边缘智能在轨道交通中的应用：前景与展望

边缘智能作为一项新兴技术，正受到国内外学者的广泛关注，其作为人工智能技术与边缘计算技术的结合，有望促进人工智能技术在各行业的部署，加速产业智能化进程。该文首先介绍了边缘智能技术的基本原理、系统架构及其比较优势，梳理了边缘智能技术的国内外研究现状；分析了边缘智能在轨道交通建设工程、运维调度、智能控制、改造升级的全生命周期应用前景，详述了边缘智能技术在轨道交通过程管理控制、建设现场数据采集分析、信息共享、智能运维、智能调度、自动驾驶系统、列车协同控制及改造升级等全生命周期中的赋能作用。该文随后设计与实现了轨道交通智能运行控制为背景下的边缘智能平台，测试基于深度学习和强化学习的边缘智能应用的功能及性能。最后，归纳了边缘智能技术在轨道交通领域应用的问题与挑战。该文的研究期望为轨道交通领域的边缘智能应用提供有益的借鉴和实践基础。

当前，随着全球科技革命浪潮的兴起，人工智能逐渐在各传统产业中占据越来越重要的位置。近年来，轨道交通领域信息化、智能化建设的步伐逐渐加快，也因此正面临着越来越多的问题和挑战。边缘智能技术作为一种将人工智能推向网络边缘的新型技术，正成为充分发展人工智能技术时不可或缺的一环。边缘智能技术的构想最早于2009年由微软公司提出[1]，他们尝试构建了一个给予边缘设备的移动语音识别支持的系统。随后，边缘智能的概念经历了两个阶段的更迭[2]。第1阶段，通常认为边缘智能的概念仅限于在数据生产的终端设备上运行人工智能应用。随后，学者将边缘智能的概念扩展至包括云计算中心、边缘节点、终端设备的全场景架构模式[3]。边缘智能是通过边缘计算技术将人工智能技术推广到网络边缘的一种新型技术[4]。边缘智能作为一种可以充分利用现有云、边、端网络带宽资源、计算资源的整体架构，为人工智能算法大规模部署提供了基础平台。这意味着，边缘智能技术将解决传统计算中心模式下单节点故障、隐私泄露、主干网络带宽资源不足的情况，同时解决终端设备计算资源紧缺的问题。

轨道交通作为一种运力大、速度高的交通方式，在保障游客出行、货物运输和缓解交通压力等方面发挥着巨大的作用[5]。轨道交通的安全、高效运行，是轨道交通运营的核心目标[6]。近年来，我国在建设智能化、信息化轨道交通的建设上高速发展。为进一步提升轨道交通运行安全性、可靠性，提高运输能力，减少人为失误，智能驾驶、智能调度、智能运维等基于人工智能算法的应用被广泛使用[7]。现如今，随着大数据赋能的人工智能技术的广泛研究及应用，轨道交通信息化及智能化的进程得到了进一步提高。例如，京张铁路就将人工智能技术深度融合至智能车站、智能列车、智能运输、旅客智能出行等各方面[8]。与此同时，人工智能应用带来的庞大的算力需求对轨道交通基础设施提出了挑战。在大量人工智能技术运用到轨道交通中各个方面的同时，一些应用场景对低时延、高算力、高信息隐私安全的需求及传统的轨道交通数据提出了新的要求。轨道交通传统数据处理方式以云计算架构为主[9]。云计算中心具有算力强、数据存储空间大等特点，但依然存在以下问题严重阻碍了人工智能在轨道交通中的应用：轨道交通中的智能驾驶、智能调度等业务需要很强的实时性，云计算架构的集中式远端服务器由于物理传输时延无法消除等因素，无法满足系统进一步实时性的需求；轨道交通系统是极度依赖于传感网络的系统，由于各种传感设备数量的指数式增加，轨道交通现有的通信架构无法满足大量、异构结构数据的上传；基于云平台的轨道交通系统多依赖于集中式服务器，这给轨道交通系统的安全性带来极大的挑战。同时，由于传统轨道交通烟囱式业务系统存在基础设施重复建设、运维成本高、信息孤岛等问题，导致虽然轨道交通海量传感器产生的大数据无法赋能人工智能应用。

张春杰等人[10]对物联网及人工智能技术在城市轨道交通监控系统中的应用进行了讨论，探索了先进的城市轨道交通综合监控系统的可能性。其中，人工智能技术作为核心推动力，是无人化、智能化监控系统的保障。魏秀琨等人[11]系统性地总结了机器视觉在轨道交通系统状态检测中的应用，详细分析了基于人工智能的机器视觉检测方式相较于人工检测方法有着更高的效率及准确率。文中详述了人工智能技术在弓/网系统检测、轨道交通线路状态检测上，基于机器视觉的自动化检测方式相较于传统人工巡检、接触式检测等方式具备显著的成本成本，检测灵活性高，准确度高，设备智能程度高，并且对正常行车干扰影响小等优势。同时，在诸如司机行为检测、车站安全监控等机器视觉传统优势场景下，人工智能的广泛引用进一步推进了轨道交通智能化等进程。然而，车载服务器算力限制、基于边缘计算等技术的架构设计等尚未得到充分研究等问题，制约了人工智能技术在轨道交通中的实际应用。周超等人[12]研究了云边协同技术在轨道交通中的应用，并提出了城市轨道交通的典型应用场景视频监控系统云边协同技术架构。通过利用云计算高算力及边缘计算高实时性的优势，对客流密度、人员行为等任务进行合理的资源分配，完成高效的感知识别。然而该研究中未考虑车载算力，架构设计上欠缺了云-边-端协同架构。以上这些研究主要着眼于人工智能技术或边缘计算技术在轨道交通中的应用。然而，当前尚未有研究者尝试将边缘智能技术及其计算架构引入轨道交通中，也没有研究者尝试综合分析边缘智能技术在轨道交通中的应用前景。在轨道交通中采用边缘智能的架构，由于边缘计算的固有特性，不仅可以有效解决轨道交通应用对低延时、高数据安全的要求，同时可以将更多传感器数据应用起来，打破信息孤岛，赋能智能轨道交通。目前，我国正大力建设轨道交通信息化、智能化发展，边缘智能作为一种新型技术，通过灵活的计算架构，将充分利用有限资源最大化人工智能在轨道交通中的应用。本文研究了边缘智能技术及其在轨道交通中的应用。首先阐述了边缘智能的定义及其架构；然后对边缘智能技术在轨道交通领域的应用前景进行详细分析，并介绍了本文设计与实现的轨道交通边缘智能应用，以及系统性能测试；最后总结了边缘智能在轨道交通应用中的挑战与问题。由于边缘智能技术在轨道交通中的应用尚处于极其早期的起步阶段，相关研究仍有巨大空缺，因此我们希望通过本文为研究者构建起连接边缘智能与轨道交通的桥梁，为未来更加智能化的轨道交通系统提供可能性。

2 边缘智能技术概述

边缘智能是利用边缘计算技术运行人工智能应用程序的一种范式，其能充分利用边缘资源。边缘计算是边缘智能的基础，从原理上讲，边缘计算是将计算单元部署在终端设备以及云计算中心的新型计算范式[13]。随着人工智能应用的大数据属性不断提升，大数据使能的人工智能应用正逐渐成为主导[14]。近年来，轨道交通大数据化已成为趋势[15]。然而，现有的计算架构在面临海量数据处理时面临着不可避免的缺陷。终端设备由于其自身算力薄弱，无法支撑海量数据的计算任务。与此同时，云计算架构又面临着巨大的主干网络压力以及较大的传输时延。因此，通过将人工智能应用推向网络边缘，边缘智能的理念应运而生。边缘智能中的资源涵盖了从云计算中心到终端设备上所有的计算、网络资源。边缘智能，即将人工智能技术应用于边缘计算框架中。边缘智能涵盖了协同训练及协同推断，如图1所示，其基础架构可分为7层(Level)：模型放置与云计算中心训练，并由云-边协同推理模型(Level 1)、模型放置与云计算中心训练，边缘侧协同推理模型(Level 2)、模型放置与云计算中心训练，模型均于终端设备推理 (Level 3)；基于边缘侧训练模型的云-边协同推理 (Level 4)、全于边缘侧推理(Level 5)、边缘-终端协同推理(Level 6)、全于终端设备推理(Level 7)。在边缘智能框架中，数据更多地留在边缘服务器或终端设备中处理，原始数据将避免在主干网络中直接传输。其中，随着边缘智能等级(Level)的提升，网络中数据的上传量越少，因此由于数据传输过程中的网络攻击带来的信息泄露、信息被篡改的风险也将显著降低。特别地，在全于终端设备推理 (Level 7)模式下，所有的数据将在终端设备本地生成、处理、推理计算，具备离线运行属性，满足部分高隐私敏感性应用的运行需求。因此，对于隐私高敏感性的数据源来说，其数据由于在主干网络的传输过程中由于数据泄露、黑客攻击导致的隐私安全问题将得以缓解。与此同时，相较于传统的基于云计算中心的计算架构模式，在边缘智能架构中由于边缘服务器与终端设备间物理距离相较云计算服务器与终端设备间显著缩短，其数据传输时延将显著降低，具备更强的数据处理低延迟特性。将计算过程从云计算服务器移动至边缘服务器，极大减少了不可避免的数据网络传输时延，可以让实时性要求较高的应用成为可能。同时，对比传统的边缘计算模式，边缘智能将人工智能技术引入其架构之中，依托人工智能技术将更好地完成任务卸载、资源费配的决策，从系统架构上赋予了智能化服务的能力。智能化的服务卸载策略将根据实际情况动态做最优化判断，保证用户始终拥有最好的服务水平。由于边缘服务器可以对数据进行预处理，终端设备产生的原始数据不再需要全部上传至云计算中心，边缘服务器可以选择性地上传数据处理后的信息至云计算中心。因此，主干网络的压力将得到极大的缓解。边缘智能同时还具有更高的隐私安全性。综上，在边缘智能框架中，既可以将人工智能软件部署在边缘计算框架中以实现低延迟、高隐私安全的智能化应用，又可以应用人工智能算法实现边缘服务器智能切换以提升服务质量。