场景1：
在隧道中，差分GPS信号较弱，惯导也会产生累积误差，要靠图像和基站为车辆提供精确的定位。
场景2：
在高速公路上，可以通过差分GPS，图像和基站定位融合感知车辆的位置。
场景3：
在夜晚，图像感知能力较差，主要靠基站和差分GPS获取车辆的位置。
差分GPS、惯导、图像、基站等多种定位手段获得的位置数据，通过5G网络上传到移动边缘计算服务器进行融合计算，得出车辆的精确位置，再通过5G网络将位置信息回传给车辆。
当网络具备边缘计算能力后，许多核心层和终端层的计算负荷都可以整合到边缘层进行，极大地降低网络传输的数据量，也为低时延赋能。
终端层：
车辆终端层决策的最大优势为时延小，主要进行与车辆安全性紧密相关的决策，如紧急刹车制动等。
边缘云：
该层配备的MEC..具有强大的计算能力和虚拟化能力，能够承载多种自动驾驶应用。 并且能够对基站数据进行匹配分流，在移动网络边缘完成对自动驾驶车辆数据分析处理。
核心层：
覆盖范围极广，计算能力最为强大，但由于距离机动车较远，传输时延相对较大，，主要进行对时延要求不是特别敏感的初始规划、道路级规划、宏观交通调度、车辆大数据监管、全局路径规划和全局高精度地图管理。 如实时完成每个自动驾驶车辆的道路级规划，优化整个道路交通网的车流。
