作者/张鸥编辑/吴晶设计/石来源/unite.ai作者Alex Vakulov
要实现车辆的自动驾驶，我们需要的不仅仅是简单的人工智能。
自动驾驶汽车接收各种来源的数据，如声纳、摄像头、雷达、GPS和激光雷达，因此它可以在任何环境中导航。应该快速处理来自这些设备的信息。显然，数据量是巨大的。
来自传感器的信息不仅被汽车的计算机实时处理，而且一些数据将被发送到外围数据中心进行进一步分析。然后通过一个复杂的层次结构，重定向到各种云。
赋予车辆的人工智能非常重要。车载电脑、外设服务器、云端的处理能力，以及汽车收发数据的速度也需要注意。
数据量问题
即使是普通汽车，只要有司机驾驶，就会产生越来越多的数据。自动驾驶汽车每小时可以产生大约1TB的数据。如此庞大的数据量是自动驾驶大规模采用的障碍之一。
自动驾驶汽车的所有数据都无法在云端或外围数据中心进行处理，因为这样会带来太大的延迟。即使是100毫秒的延迟也能改变乘客或行人的生死。汽车必须尽快对新情况做出反应。
为了减少接收信息和响应信息之间的延迟，一些信息由车载计算机进行分析。例如，新的Jeep车型配备了具有25-50个处理核心的车载计算机，这些计算机服务于巡航控制、盲点监测、障碍物警告、自动制动等。这些节点通过内部网络相互通信。
如果把星载计算机看作网络的外围节点，也符合外围计算的概念。因此，无人车构成了一个复杂的混合网络，它结合了集中式数据中心、云和许多外围节点。后者不仅位于车内，还位于红绿灯、控制站、充电站等。
这样的服务器和车外的数据中心为自动驾驶提供了一切可能的协助。它们使汽车能够“看到”传感器范围之外的事物，协调道路网络上的负载，并帮助做出最佳决策。
英伟达下一代自动驾驶套件▼
V2V和V2I
GPS和计算机视觉算法为自动驾驶汽车提供位置和周围环境的信息。然而，计算环境的范围正在扩大，但一辆汽车只能收集有限的信息。因此，为了更好地分析驾驶状况，数据交换是必要的。
车对车通信系统依赖于同一地理区域内车辆建立的网状网络。V2用于交换信息和向其他车辆发送信号，如距离警告。
V2网络可以扩展到与交通基础设施共享信息，即V2I。
在美国，联邦高速公路管理局定期发布各种V2I指南和报告，以帮助改进技术。V2I的好处远远不止安全警告。除了提高安全性，V2I在移动性和与环境的交互方面也有优势。
每天走同一条路线的司机都会记得路上所有的坑坑洼洼。自动驾驶汽车也在不断学习。它会将有用的信息上传到外围数据中心，例如集成到充电站中的数据中心。
充电站将依靠人工智能算法来帮助分析从汽车接收的数据，并提供可能的解决方案。通过云端，这些数据被传输到普通网络中的其他无人车。
如果这种所有自动驾驶汽车之间的数据交换模式真的在几年后实现，那么我们可以预计每天都会有exabytes的数据。根据各种估计，到那时可能会有几十万到几千万辆自动驾驶汽车上路。
V2I▼
5G是成功的关键
如上所述，自动驾驶汽车不仅可以从传感器接收行人和骑自行车者的信息，还可以与其他汽车、交通灯和其他城市基础设施交换数据。
目前有几个5G联网汽车项目。使用汽车移动运营商的5G网络和C-V2X技术与其他汽车、骑自行车的人甚至红绿灯进行通信。
交通灯装有热成像仪，可以检测到行人接近路口，汽车的仪表板上会出现警告。联网的骑行者也将被告知位置，以防止危险情况。在能见度低的情况下，停放的汽车会自动打开紧急闪光灯，告知所有靠近的汽车自己的位置。
5G移动网络在这里派上了用场。它们提供极快的速度、极低的延迟以及支持大量同时连接的能力。没有这种数据处理能力的自动驾驶汽车将无法比人更快地完成许多任务。
宝马、戴姆勒、现代、福特和丰田等主要汽车制造商已经将5G技术融入到他们的产品中。网络运营商也花费了数十亿美元来建设5G网络。所以，现在是双方合作的合适时机。
然而，除非5G基础设施到位，否则与5G连接的自动驾驶汽车的所有实验都将陷入停滞。
如何处理和存储数十亿字节的数据？
并不是所有的数据类型都需要快速处理，星载计算机的性能和存储能力都是有限的。因此，可以“稍微等一等”的数据应该在外围数据中心进行积累和分析，而一些数据将被迁移到云端，并在那里进行处理。
城市和汽车制造商有责任收集、处理、传输、保护和分析每一辆汽车、交通堵塞、行人或坑洞的数据。一些智慧城市的建筑师已经尝试使用机器学习算法来更有效地分析交通数据，以便快速识别道路上的坑洞，调控交通，并立即应对事故。
为了将完全自动驾驶引入我们的生活，需要解决海量数据的处理和存储问题。每天，仅仅一辆无人驾驶汽车就可以产生高达20TB的数据。为了应对未来的EB数据，我们需要一个高性能、灵活、安全和可靠的边缘基础设施。另一个问题是有效的数据处理。
为了让车载计算机做出实时决策，它需要关于环境的最新信息。通常不再需要旧数据，如一小时前的位置和速度信息。但是，这些数据对于进一步改进自动驾驶算法非常有用。
人工智能系统的开发者必须接收大量数据来训练深度学习网络:通过摄像头和激光雷达的信息识别物体及其运动，并优化组合环境和基础设施的信息来做出决策。对于道路安全专家来说，在道路上发生事故或危险情况之前立即收集数据是至关重要的。
随着数据被自动驾驶汽车收集并转移到外围数据中心，然后迁移到云存储，使用优化和分层的数据存储架构的问题就出现了。必须立即分析新数据，以改进机器学习模型。这里需要高吞吐量和低延迟。支持多硬盘技术的固态硬盘和大容量HAMR硬盘最适合这项任务。
数据过了初始分析阶段后，必须进行更有效的存储:在容量大但成本低的传统近线存储上。如果将来可能需要这些数据，这些存储服务器非常合适。不太可能需要但由于其他原因必须保留的旧数据可以转移到归档级别。
数据将越来越多地在边缘被处理和分析，迎来工业4.0时代，这正在改变我们使用数据的方式。
边缘计算将使数据在采集地附近处理，而不是传统的云服务器，这将使分析更快，并尽快对变化的情况做出反应。汽车和外围数据中心之间的高速信息交换网络将有助于使自动驾驶更加安全可靠。
以上这些重点都充分说明了数据在自动驾驶领域的重要性。
无人驾驶汽车的大规模采用涉及到大量数据的收集，这些数据不仅要由车载电脑处理，还要由边缘服务器和云端处理。应该为数据处理基础设施做好一切准备。
随着5G的普及，自动驾驶汽车将开始产生越来越多的数据，然后分析和使用这些数据，使智能城市成为现实。实现这个目标并不容易，但最终，我们将有可能开启新的篇章。
本文由汽车商业评论原创制作或内容合作转载，请联系我们。
转载违规必究。
