Cosa hanno in comune auto a guida autonoma, robot intelligenti, macchine autonome e droni senza pilota? Funzionano tutti grazie alla tecnologia edge computing. I computer edge sono computer concepiti appositamente per funzionare vicino a una origine dati, vale a dire che non si basano su una potenza di elaborazione remota.
Sebbene questo concetto possa sembrare banale, molti ingegneri considerano la tecnologia edge la nuova frontiera dell'informatica. Man mano che migliora, la tecnologia può rivoluzionare molti settori. Naturalmente, anche i computer più potenti sono inutili senza dati, e questo vale anche per l'edge computing.
In questo articolo esploreremo i principali sensori utilizzati nelle applicazioni di edge computing per veicoli autonomi. Vedremo anche in che modo le aziende utilizzano continuamente l'apprendimento automatico iterativo per addestrare i loro dispositivi di edge computing.
Cos'è l'edge computing?
Il mondo dell'informatica impiega un'ampia gamma di capacità e metodologie di elaborazione. Come regola generale, la potenza di elaborazione dei computer e dei data center si misura in base alla quantità di FLOPS (Floating-point Operations Per Second, operazioni a virgola mobile al secondo) che sono in grado di elaborare.
Nel 2022, il computer più potente del pianeta è il supercomputer Fugaku in Giappone, in grado di eseguire 442 petaflop 442.000 TOPS (teraflop, ovvero trilioni di operazioni al secondo). In genere, i computer specializzati in apprendimento automatico, intelligenza artificiale e calcolo parallelo vengono valutati mediante la misurazione TOPS. Nel tempo, l'aumento delle capacità dei supercomputer in termini di velocità è cresciuto costantemente fino ad arrivare a intervalli di velocità di exaflop (1.000.000 TOPS).
Come riferimento del mondo reale, un iPhone 13 funziona con un chip A15 Bionic di Apple e può raggiungere 15,8 TOPS. Ricorda che i telefoni di oggi sono molto potenti rispetto ai supercomputer più rapidi del mondo di appena due decenni fa.
I data center sono famosi sia per l'incredibile potenza di elaborazione che per l'uso costante dell'apprendimento automatico e le applicazioni di addestramento della rete neurale. Tuttavia, l'utilizzo della loro velocità di elaborazione richiede una connessione al data center, sia esso diretta o virtuale.
La tecnologia edge computing è ampiamente utilizzata nelle applicazioni in cui non è possibile o non è consigliabile una connessione a un data center. Supponiamo, ad esempio, che venga raccolta una grande quantità di dati video in tempo reale su un veicolo in movimento. In tal caso, è possibile eseguire un riconoscimento delle immagini basato sull'IA solo a livello locale piuttosto che presso un data center.
La ragione è che le velocità di connessione Internet wireless non sono in grado di supportare il trasferimento dei dati in tempo reale necessario utilizzando un modello di dati di cloud-computing standard.
Il vantaggio dell'edge
Consideriamo l'esempio di un ciclista: se la corretta identificazione IA del ciclista è la differenza tra l'auto che evita il ciclista o quella che si schianta su di lui, devono essere intraprese tutte le misure di sicurezza per garantire che gli algoritmi per evitare gli ostacoli siano in grado di identificare e reagire il più rapidamente possibile.
Mentre un data center in teoria può identificare il ciclista in modo più efficiente rispetto a un computer distribuito sull'edge, un computer edge ha una latenza di comunicazione pari a zero all'interno dell'auto a guida autonoma, dei suoi sensori e dei suoi sistemi di controllo.
Pertanto, il termine "edge computing" si applica a qualsiasi dispositivo in grado di elaborare dati all'origine, o margine, piuttosto che presso un data center, una workstation o un altro computer con posizione fissa.
L'edge computing consente l'elaborazione dei dati in tempo reale in quanto usa algoritmi complessi per processare i dati in tempo reale. Pertanto, l'edge computing è auspicabile quando è necessaria l'interpretazione dei dati in tempo reale e nei casi in cui la connessione ai server di elaborazione esterni non è fattibile o non è sicura.
Tuttavia, gli edge computer non hanno la potenza di elaborazione diffusa in un data center, né possono consumare la stessa energia di un data center standard. I moderni edge computer, invece, possono sostenere velocità di elaborazione da 1 TOPS a poche centinaia di TOPS.
NVIDIA, partner di Arrow.com e leader nel settore dell'edge computing, offre un'ampia gamma di soluzioni di edge computing, dal JETSON Nano, che raggiunge 0,472 TOPS, al Jetson DRIVE AGX Pegasus, che raggiunge 320 TOPS. Leggi il nostro articolo su come configurare il dispositivo NVIDIA JETSON Nano per saperne di più.
Sensori per automobili a guida autonoma
Per le capacità di elaborazione dei dati in tempo reale, l'edge computing si conferma un pilastro nella tecnologia dei veicoli a guida autonoma. Tuttavia, questi dati non sono generati dal computer, ma piuttosto dalla moltitudine di sensori che comprende le periferiche di rilevamento del veicolo a guida autonoma.
La topologia dei sensori può variare molto tra i diversi veicoli autonomi, persino all'interno dello stesso settore. Prendiamo, ad esempio, l'ampia gamma di suite di sensori tra i principali concorrenti nello spazio dei veicoli automobilistici personali autonomi, come Tesla, Cruise e Aurora Innovations, nessuno dei quali è riuscito a raggiungere capacità di guida autonoma di autonomia di livello 5.
Per scoprire di più sui diversi livelli di IA di guida autonoma, leggi l'articolo sui 5 livelli di tecnologia dei veicoli autonomi.
Allo stesso tempo, i robot autonomi per le consegne, come il veicolo Nuro e altri veicoli che non trasportano persone, come l'auto Street View di Google Waymo sono arrivati vicinissimi a raggiungere abilità di guida autonoma complete.
La maggior parte dei sensori di guida autonoma sono fondamentalmente simili: raccolgono dati sul mondo intorno a loro per aiutare il pilota del veicolo. Ad esempio, il veicolo Nuro di terza generazione contiene fotocamere, radar, Lidar, e termocamere per fornire una visualizzazione completa, a più livelli, delle aree circostanti il veicolo.
Attualmente, un'auto Tesla utilizza otto fotocamere, 12 e un sistema radar, ma si affidano maggiormente agli elementi visivi della fotocamera rispetto ai veicoli Nuro. Il driver Waymo di Google si affida principalmente a Lidar e usa fotocamere e sensori radar per aiutare a creare una mappa del mondo circostante.
In che modo l'apprendimento automatico addestra l'IA nelle auto a guida automatica
Il valore dei dati del sensore raccolti in tutte le auto e i veicoli a guida autonoma dipende dalle metodologie di calcolo a valle dei sensori stessi. In molti modi, la proprietà intellettuale di maggiore valore di società quali Tesla, Waymo, Aurora Innovations e Nuro è il software e l'infrastruttura di dati create per elaborare e utilizzare i dati dei sensori.
Il vincitore della gara per la completa autonomia non sarà dichiarato dall'azienda con l'hardware per sensori migliore, ma invece da chi può utilizzare i dati dei propri sensori nel modo più accurato, efficace e sicuro.
Oggi, tutti i veicoli autonomi su strada utilizzano i programmi di IA dell'edge computing che spesso vengono addestrati mediante modelli di apprendimento automatico per data center. I modelli di apprendimento automatico per le auto autonome sono resi possibili unicamente grazie all'incredibile potenza di calcolo dei moderni data center, in grado di eseguire centinaia di petaflops.
I requisiti di calcolo di questi grandi modelli di apprendimento automatico superano notevolmente la potenza di calcolo dei computer edge. Date queste informazioni, i data center spesso vengono utilizzati per dare forma agli algoritmi distribuiti per l'edge.
Se vogliamo utilizzare una metafora, per imparare l'algebra avanzata qualcuno può impiegare anni, ma una volta compresa, una persona può completare i problemi algebrici rapidamente e con precisione.
L'addestramento di un algoritmo di IA è simile; richiede centinaia di ore di calcolo su un data center a potenza elevata. Tuttavia, una volta compreso, può essere utilizzato impiegando una potenza di calcolo di gran lunga inferiore.
In che modo i veicoli autonomi implementano e utilizzano l'IA
La tecnologia dei veicoli autonomi dipende interamente dal successo dell'intelligenza artificiale, dall'accuratezza dei sensori dei veicoli e da potenti data center di apprendimento automatico.
Sebbene per elaborare modelli di apprendimento automatico per applicazioni per veicoli autonomi potrebbero essere necessari centinaia o migliaia di petaflops di potenza di calcolo, questi algoritmi altamente complessi possono essere elaborati sull'edge utilizzando hardware in grado di eseguire solo poche centinaia di TOPS. Poiché la potenza di calcolo è pari a quella consentita dai moderni computer edge, non c'è dubbio che presto spunteranno all'orizzonte dei veicoli completamente autonomi.