、微软(Azure IoTEdge)、谷歌(Cloud IoTEdge)均推出各自的边缘计算平台，整合有数据分析、处理以及机器学习的能力。而学术界众多研究中，则更多偏向于具体的自动驾驶应用，如建立能够支撑SLAM、目标识别、目标跟踪等的边缘计算平台。
资源管理方案：资源管理同样是边缘计算中一项重要研究内容。典型的研究问题包括计算卸载、通信和计算资源协同调度等。这其中将依据不同的应用场景涉及到诸多复杂问题，传统且有效的解决方法如随机优化、博弈论等通常用来解决其中的基础问题。
车载云：除了以边缘服务器为基础的边缘计算模式外，利用车辆提供边缘计算服务也是一种有效方法，称为车载云。一方面，未来的智能车辆将会配备强大的计算资源，而如何通过车间协作或先进的资源管理手段发挥这类资源的最佳作用将会是有重大意义的问题；另一方面，如何建立合理的奖惩措施，以更好地激励车辆参与到车载计算资源的协作共享中同样是扮演着重要角色。
边缘智能是指在网络边缘训练机器学习模型并完成部分智能决策任务。本文将介绍两种边缘智能框架，进而讨论边缘智能所应用的场景和应用。
Federal Learning：第一种是联邦学习。联邦学习是指用户在本地依靠本地数据训练模型进而将分布式的训练模型上传到服务器进行全局模型整合。该做法的优势在于即能够利用分布式的数据和计算资源提高训练效率，同时也能够保护用户隐私。联邦学习在智能IoV中的典型应用如驾驶辅助系统中的语音识别、娱乐应用等。而在车载边缘信息系统中，通过车辆端、边缘端、云端三层构建联邦学习架构则可以进一步提升联邦学习的通信和计算性能。
Joint Device-Edge Inference：第二种是设备端-边缘端联合推断。在处理人工智能相关任务时，深度神经网络模型在车辆端的处理会产生大量计算资源和能耗；而将其完全卸载到边缘服务器则需要一定的通信开销。因此目前较为流行的一种做法是在本地和边缘服务器两端进行协作处理，即将DNN模型进行分割，只卸载部分到边缘服务器，从而实现计算和通信性能的折中。该类研究中典型代表包括Neurosurgeon，是一种可以自动将DNN计算模型分割到本地和边缘的框架，并且可以实现神经网络不同层上的分割。
在边缘智能这一研究思想下，众多智能IoV的应用可以用新的设计思路重新获得更加优秀的性能。
基于边缘/车间协作感知。前者依赖于边缘服务器辅助感知任务的处理，后者则依赖于其他车辆提升感知任务处理性能。典型应用如协作目标识别，通过将感知数据和神经网络模型卸载/部分卸载到其他协作节点（边缘服务器或协作车辆）实现识别准确率到提升。
高清地图的协作构建和更新。高清地图是智能车辆的基础应用，需要获取高精度的地理信息及高效处理，因此需要强大的计算资源支撑。通过在不同车辆分别构建地图而后进行整合，则可以构成边缘辅助的协作地图构建和更新方案。
协作SLAM系统。SLAM是同步定位与构图系统。该系统也可以采用协作的方式进行处理。将SLAM系统中某些并行任务卸载到边缘服务器或者其他车辆，利用一定通信开销获得计算性能的增益，可以极大程度提升任务处理性能。
通过对智能IoV目前相关研究的综述，毫无疑问，智能IoV将会在未来对人类的出行方式乃至生活方式带来极大变革。类似于过去几十年智能手机对人类生活的影响和冲击，智能交通和IoV技术在未来将会有更加深远和重大的影响。这其中边缘信息系统则发挥着关键又不可替代的作用，其将多种技术紧密联合在一起，共同发挥各自优势。另一方面，潜在的挑战同样存在。因此未来不仅仅要关注在来自于技术层面的瓶颈，更应该由政府、企业、标准化组织等不同实体共同努力，推动智能IoV的前进。
