Problemen van zelfrijdende voertuigen en hoe ze opgelost kunnen worden – Thought Leaders

Zelfrijdende voertuigen vereisen meer dan alleen 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 hoeveelheden gegevens zijn 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, worden ze doorgestuurd naar verschillende clouds.

De AI die het voertuig is uitgerust, is cruciaal, maar ook de verwerkingssnelheid 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 zeer 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 autonoom 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 leven en 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 het reageren daarop te verminderen, wordt een deel van de informatie door de onboard-computer geanalyseerd. Bijvoorbeeld, nieuwe Jeep-modellen zijn uitgerust met een onboard-computer met 25-50 verwerkingssnelheden die dienst doet als cruisecontrol, blind-spotmonitor, 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 vormen onbemande voertuigen een complex hybride netwerk dat gecentraliseerde gegevenscentra, de cloud en veel perifere nodes combineert. De laatste zijn niet alleen gelegen in auto’s, maar ook in verkeerslichten, controleposten, laadstations, enz.

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

Interactie met elkaar en infrastructuur

GPS en computer vision-systemen bieden zelfrijdende auto’s informatie over hun locatie en directe omgeving. Echter, het bereik van de berekende omgeving neemt voortdurend 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 die is 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 verzenden naar andere voertuigen, zoals afstandswaarschuwingen.

V2V-netwerken kunnen worden uitgebreid om informatie te delen met verkeersinfrastructuur, zoals verkeerslichten. Het is al gepast om hier over V2I (voertuig-tot-infrastructuur) communicatie te spreken. 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 rijden, onthouden alle kuilen in de weg. Zelfrijdende auto’s leren ook voortdurend. Zelfrijdende auto’s zullen beschikbare nuttige informatie uploaden naar perifere gegevenscentra, bijvoorbeeld geïntegreerd in laadstations. Laadstations zullen vertrouwen op algoritmes voor kunstmatige intelligentie die helpen om de ontvangen gegevens van auto’s te analyseren en mogelijke oplossingen aan te bieden. Via de cloud zal deze informatie worden doorgestuurd naar 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 exabytes (miljoenen terabytes) aan gegevens per dag gegenereerd worden. 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 zijn 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 zicht, schakelen geparkeerde auto’s automatisch de noodknipperlichten in, waardoor alle naderende auto’s op de hoogte worden gesteld van hun positie.

De mogelijkheden van 5G-mobiele netwerken komen hier goed van pas. Ze bieden hoge snelheden, zeer lage latentie en de mogelijkheid om een groot aantal gelijktijdige verbindingen te ondersteunen. Zelfrijdende auto’s zonder dergelijke gegevensverwerking kunnen veel taken niet sneller uitvoeren dan een persoon. Bijvoorbeeld, om de verschijning van een voetganger bij het dichtstbijzijnde kruispunt 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. Er zijn al miljarden dollars 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 stilvallen als er geen 5G-infrastructuur is. Opnieuw kan een onbemand voertuig 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 verzameld en geanalyseerd in perifere gegevenscentra, terwijl sommige van de gegevens zullen migreren naar de cloud en daar worden verwerkt.

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

Om volledig autonoom 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 gegenereerd worden. 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.

Om in real-time beslissingen te nemen, heeft de onboard-computer 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 rijalgoritmes.

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 zijn verzameld vlak voor ongevallen of gevaarlijke situaties op de weg van vitaal belang.

Terwijl 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 doorvoersnelheid en lage latentie zijn hier vereist. SSD’s en hoge capaciteit 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 efficiënter worden opgeslagen: op hoge capaciteit maar lage kosten traditionele nearline-opslag. Deze opslagservers zijn goed geschikt als de gegevens in de toekomst nodig kunnen zijn. Oude gegevens die niet nodig zijn, maar om andere redenen moeten worden bewaard, kunnen naar het archiveringsniveau worden verplaatst.

Gegevens zullen steeds vaker worden verwerkt en geanalyseerd aan de edge, waarmee een nieuwe era van Industry 4.0 wordt ingeluid, die de manier waarop we gegevens gebruiken verandert. Edge-computing zal het mogelijk maken om gegevens te verwerken dicht bij de plek 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 autonoom rijden veiliger en betrouwbaarder te maken.

Conclusie

Hopelijk heeft deze analyse enig licht geworpen op hoe belangrijk gegevens zijn in het veld van autonoom rijden. De massale adoptie van onbemande voertuigen houdt het verzamelen van grote hoeveelheden gegevens in, 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.

Terwijl 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 voorzijde van kunstmatige intelligentie-technologieën, communicatie en gegevensopslag. Om het niveau van volledig autonoom rijden te bereiken, is het noodzakelijk om de ontwikkeling en verbetering van deze technologieën voort te zetten.