Điện toán biên trên thị trường ô tô dự kiến sẽ tăng trưởng với tốc độ CAGR là 27,5% trong giai đoạn dự báo (2021-2026). Sự phát triển của các phương tiện tự hành và cơ sở hạ tầng ô tô được kết nối cũng như yêu cầu về các khung và hệ thống nhẹ để nâng cao hiệu quả của các giải pháp điện toán biên được dự đoán sẽ tạo ra nhiều cơ hội cho các nhà cung cấp điện toán biên.
Hầu hết các ô tô được kết nối hiện có đều tận dụng mạng di động để kết nối. Dữ liệu phát trực tuyến hàng loạt được tạo ra qua mạng di động vừa hạn chế về chi phí vừa hạn chế băng thông. Trong khi các phương tiện đã sử dụng một số cảm biến (như hệ thống thông báo cho người sử dụng về một vật thể đang di chuyển khi lùi), những chiếc xe được kết nối sẽ cần nhiều hơn thế.
- Để ô tô được kết nối mang lại giá trị như mong đợi, cần phải có một thiết bị có thể tổng hợp dữ liệu này trong thời gian thực. Điện toán biên là phương pháp xử lý dữ liệu từ các thiết bị IoT (Internet of Things) nơi nó được tạo ra. Với lợi thế, dữ liệu đang được thu thập sẽ được kiểm tra ngay tại nguồn.
- Một số lợi thế của tính toán biên trong vỏ bọc lái xe tự động được kết nối: loại bỏ yêu cầu về kho xử lý dữ liệu tập trung vì các xe được kết nối đang chuẩn bị dữ liệu được tạo trực tiếp trong xe khi đang lái, thúc đẩy phân tích thời gian thực mà không độ trễ kể từ khi thông tin được tạo tại nguồn, cho phép phương tiện thực hiện đồng thời giảm băng thông internet.
Giới thiệu
Thế giới kết nối là một điều cần thiết và là điều tất yếu trong tương lai giữa các ngành công nghiệp, có thể là các tòa nhà được kết nối, các nhà máy được kết nối, giao thông kết nối, v.v. Điều này cũng đúng với ô tô – “Phương tiện được kết nối”. Mọi phương tiện mới sẽ được kết nối và sẽ tạo ra dữ liệu khối lượng lớn để truyền đến / từ đám mây. Thách thức lớn nhất sẽ là xử lý và cung cấp hiệu quả dữ liệu này để đạt được tốc độ, bảo mật và độ tin cậy. Đây là nơi mà Edge Computing đóng một vai trò quan trọng.
Trải qua hành trình kéo dài hàng thế kỷ, ngành công nghiệp ô tô đã phát triển từ một mạng lưới khép kín truyền thống thành kết nối phổ biến với thế giới bên ngoài. Hãy cùng chúng tôi xem xét một số mốc quan trọng đã thay đổi cách thức tương tác của người lái xe và hành khách.
Mọi thứ khác đang được kết nối với internet ngày nay, khoảng 6 thiết bị được kết nối mỗi người, 120 thiết bị mới đang kết nối mỗi giây, dẫn đến một hệ sinh thái khổng lồ hơn 20 tỷ thiết bị được kết nối. (Nguồn- Statista, Gartner, Nghiên cứu thứ cấp).
Trong lĩnh vực ô tô, Gartner dự đoán rằng đến năm 2020, phương tiện được kết nối trung bình sẽ tạo ra hơn 280 petabyte dữ liệu, với ít nhất 4 TB dữ liệu được tạo ra trong một ngày, 470 triệu phương tiện được kết nối sẽ ra đường vào năm 2025 (nguồn- PwC ).
Thách thức lớn nhất ở đây là xử lý và cung cấp hiệu quả dữ liệu khối lượng lớn này với các mạng truyền thông hiện có (ngay cả khi mạng này có sẵn 5G ở mọi nơi) & hệ sinh thái điện toán đám mây. Ngoài ra, thách thức không chỉ giới hạn ở việc xử lý dữ liệu từng bùng nổ do các phương tiện kết nối này tạo ra mà còn đảm bảo tính bảo mật, độ tin cậy, khả năng mở rộng, v.v. Đây là nơi mà Edge Computing có một vai trò quan trọng.
Phần mềm trong Ô tô
Làn sóng phần mềm đầu tiên trên ô tô xuất hiện vào năm 1977, gần 100 năm sau chiếc ô tô thương mại đầu tiên vào năm 1886. Từ các chip vi xử lý được sử dụng để hiển thị thông tin tốc độ, nhiên liệu, chuyến đi và động cơ đến các ổ đĩa Nvidia đã biến chế độ lái tự động Tesla thành hiện thực, hệ sinh thái giờ đây ngày càng có xu hướng tích hợp điện tử & phần mềm vào xe của họ. Trên thực tế, nổi tiếng ngày nay là một phần mềm phức tạp hơn của Mercedes S class (yêu cầu 20 triệu dòng mã) cho một chiếc máy bay F-22.
Hình 1: Phần mềm trong ô tô ngày càng trở nên tinh vi hơn, mở khóa các trường hợp sử dụng mới
Điện toán biên trong ngành công nghiệp ô tô và vai trò của 5G
Có rất nhiều trường hợp sử dụng đầy hứa hẹn cho điện toán biên và 5G – những trường hợp này bao gồm hệ thống hỗ trợ người lái nâng cao (ADAS) và sự khởi đầu của công nghệ phương tiện giao thông (V2X). Nó cũng bao gồm các chức năng phổ biến hơn, chẳng hạn như hệ thống phanh, giải trí và định vị. Khi công nghệ xe tự hành phát triển, các hệ thống này sẽ phát triển.
Có hơn 100 ECU (bộ điều khiển động cơ) trên một chiếc ô tô trung bình ngày nay và các chức năng như thông tin giải trí, điều hướng, điều khiển hành trình thích ứng có thể chạy trên công nghệ điện toán tiên tiến. Với sự ra đời của 5G, việc sử dụng các ứng dụng tiên tiến dự kiến sẽ tăng theo cấp số nhân, được kích hoạt bởi tốc độ truyền dữ liệu lên tới 1 GB mỗi giây.
Điện toán biên tập trung vào dữ liệu gần với nơi nó được tạo ra, chẳng hạn như đồng hồ thông minh, rô bốt công nghiệp hoặc xe cộ. Do đó, thuật ngữ này bổ sung cho thuật ngữ điện toán đám mây, dùng để chỉ sức mạnh tính toán trong các trung tâm dữ liệu. Tuy nhiên, các thiết bị thông minh nói trên không mạnh về khả năng tính toán và bộ nhớ như máy tính trong các trung tâm dữ liệu – ít nhất là cho đến nay. Các ràng buộc tài nguyên này giới hạn các ứng dụng có thể chạy trên các thiết bị này.
Vì lý do này, các thiết bị biên và điện toán đám mây thường được sử dụng kết hợp: Khối lượng dữ liệu kết quả được phân phối giữa các thiết bị và dịch vụ đám mây khác nhau. Edge computing được sử dụng ở mức độ lớn hơn khi yêu cầu phản ứng nhanh và khả năng thời gian thực. Đám mây hoạt động như một loại điểm thu thập dữ liệu trung tâm để phân tích, học máy và kiểm soát quy trình.
Dưới đây là bảy trường hợp sử dụng mà Edge computing có thể là một điểm cộng tuyệt vời cho chiếc xe oto của bạn:
1. Kết hợp cảm biến và tổng hợp giá trị để bảo vệ dữ liệu nhạy cảm trong ô tô
Nói chung, rất nhiều cảm biến được tích hợp sẵn trong các thiết bị hàng ngày. Từ cảm biến con quay hồi chuyển trong điện thoại di động đến cảm biến độ ẩm trong nhà thông minh, có rất nhiều loại cảm biến, hệ số dạng và kiểu máy khác nhau. Tất cả chúng đều có một điểm chung: chúng thường tạo ra một lượng lớn dữ liệu.
Điều này cũng áp dụng cho một số lượng lớn các cảm biến trên xe. Mặc dù hầu hết dữ liệu có thể được xử lý trong ô tô, nhưng một số ứng dụng, chẳng hạn như cảnh báo trong trường hợp sai lệch so với tiêu chuẩn, yêu cầu dữ liệu phải được chuyển lên đám mây. Edge computing giúp hạn chế lượng dữ liệu bị đẩy ra ngoài một cách thông minh, giúp giảm chi phí truyền dữ liệu và cũng giảm lượng dữ liệu nhạy cảm rời khỏi xe.
2. Lái xe tự hành và cơ sở hạ tầng thông minh để di chuyển hiệu quả
Khả năng lái xe tự động là một trường hợp Điện toán biên rất đặc biệt, vì có một số sức mạnh tính toán cần thiết để chạy các thuật toán lái xe trong thời gian thực trong bộ điều khiển trên xe. Một cách sử dụng khác của “cạnh béo” có thể được tìm thấy trong các cơ sở hạ tầng thông minh như trạm gốc 5G, đèn giao thông hoặc bộ định tuyến thông minh trung gian. Ví dụ, điều này cho phép hiệu quả và thông lượng cao hơn nhiều tại các giao lộ.
Hãy lấy ví dụ về một nút giao thông phức tạp và được sử dụng nhiều với năm con đường và thời gian chờ đợi lâu của mỗi phương tiện khi sử dụng đèn giao thông. Chỉ riêng việc lái xe tự hành sẽ không loại bỏ thời gian chờ đợi, vì nó tôn trọng thời gian của đèn giao thông. Nhưng khi tại giao lộ, một nút biên được lắp đặt để các phương tiện kết nối khi đến gần giao lộ, chúng có thể nhận được quỹ đạo của mình từ nút biên. Nút biên này có thể thực hiện điều phối tất cả các phương tiện lân cận thay vì tính toán riêng biệt cho từng phương tiện.
Nếu giải pháp này sau đó được mở rộng để bao gồm kế hoạch sạc cho xe điện, thì tính di động có thể trở nên hiệu quả hơn. Sau đó, nút biên tại trạm sạc sẽ có thể lập kế hoạch cho các quy trình tính phí sắp tới và tối ưu hóa lượng đặt trước theo nhiều tiêu chí khác nhau bao gồm thời gian chờ hoặc tốc độ sạc tối đa.
3. Học máy cho hệ thống thông tin giải trí trực quan
Hệ thống thông tin giải trí trên xe là một giao diện người dùng rất nổi bật bên cạnh các nút điều khiển lái xe. Để tìm hiểu những chức năng và ứng dụng mà người dùng đang thực sự sử dụng và nơi thiết kế tương tác nên được tối ưu hóa – cho dù đó là giao diện cảm ứng hay giọng nói – các thuật toán học máy là một công cụ quan trọng để tìm hiểu thông tin chi tiết có liên quan về lượng lớn dữ liệu có sẵn. Điện toán biên giúp đưa các mô hình học máy, được đào tạo trên đám mây, dễ dàng đến thiết bị. Do đó, dữ liệu hành vi và cảm biến sẵn có tại địa phương có thể được sử dụng để dự đoán nhằm cải thiện sự tương tác của người dùng.
Trong kỷ nguyên hậu trợ lý cá nhân, người ta mong đợi rằng sự tương tác sẽ trở nên đơn giản hơn theo thời gian, khi hệ thống học được hành vi hoặc một số ràng buộc về môi trường.
4. Bảo trì dự đoán thích ứng trên pin xe điện dựa trên việc sử dụng một
Vì xe tự hành được biết đến với hiệu suất và mức độ tương tác cao của người lái, nên pin trên xe của chúng tôi (tác giả) với hệ dẫn động điện cần cung cấp điều này tốt nhất có thể. Để đạt được điều này, việc theo dõi pin và bảo trì dự đoán là một phần thiết yếu. Việc bảo dưỡng và sạc pin phụ thuộc vào các tình huống động sau khi xe thực sự được xuất xưởng: áp suất lốp, khả năng tăng tốc, giao thông, chu kỳ sạc, thói quen của người lái xe, v.v. Một giải pháp khả thi cũng cần xem xét dữ liệu sử dụng, dữ liệu này không có sẵn tại điểm sản xuất , và điều này sau đó có thể điều chỉnh hệ thống treo dựa trên tính cách của người lái xe.
Điện toán biên có thể cho phép điều này với khả năng tổng hợp dữ liệu và đánh giá gần thời gian thực các thông số pin và giá trị cảm biến có liên quan. Vì điều này có ảnh hưởng trực tiếp đến trải nghiệm của khách hàng, ví dụ, nó rất phù hợp đối với các nhà sản xuất ô tô và nhà cung cấp mạng lưới ô tô có xe điện trong đội xe của họ.
5. Xác thực đa yếu tố để nhập dễ dàng, không cần chìa khóa
Tôi đã đề cập đến vấn đề này ngay từ đầu: Trường hợp này là cung cấp lối vào không ma sát cho xe dựa trên nhiều yếu tố an ninh – và do đó cho phép khách hàng mở cửa xe của người lái xe của họ mà không có bất kỳ sự cọ sát nào.
Điều này đạt được bằng cách sử dụng 1) camera để nhận dạng khuôn mặt, 2) camera hồng ngoại để phát hiện giả mạo và 3) cảm biến Bluetooth để phát hiện khoảng cách gần của điện thoại di động của người lái xe. Ba yếu tố này là ví dụ về xác thực trình điều khiển bằng cách sử dụng nhiều yếu tố.
Cùng với FogHorn, chúng tôi (tác giả) muốn tìm hiểu xem trường hợp sử dụng này thực sự có thể hoạt động như thế nào khi phương tiện ngoại tuyến và do đó không thể truy cập bất kỳ tài nguyên nào từ internet. Như bạn có thể thấy trong video, nó đã hoạt động!
6. Tích hợp Nhà thông minh và Xe cộ: Tự đỗ xe
Tại giao điểm của việc gia tăng nhà thông minh và Porsche là một thương hiệu xa xỉ, có khá nhiều trường hợp đòi hỏi khả năng tính toán ở mức tối đa. Ví dụ: có thể có dịch vụ người phục vụ tận nhà, cho phép người dùng để xe của họ trên đường lái xe và chỉ cần ra ngoài. Xe sẽ tự đậu trong nhà để xe. Dựa trên kế hoạch lịch cá nhân của chủ sở hữu, chiếc xe cũng có thể tự lái ra khỏi ga ra và sẵn sàng cho một khởi đầu mới. Tuy nhiên, để kích hoạt ứng dụng này, cần có khả năng lái xe tự động.
7. Các Quy tắc Chung và Giám sát và Cảnh báo dựa trên Học máy cho Ô tô
Các nhà cung cấp mạng lưới ô tô sẽ phải quản lý các hệ thống liên quan đến đội xe của họ – vì vậy họ sẽ phải xây dựng nhiều quy tắc và giám sát bổ sung. Để cung cấp cho một ví dụ về quy tắc một ví dụ: “Đừng cử chiếc xe này vì nó là ký dịch vụ trong 50 dặm tới nếu một khách hàng được đặt nó cho một chuyến đi bốn ngày – có nghĩa rằng nó rất có khả năng đi lại hơn 50 dặm bên trái”.
Edge Computing có thể xử lý dữ liệu cảm biến có sẵn và đánh giá các quy tắc và thuật toán máy học trực tiếp trong xe hơi mà không cần đến đám mây. Sức mạnh điện toán đám mây có thể được sử dụng để đào tạo và tinh chỉnh các thuật toán học máy cần thiết để phát hiện các tình huống cụ thể. Ngoài ra, định nghĩa của các quy tắc có thể được thực hiện trên đám mây và sau đó được đẩy xuống biên bất cứ khi nào cập nhật được thực hiện.
