自动驾驶系统的感知与决策链条对时延的敏感度在所有人工智能应用中居于前列。车辆在高速行驶状态下，从传感器数据采集到控制指令输出的端到端时延直接对应于制动距离与避障空间，超出时延预算的决策反馈可能造成不可接受的安全后果。传统云端集中处理模式将车载传感器采集的图像、点云及毫米波雷达数据经蜂窝网络上送至云平台执行感知与规划计算，推理结果再下行返回车辆。这一路径在空口传输与核心网转发环节积累了数十至数百毫秒的固定开销，在隧道或山区等信号覆盖薄弱区域，传输时延的波动可能使端到端时延超出安全阈值。边缘智能的引入将计算资源下沉至基站侧或路侧节点，使感知数据的处理在距离数据源最近的网络位置完成，推理结果的回传路径大幅缩短。云端则承担全局模型的训练与更新任务，汇聚来自多辆车辆及多个边缘节点的感知数据用于模型迭代，再将更新后的模型参数下发至边缘节点与车载终端。这种就近处理与全局迭代的分工架构，从系统层面压缩了感知决策的响应时间，同时保持了模型持续演进的能力。
边缘计算节点在自动驾驶场景中的物理部署位置直接决定数据处理时延的上界。基站侧边缘节点与无线接入网共享机柜与供电资源，通过高速光纤与基带单元互联。路侧边缘节点安装于交通信号灯杆或道路门架处，与路侧感知设备和通信设备集成于同一机箱。两种部署方式在数据接入路径上存在差异，基站侧方案中车载数据经过空口传输至基站后需经前传或中传网络绕行至边缘节点，路侧方案中车辆可通过直连通信将数据直接交付至路侧边缘，路径跳数减少。边缘节点的算力配置取决于其所服务的车辆密度与传感器配置，在高速公路场景中车辆高速通过且间距较大，单节点同时服务的车辆数较少，但每辆车产生的数据流持续且高密度。在城市交叉路口场景中车辆低速或静止，排队等待信号灯时多辆车同时处于节点覆盖范围内，并发数据请求数量多而单车数据量相对稳定。边缘节点的存储容量同样需要考虑，感知数据的临时缓存与预处理结果的保存需占用存储空间，存储容量不足时需丢弃部分数据或降低采样率，导致后续融合处理的信息完整度下降。
感知数据的就近处理在计算模式上与云端推理存在结构性区别。边缘节点可用算力远低于云端集群，但数据到达率具有突发性，要求边缘推理引擎能够应对峰值负载而不显著增加排队时延。模型裁剪与量化技术在边缘部署中广泛应用，通过移除对输出精度贡献较小的权重通道或缩减激活值位宽，使模型在边缘硬件的计算流水线上获得更高的吞吐率。裁剪比例与量化位宽的选择基于目标场景的感知难度，高速公路场景中目标类别相对单一、背景结构简单，可使用较紧凑的模型结构。城市道路场景中行人、非机动车及异形车辆种类繁多，需保留足够的模型容量以保证检测召回率。边缘节点上的推理采用批处理模式以提高计算资源利用率，将多个车辆的感知数据组合为同一批张量送入模型并行处理，批尺寸的设置需平衡计算效率与排队时延，过大的批尺寸使先到达的请求等待后到达请求而增加平均时延，过小的批尺寸则浪费并行计算能力。
全局模型迭代的流程建立在边缘节点与云端之间的参数交换机制上。各边缘节点在运行过程中持续记录推理错误的案例与新出现的目标模式，这些数据经脱敏与特征提取后形成本地训练样本集。云端在收集到多个边缘节点上传的训练样本后，执行全局模型的增量训练或微调操作，调整后的模型参数通过模型分发通道下发至边缘节点。参数交换的频率决定了边缘节点模型与云端全局模型之间的一致性程度，频繁的参数交换使边缘节点能够快速获得最新的感知能力，但占用回传链路带宽且增加云端训练调度负荷。低频交换则使边缘节点在两次更新之间长期运行旧版本模型，当道路施工或临时交通管制导致场景分布发生快速变化时，旧模型在新场景上的性能衰退将持续至下一次参数下发。模型更新的差异传输策略可减轻带宽压力，仅将较前版本发生变化的权重参数下发而非完整模型文件，权重变化在典型迭代中通常集中于模型的特定层级，变化量占总参数量的比例较低。
边缘智能与云端协同架构中的时延优化需要贯穿数据流动的全路径进行分析与设计。感知数据从车载摄像头或激光雷达产生到进入边缘节点计算单元，经过传感器驱动、数据总线传输、网络协议栈封装与空口调度等环节，每一环节均有固定的处理时延与随机抖动。传感器驱动时延取决于曝光周期与读出速度，在光线不足环境中为维持信噪比而延长的曝光时间将增加数据就绪时延。网络协议栈的排队与调度时延随无线信道负载变化，在基站同时服务多辆车辆的工况下，上行调度周期可能因资源块不足而延长。边缘节点的计算时延在时延总预算中占据主要份额，其分布取决于模型前向推理的计算图调度效率，计算图中的算子融合与内存复用优化可以减少数据在片外存储器与片内缓存之间的搬运次数。边缘节点输出结果下行回传至车辆的过程同样需要空口调度资源，下行链路在系统设计中通常分配较高优先级以确保控制类信息的及时送达，但车辆行驶方向变化导致的切换事件可能中断下行传输并引入额外的重建立时延。
边缘节点与云端之间的功能划分在自动驾驶等级提升的过程中持续调整。低等级自动驾驶对感知结果的处理深度要求较低，边缘节点完成目标检测与跟踪后即可将结果直接交付车辆执行决策。高等级自动驾驶要求系统对场景进行语义理解与行为预测，这涉及对目标间空间关系与运动趋势的推理，边缘节点的轻量模型在语义推理方面的能力有限，需将中间特征上传至云端执行深层推理。边缘节点与云端间的任务迁移需根据车辆位置与网络条件动态决策，当车辆即将驶出当前边缘节点覆盖范围时，需提前将任务上下文传递至相邻节点或云端，避免切换期间的处理中断。任务迁移的触发条件与切换时机的选择直接影响服务的连续性，过早迁移使源节点算力闲置而目标节点负载提前增加，过晚迁移则在切换边界处产生处理空窗期。自动驾驶对可靠性与时延的双重要求正在推动边缘智能与云端协同架构从静态功能分解向动态任务调度的方向演进，其核心挑战在于不确定性的无线信道与确定性的安全约束之间建立有效的缓冲机制。
