本發明涉及智能網聯，尤其涉及一種基于車聯網的云邊端協同計算資源調度方法及系統。

背景技術：

1、在車聯網領域，已大量運用服務器、車載平臺等云端互聯技術進行數據交互。

2、目前的智能網聯汽車交通中，由于數據量以及數據隱私等相關問題，其人工智能（artificial?intelligence，ai）目標識別模型大多采用集中式的方式進行生成，通過規模龐大的自建車隊與自建交通監控平臺進行模型訓練，通過空中下載技術（over-the-airtechnology，ota）推送到車載平臺上進行模型推理，在此過程中，并沒有大規模使用終端用戶實時采集的路況與環境數據進行模型優化更新，使得訓練的ai模型泛化能力較差，不一定適合不同區域的道路及交通環境。

3、可以理解的是，現有自動駕駛汽車主要采用云服務器進行集中式ai神經網絡模型訓練與更新推送，并未考慮邊緣聯邦學習及云邊端協同計算資源調度方法用于智能網聯模型訓練與更新。

技術實現思路

1、本發明提供一種基于車聯網的云邊端協同計算資源調度方法及系統，用以解決現有技術中存在的缺陷。

2、第一發明，本發明提供一種基于車聯網的云邊端協同計算資源調度方法，包括：

3、通過無人設備采集道路圖像數據，利用中心云平臺對所述道路圖像數據進行模型訓練，得到初始云ai神經網絡模型，將所述初始云ai神經網絡模型定期推送至多個邊緣云服務器；

4、獲取路載感知數據，將所述路載感知數據上傳至多個邊緣云服務器；

5、通過參數遷移學習方法，利用所述路載感知數據訓練部署在多個邊緣云服務器上的邊緣ai神經網絡優化模型；

6、對初始云ai神經網絡模型和邊緣ai神經網絡優化模型進行聚合操作，得到聚合后的云邊協同神經網絡模型；

7、將聚合后的云邊協同神經網絡模型推送給本地車輛，以供本地車輛應用所述聚合后的云邊協同神經網絡模型。

8、根據本發明提供的一種基于車聯網的云邊端協同計算資源調度方法，所述無人設備包括無人車和無人機。

9、根據本發明提供的一種基于車聯網的云邊端協同計算資源調度方法，獲取路載感知數據，將所述路載感知數據上傳至多個邊緣云服務器，包括：

10、通過路側布設的激光雷達、攝像頭以及已獲取使用權限的車載傳感器采集所述路載感知數據；

11、所述路載感知數據包括車輛視覺信息數據、交通視覺信息數據和行人視覺信息數據。

12、根據本發明提供的一種基于車聯網的云邊端協同計算資源調度方法，通過參數遷移學習方法，利用所述路載感知數據訓練部署在多個邊緣云服務器上的邊緣ai神經網絡優化模型，包括：

13、凍結邊緣ai神經網絡優化模型m1，m2，…，mn中transformer模塊中多頭自注意力的參數，其中n為部署在邊緣云服務器上的邊緣ai神經網絡優化模型的數量；

14、解凍邊緣ai神經網絡優化模型m1，m2，…，mn中transformer模塊中多頭全連接層的參數；

15、根據指定任務采用預設損失函數作為ai模型學習目標；

16、計算梯度后，利用梯度下降方法更新邊緣ai神經網絡優化模型m1，m2，…，mn中transformer模塊中全連接層的參數，實現模型參數微調。

17、根據本發明提供的一種基于車聯網的云邊端協同計算資源調度方法，對初始云ai神經網絡模型和邊緣ai神經網絡優化模型進行聚合操作，得到聚合后的云邊協同神經網絡模型，包括：

18、多個邊緣云服務器將邊緣ai神經網絡優化模型加密后發送至中心云平臺；

19、中心云平臺采用聯邦平均對邊緣ai神經網絡優化模型的模型參數進行聚合，將每個模型參數進行加權求和后除以總權重，得到全局平均模型參數；

20、中心云平臺基于所述全局平均模型參數將初始云ai神經網絡模型m0和邊緣ai神經網絡優化模型m1，m2，…，mn進行聚合，得到聚合后的云邊協同神經網絡模型m0&m1，m0&m2，…，?m0&mn。

21、根據本發明提供的一種基于車聯網的云邊端協同計算資源調度方法，將聚合后的云邊協同神經網絡模型推送給本地車輛，以供本地車輛應用所述聚合后的云邊協同神經網絡模型，包括：

22、通過本地車輛的注冊信息確定每輛車的注冊地，根據注冊地確定對應的聚合后的云邊協同神經網絡模型m0&m1，m0&m2，…，?m0&mn；

23、由中心云平臺或邊緣云服務器將確定的模型轉化為車載平臺運行格式；

24、將轉化后的模型推送至對應車輛，由對應車輛進行模型安裝并啟動模型；

25、對應車輛在模型運行過程中收集模型運行情況，將模型運行情況反饋至中心云平臺或邊緣云服務器。

26、根據本發明提供的一種基于車聯網的云邊端協同計算資源調度方法，還包括：

27、當網絡處于空閑時，定期將道路圖像數據上傳至中心云平臺，更新訓練初始云ai神經網絡模型m0；

28、定期更新多個邊緣云服務器上的邊緣ai神經網絡優化模型m1，m2，…，mn；

29、定期更新聚合后的云邊協同神經網絡模型m0&m1，m0&m2，…，?m0&mn，并推送至本地車輛。

30、第二方面，本發明還提供一種基于車聯網的云邊端協同計算資源調度系統，包括：

31、中心訓練模塊，用于通過無人設備采集道路圖像數據，利用中心云平臺對所述道路圖像數據進行模型訓練，得到初始云ai神經網絡模型，將所述初始云ai神經網絡模型定期推送至多個邊緣云服務器；

32、獲取模塊，用于獲取路載感知數據，將所述路載感知數據上傳至多個邊緣云服務器；

33、邊緣訓練模塊，用于通過參數遷移學習方法，利用所述路載感知數據訓練部署在多個邊緣云服務器上的邊緣ai神經網絡優化模型；

34、聚合模塊，用于對初始云ai神經網絡模型和邊緣ai神經網絡優化模型進行聚合操作，得到聚合后的云邊協同神經網絡模型；

35、推送模塊，用于將聚合后的云邊協同神經網絡模型推送給本地車輛，以供本地車輛應用所述聚合后的云邊協同神經網絡模型。

36、第三方面，本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述任一種所述基于車聯網的云邊端協同計算資源調度方法。

37、第四方面，本發明還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述基于車聯網的云邊端協同計算資源調度方法。

38、本發明提供的基于車聯網的云邊端協同計算資源調度方法及系統，通過依靠5g網絡的高帶寬、低時延、廣連接和高可靠特性，結合邊緣聯邦學習的ai模型訓練，既可提高模型的訓練速度，又可有效保護數據的隱私性，還可提高ai模型對于本地路況及交通環境的適應性。