De opkomst van zelfrijdende auto’s is een bewijs van de vooruitgang op het gebied van kunstmatige intelligentie, maar hun succes hangt af van veel meer dan alleen AI. Autonome voertuigen zijn afhankelijk van een netwerk van sensoren, waaronder camera's, GPS, sonars, lidars en radars, om door verschillende omgevingen te navigeren. De boordcomputer van de auto verwerkt deze informatie in realtime; sommige gegevens worden ook verzonden naar externe datacenters voor diepere analyse, en uiteindelijk via verschillende cloudsystemen. Het omgaan met deze enorme hoeveelheden gegevens is een grote uitdaging voor de autonome voertuigindustrie.

In deze context wordt de rol van het internet der dingen cruciaal. Het gaat niet alleen om de AI-mogelijkheden, maar ook om de kracht van on-board computing, perifere servers en cloudtechnologieën. De efficiëntie van de IoT-infrastructuur bij het mogelijk maken van snelle datatransmissie en het garanderen van een lage latentie is van cruciaal belang voor het naadloos functioneren van autonome voertuigen.

Uitdagingen op het gebied van gegevensverwerking

Tegenwoordig produceren zelfs gewone auto’s met chauffeur steeds grotere hoeveelheden gegevens. Als het om zelfrijdende auto’s gaat, bevindt de datageneratie zich op een ander niveau en reikt ze rond 1TB per uur. De uitdaging ligt in de verwerking van al deze info.

Het is onpraktisch om uitsluitend te vertrouwen op cloud- of perifere datacenters voor het verwerken van alle gegevens van een zelfrijdende auto, omdat dit buitensporige vertragingen met zich meebrengt. In de wereld van autonoom rijden kan zelfs een vertraging van 100 milliseconden van cruciaal belang zijn en mogelijk het verschil betekenen tussen leven en dood voor een voetganger of autopassagier. Daarom moeten deze voertuigen worden uitgerust om onmiddellijk op veranderende situaties te kunnen reageren, waardoor een snelle gegevensverwerking van cruciaal belang is.

Om de vertraging tussen het ontvangen en reageren op informatie te minimaliseren, wordt een deel van de gegevens verwerkt door de boordcomputer van de auto. Neem bijvoorbeeld de nieuwe Jeep-modellen. Ze zijn uitgerust met een boordcomputer bestaande uit ongeveer 50 verwerkingskernen. Deze computer stuurt een reeks functies aan, zoals dodehoekmonitoring, cruise control, automatisch remmen, obstakelwaarschuwing, enz. De verschillende voertuigknooppunten communiceren intern, waardoor een netwerk in het voertuig ontstaat.

Deze configuratie sluit goed aan bij het concept van edge computing binnen het Internet of Things raamwerk, waarbij de boordcomputer als een randknooppunt van het IoT-netwerk wordt beschouwd. Als gevolg hiervan ontstaan ​​er autonome voertuigen een complex hybride netwerk dat gecentraliseerde datacenters, cloudservices en talrijke perifere knooppunten integreert. Knooppunten zijn niet beperkt tot voertuigen; ze zijn ook ingebed in laadstations, controleposten, verkeerslichten, enz.

Datacenters en servers buiten het voertuig helpen enorm bij navigatie zonder bestuurder. Ze stellen het voertuig in staat om buiten het sensorbereik te ‘zien’, de verkeersbelasting op het wegennetwerk te beheren en te helpen bij het nemen van optimale rijbeslissingen. Dit onderling verbonden systeem betekent een aanzienlijke sprong voorwaarts op het gebied van de verkeersveiligheid.

De data-uitwisselingsrevolutie in zelfrijdende autotechnologie

Computervisiesystemen en GPS voorzien zelfrijdende auto's van essentiële informatie over hun locatie en omgeving. Maar ondanks het steeds groter wordende bereik van hun verblijfplaatsberekeningen kan één enkele auto slechts een beperkte hoeveelheid gegevens verzamelen. Daarom is gegevensuitwisseling tussen voertuigen van cruciaal belang. Door deze uitwisseling kan elk voertuig de rijomstandigheden beter begrijpen met behulp van een grotere dataset die door het hele wagenpark van autonome voertuigen wordt verzameld. Voertuig-naar-voertuigsystemen gebruik mesh-netwerken gevormd door voertuigen binnen hetzelfde gebied om informatie te delen en signalen zoals afstandswaarschuwingen naar elkaar te sturen.

Bovendien breiden voertuig-tot-voertuignetwerken zich geleidelijk uit en omvatten ze interacties met de weginfrastructuur, zoals verkeerslichten. Dit is waar voertuig-naar-infrastructuurcommunicatie een rol speelt. V2I-standaarden evolueren voortdurend. In de Verenigde Staten bijvoorbeeld doet de Federal Highway Administration regelmatig mee publiceert handleidingen en rapporten om technologische vooruitgang te bevorderen. De voordelen van V2I gaan veel verder dan alleen veiligheid. Naast het verbeteren van de verkeersveiligheid biedt Vehicle-to-Infrastructure-technologie voordelen op het gebied van mobiliteit en interactie met het milieu.

Net zoals automobilisten die dagelijks dezelfde route afleggen ieder kuiltje leren kennen, zo leren ook zelfrijdende auto’s voortdurend van hun omgeving. Autonome voertuigen zullen nuttige informatie uploaden naar perifere datacentra, die kunnen worden geïntegreerd in laadstations en andere objecten. Uitgerust met AI-algoritmen zullen deze stations gegevens van auto's analyseren en mogelijke oplossingen voorstellen. Deze informatie wordt vervolgens via de cloud gedeeld met andere autonome voertuigen.

Als dit model van gegevensuitwisseling tussen alle zelfrijdende auto’s de komende jaren tot leven komt, kunnen we verwachten dat er dagelijks een duizelingwekkende hoeveelheid gegevens wordt gegenereerd – mogelijk wel miljoenen terabytes. Schattingen suggereren dat tegen die tijd het aantal zelfrijdende auto's op de weg zou kunnen variëren van honderdduizenden tot tientallen miljoenen.

Autonome auto's en 5G

Ook hier zijn zelfrijdende auto’s in staat informatie over voetgangers en fietsers te verzamelen, niet alleen via hun sensoren, maar ook via gegevens die worden gedeeld met andere voertuigen, verkeerslichten en andere stedelijke infrastructuursystemen. Dit wordt door meerdere gefaciliteerd 5G-verbonden autoprojecten. Zelfrijdende auto’s maken gebruik van Mobiel voertuig-naar-alles technologie en 5G-netwerken voor communicatie met andere verkeerslichten, fietsers en auto's.

Verkeerslichten kunnen worden uitgerust met warmtebeeldcamera's om te detecteren of voetgangers een zebrapad naderen, waardoor er waarschuwingen op het dashboard van de auto verschijnen. Fietsers die op dit netwerk zijn aangesloten, kunnen hun locatie doorgeven aan voertuigen in de buurt, waardoor de kans op ongevallen aanzienlijk wordt verminderd. Bovendien kunnen geparkeerde voertuigen bij slecht zicht automatisch hun noodknipperlichten activeren, waardoor andere bestuurders op hun aanwezigheid worden gewezen.

De komst van mobiele 5G-netwerken blijkt van onschatbare waarde voor de vooruitgang van zelfrijdende auto’s. 5G-netwerken bieden hoge snelheden, extreem lage latentie en de capaciteit om meerdere verbindingen tegelijkertijd te verwerken. Zonder deze mogelijkheden zouden autonome voertuigen moeite hebben om beter te presteren dan mensen bij kritieke taken zoals het detecteren van voetgangers op een nabijgelegen zebrapad. Bovendien is de noodzaak van minimale vertraging van cruciaal belang, aangezien zelfs een kleine fractie van een seconde het verschil kan zijn tussen veiligheid en een mogelijk ongeval.

Grote autofabrikanten, waaronder Toyota, BMW, Hyundai en Ford, integreren 5G-technologie al in hun voertuigen. Met miljarden dollars die door mobiele operators zijn geïnvesteerd in het bouwen van 5G-netwerken, kon de timing niet beter zijn om voertuigen uit te rusten met mogelijkheden die essentieel zijn voor het dagelijkse gebruik.

Alle vooruitgang en experimenten met op 5G aangesloten autonome auto's zijn echter afhankelijk van de beschikbaarheid van een robuuste 5G-infrastructuur. Gegeven het feit dat een autonoom voertuig tot wel 1 TB aan data per uur kan genereren, moeten deze netwerken al voorbereid zijn op het omgaan met zulke immense eisen op het gebied van dataoverdracht, met het potentieel om in de toekomst aan nog grotere eisen te voldoen.

Exabytes aan gegevens effectief opslaan en verwerken

Niet elk stukje data dat door zelfrijdende auto's wordt verzameld, vereist onmiddellijke verwerking, en er zijn beperkingen aan de prestaties en opslagmogelijkheden van boordcomputers. Daarom is het praktisch om gegevens die enige vertraging kunnen veroorzaken, te verzamelen en deze in perifere datacentra te analyseren. Tegelijkertijd kunnen andere datasets voor verwerking naar de cloud worden gemigreerd.

De verantwoordelijkheid voor het verzamelen, verwerken, verplaatsen, beveiligen en analyseren van gegevens over elke voetganger, auto, kuil of verkeersopstopping zou bij zowel stadsbesturen als autofabrikanten moeten liggen. Sommige slimme stadsplanners maken al gebruik van machine learning-algoritmen om verkeersgegevens efficiënter te analyseren. Deze algoritmen kunnen problemen op de weg, zoals gaten in het wegdek, snel identificeren, de verkeersstroom optimaliseren en onmiddellijk reageren op ongevallen. Op bredere schaal worden machine learning-algoritmen gebruikt om aanbevelingen te doen voor het verbeteren van de stadsinfrastructuur.

Om volledig autonoom rijden in ons dagelijks leven te integreren, moeten we de uitdaging aangaan van het verwerken en opslaan van enorme hoeveelheden gegevens. Eén zelfrijdend voertuig kan elke dag tot 20 TB aan gegevens genereren. Vooruitkijkend zou dit kunnen leiden tot het genereren van exabytes aan gegevens op één dag. Het beheer hiervan vereist een flexibele, krachtige, betrouwbare en veilige edge-infrastructuur voor gegevensopslag, samen met efficiënte gegevensverwerkingsmogelijkheden.

Wil een boordcomputer realtime beslissingen kunnen nemen, dan moet deze toegang hebben tot de meest recente informatie over zijn omgeving. Gegevens die verouderd zijn, zoals de locatie en snelheid van het voertuig van een uur geleden, worden doorgaans overbodig voor onmiddellijke besluitvorming. Deze historische gegevens zijn echter van grote waarde voor de voortdurende verbetering van algoritmen voor autonoom rijden, waardoor een evenwicht nodig is tussen realtime verwerking en gegevensgebruik op de lange termijn.

Om deep learning-netwerken effectief te kunnen trainen, hebben systeemontwikkelaars aanzienlijke hoeveelheden gegevens nodig. Dit omvat het identificeren van objecten en hun bewegingen via camerafeeds en lidar-informatie en het optimaal integreren van gegevens over de omgeving en infrastructuur voor besluitvorming. Voor verkeersveiligheidsexperts zijn de gegevens die autonome auto’s verzamelen vlak voor incidenten of gevaarlijke situaties van onschatbare waarde.

De noodzaak voor een gestructureerd en efficiënt gegevensopslagsysteem groeit naarmate autonome voertuigen gegevens verzamelen die worden doorgegeven aan perifere datacentra en uiteindelijk worden opgeslagen in de cloud. Nieuwe gegevens moeten onmiddellijk worden geanalyseerd om machine learning-modellen te verfijnen, waarvoor een hoge doorvoer en lage latentie nodig zijn. Solid State Drives (SSD's) en hitteondersteunde magnetische opname met hoge capaciteit (HAMR)-schijven, uitgerust met ondersteuning voor multi-drive-technologieën, zijn bij uitstek geschikt voor deze taken.

Zodra gegevens van autonome voertuigen een eerste analyse hebben ondergaan, moeten deze kosteneffectiever worden opgeslagen, idealiter op traditionele nearline-opslagoplossingen met een hoge capaciteit maar goedkoper. Deze opslagservers zijn nodig voor gegevens die in de toekomst nuttig kunnen zijn. Oudere gegevens die minder snel zullen worden gebruikt, maar toch moeten worden bewaard, kunnen naar de archiefopslag worden gestuurd.

De verschuiving naar het verwerken en analyseren van gegevens aan de rand is een kenmerk hiervan Industrie 4.0, wat een revolutie teweegbrengt in ons datagebruik. Edge computing maakt het mogelijk dat gegevens dichtbij het verzamelpunt worden verwerkt, in plaats van te vertrouwen op traditionele cloudservers op afstand. Deze aanpak maakt een veel snellere analyse mogelijk, waardoor onmiddellijke reacties op veranderende situaties mogelijk zijn. Een supersnel en effectief netwerk dat de overdracht van informatie tussen datacenters en voertuigen ondersteunt, zal de veiligheid en betrouwbaarheid van zelfrijdende technologie verbeteren.

Conclusie

De vooruitgang van zelfrijdende auto’s toont een sprong in kunstmatige intelligentie en de cruciale rol van IoT bij het omgaan met complexe datanetwerken. Autonome voertuigen, uitgerust met een reeks sensoren en ondersteund door edge computing, geven een nieuwe vorm aan de verkeersveiligheid en stedelijke mobiliteit. De introductie van 5G-netwerken vergroot hun mogelijkheden verder, waardoor snellere, betrouwbaardere communicatie met andere voertuigen en stedelijke infrastructuur mogelijk wordt.

De effectieve verwerking en opslag van de enorme hoeveelheden gegenereerde gegevens blijft echter een aanzienlijke uitdaging. Terwijl we op weg zijn naar een toekomst met potentieel miljoenen data-genererende autonome voertuigen op de wegen, wordt het ontwikkelen van een efficiënte en veilige data-infrastructuur absoluut noodzakelijk voor het succes en de veiligheid van deze revolutionaire technologie.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.iotforall.com/addressing-data-processing-challenges-in-autonomous-vehicles