A kihívások egyike az, hogy azoknak az MI modelleknek, amelyek végső soron lehetővé teszik a jármű számára 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 a Continental és az NVIDIA egy, az NVIDIA DGX MI rendszeren alapuló nagyteljesítményű számítógépklasztert hozott létre az autonóm vezetés területén történő fejlesztések gyorsítása érdekében. A fejlett vezetést segítő rendszerek az MI-hez 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 mély tanuláshoz számítási teljesítményre van szükség
A mély tanulás 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 tesztjármű-flottájából 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 Continental budapesti MI kompetencia központjának vezetője, aki csapataival együtt azon dolgozik, hogy az MI-alapú innovációkhoz fejlesszen infrastruktúrát és algoritmusokat. A Continental 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 jármű 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 járműfunkciók 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 a jármű mindig naprakész állapotban maradhat, és bármikor telepíthetők új funkciók és alkalmazások.
