Der Aufstieg selbstfahrender Autos ist ein Beweis für Fortschritte in der künstlichen Intelligenz, aber ihr Erfolg hängt von viel mehr als nur KI ab. Autonome Fahrzeuge sind auf ein Netzwerk von Sensoren angewiesen, darunter Kameras, GPS, Sonar, Lidar und Radar, um in verschiedenen Umgebungen zu navigieren. Der Bordcomputer des Autos verarbeitet diese Informationen in Echtzeit; Einige Daten werden zur tiefergehenden Analyse auch an externe Rechenzentren übertragen und wandern schließlich über verschiedene Cloud-Systeme. Der Umgang mit diesen riesigen Datenmengen ist eine große Herausforderung für die autonome Fahrzeugindustrie.
In diesem Zusammenhang kommt der Rolle des Internets der Dinge eine entscheidende Rolle zu. Dabei geht es nicht nur um die KI-Fähigkeiten, sondern auch um die Leistungsfähigkeit von Onboard-Computing, Peripherieservern und Cloud-Technologien. Die Effizienz der IoT-Infrastruktur bei der Ermöglichung einer schnellen Datenübertragung und der Gewährleistung geringer Latenzzeiten ist für das reibungslose Funktionieren autonomer Fahrzeuge von entscheidender Bedeutung.
Herausforderungen bei der Datenverarbeitung
Heutzutage produzieren selbst normale Autos mit Fahrer immer größere Datenmengen. Wenn es um selbstfahrende Autos geht, liegt die Datengenerierung auf einer ganz anderen Ebene und reicht weit über die Grenzen hinaus 1 TB pro Stunde. Die Herausforderung liegt in der Verarbeitung all dieser Informationen.
Es ist unpraktisch, sich bei der Verarbeitung aller Daten eines selbstfahrenden Autos ausschließlich auf Cloud- oder periphere Rechenzentren zu verlassen, da dies zu übermäßigen Verzögerungen führt. In der Welt des autonomen Fahrens kann bereits eine Verzögerung von 100 Millisekunden kritisch sein und möglicherweise über Leben und Tod eines Fußgängers oder Autoinsassen entscheiden. Daher müssen diese Fahrzeuge in der Lage sein, sofort auf sich ändernde Situationen zu reagieren, weshalb eine schnelle Datenverarbeitung unerlässlich ist.
Um die Verzögerung zwischen Empfang und Reaktion auf Informationen zu minimieren, wird ein Teil der Daten vom Bordcomputer des Fahrzeugs verarbeitet. Nehmen Sie zum Beispiel die neuen Jeep-Modelle. Sie sind mit einem Bordcomputer ausgestattet, der aus etwa 50 Rechenkernen besteht. Dieser Computer betreibt eine Reihe von Funktionen wie Überwachung des toten Winkels, Tempomat, automatisches Bremsen, Hinderniswarnung usw. Die verschiedenen Fahrzeugknoten kommunizieren intern und bilden so ein fahrzeuginternes Netzwerk.
Diese Konfiguration passt gut zum Konzept von Edge Computing im Internet der Dinge Framework, das den Bordcomputer als peripheren Knoten des IoT-Netzwerks betrachtet. Dadurch entstehen autonome Fahrzeuge ein komplexes Hybridnetzwerk das zentralisierte Rechenzentren, Cloud-Dienste und zahlreiche periphere Knoten integriert. Knoten sind nicht auf Fahrzeuge beschränkt; Sie sind auch in Ladestationen, Kontrollposten, Ampeln usw. eingebettet.
Rechenzentren und Server außerhalb des Fahrzeugs leisten einen großen Beitrag zur fahrerlosen Navigation. Sie ermöglichen es dem Fahrzeug, über die Reichweite seiner Sensoren hinaus zu „sehen“, die Verkehrsbelastung im Straßennetz zu verwalten und optimale Fahrentscheidungen zu treffen. Dieses vernetzte System stellt einen bedeutenden Fortschritt in der Verkehrssicherheit dar.
Die Datenaustauschrevolution in der selbstfahrenden Autotechnologie
Computer-Vision-Systeme und GPS versorgen selbstfahrende Autos mit wichtigen Informationen über ihren Standort und ihre Umgebung. Doch trotz der wachsenden Reichweite ihrer Aufenthaltsortsberechnungen kann ein einzelnes Auto nur eine begrenzte Menge an Daten sammeln. Daher ist der Datenaustausch zwischen Fahrzeugen von entscheidender Bedeutung. Dieser Austausch ermöglicht es jedem Fahrzeug, die Fahrbedingungen anhand eines größeren Datensatzes, der von der gesamten Flotte autonomer Fahrzeuge gesammelt wird, besser zu verstehen. Fahrzeug-zu-Fahrzeug-Systeme Verwenden Sie Mesh-Netzwerke Sie werden von Fahrzeugen innerhalb desselben Gebiets gebildet, um Informationen auszutauschen und Signale wie Abstandswarnungen untereinander zu senden.
Darüber hinaus werden Fahrzeug-zu-Fahrzeug-Netzwerke zunehmend erweitert und umfassen auch Interaktionen mit der Straßeninfrastruktur, beispielsweise mit Ampeln. Hier kommt die Kommunikation zwischen Fahrzeug und Infrastruktur ins Spiel. V2I-Standards entwickeln sich ständig weiter. In den Vereinigten Staaten beispielsweise regelmäßig die Federal Highway Administration veröffentlicht Leitfäden und Berichte um den technologischen Fortschritt zu fördern. Die Vorteile von V2I gehen weit über die reine Sicherheit hinaus. Neben der Verbesserung der Verkehrssicherheit bietet die Vehicle-to-Infrastructure-Technologie Vorteile in den Bereichen Mobilität und Umweltinteraktion.
So wie Autofahrer, die täglich die gleiche Strecke zurücklegen, jedes Schlagloch kennen, lernen auch selbstfahrende Autos kontinuierlich von ihrer Umgebung. Autonome Fahrzeuge werden nützliche Informationen in periphere Datenzentren hochladen, die in Ladestationen und andere Objekte integriert werden könnten. Ausgestattet mit KI-Algorithmen werden diese Stationen Daten von Autos analysieren und mögliche Lösungen vorschlagen. Diese Informationen werden dann über die Cloud mit anderen autonomen Fahrzeugen geteilt.
Wenn dieses Modell des Datenaustauschs zwischen allen selbstfahrenden Autos in den nächsten Jahren zum Leben erweckt wird, können wir damit rechnen, dass täglich eine atemberaubende Menge an Daten generiert wird – möglicherweise Millionen von Terabyte. Schätzungen gehen davon aus, dass die Zahl der selbstfahrenden Autos auf den Straßen bis dahin zwischen Hunderttausenden und mehreren zehn Millionen liegen könnte.
Autonome Autos und 5G
Auch hier sind selbstfahrende Autos in der Lage, Informationen über Fußgänger und Radfahrer nicht nur über ihre Sensoren zu sammeln, sondern auch über Daten, die mit anderen Fahrzeugen, Ampeln und anderen städtischen Infrastruktursystemen geteilt werden. Dies wird durch mehrere erleichtert 5G-vernetzte Autoprojekte. Autonome Autos nutzen Mobilfunk-Vehicle-to-Everything Technologie und 5G-Netze für die Kommunikation mit anderen Ampeln, Radfahrern und Autos.
Ampeln können mit Wärmebildkameras ausgestattet sein, um Fußgänger zu erkennen, die sich Fußgängerüberwegen nähern, und Alarme auslösen, die auf dem Armaturenbrett des Autos erscheinen. Radfahrer, die mit diesem Netzwerk verbunden sind, können ihren Standort an Fahrzeuge in der Nähe übertragen und so das Unfallrisiko deutlich reduzieren. Darüber hinaus können geparkte Fahrzeuge bei schlechten Sichtverhältnissen automatisch ihre Warnblinkanlage aktivieren und so andere Fahrer auf ihre Anwesenheit aufmerksam machen.
Das Aufkommen der 5G-Mobilfunknetze ist für die Weiterentwicklung selbstfahrender Autos von unschätzbarem Wert. 5G-Netzwerke bieten hohe Geschwindigkeiten, extrem niedrige Latenzzeiten und die Fähigkeit, zahlreiche Verbindungen gleichzeitig abzuwickeln. Ohne diese Fähigkeiten hätten autonome Fahrzeuge Schwierigkeiten, den Menschen bei kritischen Aufgaben wie der Erkennung von Fußgängern auf einem nahegelegenen Zebrastreifen zu übertreffen. Darüber hinaus ist die Notwendigkeit einer minimalen Verzögerung von entscheidender Bedeutung, da bereits ein kleiner Bruchteil einer Sekunde über die Sicherheit und einen möglichen Unfall entscheiden kann.
Große Automobilhersteller, darunter Toyota, BMW, Hyundai und Ford, integrieren bereits 5G-Technologie in ihre Fahrzeuge. Da Mobilfunkbetreiber Milliarden von Dollar in den Aufbau von 5G-Netzen investieren, könnte der Zeitpunkt nicht besser sein, um Fahrzeuge mit Fähigkeiten auszustatten, die für den täglichen Betrieb unerlässlich sind.
Allerdings hängen alle Fortschritte und Experimente mit 5G-vernetzten autonomen Autos von der Verfügbarkeit einer robusten 5G-Infrastruktur ab. Angesichts der Tatsache, dass ein autonomes Fahrzeug bis zu 1 TB an Daten pro Stunde erzeugen kann, müssen diese Netzwerke bereits jetzt auf die Bewältigung solch enormer Datenübertragungsanforderungen vorbereitet sein, mit dem Potenzial, in Zukunft sogar noch größere Anforderungen abzudecken.
Exabytes an Daten effektiv speichern und verarbeiten
Nicht alle von selbstfahrenden Autos erfassten Daten erfordern eine sofortige Verarbeitung, und es gibt Einschränkungen hinsichtlich der Leistung und Speicherkapazität von Bordcomputern. Daher ist es praktisch, Daten zu sammeln, die eine gewisse Verzögerung vertragen, und sie in peripheren Rechenzentren zu analysieren. Gleichzeitig können andere Datensätze zur Verarbeitung in die Cloud migriert werden.
Die Verantwortung für das Sammeln, Verarbeiten, Verschieben, Sichern und Analysieren von Daten über jeden Fußgänger, jedes Auto, jedes Schlagloch oder jeden Verkehrsstau sollte sowohl bei den Stadtverwaltungen als auch bei den Automobilherstellern liegen. Einige intelligente Stadtplaner nutzen bereits Algorithmen für maschinelles Lernen, um Verkehrsdaten effizienter zu analysieren. Diese Algorithmen können Straßenprobleme wie Schlaglöcher schnell erkennen, den Verkehrsfluss optimieren und bei Unfällen sofort reagieren. In einem größeren Maßstab werden maschinelle Lernalgorithmen eingesetzt, um Empfehlungen für die Verbesserung der städtischen Infrastruktur zu geben.
Um vollständig autonomes Fahren in unser tägliches Leben zu integrieren, müssen wir uns der Herausforderung stellen, riesige Datenmengen zu verarbeiten und zu speichern. Ein einzelnes selbstfahrendes Fahrzeug kann täglich bis zu 20 TB Daten erzeugen. Mit Blick auf die Zukunft könnte dies zur Erzeugung von Exabytes an Daten an einem einzigen Tag führen. Um dies zu bewältigen, sind eine flexible, leistungsstarke, zuverlässige und sichere Edge-Infrastruktur für die Datenspeicherung sowie effiziente Datenverarbeitungsfunktionen erforderlich.
Damit ein Bordcomputer Entscheidungen in Echtzeit treffen kann, muss er Zugriff auf die neuesten Informationen über seine Umgebung haben. Veraltete Daten, wie der Standort und die Geschwindigkeit des Fahrzeugs von vor einer Stunde, werden in der Regel für die sofortige Entscheidungsfindung überflüssig. Diese historischen Daten sind jedoch von großem Wert für die kontinuierliche Verbesserung autonomer Fahralgorithmen und erfordern ein Gleichgewicht zwischen Echtzeitverarbeitung und langfristiger Datennutzung.
Um Deep-Learning-Netzwerke effektiv zu trainieren, benötigen Systementwickler erhebliche Datenmengen. Dazu gehört die Identifizierung von Objekten und deren Bewegungen durch Kamera-Feeds und Lidar-Informationen sowie die optimale Integration von Daten über die Umgebung und Infrastruktur für die Entscheidungsfindung. Für Verkehrssicherheitsexperten sind die Daten, die autonome Autos unmittelbar vor Zwischenfällen oder Gefahrensituationen sammeln, von unschätzbarem Wert.
Der Bedarf an einem strukturierten und effizienten Datenspeichersystem wächst, da autonome Fahrzeuge Daten sammeln, die an periphere Rechenzentren weitergeleitet und schließlich in der Cloud gespeichert werden. Neue Daten sollten zeitnah analysiert werden, um Modelle für maschinelles Lernen zu verfeinern, was einen hohen Durchsatz und eine geringe Latenz erfordert. Solid State Drives (SSDs) und wärmeunterstützte magnetische Aufzeichnung mit hoher Kapazität (HAMR)-Antriebe, ausgestattet mit Unterstützung für Multi-Drive-Technologien, sind für diese Aufgaben bestens geeignet.
Sobald Daten von autonomen Fahrzeugen einer ersten Analyse unterzogen wurden, müssen sie kostengünstiger gespeichert werden, idealerweise auf herkömmlichen Nearline-Speicherlösungen mit hoher Kapazität, aber geringeren Kosten. Diese Speicherserver werden für Daten benötigt, die in Zukunft hilfreich sein könnten. Ältere Daten, die weniger wahrscheinlich verwendet werden, aber dennoch aufbewahrt werden müssen, können an den Archivspeicher gesendet werden.
Der Wandel hin zur Verarbeitung und Analyse von Daten am Rande ist ein Markenzeichen von Industrie 4.0, revolutioniert unsere Datennutzung. Edge Computing ermöglicht die Verarbeitung von Daten in der Nähe ihres Erfassungsorts, anstatt sich auf herkömmliche entfernte Cloud-Server zu verlassen. Dieser Ansatz ermöglicht eine wesentlich schnellere Analyse und ermöglicht sofortige Reaktionen auf sich ändernde Situationen. Ein superschnelles und effektives Netzwerk, das die Informationsübertragung zwischen Rechenzentren und Fahrzeugen unterstützt, wird die Sicherheit und Zuverlässigkeit der selbstfahrenden Technologie verbessern.
Zusammenfassung
Die Weiterentwicklung selbstfahrender Autos zeigt einen Sprung in der künstlichen Intelligenz und die entscheidende Rolle des IoT bei der Handhabung komplexer Datennetzwerke. Autonome Fahrzeuge, ausgestattet mit einer Reihe von Sensoren und unterstützt durch Edge Computing, verändern die Verkehrssicherheit und die städtische Mobilität. Durch die Einführung von 5G-Netzen werden deren Fähigkeiten weiter verbessert und eine schnellere und zuverlässigere Kommunikation mit anderen Fahrzeugen und der städtischen Infrastruktur ermöglicht.
Die effektive Verarbeitung und Speicherung der riesigen Datenmengen bleibt jedoch eine große Herausforderung. Während wir auf eine Zukunft zusteuern, in der möglicherweise Millionen datengenerierender autonomer Fahrzeuge auf den Straßen unterwegs sind, wird die Entwicklung einer effizienten und sicheren Dateninfrastruktur für den Erfolg und die Sicherheit dieser revolutionären Technologie unerlässlich.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://www.iotforall.com/addressing-data-processing-challenges-in-autonomous-vehicles
