A rögzített utazásokat elmentik, majd az új szoftververziók segítségével virtuálisan újrajárhatók lesznek. Ennek eredményeként változatos MI- (mesterséges intelligencia) modellek jönnek létre, amelyek olyan szinten kiterjedtek és részletesek, hogy bármilyen elképzelhető forgalmi helyzetet képesek kezelni. A Continental legfontosabb követelménye pedig az, hogy a rendszernek mindig és mindenhol működnie kell.

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 csipjében. A technológiát pedig hosszú élettartamra kell tervezni, mivel egy jármű életciklusa lényegesen tovább tart, 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 nagy teljesítményű 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 stratégiát dolgozzanak ki a vele való interakcióra. Végső soron a gépkocsit 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 neurális háló 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 adatai főként a Continental tesztjármű-flottájából származnak. Ezek a járművek naponta körülbelül 15 ezer tesztkilométert tesznek meg és körülbelül 100 terabyte 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

Nagy teljesítményű rendszerekre van szükség ahhoz, hogy meg lehessen birkózni az egyre növekvő adatmennyiséggel, valamint a jármű egyre változatosabb funkcióival és hálózataival. A hagyományosan elosztott jármű-architektúrák akár száz vagy annál is több vezérlőegységükkel gyorsan elérik korlátaikat az összetettség és az innovatív funkciók irányítása szempontjából. Egy új és központosítottabb architektúrában a nagy teljesítményű 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 járműfunkciókat egyetlen motorvezérlő egységben összesítik.

Ezenfelül a központi feldolgozóegység a jármű élettartama alatt kezeli a vezeték nélküli szoftver- és a firmware-frissítéseket. Ez azt jelenti, hogy az autó mindig naprakész állapotban maradhat, és bármikor telepíthetők új funkciók és alkalmazások.