风险自适应边缘——云视觉推理实现高效沟通的自动驾驶

云托管视觉语言模型 (VLM) 比小型机载模型提供更强大的上下文推理功能，但频繁的视觉上传会增加通信开销，并增加战术决策的网络和推理延迟。我们提出了一种风险自适应边缘云架构，其中板载流量评估确定何时请求云推理。机载 VLM 和轻型探测器可捕获临时交通状况和路径相关危险，以实现保守的本地响应和选择性的云访问。云模型提供战术建议，而验证、车辆控制和自动紧急制动仍然保留在本地。在 CARLA 实验中，我们的方法与定期云访问的任务成功率相匹配，同时将云请求减少了 54.1%，并记录了更少的自动紧急制动 (AEB) 激活。在延迟道路施工消融中，语义事件在下一次计划审核之前触发请求。在三个模拟网络配置文件中，该方法继续减少云流量，尽管车道变更比定期访问花费的时间更长。因此，车载交通评估可作为这些实验中选择性 VLM 推理的实际触发因素。