自动驾驶车辆的问题和解决方案 – 思想领袖

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

传感器的信息不仅仅由汽车的计算机实时处理。一些数据被发送到周边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端。

车辆所具备的人工智能至关重要，但车载计算机、周边服务器和云端的处理能力也同样重要。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，司机也在不断产生数据。自驾驶汽车可以每小时产生约1TB的数据。这量数据简直是巨大的。它代表了自主驾驶的主要障碍之一。

不幸的是，自驾驶汽车的所有数据都不能在云端或周边数据中心处理，因为这会引入太多的延迟。即使100毫秒的延迟也可能导致乘客或行人的生死差异。汽车必须尽快响应出现的情况。

为了减少接收信息和响应之间的延迟，部分信息由车载计算机分析。例如，新的吉普车型配备了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。它也符合周边计算的概念，如果我们将车载计算机视为网络的周边节点。因此，自动驾驶汽车构成了一个复杂的混合网络，结合了集中式数据中心、云端和许多周边节点。这些节点不仅位于汽车中，还位于交通信号灯、检查站、充电站等处。

这些汽车外的服务器和数据中心为自动驾驶提供了所有可能的帮助。它们允许汽车“看到”超出其传感器范围的东西，协调道路网络的负载，并帮助做出最佳决策。

相互交互和基础设施

GPS和计算机视觉系统为自驾驶汽车提供了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，一辆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动驾驶车队收集的更大数据集更好地分析驾驶条件。车辆间（V2V）通信系统依赖于由同一地理区域内的车辆创建的网状网络。V2V用于与其他车辆交换信息和发送信号，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。这已经是讨论车辆与基础设施（V2I）通信的时候了。V2I标准正在不断演变。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，车辆与基础设施的技术还提供了提高机动性和与环境交互的优势。

每天走同一条路的司机会记住路上的所有坑。自驾驶汽车也在不断学习。自驾驶汽车将有用的信息上传到周边数据中心，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。通过云端，这些数据将被传输到同一网络中的其他自动驾驶汽车。

如果这种自动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，道路上可能会出现从几十万到几百万辆自动驾驶汽车。

5G是成功的关键

如上所述，自驾驶汽车不仅可以通过其传感器接收有关行人和骑行者的信息，还可以通过与其他车辆、交通信号灯和其他城市基础设施交换数据来接收信息。

已经有一些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）技术与其他车辆、骑行者甚至交通信号灯进行通信。交通信号灯配备了热成像仪，可以检测接近交叉口的行人，结果是汽车仪表盘上出现警告。连接的骑行者被告知他们的位置，这可以防止危险的情况出现。在能见度不佳的情况下，停车的汽车自动打开危险警告灯，通知所有接近的汽车它们的位置。

5G移动网络的功能在这里非常有用。它们提供了快速的速度、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，确定最近交叉口出现的行人的情况。另外，延迟应该是最小的，因为即使一小部分秒的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技术整合到他们的产品中。运营商已经花费了数十亿美元来建立5G网络。因此，现在是赋予车辆一系列在日常操作中有用技能的合适时机。

所有与5G连接的自动驾驶汽车的实验都将停滞不前，除非5G基础设施到位。再次，自动驾驶汽车可以每小时产生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”的数据应该积累并在周边数据中心分析，而一些数据将迁移到云端并在那里处理。

这是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、交通拥堵、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来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。

为了将完全自动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。自动驾驶汽车每天可以产生多达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信息，通常不再需要。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需要大量数据来训练深度学习网络：通过摄像头、激光雷达信息和优化地结合环境和基础设施信息来识别物体及其运动，并做出决定。对于道路安全专家来说，汽车在事故或道路危险情况发生前收集的数据至关重要。

当自动驾驶汽车收集数据并将其传输到周边数据中心，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越来越相关。新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。固态硬盘和支持多驱动器技术的高容量HAMR驱动器最适合此目的。

数据经过初步分析后，必须更高效地存储：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。可能不需要但出于某些原因必须保留的旧数据可以移至存档级别。

数据将越来越多地在边缘处理和分析，标志着工业4.0时代的到来，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，允许更快地分析并立即响应不断变化的情况。车辆和周边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和可靠。

结论

希望这篇分析能够对自动驾驶领域中数据的重要性提供一些见解。自动驾驶汽车的广泛采用涉及大量数据的收集，这些数据不仅需要由车载计算机处理，还需要由边缘服务器和云端处理。数据处理基础设施应该提前准备好。

随着5G的采用，自驾驶汽车将开始产生越来越多的数据，这些数据将被分析并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，我们将在汽车这样一种流行的交通工具的历史中开启一个新篇章。

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