Probleme selbsttauchender Fahrzeuge und wie man sie löst – Vordenker

Autonome Fahrzeuge erfordern mehr als einfache künstliche Intelligenz. Ein selbstfahrendes Auto empfängt Daten aus verschiedenen Quellen wie Sonaren, Kameras, Radargeräten, GPS und Lidars und kann so in jeder Umgebung navigieren. Informationen von diesen Geräten sollten schnell verarbeitet werden und die Datenmengen sind enorm.

Die Informationen der Sensoren werden nicht nur vom Computer des Autos in Echtzeit verarbeitet. Einige Daten werden zur weiteren Analyse an periphere Rechenzentren gesendet. Und dann wird es über eine komplexe Hierarchie in verschiedene Clouds umgeleitet.

Entscheidend ist die KI, mit der das Fahrzeug ausgestattet ist, aber auch die Verarbeitungsfähigkeiten von Bordcomputern, Peripherieservern und der Cloud. Auch die Geschwindigkeit beim Senden und Empfangen von Daten durch das Auto sowie die geringe Latenz sind sehr wichtig.

Datenvolumenproblem

Selbst herkömmliche Autos, die von einem Fahrer gesteuert werden, erzeugen immer mehr Daten. Selbstfahrende Autos können etwa ein Terabyte Daten pro Stunde erzeugen. Diese Datenmenge ist schlichtweg gigantisch. Und sie stellt eines der Hindernisse für die Masseneinführung des autonomen Fahrens dar.

Leider können nicht alle Daten eines selbstfahrenden Autos in der Cloud oder in peripheren Rechenzentren verarbeitet werden, da dies zu große Verzögerungen mit sich bringt. Selbst eine Verzögerung von 100 ms kann über das Leben oder den Tod eines Passagiers oder Fußgängers entscheiden. Das Auto muss so schnell wie möglich auf auftretende Umstände reagieren.

Um die Verzögerung zwischen dem Empfang von Informationen und der Reaktion darauf zu verkürzen, wird ein Teil der Informationen vom Bordcomputer analysiert. Zum Beispiel neu Jeep-Modelle sind mit einem Bordcomputer mit 25–50 Rechenkernen ausgestattet, der Tempomat, Toter-Winkel-Warnung, Hinderniswarnung, automatisches Bremsen usw. übernimmt. Fahrzeugknoten kommunizieren über ein internes Netzwerk miteinander. Es passt auch in das Konzept des Peripheral Computing, wenn wir den Bordcomputer als peripheren Knoten des Netzwerks betrachten. Das Ergebnis sind unbemannte Fahrzeuge ein komplexes Hybridnetzwerk das zentralisierte Rechenzentren, die Cloud und viele periphere Knoten kombiniert. Letztere befinden sich nicht nur in Autos, sondern auch in Ampeln, Kontrollposten, Ladestationen usw.

Solche Server und Rechenzentren außerhalb des Autos leisten jede erdenkliche Hilfestellung beim autonomen Fahren. Sie ermöglichen es dem Auto, über die Reichweite seiner Sensoren hinaus zu „sehen“, die Belastung des Straßennetzes zu koordinieren und dabei zu helfen, optimale Entscheidungen zu treffen.

Interaktion untereinander und mit der Infrastruktur

GPS- und Computer-Vision-Systeme versorgen selbstfahrende Autos mit Informationen über ihren Standort und ihre unmittelbare Umgebung. Allerdings nimmt die Reichweite der berechneten Umgebung stetig zu. Dennoch kann ein Auto nur eine begrenzte Menge an Informationen sammeln. Der Datenaustausch ist also unbedingt erforderlich. Dadurch kann jedes Fahrzeug die Fahrbedingungen basierend auf dem aussagekräftigeren Datensatz, der von der autonomen Fahrzeugflotte erfasst wird, besser analysieren. Fahrzeug-zu-Fahrzeug-Kommunikationssysteme (V2V) basieren auf Mesh-Netzwerke erstellt von Fahrzeugen im selben geografischen Gebiet. V2V dient dazu, Informationen auszutauschen und Signale an andere Fahrzeuge zu senden, beispielsweise Abstandswarnungen.

V2V-Netzwerke können erweitert werden, um Informationen mit Verkehrsinfrastrukturen wie Ampeln auszutauschen. Es ist hier bereits angebracht, über V2I-Kommunikation (Vehicle-to-Infrastructure) zu sprechen. V2I-Standards entwickeln sich ständig weiter. In den USA erlässt die Federal Highway Administration (FHWA) regelmäßig verschiedene V2I-Anleitungen und Berichte um zur Verbesserung der Technologie beizutragen. Die Vorteile von V2I gehen weit über die Sicherheit hinaus. Neben der Erhöhung der Sicherheit bietet die Fahrzeuginfrastrukturtechnik Vorteile hinsichtlich der Mobilität und der Interaktion mit der Umwelt.

Autofahrer, die jeden Tag die gleiche Strecke fahren, erinnern sich an die vielen Schlaglöcher auf der Straße. Auch selbstfahrende Autos lernen ständig dazu. Selbstfahrende Autos laden verfügbare hilfreiche Informationen in periphere Datenzentren hoch, die beispielsweise in Ladestationen integriert sind. Ladestationen werden auf Algorithmen der künstlichen Intelligenz angewiesen sein, die dabei helfen, die von Autos empfangenen Daten zu analysieren und mögliche Lösungen anzubieten. Über die Cloud werden diese Daten an andere unbemannte Fahrzeuge im gemeinsamen Netzwerk übermittelt.

Wenn dieses Modell des Datenaustauschs zwischen allen selbstfahrenden Autos in ein paar Jahren wirklich Wirklichkeit wird, dann können wir mit Exabytes (Millionen Terabytes) an Daten pro Tag rechnen. Verschiedenen Schätzungen zufolge könnten bis dahin Hunderttausende bis Zehnmillionen selbstfahrende Autos auf den Straßen unterwegs sein.

5G als Schlüssel zum Erfolg

Wie oben erwähnt, können selbstfahrende Autos Informationen über Fußgänger und Radfahrer nicht nur von ihren Sensoren erhalten, sondern auch durch den Datenaustausch mit anderen Autos, Ampeln und anderer städtischer Infrastruktur.

. 5G-Projekte für vernetzte Autos existieren bereits. Autos nutzen das 5G-Netz und die C-V2X-Technologie (Cellular Vehicle-to-Everything) des Mobilfunkanbieters, um mit anderen Autos, Radfahrern und sogar Ampeln zu kommunizieren. Letztere sind mit Wärmebildkameras ausgestattet, die Fußgänger erkennen, die sich der Kreuzung nähern; Infolgedessen erscheint eine Warnung auf dem Armaturenbrett des Fahrzeugs. Vernetzte Radfahrer werden über ihren Standort informiert, was gefährliche Situationen verhindert. Bei schlechter Sicht schalten die geparkten Autos automatisch die Notblinkanlage ein und informieren so alle herannahenden Autos über ihre Position.

Hier kommen die Möglichkeiten der 5G-Mobilfunknetze zum Tragen. Sie bieten hohe Geschwindigkeiten, sehr geringe Latenz und die Fähigkeit, eine große Anzahl gleichzeitiger Verbindungen zu unterstützen. Selbstfahrende Autos ohne solche Datenverarbeitungsfähigkeiten werden viele Aufgaben nicht schneller als ein Mensch erledigen können. Beispielsweise um das Aussehen eines Fußgängers an der nächsten Kreuzung zu bestimmen. Darüber hinaus sollten Verzögerungen minimal sein, da bereits der Bruchteil einer Sekunde Verzögerung zu einem Unfall führen kann.

Große Automobilhersteller wie BMW, Daimler, Hyundai, Ford und Toyota integrieren bereits die 5G-Technologie in ihre Produkte. Mobilfunkbetreiber haben bereits Milliarden von Dollar für den Aufbau von 5G-Netzen ausgegeben. Dies ist also der richtige Zeitpunkt, Fahrzeugen eine Reihe von Fähigkeiten zu vermitteln, die im täglichen Betrieb nützlich sind.

Alle Experimente mit 5G-vernetzten selbstfahrenden Autos werden zum Erliegen kommen, wenn keine 5G-Infrastruktur vorhanden ist. Auch hier kann ein unbemanntes Fahrzeug 1 TB Daten pro Stunde erzeugen, daher muss das Mobilfunknetz für die Übertragung dieser Daten bereit sein.

So verarbeiten und speichern Sie Exabytes an Daten

Nicht alle Datentypen erfordern eine sofortige Verarbeitung und der Bordcomputer verfügt nur über begrenzte Leistungs- und Speicherkapazitäten. Daher sollten Daten, die „warten“ können, in peripheren Rechenzentren gesammelt und analysiert werden, während ein Teil der Daten in die Cloud migriert und dort verarbeitet wird.

Es liegt in der Verantwortung der Stadtverwaltungen und Automobilhersteller, Daten über jedes Auto, jeden Verkehrsstau, jeden Fußgänger oder jedes Schlagloch zu erfassen, zu verarbeiten, zu übertragen, zu schützen und zu analysieren. Einige Smart-City-Architekten experimentieren bereits mit Algorithmen für maschinelles Lernen, die Verkehrsdaten effizienter analysieren, um Schlaglöcher auf der Straße schnell zu erkennen, den Verkehr zu regulieren und sofort auf Unfälle zu reagieren. Aus globaler Sicht liefern maschinelle Lernalgorithmen Empfehlungen zur Verbesserung der städtischen Infrastruktur.

Um vollständig autonomes Fahren in unser Leben einzuführen, ist es notwendig, das Problem der Verarbeitung und Speicherung riesiger Datenmengen zu lösen. Täglich kann ein unbemanntes Fahrzeug bis zu 20 TB Daten erzeugen. Nur ein Auto! In Zukunft kann es dazu kommen, dass an einem Tag Exabytes an Daten generiert werden. Um diese Daten zu speichern, benötigen Sie eine leistungsstarke, flexible, sichere und zuverlässige Edge-Infrastruktur. Hinzu kommt das Problem einer effizienten Datenverarbeitung.

Damit der Bordcomputer in Echtzeit Entscheidungen treffen kann, benötigt er die aktuellsten Informationen über die Umgebung. Alte Daten, wie Angaben zum Standort des Autos und zur Geschwindigkeit vor einer Stunde, werden in der Regel nicht mehr benötigt. Diese Daten sind jedoch für die weitere Verbesserung autonomer Fahralgorithmen nützlich.

Entwickler künstlicher Intelligenzsysteme müssen große Datenmengen erhalten, um Deep-Learning-Netzwerke zu trainieren: Objekte und ihre Bewegung durch Kameras und Lidar-Informationen identifizieren und Informationen über Umgebung und Infrastruktur optimal kombinieren, um Entscheidungen zu treffen. Für Verkehrssicherheitsspezialisten sind die Daten, die Autos unmittelbar vor Unfällen oder Gefahrensituationen im Straßenverkehr sammeln, von entscheidender Bedeutung.

Da Daten von selbstfahrenden Autos gesammelt und von dort an periphere Rechenzentren übertragen und anschließend in den Cloud-Speicher migriert werden, wird die Frage der Verwendung einer optimierten und abgestuften Datenspeicherarchitektur immer relevanter. Neue Daten müssen sofort analysiert werden, um Modelle für maschinelles Lernen zu verbessern. Hier sind ein hoher Durchsatz und eine geringe Latenz erforderlich. SSDs und HAMR-Laufwerke mit hoher Kapazität mit Unterstützung für Multi-Drive-Technologien sind hierfür am besten geeignet.

Nachdem die Daten die erste Analysephase durchlaufen haben, müssen sie effizienter gespeichert werden: auf herkömmlichem Nearline-Speicher mit hoher Kapazität, aber geringen Kosten. Diese Speicherserver sind gut geeignet, wenn die Daten in Zukunft benötigt werden könnten. Alte Daten, die wahrscheinlich nicht benötigt werden, aber aus anderen Gründen aufbewahrt werden müssen, können auf die Archivierungsebene verschoben werden.

Daten werden zunehmend am Edge verarbeitet und analysiert, was das Zeitalter von Industrie 4.0 einläutet, das die Art und Weise, wie wir Daten nutzen, verändert. Edge Computing ermöglicht die Verarbeitung von Daten nahe am Ort ihrer Erfassung und nicht auf einem herkömmlichen Cloud-Server. Dadurch können sie viel schneller analysiert und sofort auf sich ändernde Situationen reagiert werden. Ein Hochgeschwindigkeitsnetzwerk für den Informationsaustausch zwischen Autos und peripheren Datenzentren wird dazu beitragen, autonomes Fahren sicherer und zuverlässiger zu machen.

Fazit

Hoffentlich hat diese Analyse etwas Licht ins Dunkel gebracht, wie wichtig Daten im Bereich des autonomen Fahrens sind. Die Masseneinführung unbemannter Fahrzeuge erfordert die Erfassung großer Datenmengen, die nicht nur vom Bordcomputer, sondern auch von Edge-Servern und der Cloud verarbeitet werden sollten. Die Datenverarbeitungsinfrastruktur sollte vorher bereit sein.

Mit der Verbreitung von 5G werden selbstfahrende Autos immer mehr Daten generieren, die dann analysiert und zur Verwirklichung intelligenter Städte genutzt werden. Dieses Ziel zu erreichen wird nicht ganz einfach sein, aber am Ende werden wir ein neues Kapitel in der Geschichte eines so beliebten Fortbewegungsmittels wie dem Auto aufschlagen.

Selbstfahrende Autos stehen an der Spitze der Technologien der künstlichen Intelligenz, der Kommunikation und der Datenspeicherung. Um das Niveau des vollständig autonomen Fahrens zu erreichen, ist es notwendig, die Entwicklung und Verbesserung dieser Technologien fortzusetzen.