自動運転車の台頭は人工知能の進歩の証ですが、自動運転車の成功は AI だけではありません。自動運転車は、カメラ、GPS、ソナー、ライダー、レーダーなどのセンサーのネットワークに依存して、さまざまな環境を移動します。車の車載コンピュータはこの情報をリアルタイムで処理します。一部のデータは、より詳細な分析のために外部のデータセンターにも送信され、最終的にはさまざまなクラウド システムを経由して移動されます。このような膨大な量のデータを処理することは、自動運転車業界にとって大きな課題です。

この文脈では、モノのインターネットの役割が重要になります。これは AI 機能だけでなく、オンボード コンピューティング、周辺サーバー、クラウド テクノロジーの力も重要です。自動運転車のシームレスな機能には、迅速なデータ送信を可能にし、低遅延を確保する IoT インフラストラクチャの効率が不可欠です。

データ処理の課題

現在では、運転手がいる普通の自動車でも生成されるデータの量が増加しています。自動運転車に関しては、データ生成はまったく別のレベルに達し、世界中に広がります。 1時間あたりXNUMXTB。課題は、このすべての情報を処理することにあります。

自動運転車のすべてのデータの処理をクラウドまたは周辺データセンターのみに依存することは、過度の遅延を引き起こすため現実的ではありません。自動運転の世界では、たとえ 100 ミリ秒の遅延でも重大な問題となり、歩行者や自動車の乗客の生死を分ける可能性があります。したがって、これらの車両には状況の変化に即座に対応できる装備が必要であり、迅速なデータ処理が不可欠となります。

情報の受信と応答の間の遅延を最小限に抑えるために、データの一部は車載コンピューターによって処理されます。ジープの新型モデルを例に考えてみましょう。約 50 個のプロセッシング コアで構成されるオンボード コンピューターが搭載されています。このコンピュータは、死角監視、クルーズ コントロール、自動ブレーキ、障害物警告などのさまざまな機能を実行します。さまざまな車両ノードが内部で通信し、車内ネットワークを構築します。

この構成は、次の概念とよく一致しています。 モノのインターネット内のエッジ コンピューティング オンボードコンピュータをIoTネットワークの周辺ノードとして考慮したフレームワーク。その結果、自動運転車が誕生する 複雑なハイブリッド ネットワーク 集中化されたデータセンター、クラウドサービス、および多数の周辺ノードを統合します。ノードは車両に限定されません。充電ステーション、制御所、信号機などにも埋め込まれています。

車外のデータセンターとサーバーは、無人ナビゲーションに大きく役立ちます。これらにより、車両はセンサーの範囲を超えて「見る」ことができ、道路網の交通負荷を管理し、最適な運転上の意思決定を支援します。この相互接続されたシステムは、交通安全における大きな進歩を表しています。

自動運転車技術におけるデータ交換革命

コンピューター ビジョン システムと GPS は、自動運転車に位置と周囲に関する重要な情報を提供します。しかし、位置計算の範囲が拡大しているにもかかわらず、1 台の自動車が収集できるデータ量は限られています。したがって、車両間のデータ交換が重要です。この交換により、自動運転車のフリート全体によって収集されたより大きなデータセットを使用して、各車両が運転状況をよりよく理解できるようになります。車車間システム メッシュネットワークを使用する 同じエリア内の車両によって形成され、情報を共有し、距離警告などの信号を相互に送信します。

さらに、Vehicle-to-Vehicle ネットワークは信号機などの道路インフラとの相互作用を含むように徐々に拡大しています。ここで、車両からインフラへの通信が登場します。 V2I 標準は継続的に進化しています。たとえば、米国では連邦道路管理局が定期的に ガイドとレポートを発行します 技術の進歩を促進するために。 V2I の利点は安全性だけではありません。車載インフラ技術は、交通の安全性を向上させるだけでなく、モビリティと環境相互作用の利点ももたらします。

毎日同じルートを走行するドライバーがあらゆる穴に精通するのと同じように、自動運転車も環境から継続的に学習しています。自動運転車は、周辺のデータセンターに有用な情報をアップロードし、充電ステーションやその他の物体に統合できる可能性があります。 AI アルゴリズムを備えたこれらのステーションは、自動車からのデータを分析し、潜在的なソリューションを提案します。この情報はクラウド経由で他の自動運転車と共有されます。

すべての自動運転車間でのこのデータ交換モデルが今後数年以内に実用化されれば、驚異的な量のデータが毎日生成されることが予想され、その量は数百万テラバイトに達する可能性があります。その頃までに、道路を走る自動運転車の数は数十万台から数千万台に及ぶ可能性があると推定されています。

自動運転車と5G

繰り返しになりますが、自動運転車は、センサーだけでなく、他の車両、信号機、その他の都市インフラ システムと共有されるデータを通じて、歩行者や自転車についての情報を収集できます。これはいくつかの取り組みによって促進されています 5Gコネクテッドカープロジェクト。自動運転車の活用 携帯電話の車両からあらゆるものへ 他の信号機、自転車、自動車と通信するためのテクノロジーと 5G ネットワーク。

信号機には、横断歩道に近づく歩行者を感知して車のダッシュボードに警告を表示する熱画像装置が取り付けられている場合があります。このネットワークに接続している自転車は、自分の位置を近くの車両にブロードキャストできるため、事故のリスクが大幅に軽減されます。さらに、視界が悪い状況では、駐車車両が自動的に緊急点滅装置を作動させ、他のドライバーに車両の存在を警告します。

5G モバイル ネットワークの出現は、自動運転車の進歩にとって非常に貴重であることが証明されています。 5G ネットワークは、高速、極めて低い遅延、および多数の接続を同時に処理できる容量を提供します。これらの機能がなければ、自動運転車は近くの横断歩道で歩行者を検出するなどの重要なタスクで人間を上回るパフォーマンスを発揮するのが難しいでしょう。さらに、ほんのわずか XNUMX 秒でも安全か事故の可能性を分ける可能性があるため、遅延を最小限に抑える必要性が極めて重要です。

トヨタ、BMW、ヒュンダイ、フォードなどの大手自動車メーカーは、すでに自社の車両に5G技術を組み込んでいます。携帯電話事業者は 5G ネットワークの構築に数十億ドルを投資しており、日常の運用に不可欠な機能を車両に装備するにはこれ以上のタイミングはありません。

ただし、5G に接続された自動運転車の進歩と実験はすべて、堅牢な 5G インフラストラクチャの利用可能性にかかっています。自動運転車が 1 時間あたり最大 XNUMXTB のデータを生成できることを考えると、これらのネットワークはそのような膨大なデータ転送需要を処理できるようにすでに準備されている必要があり、将来的にはさらに大きな需要にも対応できる可能性があります。

エクサバイト規模のデータを効果的に保存および処理する

自動運転車によって収集されるすべてのデータが即時処理を必要とするわけではなく、車載コンピューターのパフォーマンスとストレージ機能には制限があります。そのため、ある程度の遅延を許容できるデータを周辺のデータセンターに蓄積し、分析することが現実的です。同時に、他のデータセットをクラウドに移行して処理できます。

あらゆる歩行者、自動車、道路の穴、交通渋滞に関するデータを収集、処理、移動、保護、分析する責任は、市政府と自動車メーカーの両方に負わなければなりません。一部のスマートシティ計画担当者は、すでに機械学習アルゴリズムを活用して交通データをより効率的に分析しています。これらのアルゴリズムは、ポットホールなどの道路の問題を迅速に特定し、交通の流れを最適化し、事故に即座に対応できます。より広範なスケールでは、都市インフラを強化するための推奨事項を提供するために機械学習アルゴリズムが使用されています。

完全自動運転を私たちの日常生活に統合するには、大量のデータの処理と保存という課題に対処する必要があります。 20 台の自動運転車は毎日最大 XNUMX TB のデータを生成できます。将来的には、これにより XNUMX 日でエクサバイト規模のデータが生成される可能性があります。これを管理するには、効率的なデータ処理機能とともに、データ ストレージ用の柔軟で高性能、信頼性が高く安全なエッジ インフラストラクチャが必要です。

車載コンピュータがリアルタイムで意思決定を行うには、その環境に関する最新情報にアクセスできる必要があります。 1 時間前の車両の位置や速度などの古いデータは、通常、即時の意思決定には不要になります。ただし、この履歴データは自動運転アルゴリズムの継続的な改善にとって重要な価値を持っており、リアルタイム処理と長期的なデータ利用のバランスが必要です。

深層学習ネットワークを効果的にトレーニングするには、システム開発者は大量のデータを必要とします。これには、カメラ フィードや LIDAR 情報を通じて物体とその動きを識別し、意思決定のために環境とインフラストラクチャに関するデータを最適に統合することが含まれます。交通安全の専門家にとって、事故や危険な状況の直前に自動運転車によって収集されたデータは非常に貴重です。

自律走行車がデータを収集し、周辺のデータセンターに中継され、最終的にはクラウドに保存されるため、構造化された効率的なデータ ストレージ システムの必要性が高まっています。機械学習モデルを改良するには、新しいデータを迅速に分析する必要があり、高スループットと低遅延が必要です。ソリッド ステート ドライブ (SSD) および大容量熱アシスト磁気記録 (HAMR) ドライブは、マルチドライブ テクノロジのサポートを備えており、これらのタスクに最適です。

自動運転車からのデータは、初期分析が完了したら、よりコスト効率よく、理想的には大容量でありながら低コストの従来のニアライン ストレージ ソリューションに保存する必要があります。これらのストレージ サーバーは、将来役立つ可能性のあるデータに必要です。使用される可能性は低いが、まだ保持する必要がある古いデータは、アーカイブ ストレージに送信できます。

エッジでのデータの処理と分析への移行は、 Industry 4.0、データ利用に革命をもたらします。エッジ コンピューティングにより、従来の遠く離れたクラウド サーバーに依存するのではなく、収集ポイントの近くでデータを処理できるようになります。このアプローチにより、より迅速な分析が可能になり、変化する状況に即座に対応できるようになります。データセンターと車両間の情報転送をサポートする超高速かつ効果的なネットワークは、自動運転技術の安全性と信頼性を向上させます。

まとめ

自動運転車の進歩は、人工知能の飛躍と、複雑なデータ ネットワークの処理における IoT の重要な役割を示しています。一連のセンサーを備え、エッジ コンピューティングによってサポートされる自動運転車は、交通安全と都市モビリティを再構築しています。 5G ネットワークの導入によりその機能がさらに強化され、他の車両や都市インフラとのより高速で信頼性の高い通信が可能になります。

しかし、生成される膨大な量のデータを効果的に処理し、保存することは依然として大きな課題です。数百万台のデータ生成自動運転車が路上を走行する可能性がある未来に向けて進むにつれ、この革新的なテクノロジーの成功と安全性のためには、効率的で安全なデータ インフラストラクチャの開発が不可欠になります。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://www.iotforall.com/addressing-data-processing-challenges-in-autonomous-vehicles