Mercedes zrychlil vývoj autonomních aut. Díky globálnímu přístupu k datům

Při testování se sbírají petabajty dat, z nichž se neuronové sítě učí. Přečtěte si, co vývoj aut budoucnosti obnáší.

Autonomně řízená auta jsou něco jako zhmotnění všech našich futuristických vizí. Jak je vytvořit se už teoreticky ví. Všechny automobilky teď dávají ohromnou energii do toho, aby mohly dokonale funkční vozy co nejdřív předvést na silnicích. Stejný cíl má globální výrobce automobilů Mercedes-Benz AG: Chce vyvíjet vozy, které jsou inteligentní a autonomní zároveň. Aby to firma splnila, vzala si na pomoc systém HPE s názvem Ezmeral Data Fabric.

Aby mohl vývoj supermoderních aut úspěšně pokračovat, potřebovala automobilka datovou platformu pro sběr a správu obrovského množství údajů ze zkušebních vozidel a jejich zpřístupnění svým vývojářům po celém světě. Už v roce 2016 proto využila systém HPE Ezmeral Data Fabric (dříve MapR Data Platform), což pomohlo urychlit vývoj autonomních řídicích funkcí a umožnilo okamžitý přístup ke všem potřebným datům.

Jen si to představte. Nejdřív normálně řídíte, pak ale můžete všechno pustit a věnovat se třeba dítěti na zadní sedačce a po jeho usazení se k ovládaní vozu plynule vrátit. Vůz může řídit úplně za vás, nebo ho můžete plně ovládat bez využití inteligentních funkcí. Právě k vytvoření takového auta se teď slavná globálně působící automobilka nezadržitelně blíží.

Bezpečnost i pohodlí

„Věříme, že výroba takových vozů může zákazníkům zajistit veškeré pohodlí a bezpečnost, a posílit tak i celkovou bezpečnost provozu na silnicích,“ stojí v prohlášení automobilky, která pro to dělá všechno. Aby toho dosáhla, přísně testuje a sbírá ohromné množství dat z kamer a senzorů připojených k jednotlivým testovacím vozům. Právě ony totiž sbírají informace o chování vozu, potenciálních problémech i okolí, v němž se auto pohybuje.

Všechna tato data musí výrobce následně zpřístupnit vývojářům v týmech rozmístěných po celém světě. To oni pak generovanými daty „krmí“ algoritmy neuronových sítí. Prostřednictvím těchto algoritmů se auto učí dělat chytrá rozhodnutí v reálném čase.

Největší výzvou pro výrobce samozřejmě bylo, jak ohromné množství neustále generovaných dat spravovat. Protože jednotlivé týmy vývojářů opravdu sedí na různých místech světa, bylo potřeba řešení, které by umožňovalo celosvětový přístup a sdílení dat. To všechno za zachování vysokého výkonu a také minimalizace dublování dat, aby nedocházelo ke zbytečnému zatěžování hardwaru. Výsledkem bylo právě nasazení HPE Ezmeral Data Fabric.

Novou platformu firma potřebovala už jenom proto, že předchozí technologie, které se ve firmě používaly, nedokázaly reagovat na zvyšující se požadavky. Po řešení HPE ovšem sáhli i proto, že tak dostali přímý přístup k datům, a to dokonce i k těm ze starších systémů. Při použití Windows nebo Linux systémů mají vývojáři přístup k souborům, aniž by potřebovali datový adaptér Hadoop. Dalším zásadním kritériem pro konečný výběr byl výkon – v hodnocení HPE Ezmeral Data Fabric se ukázalo, že právě on byl nejrychlejší. A že platforma nabídla celý datový ekosystém, díky kterému nemusela automobilka zbytečně investovat do dalších nástrojů, procesů nebo pracovní síly.

Benefity?

Nasazení nového systému mělo podle vyjádření automobilky jasný benefit v podobě zrychlení vývoje autonomních aut, za čímž stojí hlavně jednoduchý přístup ke globálně generovaným datům z testování. S pomocí HPE Ezmeral Data Fabric se údaje z testovacích vozů rychle synchronizují v infrastruktuře cloudového úložiště, což umožňuje sdílet je všem členům týmů, kteří s nimi potřebují pracovat. Hned je tak jasnější, co je potřeba dál testovat a co vylepšovat.

S přímým přístupem k datům z aktuálního i starších systémů mají navíc vývojáři informace které potřebují, aniž by museli přepínat aplikace nebo používat nové rozhraní. Tyto informace tak vývojáři extrahují z terabajtů až petabajtů dat a díky využití deep learning technik trénují neuronové sítě na reprezentativním datovém vzorku. Ten si navíc mohou rozdělovat na různé segmenty – představit si to lze třeba tak, že když potřebují vůz naučit rozpoznávat semafory, extrahují tisíce obrázků semaforů z firemní datové platformy a využívají je k trénování neuronových sítí vozu, takže algoritmy pak už jen zařídí, že je vůz opravdu rozpozná. Právě úspěch v trénování algoritmů je důležitým odrazovým můstkem v pokračování dalšího vývoje.


Sledujte nás

Stojí za přečtení

banner