Analityka motoryzacyjna: początek nowej ery autonomicznej jazdy

Autonomiczne samochody są teraz w modzie. Poczucie braku przytłoczenia podczas jazdy lub nadmiernego skupienia się na kierunkach sprawiło, że przestrzeń samochodów autonomicznych rozkwitła.

Podczas gdy wynikiem wrażeń z jazdy jest zadowolenie, sposób, w jaki pojazdy osiągają ten etap, jest złożony. Aby samochód mógł samodzielnie jeździć, śledząc prędkość, unikając ruchu ulicznego i informując ludzi o potrzebach pojazdu, wymagana jest duża ilość inteligencji. Inteligencja obejmująca połączenie kilku technologii i elementów maszyn.

Osiągnięcie poziomu automatyzacji i inteligencji zależnej od czasu wymaga dostępu do ogromnych zestawów danych i przekładania ich na działania i spostrzeżenia, torując w ten sposób drogę dla dużych zbiorów danych w branży motoryzacyjnej.

W tym artykule zagłębimy się w pochodzenie i rolę rozwiązań do analityki motoryzacyjnej, które wykraczają poza zapewnienie płynnej i autonomicznej jazdy. Ale zanim zagłębimy się w rolę dużych zbiorów danych w autonomicznej jeździe, najpierw odpowiedzmy na kilka pytań, które zostaną zadane, gdy będziesz musiał szczegółowo opisać zaangażowanie technologii w przestrzeń kosmiczną.

• Jaka ilość danych jest generowana przez autonomiczny pojazd?

Szacuje się, że autonomiczny pojazd generuje codziennie ponad 4000 GB danych podzielonych na osobne sekcje, takie jak –

• Kamera – 20-40 KB na sekundę
• Radar – 10-100 KB na sekundę
• Sonar – 10-100 KB na sekundę
• GPS – 50 KB na sekundę
• LIDAR – 10-70 KB na sekundę.
• Czy obecna flota autonomicznych pojazdów naprawdę nie wymaga kierowcy?

W obecnym stanie analityka dużych zbiorów danych w przemyśle motoryzacyjnym jest całkowicie zaangażowana tylko do poziomu 2 automatyzacji jazdy. Większość samochodów funkcjonujących w przestrzeni samojezdnej działa w taki sposób, że pojazd przyspiesza i steruje, podczas gdy ludzie monitorują wszystkie zadania i przejmują kontrolę, gdy uznają to za konieczne.

Do 2040 roku na drogach będzie jeździło ponad 30 milionów autonomicznych pojazdów

Techniczne aspekty analizy danych motoryzacyjnych

Big data i uczenie maszynowe w autonomicznej jeździe działają na czujnikach wbudowanych w samochody. Informacje, które docierają z wielu czujników w samochodzie, są przetwarzane i analizowane w ciągu mikrosekund, umożliwiając nie tylko bezpieczne przemieszczanie się z punktu A do punktu B, ale także przekazywanie informacji o warunkach drogowych, komunikację z innymi pojazdami i informowanie właścicieli o kwestie pojazdów.

Oprócz tych czujników istnieje jeszcze jeden kluczowy element w domenie autonomicznej jazdy: oprogramowanie do analizy danych motoryzacyjnych, które pomaga przechowywać i analizować zestawy danych. Oprogramowanie podłączone do sieci przekazuje informacje z czujników do chmury w taki sposób, że czas reakcji na te warunki jest natychmiastowy, szczególnie po wprowadzeniu 5G w motoryzacji.

Autonomiczny samochód powinien mieć czujniki, rozwiązania do analityki motoryzacyjnej i połączenie z serwerem w chmurze. Następnie samochód powinien znać swoją lokalizację, do której wykorzystuje GPS. Razem dane pochodzące z wewnętrznych czujników, takich jak kompasy i prędkościomierze, określają kierunek i prędkość.

Gdy pojazd zna swoją lokalizację, łatwo jest dowiedzieć się, co jest wokół niego, używając lidaru i radaru do zlokalizowania się na tej mapie. Tutaj brane są pod uwagę elementy takie jak znaczniki, znaki i inne przeszkody.

Wykorzystując zebrane dane, samochód bez kierowcy buduje strategie na różne sytuacje, które mogą wystąpić na drodze. Dodatkowo udostępnianie danych między pojazdami autonomicznymi pomaga w omijaniu korków, reagowaniu na sytuacje awaryjne i uwzględnianiu warunków pogodowych.

Podsumowując, big data w branży motoryzacyjnej można wykorzystać w następujący sposób –

• Patrz i wyczuwaj – zdobywaj informacje; planować i reagować na podstawie zebranych danych
• Sporządź szczegółową mapę otoczenia
• Określ prędkość, zasięg i odległość za pomocą lidaru i kamer
• Komunikuj się z innymi samochodami, aby udostępniać informacje.

Teraz, gdy przyjrzeliśmy się rdzeniu analityki w branży motoryzacyjnej, przyjrzyjmy się pewnej roli dużych zbiorów danych w pojazdach autonomicznych poprzez przypadki użycia.

Rola analityki danych w branży motoryzacyjnej

Analiza dużych zbiorów danych w branży motoryzacyjnej wzrosła do niewyobrażalnych poziomów. Od zasilania samojezdnych samochodów po budowanie inteligentnych systemów ruchu drogowego, sztuczna inteligencja w różnych formach zmieniła sposób, w jaki podróżujemy i wchodzimy w interakcje z pojazdami. Teraz, podczas gdy rolę dużych zbiorów danych w pojazdach autonomicznych można zobaczyć w produkcji, ustalaniu cen i przestrzeni obsługi klienta, w tym artykule przyjrzymy się wkładowi jazdy autonomicznej poprzez analizę danych.

Wyczuwanie i percepcja

Samojezdne samochody wykorzystują kilka czujników, takich jak radar, lidar, kamera itp., do zbierania danych o ich otoczeniu. Dane są następnie przetwarzane i analizowane za pomocą algorytmów big data w celu stworzenia szczegółowej mapy środowiska w celu identyfikacji obiektów, takich jak sygnalizacja świetlna, inne pojazdy i znaki drogowe.

Podejmowanie decyzji

Autonomiczne samochody wykorzystują analitykę danych w przemyśle motoryzacyjnym do podejmowania decyzji w czasie rzeczywistym na podstawie danych, które gromadzą z czujników w samochodzie. Na przykład, jeśli samochód wykryje inny pojazd zbliżający się zbyt blisko, użyje dużych zbiorów danych, aby wybrać najlepszy sposób działania, zwalniając lub zatrzymując się.

Modelowanie predykcyjne

Branża wykorzystuje duże zbiory danych i uczenie maszynowe do przewidywania zachowań innych osób podczas jazdy autonomicznej. Połączenie technologii pomaga pojazdowi przewidywać ruchy i problemy, które mogą wystąpić w samochodzie, a następnie podejmować odpowiednie działania, aby ich uniknąć.

Przetwarzanie języka naturalnego

Innym przykładem zastosowania analityki danych w branży motoryzacyjnej są samochody wyposażone w technologię rozpoznawania głosu, która umożliwia pasażerom komunikację z samochodem za pomocą ich naturalnego języka. Technologia z kolei pomaga samochodowi rozumieć i reagować na polecenia głosowe użytkownika.

Powody rosnącej liczby aplikacji big data w branży motoryzacyjnej są oczywiste. Ale jednocześnie nie możemy zaprzeczyć, że rozwiązania analityki motoryzacyjnej nie są włączane po poziomie 2. Przyjrzyjmy się niektórym wyzwaniom, które wymagają rozwiązania dla całej branży.

Wyzwania związane z autonomiczną jazdą dzięki analizie danych

Oczekiwania wobec dużych zbiorów danych w branży motoryzacyjnej rosną wykładniczo, zwłaszcza że branża motoryzacyjna planuje w nadchodzących latach wprowadzić poziomy 4 i 5 do głównego nurtu. Istnieje jednak wiele komplikacji, które nie zostały jeszcze rozwiązane. Zajrzyjmy do nich.

1. Zróżnicowane zestawy danych — aby analizy predykcyjne w branży motoryzacyjnej działały, połączenie nadzorowanych i nienadzorowanych zestawów danych powinno być właściwe i powtarzalne. Jednak podczas jazdy istnieje wiele przypadków, w których wypadki zdarzają się z niczyjej winy. Ponadto liczne zdarzenia mają charakter niezwykle rzadki. Wyzwanie polega więc na stworzeniu wzorców z kilku takich pojedynczych zdarzeń.
2. Przechowywanie danych — niedawny raport firmy Western Digital wykazał, że do 2030 r. pojemność jednego pojazdu może osiągnąć 11 terabajtów. Aby pomieścić tak ogromną ilość danych, firmy muszą przenieść przechowywanie i przetwarzanie danych z chmury do samego pojazdu za pośrednictwem transmisja satelitarna.
3. Względy bezpieczeństwa — ponieważ pojazdy samochodowe napędzane danymi zbierają dane od ogółu społeczeństwa tam, gdzie oczekiwania dotyczące prywatności są ograniczone, istnieje mniejsze prawdopodobieństwo, że użytkownicy będą kontrolować swoje dane, ponieważ nie będą mogli zrezygnować z gromadzenia danych.

Ze względu na wyzwania na poziomie branżowym związane z przyjęciem dużych zbiorów danych do autonomicznej jazdy, rynek oczekuje, że przestrzeń do samodzielnej jazdy osiągnie dojrzałość na poziomie 2, zanim rozpoczną się prace eksploracyjne na poziomie 3 i wyższym.

Na dzień dzisiejszy istnieje zapotrzebowanie na usługi analizy danych motoryzacyjnych, które pomogłyby zautomatyzowanym pojazdom w realizacji tego planu działania. W Appinventiv specjalizujemy się w pracy z rozwiązaniami analityki motoryzacyjnej, które przodują w gromadzeniu ogromnej ilości danych i kierowaniu ich do systemu, który ich potrzebuje. Co więcej, nasi dostawcy rozwiązań do analizy danych agregują i wzbogacają masę danych, organizując je w zrozumiałym formacie, z którego może korzystać pojazd.

Często zadawane pytania

P. W jaki sposób duże zbiory danych są wykorzystywane w analityce motoryzacyjnej?

A. Rolę dużych zbiorów danych w analizie danych motoryzacyjnych można rozpatrywać na wielu płaszczyznach. Począwszy od uczynienia jazdy autonomicznej po projektowanie pojazdów gotowych na przyszłość i sfinalizowanie przedziału cenowego, technologia szybko staje się kluczowa dla istnienia kosmosu.

P. Jakie są korzyści z danych dla niezawodnej autonomicznej jazdy?

Odp.: Korzyści płynące z analityki motoryzacyjnej opartej na ogromnej liczbie zbiorów danych można zaobserwować poprzez ulepszone wykrywanie i percepcję, szybsze podejmowanie decyzji, modelowanie predykcyjne i przetwarzanie języka naturalnego.

P. Jakie są wyzwania związane z wdrażaniem analizy dużych zbiorów danych do jazdy autonomicznej?

O: Ograniczenia związane z wdrażaniem zaawansowanej analityki w przemyśle motoryzacyjnym wynikają głównie z wyzwań branżowych, takich jak obecność wielu pojedynczych zdarzeń, obawy dotyczące bezpieczeństwa i brak mechanizmu przechowywania danych, który może przechowywać i przetwarzać terabajty danych.