Guida autonoma di livello 5

 

Deep learning a bordo con i sistemi per edge AI

 

I veicoli a guida autonoma necessitano di un’interazione costante con l’ambiente esterno: vengono infatti dotati di sensori sofisticati (RADAR, LIDAR, videocamere ad alta risoluzione) per raccogliere costantemente informazioni sullo stato del veicolo e sull’ambiente ed elaborare queste informazioni per tradurle in azioni da far compiere in maniera autonoma dal veicolo.

Ciò richiede l’installazione di sistemi high-performance che sono in grado di connettersi ai sensori e di processare i dati in tempo reale, applicando algoritmi di AI (intelligenza artitficiale) e deep learning per “insegnare” al veicolo a guidare da solo e vincere le sfide per raggiungere la guida autonoma di livello 5, dove non è più necessario l’intervento del guidatore.

I sistemi HPEC di Eurotech ricreano un vero e proprio data center di bordo per abilitare la guida autonoma, sono molto compatti e possiedono tutte le certificazioni automotive per una rapida installazione e utilizzo all’interno di veicoli.

Vediamo di seguito tre esempi di architetture utili per la guida autonoma.

 

Data logging ad altissime prestazioni

 

Questo use case presenta un esempio di applicazione di data logging ad alte prestazioni, in cui vi è una costante raccolta di dati da parte dei sistemi di bordo. Il DynaCOR 40-35 – un data logger ad elevatissime prestazioni con una capacità di storage fino a 123TB e una velocità di scambio dati di 10 GB al secondo – riceve I dati raccolti dai sensori di bordo tramite lo switch DynaNET 10G-01, che può connettere fino a 48 sensori e ricreare un’infrastruttura di backbone a 40GB/s.

Questa configurazione è utile per tutti i clienti chen ecessitano di raccogliere dati in maniera costante durante i test, consentendo l’installazione dei sistemi con modifiche minime alla configurazione del veicolo. L’estrema compattezza dei veicoli di Eurotech, il sistema di raffreddamento a liquido compatibile con quello del veicolo e le certificazioni automotive consentono una facile installazione a bordo dei veicoli, sfruttando una piccola porzione del bagagliaio, anche in presenza di dimensioni ridotte.

High-performance data logging

Guida autonoma: edge AI e deep learning a bordo

 

Questa configurazione aggiunge capacità computazionale alla precedente, introducendo due nuovi sistemi che permettono di ricreare un’architettura di data center completa a bordo del veicolo, abilitando edge AI e deep lerning. Si tratta del DynaCOR 40-36 – un edge server che supporta algoritmi di deep learning grazie alla combinazione di CPU server-class e GPU – e il DynaNET 100G-01, uno switch ad alte prestazioni con porte 100GbE per trasferire enormi quantità di dati.

Edge AI for autonomous driving

Nell’esempio mostrato in figura, il flusso di dati provenienti dai sensori viene aggregato tramite DynaNET 10G-01, a cui viene connesso un ulteriore DynaNET 100G-01 come infrastruttura di backbone. I DynaCOR presentano due porte 100GbE, per una banda totale di 200Gb/s, che può essere dinamicamente allocata in base alle necessità. In questa configurazione si assume che il flusso di dati dai ssensori (40Gb/s) viene diretto verso il primo sistema DynaCOR, lasciando il secondo disponibile per i processi di calcolo ed elaborazione dei dati.

Una caratteristica importante dei sistemi DynaNET è il networking Layer 3, che permette una gestione del traffico molto accurata. Questo è di fondamentale importanza per minimizzare la latenza e assicurare che I flussi di dati arrivino al dispositivo corretto, evitando stagnazioni o eventi simili che peggiorerebbero le condizioni operative deterministiche dell’architettura.

Dato che il DynaNET 100G-01 è dotato di 16 porte ethernet 100GbE, e sia il DynaCOR 40-35 che il DynaCOR 40-36 montano due interfacce 100GbE, è possibile combinare fino a 15 DynaCOR con una banda di 100GB/s o fino a 7 DynaCOR con banda a 200Gb/s; il resto delle porte può essere utilizzato per connettersi ai DynaNET 10G-01 che raccolgono I dati dai sensori.

 

Architettura ridondante per autonomous driving

 

In quest’ultimo esempio viene mostrato come rendere ridondante la precedente architettura aggiungendo due switch. Nonostante i casi d’uso reali prevedano architetture ridondanti più complesse, dimostra comunque come può essere ricreata un’architettura molto sofisticata a bordo di un veicolo, anche in condizioni operative difficili e in presenza di spazi ristretti.

Level 5 autonomous driving redundant architecture