0 前言
上一篇文章主要从终端的角度分析了AR终端功能模块、系统组成和通信方案。本文将AR边缘计算架构的视角往上移一层，来到边缘设备侧，分析一下在边缘侧，是如何支持和实现AR相关业务和数据的处理的。我们知道AR业务需要处理大量的实时数据，包括视频、图像、位置感知、生物特征信息等，这么大的数据量，在终端设备侧根本无法完成，因此需要将其卸载到边缘设备或者云端处理。在具体实现时哪些AR业务需要卸载，卸载到哪里，如何卸载，什么时候卸载，都是需要进行系统的分析的。本文从边缘计算卸载技术的视角，设计了设备管理、数据预处理、安全管理、服务管理和虚拟化5大功能模块。这些模块架构解决了AR终端的连接入网问题、数据预处理、显示、安全问题和业务连续性等问题。
1 支持AR的边缘设备架构
边缘设备的设计是跟具体业务强相关的，因此在进行AR边缘架构设计时，笔者对之前的边缘框架【1】进行了改造，专门用来处理AR终端业务，如下图所示。图中边缘设备依然分为南北两个方向的hub，再加上中间的5个核心业务模块。
其中边缘南向hub主要跟AR终端相连接，为AR终端提供接入的接口，将AR终端的接入协议转换成边缘设备可以识别的协议，将数据转成可以处理的格式，在此处的消息代理依然可以采用mqtt broker，支持同时有多路的AR终端连接到边缘设备上。边缘设备之间也可以通过这个hub层进行组网连接，因为移动AR终端会在不同接入节点接入，因此需要边缘设备之间能够进行快速的数据切换，详细将在移动性管理中讨论。北向的hub比较简单，就是将边缘设备连接入云，边缘设备的部分智能化的功能需要云端辅助模型训练，需要云端提供OTA升级、全局运维、安全管理等方面高级业务。这两个hub实现了AR终端的一跳入网、一跳入云，是边缘计算设备的关键模块，也是整个移动AR边缘卸载的基础功能。
2 设备管理与数据预处理执行
接下来就是跟AR业务强相关的模块了，首先是设备管理模块，主要完成边云、边边和边端的互联互通，在边缘设备与云端断开连接后，依然可以对AR终端进行管理，执行AR终端卸载的数据，对于AR终端的故障可以进行告警和预测性维护，在边缘设备上生成AR终端的孪生，不过，当前我们研究的是移动AR终端，因此在边缘设备上没有必要保留该模块，后面根据实现进行裁剪。
数据的预处理和执行，是整个AR边缘设备的最核心的模块。在本文笔者是基于一个基本假设，就是AR终端不具有密集计算能力，且考虑到功耗问题，所以将AR终端除传感器数据采集和显示以外，几乎所有的业务卸载到边缘计算设备。交互识别是指终端设备和人之间在视觉，听觉，触觉，语音等各类数据，这些数据具有时效性要求，因此在识别功能上适合放到边缘计算设备，云端的话可以做好模型训练。位姿预测指的是对用户的头部角度，眼睛焦点，面部表情，手势，体态等进行提前的预测，在用户做出下一步动作之前，可以根据先前的指示，预测出用户的意图，其实这个本质上也是降低处理时延。跟另外一个模块，移动预测类似，AR终端会不断在不同的接入节点上切换，这很容易导致业务的中断，业务断掉的根本原因是数据没有及时在不同接入节点间切换，或者切换过程中，因不可预知的因素延迟了，这会严重影响AR终端的体验。如果能提前预判出AR终端会在哪个边缘设备上接入，数据被提前移到了那个设备上，那就可以解决这种滞后性带来的业务连续性问题。
对于采集的周围环境数据的识别，同样是卸载到边缘设备上。首先采集的图像数据会在边缘设备上做基础的识别，并对图像做压缩，然后将其传输到云端进行大规模的模型训练，训练的模型会被传到边缘设备上，需要注意的是我们的边缘设备上的图像识别模型是经过精简的云端模型，或者是重新设计的考虑能耗比的智能算法，因此此处是需要一套边缘智能的技术栈支撑的。在显示方面同样需要大量的计算，需要对三维场景重建，叠加数字世界的图像、文字等信息，为了让用户体验更佳，需要对其真实性进行渲染。
3 服务管理
3.1 卸载技术
在AR业务的边缘化处理中最核心的技术是边缘卸载技术，与以前的云端架构不同，边缘计算的引入，使卸载的层次从原来的两层，变成了三层，每一层需要处理的任务也有所不同，三层之间相互配合才能完成整个AR业务处理。卸载时需要考虑到功耗，时延，资源和能效比等指标，保证整体的性能是最优的。如下图所示，是笔者针对AR业务的特点，划分的各层可以且需要处理的业务。
图中以AR眼镜为例，在真实环境中有一棵松树，我们的AR眼镜中看到一只虚拟的松鼠在树上。这个过程是怎么实现的呢？首先是AR眼镜采集环境信息，其中包括深度信息、位置信息和图像信息，通过这些信息就可以获取真实环境中的松树的位置、深度和实体信息。当然这个检测和识别的过程是由边缘计算设备完成的，因为AR眼镜本身趋向轻薄，不适合处理密集计算。除了环境信息，还有一类信息是AR眼镜特别关注的，那就是用户的交互信息，这类信息中包含用户的头部定位、眼神的聚焦点、语音交互和手势交互。这类信息直接关系着用户的交互体现，在实时性上要求极高，同样的需要卸载到边缘设备上处理。上述两类信息除了在边缘设备上执行，还需要将其上传到云上进行训练，以便使模型更加贴近用户，更具有个性化，模型满足用户的行为习惯，为下一步预测用户意图打下基础。在上传云时，为了减少对带宽的冲击，需要将图像信息压缩传输，因此在边缘设备上还需要具备图像的压缩功能，传输时也能智能选路。图中是列举了蜂窝技术场景下边缘计算设备的部署位置，按照AR终端采集，边缘端执行，云端训练的思路，完成整个上行的过程。
接下来就是下行数据的处理，云端负责将满足训练好的用户行为的模型和真实场景识别模型卸载到边缘设备上，这个卸载的方向是将云端的能力卸载到边缘设备上，跟终端卸载的思路不太一样。终端卸载主要是终端能耗和计算能力薄弱，所以需要卸载密集计算任务，而云端则主要考虑满足时延性要求和减少对带宽的冲击，因此两者在卸载性能评价上是不同的。在边缘设备上主要完成对三维场景的重建和高真实感渲染，首先是将要叠加松鼠图像传输到边缘设备上，然后依据前面识别的松树的深度信息和位置信息，将松鼠叠加到松树的位置，用户的视角在这个过程中可能会发生变化，此时就需要根据当前用户的关注点重建整个三维世界，让松鼠看起来更加真实，更加灵动。当边缘设备处理好了这些信息，AR终端眼镜就可以将这些信息显示到镜片上，让用户就像真实看到一只在树上活动的松鼠。
3.2 移动性管理
除了移动卸载技术，如下图所示，AR终端眼镜在网络中还会发生位置的变化，为了让用户感知不到这种变化，需要对用户的移动位置进行提前的预测，这一点在上面的卸载技术中可以由用户的行为预测，在此处主要是将数据从一个基站迁移到另外一个基站，在发生迁移时往往会因为当时的网络负载等因素的影响，使数据无法及时更新到对应的站点。一种解决方案是基于预测提前迁移，另外一种方式是将其上送到更高的一层边缘设备，比如核心网上处理，这样就不会存在迁移的问题。从这个纬度上看边缘设备层之间还存在自组网和卸载层次的问题，这些需要根据真实的实验环境确定方案。
3.3 时延和功耗管理
功耗和时延指标是衡量边缘计算处理AR业务优劣的关键指标，下图中是文献【2】分解的在不同边缘设备上处理AR业务所需要的耗时。AR业务如果要达到更好的用户体验，在时延方面需要在20ms以内，我们看到在蜂窝场景下，只有将其卸载到bbu往下的位置理论上才可以满足要求，放到核心网往上的位置，时延就无法再满足要求。这部分的耗时包括传输耗时和计算耗时，目前最大的挑战在传输时延这部分。
除了时延还需要考虑功耗的问题AR终端属于轻量级设备，本身的处理能力有限，所采用的供电资源也是受限的，因此在卸载和移动性方面，需要考虑全量卸载的方式，在通信技术的选择上也要考虑低功耗等因素。特别是当接入的AR终端数量增加时，超过边缘设备的处理能力，如何实现负载均衡，也是在边缘设备设计时需要重点考虑的。
3.4 网络切片技术
网络切片技术也是边缘设备在设计处理AR业务时需要考虑的一种技术，该技术可以保证AR终端业务得到类似专线的能力，可以针对低时延，大带宽的需求进行优化，保证不同的AR终端之间可以共享带宽，实现对带宽的优化，比如文献【3】就提出了，可以在上行时将不同用户相似的数据合并到一起处理，然后再通过组播的方式下发到设备上，这样不仅节省了带宽，还可以共享计算资源，进一步降低时延。通过网络切片，将AR业务与其他业务隔离，实现独有的需求，这对进一步增强用户体验创造了条件。如果是经常使用的数据，可以将其缓存到边缘计算设备上。
4 小结
至此基于边缘计算的移动AR就解析完成，本主题并没有提出具体的某项技术的实现方法，只是对边缘计算针对某个业务领域的应用进行了一次探索。后续笔者将系统的梳理边缘计算技术和产品方面技术，敬请期待。
参考文献：
【1】边缘计算简述-多视角下的边缘计算实现_linus_ben的博客-CSDN博客_边缘计算如何实现
【2】面向通信于计算融合的5G移动增强/虚拟现实
【3】增强现实场景下移动边缘计算资源分配优化方法研究