Probleme von Selbstfahrfahrzeugen und wie man sie löst – Thought Leaders

Autonome Fahrzeuge benötigen mehr als einfache künstliche Intelligenz. Ein selbstfahrendes Auto erhält Daten von verschiedenen Quellen wie Sonaren, Kameras, Radaren, GPS und Lidars, die es ermöglichen, in jeder Umgebung zu navigieren. Informationen von diesen Geräten sollten schnell verarbeitet werden, und die Datenmengen sind massiv.

Die Informationen von Sensoren werden nicht nur vom Computer des Autos in Echtzeit verarbeitet. Einige Daten werden an periphere Rechenzentren gesendet, um weiter analysiert zu werden. Und dann werden sie durch eine komplexe Hierarchie an verschiedene Clouds weitergeleitet.

Die künstliche Intelligenz, mit der das Fahrzeug ausgestattet ist, ist entscheidend, aber auch die Verarbeitungskapazitäten der Bordcomputer, peripheren Server und der Cloud. Die Geschwindigkeit des Sendens und Empfangens von Daten durch das Auto sowie die geringe Latenz sind ebenfalls sehr wichtig.

Datenvolumen-Problem

Sogar normale Autos, mit einem Fahrer am Steuer, generieren immer mehr Daten. Selbstfahrende Autos können etwa 1 TB Daten pro Stunde generieren. Diese Menge an Daten ist einfach gigantisch. Und sie stellt eines der Hindernisse für die Massenadoption des autonomen Fahrens dar.

Leider können alle Daten eines selbstfahrenden Autos nicht in der Cloud oder in peripheren Rechenzentren verarbeitet werden, da dies zu viel Verzögerung führt. Selbst eine Verzögerung von 100 ms kann den Unterschied zwischen Leben und Tod eines Passagiers oder Fußgängers bedeuten. Das Auto muss auf neue Situationen so schnell wie möglich reagieren.

Um die Verzögerung zwischen der Informationsübermittlung und der Reaktion darauf zu reduzieren, wird ein Teil der Informationen vom Bordcomputer analysiert. Zum Beispiel sind neue Jeep-Modelle mit einem Bordcomputer mit 25-50 Verarbeitungskernen ausgestattet, der dem Tempomat, Blindspot-Warner, Hinderniswarner, automatischen Bremsen usw. dient. Die Fahrzeugknoten kommunizieren miteinander über ein internes Netzwerk. Es passt auch zum Konzept des peripheren Rechnens, wenn wir den Bordcomputer als peripheren Knoten des Netzwerks betrachten. Als Ergebnis bilden unbemannte Fahrzeuge ein komplexes Hybridnetzwerk, das zentrale Rechenzentren, die Cloud und viele periphere Knoten kombiniert. Letztere befinden sich nicht nur in Autos, sondern auch in Verkehrssignalen, Kontrollposten, Ladestationen usw.

Solche Server und Rechenzentren außerhalb des Autos bieten alle mögliche Unterstützung für das autonome Fahren. Sie ermöglichen es dem Auto, “über” den Bereich seiner Sensoren hinaus zu “sehen”, die Belastung des Straßennetzes zu koordinieren und optimale Entscheidungen zu treffen.

Interaktion mit einander und Infrastruktur

GPS und Computer-Vision-Systeme liefern selbstfahrenden Autos Informationen über ihre Position und unmittelbare Umgebung. Die Reichweite der berechneten Umgebung ist jedoch ständig im Wachsen. Ein Auto kann jedoch nur eine begrenzte Menge an Informationen sammeln. Daher ist der Datenaustausch absolut notwendig. Als Ergebnis kann jedes Fahrzeug die Fahrbedingungen auf der Grundlage des größeren Datensatzes, der von der Flotte autonomer Fahrzeuge gesammelt wird, besser analysieren. Fahrzeug-zu-Fahrzeug-(V2V)-Kommunikationssysteme basieren auf Mesh-Netzwerken, die von Fahrzeugen im gleichen geografischen Bereich erstellt werden. V2V wird verwendet, um Informationen auszutauschen und Signale an andere Fahrzeuge zu senden, wie z. B. Abstandswarnungen.

V2V-Netzwerke können erweitert werden, um Informationen mit der Verkehrsinfrastruktur wie Verkehrssignalen auszutauschen. Es ist bereits angebracht, hier von V2I (Fahrzeug-zu-Infrastruktur)-Kommunikation zu sprechen. V2I-Standards sind weiterhin in Entwicklung. In den USA gibt die Federal Highway Administration (FHWA) regelmäßig verschiedene V2I-Leitfäden und Berichte heraus, um die Technologie zu verbessern. Die Vorteile von V2I gehen weit über die Sicherheit hinaus. Neben der Verbesserung der Sicherheit bietet die Fahrzeug-Infrastrukturtechnologie Vorteile in Bezug auf Mobilität und Interaktion mit der Umgebung.

Fahrer, die jeden Tag die gleiche Strecke fahren, merken sich alle Schlaglöcher auf der Straße. Selbstfahrende Autos lernen auch ständig. Selbstfahrende Autos werden verfügbare hilfreiche Informationen an periphere Rechenzentren hochladen, beispielsweise in Ladestationen integriert. Ladestationen werden auf künstliche Intelligenz-Algorithmen zurückgreifen, die dabei helfen, die von den Autos erhaltenen Daten zu analysieren und mögliche Lösungen anzubieten. Durch die Cloud werden diese Daten an andere unbemannte Fahrzeuge im gemeinsamen Netzwerk übertragen.

Wenn dieses Modell des Datenaustauschs zwischen allen selbstfahrenden Autos in einigen Jahren tatsächlich Realität wird, können wir erwarten, dass Exabyte (Millionen Terabyte) an Daten pro Tag generiert werden. Nach verschiedenen Schätzungen könnten von Hunderttausenden bis zu Zehnmillionen selbstfahrende Autos bis zu diesem Zeitpunkt auf den Straßen erscheinen.

5G als Schlüssel zum Erfolg

Wie bereits erwähnt, können selbstfahrende Autos Informationen über Fußgänger und Radfahrer nicht nur von ihren Sensoren, sondern auch durch den Austausch von Daten mit anderen Autos, Verkehrssignalen und anderen städtischen Infrastrukturen erhalten.

Es gibt bereits mehrere 5G-verbundene Auto-Projekte. Autos nutzen das 5G-Netz des Mobilfunkanbieters und die C-V2X-Technologie (Cellular Vehicle-to-Everything), um mit anderen Autos, Radfahrern und sogar Verkehrssignalen zu kommunizieren. Letztere sind mit Wärmebildkameras ausgestattet, die Fußgänger erkennen, die sich der Kreuzung nähern; als Ergebnis erscheint eine Warnung auf dem Armaturenbrett des Autos. Verbundene Radfahrer werden über ihre Position informiert, was gefährliche Situationen verhindert. Bei schlechter Sicht schalten die geparkten Autos automatisch die Warnblinker ein, um alle sich nähernden Autos über ihre Position zu informieren.

Die Fähigkeiten von 5G-Mobilnetzen sind hier sehr nützlich. Sie bieten schnelle Geschwindigkeiten, sehr geringe Latenz und die Fähigkeit, eine große Anzahl von gleichzeitigen Verbindungen zu unterstützen. Selbstfahrende Autos ohne solche Datenverarbeitungskapazitäten können viele Aufgaben nicht schneller ausführen als ein Mensch. Zum Beispiel, um das Erscheinen eines Fußgängers an der nächsten Kreuzung zu bestimmen. Darüber hinaus sollten Verzögerungen minimal sein, da bereits eine Verzögerung von einer Sekunde zu einem Unfall führen kann.

Große Automobilhersteller wie BMW, Daimler, Hyundai, Ford und Toyota integrieren bereits 5G-Technologie in ihre Produkte. Milliarden von Dollar wurden bereits von Mobilfunkanbietern für den Aufbau von 5G-Netzen ausgegeben. Es ist also der richtige Zeitpunkt, um Fahrzeugen eine Reihe von Fähigkeiten zu geben, die in ihrem täglichen Betrieb nützlich sein werden.

Alle Experimente mit 5G-verbundenen selbstfahrenden Autos werden zum Stillstand kommen, wenn keine 5G-Infrastruktur vorhanden ist. Wiederum kann ein unbemanntes Fahrzeug etwa 1 TB an Daten pro Stunde generieren, so dass das Mobilfunknetz bereit sein muss, diese Daten zu übertragen.

Wie man Exabyte an Daten verarbeiten und speichern kann

Nicht alle Datentypen erfordern eine sofortige Verarbeitung, und der Bordcomputer hat begrenzte Leistungs- und Speicherkapazitäten. Daher sollten Daten, die “warten” können, angesammelt und in peripheren Rechenzentren analysiert werden, während einige der Daten in die Cloud migrieren und dort verarbeitet werden.

Es ist die Verantwortung der Stadtregierungen 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 Architekten von Smart-Citys experimentieren bereits mit Machine-Learning-Algorithmen, die Verkehrsdaten effizienter analysieren, um schnell Schlaglöcher in der Straße zu identifizieren, den Verkehr zu regulieren und sofort auf Unfälle zu reagieren. Aus globaler Sicht liefern Machine-Learning-Algorithmen Empfehlungen für die Verbesserung der städtischen Infrastruktur.

Um das vollständig autonome Fahren in unser Leben einzuführen, ist es notwendig, das Problem der Verarbeitung und Speicherung von großen Datenmengen zu lösen. Jedes unbemannte Fahrzeug kann jeden Tag bis zu 20 TB an Daten generieren. Nur ein Auto! In Zukunft kann dies zu Exabyte an Daten pro Tag führen. Um diese Daten zu speichern, benötigt man eine leistungsstarke, flexible, sichere und zuverlässige Edge-Infrastruktur. Es gibt auch das Problem der effizienten Datenverarbeitung.

Damit der Bordcomputer in Echtzeit Entscheidungen treffen kann, benötigt er die aktuellsten Informationen über die Umgebung. Alte Daten, wie z. B. Informationen über die Position des Autos und die Geschwindigkeit vor einer Stunde, sind normalerweise nicht mehr benötigt. Diese Daten sind jedoch nützlich für die weitere Verbesserung der Algorithmen des autonomen Fahrens.

Entwickler von künstlicher Intelligenz müssen große Mengen an Daten erhalten, um Deep-Learning-Netzwerke zu trainieren: Objekte und ihre Bewegung durch Kameras, Lidar-Informationen und optimale Kombination von Informationen über die Umgebung und Infrastruktur, um Entscheidungen zu treffen. Für Straßenverkehrssicherheitsexperten sind die Daten, die von Autos sofort vor Unfällen oder gefährlichen Situationen auf der Straße gesammelt werden, von entscheidender Bedeutung.

Wenn Daten von selbstfahrenden Autos gesammelt und an periphere Rechenzentren übertragen werden, nach denen sie in die Cloud-Speicherung migrieren, wird die Verwendung einer optimierten und gestuften Daten-Speicher-Architektur immer relevanter. Frische Daten müssen sofort analysiert werden, um Machine-Learning-Modelle zu verbessern. Eine hohe Durchsatzleistung und geringe Latenz sind hier erforderlich. SSDs und hohe Kapazitäten HAMR-Laufwerke mit Unterstützung für Multi-Laufwerk-Technologien sind für diesen Zweck am besten geeignet.

Nachdem die Daten die anfängliche Analysephase durchlaufen haben, müssen sie effizienter gespeichert werden: auf hohe Kapazitäten, aber kostengünstige traditionelle Nearline-Speicher. Diese Speicher-Server sind gut geeignet, wenn die Daten in Zukunft benötigt werden. Alte Daten, die unwahrscheinlich benötigt werden, aber aus anderen Gründen aufbewahrt werden müssen, können auf das Archivierungsniveau verschoben werden.

Daten werden zunehmend am Rand verarbeitet und analysiert, was das Zeitalter von Industry 4.0 einläutet, das unsere Art und Weise, wie wir Daten nutzen, verändert. Edge-Computing ermöglicht es, Daten nahe der Stelle zu verarbeiten, an der sie gesammelt werden, anstatt auf einem herkömmlichen Cloud-Server, was es ermöglicht, sie viel schneller zu analysieren und sofort auf sich ändernde Situationen zu reagieren. Ein Hochgeschwindigkeitsnetz des Informationsaustauschs zwischen Autos und peripheren Rechenzentren wird dazu beitragen, das autonome Fahren sicherer und zuverlässiger zu machen.

Schlussfolgerung

Hoffentlich hat diese Analyse ein wenig Licht auf die Bedeutung von Daten im Bereich des autonomen Fahrens geworfen. Die Massenadoption von unbemannten Fahrzeugen beinhaltet die Sammlung von großen Mengen an Daten, die nicht nur vom Bordcomputer, sondern auch von Edge-Servern und der Cloud verarbeitet werden müssen. Die Datenverarbeitungs-Infrastruktur sollte im Voraus bereit sein.

Wenn die Verbreitung von 5G voranschreitet, werden selbstfahrende Autos immer mehr Daten generieren, die dann analysiert und genutzt werden, um Smart-Citys Realität werden zu lassen. Das Erreichen dieses Ziels wird nicht sehr einfach sein, aber letztendlich werden wir ein neues Kapitel in der Geschichte eines so beliebten Verkehrsmittels wie dem Auto aufschlagen.

Selbstfahrende Autos sind an der Spitze von künstlicher Intelligenz-Technologien, Kommunikation und Daten-Speicherung. Um das Niveau des vollständig autonomen Fahrens zu erreichen, ist es notwendig, diese Technologien weiterzuentwickeln und zu verbessern.