自主驾驶车辆的问题和解决方法 – 思想领袖

自主驾驶车辆需要的不仅仅是简单的人工智能。一个自主驾驶汽车从各种来源如声纳、摄像头、雷达、GPS和激光雷达接收数据，允许它在任何环境中导航。来自这些设备的信息应该快速处理，数据量是巨大的。

信息从传感器处理不仅仅是由汽车的计算机在实时进行的。一些数据被发送到外围数据中心进行进一步分析。然后，通过一个复杂的等级制度，它被重定向到各种云中。

车辆所具备的人工智能是至关重要的，但也是车载计算机、外围服务器和云的处理能力。发送和接收数据的速度以及低延迟都是非常重要的。

数据量问题

甚至普通汽车，后面有一个司机，也会产生越来越多的数据。自主驾驶汽车可以每小时产生约1TB的数据。这个数据量简直是巨大的。并且它代表了自主驾驶的大规模采用的一个障碍。

不幸的是，自主驾驶汽车的所有数据都不能在云或外围数据中心处理，因为这会引入太多的延迟。即使100毫秒的延迟也会使乘客或行人的生命与死亡之间产生区别。汽车必须尽快地响应出现的情况。

为了减少接收信息和响应之间的延迟，部分信息是由车载计算机分析的。例如，新的Jeep车型配备了一个具有25-50个处理核心的车载计算机，用于巡航控制、盲点监测、障碍警告、自动制动等。车辆节点通过内部网络相互通信。它也符合外围计算的概念，如果我们将车载计算机视为网络的外围节点。因此，無人驾驶车辆组成了一个复杂的混合网络，结合了集中式数据中心、云和许多外围节点。后者不仅位于汽车中，还位于交通信号灯、控制站、充电站等。

这样的服务器和数据中心在汽车外提供了所有可能的自主驾驶帮助。它们允许汽车“看到”超出其传感器范围的东西，协调道路网络上的负载，并帮助做出最优决策。

相互交互和基础设施

GPS和计算机视觉系统为自主驾驶汽车提供了有关其位置和周围环境的信息。然而，计算环境的范围不断增加。然而，一个汽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主车队收集的更大数据集更好地分析驾驶条件。车辆对车辆（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用于交换信息和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基础设施（如交通信号灯）共享信息。这里已经可以讨论V2I（车辆对基础设施）通信了。V2I标准继续演变。在美国，联邦公路管理局（FHWA）定期发布各种V2I指南和报告，以帮助改进该技术。V2I的好处远远超出了安全性。除了提高安全性，车辆基础设施技术还提供了移动性和与环境交互的优势。

司机每天走同一条路线，会记住路上的所有坑。自主驾驶汽车也在不断学习。自主驾驶汽车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。充电站将依赖于人工智能算法，帮助分析从汽车接收的数据，并提供可能的解决方案。通过云，这些数据将被传输到同一网络中的其他无人驾驶车辆。

如果这种自主驾驶汽车之间的数据交换模式在几年内真正实现，那么我们可以预计每天会产生数百万兆字节（Exabytes）的数据。根据各种估计，到那时，可能会有数十万到数百万辆自主驾驶汽车出现在道路上。

5G是成功的关键

如上所述，自主驾驶汽车不仅可以从其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的数据交换来接收信息。

已经存在几个5G连接汽车项目。汽车使用移动运营商的5G网络和C-V2X（蜂窝车辆对一切）技术与其他汽车、骑自行车者和甚至交通信号灯进行通信。后者配备了热成像仪，检测接近交叉口的行人；结果，警告出现在汽车的仪表盘上。连接的骑自行车者被告知他们的位置，这可以防止危险的情况。在能见度不佳的情况下，停泊的汽车自动打开危险警告灯，通知所有接近的汽车他们的位置。

5G移动网络的功能在这里很有用。它们提供快速的速度、非常低的延迟和支持大量同时连接的能力。没有这些数据处理能力的自主驾驶汽车将无法比人更快地执行许多任务。例如，确定最近交叉口出现的行人的情况。另外，延迟应该最小化，因为即使一小部分延迟也可能导致事故。

主要的汽车制造商，如宝马、戴姆勒、现代、福特和丰田，已经将5G技术集成到他们的产品中。运营商已经花费了数十亿美元来建设5G网络。因此，现在是给车辆一套在日常操作中有用的技能的合适时机。

所有与5G连接的自主驾驶汽车的实验都将陷入停滞，除非5G基础设施到位。再次，一个无人驾驶车辆可以每小时产生1TB的数据，因此移动网络必须准备好传输这些数据。

如何处理和存储数百万兆字节的数据

并非所有数据类型都需要立即处理，车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，而一些数据将迁移到云中并在那里处理。

这是城市政府和汽车制造商的责任，捕获、处理、传输、保护和分析每辆车、交通堵塞、行人或坑洼的数据。一些智能城市建筑师已经在尝试使用机器学习算法更高效地分析交通数据，以快速识别道路上的坑洼、调节交通和立即响应事故。从全球角度来看，机器学习算法提供了改善城市基础设施的建议。

为了将完全自主驾驶引入我们的生活，解决处理和存储大量数据的问题是必要的。每天，一个无人驾驶车辆可以产生多达20TB的数据。仅仅一辆车！在未来，这可能会导致每天产生数百万兆字节的数据。为了存储这些数据，需要一个高性能、灵活、安全和可靠的边缘基础设施。还有高效数据处理的问题。

为了使车载计算机能够实时做出决定，它需要有关环境的最新信息。旧数据，例如一小时前汽车的位置和速度，通常不再需要。然而，这些数据对于进一步改进自主驾驶算法是有用的。

人工智能系统的开发者需要大量数据来训练深度学习网络：识别物体及其运动通过摄像头、激光雷达信息，并优化地结合环境和基础设施的信息，以便做出决定。对于道路安全专家来说，汽车在事故或道路上危险情况之前收集的数据是至关重要的。

当自主驾驶汽车收集数据并将其传输到外围数据中心，然后迁移到云存储时，使用优化和分层的数据存储架构的问题变得更加相关。新鲜数据必须立即分析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，支持多驱动器技术，最适合此目的。

在数据经过初步分析阶段后，它必须以更高效的方式存储：在高容量但低成本的传统近线存储中。这些存储服务器适合如果数据可能在未来需要。旧数据不太可能需要，但出于某些原因必须保留，可以移动到存档级别。

数据将越来越多地在边缘处理和分析，开启Industry 4.0的时代，这将改变我们使用数据的方式。边缘计算将使数据能够在收集的位置附近处理，而不是传统的云服务器，使其能够更快地分析，并立即响应不断变化的情况。车辆和外围数据中心之间的高速网络信息交换将有助于使自主驾驶更加安全和可靠。

结论

希望这个分析能够阐明数据在自主驾驶领域的重要性。自主驾驶汽车的大规模采纳涉及收集大量数据，这些数据不仅应该由车载计算机处理，还应该由边缘服务器和云处理。

随着5G的采用，自主驾驶汽车将开始产生更多和更多的数据，这些数据将被分析和用于使智能城市成为现实。实现这一目标不会很容易，但最终，我们将在交通工具的历史中开启一个新篇章。

自主驾驶汽车处于人工智能技术、通信和数据存储的前沿。为了达到完全自主驾驶的水平，继续开发和改进这些技术是必要的。