L’essor des voitures autonomes témoigne des progrès de l’intelligence artificielle, mais leur succès dépend bien plus que de la seule IA. Les véhicules autonomes s'appuient sur un réseau de capteurs, notamment des caméras, des GPS, des sonars, des lidars et des radars, pour naviguer dans divers environnements. L'ordinateur de bord de la voiture traite ces informations en temps réel ; Certaines données sont également transmises à des centres de données externes pour une analyse plus approfondie, puis transitent par divers systèmes cloud. La gestion de ces grandes quantités de données constitue un défi de taille pour l’industrie des véhicules autonomes.

Dans ce contexte, le rôle de l’Internet des objets devient crucial. Il ne s’agit pas seulement des capacités de l’IA, mais aussi de la puissance de l’informatique embarquée, des serveurs périphériques et des technologies cloud. L’efficacité de l’infrastructure IoT pour permettre une transmission rapide des données et garantir une faible latence est vitale pour le fonctionnement fluide des véhicules autonomes.

Défis du traitement des données

Aujourd’hui, même les voitures ordinaires avec chauffeur produisent des quantités croissantes de données. Lorsqu'il s'agit de voitures autonomes, la génération de données se situe à un autre niveau, atteignant environ 1 To par heure. Le défi réside dans le traitement de toutes ces informations.

Il n'est pas pratique de s'appuyer uniquement sur le cloud ou sur des centres de données périphériques pour traiter toutes les données d'une voiture autonome, car cela entraîne des retards excessifs. Dans le monde de la conduite autonome, même un retard de 100 millisecondes peut être critique, pouvant faire la différence entre la vie et la mort d'un piéton ou d'un passager d'une voiture. Par conséquent, ces véhicules doivent être équipés pour réagir immédiatement à des situations changeantes, ce qui rend vital le traitement rapide des données.

Pour minimiser le délai entre la réception et la réponse aux informations, une partie des données est traitée par l'ordinateur de bord de la voiture. Prenez par exemple les nouveaux modèles Jeep. Ils sont équipés d'un ordinateur embarqué composé d'environ 50 cœurs de traitement. Cet ordinateur alimente une gamme de fonctions telles que la surveillance des angles morts, le régulateur de vitesse, le freinage automatique, l'avertissement d'obstacle, etc. Les différents nœuds du véhicule communiquent en interne, créant ainsi un réseau embarqué.

Cette configuration s'aligne bien avec le concept de l'informatique de pointe dans l'Internet des objets framework, considérant l’ordinateur de bord comme un nœud périphérique du réseau IoT. En conséquence, les véhicules autonomes forment un réseau hybride complexe qui intègre des centres de données centralisés, des services cloud et de nombreux nœuds périphériques. Les nœuds ne se limitent pas aux véhicules ; ils sont également intégrés dans les bornes de recharge, les postes de contrôle, les feux tricolores, etc.

Les centres de données et les serveurs situés à l'extérieur du véhicule facilitent grandement la navigation sans conducteur. Ils permettent au véhicule de « voir » au-delà de la portée de ses capteurs, de gérer la charge de trafic sur le réseau routier et de l’aider à prendre des décisions de conduite optimales. Ce système interconnecté représente une avancée significative en matière de sécurité routière.

La révolution de l’échange de données dans la technologie des voitures autonomes

Les systèmes de vision par ordinateur et les GPS fournissent aux voitures autonomes des informations essentielles sur leur emplacement et leur environnement. Pourtant, malgré la gamme croissante de calculs de localisation, une seule voiture ne peut collecter qu’une quantité limitée de données. L’échange de données entre véhicules est donc essentiel. Cet échange permet à chaque véhicule de mieux comprendre les conditions de conduite grâce à un ensemble de données plus large collecté par l’ensemble de la flotte de véhicules autonomes. Systèmes de véhicule à véhicule utiliser des réseaux maillés formés par des véhicules dans la même zone pour partager des informations et s'envoyer des signaux tels que des avertissements de distance.

De plus, les réseaux de véhicule à véhicule s'étendent progressivement pour inclure des interactions avec les infrastructures routières, comme les feux de circulation. C’est là qu’intervient la communication véhicule-infrastructure. Les normes V2I évoluent continuellement. Aux États-Unis, par exemple, la Federal Highway Administration publie des guides et des rapports pour favoriser les progrès technologiques. Les avantages du V2I vont bien au-delà de la simple sécurité. En plus d’améliorer la sécurité routière, la technologie Vehicle-to-Infrastructure offre des avantages en matière de mobilité et d’interaction environnementale.

Tout comme les conducteurs qui parcourent quotidiennement le même itinéraire se familiarisent avec chaque nid-de-poule, les voitures autonomes apprennent également continuellement de leur environnement. Les véhicules autonomes téléchargeront des informations utiles vers des centres de données périphériques, qui pourraient être intégrés dans des bornes de recharge et d'autres objets. Equipées d'algorithmes d'IA, ces stations analyseront les données des voitures et proposeront des solutions potentielles. Ces informations seront ensuite partagées avec d’autres véhicules autonomes via le cloud.

Si ce modèle d’échange de données entre toutes les voitures autonomes prend vie dans les prochaines années, nous pouvons nous attendre à ce qu’une quantité impressionnante de données soit générée quotidiennement, pouvant atteindre des millions de téraoctets. D’ici là, les estimations suggèrent que le nombre de voitures autonomes sur les routes pourrait varier entre des centaines de milliers et des dizaines de millions.

Voitures autonomes et 5G

Encore une fois, les voitures autonomes sont capables de collecter des informations sur les piétons et les cyclistes non seulement grâce à leurs capteurs, mais également via des données partagées avec d'autres véhicules, des feux de circulation et d'autres systèmes d'infrastructures urbaines. Ceci est facilité par plusieurs Projets de voitures connectées 5G. Les voitures autonomes utilisent Véhicule cellulaire à tout technologie et réseaux 5G pour la communication avec d’autres feux de circulation, cyclistes et voitures.

Les feux de circulation peuvent être équipés d'imageurs thermiques pour détecter les piétons à l'approche des passages pour piétons, déclenchant ainsi l'apparition d'alertes sur le tableau de bord de la voiture. Les cyclistes connectés à ce réseau peuvent diffuser leur position aux véhicules à proximité, réduisant ainsi considérablement les risques d'accidents. De plus, dans des conditions de mauvaise visibilité, les véhicules stationnés peuvent activer automatiquement leurs feux de détresse, alertant ainsi les autres conducteurs de leur présence.

L’avènement des réseaux mobiles 5G s’avère inestimable pour le progrès des voitures autonomes. Les réseaux 5G offrent des débits élevés, une latence extrêmement faible et la capacité de gérer de nombreuses connexions simultanément. Sans ces capacités, les véhicules autonomes auraient du mal à surpasser les humains dans des tâches critiques comme la détection de piétons à un passage pour piétons à proximité. De plus, la nécessité d’un délai minimal est vitale, car même une infime fraction de seconde peut faire la différence entre la sécurité et un accident potentiel.

Les grands constructeurs automobiles, dont Toyota, BMW, Hyundai et Ford, intègrent déjà la technologie 5G dans leurs véhicules. Avec des milliards de dollars investis par les opérateurs de téléphonie mobile dans la construction de réseaux 5G, le moment ne pourrait pas être mieux choisi pour équiper les véhicules de capacités essentielles au fonctionnement quotidien.

Cependant, tous les progrès et expériences concernant les voitures autonomes connectées à la 5G dépendent de la disponibilité d’une infrastructure 5G robuste. Étant donné qu'un véhicule autonome peut générer jusqu'à 1 To de données par heure, ces réseaux doivent déjà être prêts à gérer des demandes de transfert de données aussi immenses, avec le potentiel de couvrir des demandes encore plus importantes à l'avenir.

Stockage et traitement efficaces des exaoctets de données

Toutes les données collectées par les voitures autonomes ne nécessitent pas un traitement immédiat, et les performances et les capacités de stockage des ordinateurs de bord sont limitées. Il est donc pratique d’accumuler des données pouvant supporter un certain retard et de les analyser dans des centres de données périphériques. Simultanément, d’autres ensembles de données peuvent être migrés vers le cloud pour traitement.

La responsabilité de collecter, traiter, déplacer, sauvegarder et analyser les données sur chaque piéton, voiture, nid-de-poule ou embouteillage devrait incomber à la fois aux autorités municipales et aux constructeurs automobiles. Certains urbanistes intelligents exploitent déjà des algorithmes d’apprentissage automatique pour analyser plus efficacement les données de trafic. Ces algorithmes peuvent identifier rapidement les problèmes routiers tels que les nids-de-poule, optimiser la circulation et fournir des réponses immédiates aux accidents. À plus grande échelle, les algorithmes d’apprentissage automatique sont utilisés pour proposer des recommandations visant à améliorer les infrastructures urbaines.

Intégrer la conduite entièrement autonome dans notre vie quotidienne nécessite de relever le défi du traitement et du stockage d’énormes quantités de données. Un seul véhicule autonome peut générer jusqu’à 20 To de données chaque jour. À l’avenir, cela pourrait conduire à la génération d’exaoctets de données en une seule journée. La gestion de cela nécessite une infrastructure périphérique flexible, performante, fiable et sécurisée pour le stockage des données, ainsi que des capacités de traitement des données efficaces.

Pour qu’un ordinateur de bord puisse prendre des décisions en temps réel, il doit avoir accès aux dernières informations sur son environnement. Les données obsolètes, telles que la position et la vitesse du véhicule d'il y a une heure, deviennent généralement redondantes pour une prise de décision immédiate. Cependant, ces données historiques revêtent une valeur significative pour l’amélioration continue des algorithmes de conduite autonome, nécessitant un équilibre entre le traitement en temps réel et l’utilisation des données à long terme.

Pour former efficacement les réseaux de deep learning, les développeurs de systèmes ont besoin de quantités importantes de données. Cela inclut l'identification des objets et de leurs mouvements grâce aux flux de caméras et aux informations lidar et l'intégration optimale des données sur l'environnement et l'infrastructure pour la prise de décision. Pour les experts en sécurité routière, les données recueillies par les voitures autonomes immédiatement avant les incidents ou les situations dangereuses sont inestimables.

La nécessité d'un système de stockage de données structuré et efficace augmente à mesure que les véhicules autonomes collectent des données qui sont relayées vers des centres de données périphériques et finalement stockées dans le cloud. Les nouvelles données doivent être analysées rapidement pour affiner les modèles d'apprentissage automatique, nécessitant un débit élevé et une faible latence. Disques SSD (Solid State Drives) et enregistrement magnétique à assistance thermique haute capacité (HAMR), équipés de la prise en charge des technologies multi-disques, sont parfaitement adaptés à ces tâches.

Une fois que les données des véhicules autonomes ont fait l’objet d’une analyse initiale, elles doivent être stockées de manière plus rentable, idéalement sur des solutions de stockage de proximité traditionnelles de haute capacité mais moins coûteuses. Ces serveurs de stockage sont nécessaires pour les données qui pourraient être utiles à l'avenir. Les données plus anciennes, moins susceptibles d’être utilisées mais qui doivent tout de même être conservées, peuvent être envoyées vers un stockage d’archives.

L’évolution vers le traitement et l’analyse des données en périphérie est une caractéristique de Industrie 4.0, révolutionnant notre utilisation des données. L'Edge Computing permet de traiter les données à proximité de leur point de collecte plutôt que de s'appuyer sur des serveurs cloud distants traditionnels. Cette approche permet une analyse beaucoup plus rapide, permettant des réponses immédiates à des situations changeantes. Un réseau ultra rapide et efficace prenant en charge le transfert d’informations entre les centres de données et les véhicules améliorera la sécurité et la fiabilité de la technologie de conduite autonome.

Conclusion

Les progrès des voitures autonomes mettent en évidence un bond en avant dans l’intelligence artificielle et le rôle crucial de l’IoT dans la gestion des réseaux de données complexes. Les véhicules autonomes, équipés d’un ensemble de capteurs et soutenus par l’informatique de pointe, remodèlent la sécurité routière et la mobilité urbaine. L’introduction des réseaux 5G améliore encore leurs capacités, permettant une communication plus rapide et plus fiable avec d’autres véhicules et infrastructures urbaines.

Cependant, le traitement et le stockage efficaces des grandes quantités de données générées restent un défi de taille. Alors que nous nous dirigeons vers un avenir avec potentiellement des millions de véhicules autonomes générant des données sur les routes, le développement d’une infrastructure de données efficace et sécurisée devient impératif pour le succès et la sécurité de cette technologie révolutionnaire.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://www.iotforall.com/addressing-data-processing-challenges-in-autonomous-vehicles