AI-modeller og platforme

Problemer med selvkørende køretøjer og hvordan de kan løses – Tankeledere

Alex Vakulov
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterSelvkørende biler genererer 1 TB data i timen, hvilket kræver hybrid…
Vis mere
  • Selvkørende biler genererer 1 TB data i timen, hvilket kræver hybrid edge-cloud-behandling.
  • G-netværk med C-V2X-teknologi muliggør realtidskommunikation mellem køretøjer og alt andet for sikkerhed.
  • Eksabytes af daglige data kræver lagdelt lagring med SSD'er til frisk analyse og nearline til arkiver.

Autonome køretøjer kræver mere end blot kunstig intelligens. En selvkørende bil modtager data fra forskellige kilder som sonarer, kameraer, radarer, GPS og lidar, der giver den mulighed for at navigere i ethvert miljø. Informationerne fra disse enheder skal bearbejdes hurtigt, og datamængderne er massive.

Informationerne fra sensorerne bearbejdes ikke kun af bilens computer i realtid. Nogle data sendes til datacentre ved netværkets kant for yderligere analyse. Og derefter, gennem et komplekst hierarki, sendes det til forskellige skyer.

Den kunstige intelligens, som køretøjet er udstyret med, er afgørende, men også bearbejdningsevnen hos onboard-computere, perifere servere og skyen. Hastigheden af bilens afsendelse og modtagelse af data samt lav forsinkelse er også meget vigtig.

Problemet med datavolumen

Selv almindelige biler, med en chauffør bag rattet, genererer mere og mere data. Selvkørende biler kan generere ca. 1 TB data per time. Denne mængde data er simpelthen gigantisk. Og det repræsenterer en af barriererne for den brede indførelse af autonom kørsel.

Desværre kan alle data fra en selvkørende bil ikke bearbejdes i skyen eller datacentre ved netværkets kant, da dette introducerer for megen forsinkelse. Selv en forsinkelse på 100 ms kan gøre forskellen på liv eller død for en passager eller fodgænger. Bilen skal reagere på opstående omstændigheder så hurtigt som muligt.

For at reducere forsinkelsen mellem modtagelse af information og reaktion på den, analyseres en del af informationen af onboard-computeren. For eksempel er nye Jeep-modeller udstyret med en onboard-computer med 25-50 proceskerner, der betjener cruise control, blind spot-overvågning, hindringsadvarsel, automatisk bremse osv. Køretøjets noder kommunikerer med hinanden via et internt netværk. Det passer også ind i konceptet om edge-computing, hvis vi betragter onboard-computeren som en edge-node i netværket. Som resultat danner ubemandede køretøjer et komplekst hybridnetværk, der kombinerer centraliserede datacenter, skyen og mange edge-noder. Disse sidste er placeret ikke kun i biler, men også i trafiklys, kontrolposter, ladestationer osv.

Sådanne servere og datacenter uden for bilen giver alle mulige former for assistance til autonom kørsel. De giver bilen mulighed for at “se” ud over rækkevidden af dens sensorer, koordinere belastningen på vejnettet og hjælpe med at træffe optimale beslutninger.

Interaktion med hinanden og infrastruktur

GPS og computer vision-systemer giver selvkørende biler information om deres placering og omgivelser. Men rækkevidden af de kortlagte omgivelser er konstant øgende. Alligevel kan en bil kun indsamle en begrænset mængde information. Så dataudveksling er absolut nødvendig. Som resultat kan hver bil bedre analysere kørselsforholdene på basis af den større datamængde, der er indsamlet af den autonome køretøjsflåde. Køretøj-til-køretøj (V2V) kommunikationssystemer afhænger af mesh-netværk skabt af køretøjer i samme geografiske område. V2V bruges til at udveksle information og sende signaler til andre køretøjer, såsom afstandsadvarsel.

V2V-netværk kan udvides til at dele information med trafikinfrastruktur som trafiklys. Det er allerede passende at tale om V2I (køretøj-til-infrastruktur) kommunikation her. V2I-standarder udvikles stadig. I USA udsender Federal Highway Administration (FHWA) regelmæssigt forskellige V2I-retningslinjer og rapporter for at forbedre teknologien. Fordelene ved V2I strækker sig langt ud over sikkerhed. Ud over at forbedre sikkerheden giver køretøj-infrastrukturteknologi også fordele i forhold til mobilitet og interaktion med omgivelserne.

Chauffører, der kører samme rute hver dag, husker alle huller i vejen. Selvkørende biler lærer også konstant. Selvkørende biler vil uploade tilgængelig nyttig information til datacentre ved netværkets kant, for eksempel integreret i ladestationer. Ladestationer vil afhænge af kunstig intelligens-algoritmer, der vil hjælpe med at analysere dataene modtaget fra biler og tilbyde mulige løsninger. Gennem skyen vil disse data overføres til andre ubemandede køretøjer i det fælles netværk.

Hvis denne model for dataudveksling mellem alle selvkørende biler faktisk materialiseres i løbet af få år, kan vi forvente exabytes (millioner af terabytes) af data per dag. Ifølge forskellige estimeringer kan hundredtusinder til tocifrede milliontal af selvkørende biler dukke op på vejene på dette tidspunkt.

5G som nøglen til succes

Som nævnt ovenfor kan selvkørende biler modtage information om fodgængere og cyklister ikke kun fra deres sensorer, men også gennem dataudveksling med andre biler, trafiklys og anden byinfrastruktur.

Flere 5G-tilkoblede køretøjsprojekter findes allerede. Biler bruger mobiloperatørens 5G-netværk og C-V2X (Cellular Vehicle-to-Everything) teknologi til at kommunikere med andre biler, cyklister og selv trafiklys. Disse sidste er udstyret med termiske kameraer, der registrerer fodgængere, der nærmer sig overgangen; som resultat vises en advarsel på bilens dashboard. Tilkoblede cyklister informeres om deres placering, hvilket forhindrer farlige situationer. I tilfælde af dårlig sigtbarhed tænder parkerede biler automatisk deres havariblink, der underretter alle biler, der nærmer sig, om deres position.

5G-mobilnetværkets muligheder kommer til nytte her. De giver hurtige hastigheder, meget lav forsinkelse og mulighed for at understøtte et stort antal samtidige forbindelser. Selvkørende biler uden sådanne dataprocesseringsmuligheder vil ikke være i stand til at udføre mange opgaver hurtigere end en person. For eksempel at opdage en fodgænger, der kommer til syne ved det nærmeste fodgængerfelt. Desuden skal forsinkelserne være minimale, da selv en forsinkelse på en brøkdel af et sekund kan føre til en ulykke.

Store bilproducenter som BMW, Daimler, Hyundai, Ford og Toyota integrerer allerede 5G-teknologi i deres produkter. Milliarder af dollars er allerede blevet brugt af mobiloperatører på at bygge 5G-netværk. Så dette er det rette tidspunkt at give køretøjer en samling af færdigheder, der vil være nyttige i daglig drift.

Alle eksperimenter med 5G-tilkoblede selvkørende biler vil gå i stå, hvis der ikke er en 5G-infrastruktur på plads. Atter kan et ubemandet køretøj generere 1 TB data per time, så mobilnetværket skal være klar til at overføre disse data.

Hvordan behandle og gemme exabytes af data

Ikke alle datatyper kræver øjeblikkelig bearbejdning, og onboard-computeren har begrænsede præstations- og lagringsmuligheder. Derfor skal data, der “kan vente”, akkumuleres og analyseres i datacentre ved netværkets kant, mens nogle af dataene vil migrere til skyen og blive bearbejdet der.

Det er bystyrets og bilproducentens ansvar at indsamle, bearbejde, overføre, beskytte og analysere data om hver bil, trafikprop, fodgænger eller hul i vejen. Nogle smarte byarkitekter eksperimenterer allerede med maskinlæringsalgoritmer, der analyserer trafikdata mere effektivt for at hurtigt identificere huller i vejen, regulere trafik og øjeblikkeligt reagere på ulykker. Fra et globalt perspektiv giver maskinlæringsalgoritmerne anbefalinger for at forbedre byens infrastruktur.

For at indføre fuldt autonom kørsel i vores liv er det nødvendigt at løse problemet med at bearbejde og gemme enorme mængder af data. Hver dag kan et ubemandet køretøj generere op til 20 TB data. Bare ét køretøj! I fremtiden kan det føre til exabytes af data, der genereres på en dag. For at gemme disse data er der behov for en fleksibel, sikker og pålidelig edge-infrastruktur med høj ydeevne. Der er også problemet med effektiv dataprocessering.

For at onboard-computeren kan træffe beslutninger i realtid, har den brug for den mest opdaterede information om omgivelserne. Gamle data, såsom information om bilens placering og hastighed for en time siden, er normalt ikke længere nødvendige. Men disse data er nyttige for yderligere forbedring af autonome kørselsalgoritmer.

Udviklerne af kunstig intelligens-systemer skal modtage store mængder af data for at træne dybe neurale netværk: identificere objekter og deres bevægelse gennem kameraer, lidar-information og optimalt kombinere information om omgivelserne og infrastrukturen for at træffe beslutninger. For trafiksikkerhedsspecialister er data, der indsamles af biler lige før ulykker eller farlige situationer på vejen, afgørende.

Da data indsamles af selvkørende biler og overføres fra dem til datacentre ved netværkets kant, hvorefter de migrerer til sky-lagring, bliver spørgsmålet om at bruge en optimeret og lagdelt datalagringsarkitektur mere og mere relevant. Ferske data skal analyseres øjeblikkeligt for at forbedre maskinlæringsmodeller. Der kræves høj gennemstrømning og lav forsinkelse her. SSD’er og højkapacitets HAMR-drev med understøttelse af multi-drev-teknologi er bedst egnet til dette formål.

Efter at dataene har passeret den første analysefase, skal de gemmes mere effektivt: på traditionel nearline-lagring med høj kapacitet og lave omkostninger. Disse lagringsservere er velegnede, hvis dataene måske skal bruges i fremtiden. Gamle data, der er usandsynlige at blive brugt, men skal gemmes af andre grunde, kan flyttes til arkiveringsniveauet.

Data vil i stigende grad blive bearbejdet og analyseret på kanten, og indleder epoken for Industri 4.0, der ændrer, hvordan vi bruger data. Edge-computing vil give mulighed for at bearbejde data tæt på, hvor de indsamles, i stedet for en traditionel sky-server, og giver mulighed for at analysere dem meget hurtigere og øjeblikkeligt reagere på ændringer i situationen. Et højhastighedsnetværk for informationsudveksling mellem biler og datacentre ved netværkets kant vil hjælpe med at gøre autonom kørsel sikrere og mere pålidelig.

Konklusion

Håberligt har denne analyse kastet lidt lys over, hvor vigtigt data er i feltet for autonom kørsel. Den brede indførelse af ubemandede køretøjer indebærer indsamling af store mængder af data, der skal bearbejdes ikke kun af onboard-computeren, men også af edge-servere og skyen. Dataprocesserings-infrastrukturen skal være klar først.

Da 5G-teknologien spreder sig, vil selvkørende biler begynde at generere mere og mere data, der derefter vil blive analyseret og brugt til at gøre smarte byer til virkelighed. At opnå dette mål vil ikke være meget let, men til sidst vil vi åbne et nyt kapitel i historien om så populære transportmidler som biler.

Selvkørende biler er i forkanten af kunstig intelligens-teknologier, kommunikation og data-lagring. For at nå niveauet for fuldt autonom kørsel er det nødvendigt at fortsætte udviklingen og forbedringen af disse teknologier.

Alex er en forsker i cybersikkerhed med over 20 års erfaring i malware-analyse. Han har stærke færdigheder i fjernelse af malware, og han skriver for talrige sikkerhedsrelaterede publikationer for at dele sin sikkerhedserfaring.