Kendi kendini süren arabaların yükselişi, yapay zekadaki ilerlemelerin bir kanıtıdır, ancak başarıları yapay zekadan çok daha fazlasına bağlıdır. Otonom araçlar, çeşitli ortamlarda gezinmek için kameralar, GPS, sonarlar, lidarlar ve radarlar dahil olmak üzere bir sensör ağına güveniyor. Aracın yerleşik bilgisayarı bu bilgiyi gerçek zamanlı olarak işler; bazı veriler daha derin analizler için harici veri merkezlerine de iletilir ve sonunda çeşitli bulut sistemleri üzerinden taşınır. Bu büyük miktardaki verinin işlenmesi, otonom araç endüstrisi için önemli bir zorluktur.

Bu bağlamda Nesnelerin İnternetinin rolü önem kazanmaktadır. Bu sadece yapay zeka yetenekleriyle ilgili değil, aynı zamanda yerleşik bilgi işlemin, çevresel sunucuların ve bulut teknolojilerinin gücüyle de ilgili. IoT altyapısının hızlı veri iletimini sağlama ve düşük gecikmeyi sağlama konusundaki verimliliği, otonom araçların sorunsuz çalışması için hayati önem taşıyor.

Veri İşleme Zorlukları

Günümüzde sürücülü sıradan arabalar bile giderek artan miktarda veri üretiyor. Sürücüsüz arabalara gelince, veri üretimi bambaşka bir seviyede; Saatte 1 TB. Buradaki zorluk tüm bu bilgilerin işlenmesinde yatmaktadır.

Sürücüsüz bir otomobilin tüm verilerinin işlenmesi için yalnızca buluta veya çevresel veri merkezlerine güvenmek pratik değildir çünkü bu, aşırı gecikmelere neden olur. Otonom sürüş dünyasında, 100 milisaniyelik bir gecikme bile kritik öneme sahip olabilir ve potansiyel olarak bir yaya veya araba yolcusu için ölümle kalım arasındaki fark olabilir. Bu nedenle, bu araçların değişen durumlara anında yanıt verebilecek donanıma sahip olması, hızlı veri işlemeyi hayati önem taşıyor.

Bilgi alma ve yanıt verme arasındaki gecikmeyi en aza indirmek için verilerin bir kısmı aracın yerleşik bilgisayarı tarafından işleniyor. Örneğin yeni Jeep modellerini ele alalım. Yaklaşık 50 işlem çekirdeğinden oluşan yerleşik bir bilgisayarla donatılmış olarak gelirler. Bu bilgisayar, kör nokta izleme, hız sabitleyici, otomatik frenleme, engel uyarısı vb. gibi bir dizi fonksiyona güç sağlar. Çeşitli araç düğümleri dahili olarak iletişim kurarak araç içi bir ağ oluşturur.

Bu konfigürasyon kavramıyla iyi uyum sağlar. Nesnelerin İnterneti'nde uç bilişim Yerleşik bilgisayarı IoT ağının çevresel düğümü olarak dikkate alan çerçeve. Sonuç olarak otonom araçlar oluşuyor. karmaşık bir hibrit ağ merkezi veri merkezlerini, bulut hizmetlerini ve çok sayıda çevresel düğümü entegre eden bir sistemdir. Düğümler araçlarla sınırlı değildir; ayrıca şarj istasyonlarına, kontrol noktalarına, trafik ışıklarına vb. de yerleştirilmiştir.

Aracın dışındaki veri merkezleri ve sunucular, sürücüsüz navigasyona büyük ölçüde yardımcı oluyor. Aracın sensör aralığının ötesini "görmesini", yol ağı trafik yüklerini yönetmesini ve optimum sürüş kararları alınmasına yardımcı olmasını sağlarlar. Bu birbirine bağlı sistem karayolu güvenliğinde önemli bir ilerlemeyi temsil ediyor.

Sürücüsüz Araç Teknolojisinde Veri Alışverişi Devrimi

Bilgisayarlı görüş sistemleri ve GPS, sürücüsüz arabaları konumları ve çevreleri hakkında önemli bilgilerle donatıyor. Ancak, nerede olduğu hesaplamalarının genişleyen aralığına rağmen, tek bir araba yalnızca sınırlı miktarda veri toplayabilir. Bu nedenle araçlar arasındaki veri alışverişi kritik önem taşıyor. Bu değişim, her bir aracın, tüm otonom araç filosu tarafından toplanan daha büyük bir veri kümesini kullanarak sürüş koşullarını daha iyi anlamasına olanak tanır. Araçtan araca sistemler örgü ağları kullan Aynı bölge içerisinde bulunan araçların birbirlerine bilgi paylaşımında bulunmak ve mesafe uyarısı gibi sinyaller göndermek amacıyla oluşturdukları sistemdir.

Üstelik Araçtan Araca ağlar, trafik ışıkları gibi karayolu altyapısıyla etkileşimleri içerecek şekilde giderek genişliyor. Araçtan altyapıya iletişimin devreye girdiği yer burasıdır. V2I standartları sürekli olarak gelişmektedir. Örneğin Amerika Birleşik Devletleri'nde Federal Karayolu İdaresi düzenli olarak kılavuzlar ve raporlar yayınlar teknolojik gelişmeleri teşvik etmek. V2I'nin faydaları güvenliğin çok ötesine geçiyor. Araçtan Altyapıya teknolojisi, yol güvenliğini artırmanın yanı sıra mobilite ve çevresel etkileşim avantajları da sunuyor.

Her gün aynı rotayı kullanan sürücülerin her çukura alışması gibi, sürücüsüz otomobiller de sürekli olarak çevrelerinden öğreniyor. Otonom araçlar, şarj istasyonlarına ve diğer nesnelere entegre edilebilecek çevresel veri merkezlerine faydalı bilgiler yükleyecek. Yapay zeka algoritmalarıyla donatılan bu istasyonlar, arabalardan gelen verileri analiz edecek ve potansiyel çözümler önerecek. Bu bilgiler daha sonra bulut aracılığıyla diğer otonom araçlarla paylaşılacak.

Eğer tüm sürücüsüz araçlar arasında bu veri alışverişi modeli önümüzdeki birkaç yıl içinde hayata geçerse, her gün şaşırtıcı miktarda verinin üretileceğini ve potansiyel olarak milyonlarca terabayta ulaşacağını tahmin edebiliriz. O zamana kadar tahminler, yollardaki sürücüsüz araba sayısının yüz binlerce ila on milyon arasında değişebileceğini gösteriyor.

Otonom Arabalar ve 5G

Yine sürücüsüz arabalar, yalnızca sensörleri aracılığıyla değil, aynı zamanda diğer araçlarla, trafik ışıklarıyla ve diğer kentsel altyapı sistemleriyle paylaşılan veriler aracılığıyla yayalar ve bisikletliler hakkında bilgi toplayabiliyor. Bu birkaç kişi tarafından kolaylaştırılıyor 5G bağlantılı araba projeleri. Otonom otomobiller kullanılıyor Hücresel Araçtan Her Şeye diğer trafik ışıkları, bisikletliler ve arabalarla iletişim için teknoloji ve 5G ağları.

Trafik ışıklarına, yaya geçitlerine yaklaşan yayaları algılamak ve arabanın gösterge panosunda uyarıların görünmesini tetiklemek için termal kameralar takılabilir. Bu ağa bağlanan bisikletliler konumlarını yakındaki araçlara yayınlayarak kaza riskini önemli ölçüde azaltabiliyor. Ek olarak, görüş mesafesinin zayıf olduğu durumlarda, park halindeki araçlar acil durum flaşörlerini otomatik olarak etkinleştirerek diğer sürücüleri onların varlığı konusunda uyarabilir.

5G mobil ağlarının ortaya çıkışı, sürücüsüz araçların gelişimi için paha biçilemez bir değere sahip. 5G ağları yüksek hızlar, son derece düşük gecikme süresi ve aynı anda çok sayıda bağlantıyı yönetme kapasitesi sunar. Bu yetenekler olmasaydı, otonom araçlar yakındaki yaya geçidindeki yayaları tespit etmek gibi kritik görevlerde insanlardan daha iyi performans göstermede zorluk çekerdi. Üstelik, saniyenin çok küçük bir kısmı bile güvenlik ile potansiyel bir kaza arasındaki fark olabileceğinden, minimum gecikme ihtiyacı hayati önem taşımaktadır.

Aralarında Toyota, BMW, Hyundai ve Ford'un da bulunduğu büyük otomotiv üreticileri halihazırda araçlarına 5G teknolojisini dahil ediyor. Hücresel operatörlerin 5G ağlarının inşasına milyarlarca dolar yatırdığı göz önüne alındığında, araçları günlük operasyonlar için gerekli yeteneklerle donatmak için zamanlama bundan daha iyi olamazdı.

Ancak 5G bağlantılı otonom araçlarla ilgili tüm ilerlemeler ve deneyler, sağlam bir 5G altyapısının varlığına bağlı. Otonom bir aracın saatte 1 TB'ye kadar veri üretebildiği göz önüne alındığında, bu ağların, gelecekte daha da büyük talepleri karşılama potansiyeliyle birlikte, bu kadar büyük veri aktarımı taleplerini karşılamaya hazır olması gerekir.

Exabaytlarca Verinin Etkili Bir Şekilde Depolanması ve İşlenmesi

Sürücüsüz araçlar tarafından toplanan her veri parçasının anında işlenmesi gerekmemektedir ve araç bilgisayarlarının performans ve depolama yeteneklerinde sınırlamalar bulunmaktadır. Bu nedenle gecikmeyi göze alabilecek verilerin biriktirilmesi ve çevresel veri merkezlerinde analiz edilmesi pratiktir. Eş zamanlı olarak diğer veri kümeleri işlenmek üzere buluta taşınabilir.

Her yaya, araba, çukur veya trafik sıkışıklığına ilişkin verilerin toplanması, işlenmesi, taşınması, korunması ve analiz edilmesi sorumluluğu hem şehir yönetimlerine hem de otomobil üreticilerine düşmelidir. Bazı akıllı şehir planlamacıları, trafik verilerini daha verimli bir şekilde analiz etmek için halihazırda makine öğrenimi algoritmalarından yararlanıyor. Bu algoritmalar, çukurlar gibi yol sorunlarını hızla tespit edebiliyor, trafik akışını optimize edebiliyor ve kazalara anında müdahale edebiliyor. Daha geniş ölçekte, şehir altyapısını geliştirmeye yönelik öneriler sunmak için makine öğrenimi algoritmaları kullanılıyor.

Tamamen otonom sürüşü günlük hayatımıza entegre etmek, büyük miktarda veriyi işleme ve depolama zorluğunun üstesinden gelmeyi gerektirir. Tek bir sürücüsüz araç, her gün 20 TB'a kadar veri üretebilir. İleriye bakıldığında bu, tek bir günde eksabaytlarca verinin üretilmesine yol açabilir. Bunu yönetmek, verimli veri işleme özelliklerinin yanı sıra veri depolama için esnek, yüksek performanslı, güvenilir ve güvenli bir uç altyapı gerektirir.

Yerleşik bir bilgisayarın gerçek zamanlı kararlar alabilmesi için, ortamıyla ilgili en son bilgilere erişebilmesi gerekir. Aracın bir saat önceki konumu ve hızı gibi güncel olmayan veriler, genellikle acil karar verme aşamasında gereksiz hale gelir. Ancak bu geçmiş veriler, otonom sürüş algoritmalarının devam eden gelişimi için önemli bir değer taşıyor ve gerçek zamanlı işleme ile uzun vadeli veri kullanımı arasında bir denge gerektiriyor.

Derin öğrenme ağlarını etkili bir şekilde eğitmek için sistem geliştiricileri önemli miktarda veriye ihtiyaç duyar. Bu, kamera yayınları ve lidar bilgileri yoluyla nesnelerin ve hareketlerinin tanımlanmasını ve karar verme için çevre ve altyapı hakkındaki verilerin en iyi şekilde entegre edilmesini içerir. Karayolu güvenliği uzmanları için, otonom araçların olaylardan veya tehlikeli durumlardan hemen önce topladığı veriler paha biçilmez değerdedir.

Otonom araçlar çevresel veri merkezlerine iletilen ve sonuçta bulutta depolanan verileri topladıkça, yapılandırılmış ve verimli bir veri depolama sistemine duyulan ihtiyaç artıyor. Yüksek verim ve düşük gecikme gerektiren makine öğrenimi modellerini iyileştirmek için yeni veriler derhal analiz edilmelidir. Katı Hal Sürücüleri (SSD'ler) ve yüksek kapasiteli Isı Destekli Manyetik Kayıt (HAMR) çoklu sürücü teknolojileri desteğiyle donatılmış sürücüler bu görevler için idealdir.

Otonom araçlardan alınan veriler ilk analizden geçtikten sonra, bu verilerin daha uygun maliyetli bir şekilde, ideal olarak yüksek kapasiteli ancak daha düşük maliyetli geleneksel nearline depolama çözümlerinde depolanması gerekir. Bu depolama sunucularına gelecekte faydalı olabilecek veriler için ihtiyaç duyulmaktadır. Kullanılma olasılığı daha düşük olan ancak yine de saklanması gereken eski veriler arşiv deposuna gönderilebilir.

Uçta veri işleme ve analiz etme yönündeki değişim, Sanayi 4.0, veri kullanımımızda devrim yaratıyor. Edge bilişim, verilerin geleneksel uzak bulut sunucularına bağlı kalmak yerine, toplama noktasına yakın bir yerde işlenmesini sağlar. Bu yaklaşım, çok daha hızlı analiz yapılmasını sağlayarak değişen durumlara anında yanıt verilmesini sağlar. Veri merkezleri ve araçlar arasında bilgi aktarımını destekleyen süper hızlı ve etkili bir ağ, otonom sürüş teknolojisinin güvenliğini ve güvenilirliğini artıracak.

Sonuç

Sürücüsüz arabaların gelişimi, yapay zekada bir sıçramayı ve IoT'nin karmaşık veri ağlarını yönetmedeki önemli rolünü ortaya koyuyor. Bir dizi sensörle donatılmış ve uç bilişimle desteklenen otonom araçlar, yol güvenliğini ve kentsel hareketliliği yeniden şekillendiriyor. 5G ağlarının kullanıma sunulması, diğer araçlarla ve kentsel altyapıyla daha hızlı, daha güvenilir iletişim sağlayarak yeteneklerini daha da artırıyor.

Ancak, üretilen büyük miktardaki verinin etkili bir şekilde işlenmesi ve depolanması önemli bir zorluk olmaya devam etmektedir. Potansiyel olarak milyonlarca veri üreten otonom aracın yollarda olduğu bir geleceğe doğru ilerlerken, bu devrim niteliğindeki teknolojinin başarısı ve güvenliği için verimli ve güvenli veri altyapısı geliştirmek zorunlu hale geliyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.iotforall.com/addressing-data-processing-challenges-in-autonomous-vehicles