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

I běžná auta, s řidičem za volantem, generují stále více dat. Samořídící auta mohou generovat přibližně 1 TB dat za hodinu. Tento objem dat je prostě gigantický. A představuje jednu z bariér pro masové přijetí autonomního řízení.

Bohužel, všechna data samořídícího auta nemohou být zpracována v cloudu nebo periferních datových centrech, protože to by způsobilo příliš velkou prodlevu. I prodleva 100 ms může znamenat rozdíl mezi životem a smrtí cestujícího nebo chodce. Auto musí reagovat na vznikající okolnosti co nejrychleji.

Pro snížení prodlevy mezi přijetím informací a reakcí na ně je část informací analyzována počítačem na palubě. Například nové modely Jeepu jsou vybaveny počítačem na palubě s 25-50 procesorovými jádry, který slouží pro řízení tempomatu, varování před vozidly v mrtvém úhlu, varování před překážkami, automatické brzdění atd. Uzly vozidla komunikují s ostatními prostřednictvím interní sítě. To také zapadá do konceptu periferního zpracování, pokud považujeme počítač na palubě za periferní uzel sítě. Výsledkem je, že bezpilotní vozidla tvoří komplexní hybridní síť, která kombinuje centralizovaná datová centra, cloud a mnoho periferních uzlů. Tyto uzly se nacházejí nejen v autech, ale také v semaforech, kontrolních stanovištích, dobíjecích stanicích atd.

Takové servery a datová centra mimo vozidlo poskytují veškerou možnou pomoc pro autonomní řízení. Umožňují vozidlu “vidět” za hranice svého dosahu, koordinovat zátěž na silniční síti a pomoci při rozhodování.

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. Stále však jedno vozidlo může shromáždit pouze omezené množství informací. Proto je výměna dat absolutně nezbytná. Výsledkem je, že každé vozidlo může lépe analyzovat podmínky řízení na základě většího souboru dat shromážděných autonomními vozidly. Systémy komunikace vozidlo-vozidlo (V2V) se spoléhají na síťové topologie vytvořené vozidly ve stejné geografické oblasti. V2V se používá k výměně informací a odesílání signálů jiným vozidlům, jako jsou varování před vzdáleností.

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

Řidiči, kteří jezdí stejnou trasu každý den, si pamatují všechny díry na silnici. Samořídící auta se také neustále učí. Samořídící auta 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 aut a nabídnout možná řešení. Prostřednictvím cloudu budou tato data přenášena do ostatních bezpilotních vozidel ve společné síti.

Pokud se tento model výměny dat mezi všemi samořídícími auty skutečně materializuje v několika letech, můžeme očekávat exabajty (miliony terabajtů) dat za den. Podle různých odhadů se na silnicích může objevit od stovek tisíc do desítek milionů samořídících aut do té doby.

5G jako klíč k úspěchu

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

Několik projektů 5G pro samořídící auta již existuje. Auta používají síť 5G a technologii C-V2X (Cellular Vehicle-to-Everything) pro komunikaci s ostatními auty, cyklisty a dokonce i semafory. Tyto semafory jsou vybaveny termálními imagery, které detekují chodce, kteří se blíží k přechodu; jako výsledek se na palubní desce auta objeví varování. Připojení cyklisté jsou informováni o své poloze, což zabraňuje nebezpečným situacím. V případě špatné viditelnosti se automaticky zapínají výstražné blinkry, upozorňující všechny přijíždějící auta na svou polohu.

Schopnosti mobilních sítí 5G se zde hodí. Poskytují rychlé rychlosti, velmi nízkou latenci a schopnost podporovat velký počet současných připojení. Samořídící auta bez takové schopnosti zpracování dat nebudou moci vykonávat mnoho úkolů rychleji než člověk. Například, aby určily vzhled chodce na nejbližším přechodu. Navíc by měly být prodlevy minimální, protože i zlomek sekundy prodlevy může vést k nehodě.

Větší výrobci aut, jako jsou BMW, Daimler, Hyundai, Ford a Toyota, již integrují technologii 5G do svých produktů. Miliardy dolarů byly již vynaloženy mobilními operátory na stavbu sítí 5G. Takže je to správný čas dát vozidlům souboru dovedností, které budou užitečné v každodenním provozu.

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

Jak zpracovat a uložit exabajty dat

Ne všechny typy dat vyžadují okamžitou zpracování a počítač na palubě má omezené výkony a kapacitu úložiště. Proto by se měla data, která mohou “čekat”, akumulovat a analyzovat v periferních datových centrech, zatímco některá data budou migrovat do cloudu a budou zpracována tam.

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

Pro zavedení plně autonomního řízení do našeho života je nutné vyřešit problém zpracování a ukládání obrovských objemů dat. Každý den může samořídící vozidlo generovat až 20 TB dat. Jen jedno auto! V budoucnu to může vést k exabajtům dat generovaných za jeden den. Pro uložení těchto dat je potřeba vysokovýkonná, flexibilní, bezpečná a spolehlivá edge infrastruktura. Existuje také problém efektivní zpracování dat.

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

Vývojáři systémů umělé inteligence musí obdržet velké množství dat, aby mohli trénovat hluboké neuronové sítě: 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 jsou data shromážděná auty okamžitě před nehodami nebo nebezpečnými situacemi na silnici zásadní.

Jak jsou data shromažďována samořídícími auty a přenášena z nich do periferních datových center, poté migrují do cloudového úložiště, stává se otázka použití optimalizované a hierarchické architektury úložiště dat stále relevantnější. Čerstvá data musí být analyzována okamžitě, aby se zlepšily modely strojového učení. Vyžaduje se vysoký propustný výkon a nízká latence. SSD a vysoce kapacitní disky HAMR s podporou technologií multi-drive jsou pro tento účel nejvhodnější.

Po dokončení počáteční fáze analýzy by se data měla uložit efektivněji: na vysoce kapacitní, ale nízkonákladová úložiště nearline. Tato úložiště jsou vhodná, pokud se data mohou vyžadovat v budoucnu. Stará data, která jsou nepravděpodobně potřebná, ale musí být uchována z jiných důvodů, lze přesunout na úroveň archivace.

Data budou stále více zpracovávána a analyzována na edge, což zahajuje éru Průmyslu 4.0, která mění, jak používáme data. Edge computing umožní zpracovat data blízko místa, kde jsou shromažďována, místo tradičního cloud serveru, což umožní analyzovat je mnohem rychleji a okamžitě reagovat na měnící se situace. Vysokorychlostní síť výměny informací mezi auty a periferními datovými centry pomůže učinit autonomní řízení bezpečnější a spolehlivější.

Závěr

Doufáme, že tato analýza osvětlila, jak důležité jsou data v oblasti autonomního řízení. Masové přijetí bezpilotních 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 dopředu.

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

Samořídící auta jsou na špici technologií umělé inteligence, komunikace a úložiště dat. Pro dosažení plně autonomního řízení je nutné dále vyvíjet a zlepšovat tyto technologie.