AI-mallit ja alustat

Itseohjautuvien ajoneuvojen ongelmat ja niiden ratkaiseminen – asiantuntijanäkökulma

Alex Vakulov
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatItseajavat autot tuottavat 1 TB dataa tunnissa, mikä edellyttää hybridiä…
Näytä lisää
  • Itseajavat autot tuottavat 1 TB dataa tunnissa, mikä edellyttää hybridiä reuna-pilviprosessointia.
  • G-verkot yhdistettynä C-V2X-teknologiaan mahdollistavat reaaliaikaisen ajoneuvojen välisen viestinnän turvallisuuden takaamiseksi.
  • Päivittäiset eksatavut dataa vaativat porrastettua tallennusta, jossa SSD-levyt tuoretta analyysiä varten ja lähes reaaliaikainen tallennus arkistoja varten.

Itseohjautuvat ajoneuvot vaativat enemmän kuin pelkkää yksinkertaista tekoälyä. Itseohjautuva auto vastaanottaa tietoa eri lähteistä, kuten sonareista, kameroista, tutkista, GPS:stä ja lidareista, mikä mahdollistaa sen navigoinnin missä tahansa ympäristössä. Näiden laitteiden tietoja on käsiteltävä nopeasti, ja tietomäärät ovat valtavat.

Antureiden tietoja ei käsitellä ainoastaan auton tietokoneella reaaliajassa. Osa tiedoista lähetetään reunaverkon datakeskuksiin tarkempaa analyysia varten. Sieltä ne ohjataan monimutkaisen hierarkian kautta erilaisiin pilvipalveluihin.

Itseohjautuvan ajoneuvon tekoäly on tärkeää, mutta myös ajoneuvon tietokoneen prosessointikapasiteetti, reunapalvelimet ja pilvi. Tiedonsiirron nopeus ja matala viive ovat myös erittäin tärkeitä.

Tietomäärän ongelma

Jopa tavalliset autot, joissa on kuljettaja ratissa, tuottavat yhä enemmän tietoa. Itseohjautuvat autot voivat tuottaa noin 1 teratavun tietoa tunnissa. Tämä tietomäärä on yksinkertaisesti valtava. Se on yksi itseohjautuvan ajamisen laajamittaisen käyttöönoton esteistä.

Valitettavasti itseohjautuvan auton kaikkia tietoja ei voida käsitellä pilvessä tai reunaverkon datakeskuksissa, koska se aiheuttaa liian suuren viiveen. Jopa 100 millisekunnin viive voi olla ero matkustajan tai jalankulkijan elämän ja kuoleman välillä. Auton on vastattava mahdollisimman nopeasti uusiin olosuhteisiin.

Viiveen vähentämiseksi tietojen vastaanottamisen ja niihin reagoinnin välillä, osa tiedoista analysoidaan auton tietokoneella. Esimerkiksi uudet Jeep-mallit on varustettu tietokoneella, jossa on 25-50 prosessoriydintä, joka palvelee vakionopeudensäädintä, sokean kulman varoitusjärjestelmää, esteen varoitusjärjestelmää, automaattista jarrutusjärjestelmää jne. Ajoneuvon solmut viestivät toisiinsa sisäisen verkon kautta. Tämä sopii myös reunalaskennan käsitteeseen, jos auton tietokonetta pidetään verkon reunasolmuna. Tämän seurauksena itseohjautuvat ajoneuvot muodostavat monimutkaisen hybridi-verkon, joka yhdistää keskitetyt tietokeskukset, pilven ja monia reunasolmuja. Näitä on autojen lisäksi myös liikennevaloissa, valvontapisteissä, latausasemilla ja muualla.

Nämä palvelimet ja tietokeskukset auton ulkopuolella tarjoavat kaiken mahdollisen avun itseohjautuvaan ajoon. Ne mahdollistavat auton “näkemisen” anturien kantaman ulkopuolelle, koordinoivat liikenteen kuormitusta ja auttavat tekemään optimaalisia päätöksiä.

Ajoneuvojen keskinäinen vuorovaikutus ja yhteydet infrastruktuuriin

GPS ja konenäköjärjestelmät tarjoavat itseohjautuville autoille tietoa niiden sijainnista ja lähialueista. Kuitenkin laskennallisen ympäristön kantama on jatkuvasti kasvamassa. Kuitenkin yksi auto voi kerätä vain rajoitetun määrän tietoa. Siksi tietojen vaihto on ehdottoman välttämätöntä. Tämän seurauksena jokainen ajoneuvo voi paremmin analysoida ajo-olosuhteita perustuen suurempaan tietojoukkoon, joka on kerätty itseohjautuvien ajoneuvojen laivastosta. Ajoneuvo-ajoneuvo (V2V) -viestintäjärjestelmät perustuvat mesh-verkkoihin, jota ajoneuvot muodostavat samalla alueella. V2V:tä käytetään tietojen vaihtamiseen ja signaaleiden lähettämiseen muihin ajoneuvoihin, kuten etäisyysvaroituksiin.

V2V-verkkoja voidaan laajentaa tietojen jakamiseksi liikenteen infrastruktuurin kanssa, kuten liikennevalojen kanssa. On jo aiheellista puhua V2I (ajoneuvo-infrastruktuuri) -viestinnästä. V2I-standardeja kehitetään jatkuvasti. Yhdysvalloissa Liittovaltion maantiehallinto (FHWA) julkaisee säännöllisesti eri V2I-oppaita ja raportteja parantamaan teknologiaa. V2I:n hyödyt ulottuvat turvallisuuden lisäksi liikkuvuuteen ja ympäristön vuorovaikutukseen.

Kuljettajat, jotka ajavat samaa reittiä joka päivä, muistavat kaikki tien kuopat. Itseohjautuvat autot ovat myös jatkuvasti oppimassa. Itseohjautuvat autot lataavat saatavilla olevan hyödyllisen tiedon reunaverkon datakeskuksiin, esimerkiksi latausasemilla. Latausasemat turvautuvat tekoälyalgoritmeihin, jotka auttavat analysoimaan autolta saatavaa tietoa ja tarjoamaan mahdollisia ratkaisuja. Pilven kautta tämä tieto välitetään muihin itseohjautuviin ajoneuvoihin yhteisverkossa.

Jos tämä itseohjautuvien autojen välisen tietojen vaihdon malli todella toteutuu muutamassa vuodessa, voimme odottaa, että tuotetaan eksatavuja (miljoonia teratavuja) tietoa päivässä. Erilaisten arvioiden mukaan satoja tuhansia tai kymmeniä miljoonia itseohjautuvia autoja voi ilmestyä teille tuona aikana.

5G avain menestykseen

Kuten mainittiin aiemmin, itseohjautuvat autot voivat vastaanottaa tietoa jalankulkijoista ja pyöräilijöistä ei ainoastaan antureistaan, vaan myös tietojen vaihdosta muiden autojen, liikennevalojen ja muun kaupunki-infrastruktuurin kanssa.

Useita 5G-yhteydellä varustettuja autohankkeita on jo olemassa. Autot käyttävät matkapuhelinoperaattorin 5G-verkkoa ja C-V2X (Cellular Vehicle-to-Everything) -tekniikkaa viestimään muiden autojen, pyöräilijöiden ja jopa liikennevalojen kanssa. Liikennevalot on varustettu lämpökameroilla, jotka havaitsevat suojatietä lähestyvät jalankulkijat; seurauksena on varoitus auton näytöllä. Yhteydessä olevat pyöräilijät saavat tietoa olinpaikastaan, mikä estää vaarallisia tilanteita. Huonon näkyvyyden tapauksessa pysäköidyt autot kytkevät automaattisesti hätävilkut, jotka ilmoittavat kaikille lähestyville autoille niiden sijainnista.

5G-matkapuhelinverkkojen ominaisuudet tulevat tässä hyvin käyttöön. Ne tarjoavat suuren tiedonsiirtonopeuden, erittäin matalan viiveen ja mahdollisuuden tukea suurta määrää samanaikaisia yhteyksiä. Itseohjautuvat autot ilman tällaisia tietojen käsittelyominaisuuksia eivät pysty suorittamaan monia tehtäviä nopeammin kuin ihminen. Esimerkiksi jalankulkijan havaitseminen lähimmällä suojatiellä. Lisäksi viiveiden on oltava mahdollisimman pieniä, koska jopa sekunnin murto-osan viive voi johtaa onnettomuuteen.

Suuret autonvalmistajat, kuten BMW, Daimler, Hyundai, Ford ja Toyota, ovat jo integroineet 5G-tekniikan tuotteisiinsa. Miljardeja dollareita on jo käytetty matkapuhelinoperaattorien 5G-verkkojen rakentamiseen. On siis oikea aika antaa ajoneuvoille joukko taitoja, jotka ovat hyödyllisiä päivittäisessä toiminnassa.

Kaikki kokeilut 5G-yhteydellä varustetuilla itseohjautuvilla autoilla tulevat tyrehtymään, jos 5G-infrastruktuuria ei ole paikalla. Taas itseohjautuva ajoneuvo voi tuottaa 1 teratavun tietoa tunnissa, joten matkapuhelinverkon on oltava valmis siirtämään tätä tietoa.

Tietojen käsittely ja tallennus eksatavuissa

Kaikki tietotyypit eivät vaadi välitöntä käsittelyä, ja auton tietokoneella on rajoitettu suorituskyky ja tallennuskapasiteetti. Siksi tiedot, jotka “voivat odottaa”, on kerättävä ja analysoitava reunaverkon datakeskuksissa, kun taas osa tietoa siirretään pilveen ja käsitellään siellä.

On kaupunkien hallitusten ja autonvalmistajien vastuulla kerätä, käsitellä, siirtää, suojella ja analysoida tietoa jokaisesta autosta, liikenteen ruuhkautumisesta, jalankulkijasta, kuopasta. Jotkut älykaupunkien arkkitehdit ovat jo kokeilemassa koneoppimisalgoritmeja, jotka analysoivat liikennetietoja tehokkaammin, jotta kuopat havaitaan nopeasti, liikennettä voidaan säädellä ja onnettomuuksiin reagoida välittömästi. Globaalista näkökulmasta koneoppimisalgoritmit tarjoavat suosituksia kaupunkien infrastruktuurin parantamiseksi.

Jotta täysin itseohjautuvaa ajoa voisi ottaa käyttöön, on ratkaistava tietojen käsittely- ja tallennusongelma. Jokainen itseohjautuva ajoneuvo voi tuottaa jopa 20 teratavua tietoa päivässä. Vain yksi auto! Tulevaisuudessa se voi johtaa eksatavuihin tietoa päivässä. Tämän tiedon tallentamiseksi tarvitaan suorituskykyinen, joustava, turvallinen ja luotettava reunalaskentainfrastruktuuri. On myös ongelma tietojen tehokkaasta käsittelystä.

Jotta auton tietokone voi tehdä päätöksiä reaaliajassa, se tarvitsee tuoreimmat tiedot ympäristöstä. Vanhat tiedot, kuten tieto auton sijainnista ja nopeudesta tuntia sitten, eivät yleensä ole enää tarpeen. Kuitenkin nämä tiedot ovat hyödyllisiä itseohjautuvan ajamisen algoritmien kehittämiseen.

Tekoälyjärjestelmien kehittäjät tarvitsevat suuria tietomääriä syväoppimisverkkojen kouluttamiseen: kohteiden ja niiden liikkeen tunnistamiseen kameroiden ja lidar-tietojen avulla sekä ympäristöä ja infrastruktuuria koskevien tietojen optimaaliseen yhdistämiseen päätöksentekoa varten. Liikenneturvallisuuden asiantuntijoille on elintärkeää saada tiedot, joita autot keräävät välittömästi ennen onnettomuuksia tai vaaratilanteita.

Kun itseohjautuvat autot keräävät tietoa ja siirtävät sitä reunaverkon datakeskuksiin, josta se siirtyy pilveen, tietojen tallennusarkkitehtuurin optimointi ja kerroksellisuus tulevat yhä tärkeämmäksi. Tuoreet tiedot on analysoitava välittömästi koneoppimismallien parantamiseksi. Korkea läpäisykyky ja matala viive vaaditaan tässä. SSD-levyt ja korkeakapasiteettiset HAMR-levyt usean aseman tekniikoiden tuella soveltuvat parhaiten tähän tarkoitukseen.

Kun tiedot on käyty läpi alustavassa analyysivaiheessa, ne on tallennettava taloudellisemmin: korkeakapasiteettisilla, mutta edullisilla perinteisillä nearline-tallennusjärjestelmillä. Nämä tallennuspalvelimet soveltuvat hyvin, jos tietoja saattaa tarvita myöhemmin. Vanhat tiedot, joita ei todennäköisesti tarvita, mutta jotka on säilytettävä jonkin muun syyn vuoksi, voidaan siirtää arkistotasolle.

Tietoja käsitellään yhä enemmän reunassa, mikä merkitsee teollisuuden 4.0 aikakauden alkamista, joka muuttaa tietojen käyttötapaamme. Reunalaskenta mahdollistaa tietojen käsittelyn lähellä sitä, missä ne kerätään, sen sijaan, että ne lähetettäisiin perinteiseen pilvipalvelimeen, mikä mahdollistaa niiden nopeamman analyysin ja välittömän reagoinnin muuttuviin tilanteisiin. Nopea tietojenvaihtoverkko auton ja reunaverkon datakeskuksen välillä auttaa tekemään itseohjautuvasta ajamisesta turvallisempaa ja luotettavampaa.

Johtopäätös

Toivottavasti tämä analyysi on antanut jotain valaistusta siitä, kuinka tärkeitä tiedot ovat itseohjautuvassa ajamisessa. Itseohjautuvien ajoneuvojen laajamittainen käyttöönotto edellyttää suurten tietomäärien keräämistä ja käsittelyä paitsi auton tietokoneella myös reunapalvelimilla ja pilvessä. Tietojen käsittelyinfrastruktuurin on oltava valmis etukäteen.

Kun 5G:n käyttö yleistyy, itseohjautuvat autot alkavat tuottaa yhä enemmän tietoa, jota voidaan analysoida ja käyttää älykaupunkien luomiseen. Tämän tavoitteen saavuttaminen ei ole helppoa, mutta lopulta avaamme uuden luvun suositun liikennevälineen, auton, historiassa. Itseohjautuvat autot ovat tekoälytekniikoiden, viestintä- ja tietovarastojen edelläkävijöitä. Täysin itseohjautuvan ajamisen saavuttamiseksi on jatkettava näiden teknologioiden kehittämistä ja parantamista.

Alex on kyberturvallisuuden tutkija, jolla on yli 20 vuoden kokemus haittaohjelmien analyysistä. Hänellä on vahvat taidot haittaohjelmien poistamiseen, ja hän kirjoittaa useille turvallisuuteen liittyville julkaisuille jakamaan turvallisuuskokemustaan.