Problèmes des véhicules de plongée autonome et comment les résoudre – Leaders de pensée

Les véhicules autonomes nécessitent plus que une simple intelligence artificielle. Une voiture autonome reçoit des données de diverses sources telles que des sonars, des caméras, des radars, des GPS et des lidars, ce qui lui permet de naviguer dans n’importe quel environnement. Les informations de ces appareils doivent être traitées rapidement, et les volumes de données sont massifs.

Les informations des capteurs sont traitées non seulement par l’ordinateur de la voiture en temps réel. Certaines données sont envoyées à des centres de données périphériques pour une analyse plus approfondie. Et puis, à travers une hiérarchie complexe, elles sont redirigées vers divers nuages.

L’IA dont est doté le véhicule est cruciale, mais également les capacités de traitement des ordinateurs de bord, des serveurs périphériques et du nuage. La vitesse d’envoi et de réception des données par la voiture, ainsi que la faible latence, sont également très importantes.

Problème de volume de données

Même les voitures ordinaires, avec un conducteur au volant, génèrent de plus en plus de données. Les voitures autonomes peuvent générer environ 1 To de données par heure. Ce volume de données est simplement gigantesque. Et il représente l’un des obstacles à l’adoption massive de la conduite autonome.

Malheureusement, toutes les données d’une voiture autonome ne peuvent pas être traitées dans le nuage ou les centres de données périphériques, car cela introduit trop de retard. Même un retard de 100 ms peut faire la différence entre la vie ou la mort d’un passager ou d’un piéton. La voiture doit réagir aux circonstances émergentes le plus rapidement possible.

Pour réduire le retard entre la réception d’informations et la réponse à celles-ci, une partie des informations est analysée par l’ordinateur de bord. Par exemple, les nouveaux modèles Jeep sont équipés d’un ordinateur de bord avec 25-50 cœurs de traitement qui sert à la régulation de croisière, à la surveillance d’angle mort, à l’avertissement d’obstacle, au freinage automatique, etc. Les nœuds du véhicule communiquent les uns avec les autres via un réseau interne. Cela s’inscrit également dans le concept de calcul périphérique si l’on considère l’ordinateur de bord comme un nœud périphérique du réseau. En conséquence, les véhicules sans conducteur forment un réseau hybride complexe qui combine des centres de données centralisés, le nuage et de nombreux nœuds périphériques. Ces derniers sont situés non seulement dans les voitures, mais également dans les feux de circulation, les postes de contrôle, les stations de recharge, etc.

De tels serveurs et centres de données à l’extérieur de la voiture fournissent toute l’aide possible à la conduite autonome. Ils permettent à la voiture de « voir » au-delà de la portée de ses capteurs, de coordonner la charge sur le réseau routier et d’aider à prendre des décisions optimales.

Interaction avec les autres et l’infrastructure

Les systèmes GPS et de vision par ordinateur fournissent aux voitures autonomes des informations sur leur localisation et leur environnement immédiat. Cependant, la portée de l’environnement calculé est constamment en augmentation. Mais une voiture ne peut collecter qu’une quantité limitée d’informations. L’échange de données est donc absolument nécessaire. En conséquence, chaque véhicule peut mieux analyser les conditions de conduite en fonction de l’ensemble de données plus important collecté par la flotte de véhicules autonomes. Les systèmes de communication véhicule à véhicule (V2V) s’appuient sur des réseaux maillés créés par les véhicules dans la même zone géographique. Le V2V est utilisé pour échanger des informations et envoyer des signaux à d’autres véhicules, tels que des avertissements de distance.

Les réseaux V2V peuvent être étendus pour partager des informations avec l’infrastructure de circulation telle que les feux de circulation. Il est déjà opportun de parler de communication véhicule-infrastructure (V2I) ici. Les normes V2I continuent d’évoluer. Aux États-Unis, l’Administration fédérale des routes (FHWA) publie régulièrement divers guides et rapports V2I pour améliorer la technologie. Les avantages du V2I vont bien au-delà de la sécurité. En plus de renforcer la sécurité, la technologie véhicule-infrastructure offre des avantages en termes de mobilité et d’interaction avec l’environnement.

Les conducteurs qui empruntent la même route tous les jours se souviennent de tous les nids-de-poule sur la route. Les voitures autonomes apprennent également en permanence. Les voitures autonomes téléchargeront les informations disponibles et utiles vers des centres de données périphériques, par exemple, intégrés dans les stations de recharge. Les stations de recharge s’appuieront sur des algorithmes d’intelligence artificielle qui aideront à analyser les données reçues des voitures et à proposer des solutions possibles. À travers le nuage, ces données seront transmises à d’autres véhicules sans conducteur du réseau commun.

Si ce modèle d’échange de données entre toutes les voitures autonomes se concrétise vraiment dans quelques années, nous pouvons nous attendre à des exabytes (millions de teraoctets) de données par jour. Selon diverses estimations, des centaines de milliers à des dizaines de millions de voitures autonomes pourraient apparaître sur les routes à cette époque.

5G comme clé du succès

Comme mentionné ci-dessus, les voitures autonomes peuvent recevoir des informations sur les piétons et les cyclistes non seulement à partir de leurs capteurs, mais également grâce à l’échange de données avec d’autres voitures, feux de circulation et autre infrastructure urbaine.

Plusieurs projets de voitures connectées 5G existent déjà. Les voitures utilisent le réseau 5G de l’opérateur de téléphonie mobile et la technologie C-V2X (Cellular Vehicle-to-Everything) pour communiquer avec d’autres voitures, cyclistes et même feux de circulation. Ces derniers sont équipés d’images thermiques qui détectent les piétons qui s’approchent de la traversée ; en conséquence, un avertissement apparaît sur le tableau de bord de la voiture. Les cyclistes connectés sont informés de leur localisation, ce qui prévient les situations dangereuses. En cas de mauvaise visibilité, les voitures garées allument automatiquement les feux de détresse, signalant à toutes les voitures qui s’approchent leur position.

Les capacités des réseaux mobiles 5G sont très utiles ici. Ils offrent des vitesses rapides, une latence très faible et la possibilité de supporter un grand nombre de connexions simultanées. Les voitures autonomes sans de telles capacités de traitement des données ne pourront pas effectuer de nombreuses tâches plus rapidement qu’un humain. Par exemple, pour déterminer l’apparition d’un piéton au passage piéton le plus proche. De plus, les retards doivent être minimaux, car même une fraction de seconde de retard peut entraîner un accident.

Les grands constructeurs automobiles tels que BMW, Daimler, Hyundai, Ford et Toyota intègrent déjà la technologie 5G dans leurs produits. Des milliards de dollars ont déjà été dépensés par les opérateurs de téléphonie mobile pour construire des réseaux 5G. Il est donc temps de donner aux véhicules un ensemble de compétences qui seront utiles dans l’exploitation quotidienne.

Tous les essais avec des voitures autonomes connectées 5G seront interrompus à moins qu’une infrastructure 5G ne soit en place. À nouveau, un véhicule sans conducteur peut générer 1 To de données par heure, donc le réseau mobile doit être prêt à transférer ces données.

Comment traiter et stocker des exabytes de données

Tous les types de données ne nécessitent pas un traitement immédiat, et l’ordinateur de bord a des capacités de traitement et de stockage limitées. Par conséquent, les données qui peuvent « attendre » doivent être accumulées et analysées dans des centres de données périphériques, tandis que certaines des données migreront vers le nuage et y seront traitées.

Il est de la responsabilité des gouvernements des villes et des constructeurs automobiles de capturer, de traiter, de transférer, de protéger et d’analyser les données sur chaque voiture, embouteillage, piéton ou nid-de-poule. Certains architectes de villes intelligentes expérimentent déjà avec des algorithmes d’apprentissage automatique qui analysent les données de circulation de manière plus efficace pour identifier rapidement les nids-de-poule sur la route, réguler la circulation et réagir instantanément aux accidents. Du point de vue global, les algorithmes d’apprentissage automatique fournissent des recommandations pour améliorer l’infrastructure urbaine.

Pour introduire la conduite autonome complète dans notre vie, il est nécessaire de résoudre le problème du traitement et du stockage de vastes quantités de données. Chaque jour, un véhicule sans conducteur peut générer jusqu’à 20 To de données. Juste une voiture ! À l’avenir, cela peut conduire à des exabytes de données générées en un jour. Pour stocker ces données, il faut une infrastructure de pointe haute performance, flexible, sécurisée et fiable. Il y a également le problème du traitement efficace des données.

Pour que l’ordinateur de bord prenne des décisions en temps réel, il a besoin des informations les plus récentes sur l’environnement. Les anciennes données, telles que les informations sur l’emplacement de la voiture et la vitesse il y a une heure, ne sont généralement plus nécessaires. Cependant, ces données sont utiles pour l’amélioration ultérieure des algorithmes de conduite autonome.

Les développeurs de systèmes d’intelligence artificielle doivent recevoir de grandes quantités de données pour entraîner des réseaux d’apprentissage profond : identifier les objets et leur mouvement à travers les caméras, les informations lidar et combiner de manière optimale les informations sur l’environnement et l’infrastructure pour prendre des décisions. Pour les spécialistes de la sécurité routière, les données collectées par les voitures immédiatement avant les accidents ou les situations dangereuses sur la route sont vitales.

Au fur et à mesure que les données sont collectées par les voitures autonomes et transférées d’elles vers des centres de données périphériques, après quoi elles migrent vers le stockage dans le nuage, la question de l’utilisation d’une architecture de stockage de données optimisée et hiérarchisée devient de plus en plus pertinente. Les données fraîches doivent être analysées immédiatement pour améliorer les modèles d’apprentissage automatique. Un débit élevé et une faible latence sont nécessaires ici. Les SSD et les disques durs à haute capacité HAMR avec prise en charge des technologies multi-disques sont les mieux adaptés à cet effet.

Après que les données aient passé le stade d’analyse initiale, elles doivent être stockées de manière plus efficace : sur des serveurs de stockage à haute capacité mais à faible coût. Ces serveurs de stockage sont bien adaptés si les données peuvent être nécessaires à l’avenir. Les anciennes données qui ne sont pas susceptibles d’être nécessaires, mais qui doivent être conservées pour une autre raison, peuvent être déplacées vers le niveau d’archivage.

Les données seront de plus en plus traitées et analysées à la périphérie, marquant l’avènement de l’ère de l’Industrie 4.0, qui change la façon dont nous utilisons les données. Le calcul à la périphérie permettra de traiter les données à proximité de leur lieu de collecte, plutôt que sur un serveur de nuage traditionnel, permettant ainsi une analyse plus rapide et une réponse immédiate aux situations changeantes. Un réseau d’échange d’informations à haute vitesse entre les voitures et les centres de données périphériques aidera à rendre la conduite autonome plus sûre et plus fiable.

Conclusion

J’espère que cette analyse a jeté un peu de lumière sur l’importance des données dans le domaine de la conduite autonome. L’adoption massive de véhicules sans conducteur implique la collecte de grandes quantités de données qui doivent être traitées non seulement par l’ordinateur de bord, mais également par les serveurs de pointe et le nuage. L’infrastructure de traitement des données doit être prête à l’avance.

À mesure que l’adoption du 5G se généralise, les voitures autonomes commenceront à générer de plus en plus de données, qui seront ensuite analysées et utilisées pour rendre les villes intelligentes une réalité. Atteindre cet objectif ne sera pas très facile, mais à la fin, nous ouvrirons un nouveau chapitre dans l’histoire d’un moyen de transport aussi populaire que la voiture.

Les voitures autonomes sont à la pointe des technologies d’intelligence artificielle, de communication et de stockage de données. Pour atteindre le niveau de conduite autonome complète, il est nécessaire de poursuivre le développement et l’amélioration de ces technologies.