ככל שטכנולוגיית הרכב האוטונומית מאיצה לפריסה נרחבת, הביקוש לעיבוד נתונים כמעט בלתי שפוי הפך לביקוש בלתי-נייטרלי.כל מילימטר שנייה נחשב כאשר רכב חייב להחליט אם ללם, לגלגל, או להאיץ בתגובה להולכי רגל שנכנסת לכביש או למכשול פתאומי.

הבנה של מחשוב פוג: אדריכלות ועקרונות

מחשוב פוג הוא תשתית מחשוב מבוזרת המשתרעת על שירותי ענן לקצה הרשת.בניגוד לענן, המאגדת עיבוד במרכזי נתונים גדולים, מרכזי נתונים מרכזיים, מחשוב מפיץ מחשוב, אחסון ומקורות רשתות מעבר לרצף מהענן למכשירים שיוצרים נתונים.המונח "פוג" מגיע מהאנלוגיה של ענן קרוב יותר לקרקע – חלק מהמערכת האקולוגית הרחבה יותר, אך פועל ברשת.

באדריכלות ערפל טיפוסית, קיימות מספר רב של שכבות:

  • (FLT:0)Device Layer:FLT:1 חיישנים, מצלמות, LiDAR, מכ"ם, ומחשבי לוח הרכב.אלה יוצרים ומעבדים תחילה נתונים גולמיים.
  • (FLT:0)Fog Layer:FLT:1 Edge Nodes, מרכזי נתונים מיקרו ויחידות כביש יושב בקצה הרשת. צומת אלה, מסנן וניתוח נתונים של כלי רכב מרובים וחיישנים תשתיות.
  • (FLT:0Cloud Layer:BuildFLT:1) שרתים מרכזיים עבור משימות לא קריטיות כגון הכשרת מודלים, ניתוחי צי ואחסון נתונים לטווח ארוך.

החדשנות העיקרית של מחשוב ערפל היא היכולת שלה לעבד נתונים בשכבת הערפל עם עצלות נמוכה מספיק כדי לעמוד בדרישות התזמון המחמירות של לולאות בקרה אוטונומיות.הוא גם מקטין את נפח הנתונים שנשלחו לענן, חוסכים רוחב פס ושיפור יעילות המערכת הכוללת.

התפקיד הקריטי של חוסר יכולת נמוכה ברכבים אוטונומיים

כלי רכב אוטונומיים פועלים על מחזור פעולה מתמשך של תפיסה, על הרכב לתפוס את הסביבה באמצעות חיישנים, למזג את הנתונים למודל, לתכנן מסלול בטוח ולבצע פקודות שליטה - כל זאת בתוך עשרות אלפי שניות.

תקני תעשייה ומחקר ביססו דרישות שקיפות ספציפיות לתפקודי נהיגה אוטונומיים:

  • הימנעות מהתערבות: 1-10 מילישניות
  • בקרת שייט מהירה ומתאמת: 10-50 מילישניות
  • זיהוי סימן תנועה: 50-100 מילישניות

מחשוב ענן מסורתי, גם עם תשתיות רשת מתקדמות, בדרך כלל לא נוחתים של 50-200 מילישניות או יותר עקב עיכוב הפיצות, queuing, ועיבוד במרכזי נתונים מרוחקים. עיכובים אלה אינם מקובלים על פונקציות קריטיות בטיחות.מחשוב פוג יכול להפחית את הסבלנות ל -10 מילימטרים במקרים רבים, לעמוד בדרישות המחמירידות ביותר.

למה לא עקביות משנה: אמת-עולמית סקרנס

שקול תרחיש כבישי שבו רכב מראש חל לפתע על בלמים חירום.רכב אוטונומי חייב לזהות את אורות הבלם או את המרחק הסגור, למקם מרחק בטוח לאחר, וליישם את הבלמים שלו - כל זאת תוך חשבונאות לתנאי הכביש ודינמיקה רכב. עיכוב של 50 מ"מ נוסף יכול לגרום 1.5 מטרים נוספים של מרחק במהירויות מהירות, שעלול לגרום להתנגשות אחורית.

כמו כן, בתרחיש צומת, רכב אוטונומי חייב לתקשר עם תשתיות תנועה וכלי רכב אחרים כדי להימנע התנגשות. תקשורת לרכב-על (V2X) מסתמכת על נטיות אולטרה-נמוכות לתאם תנועות.ערפל נודות הממוקם בצומת דרכים יכול לעבד הודעות אלה באופן מקומי, לעקוף את הענן ולהבטיח תשובות בזמן.

אתגרים נוספים של מחשוב ענן מסורתי

בעוד מחשוב ענן מספק כוח עיבוד עצום אחסון, הוא מציג כמה אתגרים בסיסיים עבור מערכות רכב אוטונומיות:

העברת נתונים לאורך מרחקים ארוכים

מהירות האור מטילה גבול פיזי על העברת נתונים.אפילו עם סיבים אופטיים, שליחת נתונים של כלי רכב למרכז נתונים בענן מאות קילומטרים משם מציגה מהירויות מינימום של כמה אלפי שניות לטיול עגול.

גבולות בנדיוויים

כלי רכב אוטונומיים מייצרים כמויות עצומות של נתונים. חיישן LiDAR חד-פעמי יכול לייצר עד 1.5 מיליון נקודות נתונים לשנייה, ורכב עשוי לשאת מצלמות מרובות, מכ"ם וחיישנים קוליים.סטרימינג כל הנתונים האלה לענן ידרוש רוחב פס הרבה מעבר למה שרשתות תאיות הנוכחיות יכולות להציע, במיוחד בסביבות עירוניות צפופות שבהן כלי רכב רבים מתחרים על אותה ספקטרום.

רשת רשת ונאמנות

רשתות מובייל משותפות בין משתמשים רבים ויכולות לחוות גודש בשעות השיא או באזורים צפופים. Dropped קישורים או ג'ייטר גבוה יכולים לשבש פונקציות בקרה בזמן אמת.ממ מחשוב מנקה עיבוד קריטי לנקודות מקומיות שהן פחות רגישות לבעיות רשת רחבות-אזוריות.

חששות אבטחה ופרטיות

שליחת נתוני רכב רגישים - כגון מיקום, דפוסי נהיגה, ומצלמות פנים להאכיל - אל הענן מעלה סיכונים פרטיות ואבטחה משמעותיים עיבוד נתונים באופן מקומי בשכבת הערפל מפחית חשיפה ליירוט ולגישה בלתי מורשית. ערפל רבים יכולים גם לבצע על-ידי אנונימיות וחסינות ערפל לפני העברת נתונים מצטברים לענן לניתוח ארוך טווח.

היתרונות של מחשוב פוג לרכבים אוטונומיים

מחשוב פוג מתייחס למגבלות של ארכיטקטורות בלבד בענן ומספק הטבות נפרדות לנהיגה אוטונומית:

  • (FLT:0) ,Reduced Latency:FLT:1 על ידי עיבוד נתונים בקצה, מחשוב ערפל חותך את הזמנים עגולים בתוך הגבולות הדרושים עבור יישומים קריטיים בטיחות.זה מאפשר זיהוי בזמן אמת, תכנון נתיב, ושליטה.
  • (FLT:0) החלטות החלטה-מינג: 1FirLT:1 עם אינטליגנציה מקומית, כלי רכב יכולים לקבל החלטות מפוצלות שנייה ללא המתנה להנחיות ענן.זה חשוב במיוחד לתמרוני חירום שבהם זמני התגובה האנושית אינם רלוונטיים – המערכת חייבת לפעול באופן אוטונומי.
  • (FLT:0) אבטחת הפרטיות והביטחון: מידע רגיש נשאר בתוך מתחם הערפל המקומי, צמצום פני השטח של ערפל יכול ליישם הצפנה, בקרת גישה ונתונים המסכות לפני שליחת מידע הכרחי רק לענן.
  • (FLT:0)Bandwidth Efficiency:BuildFLT:1 במקום הזרמת נתוני חיישן גולמי לענן, ערפל נודות יכול לאסוף, דחוס, ורק לשדר מטא-נתונים רלוונטיים - כגון גילויים, אירועים ועדכוני מודל - חיסכון משאבי רשת.
  • (FLT:0) אמינות וחוסנות גדולה: מיפוי 1 יכול לפעול באופן עצמאי גם אם הקשר לענן אבד.הפעולה של הרכב ממשיכה ללא הפרעה, להסתמך על עיבוד מקומי ותיאום ללא פגע.
  • (FLT:0) calScalability: 1 כפי שמספר כלי רכב אוטונומיים גדל, ניתן להוסיף ערפל ללא פגע כדי לטפל בעומס מוגבר, הימנעות מצורך בשדרוגי תשתית ענן מסיביים.

אסטרטגיות יישום וטכנולוגיות מפתח

מחשוב ערפל עמוק במערכות רכב אוטונומיות כרוך שילוב מספר טכנולוגיות לאדריכלות קוהרסטיבית.הדברים הבאים הם מרכיבים קריטיים.

צוק ומיקרו נתונים Centers

נקודות קצה יוצרות את הלב של שכבת הערפל.אלה מכשירים מחשוב הממוקמים ליד הכביש - על קטבים תנועה, בקבינטות דרכים, או אפילו על הרכב עצמו.הם נעים ממערכות משובצות קטנות למרכזי נתונים זעירים עם שרתים מרובים ואחסון.כל אחד מהם מנהל מערכות הפעלה בזמן אמת ומודלים מיוחדים של AI עבור תפיסה, היתוך ושליטה. הם יכולים לשמש גם כמרכזי תקשורת V2X, המעביר בין כלי רכב ותשתית.

5G ו-High-Speed Networks

טכנולוגיית תאי 5G היא מאפשרת טבעית למחשוב ערפל.התקשורת הנמוכה ביותר שלה (URLLC) מציעה לביטלות נמוכה כמו 1 מ"ר השניות, מה שהופך אותו אידיאלי עבור כלי רכב אל- infrastructure ו- כלי רכב תקשורת אלקטרוניקה-to-vehicle. 5G של רשת סליקה מאפשר רשתות וירטואליות עבור תנועה אוטונומית, ערב רוחב פס ושפל, עם זאת, לא צריך גם את הקישורים הדרושים כדי להשיג את הערפל רשת ערפלים או לחץ דם.

מידע אמיתי-Time Data Analytics ו-AIAI

מוטציות חייבות להפעיל אלגוריתמים AI מתוחכמות לאיתור אובייקטים, מעקב וחיזוי רשתות עצביות קלות כגון YOLO (You Only Look Once) ו- MobileNet משמשים לעתים קרובות, אופטימיזציה לביצוע חומרה קצה כמו NVIDIA Jetson או Qualcomm Snapdragon.מודלים אלה מאומן בענן ולאחר מכן פרוסים לערפל, אשר יכול גם לבצע למידה מקוונת כדי להתאים את דפוסי התנועה המקומיים-מציאות.

פרוטוקול תקשורת: V2X ומעבר

תקשורת בין כלי רכב ל-V2X כוללת תקשורת בין כלי רכב ל-V2V, כלי רכב-ל-infra Structure (V2I), ורכב-to-pedestrian (V2P) ערפל nodes לפעול כ-V2I עוגן, שידור צומת-טופולוגיה, מצבי תנועה, ואזהרות מסה קצרות-Range (DSRC) ו-V2X (X) הן לא יכולות להגיע לתקני C2X-V2X-2D.

יישומים אמיתיים ומקריות

יוזמות רבות ופרויקטים מחקר הוכיחו את יעילות מחשוב הערפל ב נהיגה אוטונומית.

עיבוד OUTSON

המערכת האוטונומית של Waymo מסתמכת רבות על עיבוד על לוח, אך החברה משתמשת גם בחומרה מחשוב אישית משלה – נהג ה- Waymo – הפועלת למעשה כערפל בתוך הרכב.בעוד ש- Waymo משתמש בשרשרת ענן למיפוי וסיוע מרחוק, כל קבלת ההחלטות בזמן אמת מתרחשת באופן מקומי במחשב קצה הרכב.אדריכלות זו מאפשרת מיליוני קילומטרים ללא נהג עם תיעוד בטיחותי חזק.

רשת נילי של טסלה ב- Edge

מנוע המחשב האוטונומי המלא של טסלה (FSD) מעבד נתונים משמונה מצלמות ומשתמש ברשת עצבית המתאימה להיקף ההיקף.הרכב מקבל החלטות מיידיות ללא המתנה לעיבוד ענן. גישתה של טסלה היא צורה של מחשוב קיצוני, שבו הערפל נמצא בתוך המכונית עצמה.עיצוב זה מקטין את הגמישות כי הנתונים לעולם לא משאירים את הרכב.

פרויקט מחקר אירופי - 5G-FOG

פרויקט 5G-FOG, במימון האיחוד האירופי, חקר מחשוב ערפל בשילוב עם רשתות 5G לשימוש אוטונומי במקרים של נהיגה אוטונומית.ניסויים בשטח בטורינו, איטליה, הוכיחו כי ערפל בצמתים יכול להפחית את ההיקף של הימנעות מהתנגשות שיתופית מתחת ל -10 מילישניות.הפרויקט גם בחן ערפל דינמי כרכבים שעברו דרך רחובות העיר, ולהבטיח שירות של טמפרטורות נמוכות.

V2X-Fog Deployments

כמה ערים סיניות, כולל וואקס וצ'אנגשה, הפרו תשתיות מחשוב בקנה מידה גדול V2X וערפל לאורך כבישים מהירים עיקריים. יחידות Roadside מצוידות בתהליך מודולי מחשוב LiDAR ונתוני מצלמה מכמה כלי רכב בזמן אמת, ויצרו מודעות מצבית משותפת המפחיתה את ההסתמכות על חיישניים האישיים של כל רכב.

אתגרים ושיקולים ל Deployment

בעוד מחשוב ערפל מציע יתרונות ברורים, היישום שלו אינו ללא מכשולים.

חומרה וכוח Constraints

ערפל חוצות בחוץ חייב להיות מחוספס, עמיד בפני מזג אוויר, וצורכים כוח מינימלי.הם לעתים קרובות לרוץ על מקורות אנרגיה מוגבלים, כגון לוחות סולאריים או סוללות, אשר מגבילים את יכולות החישוב שלהם. Balancing ביצועים עם יעילות כוח הוא אתגר הנדסי מתמשך.

אבטחה של זעזועים

ערפל נגיש פיזית, מה שהופך אותם פגיעים להתקפות סייבר או מהתקפות סייבר.לכבות אלפי מכשירי מחשוב מבוזרים דורש אימות חזק, בדיקות שלמות תוכנה ותקשורת מוצפנת. A צומת נפגע יכול לשמש כדי להזריק נתונים כוזבים לרשת V2X, הצבת סיכונים בטיחותיים.

סטנדרט והתאמה

כיום, אין תקן אחד השולט על מחשוב ערפל עבור כלי רכב אוטונומיים.יצרנים וספקי תשתיות משתמשים בפתרונות קנייניים, מה שהופך קבוצות בין-אופרציה קשה.

עלויות של תשתיות

חלוקת רשת צפופה של ערפל לאורך כל כביש היא יקרה.אזורים עירוניים יכולים להיות מכוסים בקלות רבה יותר, אבל כבישים כפריים מציגים אתגר. השקעות ראשוניות בחומרה, התקנה ותחזוקה יש לשקול נגד רווחי בטיחות וחיסכון תפעולי.

כיוונים עתידיים של Outlook ומחקר

מחשוב פוג צפוי להיות מרכיב בסיסי של מערכות רכב אוטונומיות בעשור הבא.כמה מגמות מצביעות על שילוב עמוק יותר ויכולות משופרות.

6G ו- Sub-MilliII Latency

מחקר לרשתות 6G נועד להשיג מהירויות מתחת ל-0.10 שניות, שיאפשרו אפילו לדרוש יותר יישומים בזמן אמת.ערפל נודס יהנה מקישורים אלחוטיים אולטרה-נמוכים אלה, שיאפשרו תיאום עדין יותר בין כלי רכב.

למידה מפולגת בערפל

למידה פדרated מאפשרת מודלים AI להיות מאומן על פני מספר רב של ערפל ללא העברת נתונים גולמיים לענן.זה שומר על פרטיות תוך מתן מודלים ללמוד מסביבות נהיגה מגוונות. ציי רכב אוטונומיים יכולים לשפר את התפיסה שלהם ואת יכולות קבלת ההחלטות באמצעות נתונים מקומיים.

תאומים וסימולציות

ערפל יכול לארח תאומים דיגיטליים של פלחי כביש, סימולטור זרימת התנועה והתנהגות הרכב בזמן אמת.זה העתק וירטואלי ניתן להשתמש כדי לחזות גודש, לזהות omalies, ובדיקת אסטרטגיות חירום לפני החלת אותם כלי רכב פיזיים.

שילוב עם תשתיות העיר החכמה

ערים עתידיות יהטמיעו מחשוב ערפל לאורות תנועה, מונים חניה ואורות רחוב, ויצרו סביבה חלקה לרכבים אוטונומיים.רכבים ינהלו משא ומתן נכון-מסלול עם תשתיות באמצעות ערפל, זרימת התנועה וצמצום פליטות באמצעות אלגוריתמים אוטונומיים.

מסקנה

מחשוב פוג מציג פתרון חזק לאתגרים החריפות שספגו פיתוח רכב אוטונומי ארוך מאוד.על ידי עיבוד נתונים קרוב יותר למקום בו הוא נוצר, ארכיטקטורות ערפל להפחית את זמני התגובה לרמות בטוחות, לשפר את ניצול רוחב הפס, ולשפר את הפרטיות. פרויקטים בעולם האמיתי כבר להפגין את יכולת ההיתכנות שלו, והמשך ההתקדמות בחומרה, ברשת ו- AI רק מחזקים את תפקידה.

(ב) לעיין בסקר ה"FLT:0IEEE" על מחשוב ערפל עבור מערכות תחבורה חכמות (Fillo 1), דוח FLT:2NIST על שיקולי אבטחת מחשוב ערפל 3, ו-"FLT:4 אלsevier" על דרישות לבה ברשתות נאמנות:5.