Zpracování výpočtů pro autonomní vozidlo na hraně mobilní sítě

Abstract

Pokrok v oblasti autonomních vozidel (AV) vyžaduje značný výpočetní výkon pro zpracování dat ze senzorů a provádění složitých algoritmů v reálném čase. Tato diplomová práce zkoumá aplikaci Multi-access Edge Computing (MEC) pro zpracování výpočetních úloh z AV na MEC servery v rámci mobilní sítě, čímž se zvýší výpočetní výkon AV a sníží se zatížení výpočetních prostředků ve vozidle. Hlavním cílem této práce je vyvinout a ověřit algoritmus pro rozhodování o přesunu výpočtů, který zohledňuje celkovou (komunikační a výpočetní) latenci, komunikační zdroje a požadavky na výpočetní úlohy. Navrhované řešení zahrnuje novou MEC architekturu navrženou pro škálovatelnost a flexibilitu nasazených služeb, schopnou podporovat množství AV s různými výpočetními požadavky. Navrhovaná architektura obsahuje dynamický systém řízení výpočetních zdrojů, který se vyrovnává s kolísající kvalitou komunikačního kanálu a zatížením MEC serveru. V navrhované architektuře je vytvořeno digitální dvojče (DT) AV v MEC, který umožňuje selektivní přenos výpočetních procesů AV a poskytuje synchronizovanou digitální repliku schopnou optimalizovat funkce AV. Tento systém zajišťuje, že přenesené úlohy fungují v reálných podmínkách identických s fyzickými AV. Hlavními přínosy této práce je vývoj robustního algoritmu pro přesun úloh. Algoritmus dynamicky rozhoduje, zda úlohy zpracovat lokálně nebo je přenést na MEC server. Rozhodnutí o přenosu je založeno na parametrech, jako jsou termíny úloh, velikost úloh a stav komunikačního kanálu. Efektivita navrhovaného systému je ověřena rozsáhlým testováním na skutečném modelu AV, který přenáší úlohy na reálný MEC server přes 5G mobilní síť, což prokazuje významné zlepšení spotřeby energie (úspora energie až 58 % ) a schopnost splnit termíny zpracování v reálném čase (60 - 90 % nárůst poměru úloh zpracovaných ve stanoveném termínu).

The advancement of autonomous vehicles (AVs) capabilities necessitates substantial computational power to process extensive sensor data and execute complex algorithms in real-time. This thesis explores the application of Multi-access Edge Computing (MEC) to offload computational tasks from AVs to MEC servers in a mobile network, thus enhancing AV capabilities in terms of computation power, while reducing onboard computational load. The primary objective of the thesis is to develop and validate an algorithm for offloading decision that considers total (communication plus computing) latency, communication resources and task computation requirements. The proposed solution encompasses a novel MEC architecture designed for scalability and flexibility of deployed services, capable of supporting numerous AVs with diverse computational requirements. The proposed architecture includes a dynamic management system of computational resources to handle fluctuating quality of the communication channel and load of the MEC server. In the proposed architecture a Digital Twin (DT) of AV is created in the MEC to enable selective computation offloading of AV processes and providing a synchronized digital replica capable of optimizing AV functionalities. This setup ensures that offloaded tasks operate in real-time conditions identical to the physical AVs. Key contributions of this thesis include the development of a robust task offloading algorithm that effectively manages the task offloading under varying mobile network conditions. The algorithm dynamically decides whether to process tasks locally or offload it to the MEC server. The offloading decision is based on parameters such as task deadlines, task size, and communication channel state. The effectiveness of the proposed system is validated through extensive testing on a real AV model offloading the tasks from the AV to the real MEC server over 5G mobile network, demonstrating significant improvements in energy consumption (up to 58 % energy saved), and the ability to meet real-time processing deadlines (60 - 90 % increase in ratio of tasks processed within required deadline).