Граничные вычисления для Интернета транспортных средств
Транспортные средства быстро растут в производительности и интеллекте и потенциально смогут поддерживать множество новых интересных приложений, которые объединяют полностью автономные транспортные средства, Интернет вещей (IoT) и окружающую среду. Эти тенденции приведут к эре интеллектуальных сетей транспортных средств, которые в то же время будут в значительной степени опираться на технологии связи, вычислений и анализа данных. Для огромного количества данных, генерируемых интеллектуальными транспортными средствами, обработки в автомобиле и облачных вычислений будет недостаточно из-за ограничений ресурсов/мощности и ограничений коммуникационных издержек/задержек.
Ученые работают над повышением производительности интеллектуальных транспортных средств за счёт развёртывания ресурсов хранения и вычислений на границе беспроводных сетей (например, точек беспроводного доступа). Edge Information System (Периферийная информационная система – EIS), которая включает в себя периферийные вычисления и периферийный искусственный интеллект (AI), будет играть определённую роль в будущем интеллектуальных автомобильных сетей, обеспечивая не только доставку контента и вычислительные услуги с малой задержкой, но также локализованный сбор данных, агрегацию и обработку.
Уже более века автомобильная промышленность – один из основных секторов экономики с растущим экономическим и социальным влиянием. Информационные и коммуникационные технологии считаются многообещающими инструментами для революционного изменения автомобильных сетей. Автомобильные сети будут иметь возможность общаться, обрабатывать, хранить информацию и обучаться. В частности, с IoV (Интернетом автомобилей) автомобили смогут использовать такие ресурсы, как облачное хранилище и вычисления. В дополнение к движению и безопасности транспортных средств, IoV будет способствовать управлению городским движением, страхованию транспортных средств, строительству и обслуживанию дорожной инфраструктуры, а также логистике и транспортировке. Как частный случай IoT, IoV необходимо интегрировать с другими системами, такими как умные города.
Благодаря недавним достижениям в области встроенных систем, навигации, датчиков, сбора и распространения данных, а также анализа больших данных, мы наблюдаем рост интеллекта автомобиля. Все началось с технологии вспомогательного вождения, известной как передовые системы помощи водителю (ADAS), которая включает в себя экстренное торможение, камеры заднего вида, адаптивный круиз-контроль и системы автоматической парковки. Согласно определению SAE, упомянутые выше системы в основном относятся к уровням автоматизации 1 и 2. Прогнозы различаются, но многие предсказывают, что автомобили с автоматическим управлением уровня 4 и 5 будут доступны. в течение 10 лет.
Предстоящий Smart IoV потребует поддержки со стороны различных областей, включая автомобилестроение, транспорт, беспроводную связь, сети, безопасность и робототехнику, а также со стороны регулирующих органов и политиков.
Достижения в области информационных технологий, включая связь, датчики, обработку данных и управление, превращают транспортные системы из традиционных систем, управляемых технологиями, в более мощные интеллектуальные транспортные системы, управляемые данными. Это популярное движение будет генерировать огромное количество данных. В течение последних 20 лет индустрия беспроводной связи боролась со взрывным ростом мобильных данных, вызванным смартфонами. Однако такая конкуренция затмит огромные объёмы данных, которые, как ожидается, будут генерироваться умными транспортными средствами. Подсчитано, что каждый беспилотный автомобиль будет генерировать около 4000 ГБ данных в день, что эквивалентно мобильным данным почти 3000 человек. Если предположить, что в мире всего 1 миллион беспилотных автомобилей, автономное вождение эквивалентно данным 3 миллиардов человек.
Большие данные, генерируемые сетью умных автомобилей, создадут беспрецедентную нагрузку на коммуникационную, складскую и вычислительную инфраструктуру. Хотя возможности бортовых вычислений и хранения данных быстро растут, они по-прежнему ограничены по сравнению с объёмом данных, которые хранятся и обрабатываются. Однако обработка данных через несколько глубоких нейронных сетей может выполнять примерно 250 триллионов операций в секунду.
Развёртывание ресурсов на границе беспроводных сетей привлекло большое внимание академических кругов и промышленности в том плане, что они смогут преодолеть ограничения встроенных вычислений, связи, хранения и энергии, избегая при этом чрезмерных задержек в облаке. Популярный контент, такой как видеофайлы, которые преобладают в мобильном трафике данных, скорее всего, будут неоднократно запрашиваться разными пользователями, и такие запросы предсказуемы. Таким образом, развёртывание блоков хранения на границе беспроводных сетей и кэширование популярного контента, т.е. кэширование на границе беспроводной сети, является многообещающим решением для эффективной доставки контента. В то же время возрождение искусственного интеллекта и появление интеллектуальных мобильных приложений требуют платформ, которые могут поддерживать мобильные вычисления с интенсивными вычислениями и чувствительными к задержкам. Мобильные граничные вычисления (MEC) — это новая технология, которая может объединить телекоммуникации с облачными вычислениями для предоставления облачных услуг непосредственно с границы сети и поддержки мобильных приложений, для которых важна задержка.
EIS идеально подходит для интеллектуальной автомобильной сети. Она может помочь в ключевых функциях интеллектуальных транспортных средств, от сбора данных (для ситуационной и экологической осведомлённости), обработки данных (для навигации и планирования пути) до вождения (управление маневрами). Обработка данных на границе сети может значительно сэкономить пропускную способность канала связи, а также удовлетворить требования к малой задержке для критически важных задач. Содержание IoV обычно сильно локализовано в пространстве, например, информация о дорогах и картах в основном используется локально, в то время как локализовано во времени, например, условия дорожного движения утром имеют мало отношения к вечеру. Кроме того, автомобили интересует только сам контент, а не его источник. Эти ключевые характеристики делают распространение и доставку IoV, ориентированного на контент, с помощью кэширования очень эффективными. С другой стороны, умные автомобили сталкиваются с огромной вычислительной нагрузкой из-за большого количества данных датчиков. Например, вычислительная мощность остается узким местом, которое не позволяет транспортным средствам воспользоваться преимуществами высокой точности системы, обеспечиваемой камерами с высоким разрешением. Среди прочего, задача свёртки для визуального восприятия и задача извлечения признаков для визуальной локализации в мощных сверхточных нейронных сетях очень сложны. Передача этих ресурсоёмких вычислительных задач на соседний сервер MEC позволит использовать мощные подходы машинного обучения для решения критических задач интеллектуальных транспортных средств.
EIS будет играть важную и уникальную роль в информационной инфраструктуре интеллектуальных транспортных средств.
Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный Telegram-канал