随着计算能力以及人工智能（Artificial Intelligence,AI）技术的不断发展,许多AI产品都被应用到我们的日常生活中,其中最为典型的例子就是人脸识别技术的应用以及无人驾驶的出现。与人脸识别不同的是,现阶段无人驾驶的门槛较高,仍未达到商用级别,目前更常见的是向无人驾驶过渡的辅助驾驶技术的应用。目前辅助驾驶中,主要包括行人检测,车道线追踪,交通灯检测,疲劳状态检测等功能^[1]。而实现这些功能的一项关键技术则为目标检测,该技术能够有效检测出摄像头前物体位置,并对其进行分类,从而帮助车主判断当前路况的复杂性。而随着目标检测技术经过两段式（two-stage）检测到一段式（one-stage）检测的发展,其检测速度已经能够在NVIDIA TITAN X达到59-155FPS的速度^[2]。但受限于普通嵌入式设备的硬件能力,使得精确率高的网络无法在嵌入式设备上流畅地运行,这就造成了实时性和准确率之间的矛盾。本文针对车载环境下,通过借鉴边缘计算的思想,对车载环境中使用嵌入式设备作为移动边缘设备与路侧云联合进行目标检测的方案进行了初步的研究与探索,并提出了自己的一些想法。主要工作包括以下几个方面:（1）分析两端设备的计算能力,训练合适的模型进行部署。通过对两端设备的计算力进行分析后,选择合适的目标检测模型进行训练,并对训练后的模型进行量化操作,最后将得到的模型在目标设备上进行部署。（2）设计并实现目标检测任务动态分配的机制。通过发送心跳包对网速进行反馈以及对两端设备的计算能力进行实时统计,并通过对应的代价函数进行考量后,最终确定任务由哪台设备进行处理。本文通过这种分配机制,能够有效地缓解移动边缘设备在目标检测任务应用的实时性和准确率之间的矛盾。（3）数据的采集,预处理以及实验对比。在实际行车过程中通过车载摄像头采集数据,并通过移动边缘设备发送到路侧云将数据处理为目标检测模型所使用的数据格式。在中心云上训练出能够有效应用在实际业务场景中的模型,并通过路侧云进行模型更新。最后设计实验对比,针对协同边缘计算的目标检测平台的实时性和准确率进行分析。