Προβλήματα Αυτόνομων Οχημάτων και Πώς Να Τα Λύσουμε – Ηγετικά Πρόσωπα

Τα αυτόνομα οχήματα απαιτούν περισσότερα από απλή τεχνητή νοημοσύνη. Ένα αυτοκινούμενο όχημα λαμβάνει δεδομένα από διάφορες πηγές, όπως σόναρ, κάμερες, ραντάρ, GPS και λίδαρ, επιτρέποντάς του να πλοηγείται σε οποιοδήποτε περιβάλλον. Οι πληροφορίες από αυτά τα συσκευές πρέπει να επεξεργαστούν γρήγορα, και τα δεδομένα είναι τεράστια.

Οι πληροφορίες από τους αισθητήρες δεν επεξεργάζονται μόνο από τον υπολογιστή του οχήματος σε πραγματικό χρόνο. Κάποια δεδομένα αποστέλλονται σε περιφερειακά κέντρα δεδομένων για περαιτέρω ανάλυση. Και στη συνέχεια, μέσω μιας σύνθετης ιεραρχίας, ανακατευθύνονται σε διάφορους νεφώσεις.

Η τεχνητή νοημοσύνη που διαθέτει το όχημα είναι κρίσιμη, αλλά και οι επεξεργαστικές ικανότητες των ενσωματωμένων υπολογιστών, των περιφερειακών διακομιστών και του νεφώματος. Η ταχύτητα αποστολής και λήψης δεδομένων από το όχημα, μαζί με την χαμηλή καθυστέρηση, είναι επίσης πολύ σημαντική.

Πρόβλημα Όγκου Δεδομένων

Ακόμη και τα κανονικά οχήματα, με οδηγό πίσω από το τιμόνι, παράγουν όλο και περισσότερα δεδομένα. Τα αυτόνομα οχήματα μπορούν να παράγουν περίπου 1TB δεδομένων ανά ώρα. Αυτό το ποσό δεδομένων είναι απλά γιγαντιαίο. Και αντιπροσωπεύει ένα από τα εμπόδια για τη μαζική υιοθέτηση της αυτόνομης οδήγησης.

Δυστυχώς, όλα τα δεδομένα ενός αυτοκινούμενου οχήματος δεν μπορούν να επεξεργαστούν στο νεφώμα ή στα περιφερειακά κέντρα δεδομένων, καθώς αυτό εισάγει πολύ καθυστέρηση. Ακόμη και μια καθυστέρηση 100 ms μπορεί να κάνει τη διαφορά μεταξύ της ζωής ή του θανάτου ενός επιβατικού ή πεζού. Το όχημα πρέπει να ανταποκριθεί στις αναδυόμενες περιστάσεις όσο το δυνατόν γρηγορότερα.

Για να μειώσετε την καθυστέρηση μεταξύ λήψης πληροφοριών και ανταπόκρισης σε αυτές, μέρος των πληροφοριών αναλύεται από τον ενσωματωμένο υπολογιστή. Για παράδειγμα, τα νέα μοντέλα Jeep είναι εξοπλισμένα με έναν ενσωματωμένο υπολογιστή με 25-50 πυρήνες επεξεργασίας που εξυπηρετεί τον έλεγχο ταχύτητας, τον έλεγχο τυφλών σημείων, τον έλεγχο εμποδίων, την αυτόματη φρένα, κ.λπ. Οι κόμβοι του οχήματος επικοινωνούν μεταξύ τους μέσω ενός εσωτερικού δικτύου. Αυτό cũng ταιριάζει στην έννοια της περιφερειακής επεξεργασίας εάν θεωρήσουμε τον ενσωματωμένο υπολογιστή ως περιφερειακό κόμβο του δικτύου. Ως αποτέλεσμα, τα αυτόνομα οχήματα αποτελούν ένα σύνθετο υβριδικό δίκτυο που συνδυάζει κεντρικά κέντρα δεδομένων, νεφώσεις και πολλά περιφερειακά σημεία. Τα τελευταία βρίσκονται όχι μόνο στα οχήματα, αλλά και σε σηματοδότες, σταθμούς ελέγχου, σταθμούς φόρτισης, κ.λπ.

Τα сервер και τα κέντρα δεδομένων εκτός του οχήματος παρέχουν όλες τις δυνατές βοήθειες για την αυτόνομη οδήγηση. Επιτρέπουν στο όχημα να “βλέπει” πέρα από την εμβέλεια των αισθητήρων του, να συντονίζει τη φόρτωση στο δίκτυο οδών και να βοηθά στην λήψη βέλτιστων αποφάσεων.

Αλληλεπίδραση Με Άλλα και Υποδομή

Το GPS και τα συστήματα υπολογιστικής όρασης παρέχουν στα αυτόνομα οχήματα πληροφορίες για τη θέση και το άμεσο περιβάλλον τους. Ωστόσο, η εμβέλεια του υπολογισμένου περιβάλλοντος αυξάνεται συνεχώς. Παρόλα αυτά, ένα όχημα μπορεί να συλλέξει μόνο một περιορισμένο ποσό πληροφοριών. Έτσι, η ανταλλαγή δεδομένων είναι απόλυτα απαραίτητη. Ως αποτέλεσμα, κάθε όχημα μπορεί να αναλύσει καλύτερα τις συνθήκες οδήγησης με βάση το μεγαλύτερο σύνολο δεδομένων που συλλέγονται από τον στόλο αυτόνομων οχημάτων. Τα συστήματα επικοινωνίας οχήματος-με-όχημα (V2V) βασίζονται σε δίκτυα πλέγματος που δημιουργούνται από οχήματα στην ίδια γεωγραφική περιοχή. Η V2V χρησιμοποιείται για την ανταλλαγή πληροφοριών και την αποστολή σημάτων σε άλλα οχήματα, όπως προειδοποιήσεις απόστασης.

Τα δίκτυα V2V μπορούν να επεκταθούν για να μοιράζονται πληροφορίες με την υποδομή κυκλοφορίας, όπως τους σηματοδότες. Είναι ήδη κατάλληλο να μιλάμε για επικοινωνία οχήματος-υποδομής (V2I) εδώ. Οι προδιαγραφές V2I συνεχίζουν να εξελίσσονται. στις Ηνωμένες Πολιτείες, η Ομοσπονδιακή Υπηρεσία Οδών (FHWA) εκδίδει τακτικά διάφορες οδηγούς και εκθέσεις V2I για να βοηθήσει στην βελτίωση της τεχνολογίας. Τα οφέλη της V2I εκτείνονται πολύ πέρα από την ασφάλεια. Εκτός από την ενίσχυση της ασφάλειας, η τεχνολογία οχήματος-υποδομής παρέχει πλεονεκτήματα σε όρους κινητικότητας και αλληλεπίδρασης με το περιβάλλον.

Οι οδηγοί που πηγαίνουν την ίδια διαδρομή κάθε μέρα θυμάται όλα τα λάκκους στο δρόμο. Τα αυτόνομα οχήματα είναι επίσης συνεχώς στην διαδικασία μάθησης. Τα αυτόνομα οχήματα θα ανεβάσουν τις διαθέσιμες χρήσιμες πληροφορίες σε περιφερειακά κέντρα δεδομένων, για παράδειγμα, ενσωματωμένα σε σταθμούς φόρτισης. Οι σταθμοί φόρτισης θα βασιστούν σε αλγόριθμους τεχνητής νοημοσύνης που θα βοηθήσουν στην ανάλυση των δεδομένων που λαμβάνονται από τα οχήματα και θα προτείνουν πιθανές λύσεις. Μέσω του νεφώματος, αυτά τα δεδομένα θα μεταδοθούν σε άλλα αυτόνομα οχήματα στο κοινό δίκτυο.

Εάν αυτό το μοντέλο ανταλλαγής δεδομένων μεταξύ όλων των αυτόνομων οχημάτων πραγματοποιηθεί πραγματικά σε quelques χρόνια, τότε μπορούμε να περιμένουμε εξαβایت (εκατομμύρια τεράμπαϊτ) δεδομένων ανά ημέρα. Σύμφωνα με διάφορες εκτιμήσεις, από εκατοντάδες χιλιάδες έως δεκάδες εκατομμύρια αυτόνομα οχήματα μπορεί να εμφανιστούν στους δρόμους μέχρι τότε.

Το 5G ως το Κλειδί της Επιτυχίας

Όπως αναφέρθηκε παραπάνω, τα αυτόνομα οχήματα μπορούν να λαμβάνουν πληροφορίες για πεζούς και ποδηλάτες όχι μόνο από τους αισθητήρες τους, αλλά και μέσω της ανταλλαγής δεδομένων με άλλα οχήματα, σηματοδότες και άλλη αστική υποδομή.

Υπάρχουν ήδη διάφορα πρότζεκτ 5G για συνδεμένα οχήματα. Τα οχήματα χρησιμοποιούν το δίκτυο 5G του φορέα κινητής τηλεφωνίας και την τεχνολογία C-V2X (Κυτταρικό Όχημα-με-Όλα) για επικοινωνία με άλλα οχήματα, ποδηλάτες και ακόμη και σηματοδότες. Οι τελευταίοι είναι εξοπλισμένοι με θερμικές εικόνες που ανιχνεύουν πεζούς που προσεγγίζουν το πέρασμα; ως αποτέλεσμα, μια προειδοποίηση εμφανίζεται στην οθόνη του οχήματος. Οι συνδεδεμένοι ποδηλάτες ενημερώνονται για τη θέση τους, το οποίο προλαμβάνει επικίνδυνες καταστάσεις. Σε περίπτωση κακής ορατότητας, τα σταθμευμένα οχήματα ενεργοποιούν αυτόματα τα φλας, ενημερώνοντας όλα τα οχήματα που προσεγγίζουν για τη θέση τους.

Οι ικανότητες των мобιλών δικτύων 5G έρχονται σε χέρι εδώ. Παρέχουν γρήγορες ταχύτητες, πολύ χαμηλή καθυστέρηση και την ικανότητα να υποστηρίζουν ένα μεγάλο αριθμό ταυτόχρονων συνδέσεων. Τα αυτόνομα οχήματα χωρίς τέτοιες ικανότητες επεξεργασίας δεδομένων δεν θα είναι σε θέση να εκτελέσουν πολλές εργασίες γρηγορότερα από ένα άτομο. Για παράδειγμα, για να καθορίσουν την εμφάνιση ενός πεζού στο πλησιέστερο πέρασμα. Επιπλέον, οι καθυστερήσεις πρέπει να είναι ελάχιστες, поскольку ακόμη και μια κλάσμα του δευτερολέπτου καθυστέρηση μπορεί να οδηγήσει σε ατύχημα.

Οι μεγάλες αυτοκινητοβιομηχανίες όπως η BMW, η Daimler, η Hyundai, η Ford και η Toyota έχουν ήδη ενσωματώσει την τεχνολογία 5G στα προϊόντα τους. Δισεκατομμύρια δολάρια έχουν ήδη δαπανηθεί από τους φορείς κινητής τηλεφωνίας για την κατασκευή δικτύων 5G. Έτσι, είναι η σωστή στιγμή να δώσουμε στα οχήματα ένα σύνολο δεξιοτήτων που θα είναι χρήσιμες στην καθημερινή λειτουργία.

Όλες οι πειραματικές εργασίες με αυτόνομα οχήματα 5G θα σταματήσουν αν δεν υπάρχει υποδομή 5G. Πάλι, ένα αυτόνομο όχημα μπορεί να παράγει 1TB δεδομένων ανά ώρα, οπότε το δίκτυο κινητής τηλεφωνίας πρέπει να είναι έτοιμο να μεταφέρει αυτά τα δεδομένα.

Πώς Να Επεξεργαστείτε και Να Αποθηκεύσετε Εξαβایت Δεδομένων

Δεν όλα τα είδη δεδομένων απαιτούν άμεση επεξεργασία, και ο ενσωματωμένος υπολογιστής έχει περιορισμένες επιδόσεις και δυνατότητες αποθήκευσης. Έτσι, τα δεδομένα που μπορούν να “περιμένουν” πρέπει να συλλεχθούν και να αναλυθούν σε περιφερειακά κέντρα δεδομένων, ενώ κάποια από τα δεδομένα θα μεταφερθούν στο νεφώμα και θα επεξεργαστούν εκεί.

Είναι η ευθύνη των τοπικών κυβερνήσεων και των αυτοκινητοβιομηχανιών να συλλέγουν, να επεξεργάζονται, να μεταφέρουν, να προστατεύουν και να αναλύουν δεδομένα για κάθε όχημα, συμφόρηση, πεζό, ή λάκκο. Κάποιοι αρχιτέκτονες έξυπνων πόλεων πειραματίζονται ήδη με αλγόριθμους μηχανικής μάθησης που αναλύουν δεδομένα κυκλοφορίας πιο αποτελεσματικά για να αναγνωρίσουν γρήγορα λάκκους στο δρόμο, να ρυθμίσουν την κυκλοφορία και να ανταποκριθούν άμεσα σε ατυχήματα. Από μια παγκόσμια προοπτική, οι αλγόριθμοι μηχανικής μάθησης παρέχουν συστάσεις για τη βελτίωση της αστικής υποδομής.

Για να εισαγάγουμε πλήρως αυτόνομες οδηγούς στη ζωή μας, είναι απαραίτητο να λυθεί το πρόβλημα της επεξεργασίας και αποθήκευσης τεράστιων ποσοτήτων δεδομένων. Κάθε μέρα, ένα αυτόνομο όχημα μπορεί να παράγει μέχρι 20 TB δεδομένων. Μόνο ένα όχημα! Στο μέλλον, αυτό μπορεί να οδηγήσει σε εξαβایت δεδομένων που παράγονται σε μια ημέρα. Για να αποθηκεύσετε αυτά τα δεδομένα, χρειάζεστε μια υψηλής απόδοσης, ευέλικτη, ασφαλή και αξιόπιστη υποδομή περιφέρειας. Υπάρχει επίσης το πρόβλημα της αποτελεσματικής επεξεργασίας δεδομένων.

Για τον ενσωματωμένο υπολογιστή να λάβει αποφάσεις σε πραγματικό χρόνο, χρειάζεται τις πιο πρόσφατες πληροφορίες για το περιβάλλον. Παλιά δεδομένα, όπως πληροφορίες για τη θέση του οχήματος και την ταχύτητα πριν από μια ώρα, δεν χρειάζονται πλέον. Ωστόσο, αυτά τα δεδομένα είναι χρήσιμα για τη μελλοντική βελτίωση των αλγορίθμων αυτόνομης οδήγησης.

Οι dévelopers των συστημάτων τεχνητής νοημοσύνης πρέπει να λαμβάνουν μεγάλες ποσότητες δεδομένων για να εκπαιδεύσουν τα δίκτυα βαθιάς μάθησης: να αναγνωρίσουν αντικείμενα και την κίνησή τους μέσω καμερών, πληροφορίες λίδαρ και να συνδυάσουν οπτικά τις πληροφορίες για το περιβάλλον και την υποδομή για να λάβουν αποφάσεις. Για τους ειδικούς ασφάλειας οδών, τα δεδομένα που συλλέγονται από τα οχήματα αμέσως πριν από ατυχήματα ή επικίνδυνες καταστάσεις στο δρόμο είναι ζωτικά.

Όσο τα δεδομένα συλλέγονται από τα αυτόνομα οχήματα και μεταφέρονται από αυτά σε περιφερειακά κέντρα δεδομένων, μετά από τα οποία μεταναστεύουν σε αποθήκευση νεφώματος, το ζήτημα της χρήσης μιας βελτιωμένης και ιεραρχικής αρχιτεκτονικής αποθήκευσης δεδομένων γίνεται όλο και πιο σχετικό. Τα νέα δεδομένα πρέπει να αναλυθούν αμέσως για να βελτιωθούν τα μοντέλα μηχανικής μάθησης. Απαιτούνται υψηλή пропύργωση και χαμηλή καθυστέρηση. Οι SSD και δίσκοι υψηλής ικανότητας HAMR με υποστήριξη τεχνολογιών πολλαπλών οδηγών είναι οι καλύτεροι για αυτόν τον σκοπό.

Μετά την ολοκλήρωση της αρχικής φάσης ανάλυσης, τα δεδομένα πρέπει να αποθηκευτούν πιο αποτελεσματικά: σε υψηλής ικανότητας αλλά χαμηλού κόστους παραδοσιακή αποθήκευση nearline. Αυτά τα διακομιστές αποθήκευσης είναι κατάλληλοι εάν τα δεδομένα μπορεί να χρειαστούν στο μέλλον. Παλιά δεδομένα που είναι απίθανο να χρειαστούν, αλλά πρέπει να διατηρηθούν για κάποιον άλλο λόγο, μπορούν να μεταφερθούν στο επίπεδο αρχειοθέτησης.

Τα δεδομένα θα επεξεργάζονται και θα αναλύονται όλο και περισσότερο στην περιφέρεια, εισάγοντας την εποχή της Βιομηχανίας 4.0, η οποία αλλάζει τον τρόπο που χρησιμοποιούμε τα δεδομένα. Η επεξεργασία στην περιφέρεια θα επιτρέψει στα δεδομένα να επεξεργάζονται κοντά στο σημείο όπου συλλέγονται, αντί για ένα παραδοσιακό διακομιστή νεφώματος, επιτρέποντας να αναλυθούν πολύ γρηγορότερα, ανταποκρινόμενα αμέσως στις μεταβαλλόμενες καταστάσεις. Ένα δίκτυο υψηλής ταχύτητας ανταλλαγής πληροφοριών μεταξύ οχημάτων και περιφερειακών κέντρων δεδομένων θα βοηθήσει να κάνει την αυτόνομη οδήγηση ασφαλέστερη και πιο αξιόπιστη.

Συμπέρασμα

Ελπίζουμε ότι αυτή η ανάλυση έχει ρίξει κάποιο φως στην_importance των δεδομένων στον τομέα της αυτόνομης οδήγησης. Η μαζική υιοθέτηση των αυτόνομων οχημάτων περιλαμβάνει τη συλλογή πολλών δεδομένων που πρέπει να επεξεργαστούν όχι μόνο από τον ενσωματωμένο υπολογιστή, αλλά και από τους διακομιστές περιφέρειας και το νεφώμα. Η υποδομή επεξεργασίας δεδομένων πρέπει να είναι έτοιμη από πριν.

Όσο η υιοθέτηση του 5G εξαπλώνεται, τα αυτόνομα οχήματα θα αρχίσουν να παράγουν όλο και περισσότερα δεδομένα, τα οποία θα αναλυθούν και θα χρησιμοποιηθούν για να κάνουν τις έξυπνες πόλεις πραγματικότητα. Η επίτευξη αυτού του στόχου δεν θα είναι πολύ εύκολη, αλλά στο τέλος, θα ανοίξουμε ένα νέο κεφάλαιο στην ιστορία ενός τόσο δημοφιλούς μέσου μεταφοράς όπως το αυτοκίνητο.

Τα αυτόνομα οχήματα είναι στην πρώτη γραμμή των τεχνολογιών τεχνητής νοημοσύνης, επικοινωνιών και αποθήκευσης δεδομένων. Για να φθάσουμε στο επίπεδο της πλήρως αυτόνομης οδήγησης, είναι απαραίτητο να συνεχίσουμε την ανάπτυξη και τη βελτίωση αυτών των τεχνολογιών.