Problem med självdykande fordon och hur man löser dem – tankeledare

Autonoma fordon kräver mer än enkel artificiell intelligens. En självkörande bil tar emot data från olika källor som ekolod, kameror, radar, GPS och lidarer så att den kan navigera i vilken miljö som helst. Information från dessa enheter bör behandlas snabbt och datavolymerna är enorma.

Informationen från sensorer bearbetas inte bara av bilens dator i realtid. En del data skickas till perifera datacenter för vidare analys. Och sedan, genom en komplex hierarki, omdirigeras den till olika moln.

Den AI som fordonet är utrustad med är avgörande, men också bearbetningsförmågan hos inbyggda datorer, kringutrustning och molnet. Hastigheten för att skicka och ta emot data från bilen, tillsammans med låg latens, är båda också mycket viktiga.

Datavolymproblem

Även vanliga bilar, med en förare bakom ratten, genererar mer och mer data. Självkörande bilar kan generera ungefär 1 TB data per timme. Denna mängd data är helt enkelt gigantisk. Och det representerar ett av hindren för massantagandet av autonom körning.

Tyvärr kan all data från en självkörande bil inte bearbetas i molnet eller perifera datacenter eftersom detta introducerar för mycket förseningar. Även en försening på 100 ms kan göra skillnaden mellan en passagerares eller fotgängares liv eller död. Bilen måste reagera på nya omständigheter så snabbt som möjligt.

För att minska fördröjningen mellan att ta emot information och svara på den analyseras en del av informationen av omborddatorn. Till exempel nya Jeep modeller är utrustade med en inbyggd dator med 25-50 bearbetningskärnor som betjänar farthållare, dödvinkelövervakning, hindervarning, automatisk bromsning etc. Fordonsnoder kommunicerar med varandra via ett internt nätverk. Det passar också in i begreppet kringutrustning om vi betraktar den inbyggda datorn som en perifer nod i nätverket. Som ett resultat utgör obemannade fordon upp ett komplext hybridnätverk som kombinerar centraliserade datacenter, molnet och många perifera noder. De senare finns inte bara i bilar utan även i trafikljus, kontrollposter, laddstationer m.m.

Sådana servrar och datacenter utanför bilen ger all möjlig hjälp med autonom körning. De låter bilen "se" utanför sensorernas räckvidd, koordinerar belastningen på vägnätet och hjälper till att fatta optimala beslut.

Interaktion med varandra och infrastruktur

GPS och datorseende system ger självkörande bilar information om deras plats och omedelbara omgivning. Räckvidden för den beräknade miljön ökar dock hela tiden. Ändå kan en bil bara samla in en begränsad mängd information. Så datautbyte är absolut nödvändigt. Som ett resultat kan varje fordon bättre analysera körförhållanden baserat på den mer betydande datauppsättningen som samlas in av den autonoma fordonsflottan. Fordon-till-fordon (V2V) kommunikationssystem förlitar sig på nätverksnät skapas av fordon i samma geografiska område. V2V används för att utbyta information och skicka signaler till andra fordon, till exempel avståndsvarningar.

V2V-nätverk kan utökas för att dela information med trafikinfrastruktur som trafikljus. Det är redan lämpligt att tala om V2I-kommunikation (bil-till-infrastruktur) här. V2I-standarder fortsätter att utvecklas. I USA utfärdar Federal Highway Administration (FHWA) regelbundet olika V2I guider och rapporter för att hjälpa till att förbättra tekniken. Fördelarna med V2I sträcker sig långt utöver säkerheten. Förutom att öka säkerheten ger fordonsinfrastrukturteknik fördelar när det gäller mobilitet och interaktion med miljön.

Förare som åker samma väg varje dag kommer ihåg alla gropar på vägen. Självkörande bilar lär sig också hela tiden. Självkörande bilar kommer att ladda upp tillgänglig användbar information till perifera datacenter, till exempel integrerade i laddstationer. Laddstationer kommer att förlita sig på artificiell intelligens algoritmer som hjälper till att analysera data som tas emot från bilar och erbjuda möjliga lösningar. Genom molnet kommer denna data att överföras till andra obemannade fordon i det gemensamma nätverket.

Om denna modell av datautbyte mellan alla självkörande bilar verkligen förverkligas inom några år, då kan vi förvänta oss exabyte (miljoner terabyte) data per dag. Enligt olika uppskattningar kan från hundratusentals till tiotals miljoner självkörande bilar dyka upp på vägarna vid det här laget.

5G som nyckeln till framgång

Som nämnts ovan kan självkörande bilar få information om fotgängare och cyklister inte bara från sina sensorer utan också genom utbyte av data med andra bilar, trafikljus och annan urban infrastruktur.

Flera 5G uppkopplade bilprojekt redan finns. Bilar använder mobiloperatörens 5G-nätverk och C-V2X (Cellular Vehicle-to-Everything)-teknik för att kommunicera med andra bilar, cyklister och till och med trafikljus. De senare är utrustade med värmekamera som upptäcker fotgängare som närmar sig korsningen; som ett resultat visas en varning på bilens instrumentbräda. Uppkopplade cyklister informeras om var de befinner sig, vilket förhindrar farliga situationer. Vid dålig sikt tänder de parkerade bilarna automatiskt nödblinkljusen och meddelar alla bilar som närmar sig deras position.

Möjligheterna hos 5G-mobilnätverk kommer väl till pass här. De ger snabba hastigheter, mycket låg latens och möjligheten att stödja ett stort antal samtidiga anslutningar. Självkörande bilar utan sådana databehandlingsmöjligheter kommer inte att kunna utföra många uppgifter snabbare än en person. Till exempel för att bestämma utseendet på en fotgängare vid närmaste korsning. Dessutom bör förseningar vara minimala, eftersom till och med en bråkdel av en andra försening kan leda till en olycka.

Stora biltillverkare som BMW, Daimler, Hyundai, Ford och Toyota integrerar redan 5G-teknik i sina produkter. Miljarder dollar har redan spenderats av mobiloperatörer som bygger 5G-nätverk. Så det här är rätt tillfälle att ge fordon en uppsättning färdigheter som kommer att vara användbara i den dagliga driften.

Alla experiment med 5G-anslutna självkörande bilar kommer att stanna om inte en 5G-infrastruktur finns på plats. Återigen kan ett obemannat fordon generera 1 TB data per timme, så mobilnätverket måste vara redo att överföra denna data.

Hur man bearbetar och lagrar exabyte data

Alla datatyper kräver inte omedelbar bearbetning och omborddatorn har begränsad prestanda och lagringskapacitet. Därför bör data som kan "vänta" ackumuleras och analyseras i perifera datacenter, medan en del av datan kommer att migrera till molnet och bearbetas där.

Det är stadens myndigheters och biltillverkares ansvar att fånga, bearbeta, överföra, skydda och analysera data om varje bil, trafikstockning, fotgängare eller gropar. Vissa smarta stadsarkitekter experimenterar redan med maskininlärningsalgoritmer som analyserar trafikdata mer effektivt för att snabbt identifiera gropar i vägen, reglera trafiken och omedelbart svara på olyckor. Ur ett globalt perspektiv ger maskininlärningsalgoritmer rekommendationer för att förbättra urban infrastruktur.

För att införa helt autonom körning i vårt liv är det nödvändigt att lösa problemet med att bearbeta och lagra stora mängder data. Varje dag kan ett obemannat fordon generera upp till 20 TB data. Bara en bil! I framtiden kan det leda till att exabyte data genereras på en dag. För att lagra dessa data behöver du en högpresterande, flexibel, säker och pålitlig edge-infrastruktur. Det finns också problemet med effektiv databehandling.

För att omborddatorn ska kunna fatta beslut i realtid behöver den den mest uppdaterade informationen om miljön. Gamla data, som information om bilens placering och hastighet för en timme sedan, behövs vanligtvis inte längre. Dessa data är dock användbara för att ytterligare förbättra algoritmerna för autonom körning.

Utvecklare av artificiell intelligens måste ta emot stora mängder data för att träna nätverk för djupinlärning: identifiera objekt och deras rörelser genom kameror, lidarinformation och optimalt kombinera information om miljö och infrastruktur för att fatta beslut. För trafiksäkerhetsspecialister är data som samlas in av bilar omedelbart före olyckor eller farliga situationer på vägen avgörande.

I takt med att data samlas in av självkörande bilar och överförs från dem till perifera datacenter, varefter den migrerar till molnlagring, blir frågan om att använda en optimerad och skiktad datalagringsarkitektur mer och mer aktuell. Färska data måste analyseras omedelbart för att förbättra maskininlärningsmodeller. Här krävs hög genomströmning och låg latens. SSD och HAMR-drev med hög kapacitet med stöd för multi-drive-teknologier är bäst lämpade för detta ändamål.

Efter att data har passerat det inledande analysstadiet måste de lagras mer effektivt: på traditionell nearline-lagring med hög kapacitet men till låg kostnad. Dessa lagringsservrar är väl lämpade om data kan behövas i framtiden. Gamla data som sannolikt inte behövs, men som måste sparas av någon annan anledning, kan flyttas till arkiveringsnivån.

Data kommer i allt högre grad att bearbetas och analyseras vid kanten, vilket inleder eran av Industry 4.0, som förändrar hur vi använder data. Edge computing kommer att tillåta att data bearbetas nära där den samlas in, snarare än en traditionell molnserver, vilket gör att den kan analyseras mycket snabbare och omedelbart reagerar på förändrade situationer. Ett höghastighetsnätverk för informationsutbyte mellan bilar och kringliggande datacenter kommer att bidra till att göra autonom körning säkrare och mer pålitlig.

Slutsats

Förhoppningsvis har denna analys kastat lite ljus över hur viktig data är inom området autonom körning. Massadoption av obemannade fordon innebär insamling av mängder av data som inte bara ska behandlas av omborddatorn utan också av edge-servrar och molnet. Databehandlingsinfrastrukturen bör vara klar i förväg.

När antagandet av 5G sprider sig kommer självkörande bilar att börja generera mer och mer data, som sedan kommer att analyseras och användas för att göra smarta städer till verklighet. Att uppnå detta mål kommer inte att vara särskilt lätt, men i slutändan kommer vi att öppna ett nytt kapitel i historien om ett så populärt transportmedel som en bil.

Självkörande bilar ligger i framkant när det gäller artificiell intelligens, kommunikation och datalagring. För att nå nivån av helt autonom körning är det nödvändigt att fortsätta utvecklingen och förbättringen av dessa tekniker.