Wie digitale Ökosysteme vernetzte Fahrzeuge antreiben

Verteilte KI und die Nähe zu Daten sind entscheidend für die Realisierung fahrerloser Transportsysteme

Petrina Steele
Doron Hendel

Fortschrittliche Fahrerassistenzsysteme (Advanced Driver Assistance Systems; ADAS) und die Aussicht auf autonome Fahrzeuge haben zu zahlreichen Zukunftsbildern geführt, wie diese Technologien zum Einsatz kommen könnten – vom fahrerlosen Fernverkehr bis hin zu Robo-Taxis. McKinsey prognostiziert, dass der ADAS-Markt bis 2021 einen Umsatz von 35 Milliarden US-Dollar erreichen kann. Um diese Einsatzszenarien Realität werden zu lassen, bedarf es jedoch erheblicher weiterer Fortschritte bei den zugrundeliegenden Technologien, etwa dem Internet der Dinge (Internet of Things; IoT), der Künstlichen Intelligenz (KI) und dem Maschinellen Lernen (ML).

Skalierung von FAS-Plattformen durch strategische Infrastruktur- und Architekturentscheidungen

In diesem TechTarget-Whitepaper erfahren Sie, wie eine strategische Infrastruktur und IT-Architektur ADAS-Plattformen unterstützen.

Mehr erfahren
Road and Roundabout top view, Road traffic an important infrastructure in Thailand

Digitale Infrastrukturen sind ein kritischer Faktor für die Entwicklung autonomer Fahrzeuge, mit dem sich die Branchenteilnehmer bereits frühzeitig auseinandersetzen mussten. So stellte die große Menge eingehender Daten eine Herausforderung dar, als es galt, die von jedem einzelnen Testfahrzeug generierten Daten zu sammeln und zusammenzuführen. Autonome Fahrsysteme müssen zudem in der Lage sein, ihre eigenen Daten mit den Daten aus anderen Quellen, wie etwa Verkehrs- und Wetterinformationssysteme, in Echtzeit zu aggregieren, zu analysieren und zu verteilen – mit allen notwendigen Sicherheits- und Datenschutzkontrollen. Und je weiter das Maß der Autonomie fortschreitet (von Level 1 für einen gewissen Grad an Fahrerassistenz bis hin zu Level 5 für vollständig autonomes Fahren), desto größer ist das Volumen der zu sammelnden und zu analysierenden Daten. Bei aktuellen Testfahrten für das Autonomielevel 2 werden bis zu 20 Terabyte (TB) Daten pro Tag erzeugt, fortschrittlichere Sensorsätze für höhere Autonomiestufen (Level 4 und höher) bringen es auf bis zu 100 TB pro Tag. Die Daten und einzelne Datenpakete müssen den Entwicklern und Vertragspartnern weltweit zur Verfügung stehen, was zu Herausforderungen beim Zugriff und der Verteilung der Daten führen kann. Für die Hersteller heißt dies: Sie müssen die Datensätze nahe zueinander platzieren, um die Latenzen bei der Datenübertragung zu minimieren. Und sie müssen sicherstellen, dass ausreichende Computing-Ressourcen zur Verfügung stehen, um die Daten weltweit zuverlässig verwalten zu können.

Abbildung: Thomas[ii]

Unternehmen müssen eine hybride Infrastruktur an gut vernetzten Standorten einsetzen, die einen schnellen und sicheren Zugriff auf die Geräte an der Digital Edge, auf mehrere Clouds, auf private Rechenzentren sowie auf die Daten vor Ort, bei Datenbrokern und bei Partnern erlaubt."

Eine geeignete Infrastruktur bedeutet gleichzeitig, dass die zentrale Speicherung und Verarbeitung der Daten vor Ort keine praktikablen Optionen mehr darstellen. Eine verteilte Datenverarbeitung setzt eine digitale Infrastruktur (Computing + Speicher) voraus, deren Ressourcen global über eine effiziente Kommunikationsstruktur verbunden sind. Daher müssen Unternehmen eine hybride Infrastruktur an gut vernetzten Standorten einsetzen, die einen schnellen und sicheren Zugriff auf die Geräte an der Digital Edge, auf mehrere Clouds, auf private Rechenzentren sowie auf die Daten vor Ort, bei Datenbrokern und bei Partnern erlaubt. Dies forciert die Entwicklung von Ökosystemen für vernetzte Fahrzeuge, die – wie in der folgenden Abbildung dargestellt – auf Partnerschaften mit Drittanbietern und hyperkonvergenten Infrastrukturen basieren.

Abbildung: IDC[iii]

Die sich entwickelnden Datenanforderungen für ADAS verstehen

Fortschrittliche Fahrerassistenzsysteme basieren auf einer Reihe datenintensiver Prozesse, die voraussetzen, dass Datenvolumen, -vielfalt und -verifikation zuverlässig verwaltet werden sowie minimierte Latenzzeiten gewährleistet sind. Die Systeme müssen in der Lage sein, die Anforderungen des Datenmanagements in vier zentralen Bereichen zu erfüllen:

  • Sensoren: Sensoren erfassen Daten und benötigen Infrastrukturkonnektivität, um sowohl Fahrzeug-zu-Fahrzeug- als auch Fahrzeug-zu-Infrastruktur-Systeme zu unterstützen.
  • HD-Kartografie: Die HD-Kartografie umfasst hochpräzise 3D-Daten sowie andere notwendige Informationen, damit autonome Fahrzeuge Veränderungen in der Realwelt feststellen und Sicherheitsrisiken erkennen können.
  • Prozessoren: Prozessoren wie Steuergeräte (Engine Control Units; ECUs) oder Mikroprozessoreinheiten (Micro Processor Units; MPUs), verarbeiten die Daten und treffen wichtige Entscheidungen in Bezug auf Navigation, Kraftstoffverbrauch, predicitive Maintenance und mehr.
  • Software: Software-Systeme, insbesondere solche, die KI und ML nutzen, stellen die Funktionalitäten für jeden neuen Anwendungsfall des autonomen Fahrens bereit.

Abbildung: McKinsey[iv]

In puncto Infrastrukturentwicklung müssen Anbieter von Lösungen für autonome Fahrzeuge auch die HIL-Tests (Hardware in the Loop) berücksichtigen, die eine weitere zentrale technologische Herausforderung darstellen. HIL kommt zur Verifizierung und Validierung der Software in den Steuergeräten zum Einsatz, wobei umfangreiche Datenmengen, gespeichert, verwaltet, übertragen und analysiert werden müssen. Rund um die Uhr ist dabei operative Unterstützung erforderlich, um die Datenübernahme in die Cloud oder in lokale Einrichtungen zu optimieren. Darüber hinaus erfordern die Prüfstände häufigen physischen Zugang, was bedeutet, dass sie in Einrichtungen untergebracht werden müssen, die einfach und kostengünstig erreichbar sind. Und da viele Unternehmen in immer komplexere HIL-Architekturen investieren, die auf unterschiedliche Einrichtungen und verschiedene Standorten weltweit verteilt sind, ist eine sichere Synchronisierung dieser verteilten Daten von entscheidender Bedeutung.

Die einzige Möglichkeit, die technologischen Anforderungen bei der Entwicklung autonomer Fahrsysteme zu erfüllen, ist ein latenzarmer Zugang zu digitalen Ökosystemen aus Clouds, Netzwerken, Hardware- und Software-Anbietern sowie Partnern, wie ihn Platform Equinix® bieten kann. Denn nur dann ist der schnelle und sichere Datenaustausch gewährleistet.

HIL-Tests auf Platform Equinix

Das Ökosystem für vernetzte Fahrzeuge von Continental bietet globale Leistung und Skalierbarkeit

Continentals Visionsprojekt ADAS betreibt eine mit Sensoren ausgestattete Testflotte, die täglich mehr als 15.000 Kilometer (9.300 Meilen) zurücklegt und dabei bis zu 100 Terabyte an Daten pro Fahrzeug generiert und aufzeichnet. Diese werden verarbeitet, selektiert, bewertet und kommentiert, um sie für das Training und die Validierung des Systems zu verwenden. Um erkennen zu können, was in einem bestimmten Szenario passiert und zu entscheiden, wie das Auto reagieren soll, stützt sich das System auf NVIDIA DGX Server für Deep Learning und das Training künstlicher neuronaler Netze.

Um die ADAS-Entwicklung zu beschleunigen und die Zeit bis zur Markteinführung zu verkürzen, benötigte Continental einen Hochleistungszugang zu diesen Daten und eine leistungsstarke Speicherlösung, die Hunderttausende von Bildern pro Sekunde in die GPUs einlesen kann. Daher ging das Unternehmen Partnerschaften mit dem Systemintegrator SVA sowie mit IBM und Equinix ein. Ziel war es, eine neue Speicherinfrastruktur in einem mit der KI-Hardware von NVIDIA ausgestatteten IBX®-Rechenzentrum (International Business Exchange™) von Equinix aufzubauen, da dort ein expandierendes Ökosystem der Branche etabliert ist. Diese neue Lösung umfasst einen Multimode-GPU-Cluster, eine Non-Blocking InfiniBand-Netzwerkinfrastruktur, IBM ESS mit schnellen NVMe-Laufwerken (Non-Volatile Memory express) NVIDIA DGX Server sowie NVIDIA V100 Tensor Core GPUs. Continental nutzt zudem IBM Spectrum Scale mit einer Kubernetes-Container-Umgebung für die moderne Applikationsentwicklung.

Systeme für das autonome Fahren forcieren die Entwicklung von Ökosystemen für vernetzte Fahrzeuge, die auf Partnerschaften mit Drittanbietern und hyperkonvergenten Infrastrukturen basieren."

„Mit unserer neuen Infrastruktur können wir jetzt 20, 40 oder auch 80 GPUs gleichzeitig einsetzen, um unsere Trainings wirklich zu beschleunigen”, so Balazs Lorand, PhD, Head of AI Competence Centre, ADAS@Budapest, bei Continental. Mit dieser neuen Infrastruktur hat Continental die Zahl der Deep-Learning-Experimente pro Monat um den Faktor 14 gesteigert und die Trainingszeit von Wochen auf Tage reduziert.

Aufgrund der Flexibilität und globalen Skalierbarkeit von Platform Equinix unterstützt die Lösung Wachstum in jede Richtung – in containerisierten Hybrid Cloud-Umgebungen, vor Ort und in mehreren Rechenzentren. Die IBX-Rechenzentren von Equinix, präsent in 63 Märkten von 26 Ländern auf 5 Kontinenten, bieten höchstmögliche operative Zuverlässigkeit mit einer branchenführenden Verfügbarkeit von mehr als 99,9999 Prozent sowie den Zugang zu umfangreichen Partner-Ökosystemen mit mehr als 1.800 Netzwerken sowie über 2.900 Anbietern von Cloud- und IT-Services. Für Continental bedeutet dies, dass man Austauschpunkte in der Nähe der für ADAS benötigten Daten und Dienste realisieren kann und in der Lage ist, den Infrastrukturbedarf auch in den kommenden Jahren, wenn die Anwendungsfälle für autonome Fahrzeuge reifen und zunehmen, problemlos abzudecken.

Unser White Paper aus der Reihe TechTarget informiert Sie über den Aufbau einer skalierbaren ADAS-Plattform: Skalierung von ADAS-Plattformen durch strategische Infrastruktur- und Architekturentscheidungen

Weiterführende Informationen:

[Industry resources] Digital-Ready Solutions for Automotive

 

[i] McKinsey, Autonomous Driving.

[ii] Thomas, What’s Holding Back Fully Autonomous Driving?, Jan 2021.

[iii] IDC InfoBite, sponsored by Equinix, Connected Vehicle: Opportunities and Challenges Ahead, May 2019.

[iv] McKinsey, Advanced driver-assistance systems: Challenges and opportunities ahead, Feb 2016.

"Mit unserer neuen Infrastruktur können wir jetzt 20, 40 oder auch 80 GPUs gleichzeitig einsetzen, um unsere Training wirklich zu beschleunigen" Balazs Lorand, Continental Automotive
Petrina Steele
Petrina Steele VP Business Development & Innovation
Doron Hendel
Doron Hendel Global Business Development