開車跑長途絕對是個累活兒，這需要駕駛員長時間保持精神高度集中，往往是在“一眨眼的工夫”，車禍就發生了。在一些場景中，如果駕駛員能夠早一秒甚至十分之一秒（100毫秒）踩下剎車，就可能避免悲劇的發生。這絲毫不夸張，當一輛車以120公里時速行駛時，100毫秒的行駛距離就是3.33米，約等于一個車身的長度。

更快的反應時間能夠幫助人類駕駛員規避意外的發生，同樣地，自動駕駛車、路、云交互也需要更短的數據傳輸時延來提高安全性。特別是在L3、L4、L5高級別自動駕駛出現后，對于數據傳輸時延有了更高的要求，自動駕駛公司們對于時間的把控到了“毫秒必爭”的地步。

如何降低數據傳輸的時延？一方面，應用更先進的通訊技術。近兩年，5G通信網絡逐步普及，其大帶寬、低時延等特性能夠更好地支持自動駕駛車輛數據傳輸。不過，根據業內專家預測，實現全國范圍內的5G網絡覆蓋大約要到2025年。此外，國內各大城市、地域在5G建設上的推進節奏并不同步，這也會在一定程度上阻礙自動駕駛跨區域應用。

另一方面，采用分布式計算架構也能降低數據傳輸時延。原因在于，分布式架構引入了邊緣計算單元，邊緣計算將原本由中心節點（云計算）處理的任務分散到各邊緣節點。邊緣節點更接近于數據源，具備“近水樓臺先得月”般的優勢，可以加快資料的處理、傳輸速度。這有點類似于自然界中章魚對于信息的處理方式。章魚是最聰明的無脊椎動物之一，其60%的神經元分布在腿部，40%在腦部，這樣的生物結構幫助它們更好地感知外部環境，在捕食、逃避天敵時更有優勢。

隨著自動駕駛技術的快速發展，車輛、路端設施采集的數據量越來越龐大，單獨的云計算可能會在數據傳輸速度、信息處理及時性、能耗等方面遇到一些問題。而邊緣計算與云計算的優勢互補，二者的結合被視為擁有廣闊前景。據了解，一輛智能網聯汽車一天可以采集10TB數據，路端設備的數據采集量也能達到TB級別。這是相當大的數據，TB為計算機存儲容量單位，1TB大概可以容納幾十部甚至上百部1080P高清電影。

分布式架構的優越性在蘑菇車聯“車路云一體化”自動駕駛系統中得以體現。具體來說，該系統不僅在自動駕駛車端和云端部署有計算單元，在一座城市的多個路口也就近部署了大量邊緣計算單元。由于距離數據源更近，邊緣計算能夠縮短系統數據處理時間，同時對數據進行打包壓縮，使數據上傳云端后可盡快轉化為指令，下發給自動駕駛車輛。

圖片來源：蘑菇車聯

在蘑菇車聯自動駕駛系統中，數據從路側感知、云端上傳到下發的傳輸全鏈路延遲已經被壓縮到100毫秒內。這是一個了不起的數字。在奧運會短跑項目中，遠動員在100毫米內起跑將被視為搶跑并被取消參賽資格，這個時間被視為人類反應時間的極限。

車-路-云系統時延縮短到100毫秒以內，這也意味著，路側+云端全局路況感知能力全面下放到車端，單車也擁有了大范圍預警、預測和中遠距離行車策略規劃能力。

在一些交通場景中，蘑菇車聯自動駕駛系統的大范圍預警能力將發揮出不可替代的作用。例如，當一輛自動駕駛汽車與一輛大卡車同時停在十字路口等待綠燈通行，這時卡車旁竄出一名行人，汽車駕駛員很可能因為遮擋或者視野盲區不能及時發現危險。這種情況下，路側攝像頭捕捉到行人信息并經由邊緣計算處理上報到云端，再下發至車輛，就能提前規避安全隱患。

預測的價值則在于，隨著遍布城市大街小巷的路網數據匯聚云端，所有路段實時車流信息在云端“一屏計算”實時下發，自動駕駛車輛也能“看到”前方1000米外甚至整個城市的擁堵情況。在未來智慧交通、智慧城市的建設中，這一功能將能夠為城市管理者提供決策依據，提升整個城市的出行效率。