撰文/ 張 鷗編輯/ 吳 靜設計/ 師玉超來源/ unite.ai，作者：Alex Vakulov
【資料圖】
要實現車輛自動駕駛，需要的不僅僅是簡單的人工智能。
一輛自動駕駛汽車從各種來源接收數據，如聲納、照相機、雷達、GPS和激光雷達，從而能夠在任何環境中進行導航。來自這些設備的信息應該被快速處理，很顯然，數據量十分龐大。
來自傳感器的信息不僅由汽車的計算機實時處理，一些數據會被發送到外圍的數據中心進行進一步分析。然后，通過一個復雜的層次結構，它被重新定向到各種云端。
車輛被賦予的人工智能至關重要，車載計算機、外圍服務器和云的處理能力，汽車發送和接收數據的速度同樣需要重視。
（圖源：shutterstock）
數據量問題
即使是普通的汽車，只要有司機在駕駛，就會產生越來越多的數據。自動駕駛汽車每小時可以產生大約1TB的數據。如此巨大的數據量正是大規模采用自動駕駛的障礙之一。
自動駕駛汽車的所有數據不能在云端或外圍數據中心處理，因為這將帶來太多的延遲。即使是100毫秒的延遲，也會在乘客或行人的生死之間造成差異。汽車必須盡可能快地對新出現的情況作出反應。
為了減少接收信息和響應信息之間的延遲，部分信息由車載計算機進行分析。例如，新的Jeep車型配備了具有25-50個處理核心的車載計算機，為巡航控制、盲點監測、障礙物警告、自動剎車等服務。車輛節點通過內部網絡相互通信。
如果我們把車載計算機視為網絡的外圍節點，它也符合外圍計算的概念。因此，無人車構成了一個復雜的混合網絡，它結合了集中式數據中心、云和許多外圍節點。后者不僅位于汽車中，而且還位于交通燈、控制站、充電站等。
車外的這種服務器和數據中心為自動駕駛提供所有可能的幫助。它們使汽車能夠“看到”其傳感器范圍以外的東西，協調道路網絡上的負載，并幫助做出最佳決策。
Nvidia的下一代自動駕駛工具包▼
（圖源：Nvidia）
V2V與V2I
GPS和計算機視覺算法（Computer vision algorithms）為自動駕駛汽車提供了關于位置和周邊環境的信息。然而，計算環境的范圍在不斷擴大，一輛車卻只能收集到有限的信息量，因此，為了更好地分析駕駛條件，數據交換十分必要。
車對車（V2V）通信系統依賴于同一地理區域內車輛創建的網狀網絡。V2V被用來交換信息并向其他車輛發送信號，如距離警告。
V2V網絡可以擴展到與交通基礎設施（如交通燈）共享信息，即V2I（車輛到基礎設施）。
在美國，聯邦公路管理局（FHWA）定期發布各種V2I指南和報告，以幫助改善該技術。V2I的好處遠遠超出安全范圍提醒，除了提高安全性外，V2I在移動性和與環境的互動方面也有優勢。
每天走同樣路線的司機會記住路上所有的坑洞。自動駕駛汽車也在不斷學習。它會把有用信息上傳到外圍的數據中心，例如，集成到充電站。
充電站將依靠人工智能算法，幫助分析從汽車收到的數據并提供可能的解決方案。通過云，這些數據被傳送到共同網絡中的其他無人駕駛車輛。
如果這種所有自動駕駛汽車之間的數據交換模式在幾年后真正實現，那么我們可以預計每天會有艾字節（exabytes：數百萬兆字節）的數據。根據各種估計，屆時道路上可能會出現幾十萬到幾千萬輛自動駕駛汽車。
V2I▼
（圖源：mouser.kr）
5G是成功的關鍵
如上所述，自動駕駛汽車不僅可以從傳感器接收有關行人和騎自行車者的信息，還可以與其他汽車、交通燈和其他城市基礎設施交換數據。
目前已經有幾個5G聯網汽車項目。汽車使用移動運營商的5G網絡和C-V2X（Cellular Vehicle-to-Everything）技術，與其他汽車、騎自行車的人，甚至交通燈進行通信。
交通燈配備了熱成像儀，可以檢測到接近十字路口的行人，汽車的儀表板上便會出現警告。連接的騎自行車的人也會被告知位置，防止出現危險情況。在能見度低的情況下，停放的汽車會自動打開緊急閃光燈，通知所有接近的汽車他們的位置。
5G移動網絡在這里派上了用場。它們提供極快的速度，非常低的延遲，以及支持大量同時連接的能力。沒有這種數據處理能力的自動駕駛汽車將無法比人更快地完成許多任務。
寶馬、戴姆勒、現代、福特和豐田等主要汽車制造商已經在將5G技術融入他們的產品。網絡運營商也花費了數十億美元來建設5G網絡。因此，現在正是雙方協同合作的合適時機。
然而，除非5G基礎設施到位，否則所有與5G連接的自動駕駛汽車的實驗都將陷入停滯。
（圖源：circuit digest）
如何處理和存儲超億字節的數據
并非所有的數據類型都需要快速處理，而且車載計算機的性能和存儲能力有限。因此，可以 “稍作等待”的數據應該在外圍的數據中心積累和分析，而一些數據將遷移到云端，在那里進行處理。
城市政府和汽車制造商有責任采集、處理、傳輸、保護和分析每一輛車、交通堵塞、行人或坑洞的數據。一些智慧城市的建筑師已經在嘗試使用機器學習（machine learning）算法，更有效地分析交通數據，以快速識別道路上的坑洞，調節交通，并即時應對事故。
為了將完全自主駕駛引入我們的生活，有必要解決處理和存儲海量數據的問題。每天，僅僅一輛無人駕駛汽車便可以產生多達20TB的數據。要應對未來的艾字節數據，我們需要一個高性能、靈活、安全和可靠的邊緣基礎設施。還有一個問題是高效的數據處理。
為了讓車載計算機做出實時決策，它需要關于環境的最新信息。舊的數據，如一小時前的汽車位置和速度信息，通常不再需要了。然而，這些數據對于進一步改進自動駕駛算法是很有用的。
人工智能系統的開發者必須接收大量的數據，以訓練深度學習網絡：通過攝像頭、激光雷達信息識別物體及其運動，并將環境和基礎設施的信息優化組合，以做出決策。對于道路安全專家來說，汽車在道路上發生事故或危險情況之前即時收集的數據是至關重要的。
隨著數據被自動駕駛汽車收集并轉移到外圍數據中心，之后遷移到云存儲，使用優化和分層數據存儲架構的問題便出現了。新鮮的數據必須立即進行分析，以改善機器學習模型。這里需要高吞吐量和低延時。支持多驅動器技術的固態硬盤和大容量HAMR驅動器最適合這一任務。
在數據通過初始分析階段后，必須更有效地存儲：在高容量但低成本的傳統近線存儲（nearline storage）上。如果未來可能需要這些數據，這些存儲服務器就很適合。不太可能被需要，但由于其他原因必須保留的舊數據，可以轉移到歸檔級別。
數據將越來越多地在邊緣得到處理和分析，迎來工業4.0時代，這正在改變我們使用數據的方式。
邊緣計算（edge computing）將使數據在靠近收集的地方得到處理，而不是傳統的云服務器，使分析速度更快，盡可能立即對變化的情況作出反應。汽車和外圍數據中心之間的高速信息交流網絡將有助于使自動駕駛更安全、更可靠。
（圖源：Getty Images）
以上所有關鍵點充分說明了數據在自動駕駛領域的重要性。
無人駕駛汽車的大規模采用涉及到大量數據的收集，這些數據不僅要由車載計算機處理，還要由邊緣服務器和云端處理。數據處理基礎設施應做好一切準備。
隨著5G的普及，自動駕駛汽車將開始產生越來越多的數據，然后分析和使用這些數據，使智能城市成為現實。實現這一目標不會很容易，但最終，我們將有可能開啟一個新的篇章。
本文由汽車商業評論原創出品轉載或內容合作請聯系說明
違規轉載必究
