Problemen med självkörande fordon och hur man löser dem – tankeledare

Självkörande fordon kräver mer än bara enkel artificiell intelligens. Ett självkörande fordon tar emot data från olika källor, såsom sonarer, kameror, radars, GPS och lidar, vilket gör det möjligt för fordonet att navigera i vilken miljö som helst. Informationen från dessa enheter måste bearbetas snabbt, och datamängderna är enorma.

Informationen från sensorerna bearbetas inte bara av fordonets dator i realtid. En del data skickas till perifera datacenter för ytterligare analys. Och sedan, genom en komplex hierarki, skickas den vidare till olika molntjänster.

Den artificiella intelligens som fordonet är utrustat med är avgörande, men också bearbetningsförmågan hos fordonets dator, perifera servrar och molnet. Hastigheten på att skicka och ta emot data av fordonet, tillsammans med låg latens, är också mycket viktigt.

Problem med datavolym

Även vanliga bilar, med en förare bakom ratten, genererar allt mer data. Självkörande fordon kan generera cirka 1 TB data per timme. Den här mängden data är helt enkelt gigantisk. Och det utgör ett av hindren för den breda tillämpningen av autonom körning.

Tyvärr kan all data från ett självkörande fordon inte bearbetas i molnet eller perifera datacenter, eftersom det introducerar för mycket fördröjning. Även en fördröjning på 100 ms kan göra skillnad på liv eller död för en passagerare eller fotgängare. Fordonet måste svara på uppkommande omständigheter så snabbt som möjligt.

För att minska fördröjningen mellan att ta emot information och svara på den, analyseras en del av informationen av fordonets dator. Till exempel är nya Jeep-modeller utrustade med en dator ombord med 25-50 processorkärnor som hanterar farthållare, blindfläckvarning, hindervarning, automatisk bromsning etc. Fordonets noder kommunicerar med varandra via ett internt nätverk. Det passar också in i konceptet perifer beräkning om vi betraktar fordonets dator som en perifer nod i nätverket. Som resultat utgör obemannade fordon ett komplext hybridnätverk som kombinerar centrala datacenter, molnet och många perifera noder. De senare finns inte bara i fordon, utan också i trafikljus, kontrollstationer, laddningsstationer etc.

Sådana servrar och datacenter utanför fordonet tillhandahåller all möjlig hjälp för autonom körning. De gör det möjligt för fordonet att “se” bortom räckvidden för dess sensorer, koordinera belastningen på vägnätet och hjälpa till att fatta optimala beslut.

Interaktion med varandra och infrastruktur

GPS och datorseende system tillhandahåller självkörande fordon med information om deras position och omedelbara omgivningar. Men, omfattningen av den beräknade miljön ökar ständigt. Ändå kan ett fordon bara samla in en begränsad mängd information. Så, datautbyte är absolut nödvändigt. Som resultat kan varje fordon bättre analysera körningsförhållandena baserat på den större datamängden som samlats in av den autonoma fordonsparken. Fordon-till-fordon (V2V) kommunikationssystem bygger på meshnätverk som skapas av fordon i samma geografiska område. V2V används för att utbyta information och skicka signaler till andra fordon, såsom avståndsvarningar.

V2V-nätverk kan utvidgas för att dela information med trafikinfrastruktur, såsom trafikljus. Det är redan lämpligt att tala om V2I (fordon-till-infrastruktur) kommunikation här. V2I-standarder fortsätter att utvecklas. I USA, utfärdar Federal Highway Administration (FHWA) regelbundet olika V2I-riktlinjer och rapporter för att förbättra tekniken. Fördelarna med V2I sträcker sig långt bortom säkerhet. Utöver att förbättra säkerheten, tillhandahåller fordon-infrastrukturteknik fördelar i termer av rörlighet och interaktion med miljön.

Förare som kör samma rutt varje dag minns alla gropar på vägen. Självkörande fordon lär sig också ständigt. Självkörande fordon kommer att ladda upp tillgänglig, användbar information till perifera datacenter, till exempel integrerade i laddningsstationer. Laddningsstationer kommer att förlita sig på artificiell intelligensalgoritmer som hjälper till att analysera den data som tas emot från fordon och erbjuda möjliga lösningar. Genom molnet kommer den här datan att skickas till andra obemannade fordon i det gemensamma nätverket.

Om den här modellen för datautbyte mellan alla självkörande fordon verkligen materialiseras om några år, kan vi förvänta oss exabyte (miljoner terabyte) data per dag. Enligt olika uppskattningar kan det finnas allt från hundratusentals till tiotals miljoner självkörande fordon på vägarna vid den här tiden.

5G som nyckeln till framgång

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

Flera 5G-anslutna fordonprojekt finns redan. Fordon använder mobiloperatörens 5G-nät och C-V2X (Cellular Vehicle-to-Everything) teknologi för att kommunicera med andra fordon, cyklister och till och med trafikljus. De senare är utrustade med termiska avbildare som upptäcker fotgängare som närmar sig övergången; som resultat visas en varning på fordonets instrumentbräda. Anslutna cyklister informeras om sin position, vilket förhindrar farliga situationer. I händelse av dålig sikt, aktiverar de parkerade fordonen automatiskt varningsblinkers, som meddelar alla närmade fordon om deras position.

5G-mobilnätens förmågor kommer väl till pass här. De tillhandahåller snabba hastigheter, mycket låg latens och förmågan att stödja ett stort antal samtidiga anslutningar. Självkörande fordon utan sådan datorkapacitet kommer inte att kunna utföra många uppgifter snabbare än en person. Till exempel, för att bestämma utseendet på en fotgängare vid närmaste övergång. Dessutom bör fördröjningarna vara minimala, eftersom även en bråkdel av en sekunds fördröjning kan leda till en olycka.

Stora biltillverkare som BMW, Daimler, Hyundai, Ford och Toyota integrerar redan 5G-teknologi i sina produkter. Miljarder dollar har redan spenderats av mobiloperatörer på att bygga 5G-nät. Så, det är rätt tid att ge fordonen en uppsättning färdigheter som kommer att vara användbara i daglig drift.

Alla experiment med 5G-anslutna självkörande fordon kommer att avstanna om inte en 5G-infrastruktur finns på plats. Återigen kan ett obemannat fordon generera 1 TB data per timme, så mobilnätet måste vara redo att överföra den här datan.

Hur man bearbetar och lagrar exabyte data

Inte alla datatyper kräver omedelbar bearbetning, och fordonets dator har begränsad prestanda och lagringsförmåga. 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 biltillverkarnas ansvar att samla in, bearbeta, överföra, skydda och analysera data om varje fordon, trafikstockning, fotgängare eller grop. Vissa smarta stadsarkitekter experimenterar redan med maskinlärningsalgoritmer som analyserar trafikdata mer effektivt för att snabbt identifiera gropar på vägen, reglera trafik och omedelbart svara på olyckor. Ur ett globalt perspektiv tillhandahåller maskinlärningsalgoritmer rekommendationer för att förbättra urban infrastruktur.

För att införa fullständigt autonom körning i våra liv, är det nödvändigt att lösa problemet med att bearbeta och lagra enorma mängder data. Varje dag kan ett obemannat fordon generera upp till 20 TB data. Bara ett fordon! I framtiden kan det leda till exabyte data som genereras på en dag. För att lagra den här datan behövs en högpresterande, flexibel, säker och tillförlitlig edge-infrastruktur. Det finns också problemet med effektiv datorkapacitet.

För att fordonets dator ska kunna fatta beslut i realtid, behöver den den senaste informationen om miljön. Gamla data, såsom information om fordonets position och hastighet för en timme sedan, är vanligtvis inte längre behövda. Men, den här datan är användbar för att ytterligare förbättra algoritmerna för autonom körning.

Utvecklare av artificiell intelligenssystem måste få tillgång till stora mängder data för att träna djupa neurala nätverk: identifiera objekt och deras rörelse genom kameror, lidarinformation och kombinera information om miljön och infrastrukturen på bästa sätt för att fatta beslut. För vägsäkerhetsexperter är datan som samlas in av fordonen omedelbart före olyckor eller farliga situationer på vägen av yttersta vikt.

När data samlas in av självkörande fordon och överförs från dem till perifera datacenter, och sedan migrerar till molnlagring, blir frågan om att använda en optimerad och nivåindelad datalagringsarkitektur alltmer relevant. Färsk data måste analyseras omedelbart för att förbättra maskinlärningsmodeller. Hög genomströmning och låg latens krävs här. SSD och högkapacitets HAMR-enheter med stöd för flera enhets tekniker är bäst lämpade för det här ändamålet.

Efter att datan har passerat den initiala analysfasen, måste den lagras på ett mer effektivt sätt: på högkapacitets men lågkostnads traditionell nearline-lagring. Dessa lagringservrar är väl lämpade om datan kan behövas i framtiden. Gamla data som inte troligen behövs, men måste sparas av någon annan anledning, kan flyttas till arkiveringsnivån.

Data kommer alltmer att bearbetas och analyseras i kanten, vilket inleder eran av Industri 4.0, som förändrar hur vi använder data. Edge-beräkning kommer att göra det möjligt att bearbeta data nära där den samlas in, snarare än en traditionell molnservrar, vilket gör det möjligt att analysera den mycket snabbare och omedelbart svara på förändrade situationer. Ett höghastighetsnätverk för informationsutbyte mellan fordon och perifera datacenter kommer att hjälpa till att göra autonom körning säkrare och mer tillförlitlig.

Slutsats

Hoppas att den här analysen har kastat lite ljus över hur viktig data är inom området autonom körning. Den breda tillämpningen av obemannade fordon innebär insamling av stora mängder data som måste bearbetas inte bara av fordonets dator, utan också av edge-servrar och molnet. Datorkapaciteten bör vara redo i förväg.

När tillämpningen av 5G sprids, kommer självkörande fordon att börja generera alltmer data, som sedan kommer att analyseras och användas för att göra smarta städer till verklighet. Att uppnå det här målet kommer inte att vara särskilt enkelt, men till slut kommer vi att öppna ett nytt kapitel i historien om ett så populärt transportmedel som bilen.

Självkörande fordon är i framkanten av artificiell intelligens, kommunikation och datalagring. För att nå nivån av fullständigt autonom körning, är det nödvändigt att fortsätta utveckla och förbättra dessa teknologier.