一旦自動駕駛汽車成為現實，乘客不再擔心安全問題，他們需要尋找新的娛樂方式。然而，車對數據中心（DC）通信的高延遲，會讓娛樂內容的檢索妨礙內容遞送服務。本文通過使用部署在多接入邊緣計算（MEC）結構上的深度學習方法，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，結果發現該方法可以最大限度地減少延遲。

最近，自動駕駛技術取得了顯著的進步，一些公司，如谷歌，優步，三星，特斯拉，梅賽德斯-奔馳，百度等，已經開始關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，行人和環境相關的異構數據，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助。對于有效的自動駕駛汽車數據分析，需要低延遲和可靠的計算。但是，由于相關的端到端延遲，對云的依賴可能會影響自動駕駛汽車數據分析的性能。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。 MEC最近由歐洲電信標準協會（ETSI）推出以補充云計算，其中MEC服務器部署在4C的網絡邊緣。在這項工作中，MEC服務器部署在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，玩游戲和社交網絡。但是，由于相關的端到端延遲和消耗的回程帶寬資源，從數據中心（DC）檢索這些內容會使內容傳送服務變得更糟。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。因此，如果視頻源不在車內，則汽車需要從DC下載。假設DC位于遠處，那么車內服務將會出現高延遲，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

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，內容提供商和游戲開發商需要通過提供高質量的娛樂內容來抓住這個新機會。然而，仍然缺乏關于如何執行自動駕駛中的娛樂內容的緩存的文獻。

自動駕駛汽車可以提供更多異構的娛樂內容，如電影，電視，音樂，和游戲以及最近出現的平臺，如虛擬現實（VR）。然而，4C的自動駕駛汽車資源有限。因此，MEC服務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延遲并節省回程帶寬，需要加強和優化MEC服務器和自動駕駛汽車中的通信和緩存資源利用。

關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，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。

他們主要方法概括如下：

乘客有不同的內容喜好，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，使用卷積神經網絡（CNN）方法通過面部識別來預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容（例如音樂，視頻和游戲數據）適合于乘客并因此需要被高速緩存。

為乘客提供適當的娛樂內容，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）框架來預測在自動駕駛汽車的特定區域內請求內容的概率。然后，MLP預測輸出部署在緊鄰自動駕駛汽車的MEC服務器（RSU）處。在非高峰時段，每個MEC服務器使用MLP輸出進行下載，然后緩存具有高請求概率的內容。選擇MLP優于其他預測方法，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測問題。

對于需要緩存的內容，自動駕駛汽車需要從MEC服務器下載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的緩存，以最大限度地減少內容下載延遲。

在自動駕駛技術還未完全成熟的今天，本文研究的關于自動駕駛緩存的技術還比較遙遠，但是其中提出的方法以及研究思路還是值得借鑒。據調查，這是第一個研究自動駕駛汽車娛樂內容緩存的文章，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。