1.4　边缘计算中的关键问题

伴随着5G产业的落地发展，边缘计算作为广义5G网络当中的重要一环，引起了新一波的研究热潮。自2009年Mahadev Satyanarayanan教授在普适计算领域期刊IEEE Pervasive Computing上发表题为“The Case for VM-based Cloudlets in Mobile Computing”的论文以来，边缘计算吸引了学术界和工业界越来越多的目光。从最初的内容分发网络延伸到计算分发网络，到云计算的边缘实例，再到无处不在的泛在计算，边缘计算的内涵和外延不断地发生着深刻变化。

1.4.1　关键词

我们通过分析在IEEE/ACM/USENIX等主流学术机构上发表的边缘计算相关论文的关键词，可以得到如图1-9所示的统计结果。可以看到在边缘计算的研究工作中，物联网、计算卸载、资源分配、5G、深度学习是排名前五位的关键词。这基本上也涵盖了边缘计算的研究趋势和最新进展。

1. 物联网+边缘计算

物联网在边缘计算的相关研究论文中成为热词的第一名，反映出边缘计算和物联网之间紧密的关系。物联网技术的发展越是成熟，对于边缘计算的技术需求就越是强烈。两者的结合关键在于两方面：一方面，需要解决物联网设备如何以低成本的方式接入边缘计算；另一方面，也需要解决边缘计算如何应对物联网服务海量、异构、动态的特点。本书后续章节将就两者结合的关键问题及进展展开讨论。

2. 5G+边缘计算

5G技术的发展使得通信延迟达到低于计算延迟的水平，这将使得很多现有的计算模式发生根本性变化，也会导致越来越多的计算负载从前端移动设备转移到边缘计算服务器上。这对于边缘计算的架构提出了新的要求和挑战，需要在现有的云计算集群架构基础之上做出重要改进，以适应实时性高、数据密集、移动性高、异构动态的5G移动服务需求。

3. 虚拟化技术

由于前端设备的异构性，边缘计算所服务的计算请求同样是高度异构的。这就要求边缘服务器能够灵活地运行各种各样的计算服务。虚拟化技术则是解决这一问题的主流方向之一，通过将不同系统、不同环境甚至不同硬件上的网络功能在通用的计算资源上实现，从而实现对网络功能的灵活管理。相比于传统云计算中的虚拟化技术，边缘计算的虚拟化技术对延迟要求较高。不仅如此，边缘服务器的计算资源相比于云服务器也要少很多，使得虚拟化技术需要做到尽可能轻量级。

4. 计算卸载

计算卸载是云计算中的经典问题之一，在边缘计算中同样是一个十分重要的核心问题。边缘计算中的计算卸载是指将计算任务从前端设备转移到边缘服务器上运行，任务执行完毕后边缘服务器再将计算结果返回到前端设备或按照要求传递到云服务器。针对该方向的研究集中在回答几个关键的核心问题——是否需要卸载、卸载哪些任务、卸载到哪个服务器、以什么方式卸载等。与云计算中的任务卸载相比，边缘计算的一个重要特征在于前端设备的传输方式和边缘服务器选择，这将会严重影响计算卸载的性能。

5. 资源分配

同一个边缘计算网络中可能存在数量众多的边缘服务器，同一个边缘服务器可能需要处理数量巨大的计算任务，不同的计算任务存在不同的计算和通信资源需求。基于此，边缘计算中的资源分配问题显得尤为重要。不同于云计算数据中心，边缘计算由于更加接近前端用户，其运行的服务和配备的资源具有较强的针对性。不仅如此，不同边缘服务器上的资源通常具有较强的异构性，这使得边缘计算中的资源分配问题变得极具挑战性。

6. 支持边缘计算的低功耗物联网系统

边缘计算的提出并未针对特定的应用场景，更多起到的是类似于内容分发网络的作用，减少应用的访问延迟。而这一特点正好能够解决物联网系统能量受限、资源受限等问题。除了各类应用的探索之外，该方向的共性问题还包括低功耗嵌入式系统（支持计算卸载、低功耗任务传输、高能效数据采集等）。

7. 边缘计算与人工智能算法

边缘计算与人工智能的碰撞，在两个方向分别产生了一系列问题，即基于边缘计算的人工智能算法，以及基于人工智能的边缘系统优化。相比于传统的人工智能算法，前者系统架构的变化带来了多设备之间的协同问题。而后者则是利用人工智能算法和边缘计算系统过程产生的数据，对边缘系统本身进行优化和决策。考虑到边缘计算的重要使命之一是将人工智能带入各类物联网设备当中，这一方向正引起越来越多的关注。

1.4.2　关键研究问题概述

本节将系统地介绍边缘计算中系统架构、模型与优化设计、支撑技术及工具、边缘应用等方面的关键研究问题。这些问题将在后续章节中具体展开介绍。

1. 系统架构

系统架构是边缘计算系统的核心问题，主要研究计算卸载、服务管理、资源分配、网络部署等问题。当前研究较多的边缘系统架构包含云-边-端架构、边-端架构以及泛在边缘架构（如Device to Device网络）。针对各类不同架构，边缘计算中的各个关键技术及优化策略需要根据其架构特点及所面向的场景来设计调整。

（1）云-边-端架构

云-边-端架构包含云中心、边缘设备和前端设备三层网络实体。其中前端设备的请求首先到达边缘服务器处理，当边缘服务器资源不足或没有所请求的服务类型时，将计算请求传递至云服务器处理，或者将相应的云服务下拉到边缘设备上处理计算请求。

（2）边-端架构

边-端架构仅包含前端设备和边缘设备两层网络实体。前端设备请求均由边缘服务器来处理，当遇到边缘服务器无法处理的情况时，前端设备需要自主进行运算，边缘服务器可以通过网络化协同处理的方式为前端设备提供服务，即前端设备直接相连的边缘服务器可以将任务分配到网络中其他的边缘服务器上进行运算。

（3）泛在边缘架构

在缺少固定的边缘服务器的场景中，可以利用“设备到设备”通信网络来建立边缘计算系统，每个设备既是前端设备又可以作为边缘设备。这种架构针对泛在场景，如大型集会活动边缘资源严重不足时，移动用户之间可以相互共享资源，协作完成各类计算任务。

2. 模型与优化设计

在明确了应用场景和边缘系统架构之后，更重要的工作是将边缘系统落地。除了物理基础设施的部署之外，边缘计算的完整周期还涉及重要的模型、策略和方法的优化设计，包括网络的软硬件部署、边缘服务接入、计算卸载、任务分配、云边协同、资源管理服务编排、服务缓存等。

（1）软硬件部署

硬件部署是指根据应用场景部署边缘服务器，设计服务器与云服务器的连接方式，并选择恰当的通信方式。软件部署则是主要指服务部署，将潜在需要的边缘服务部署到各个边缘服务器上并提供相应的边缘计算服务。

（2）边缘服务接入

需要考虑前端用户设备通过何种方式接入边缘服务，以及如何保障各种边缘场景中接入服务的稳定性和可用性。当存在大量用户接入时，还应当考虑如何降低用户间的通信与计算资源竞争，提升整体的服务质量和边缘系统的资源利用率。

（3）计算卸载

前端用户设备在接入边缘服务后，需要判断其当前的计算任务是否卸载至边缘侧运行，如果需要，需要进一步判断卸载哪些任务、卸载到哪个边缘服务器，并定义卸载任务的服务质量要求。

（4）任务分配

当用户的计算请求通过某一个与其直接相连的边缘服务器上传之后，该计算请求对应的计算任务应当由哪个具体的边缘服务器（或云端）进行处理？不同的子任务如何分配？任务间的依赖关系如何处理？不同的分配方式对于整体的表现会造成重要影响。

（5）云边协同

边缘计算与云计算相互构成重要的补充，特别是在云边端架构之中，云边协同研究云中心和边缘服务器应当如何协同运算与存储，共同完成前端设备海量、异构、多源的服务请求。该方面研究主要涉及同时考虑云和边缘的服务实例化、任务与资源分配等问题。

（6）资源管理

边缘计算中的资源管理有两层含义。其一，对于特定的一个边缘服务器来讲，其资源应该如何分配给不同的计算服务（或不同的前端用户）来最大化资源利用率；其二，当有多个边缘服务器时，作为网络管理者应当如何配置各服务器间的计算存储和通信资源，使得在资源总量受限的情况下整个边缘网络的性能最好。

（7）服务编排

当边缘服务器上运行着大量的计算服务时，考虑到服务器资源有限，需要管理员根据实时的计算请求和资源占用情况决定众多计算服务的运行状态，调整资源分配方案，从而最大化资源利用率，以有限的资源接收更多的计算请求。

（8）服务缓存

考虑到边缘计算高移动性的特点，每个边缘服务器服务的用户可能随时会发生变化。相应地，用户请求的服务也会随时发生变化。考虑到计算服务存在“冷下载、冷启动”的时延过长问题，需要选择有可能被频繁请求的部分计算服务进行缓存，以提升前端用户的服务质量。

3. 支撑技术与开源工具

为了在真实环境中实现上述的边缘计算设计与优化思想，需要在系统层面配置一系列支撑技术与系统工具。

（1）操作系统

操作系统将硬件资源转变为服务，边缘计算的操作系统也不例外。由于云计算相关技术的积累，边缘计算操作系统不需要“从最底层开始”，而是针对各类实际应用场景将异构的前端设备和各类计算卸载、服务调用、虚拟化、数据传输等系统功能串联起来，为边缘计算设备提供通用、可靠、便捷的计算与开发服务。

（2）编程模型

边缘计算与云计算相似，却又有很大的区别。传统的编程模型，不论是独立服务器还是云计算中的模式，均难以适应边缘计算的场景特点和系统要求，特别是边缘资源受限、边-端连接不稳定等特点，对现有编程模型具有显著影响。

（3）通信技术

前端设备形态的不同、能耗的不同、应用场景的不同，会影响到其使用的数据传输技术。在云计算场景中，由于计算请求最终会汇聚到云计算中心进行统一处理，不同的通信方式影响相对较小；而边缘计算中，由于用户和服务器通常是直接相连的，不同的通信方式在很大程度上会影响整体的计算性能。

（4）虚拟化技术

虚拟化技术是云计算和边缘计算中的基础性问题，通过将网络功能实现在通用的计算资源上，一方面能够降低功能成本，另一方面极大地提升海量异构计算服务的统一管理。近年来快速兴起的以容器技术为代表的虚拟化技术，不仅仅能够在云计算数据中心进行大规模使用，在小型的边缘设备上同样可以使用，极大地提升了边缘计算服务器的实现形式和硬件的资源利用率。

（5）集群控制

相较于云计算中心，边缘计算的服务器资源相对受限。因此，为了向大规模、多样异构的前端用户提供高质量的计算服务，通常需要多个边缘服务器以形成计算集群。通过有效地将大量的边缘服务器计算资源组织起来，统一、高效地为前端设备提供计算服务。

4. 产品应用

边缘计算已经在多个领域展示出其不可替代的作用，如自动驾驶车联网、远程医疗、AR/VR、透明计算等。这些应用总的特点是将计算变得无处不在，前端设备资源或多或少都可以随时随地完成复杂的计算任务，与“透明计算”的思想不谋而合。

（1）自动驾驶车联网

车联网几乎伴随着物联网的概念一同出现，近年来自动驾驶技术的长足发展使得车联网系统有望在真实环境中落地。其中一个技术挑战在于，自动驾驶、车辆协同、实时避障等车联网必备功能均需要大量、实时的复杂计算。边缘计算则顺理成章地成为车联网的解决方案，通过在道路附近部署边缘基站，支持大规模自动驾驶车辆的计算与通信需求。

（2）远程医疗

通过低延迟的边缘计算，医生可以远程问诊及远程手术，从而极大地降低医疗成本。除了低延迟之外，远程医疗同样可以利用边缘计算的计算服务，对医疗图像、声音等进行实时辅助诊断。

（3）AR/VR

AR/VR对于多媒体和游戏产业来讲是具有颠覆性的，其发展的一大限制就是由于计算开销巨大，导致相应的AR/VR设备体积较大，如HTC Vive等。而边缘计算则有望大幅减少AR/VR设备的体积，依赖超低延迟和高效计算，将其需要的计算和存储请求卸载到边缘服务器上。

（4）透明计算

随着个人计算产品的多样化发展，每个人拥有的计算设备越来越多，而多个设备之间的同步也成为一个重要的研究问题。相比于当前的云同步解决方案，边缘计算则有望将各类计算资源进行统一管理，利用高效的通信方式，将用户数据与软件集中到边缘服务器，相当于将前端设备改造为“透明”的，不再需要进行复杂的软硬件配置。

1.4.3　边缘计算架构

由于边缘设备的多样化，对其计算架构和形态的讨论也呈现出“百花齐放”的态势。如最流行的云-边-端架构，海量异构的端设备发起了绝大部分服务请求，这些请求所对应的服务，一部分对实时性要求苛刻，且对应服务被预先安装在边缘服务器上的服务，将在边缘服务器上直接执行；其他对实时性要求相对较低，且在边缘服务器上没有副本的服务，则通过边缘服务器继续访问云服务器，执行相应的计算任务。又如边-端架构，当边缘服务器部署得足够广泛且计算与存储资源十分充沛时，云服务就可以完全下拉到边缘服务器上，形成边和端两层架构。类似于私有云的运行方式，端设备发起的请求直接在边缘侧执行完成。并且当大规模边缘服务器之间相互组网时，其整体的计算承载量甚至超过云计算数据中心，即便前端有大量请求，单一边缘服务器无法满足时，其相应请求也可以转发到其他资源相对充沛的边缘服务器进行处理。此时，边缘服务器之间相互成为对方的“云”服务器。考虑到边缘服务器之间的连接方式十分灵活，相比边缘到云的传输速率更快，在很多场景（如企业级边缘计算网络、智慧园区等）中边-端架构有望彻底取代云-边-端架构。

1.4.4　操作系统与编程模型

在现有的边缘计算场景中，多数计算卸载的过程并非通过操作系统层面进行，而是根据各自应用场景“各自为战”。比如Google公司的Gboard输入法，其上下文推理、词语联想推荐等模型训练过程均是在云上完成的，这一计算卸载的过程是由Google自己而非输入法所依赖平台对应的操作系统（iOS、Android、Windows等）定义的。此外，前端设备与边缘服务器之间的数据传输机制也需要用户单独定义，这为边缘服务与应用的开发带来相当大的额外开销。不仅如此，在边缘服务器一端，大量边缘服务之间的管理和编排也是通过（如Kubernetes、Moby等）第三方工具进行，这些服务管理工具通常从边缘端资源利用率最大化的角度出发，难以直接反映用户的运算需求。前后端的信息差异以及优化目标的不同，通常会导致用户体验难以达到最优。

上述过程均不是应用或服务的直接功能，却会耗费程序员大量的精力。为填补前后端的信息差，综合考虑应用需求、用户状态、边缘资源等信息优化全局的用户体验，边缘计算急需一套完整的操作系统和编程模型。将边缘计算卸载过程从程序设计过程中抽离出来，融合进操作系统当中，使得程序员在实现功能时不需要考虑如何进行计算卸载及相应的卸载策略，便于边缘计算应用和服务的快速开发迭代，也有利于提升全局的用户体验，而不仅仅是提升资源利用率。

当前已有互联网公司展开了一些有益的尝试，如亚马逊公司面向IoT-Cloud的GreenGrass OS，在低功耗物联网设备的操作系统中直接集成了亚马逊云服务的模块。Arduino开源社区同样做了尝试，推出了开源方案Arduino-IoT-Cloud，将低功耗平台Arduino、Rasperry Pi等设备注册到Arduino IoT云端，远程运行和管理计算服务。不仅如此，国内各互联网巨头也开展了各自的尝试，如华为的LiteOS、阿里的AliOS Things、腾讯的TencentOS Tiny等，均将远端计算集成到操作系统中，这一方式将来可以无缝对接边缘计算。虽然这些方案尚未实现自动化的计算卸载和智能的卸载策略，但比起传统的方案已经显著降低了开发代价，减少了开发和版本迭代的周期。随着物联网、边缘计算应用的广泛普及，支持边缘计算的物联网操作系统将极有可能成为下一个iOS或Android OS，支持数以亿计的设备和App的快速开发和稳定运行。

1.4.5　计算卸载与资源分配

如果说计算卸载的实现过程主要是提升应用和服务的开发效率，那么计算卸载的策略则是真正提升服务质量和用户体验的环节。对于每个前端设备来讲，在计算卸载过程中需要考虑：

• 当前是在本地运算，还是需要卸载部分计算任务至边缘服务器进行运算？
• 如果需要计算卸载，具体要卸载哪些计算任务？
• 当有多个边缘计算服务器可供选择时，应当将哪些任务卸载至何处？

为了回答这些问题，需要综合考虑服务类型、网络状态、设备状态、前后端资源等信息并进行决策，以利用最少的资源达到服务质量的要求，或者在给定资源的条件下最大化服务质量。

资源分配则主要指服务端应当如何管理多个同时运行的边缘服务，这对于充分利用边缘服务器资源、保障各种网络条件下稳定的服务质量具有至关重要的意义。该资源包括无线频谱资源、CPU、内存、存储空间、专用计算设备等。此外，任务分配策略也同样会影响到边缘服务器的资源利用率。资源分配过程通常是以资源利用率最大化为目标，将现有工作建模为一个优化问题。这种方法虽然在理论上能够达到较好的优化效果，但是考虑到网络状态、网络资源始终处在不断变化的过程当中，最优化模型的计算效率相对不高，从而导致很难适应真实场景的计算需求。为此，设计轻量级的资源分配算法同样是一个非常重要的研究方向。

1.4.6　虚拟化与服务管理

在边缘计算架构中，每个边缘服务器可以被看作一个小型的云计算中心，用户请求的各类服务通过虚拟化技术在这里进行实例化部署和管理。虚拟化技术能够将复杂专用的网络功能在通用的计算资源上实现，从而实现计算资源和计算服务的自动化管理，通过灵活的服务控制策略极大地降低网络管理成本，提升资源利用率和服务质量。与云计算场景下的虚拟化技术相比，边缘计算呈现出新的业务特点和计算需求。

首先，在云计算架构中，网络用户的计算需求汇聚到云计算数据中心进行处理，数据中心的服务区域相对较广，因而其需要运行的服务类型数量庞大，但具有较强的确定性。而在边缘计算场景中，由于边缘服务器的覆盖范围十分有限（如5G场景中覆盖直径仅一公里），移动用户很容易从一个边缘服务器移动到另一个边缘服务器的覆盖范围。这导致每个边缘服务器服务的目标用户会随着时间发生变化，因而每个边缘服务器上需要运行的虚拟服务也存在一定的不确定性。其次，由于边缘应用场景通常要求极低的延迟，这就使得虚拟服务能够快速地进行实例化，当未知类型的服务请求到达时，以最短的延迟进行处理。不仅如此，相比于云计算服务，边缘计算服务所需要处理的数据量相对较小，这使得边缘服务所占用的计算和存储资源通常是极小的，从而允许更多类型的设备成为潜在的边缘计算服务器。

1.4.7　服务集群管理

考虑到边缘计算中服务器的覆盖范围通常较小，一种有效的提升边缘计算效率的方式是通过边缘服务集群的方法，将边缘服务器连接成边缘服务器网络，整合多个边缘服务器的计算与通信资源，为前端用户提供统一的服务。这一思想与现在的云计算中心颇为类似，均是通过大量独立服务器形成计算集群。边缘计算中的服务集群与云计算中的服务集群的区别在于以下三方面：

• 边缘服务器不像数据中心一样集中部署，其网络拓扑也难以进行宏观统一的规划。
• 不同于云数据中心的服务器，边缘计算各服务器之间在通信计算资源、用户请求密度、无线干扰环境等方面差异相对较大，这些因素使得传统云计算中心的集群架构难以直接使用。
• 边缘计算集群中服务器间的虚拟机或服务迁移成本要显著高于云计算中心的迁移成本，但与此同时，边缘计算中的用户移动性显著高于云计算中心场景，对服务迁移又有更高的要求。

现有的集群管理工具如Istio、Consul Connect等已展开了初步探索，并已在云计算场景中取得成功。但如何在边缘计算的场景中落实这些架构，仍然是一个关键且极具挑战的问题。

1.4.8　人工智能与大数据

由于边缘计算服务器的硬件形式多样，具备的计算、存储和通信资源均远小于云计算服务器，因此在边缘服务器上难以运行计算量庞大的人工智能算法。此外，由于边缘计算服务器通常直接与用户相连，其用户数据隐私性也是科研和工业界均十分关注的问题。为此，针对边缘计算场景，研究者提出了一系列建议来提升机器学习算法的运行效率和隐私保护特性。例如，面向嵌入式IoT设备的轻量级机器学习架构Tiny Machine Learning（TinyML）［14］，利用Google公司提供的TensorFlow Lite，在Arduino Nano 33（配有Cortex-M4 MCU）设备上以轻量级的方式完成机器学习。此外，Google公司提出的联邦学习架构通过采用本地学习和边缘学习结合的方式，实现了在不显著影响训练效果的前提下数据与服务器的隔离，实现了隐私保护的机器学习方式。如此，用户的手机、可穿戴设备等可以在不上传敏感数据的前提下，正常使用各类基于数据训练的边缘服务。例如，Google输入法Gboard中的单词推荐、使用习惯等数据统计，均已使用联邦学习的框架进行，充分保障了用户数据隐私。

1.4.9　移动性管理

与云计算相比，用户的移动性在边缘计算中扮演着极其重要的角色，边缘计算的低延迟、轻量级、高可靠等要求均与用户的移动性相关。因此，移动性管理在边缘计算中成为一个十分重要的问题。

关于移动性管理的研究，主要集中在多个边缘服务器协同，以及边缘服务的移动性感知管理（Mobility-aware Service Management）上。由于单个边缘服务器的覆盖范围十分有限，边缘计算通常需要多个服务器协同为移动用户服务，从而衍生出资源与任务分配、服务迁移、移动性预测等问题，根据用户位置的时空特征，合理安排各个边缘服务器上的边缘服务编排及资源分配，从而当移动用户在多个边缘服务器之间转移时，能够保证稳定、无缝的用户服务质量。

1.4.10　系统与应用

边缘计算随着5G概念的兴起成为当前最为热门的研究课题之一，与之相关的各类创新应用和系统的讨论也层出不穷。本书将在第11章重点介绍这些新兴的系统与应用，从消费者角度更加清晰地了解边缘计算的重要性及其工作原理。

1. AR/VR

手机游戏Google Ingress和PoKeMan GO是首批全球范围流行的增强现实（Augmented Reality，AR）游戏；随后，各类拍照和视频App同样运用AR技术实现各类“实时特效”功能，让人们体会到了“虚实结合”的乐趣。AR应用涉及大量的图像处理、目标识别等算法，对于计算能力或能量受限的设备来讲，会带来运算卡顿或能耗过快等问题。类似地，虚拟现实（Virtual Reality，VR）设备需要更多的计算资源，不仅需要实时响应用户的姿态和操作，还需要实时进行3D建模。因此，当前的VR系统需要相对大型的计算设备和算力很强的GPU才能运行，不仅影响用户的使用体验，阻碍VR应用的开发和推广，还带来了高能耗等问题。如微软的Microsoft Mesh计划希望将多个VR用户在虚拟世界中连接起来，实现实时共享、人与人交互的虚拟环境。边缘计算成为理想的AR/VR应用解决方案，通过无线通信的方式将前端设备的计算过程迁移到边缘服务器上，从而解放了前端设备的计算需求，有望极大地减小专用的VR/AR设备体积，提升VR/AR的用户体验。

2. 智慧医疗

随着人工智能技术的长足发展，智慧医疗系统逐渐由概念走向现实，基于医疗大数据的计算机模型能够帮助医生快速地进行疾病诊断、给出治疗建议，甚至可能由机器独立完成诊断到治愈的完整过程。当前的智慧医疗解决方案，主要依靠医疗影像、电子病历等大数据来训练诊断模型。而随着边缘计算的到来，更多形式的医疗系统将成为可能。例如远程智能手术，高水平的外科医生一直都是医疗系统的人才缺口，有了边缘计算系统，偏远的乡镇医院同样可以通过5G边缘系统进行高水平远程手术或AI辅助手术。不仅如此，边缘计算带来的超低延迟的图像处理服务，也可以辅助手术医生实时判断和修正手术过程。

3. 智慧家庭网关

物联网自概念出现以来，从理论到落地最大的困难之一就是嵌入式设备的计算能力严重不足。虽然工业界一直在尝试提出新的轻量级、低复杂度的算法，但依然难以达到如手机、PC等平台的计算能力，也使得各类物联网设备仅停留在数据感知和数据传输的阶段，难以完成图像识别、语音识别等高复杂度的AI算法。边缘计算则有望弥补这一缺陷，让物联网系统真的“智能”起来。如当前的扫地机器人设备，由于能量和计算资源受限，通常采用红外避障+导航仪的方式，从而导致重复低效或者漏扫的问题。而边缘计算架构加入智慧网关后，前端设备完全可以加装摄像头，调用边缘网关提供的AI算法进行目标识别和实时导航，从而达到更高效的清理。

4. 自动驾驶网络

随着图像识别算法和自动化技术的发展，自动驾驶已经有了众多成熟的解决方案。然而在真实的交通场景中，往往需要车辆之间的协同，以及未知、紧急情况的应急处理。这使得自动驾驶网络在协同通信、实时计算两方面均具有极高的要求。边缘计算则有望在这两方面同时满足自动驾驶网络的要求，在密集的边缘计算基站部署的前提下，车辆能够实时获取其路线上的实时路况，并且对路况的紧急情况进行实时响应。不仅如此，车载娱乐系统的用户体验也因为边缘计算的到来而有望大幅提升，例如娱乐内容缓存、车载实时AR/VR游戏等。