“正常运行时间方程式”：为何车载平台不能坐等云服务

这是《正常运行时间方程式》的第3部分。 第1部分 介绍了车辆上下文，而 第2部分 探讨了硬件与软件之间的权衡。本部分将探讨工作负载应在何处运行。

一辆长途卡车行驶在一段手机信号中断的高速公路上。在这段路程的某处，出现了一次持续90秒的间歇性电气故障，随后故障消失。如果故障检测依赖于云端，则会出现以下两种情况之一：要么该事件被遗漏，要么延迟接收到的快照数据到达时，相关信号已被覆盖。下次问题再次发生时，可能是在维修车间，而该车间已无此前导致该故障的状况记录。

这是文中所述“再驱动问题”的实地版本 《代理循环》中所述的“再驱动问题”的实地版本。在商用车辆中，由于其运行地点和方式的特殊性，这种情况发生得更为频繁。

网络连接并非理所当然

覆盖范围图显示的情况较为乐观。在一份 2019年美国联邦通信委员会（FCC）工作人员的一项调查中，现场调查员在12个州进行了24,649次路测，总里程近10,000英里。结果显示，仅有62.3%的测试达到了运营商覆盖图所预测的下载速度。尽管自2019年以来网络状况有所改善，但这一教训依然适用：覆盖图上的信号范围，并不意味着卡车在发生故障的瞬间就能接收到信号。 矿山、农场、建筑工地和港口等非公路环境中的设备，往往位于网络覆盖规划人员极少优先考虑的区域。车队早已针对这一情况制定了应对方案：司机通常要等到抵达停车场才发送行车日志，技术人员在卡车进站时手动提取数据，而卡车在路上突然失去联系也被视为正常现象，而非警报信号。每种变通措施都会牺牲运行时间，而且它们都无法检测到在空旷高速公路上持续90秒的故障。

这种不确定性使得离线运行成为一项设计要求，而不仅仅是一种备用方案。在麦肯锡关于 汽车领域边缘AI ，39%的受访者将离线可用性列为所有AI 用例的关键要求，这一比例高于低延迟（35%）以及数据隐私与安全（20%）。仅有6%的受访者提到了网络数据成本。边缘计算的价值更多在于云端无法触及的领域，而非移动通信账单。

流量：关键在于信噪比，而不是数据费用

商用车网络会持续产生数据。单个 SAE J1939/14 总线最高传输速率可达500 kbit/s，许多重型卡车配备多条此类总线，而新型平台还增加了汽车以太网，其中大部分用于传输ADAS和安全系统的摄像头画面。在整整一天的行驶过程中，这些数据中绝大多数根本不值得发送，其中大部分只是证实了行驶过程中一切正常。

作为 “代理循环” 所概述的，全天候日志记录“通过蜂窝网络传输成本高昂、存储成本高昂，处理成本也高昂”。另一种做法是在车辆端自行决定哪些数据真正重要：

• 事件触发式采集。 记录事件发生前后的信号，而不是全天候记录所有数据。借助Fastlane™ Edge 智能触发器，例如，车辆上一个轻量级的异常检测模型仅在检测到异常行为（如发动机运转超出正常范围）时，才会触发Fastlane™ Collector 策略，因此车辆仅捕获异常事件发生时的信号，而非连续的数据流。
• 车载压缩。 Fastlane™ Collector 指出通过时间序列压缩，数据有效载荷大小最多可减少28倍。
• 车载历史数据。 车辆上的时间序列数据库会保存最近数周或数月的信号历史数据。如果故障发生在信号盲区，当卡车重新连接时，相关背景信息依然存在，工程师可以提取他们所需的精确时间段，而无需等待故障再次出现。
• 上传前进行过滤。 发送汇总后的相关结果，而非原始数据流。在某 合作伙伴案例研究 中，针对车载入侵检测，通过本地处理并仅上传相关警报，将云端成本降低了60%。

延迟：有些决策刻不容缓

某些操作——例如保护某个组件、调整系统运行、向驾驶员发出警报，或标记潜在的网络入侵——必须在几秒钟内完成。这使得车辆成为处理这些操作的天然场所，尽管延迟本身并不能决定智能处理应在何处进行。麦肯锡指出，边缘计算并不总能提供决定性的延迟优势。对于许多诊断用例而言，可用性和上下文比几毫秒的延迟更为重要。

但这丝毫不减云服务的重要性。它承担着单个车辆无法完成的工作：

• 全车队范围的故障模式检测。 某种故障模式在单辆卡车上可能表现为噪声，但在数千辆卡车上却可能成为显而易见的问题。
• 根本原因调查。 该流程将车辆数据与工程文档、维修记录及历史案例相结合。 Fastlane™ Insight 该系统在云端运行，利用AI 对这些数据源进行关联分析，并推荐可能的根本原因。
• 模型训练与验证。 该方法利用了在边缘设备捕获的、富含上下文信息的事件。
• 分发。 更新后的模型和采集策略将通过无线方式推送至车辆。

边缘设备负责检测和采集数据，云端负责推理和学习，随后边缘设备根据云端所学内容采取行动。 Fastlane™ Edge 该系统正是围绕这一循环构建的：它在车辆上运行异常检测，并在云端学习过程中通过无线方式接收更新的模型。在边缘运行智能处理可降低对网络连接的依赖，而车队范围内的协同学习则能持续优化已上路的车辆。

划清界限

一条有用的原则：把工作安排在数据和截止日期所在的地方。

如果某项决策取决于某辆车在当下的数据，那么该决策应由车辆处理；如果取决于多辆车在一段时间内的数据，那么该决策应由云端处理。在车辆端捕获上下文信息也有助于混合车队。当数据在源头使用共享信号定义（例如 COVESA VSS等共享信号定义在源头进行结构化处理，无论车辆来自哪个品牌，数据都能以统一格式传输至车队远程信息处理服务商。市场预测表明，整车制造商正在投资这一模式。 通用汽车洞察（GM Insights） 估计，到2025年，商用车在汽车边缘计算市场中的份额将达到35.9亿美元，年增长率约为22%。

一旦边缘设备捕获了正确的上下文信息，这些数据就将成为AI 的原始素材，使其能够预测故障，而不仅仅是报告故障。第4部分将对此进行探讨。

归根结底： 商用车在连接的两端都需要具备智能能力。车辆负责检测、情境捕捉以及对时间敏感的行动。 云端则负责整个车队的学习任务。建议：将这些任务默认分配给车辆处理，仅将需要多辆卡车数据的任务留给云端。从一开始就将两者设计为一个闭环，使在云端训练好的模型能够回流到采集数据的卡车上。卡车未能捕获的故障终将再次出现，而每次故障复发都会导致正常运行时间损失。