Обучение подключенных машин с помощью ИИ

Обучение подключенных машин с помощью ИИ

Выпуск 4(6728) от 25 февраля 2021 г.
РУБРИКА: АВТОМОБИЛЬНАЯ ЭЛЕКТРОНИКА

Фирмы Teraki, Airbuiquity, Cloudera, NXP и Wind River объединили свои усилия по разработке транспортных средств нового поколения. Они используют модель развития с применением искусственного интеллекта (ИИ), согласно которой автомобиль может постепенно масштабироваться от уровня автоматизации 2+ до уровня 4, включающего функции автономности, управляемые данными машинного обучения, постоянно улучшаемые и динамически обновляемые в течение всего жизненного цикла автомобиля. По сути, это «подключенный программно-определяемый автомобиль» – ​шаблон, впервые предложенный Tesla.

Чтобы спроектировать архитектуру подключенных к сетям транспортных средств для следования по этому эволюционному пути с возможностью обновления от уровня 2+ до уровня 4, необходимо решить ряд проблем. Существует большая разница меж

ду концептуальной моделью, работающей в лабораторных условиях, и связанной программно-определяемой моделью, которая строится на основе гибких, масштабируемых электрических и электронных архитектур в рамках более дешевой производственной модели.

Недавно компания Teraki представила свой «Проект слияния» (Fusion Project), уже почти год разрабатываемый вместе с партнерами, такими как Airbiquity, Cloudera, NXP Semiconductors и Wind River. Эти пять компаний создали предварительно интегрированное аппаратное и программное решение, позволяющее автопроизводителям эффективно собирать и анализировать данные о подключенных автомобилях и управлять ими с целью непрерывной разработки, развертывания и развития функций. Разработчики определяют проект Fusion как хорошую эталонную архитектуру для технологий передачи данных из «облака» в машину, применяемых при разработке, развертывании и поддержке приложений ADAS (advanced driver assistance systems – ​автономные системы помощи водителю) и автономного вождения на основе ИИ.

Ключевым моментом является то, что разработка приложений на основе ИИ никогда не завершается. Машина учится всегда. Но для управления циклом данных требуется обширный набор технологий, от обработки информации от датчиков на основе событий до передачи данных, обучения модели и развертывания новых алгоритмов.



Источник: Teraki

Рисунок 1. Краевые вычисления с использованием ИИ


Пять партнеров

В работе над платформой Fusion фирма Airbiquity отвечает за беспроводное радиоуправление программным обеспечением (OTA). Компания Cloudera предоставляет независимые от «облака» инструменты машинного обучения. Платформы обработки данных транспортных средств (Bluebox и Goldbox) предоставила корпорация NXP Semiconductors, а средства краевого ИИ для обработки данных – ​фирма Teraki. Роль корпорации Wind River – ​разработка ПО краевых вычислений с использованием ИИ.

Цель – ​создать эффективную платформу жизненного цикла данных, которая делает все, от приема данных до обновления модели машинного обучения, без ухудшения качества данных при максимальной точности средств ИИ.

Одна из серьезных проблем, с которыми сегодня сталкиваются автопроизводители, – ​это обработка данных, поступающих от растущего числа датчиков внутри автономного транспортного средства. Массив этих датчиков генерирует от 5 до 20 Тбайт данных в день. Ограниченная возможность получать данные от транспортных средств в реальном масштабе времени создает очевидную проблему. Еще одним препятствием является невозможность объединить все типы данных для построения моделей машинного обучения. Что еще более важно, управление данными в жизненном цикле машинного обучения фрагментировано между этапами приема, обучения и развертывания.

Краевые решения Teraki разработаны для управления требованиями к обработке данных на основе машинного обучения. Все начинается с понимания того, что нужно искать, и обработки данных соответствующих датчиков для поддержки обучения. Решение Teraki также претендует на эффективность и может объединять данные в пакеты меньшего размера, подходящие для отправки в «облако» для машинного обучения.

Год назад фирма Teraki сосредоточила свои программные технологии на самой большой текущей проблеме производителей автомобилей: отсутствии центрального процессора автомобиля, достаточно мощного, чтобы обрабатывать и отправлять растущий объем данных в «облако» для обучения с использованием ИИ. Выполнив эту миссию за год, Teraki объединила партнеров в экосистему и собрала технологии, необходимые для разработки решений на основе машинного обучения в «облаке». Усилия были направлены на обработку в рамках краевых вычислений данных датчиков, обработку событий и последующую упаковку для транспортировки. Возникающие сетевые проблемы, такие как пропускная способность и задержка, решаются корпорацией NXP.

Самым большим своим достижением разработчики считают то, что их первый алгоритм ИИ – ​для обнаружения смены полосы движения – ​может непрерывно улучшаться с помощью платформы «автомобиль–облако». Обу-ченная модель искусственного интеллекта изначально достигла точности в 90–95%. После переобучения ее точность увеличилась до 98%.

Суть в том, что теперь OEM-производители могут повысить точность ИИ до 99%, постоянно обучая свои системы с использованием того набора датчиков, который они предпочитают, и применить этот подход для любых желаемых моделей. Партнеры по Fusion Project сделали возможным быстрое обучение ИИ, при этом изготовители комплектного оборудования могут использовать средства обучения не только на отдельных дорогих лабораторных машинах, а внедрять их в продукцию массового производства.



Источник: Teraki

Рисунок 2. Инфраструктура подключенного автомобиля

* IMU (inertial measurement unit) – блок инерциальных измерений.


Эксперты отмечают, что проект Fusion дает OEM-изготовителям возможность обучать собственные модели ИИ и «снова получить право интеллектуальной собственности», а не зависеть от других. То есть участники проекта предоставляют открытую систему, в которой интеллектуальная собственность возвращается «в руки» OEM-изготовителей.

В принципе, проект Fusion позволяет каждому OEM-изготовителю разработать собственный cтек автономного вождения. Действительно, у большинства из них есть все возможности для разработки таких стеков. Однако эта область становится все более насыщенной, растет интерес к оптимизированным решениям, которые можно масштабировать от задач ADAS до автономного вождения. Иными словами, проблема не столько в создании стека автономного вождения, сколько в управлении этим стеком, особенно для решений на основе ИИ, и проект Fusion направлен на то, чтобы собрать воедино необходимые для этого технологии.


Yoshida Junko. Fusion Project Speeds Car-to-Cloud AI Training. EE Times, February 3, 2021: https://www.eetimes.com/fusion-project-speeds-car-to-cloud-ai-training/


ЧИТАЙТЕ ТАКЖЕ

Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.
Выпуск 23(6747) от 25 ноября 2021 г. г.
Выпуск 18(6742) от 16 сентября 2021 г. г.
Выпуск 17(6741) от 02 сентября 2021 г. г.