Problemen van zelfrijdende voertuigen en hoe ze op te lossen – Thought Leaders

Autonome voertuigen vereisen meer dan alleen eenvoudige kunstmatige intelligentie. Een zelfrijdende auto ontvangt gegevens van verschillende bronnen, zoals sonars, camera’s, radars, GPS en lidars, waardoor het in elke omgeving kan navigeren. Informatie van deze apparaten moet snel worden verwerkt en de hoeveelheid gegevens is enorm.

De informatie van sensoren wordt niet alleen in real-time verwerkt door de computer van de auto. Sommige gegevens worden naar perifere gegevenscentra verzonden voor verdere analyse. En vervolgens, via een complexe hiërarchie, wordt het doorgegeven aan verschillende clouds.

De AI die het voertuig is uitgerust is cruciaal, maar ook de verwerkingscapaciteiten van de onboard computers, perifere servers en de cloud. De snelheid van het verzenden en ontvangen van gegevens door de auto, evenals de lage latentie, zijn beide erg belangrijk.

Probleem van gegevensvolume

Zelfs gewone auto’s, met een bestuurder achter het stuur, genereren steeds meer gegevens. Zelfrijdende auto’s kunnen ongeveer 1 TB aan gegevens per uur genereren. Deze hoeveelheid gegevens is simpelweg gigantisch. En het vertegenwoordigt een van de barrières voor de massale adoptie van autonome rijden.

Helaas kunnen alle gegevens van een zelfrijdende auto niet in de cloud of perifere gegevenscentra worden verwerkt, omdat dit te veel vertraging introduceert. Zelfs een vertraging van 100 ms kan het verschil betekenen tussen het leven of de dood van een passagier of voetganger. De auto moet zo snel mogelijk reageren op ontwikkelende omstandigheden.

Om de vertraging tussen het ontvangen van informatie en reageren daarop te verminderen, wordt een deel van de informatie geanalyseerd door de onboard computer. Bijvoorbeeld, nieuwe Jeep-modellen zijn uitgerust met een onboard computer met 25-50 verwerkingskernen die dienst doet als cruisecontrol, blind spot monitor, obstakelwaarschuwing, automatische remmen, enz. Voertuignodes communiceren met elkaar via een intern netwerk. Het past ook in het concept van perifere computing als we de onboard computer beschouwen als een perifere node van het netwerk. Als resultaat bestaan onbemande voertuigen uit een complex hybride netwerk dat gecentraliseerde gegevenscentra, de cloud en veel perifere nodes combineert. De laatste zijn gelegen niet alleen in auto’s, maar ook in verkeerslichten, controleposten, laadstations, enz.

Dergelijke servers en gegevenscentra buiten de auto bieden alle mogelijke ondersteuning voor autonome rijden. Ze laten de auto toe om “te zien” buiten het bereik van zijn sensoren, de belasting op het wegennet coördineren en helpen bij het nemen van optimale beslissingen.

Interactie met elkaar en infrastructuur

GPS en computervisiemsystemen bieden zelfrijdende auto’s informatie over hun locatie en directe omgeving. Echter, het bereik van de berekende omgeving neemt constant toe. Nog steeds kan één auto alleen een beperkte hoeveelheid informatie verzamelen. Dus, gegevensuitwisseling is absoluut noodzakelijk. Als resultaat kan elke voertuig beter de rijomstandigheden analyseren op basis van de grotere gegevensset verzameld door de autonome voertuigvloot. Voertuig-tot-voertuig (V2V) communicatiesystemen vertrouwen op mesh-netwerken die zijn gemaakt door voertuigen in hetzelfde geografische gebied. V2V wordt gebruikt om informatie uit te wisselen en signalen te sturen naar andere voertuigen, zoals afstandswaarschuwingen.

V2V-netwerken kunnen worden uitgebreid om informatie te delen met verkeersinfrastructuur, zoals verkeerslichten. Het is al passend om te spreken over V2I (voertuig-tot-infrastructuur) communicatie hier. V2I-standaarden blijven evolueren. In de VS geeft de Federal Highway Administration (FHWA) regelmatig verschillende V2I-gidsen en -rapporten uit om de technologie te verbeteren. De voordelen van V2I gaan verder dan veiligheid. Naast het verbeteren van de veiligheid, biedt voertuig-infrastructuurtechnologie voordelen in termen van mobiliteit en interactie met de omgeving.

Bestuurders die elke dag dezelfde route nemen, onthouden alle gaten in de weg. Zelfrijdende auto’s leren ook constant. Zelfrijdende auto’s zullen beschikbare nuttige informatie uploaden naar perifere gegevenscentra, bijvoorbeeld geïntegreerd in laadstations. Laadstations zullen vertrouwen op kunstmatige intelligentie-algoritmen die helpen bij het analyseren van de ontvangen gegevens van auto’s en mogelijke oplossingen aanbieden. Via de cloud zal deze gegevens worden doorgegeven aan andere onbemande voertuigen in het gemeenschappelijke netwerk.

Als dit model van gegevensuitwisseling tussen alle zelfrijdende auto’s in een paar jaar werkelijkheid wordt, kunnen we verwachten dat er exabytes (miljoenen terabytes) aan gegevens per dag worden gegenereerd. Volgens verschillende schattingen kunnen er honderdduizenden tot tientallen miljoenen zelfrijdende auto’s op de wegen verschijnen tegen die tijd.

5G als sleutel tot succes

Zoals eerder vermeld, kunnen zelfrijdende auto’s informatie over voetgangers en fietsers niet alleen ontvangen van hun sensoren, maar ook via de uitwisseling van gegevens met andere auto’s, verkeerslichten en andere stedelijke infrastructuur.

Er bestaan al verschillende 5G-verbonden auto-projecten. Auto’s gebruiken het 5G-netwerk van de mobiele operator en C-V2X (Cellular Vehicle-to-Everything) technologie om te communiceren met andere auto’s, fietsers en zelfs verkeerslichten. De laatste zijn uitgerust met thermische beeldvormers die voetgangers detecteren die de oversteek naderen; als resultaat verschijnt een waarschuwing op het dashboard van de auto. Aangesloten fietsers worden geïnformeerd over hun locatie, wat gevaarlijke situaties voorkomt. In geval van slechte zichtbaarheid, schakelen geparkeerde auto’s automatisch de noodknipperlichten in, waardoor alle naderende auto’s worden gewaarschuwd voor hun positie.

De mogelijkheden van 5G-mobiele netwerken zijn hier handig. Ze bieden hoge snelheden, zeer lage latentie en de mogelijkheid om een groot aantal gelijktijdige verbindingen te ondersteunen. Zelfrijdende auto’s zonder dergelijke gegevensverwerkingsmogelijkheden kunnen veel taken niet sneller uitvoeren dan een persoon. Bijvoorbeeld, om de verschijning van een voetganger bij de dichtstbijzijnde oversteek te bepalen. Bovendien moeten vertragingen minimaal zijn, aangezien zelfs een fractie van een seconde vertraging kan leiden tot een ongeval.

Grote autofabrikanten zoals BMW, Daimler, Hyundai, Ford en Toyota integreren al 5G-technologie in hun producten. Miljarden dollars zijn al uitgegeven door mobiele operators om 5G-netwerken te bouwen. Dus, dit is het juiste moment om voertuigen een set vaardigheden te geven die nuttig zullen zijn in het dagelijks gebruik.

Alle experimenten met 5G-verbonden zelfrijdende auto’s zullen stil komen te liggen tenzij een 5G-infrastructuur aanwezig is. Nogmaals, een onbemand voertuig kan 1 TB aan gegevens per uur genereren, dus het mobiele netwerk moet klaar zijn om deze gegevens over te dragen.

Hoe exabytes aan gegevens te verwerken en op te slaan

Niet alle soorten gegevens vereisen onmiddellijke verwerking, en de onboard computer heeft beperkte prestaties en opslagmogelijkheden. Daarom moeten gegevens die kunnen “wachten” worden opgehoopt en geanalyseerd in perifere gegevenscentra, terwijl sommige van de gegevens naar de cloud zullen migreren en daar worden verwerkt.

Het is de verantwoordelijkheid van stadsbesturen en autofabrikanten om gegevens over elke auto, verkeersopstopping, voetganger of gat in de weg te verzamelen, te verwerken, over te dragen, te beschermen en te analyseren. Sommige slimme stadsarchitecten experimenteren al met machine learning-algoritmen die verkeersgegevens efficiënter analyseren om snel gaten in de weg te identificeren, verkeer te reguleren en onmiddellijk te reageren op ongevallen. Vanuit een mondiaal perspectief bieden machine learning-algoritmen aanbevelingen voor het verbeteren van stedelijke infrastructuur.

Om volledig autonome rijden in ons leven te introduceren, is het noodzakelijk om het probleem van het verwerken en opslaan van enorme hoeveelheden gegevens op te lossen. Elke dag kan een onbemand voertuig tot 20 TB aan gegevens genereren. Alleen al één auto! In de toekomst kan dit leiden tot exabytes aan gegevens die per dag worden gegenereerd. Om deze gegevens op te slaan, is een high-performance, flexibele, beveiligde en betrouwbare edge-infrastructuur nodig. Er is ook het probleem van efficiënte gegevensverwerking.

Voor de onboard computer om in real-time beslissingen te nemen, heeft het de meest actuele informatie over de omgeving nodig. Oude gegevens, zoals informatie over de locatie van de auto en snelheid een uur geleden, zijn meestal niet langer nodig. Echter, deze gegevens zijn nuttig voor verdere verbetering van autonome rijalgoritmen.

Ontwikkelaars van kunstmatige intelligentiesystemen moeten grote hoeveelheden gegevens ontvangen om diepe leer-netwerken te trainen: objecten en hun beweging identificeren via camera’s, lidar-informatie en optimale combinatie van informatie over de omgeving en infrastructuur om beslissingen te nemen. Voor verkeersveiligheidsspecialisten zijn de gegevens die door auto’s worden verzameld direct voorafgaand aan ongevallen of gevaarlijke situaties op de weg essentieel.

Als gegevens door zelfrijdende auto’s worden verzameld en van hen naar perifere gegevenscentra worden overgedragen, waarna ze naar cloud-opslag migreren, wordt het gebruik van een geoptimaliseerde en gestratificeerde gegevensopslagarchitectuur steeds relevanter. Verse gegevens moeten onmiddellijk worden geanalyseerd om machine learning-modellen te verbeteren. Hoge doorvoer en lage latentie zijn hier vereist. SSD’s en high-capacity HAMR-schijven met ondersteuning voor multi-drive-technologie zijn het beste geschikt voor dit doel.

Nadat de gegevens de initiële analysefase zijn gepasseerd, moeten ze op een efficiëntere manier worden opgeslagen: op high-capacity maar low-cost traditionele nearline-opslag. Deze opslagservers zijn goed geschikt als de gegevens in de toekomst nodig kunnen zijn. Oude gegevens die onwaarschijnlijk nodig zullen zijn, maar om een andere reden moeten worden bewaard, kunnen naar het archiveringsniveau worden verplaatst.

Gegevens zullen steeds vaker worden verwerkt en geanalyseerd aan de edge, waardoor een nieuwe tijdperk van Industry 4.0 aanbreekt, die verandert hoe we gegevens gebruiken. Edge computing zal het mogelijk maken om gegevens te verwerken in de buurt van waar ze worden verzameld, in plaats van een traditionele cloud-server, waardoor ze veel sneller kunnen worden geanalyseerd en onmiddellijk kunnen reageren op veranderende situaties. Een high-speed netwerk van informatie-uitwisseling tussen auto’s en perifere gegevenscentra zal helpen om autonome rijden veiliger en betrouwbaarder te maken.

Conclusie

Hopelijk heeft deze analyse enig licht geworpen op hoe belangrijk gegevens zijn in het veld van autonome rijden. De massale adoptie van onbemande voertuigen houdt in dat er veel gegevens worden verzameld die niet alleen door de onboard computer, maar ook door edge-servers en de cloud moeten worden verwerkt. De gegevensverwerkingsinfrastructuur moet van tevoren klaar zijn.

Naarmate de adoptie van 5G zich verspreidt, zullen zelfrijdende auto’s steeds meer gegevens gaan genereren, die vervolgens zullen worden geanalyseerd en gebruikt om slimme steden tot werkelijkheid te maken. Het bereiken van dit doel zal niet gemakkelijk zijn, maar uiteindelijk zullen we een nieuw hoofdstuk openen in de geschiedenis van een zo populair vervoermiddel als de auto.

Zelfrijdende auto’s staan aan de vooravond van kunstmatige intelligentietechnologieën, communicatie en gegevensopslag. Om het niveau van volledig autonome rijden te bereiken, is het noodzakelijk om deze technologieën verder te ontwikkelen en te verbeteren.