Masalah Kendaraan Berkemudi Sendiri dan Cara Mengatasinya – Pemimpin Pemikiran

Kendaraan otonom memerlukan lebih dari sekedar kecerdasan buatan. Mobil berkemudi sendiri menerima data dari berbagai sumber seperti sonar, kamera, radar, GPS, dan lidar yang memungkinkan untuk bernavigasi di lingkungan apa pun. Informasi dari perangkat ini harus diproses dengan cepat, dan volume data sangat besar.

Informasi dari sensor tidak hanya diproses oleh komputer mobil secara real-time. Beberapa data dikirim ke pusat data peripheral untuk dianalisis lebih lanjut. Dan kemudian, melalui hierarki yang kompleks, data tersebut diarahkan ke awan.

Kecerdasan buatan yang dimiliki kendaraan sangat penting, tetapi juga kemampuan pemrosesan komputer onboard, server peripheral, dan awan. Kecepatan pengiriman dan penerimaan data oleh mobil, serta latensi rendah, sangat penting.

Masalah Volume Data

Bahkan mobil biasa, dengan pengemudi di balik kemudi, menghasilkan lebih banyak data. Mobil berkemudi sendiri dapat menghasilkan sekitar 1TB data per jam. Jumlah data ini sangat besar. Dan ini merupakan salah satu hambatan untuk adopsi massal kendaraan otonom.

Sayangnya, semua data mobil berkemudi sendiri tidak dapat diproses di awan atau pusat data peripheral karena ini memperkenalkan keterlambatan yang terlalu besar. Bahkan keterlambatan 100 ms dapat membuat perbedaan antara hidup atau mati seorang penumpang atau pejalan kaki. Mobil harus merespons keadaan yang muncul secepat mungkin.

Untuk mengurangi keterlambatan antara menerima informasi dan meresponsnya, sebagian informasi dianalisis oleh komputer onboard. Misalnya, model Jeep baru dilengkapi dengan komputer onboard dengan 25-50 inti pemrosesan yang melayani kontrol kecepatan, peringatan titik buta, peringatan hambatan, pengereman otomatis, dll. Node kendaraan berkomunikasi dengan satu sama lain melalui jaringan internal. Ini juga sesuai dengan konsep komputasi peripheral jika kita mempertimbangkan komputer onboard sebagai node peripheral jaringan. Sebagai hasilnya, kendaraan tak berawak membentuk jaringan hibrida yang kompleks yang menggabungkan pusat data terpusat, awan, dan banyak node peripheral. Node-node ini terletak tidak hanya di mobil tetapi juga di lampu lalu lintas, pos kontrol, stasiun pengisian, dll.

Server dan pusat data di luar mobil menyediakan semua bantuan yang mungkin untuk berkendara otonom. Mereka memungkinkan mobil untuk “melihat” di luar jangkauan sensor, mengkoordinasikan beban pada jaringan jalan, dan membantu membuat keputusan yang optimal.

Interaksi dengan Satu Sama Lain dan Infrastruktur

Sistem GPS dan penglihatan komputer memberikan kendaraan berkemudi sendiri informasi tentang lokasi dan sekitarnya. Namun, jangkauan lingkungan yang dihitung terus meningkat. Tetapi, satu mobil hanya dapat mengumpulkan sejumlah terbatas informasi. Jadi, pertukaran data sangat diperlukan. Sebagai hasilnya, setiap kendaraan dapat menganalisis kondisi berkendara berdasarkan pada set data yang lebih besar yang dikumpulkan oleh armada kendaraan otonom. Sistem komunikasi kendaraan-ke-kendaraan (V2V) bergantung pada jaringan mesh yang dibuat oleh kendaraan di area geografis yang sama. V2V digunakan untuk bertukar informasi dan mengirim sinyal ke kendaraan lain, seperti peringatan jarak.

Sistem V2V dapat diperluas untuk berbagi informasi dengan infrastruktur lalu lintas seperti lampu lalu lintas. Ini sudah tepat untuk berbicara tentang komunikasi kendaraan-infrastruktur (V2I) di sini. Standar V2I terus berkembang. Di AS, Administrasi Jalan Raya Federal (FHWA) secara teratur menerbitkan berbagai pedoman dan laporan V2I untuk membantu meningkatkan teknologi. Manfaat V2I meluas jauh di luar keamanan. Selain meningkatkan keamanan, teknologi kendaraan-infrastruktur menyediakan keuntungan dalam hal mobilitas dan interaksi dengan lingkungan.

Pengemudi yang melakukan rute yang sama setiap hari mengingat semua lubang di jalan. Mobil berkemudi sendiri juga terus belajar. Mobil berkemudi sendiri akan mengunggah informasi yang tersedia ke pusat data peripheral, misalnya, terintegrasi ke dalam stasiun pengisian. Stasiun pengisian akan bergantung pada algoritma kecerdasan buatan yang akan membantu menganalisis data yang diterima dari mobil dan menawarkan solusi yang mungkin. Melalui awan, data ini akan ditransmisikan ke kendaraan tak berawak lainnya dalam jaringan yang sama.

Jika model pertukaran data antara semua mobil berkemudi sendiri ini benar-benar terwujud dalam beberapa tahun, maka kita dapat mengharapkan exabytes (jutaan terabyte) data per hari. Menurut berbagai perkiraan, dari ratusan ribu hingga puluhan juta mobil berkemudi sendiri mungkin muncul di jalan pada saat itu.

5G sebagai Kunci Kesuksesan

Seperti yang disebutkan di atas, mobil berkemudi sendiri dapat menerima informasi tentang pejalan kaki dan pengendara sepeda tidak hanya dari sensor mereka tetapi juga melalui pertukaran data dengan mobil lain, lampu lalu lintas, dan infrastruktur perkotaan lainnya.

Beberapa proyek mobil terhubung 5G sudah ada. Mobil menggunakan jaringan 5G operator seluler dan teknologi C-V2X (Cellular Vehicle-to-Everything) untuk berkomunikasi dengan mobil lain, pengendara sepeda, dan bahkan lampu lalu lintas. Lampu lalu lintas dilengkapi dengan pengimaj termal yang mendeteksi pejalan kaki yang mendekati persimpangan; sebagai hasilnya, peringatan muncul di dasbor mobil. Pengendara sepeda terhubung diberitahu tentang lokasi mereka, yang mencegah situasi berbahaya. Dalam kasus visibilitas yang buruk, mobil yang diparkir secara otomatis menyalakan lampu hazard, memberitahu semua mobil yang mendekat tentang posisi mereka.

Kemampuan jaringan seluler 5G sangat berguna di sini. Mereka menyediakan kecepatan yang cepat, latensi yang sangat rendah, dan kemampuan untuk mendukung sejumlah besar koneksi simultan. Mobil berkemudi sendiri tanpa kemampuan pemrosesan data seperti ini tidak akan dapat melakukan banyak tugas lebih cepat dari manusia. Misalnya, untuk menentukan penampilan seorang pejalan kaki di persimpangan terdekat. Selain itu, keterlambatan harus minimal, karena bahkan keterlambatan sebagian detik dapat menyebabkan kecelakaan.

Produsen mobil besar seperti BMW, Daimler, Hyundai, Ford, dan Toyota sudah mengintegrasikan teknologi 5G ke dalam produk mereka. Milyaran dolar sudah dihabiskan oleh operator seluler untuk membangun jaringan 5G. Jadi, ini adalah waktu yang tepat untuk memberikan kendaraan sekumpulan keterampilan yang akan berguna dalam operasi sehari-hari.

Semua eksperimen dengan mobil berkemudi sendiri terhubung 5G akan berhenti jika infrastruktur 5G tidak ada. Lagi, kendaraan tak berawak dapat menghasilkan 1TB data per jam, sehingga jaringan seluler harus siap untuk mentransfer data ini.

Bagaimana Memproses dan Menyimpan Exabytes Data

Tidak semua jenis data memerlukan pemrosesan segera, dan komputer onboard memiliki kinerja dan kemampuan penyimpanan yang terbatas. Oleh karena itu, data yang dapat “menunggu” harus dikumpulkan dan dianalisis di pusat data peripheral, sedangkan beberapa data akan bermigrasi ke awan dan diproses di sana.

Ini adalah tanggung jawab pemerintah kota dan produsen mobil untuk menangkap, memproses, mentransfer, melindungi, dan menganalisis data tentang setiap mobil, kemacetan lalu lintas, pejalan kaki, atau lubang di jalan. Beberapa arsitek kota pintar sudah bereksperimen dengan algoritma pembelajaran mesin yang menganalisis data lalu lintas dengan lebih efisien untuk mengidentifikasi lubang di jalan, mengatur lalu lintas, dan merespons kecelakaan dengan cepat. Dari perspektif global, algoritma pembelajaran mesin menyediakan rekomendasi untuk meningkatkan infrastruktur perkotaan.

Untuk memperkenalkan berkendara otonom sepenuhnya ke dalam kehidupan kita, perlu untuk memecahkan masalah pemrosesan dan penyimpanan jumlah data yang sangat besar. Setiap hari, kendaraan tak berawak dapat menghasilkan hingga 20 TB data. Hanya satu mobil! Di masa depan, ini dapat menyebabkan exabytes data dihasilkan dalam satu hari. Untuk menyimpan data ini, diperlukan infrastruktur edge yang memiliki kinerja tinggi, fleksibel, aman, dan dapat diandalkan. Ada juga masalah pemrosesan data yang efisien.

Agar komputer onboard dapat membuat keputusan waktu nyata, komputer tersebut memerlukan informasi terbaru tentang lingkungan. Data lama, seperti informasi tentang lokasi mobil dan kecepatan satu jam yang lalu, biasanya tidak lagi diperlukan. Namun, data ini berguna untuk perbaikan lebih lanjut algoritma berkendara otonom.

Pengembang sistem kecerdasan buatan harus menerima sejumlah besar data untuk melatih jaringan pembelajaran dalam: mengidentifikasi objek dan gerakan mereka melalui kamera, informasi lidar, dan menggabungkan informasi tentang lingkungan dan infrastruktur untuk membuat keputusan. Bagi spesialis keamanan jalan, data yang dikumpulkan oleh mobil sebelum kecelakaan atau situasi berbahaya di jalan sangat penting.

Ketika data dikumpulkan oleh mobil berkemudi sendiri dan ditransfer dari mereka ke pusat data peripheral, kemudian data tersebut bermigrasi ke penyimpanan awan, masalah menggunakan arsitektur penyimpanan data yang dioptimalkan dan bertingkat menjadi lebih relevan. Data segar harus dianalisis segera untuk meningkatkan model pembelajaran mesin. Diperlukan throughput yang tinggi dan latensi yang rendah. SSD dan drive HAMR berkapasitas tinggi dengan dukungan teknologi multi-drive paling sesuai untuk tujuan ini.

Setelah data melewati tahap analisis awal, data harus disimpan dengan lebih efisien: pada penyimpanan nearline tradisional dengan kapasitas tinggi tetapi biaya rendah. Server penyimpanan ini sangat sesuai jika data mungkin diperlukan di masa depan. Data lama yang tidak mungkin diperlukan, tetapi harus disimpan untuk alasan lain, dapat dipindahkan ke tingkat pengarsipan.

Data akan semakin diproses dan dianalisis di edge, membuka era Industri 4.0, yang mengubah cara kita menggunakan data. Komputasi edge akan memungkinkan data diproses dekat dengan tempat data dikumpulkan, bukan server awan tradisional, sehingga data dapat dianalisis dengan lebih cepat, merespons situasi yang berubah dengan cepat. Jaringan pertukaran informasi kecepatan tinggi antara mobil dan pusat data peripheral akan membantu membuat berkendara otonom lebih aman dan dapat diandalkan.

Kesimpulan

Semoga analisis ini telah memberikan beberapa penerangan tentang seberapa pentingnya data dalam bidang berkendara otonom. Adopsi massal kendaraan tak berawak melibatkan pengumpulan sejumlah besar data yang harus diproses tidak hanya oleh komputer onboard tetapi juga oleh server edge dan awan. Infrastruktur pemrosesan data harus siap sebelumnya.

Ketika adopsi 5G menyebar, mobil berkemudi sendiri akan mulai menghasilkan lebih banyak data, yang kemudian akan dianalisis dan digunakan untuk membuat kota pintar menjadi kenyataan. Mencapai tujuan ini tidak akan mudah, tetapi pada akhirnya, kita akan membuka bab baru dalam sejarah sarana transportasi yang sangat populer seperti mobil.

Mobil berkemudi sendiri berada di garis depan teknologi kecerdasan buatan, komunikasi, dan penyimpanan data. Untuk mencapai tingkat berkendara otonom sepenuhnya, perlu untuk terus mengembangkan dan memperbaiki teknologi ini.