一旦自動駕駛汽車成為現(xiàn)實，乘客不再擔心安全問題，他們需要尋找新的娛樂方式。然而，車對數(shù)據(jù)中心（DC）通信的高延遲，會讓娛樂內(nèi)容的檢索妨礙內(nèi)容遞送服務(wù)。本文通過使用部署在多接入邊緣計算（MEC）結(jié)構(gòu)上的深度學習方法，為自動駕駛汽車提出了基于深度學習的緩存。通過仿真測試，結(jié)果發(fā)現(xiàn)該方法可以最大限度地減少延遲。

　　最近，自動駕駛技術(shù)取得了顯著的進步，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)注自動駕駛的下一階段——“無人駕駛”，即汽車可以在沒有人為駕駛干預(yù)的情況下自主駕駛。此外，為了使自動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，以實時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)，這其中深度學習起著重要作用。

　　未來多接入邊緣計算的重要性

　　即使自動駕駛汽車具有處理計算，通信，緩存和控制（4C）的車載單元（OBU），4C的自動駕駛汽車資源仍是有限的，需要來自遠程云的協(xié)助。對于有效的自動駕駛汽車數(shù)據(jù)分析，需要低延遲和可靠的計算。但是，由于相關(guān)的端到端延遲，對云的依賴可能會影響自動駕駛汽車數(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算（MEC）視為一種適用于支持自動駕駛汽車進行邊緣分析的技術(shù)。 MEC最近由歐洲電信標準協(xié)會（ETSI）推出以補充云計算，其中MEC服務(wù)器部署在4C的網(wǎng)絡(luò)邊緣。在這項工作中，MEC服務(wù)器部署在RoadSide Units（RSU）上，用于在自動駕駛汽車附近進行邊緣分析和內(nèi)容緩存。

　　通過自動駕駛汽車的深度學習和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位于遠處，那么車內(nèi)服務(wù)將會出現(xiàn)高延遲，自駕車中的緩存將對提升用戶體驗起到重要作用。

　　自動駕駛汽車緩存的挑戰(zhàn)

　　對于旅行的人來說，自動駕駛汽車將成為一個新的娛樂場所。因此，內(nèi)容提供商和游戲開發(fā)商需要通過提供高質(zhì)量的娛樂內(nèi)容來抓住這個新機會。然而，仍然缺乏關(guān)于如何執(zhí)行自動駕駛中的娛樂內(nèi)容的緩存的文獻。

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

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

　　關(guān)于如何解決自動駕駛汽車緩存問題，一直沒有很好的答案。

　　基于深度學習的自動駕駛緩存

　　為了解決上述挑戰(zhàn)，韓國慶熙大學計算機科學與工程系的Anselme Ndikumana等人建議使用基于深度學習的緩存和MEC中的4C方法來改進自動駕駛汽車中的娛樂服務(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駕駛汽車中的需求，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法通過面部識別來預(yù)測他們的年齡和性別。具體地，CNN輸出由自動駕駛汽車使用，以便確定哪些娛樂內(nèi)容（例如音樂，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?shù)膴蕵穬?nèi)容，需要MEC和DC支持自動駕駛汽車。在DC，他們提出了一個MultiLayer感知器（MLP）框架來預(yù)測在自動駕駛汽車的特定區(qū)域內(nèi)請求內(nèi)容的概率。然后，MLP預(yù)測輸出部署在緊鄰自動駕駛汽車的MEC服務(wù)器（RSU）處。在非高峰時段，每個MEC服務(wù)器使用MLP輸出進行下載，然后緩存具有高請求概率的內(nèi)容。選擇MLP優(yōu)于其他預(yù)測方法，如AutoRegressive（AR）和自回歸移動平均（ARMA）模型，MLP有能力處理線性和非線性預(yù)測問題。

　　對于需要緩存的內(nèi)容，自動駕駛汽車需要從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組件進行深度學習，在自動駕駛汽車中制定用于娛樂服務(wù)的緩存，以最大限度地減少內(nèi)容下載延遲。

　　在自動駕駛技術(shù)還未完全成熟的今天，本文研究的關(guān)于自動駕駛緩存的技術(shù)還比較遙遠，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，這是第一個研究自動駕駛汽車娛樂內(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，緩存和計算資源。