Masalah Kendaraan Self-Diving dan Cara Mengatasinya – Pemimpin Pemikiran

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

Informasi dari sensor diproses tidak hanya 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 berbagai cloud.

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

Masalah Volume Data

Bahkan mobil biasa, dengan pengemudi di balik roda, menghasilkan lebih dan lebih banyak data. Mobil self-driving 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 self-driving tidak dapat diproses di cloud atau pusat data peripheral karena ini memperkenalkan keterlambatan yang terlalu besar. Bahkan keterlambatan 100-ms dapat membuat perbedaan antara hidup dan mati seorang penumpang atau pejalan kaki. Mobil harus merespons situasi 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, monitor blind-spot, peringatan hambatan, pengereman otomatis, dll. Node kendaraan berkomunikasi dengan node lain melalui jaringan internal. Ini juga sesuai dengan konsep komputasi peripheral jika kita mempertimbangkan komputer onboard sebagai node peripheral dari jaringan. Sebagai hasilnya, kendaraan tanpa awak membentuk jaringan hibrida kompleks yang menggabungkan pusat data terpusat, cloud, 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 dengan mengemudi otonom. Mereka memungkinkan mobil untuk “melihat” di luar jangkauan sensor, mengkoordinasikan beban pada jaringan jalan, dan membantu membuat keputusan optimal.

Interaksi dengan Satu Sama Lain dan Infrastruktur

GPS dan sistem visi komputer memberikan mobil self-driving informasi tentang lokasi dan sekitarnya. Namun, jangkauan lingkungan yang dihitung terus meningkat. Masih, satu mobil hanya dapat mengumpulkan sejumlah terbatas informasi. Jadi, pertukaran data sangat diperlukan. Sebagai hasilnya, setiap kendaraan dapat menganalisis kondisi mengemudi berdasarkan 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 pertukaran informasi dan mengirim sinyal ke kendaraan lain, seperti peringatan jarak.

Jaringan V2V dapat diperluas untuk berbagi informasi dengan infrastruktur lalu lintas seperti lampu lalu lintas. Sudah tepat untuk berbicara tentang komunikasi kendaraan-ke-infrastruktur (V2I) di sini. Standar V2I terus berkembang. Di AS, Administrasi Jalan Raya Federal (FHWA) secara teratur menerbitkan berbagai panduan dan laporan V2I untuk membantu meningkatkan teknologi. Manfaat V2I meluas jauh melampaui 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 self-driving juga terus belajar. Mobil self-driving akan mengunggah informasi yang tersedia dan berguna ke pusat data peripheral, misalnya, terintegrasi ke 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 cloud, data ini akan ditransmisikan ke kendaraan otonom lain di jaringan yang sama.

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

5G sebagai Kunci Keberhasilan

Seperti disebutkan di atas, mobil self-driving 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 penggambar 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 self-driving tanpa kemampuan pemrosesan data seperti ini tidak akan dapat melakukan banyak tugas lebih cepat dari manusia. Misalnya, untuk menentukan kemunculan seorang pejalan kaki di persimpangan terdekat. Selain itu, keterlambatan harus minimal, karena bahkan sebagian detik keterlambatan dapat menyebabkan kecelakaan.

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

Semua eksperimen dengan mobil self-driving terhubung 5G akan terhenti jika infrastruktur 5G tidak ada. Lagi, kendaraan tanpa awak dapat menghasilkan 1TB data per jam, sehingga jaringan seluler harus siap untuk mentransfer data ini.

Bagaimana Memproses dan Menyimpan Exabyte Data

Tidak semua jenis data memerlukan pemrosesan segera, dan komputer onboard memiliki kemampuan dan kapasitas penyimpanan yang terbatas. Oleh karena itu, data yang dapat “menunggu” harus dikumpulkan dan dianalisis di pusat data peripheral, sedangkan sebagian data akan bermigrasi ke cloud 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, pejalan kaki, atau lubang. Beberapa arsitek kota pintar sudah bereksperimen dengan algoritma pembelajaran mesin yang menganalisis data lalu lintas 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 mengemudi otonom sepenuhnya ke dalam kehidupan, perlu untuk memecahkan masalah pemrosesan dan penyimpanan jumlah data yang sangat besar. Setiap hari, kendaraan tanpa awak dapat menghasilkan hingga 20 TB data. Hanya satu mobil! Di masa depan, ini dapat menyebabkan exabyte data dihasilkan dalam satu hari. Untuk menyimpan data ini, diperlukan infrastruktur edge yang memiliki kinerja tinggi, fleksibel, aman, dan andal. Ada juga masalah pemrosesan data yang efisien.

Untuk komputer onboard membuat keputusan waktu nyata, diperlukan 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 mengemudi 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 secara optimal untuk membuat keputusan. Untuk spesialis keamanan jalan, data yang dikumpulkan oleh mobil sebelum kecelakaan atau situasi berbahaya di jalan sangat penting.

Ketika data dikumpulkan oleh mobil self-driving dan ditransfer dari mereka ke pusat data peripheral, setelah itu bermigrasi ke penyimpanan cloud, masalah menggunakan arsitektur penyimpanan data yang dioptimalkan dan bertingkat menjadi lebih relevan. Data segar harus dianalisis segera untuk meningkatkan model pembelajaran mesin. Dibutuhkan 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, harus disimpan lebih efisien: pada penyimpanan nearline tradisional yang berkapasitas tinggi tetapi rendah biaya. 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 cloud tradisional, memungkinkan data dianalisis lebih cepat, merespons situasi yang berubah dengan segera. Jaringan pertukaran informasi berkecepatan tinggi antara mobil dan pusat data peripheral akan membantu membuat mengemudi otonom lebih aman dan lebih andal.

Kesimpulan

Semoga analisis ini telah memperjelas betapa pentingnya data dalam bidang mengemudi otonom. Adopsi massal kendaraan tanpa awak melibatkan pengumpulan sejumlah besar data yang harus diproses tidak hanya oleh komputer onboard tetapi juga oleh server edge dan cloud. Infrastruktur pemrosesan data harus siap sebelumnya.

Ketika adopsi 5G menyebar, mobil self-driving akan mulai menghasilkan lebih dan 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 populer seperti mobil.

Mobil self-driving berada di garis depan teknologi kecerdasan buatan, komunikasi, dan penyimpanan data. Untuk mencapai tingkat mengemudi otonom sepenuhnya, perlu untuk terus mengembangkan dan meningkatkan teknologi ini.