Autonóm mobilitás: elképesztően összetett a jövő közlekedése

Autonóm mobilitás: elképesztően összetett a jövő közlekedése

Autonóm mobilitás: elképesztően összetett a jövő közlekedése

autó

4 perc

Hatalmas mennyiségű adat keletkezik az önvezető járművek tesztelése során. A prototípusok adatai, valamint a már forgalomban lévő autók egyedi érzékelőiből származó információk segítségével a Continental folyamatosan képes fejleszteni a vezetést segítő funkciókat.

A rögzített utazások mentésre kerülnek, majd az új szoftververziók segítségével virtuálisan újrajárhatók lesznek. Ennek eredményeként változatos mesterséges intelligencia modellek jönnek létre, amelyek olyan szinten kiterjedtek és részletesek, hogy bármilyen elképzelhető forgalmi helyzetet képesek kezelni. Az autóipari cég legfontosabb követelménye pedig az, hogy a rendszernek mindig és mindenhol működnie kell.

  • Adatkezelés: az autók már most is nagy mennyiségű adatot generálnak. A mobilitási koncepciók, például az autonóm vezetés, felgyorsítják ezt a folyamatot, amely hatékony adatkezelést von maga után. A Continental a fejlesztések során több petabájtnyi releváns adatot gyűjt be. Ugyanakkor a folyamatosan növekvő adatmennyiség a funkcionális szoftver folyamatos fejlesztése révén növeli a vezetést segítő rendszerek minőségét.
  • Mesterséges intelligencia (MI/AI): segítségével a kívánt viselkedést adatokból lehet megtanulni. Az MI-t már az adatgyűjtési szakaszban fel lehet használni a nyers adatkészletben speciális figyelmet igénylő forgalmi szituációk azonosítására. Így lesz a Big Datából Smart Data.
  • Mély gépi tanulás: a deep learning során egy mesterséges idegháló lehetővé teszi a gép számára, hogy tapasztalat útján tanuljon, és az új információkat egyesítse a meglévő tudással. Ez lényegében az emberi agy tanulási folyamatát utánozza.

A kihívások egyike az, hogy azoknak az MI modelleknek, amelyek végső soron lehetővé teszik az esetleges közlekedési helyzetek megoldását, elég kompaktnak kell lenniük ahhoz, hogy elférjenek az autó egy kis chipjében. A technológiát pedig a hosszú élettartamra kell tervezni, mivel egy jármű életciklusa lényegesen hosszabb, mint egy okostelefoné.

A mesterséges intelligencia segít a kiértékelésben

A Continental mesterséges intelligenciára és hatalmas számítási teljesítményre támaszkodik az autonóm vezetéshez szükséges rendszerek kifejlesztése során. Az MI javítja a vezetéstámogató rendszerek teljesítményét, intelligensebbé és biztonságosabbá teszi a mobilitást, valamint felgyorsítja az autonóm vezetéshez szükséges rendszerek fejlesztését. Ennek érdekében az Nvidiával közösen az NVIDIA DGX MI rendszeren alapuló nagyteljesítményű számítógépklasztert hoztak létre. A fejlett vezetést segítő rendszerek a gépi intelligenciához fordulnak, amikor döntéseket hoznak, vagy segítik a sofőrt, és természetesen akkor, amikor autonóm módon működnek.

A környezeti érzékelők, például a radarok és kamerák, nyers adatokat szolgáltatnak. Ezeket a nyers adatokat intelligens rendszerek valós időben dolgozzák fel, hogy egy átfogó modellt alkossanak a jármű környezetéről, és egy stratégiát dolgozzanak ki a vele való interakcióra. Végső soron a járművet úgy kell irányítani, hogy rendeltetésszerűen viselkedjen. Ahogyan azonban a rendszerek egyre összetettebbé válnak, a hagyományos szoftverfejlesztés és a klasszikus gépi tanulási módszerek kezdik elérni a határaikat. A mély tanulás és a szimulációk az AI megoldások fejlesztésének alapvető módszereivé válnak, annak érdekében, hogy meg lehessen érteni a környezet magas szintű komplexitását.

A mélytanuláshoz számítási teljesítményre van szükség

A deep learning során egy mesterséges neurálisháló lehetővé teszi a gép számára, hogy tapasztalat útján tanuljon, és az új információkat egyesítse a meglévő tudással. Ez lényegében az emberi agy tanulási folyamatát utánozza. A neurális hálók tanításhoz használt adatok főként a Continental tesztflottájából származnak. Ezek a járművek naponta körülbelül 15 ezer tesztkilométert tesznek meg, és körülbelül 100 terabájt adatot gyűjtenek be – ami 50 ezer órányi filmnek felel meg. A rögzített adatokat fel lehet használni az új rendszerek tanítására is oly módon, hogy valódi tesztvezetések szimulálásához játsszák őket újra.

„Arra számítunk, hogy a neurális háló teljes tanításához szükséges idő hetekről órákra fog csökkenni” – mondja Lóránd Balázs, a vállalat budapesti MI kompetencia központjának vezetője.

A cég szuperszámítógépe a tanítások mellett a tesztvezetések szimulálását is lehetővé teszi. A továbbiakban a szimulációk csökkenthetik a fizikai flotta által generált adatok rögzítésének, tárolásának és elemzésének szükségességét, mivel az alkalmazandó tanítási szituációk azonnal létrehozhatók magában a rendszerben. Mindez növeli a fejlesztés sebességét, mivel a virtuális járművek annyi tesztkilométert képesek megtenni néhány óra alatt, amennyi egy valódi autónak több hetébe kerülne.

A rendszereknek mindig, mindenhol működniük kell

Nagyteljesítményű rendszerekre van szükség ahhoz, hogy meg lehessen birkózni az egyre növekvő adatmennyiséggel, valamint a gépkocsi egyre változatosabb funkcióival és hálózataival. A hagyományosan elosztott járműarchitektúrák akár száz vagy annál is több vezérlőegységükkel gyorsan elérik korlátaikat az összetettség és az innovatív funkciók irányítása szempontjából. Egy új és központosítottabb architektúrában a nagyteljesítményű központi feldolgozóegységek kiváltanak néhány hagyományosan elosztott motorverzérlő egységet, és az adatkezelés központi, „elektronikus agyaként” működnek.

A jármű a dolgok internetének részévé válik, és az összetettség azáltal egyszerűsödik, hogy a hagyományos funkciók egyetlen motorvezérlő egységben kerülnek összesítésre. Ezen felül a központi feldolgozóegység a jármű élettartama alatt kezeli a vezeték nélküli szoftver és a firmware frissítéseket. Ez azt jelenti, hogy az autó mindig naprakész állapotban maradhat, és bármikor telepíthetők új funkciók és alkalmazások.