Review of deep learning and mobile edge computing in autonomous driving

Abstract

Останніми роками мобільні периферійні обчислення і глибоке навчання привернули пильну увагу галузі в сценарії застосування автономного водіння. Мобільні периферійні обчислення зменшують затримку передавання інформації про автономне водіння, вивантажуючи обчислювальні завдання на периферійні сервери для зменшення навантаження на мережу; глибоке навчання може ефективно збільшити точність виявлення перешкод, тим самим підвищуючи стабільність і безпеку автономного водіння. У цій статті спочатку введено базову концепцію та еталонну архітектуру МПО та загальновживані модельні алгоритми глибокого навчання, а потім узагальнено застосування МПО та глибокого навчання в автономному водінні з трьох аспектів: виявлення цілей, планування шляху та уникнення зіткнень, і, нарешті, проаналізовано та розглянуто проблеми і виклики в сучасних дослідженнях.In recent years, mobile edge computing and deep learning have attracted strong industry attention in the application scenario of autonomous driving. Mobile edge computing reduces the transmission delay of autonomous driving information by offloading computational tasks to edge servers to reduce the network load; deep learning can effectively improve the accuracy of obstacle detection, thereby enhancing the stability and safety of autonomous driving. This paper first introduces the basic concept and reference architecture of MEC and the commonly used model algorithms in deep learning, and then summarizes the applications of MEC and deep learning in autonomous driving from three aspects: target detection, path planning, and collision avoidance, and finally discusses and outlooks the problems and challenges in current research.