Problémy samořídících vozidel a jak je řešit – Thought Leaders

Samořídící vozidla vyžadují více než jen jednoduchou umělou inteligenci. Samořídící auto přijímá data z různých zdrojů, jako jsou sonary, kamery, radary, GPS a lidary, což mu umožňuje navigovat v jakémkoli prostředí. Informace z těchto zařízení by měly být zpracovány rychle a objemy dat jsou obrovské.

Informace ze senzorů jsou zpracovávány nejen počítačem vozu v reálném čase. Některé údaje jsou odeslány do periferních datových center pro další analýzu. A poté, prostřednictvím komplexní hierarchie, jsou přesměrovány do různých cloudů.

Umělá inteligence, se kterou je vozidlo vybaveno, je zásadní, ale také zpracování schopností počítačů na palubě, periferních serverů a cloudu. Rychlost odesílání a přijímání dat vozidlem, spolu s nízkou latencí, jsou také velmi důležité.

Problém objemu dat

Even běžné vozy, s řidičem za volantem, generují více a více dat. Samořídící vozy mohou generovat přibližně 1TB dat za hodinu. Tento objem dat je prostě gigantický. A představuje jednu z bariér pro masové přijetí autonomního řízení.

Bohužel, všechna data samořídícího vozu nemohou být zpracována v cloudu nebo periferních datových centrech, protože to by způsobilo příliš velkou zpoždění. I zpoždění 100 ms může udělat rozdíl mezi životem a smrtí pasažéra nebo chodce. Vozidlo musí reagovat na vznikající okolnosti co nejrychleji.

Aby se snížilo zpoždění mezi přijímáním informací a reakcí na ně, část informací je analyzována počítačem na palubě. Například nové modely Jeep jsou vybaveny počítačem na palubě s 25-50 procesorovými jádry, které slouží pro řízení tempomatu, monitorování mrtvých úhlů, varování před překážkami, automatické brzdění atd. Uzly vozidla komunikují s ostatními uzly prostřednictvím interní sítě. Také se vejde do konceptu periferního zpracování, pokud považujeme počítač na palubě za periferní uzel sítě. V důsledku toho samořídící vozidla tvoří složitou hybridní síť, která kombinuje centralizovaná datová centra, cloud a mnoho periferních uzlů. Tyto uzly se nacházejí nejen ve vozech, ale také v semaforech, kontrolních stanovištích, dobíjecích stanicích atd.

Takové servery a datová centra mimo vozidlo poskytují veškerou možnou pomoc při autonomním řízení. Umožňují vozu “vidět” za rozsah jeho senzorů, koordinovat zátěž na silniční síti a pomoci učinit optimální rozhodnutí.

Interakce s ostatními a infrastrukturou

GPS a systémy počítačového vidění poskytují samořídícím vozidlům informace o jejich poloze a bezprostředním okolí. Nicméně, rozsah vypočítaného prostředí se neustále zvyšuje. Přesto, jedno vozidlo může shromáždit pouze omezené množství informací. Proto je výměna dat absolutně nezbytná. V důsledku toho může každé vozidlo lépe analyzovat podmínky řízení na základě většího souboru dat shromážděných flotilou autonomních vozidel. Systémy komunikace vozidlo-vozidlo (V2V) se spoléhají na síťové topologie vytvořené vozidly ve stejné geografické oblasti. V2V se používá k výměně informací a posílání signálů jiným vozidlům, jako jsou varování před vzdáleností.

Systémy V2V lze rozšířit pro sdílení informací s dopravní infrastrukturou, jako jsou semafory. Již je vhodné mluvit o komunikaci vozidlo-infrastruktura (V2I) zde. Standardy V2I se neustále vyvíjejí. Ve Spojených státech, Federální správa dálnic (FHWA) pravidelně vydává různé průvodce a zprávy V2I, aby pomohla zlepšit technologii. Výhody V2I sahají daleko za bezpečnost. Kromě zvýšení bezpečnosti, technologie vozidlo-infrastruktura poskytuje výhody v oblasti mobility a interakce s prostředím.

Řidiči, kteří jezdí stejnou trasu každý den, si pamatují všechny díry na silnici. Samořídící vozy se také neustále učí. Samořídící vozy budou nahrávat dostupné užitečné informace do periferních datových center, například integrovaných do dobíjecích stanic. Dobíjecí stanice se budou spoléhat na algoritmy umělé inteligence, které pomohou analyzovat data přijatá z vozidel a nabídnout možné řešení. Prostřednictvím cloudu budou tato data přenesena do ostatních samořídících vozidel ve společné síti.

Pokud se tento model výměny dat mezi všemi samořídícími vozy skutečně materializuje za několik let, pak můžeme očekávat exabajty (miliony terabajtů) dat denně. Podle různých odhadů, od stovek tisíc až po desítky milionů samořídících vozidel se může objevit na silnicích do té doby.

5G jako klíč k úspěchu

Jak je zmíněno výše, samořídící vozy mohou přijímat informace o chodcích a cyklistech nejen ze svých senzorů, ale také prostřednictvím výměny dat s jinými vozy, semafory a jinou městskou infrastrukturou.

Existuje několik projektů samořídících vozidel s připojením 5G. Vozy používají síť 5G mobilního operátora a technologii C-V2X (Cellular Vehicle-to-Everything) pro komunikaci s jinými vozy, cyklisty a dokonce i semafory. Tyto semafory jsou vybaveny termálními zobrazovači, které detekují chodce, kteří se blíží k přechodu; jako výsledek, varování se objeví na palubní desce vozu. Připojení cyklisté jsou informováni o své poloze, což zabraňuje nebezpečným situacím. V případě špatné viditelnosti, zaparkovaná vozidla automaticky zapnou výstražné blikače, upozorňující všechna blížící se vozidla na jejich pozici.

Schopnosti mobilních sítí 5G jsou zde velmi užitečné. Poskytují rychlé rychlosti, velmi nízkou latenci a schopnost podporovat velký počet současných připojení. Samořídící vozy bez takových schopností zpracování dat nebudou moci vykonávat mnoho úkolů rychleji než člověk. Například, určit výskyt chodce na nejbližším přechodu. Navíc, zpoždění by měla být minimální, protože i zlomek sekundy zpoždění může vést k nehodě.

Velké automobilové výrobce, jako jsou BMW, Daimler, Hyundai, Ford a Toyota, již integrují technologii 5G do svých produktů. Miliardy dolarů již byly investovány mobilními operátory do budování sítí 5G. Takže, je to správný čas, aby vozidlům poskytly soubory dovedností, které budou užitečné v každodenním provozu.

Všechny experimenty se samořídícími vozy s připojením 5G se zastaví, pokud nebude k dispozici infrastruktura 5G. Opět, samořídící vozidlo může generovat 1TB dat za hodinu, takže mobilní síť musí být připravena přenést tato data.

Jak zpracovat a uložit exabajty dat

Ne všechny typy dat vyžadují okamžitou zpracování, a počítač na palubě má omezené výkonnostní a úložné schopnosti. Proto by data, která mohou “čekat”, měla být nahromaděna a analyzována v periferních datových centrech, zatímco některá data budou migrovat do cloudu a budou zpracována tam.

Je to odpovědnost městských vlád a výrobců automobilů zachytit, zpracovat, přenést, ochránit a analyzovat data o každém voze, dopravní zácpě, chodci nebo díře na silnici. Někteří architekti inteligentních měst již experimentují s algoritmy strojového učení, které analyzují dopravní data účinněji, aby rychle identifikovali díry na silnici, regulují dopravu a okamžitě reagují na nehody. Z globálního pohledu, algoritmy strojového učení poskytují doporučení pro zlepšení městské infrastruktury.

Aby bylo možné uvést plně autonomní řízení do našeho života, je nutné řešit problém zpracování a uložení obrovských objemů dat. Každý den, samořídící vozidlo může generovat až 20 TB dat. Jen jedno vozidlo! V budoucnu to může vést k exabajtům dat generovaných za jeden den. Pro uložení těchto dat je potřeba vysoce výkonná, flexibilní, bezpečná a spolehlivá edge infrastruktura. Existuje také problém efektivní zpracování dat.

Aby počítač na palubě mohl učinit rozhodnutí v reálném čase, potřebuje nejaktuálnější informace o prostředí. Stará data, jako je informace o poloze vozu a rychlosti před hodinou, již nejsou obvykle potřebná. Nicméně, tato data jsou užitečná pro další zlepšení algoritmů autonomního řízení.

Vývojáři systémů umělé inteligence musí obdržet velké množství dat, aby mohli trénovat hluboké učení: identifikovat objekty a jejich pohyb prostřednictvím kamer, lidarů a optimálně kombinovat informace o prostředí a infrastruktuře, aby mohli učinit rozhodnutí. Pro specialisty na bezpečnost silnic, data shromážděná vozidly okamžitě před nehodami nebo nebezpečnými situacemi na silnici jsou vitální.

Jakmile jsou data shromážděna samořídícími vozy a přenesena z nich do periferních datových center, poté migrují do úložišť cloudu, stává se otázka použití optimalizované a hierarchické architektury úložišť dat stále více relevantní. Čerstvá data musí být analyzována okamžitě, aby se zlepšily modely strojového učení. Vysoce výkonné a nízká latence jsou vyžadovány zde. SSD a vysoce kapacitní disky HAMR s podporou technologií multi-drive jsou nejvhodnější pro tento účel.

Počínaje analýzou dat, musí být data uložena efektivněji: na vysoce kapacitních, ale nízkonákladových tradičních nearline úložištích. Tato úložiště jsou vhodná, pokud data mohou být požadována v budoucnu. Stará data, která jsou nepravděpodobná, že budou benötována, ale musí být uchována z jiných důvodů, mohou být přesunuta do archivační úrovně.

Data budou stále více zpracovávána a analyzována na edge, což zahajuje éru Průmyslu 4.0, která mění, jak používáme data. Edge computing umožní zpracování dat blízko místa, kde jsou shromažďována, spíše než tradiční cloud server, což umožní jejich analýzu mnohem rychleji a okamžitou reakci na měnící se situace. Vysokorychlostní síť výměny informací mezi vozy a periferními datovými centry pomůže učinit autonomní řízení bezpečnější a spolehlivější.

Závěr

Doufáme, že tato analýza osvětlila, jak důležitá jsou data v oblasti autonomního řízení. Masové přijetí samořídících vozidel zahrnuje shromažďování velkého množství dat, která by měla být zpracována nejen počítačem na palubě, ale také edge servery a cloudem. Infrastruktura pro zpracování dat by měla být připravena předem.

Jak se šíří přijetí 5G, samořídící vozy začnou generovat stále více dat, která budou analyzována a použita k vytvoření inteligentních měst. Dosáhnutí tohoto cíle nebude velmi snadné, ale nakonec otevřeme novou kapitolu v historii tak populárního prostředku dopravy, jako je auto.

Samořídící vozy jsou na špici technologií umělé inteligence, komunikace a úložiště dat. Aby bylo možné dosáhnout plně autonomního řízení, je nutné pokračovat ve vývoji a zlepšování těchto technologií.