Was haben selbstfahrende Autos, smarte Roboter, autonome Maschinen und unbemannte Drohnen gemeinsam? Sie alle arbeiten mit Edge-Computing-Technologie. Edge-Computer sind spezielle Entwicklungen, die für den Betrieb in der Nähe einer Datenquelle ausgelegt sind – das heißt, sie sind unabhängig von Remote-Rechenleistung.
Das Konzept mag zwar trivial erscheinen, aber viele Ingenieure sehen die „Edge“ als die neueste Grenze im Computing. Wenn sich die Technologie weiter verbessert, könnte sie viele Branchen revolutionieren. Natürlich sind selbst die leistungsstärksten Computer nutzlos ohne Daten – das bleibt auch im Edge-Computing so.
Hier betrachten wir die wichtigsten Sensoren, die in Edge-Computing-Anwendungen autonomer Fahrzeuge zum Einsatz kommen. Wir werden uns auch ansehen, wie Unternehmen ständig iteratives maschinelles Lernen zum Trainieren ihrer Edge-Computing-Geräte nutzen.
Was ist „Edge-Computing”?
Die Computerwelt besetzt eine unglaubliche Bandbreite von Möglichkeiten und Methodiken zur Verarbeitung. Die Verarbeitungsleistung von Computern und Rechenzentren wird gewöhnlich mit der Zahl der Fließpunktoperationen pro Sekunde (FLOPS) angegeben, die sie verarbeiten können.
Im Jahr 2022 ist der leistungsstärkste Computer auf dem Planeten der Fugaku-Supercomputer in Japan, der 442 Petaflops oder 442.000 TOPS (Teraflops – Billionen Operationen pro Sekunde) schafft. Computer, die für maschinelles Lernen, künstliche Intelligenz und parallele Datenverarbeitung spezialisiert sind, werden gewöhnlich mit der Einheit TOPS gemessen. Im Lauf der Zeit wuchs die Geschwindigkeitsleistung von Supercomputer ständig an und liegt jetzt sogar im Exaflop-Bereich (1.000.000 TOPS).
Als Vergleichsobjekt aus der realen Welt kann ein iPhone 13 mit dem Bionic-Chip A15 von Apple eine Verarbeitungsleistung von 15,8 TOPS erreichen. Dabei ist zu bedenken, dass die heutigen Telefone leistungsstärker sind, als es die weltweit schnellsten Supercomputer vor zwei Jahrzehnten waren.
Rechenzentren sind berühmt für ihre unglaubliche Verarbeitungsleistung und konstante Nutzung für Anwendungen in den Bereichen Maschinenlernen und Training neuronaler Netzwerke. Allerdings erfordert die Nutzung ihrer Verarbeitungsgeschwindigkeit eine Verbindung zum Rechenzentrum, sei es direkt oder virtuell.
Die Edge-Computing-Technologie kommt intensiv zum Einsatz in Anwendungen, in denen eine Verbindung zu einem Rechenzentrum nicht möglich oder nicht wünschenswert ist. Nehmen Sie zum Beispiel an, dass eine große Menge von Echtzeit-Videodaten in einem fahrenden Automobil gesammelt werden. In diesem Fall kann die KI-Bilderkennung lokal statt in einem Rechenzentrum erfolgen.
Der Grund besteht darin, dass die mobilen Internet-Verbindungsgeschwindigkeiten nicht ausreichen zur Echtzeit-Datenübertragung mit einem standardmäßigen Cloud-Computing-Datenmodell.
Der Vorteil von Edge-Computing
Betrachten wir das Beispiel eines Radfahrers. Wenn die richtige KI-Erkennung von Fahrrädern dafür sorgen kann, Kollisionen zu vermeiden statt sie anzufahren, dann müssen alle Sicherheitsmaßnahmen ergriffen werden, um sicherzustellen, dass die Algorithmen zur Hinderniserkennung eine möglichst schnelle Erkennung und Reaktion aufweisen.
Zwar könnte ein Rechenzentrum theoretisch das Fahrrad effektiver identifizieren als ein an der „Edge“ eingesetzter Computer. Letzterer bietet allerdings den Vorteil, dass keine Kommunikationslatenz innerhalb des selbstfahrenden Autos, seiner Sensoren und seiner Steuersystem auftritt.
Der Begriff „Edge-Computing" bezeichnet also jedes Computergerät, das Daten an der Quelle – oder „Edge“ – verarbeiten kann statt durch ein Rechenzentrum, einer Workstation oder einem anderen ortsfesten Computer.
Edge-Computing ermöglicht in die Echtzeit-Datenverarbeitung dadurch, dass sie komplexe Algorithmen zum Bearbeiten der Daten in Echtzeit verwendet. Edge-Computing ist wünschenswert, wenn die Interpretation von Daten in Echtzeit benötigt wird; ebenso in Fällen, in denen die Verbindung zu externen Verarbeitungsservern nicht möglich oder nicht sicher ist.
Allerdings haben Edge-Computer weder die Verarbeitungsleistung eines Rechenzentrums noch dürfen sie so viel Energie wie ein übliches Rechenzentrum verbrauchen. Stattdessen können moderne Edge-Computer anhaltende Verarbeitungsgeschwindigkeiten von weniger als 1 TOPS bis zu einigen hundert TOPS aufrechterhalten.
NVIDIA, ein Partner von Arrow.de und branchenführend im Bereich Edge-Computing, bietet ein Spektrum von Edge-Computing-Lösungen an, das vom JETSON Nano mit 0,472 TOPS bis zum Jetson DRIVE AGX Pegasus mit bis zu 320 TOPS reicht. Lesen Sie unseren Artikel zum Thema So wird der NVIDIA JETSON Nano eingerichtet, um mehr zu erfahren.
Sensoren für selbstfahrende Automobile
Mit seinen Möglichkeiten zur Echtzeitverarbeitung hat sich Edge-Computing ganz natürlich als tragende Säule in der autonomen Fahrzeugtechnologie etabliert. Allerdings werden diese Daten nicht vom Computer selbst erzeugt, sondern von einer Vielzahl von Sensoren, welche die äußeren „Augen“ und „Ohren“ eines autonomen Fahrzeugs darstellen.
Die Sensortopologie kann zwischen autonomen Fahrzeugen erheblich variieren, sogar innerhalb desselben Sektors. Dies zeigt sich beispielsweise in der großen Bandbreiten von Sensorsuiten bei den wichtigsten Wettbewerbern auf dem Markt für autonome Personenfahrzeuge, wie Tesla, Cruise und Aurora Innovations, von denen keine Unternehmen die Fähigkeit zur autonomen Fahren der Stufe 5 vollständig erreicht hat.
Um mehr über die unterschiedlichen Stufen der KI für autonomes Fahren zu erfahren, lesen Sie den Beitrag Die 5 Stufen der autonomen Fahrzeugtechnologie.
Mittlerweile sind automatische Zustellroboter wie etwa das Fahrzeug von Nuro und andere Fahrzeuge, die keine Menschen transportieren, der Erreichung der vollständig selbstfahrenden Fähigkeiten weitaus näher gekommen, beispielsweise das Streetview-Auto Waymo von Google.
Die meisten selbstfahrenden Sensoren sind grundsätzlich ähnlich – sie sammeln Daten über die Welt um sie herum und tragen dazu bei, das Fahrzeug zu führen. So enthält beispielsweise die dritte Nuro-Fahrzeuggeneration sowohl verschiedene Kameras, Radar, Lidar und Wärmebild zur Bereitstellung einer umfassenden mehrschichtigen Ansicht der Fahrzeugumgebung.
In einem Tesla befinden sich derzeit acht Kameras,12, und ein Vorwärts-Radarsystem. Das Fahrzeug verlässt sich jedoch viel stärker auf Kamerabilder als Nuro-Fahrzeuge. Der Waymo Driver von Google stützt sich vorwiegend auf Lidar und nutzt Kameras und Radarsensoren zur Kartierung der Welt in seinem Umfeld.
Wie KI in selbstfahrenden Autos durch Maschinenlernen trainiert wird
Der Wert der in allen selbstfahrenden Autos und Fahrzeugen gesammelten Sensordaten hängt von den zu ihrer Verarbeitung angewendeten Computermethodiken ab. Auf vielerlei Arten ist das wertvollste geistige Eigentum von Unternehmen wie Tesla, Waymo, Aurora Innovations und Nuro die von ihnen aufgebaute Software- und Dateninfrastruktur zum Verarbeiten und Reagieren auf die Sensordaten.
Der Sieger im Rennen um die vollständige Autonomie wird nicht das Unternehmen mit der besten Sensorhardware, sondern vielmehr dasjenige, das seine Sensordaten am genauesten, effektivsten und sichersten nutzen kann.
Heute nutzen alle auf der Straße befindlichen autonomen Fahrzeuge KI-Programme mit Edge-Computing. Diese werden oftmals mit maschinellen Lernmodellen von Rechenzentren trainiert. Maschinenlernmodelle für autonome Automobile werden nur möglich durch die unglaubliche Computingleistung moderner Rechenzentren, die mehrere hundert Petaflops verarbeiten können.
Die Computing-Anforderungen dieser umfangreichen Maschinenlernmodelle übersteigen die Rechenleistung von Edge-Computern bei weitem. Angesichts dieser Informationen werden Rechenzentren häufig zur Bildung der für Edge eingesetzten Algorithmen verwendet.
Um einen Vergleich zu bemühen: Zum Erlernen höherer Algebra raucht man Jahre. Hat man sie aber verstanden, kann man damit umfangreiche Algebraprobleme schnell und genau lösen.
Das Trainieren eines KI-Algorithmus ist ähnlich und dauert Hunderte von Computerstunden in einem Hochleistungsrechenzentrum. Sobald der Algorithmus aber erlernt wurde, kann er schnell und genau mit weitaus geringerer Computingleistung genutzt werden.
Wie KI in autonomen Fahrzeugen implementiert und genutzt wird
Die autonome Fahrzeugtechnologie ist völlig abhängig vom Erfolg der künstlichen Intelligenz, der Genauigkeit der Fahrzeugsensoren und leistungsfähigen Machine-Learning-Rechenzentren.
Die Verarbeitung von Maschinenlernmodellen für autonome Fahrzeuganwendungen kann eine Computingleistung von Hunderten oder Tausenden Petaflops erfordern. Aber diese hoch komplexen Algorithmen lassen sich an der Edge mit Rechnern ausführen, die nur eine Rechenleistung von einigen hundert TOPS besitzen. Angesichts der riesigen Verarbeitungsleistung moderner Edge-Computer besteht wenig Zweifel, dass vollautonome Fahrzeuge bald am Horizont auftauschen werden.