尽管它们没有描述路况数据的精确程度如果传感器能够检测到潮湿的道路，亚马逊为何会建议将数据发送到云？直接检测车辆上的传感器数据并警告驾驶员，而不是感应，将数据发送到云，等待数据处理，接收数据然后警告驾驶员，会不会更简单？除了您将获得的可能的分析数据之外，我真的看不到任何优势。
仅当您要获取分析数据时，亚马逊的示例用例才有用吗？或者还有其他原因我会建议使用云计算吗？
我怀疑原因之一仅仅是让人们使用他们要出售的服务，但是我对技术原因感兴趣，如果有。
#1 楼
选择是在设备上还是在云端处理数据有很多因素。在云端处理的好处
如果该算法使用浮动-点或在GPU上运行，则可能无法在传感器中的嵌入式处理器上运行。
即使不是这样，如果算法是使用高级语言开发的，也可能太昂贵了（以开发人员的时间）移植到传感器上运行。
从传感器上卸载计算可能会延长其电池寿命（取决于这如何影响网络/无线电使用）。
在云中运行算法允许它组合来自许多传感器的数据并做出系统级决策。在此示例中，这可能意味着对不同汽车的传感器进行过滤，以便洗车不会在每辆汽车上发出下雨警告。
在云中进行处理可以将信息分发到许多地方而不必网状网络，这是一个复杂的体系结构。
您可以记录更多数据，从而可以更好地进行分析，审核和开发更好的算法。
机载处理的优点
如果原始传感器数据是高带宽的，则它可能会使用较少的电池来汇总数据并发送汇总（取决于汇总所需的处理）。这可能意味着您不必对8位的湿度读数每秒发送100次，而是对其进行过滤，并每10秒发送1位的湿/干标志。
您可能会走得更远，并且只能唤醒网络当传感器有一些有趣的外观报告时（例如，干湿状态变化）
减少传感器端的网络带宽也会减少服务器端的带宽，因此您可以将服务扩展到更多用户（更多传感器）非常便宜。
即使网络不可用，也可能以相同或缩减的功能运行服务。在此示例中，您的汽车可能会警告您有关它所看到的湿滑道路，但不会向您发出其他汽车的提前警告。
总体
通常，某些组合两者中的最佳者。您可以在设备上进行尽可能多的处理，以尽最大可能减少对网络的需求，然后在云中运行更复杂的算法，这些算法可以组合更多的输入或使用更多的计算能力。 br />
您可能会开始在云中运行所有处理（因为它是在Matlab或Python中进行原型设计的），并在开发人员有时间在其上花费时逐渐将部分移植到Rust以启用脱机功能。
您可能会在正常使用情况下对设备上的数据进行大量处理，但有时还会对原始数据进行采样和记录，以便以后可以将其上传到云中（当网络可用时）以进行分析。
#2 楼
从图形中可能看不出来的是，提议的增值似乎正在将信息从一组车辆传递到另一组车辆。可以处理来自一个位置的汽车的传感器信息（降噪，模式识别），并将其传递给预计在不久的将来会遇到这些条件的其他车辆。也许您可以传递信息同行在繁忙区域进行点对点，但是您失去了从传感器预测中提取置信度数据并轻松组合多个数据源的能力
关于传感器数据的值，我认为自动驾驶汽车将是最大的受益，因为它能够在（例如）转弯之前调整淋浴间的安全裕度和停车距离，而转弯后淋浴后一段时间会有更多残留水。
可以对基于汽车的传感器数据进行训练，然后基于实时天气信息以预测的方式运行，这似乎是可行的。