AR 及其云服務和能力融合構架進入了百舸爭流的快速發(fā)展階段。各 ICT，人工智能以及互聯(lián)網的領軍企業(yè)紛紛發(fā)布了令人眩目的新技術并拓展其基于云的服務模式，線下物理世界和線上數(shù)字世界之間的融合和相互激勵已逐步呈現(xiàn)。
同時5G時代的到來和商用化部署的加速，加速了數(shù)字信息流轉以及物聯(lián)網規(guī)模的發(fā)展，并以更加安全、靈活的方式保護了數(shù)字資產和隱私信息，為物理和數(shù)字世界的融合與啟動以視覺自然交互為基礎的人物交互機制 （HTI：Human Things Interaction）開辟了高速公路。
編者嘗試從基于計算遷移的端/邊協(xié)同優(yōu)化及云原生技術對AR邊緣云的影響等兩個方面來進一步剖析該白皮書內容，使得對邊緣計算+云原生技術如何提升AR應用的用戶體驗有更加清晰的認識。
基于計算遷移的端/邊協(xié)同優(yōu)化
AR應用一般對延遲是極其敏感的，而且對計算和通信的要求都很高。并且，在移動設備上運行AR應用時，在對移動設備電池的消耗方面，一直無法滿足用戶的期望[1-3]。
AR 應用程序通過移動設備的屏幕和攝像頭將一些計算機圖像疊加到現(xiàn)實世界的影像中，圖 1 所示的框圖說明了這一過程。完成這一過程需要五個組成部分[3-4]：
視頻源， 它可以先從移動攝像機中獲得原始的視頻幀；
跟蹤器，在當前環(huán)境下識別并跟蹤用戶的相對位置；
映射器，對當前所處環(huán)境建立一個模型；
對象識別器，識別當前環(huán)境中的已知物體；
渲染器，顯示處理過的幀。
基于AR應用的處理流程及其固有特點，相關研究人員提出，利用計算遷移及同位置數(shù)據(jù)共享的方式來進一步提升AR應用的用戶體驗。
將計算密集型任務卸載至邊緣云執(zhí)行，完成計算任務執(zhí)行優(yōu)化：
視頻源和渲染器組件必須在移動設備中執(zhí)行，而計算量最大的跟蹤器、映射器和對象識別器組建所進行的計算可以卸載到云端進行。同時考慮到邊緣側計算資源能夠利用本地上下文信息, 同時具有較強的處理能力, 非常適合AR應用。Dastjerdi等人[4]介紹了一種通過檢測人腦電波工作的“大腦-計算機”交互AR應用。
腦電波數(shù)據(jù)由腦電生物傳感器實時接收, 同時, 借助MEC和云計算平臺處理大型的計算任務。Schneider等人[5]設計了一種基于邊緣計算的AR應用架構, 克服了智能手機、平板電腦等移動AR設備在性能方面存在的困難, 同時, 將移動AR應用的端到端延遲減少到了50ms以內。
基于同位置用戶的數(shù)據(jù)共享實現(xiàn)通信資源優(yōu)化：
此外，如果對任務進行卸載，映射器和對象識別器可以從處在相同地理位置的所有用戶設備中收集輸入，限制用戶上行鏈路中傳輸?shù)娜哂嘈畔?。此外，映射器和對象識別器計算的結果可以從云端組播到下行鏈路中所有同位置的用戶。同時，[6-7]的工作表明，通過對通信資源和計算資源的分配進行聯(lián)合優(yōu)化，可能在時延約束下顯著降低移動能量消耗。他們的工作能在多個用戶獨立運行通用應用程序上應用。
但是，AR 應用程序有其獨特的性質，所有的用戶都可能上傳和下載一部分相同的數(shù)據(jù)，且其計算任務也在一個或多個服務器上共享。因此，可以通過聯(lián)合優(yōu)化通信和計算資源來減少通信和計算開銷[8]。
云原生技術對于AR邊緣云的影響
白皮書對于AR邊緣云核心技術發(fā)展預測這一章中提到，目前AR邊緣云的標準實現(xiàn)模式是將AR云的各種能力組件和應用邏輯通過虛擬機或者容器的方式在邊緣云承載。
容器虛擬化技術能夠將底層硬件資源進行虛擬化，形成資源池，為AR應用提供可配置、可復制的應用運行環(huán)境，成為連接AR應用邏輯和專用硬件的橋梁。容器虛擬化技術能夠在保持極低額外開銷、媲美本機原生AR應用運行速度的同時，大大降低AR服務部署的成本，成為決定AR服務性價比的核心競爭力之一。
基于容器虛擬化技術的邊緣云部署方案能夠滿足AR的基本服務能力，在此基礎上，未來AR邊緣云核心技術會面對構建邊緣彈性部署、云邊協(xié)同服務、AR邊緣云生態(tài)環(huán)境構建等更進一步的挑戰(zhàn)，這也是架構發(fā)展的重要影響因素?；贙8s+Docker的云原生技術能夠幫助AR邊緣云應對這些挑戰(zhàn)。
邊緣彈性部署：AR應用需要大量的計算資源，如果邊緣側出現(xiàn)大量用戶的應用服務請求，可能會造成AR應用不可用的問題。利用K8s+Docker的云原生技術，可以將彈性地整合利用多個邊緣節(jié)點及云上資源，在出現(xiàn)邊緣側資源不足的情況時，可以將AR服務實例彈性地部署到其他邊緣節(jié)點及云上，保證邊緣AR服務高可用。在應用服務請求較少的時候，可以彈性地減少AR服務實例的部署數(shù)量，節(jié)約資源，降低成本。
云邊協(xié)同：AR應用經常需要與AI技術相結合，邊緣AR設備產生大量數(shù)據(jù)，可以用于云端的模型訓練工作，反過來云端訓練好的模型可以下發(fā)到邊緣側進行AR應用相關的推理和計算。另外，利用云邊協(xié)同可以幫助AR邊緣云進行數(shù)據(jù)同步和備份，實現(xiàn)數(shù)據(jù)高可靠。云原生技術可以幫助AR邊緣云很方便地實現(xiàn)這些能力。
生態(tài)：基于K8s+Docker的云原生技術能夠提供對于開發(fā)生態(tài)比較好的包容和可用性，幫助AR邊緣云與公有云實現(xiàn)AR應用的標準化。云原生技術中的image repository，service catalog等特性，能夠幫助AR邊緣云實現(xiàn)鏡像管理、應用管理等需求，有助于構建一個開放、便捷的AR邊緣應用生態(tài)。
結語
隨著5G和云原生技術的成熟和落地，對于 AR 能力和服務的云部署，不但帶來了寬裕的上下行流量通道，同時超低的空口延時和安全靈活的數(shù)據(jù)傳輸幀組織方式，為基于核心接入的移動邊緣計算框架提供了廣闊的可能。基于5G+邊緣計算的AR應用執(zhí)行框架可描述如下：
同時，5G 為核心和入口的龐大設備群落，也為 AR 服務的受眾覆蓋和效益輻射提供了不可比擬的廣闊空間，也使得 5G+AR 推動的輕薄和便攜 AR 服務成為蘋果（Apple）、谷歌（Google）乃至亞馬遜（Amazon）等巨頭著力投入和開拓的領域。然而，機遇和挑戰(zhàn)并存，移動邊緣智能視頻服務能力并非是簡單5G和已有技術的堆砌，其中切實實現(xiàn) 5G 為核心和入口的龐大設備群落的體驗一致，以及邊緣云能力賦能終端提供更有吸引力客戶體驗（如延時和清晰度等指標）和經濟模式就顯得尤為重要。
【參考文獻】
[1] SHOAIB H, JAFFRY S W. A Survey of Augmented Reality[C]. Proceedings of the 2015 International Conference on Virtual and Augmented Reality, New York: ACM, 2015:73-82.
[2] FAN P, WANG J, ZHENG Z, et al. Toward Optimal Deployment of Communication-Intensive Cloud Applications[C]. Proceedings of the 2011 International Conference on Cloud Computing. Washington, DC: IEEE Computer Society, 2011:460-467.
[3] MAHMUD M R, AFRIN M, RAZZAQUE M A, et al. Maximizing quality of experience through context-aware mobile application scheduling in cloudlet infrastructure[J]. Software—practice & Experience, 2016, 46(11):1525-1545.
[4] Dastjerdi A V, Gupta H, Calheiros R N, et al. Fog computing: Principles, architectures, and applications[M]. Internet of things. Morgan Kaufmann, 2016: 61-75.
[5] Schneider M, Rambach J, Stricker D. Augmented reality based on edge computing using the example of remote live support[C]. 2017 IEEE International Conference on Industrial Technology (ICIT). IEEE, 2017: 1277-1282.
[6] MARSCH P, ROST P, FETTWEIS G. Application driven joint uplink-downlink optimization in wireless communications[M]. Berlin: Workshop on Smart Antennas, 2009:361-368.
[7] SARDELLITTI S, SCUTARI G, BARBAROSSA S. Joint optimization of radio and computational resources for multicell mobile cloud computing[C]. Proceedings of the 2014 International Workshop on Signal Processing Advances in Wireless Communications. Piscataway, NJ: IEEE, 2014:89-103.
[8] AL-SHUWAILI A, SIMEONE O. Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications[J]. IEEE Wireless Communications Letters, 2017, PP(99):398-401.
