Contents
Convergentie van edge computing, machine vision en 5G-verbonden voertuigen
De samenlevingen van vandaag worden steeds meer multimedia-centrisch, data-afhankelijk en geautomatiseerd. Autonome systemen raken onze wegen, oceanen en luchtruim. Automatisering, analyse en intelligentie gaan verder dan mensen naar 'machinespecifieke' toepassingen. Computervisie en video voor machines zullen een belangrijke rol spelen in onze toekomstige digitale wereld. Miljoenen slimme sensoren zullen worden ingebed in auto's, slimme steden, slimme huizen en magazijnen met behulp van kunstmatige intelligentie. Bovendien zal 5G-technologie de datasnelwegen zijn in een volledig verbonden intelligente wereld, met de belofte alles te verbinden, van mensen tot machines en zelfs robotagenten – de eisen zullen ontmoedigend zijn.
De auto-industrie is al meer dan een eeuw een belangrijke economische sector en stevent af op autonome en geconnecteerde voertuigen. Voertuigen worden steeds intelligenter en minder afhankelijk van menselijk handelen. Vehicle to vehicle (V2V) en connected vehicle to everything (V2X), waar informatie van sensoren en andere bronnen zich via verbindingen met hoge bandbreedte, lage latentie en hoge betrouwbaarheid verplaatst, effenen de weg naar volledig autonoom rijden. De belangrijkste dwingende factor achter autonoom rijden is de vermindering van het aantal doden en ongevallen. Zich realiserend dat meer dan 90% van alle auto-ongelukken wordt veroorzaakt door menselijk falen, zullen zelfrijdende auto's een cruciale rol spelen bij het verwezenlijken van de ambitieuze visie van “nul ongevallen”, “nul uitstoot” en “nul congestie” van de auto-industrie .
Het enige obstakel is dat voertuigen een breed scala aan rijscenario's moeten kunnen zien, denken, leren en navigeren.
Volgens een recente voorspelling van Tractica (nu Omdia) zal de markt voor AI-hardware, -software en -diensten voor de auto-industrie in 2025 $ 26,5 miljard bereiken, tegen $ 1,2 miljard in 2017. Dit omvat machine learning, deep learning, NLP, computer vision, machine reasoning en sterke AI. Volgens een rapport van McKinsey zouden volledig autonome auto's in 2030 tot 15% van de wereldwijd verkochte personenauto's kunnen vertegenwoordigen, en dat aantal zal stijgen tot 80% in 2040, afhankelijk van factoren zoals uitdagingen op het gebied van regelgeving, acceptatie door de consument en veiligheidsrecords. Autonoom rijden is momenteel een relatief opkomende markt en veel van de voordelen van het systeem zullen pas volledig worden gerealiseerd als de markt zich uitbreidt.
AI-Defined Vehicles
De volledig autonome rijervaring wordt mogelijk gemaakt door een complex netwerk van sensoren en camera's die de externe omgeving voor de machines nabootsen. Autonome voertuigen verwerken de informatie die is verzameld door camera's, LiDAR, radar en ultrasone sensoren om de auto te vertellen over zijn afstand tot omringende objecten, stoepranden, rijstrookmarkeringen, visuele informatie van verkeerslichten en voetgangers.
Ondertussen zijn we getuige van de groeiende intelligentie van voertuigen en mobiele edge computing met recente ontwikkelingen in embedded systemen, navigatie, sensoren, visuele data en big data-analyse. Het begon met Advanced Driver Assistance Systems (ADAS), inclusief noodremmen, achteruitrijcamera's, adaptieve cruisecontrol en zelfparkeersystemen.
Naar verwachting zullen volledig autonome voertuigen geleidelijk tot bloei komen na de introductie van de zes niveaus van autonomie die zijn gedefinieerd door de Society of Automotive Engineers (SAE). Deze niveaus variëren van geen automatisering, voorwaardelijke automatisering (mens in de lus) tot volledig geautomatiseerde auto's. Met toenemende mate van automatisering zal het voertuig meer functies van de bestuurder overnemen. ADAS behoort voornamelijk tot Level 1 en Level 2 van automatisering. Autofabrikanten en technologiebedrijven, zoals Waymo, Uber, Tesla en een aantal tier-1 autofabrikanten, investeren fors in hogere niveaus van automatisering.
Met de snelle groei van innovaties in AI-technologie, er is een bredere acceptatie van Level 4-oplossingen, gericht op voertuigen die meestal onder snelwegomstandigheden werken.
Hoewel de barrière tussen niveau 3 en niveau 4 op dit moment voornamelijk regelgevend is, is de sprong tussen niveau 4 en 5 veel groter. Dit laatste vereist het bereiken van de technologische capaciteit om complexe routes en onvoorziene omstandigheden te navigeren die momenteel menselijke intelligentie en toezicht vereisen.
Naarmate de automatiseringsniveaus toenemen, zal er behoefte zijn aan meer sensoren, verwerkingskracht, geheugen, efficiënt stroomverbruik en bandbreedtebeheer voor netwerkconnectiviteit. Afbeelding 1 toont verschillende sensoren die nodig zijn voor zelfrijdende auto's.
Figuur 1 – Sensoren (camera, LiDAR, Radar, Ultrasound) vereist voor niveaus van autonome voertuigen
De convergentie van deep learning, edge computing en het internet van voertuigen wordt aangedreven door de recente ontwikkelingen in AI-automobiel- en voertuigcommunicatie. Een andere technologie die machine-georiënteerde videoverwerking en codering in visuele datatoepassingen en industrieën mogelijk maakt, is de opkomende MPEG Video Coding for Machine (MPEG-VCM)-standaard. Twee specifieke technologieën worden onderzocht voor VCM:
- Efficiënte compressie van video/afbeeldingen
- De gedeelde ruggengraat van feature-extractie
Krachtige AI-versnellers voor inferentie aan de rand, op standaarden gebaseerde algoritmen voor videocompressie en analyse voor machines (MPEG-VCM) en 5G-verbonden voertuigen (V2X) spelen een cruciale rol bij het mogelijk maken van de volledige ontwikkeling van autonome voertuigen.
De 5G-V2X en opkomende MPEG-VCM-normen stellen de industrie in staat te werken aan geharmoniseerde internationale normen. De totstandkoming van dergelijke geharmoniseerde regelgeving en internationale normen zal van cruciaal belang zijn voor de wereldwijde markten van de toekomstige intelligente transport- en AI-automobielindustrie.
Er zijn een aantal mogelijke gezamenlijke VCM-V2X-architecturen voor de toekomstige autonome voertuigindustrie (AV). Afhankelijk van de vereisten voor de gegeven AV-infrastructuurscenario's, kunnen we gecentraliseerde, gedistribueerde of hybride VCM-V2X-architecturen hebben, zoals weergegeven in Afbeelding 2. Momenteel experimenteren de meeste fabrikanten van autofabrikanten met de gecentraliseerde architectuur met goedkope camera's. Naarmate de camera's echter intelligenter, gedistribueerde en hybride architecturen worden, vanwege hun schaalbaarheid, flexibiliteit en mogelijkheden voor het delen van bronnen, kan dit aantrekkelijker worden. De opkomende MPEG-VCM-standaard biedt ook de mogelijkheid om de gecomprimeerde geëxtraheerde functies te transporteren in plaats van gecomprimeerde video/afbeeldingen tussen voertuigen te verzenden.
| Gecentraliseerd | Gedistribueerd | Hybride |
|---|---|---|
|
|
|
|
|
|
|
Figuur 2 – Coöperatieve V2X-VCM: Internet of Vehicles (IoV)
Gyrfalcon Technology Inc. loopt voorop bij deze innovaties door de kracht van AI en diepgaand leren te gebruiken om een baanbrekende oplossing voor AI- aangedreven camera's en autonome voertuigen — ongeëvenaarde prestaties, energie-efficiëntie en schaalbaarheid voor het versnellen van AI-inferentie op apparaat-, edge- en cloudniveau.
De convergentie van 5G, edge computing, computervisie en deep learning , en Video Coding for Machine (VCM)-technologieën zullen de sleutel zijn tot volledig autonome voertuigen. Standaard en interoperabele technologieën zoals V2X, de opkomende MPEG-VCM-standaard, krachtige edge en on-board compute-inferencing-acceleratorchips maken low-latency, energiezuinige, goedkope en veiligheidsvoordelen mogelijk voor de veeleisende vereisten van de AI-auto-industrie.
Manouchehr Rafie, Ph.D.
Vice-president van Advanced Technologies, Gyrfalcon Technology Inc. (GTI)
