自动潜水器的问题及其解决方法 – 思想领袖

自动驾驶汽车需要的不仅仅是简单的人工智能。 自动驾驶汽车从声纳、摄像头、雷达、GPS 和激光雷达等各种来源接收数据，使其能够在任何环境中导航。 来自这些设备的信息需要快速处理，并且数据量巨大。

来自传感器的信息不仅由汽车的计算机实时处理。一些数据会被发送到外围数据中心进行进一步分析。然后，这些数据会通过复杂的层级结构重定向到各个云端。

车辆所具备的人工智能至关重要，但车载计算机、外围服务器和云的处理能力也至关重要。 汽车发送和接收数据的速度以及低延迟也非常重要。

数据量问题

即使是普通的汽车，只要有驾驶员在驾驶，也会产生越来越多的数据。自动驾驶汽车每小时大约能产生1TB的数据。这个数据量简直是巨大的。这也成为自动驾驶大规模普及的障碍之一。

不幸的是，自动驾驶汽车的所有数据无法在云端或外围数据中心处理，因为这会带来太多延迟。 即使 100 毫秒的延迟也可能会影响乘客或行人的生死。 汽车必须尽快响应新出现的情况。

为了减少接收信息和响应信息之间的延迟，部分信息由机载计算机进行分析。 例如，新 吉普车车型 配备有25-50个处理核心的车载计算机，用于巡航控制、盲点监控、障碍物警告、自动制动等。车辆节点通过内部网络相互通信。 如果我们将机载计算机视为网络的外围节点，它也符合外围计算的概念。 因此，无人驾驶汽车 复杂的混合网络 它结合了集中式数据中心、云和许多外围节点。 后者不仅存在于汽车中，还存在于交通灯、控制站、充电站等处。

此类车外服务器和数据中心为自动驾驶提供一切可能的帮助。 它们使汽车能够“看到”传感器范围之外的区域，协调道路网络上的负载，并帮助做出最佳决策。

彼此之间以及基础设施的互动

GPS 和计算机视觉系统为自动驾驶汽车提供有关其位置和周围环境的信息。然而，计算环境的范围在不断扩大。尽管如此，一辆车只能收集有限的信息。因此，数据交换是绝对必要的。因此，每辆车都可以根据自动驾驶车队收集的更重要的数据集更好地分析驾驶状况。车对车 (V2V) 通信系统依赖于 网状网络 由同一地理区域内的车辆创建。 V2V用于交换信息并向其他车辆发送信号，例如距离警告。

V2V 网络可以扩展为与交通信号灯等交通基础设施共享信息。 这里讨论V2I（车辆到基础设施）通信已经很合适了。 V2I 标准不断发展。 在美国，联邦公路管理局 (FHWA) 定期发布各种 V2I 指南和报告 帮助改进技术。 V2I 的好处远远超出了安全性。 除了增强安全性之外，车辆基础设施技术还在移动性和与环境的交互方面提供了优势。

每天走同一条路线的司机都会记得路上的所有坑洼。 自动驾驶汽车也在不断学习。 自动驾驶汽车会将可用的有用信息上传到外围数据中心，例如集成到充电站中的数据中心。 充电站将依赖人工智能算法，帮助分析从汽车接收到的数据并提供可能的解决方案。 通过云端，这些数据将被传输到公共网络中的其他无人驾驶车辆。

如果所有自动驾驶汽车之间的这种数据交换模型在几年内真正实现，那么我们预计每天会产生艾字节（数百万太字节）的数据。 根据各种估计，届时道路上可能会出现数十万至数千万辆自动驾驶汽车。

5G是成功的关键

如上所述，自动驾驶汽车不仅可以从传感器接收有关行人和骑自行车者的信息，还可以通过与其他汽车、交通信号灯和其他城市基础设施交换数据来接收有关行人和骑自行车者的信息。

几个 5G联网汽车项目 已经存在。汽车使用移动运营商的 5G 网络和 C-V2X（蜂窝车联网）技术与其他车辆、骑行者甚至交通信号灯进行通信。交通信号灯配备热像仪，可探测到正在靠近人行横道的行人；因此，车辆仪表盘上会显示警告。联网骑行者会被告知其位置，从而避免危险情况的发生。在能见度低的情况下，停放的车辆会自动打开应急闪光灯，通知所有来车其位置。

5G 移动网络的功能在这里派上用场。 它们提供快速的速度、极低的延迟以及支持大量并发连接的能力。 没有这种数据处理能力的自动驾驶汽车将无法比人更快地执行许多任务。 例如，确定最近十字路口处行人的出现情况。 此外，延误应该最小化，因为即使是一小部分的延误也可能导致事故。

宝马、戴姆勒、现代、福特和丰田等主要汽车制造商已经将5G技术集成到他们的产品中。 移动运营商已花费数十亿美元建设 5G 网络。 因此，现在是为车辆提供一套在日常操作中有用的技能的正确时机。

除非 5G 基础设施到位，否则所有 5G 连接自动驾驶汽车的实验都将陷入停滞。 同样，无人驾驶车辆每小时可以产生 1TB 的数据，因此移动网络必须准备好传输这些数据。

如何处理和存储 EB 级数据

并非所有数据类型都需要立即处理，并且机载计算机的性能和存储能力有限。 因此，可以“等待”的数据应该在外围数据中心积累和分析，而部分数据将迁移到云端进行处理。

市政府和汽车制造商有责任捕获、处理、传输、保护和分析有关每辆汽车、交通拥堵、行人或坑洼的数据。一些智慧城市建筑师已经在尝试使用机器学习算法来更有效地分析交通数据，以快速识别道路上的坑洼、调节交通并立即响应事故。从全球角度来看，机器学习算法为改善城市基础设施提供了建议。

要将全自动驾驶引入我们的生活，就必须解决海量数据的处理和存储问题。 一辆无人驾驶车辆每天可以生成高达 20 TB 的数据。 只有一辆车！ 未来，它可能会导致一天内生成 EB 级的数据。 为了存储这些数据，您需要高性能、灵活、安全且可靠的边缘基础设施。 还有一个有效的数据处理问题。

为了让机载计算机做出实时决策，它需要有关环境的最新信息。 通常不再需要旧数据，例如一小时前的汽车位置和速度信息。 然而，这些数据对于进一步改进自动驾驶算法是有用的。

人工智能系统的开发人员必须接收大量数据来训练深度学习网络：通过摄像头、激光雷达信息识别物体及其运动，并以最佳方式结合环境和基础设施的信息以做出决策。 对于道路安全专家来说，汽车在道路上发生事故或危险情况之前收集的数据至关重要。

随着自动驾驶汽车收集数据并传输到外围数据中心，然后迁移到云存储，使用优化的分层数据存储架构的问题变得越来越重要。 必须立即分析新数据以改进机器学习模型。 这里需要高吞吐量和低延迟。 固态硬盘和 高容量 HAMR 驱动器 支持多驱动技术最适合此目的。

数据通过初始分析阶段后，必须更有效地存储：在高容量但低成本的传统近线存储上。 如果将来可能需要数据，这些存储服务器非常适合。 不太可能需要但由于某些其他原因必须保留的旧数据可以移至归档级别。

数据将越来越多地在边缘进行处理和分析，迎来工业 4.0 时代，这正在改变我们使用数据的方式。 边缘计算将允许在靠近收集数据的地方（而不是传统的云服务器）处理数据，从而可以更快地分析数据，立即响应不断变化的情况。 汽车与外围数据中心之间的高速信息交换网络将有助于使自动驾驶更加安全可靠。

结语

希望这一分析能够让人们了解数据在自动驾驶领域的重要性。 无人驾驶车辆的大规模采用涉及收集大量数据，这些数据不仅应由车载计算机处理，还应由边缘服务器和云处理。 数据处理基础设施应提前准备好。

随着 5G 的普及，自动驾驶汽车将开始生成越来越多的数据，然后对这些数据进行分析和使用，使智慧城市成为现实。 实现这一目标并不容易，但最终，我们将开启汽车这种流行交通工具的历史新篇章。

自动驾驶汽车处于人工智能技术、通信和数据存储的最前沿。 要达到完全自动驾驶的水平，需要不断开发和完善这些技术。