本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：在车路协同高精地图分发场景中，道路动态变化，稳定获取路况AI感知信息、实现地图数据实时更新与分发至关重要。利用 5G 边缘计算提升车路协同高精地图分发的实时性、智能化与高效性，助力企业降本增效，已成必然趋势。在自动驾驶场景下，路侧设备采集路况信息，在端侧完成 AI 推理实现算力卸载，推理结果回传至边缘侧并转换为结构化地图数据，再通过统一边端协同算网调度管理系统分发给区域内的车辆，确保新驶入车辆可实时获取最新地图数据，高效支撑分布式应用开发与灵活部署，有效解决行业痛点并显著降低成本。
关键字：极边端R-MEC，边端协同，车路协同，CKS，AI
doi：10.12045/j.issn.1007-3043.2026.03.0015
0 引言
随着信息技术的飞速发展和企业数字化转型的深入推进，社会各行各业对网络的依赖程度日益加深，5G 可灵活配置网络性能，从而满足行业网络的不同需求［1］。在车路协同高精地图分发场景中，车辆行驶的道路不断变化，如何实时获取实际路况信息进行自动驾驶智能推理并对高精地图数据进行阶段性更新成为自动驾驶场景中必须解决的痛点问题［2-3］。在 传统车路协同自动驾驶场景中，部署于路侧的监测设备会对路况信息进行采集，采集到的数据回传至边缘云端，在平台管理员将数据编译转换成车端的结构化地图数据后，边缘云端再将数据信息分发给区域内的车辆。以某市的车联网为例，现阶段该市共有交通监控摄像头 16 万余台，平均每个路口至少有 2~3 个监控摄像头。对于城市级或区域级的应用来说，针对该需求部署边缘云成本高昂，此时就需要能符合场景基本需求且部署成本足够低的替代方案。
MEC 边端一体化协同技术提供了分层异构计算能力，实现云边端分层异构，具备算力异构、算力下沉、管业分离等优势[4]，云端提供模型训练，边侧承上启下，而端侧更靠近移动终端的边缘位置，为移动用户提供云计算功能和信息计算服务，减少网络延迟并提高应用的性能。因此，探索利用边端一体化协同技术来提升车联网业务的实时化、智能化和高效化，实现企业降本增效，成为行业发展的必然趋势[5]。
