I den här upplagan av Utblick: digitalisering tittar vi närmare på vad den senaste tekniken banar väg för inom fordonsindustrin.
Djupinlärning är nyckeln till självkörande fordon.
Fordonsvärlden förvandlas från hårdvara till mjukvarudefinierade fordon. Digital teknik har visat sig vara en katalysator i denna omvandling, vilket skapar innovation för bilindustrin. Vi tror att djupinlärning kan påskynda arbetet för att uppnå full autonomi i fordonet samtidigt som säkerheten och bekvämligheten för förarna förbättras.
Autonoma fordon är en marknad värd miljarder dollar och som drivs av den senaste tekniken såsom AI och maskininlärning. Med bilindustrins övergång från enbart hårdvara till mjukvarudefinierade fordon, upplever hela fordonsekosystemen en exponentiell tillväxt. Helt autonoma fordon ser idag inte längre ut att vara en långsökt framtidsvision. Marknaden ser en betydande förändring med biljättar som BMW, Mercedes och Tesla vilka investerar med kapital och bidrar till forskning för att fastställa nödvändigheten och genomförbarheten av helt autonoma fordon, vilket kan underlätta storskalig kommersiell produktion.
Autonom körning består av tre huvudkomponenter: avkänning och perception, vägplanering samt styrning av fordonet. Nivå 2/3 semiautonoma fordon har regelbaserade kontrollalgoritmer implementerade i konventionella styrenheter. Dessa kan dock inte stödja högre nivåer av autonomi, vilket kräver intelligent planering och styrning med absolut noggrannhet. Med tillgången på superdatorplattformar (HPC), för utbildning och kalibrering av modeller för djupinlärning, har utvecklingen av mjukvaruutveckling för autonom körning skiftat mot djupinlärningsbaserade metoder.
För att uppnå full autonomi (SAE nivå 4/nivå 5) behöver vi utforska djupinlärning även i styrsystemen. Djupinlärningsbaserad styrning kan hjälpa till att hantera komplexa manövrer. Den kan effektivt beräkna styrkommandon för sidokontroll och acceleration samt bromskommandon för längsgående hastighetskontroll av fordonet. Trots detta kan säkerheten för djupa neurala nätverk vara instabil under ogynnsamma förhållanden. För att garantera säkerheten måste det automatiserade styrsystemet tränas med hjälp av olika datauppsättningar.
Styralgoritmer baserade på djupinlärning bör, för att vara fullt funktionella, tränas på en mängd olika datauppsättningar inklusive geografi, väder och vägförhållanden såsom dynamiska vägmiljöer, omgivningens ljus, position, dimension, färg och form.
För att säkerställa trafiksäkerheten måste vi först säkerställa full autonomi. Med hjälp av modern teknik kan vi förvänta oss att helt autonoma fordon tar över inom en snar framtid. Detta kommer att göra livet bekvämare med större rörlighet för miljontals människor inklusive de med synnedsättning och andra funktionshinder. Men för att autonoma fordon ska gå in i massproduktion är det avgörande att se till att de är säkra, pålitliga och livskraftiga, och i ett sådant scenario kan djupinlärningsteknik mycket väl vara svaret.
Proaktiva hälsokontroller för din bil, fast i molnet
En stadig tillväxt av elfordon (EV) och utveckling av ekosystem för uppkopplade bilar, gör att även marknaden för system som övervakar bilens kondition växer. Dessa system, så kallade IVM:er (fordonshälsohanteringssystem) beräknas ha en årlig tillväxttakt på 12 procent och marknaden beräknas uppgå till 28 miljarder USD år 2027.
Precis som vanlig service är konditionskontroller med en IVM-plattform under hela fordonets livscykel avgörande för dagens och framtidens alltmer datoriserade fordon. En sådan plattform behöver kunna tillhandahålla både aktuell diagnostik och framtida prognoser för att optimera underhåll, garanti och servicesupport. Utöver att hjälpa till att upprätthålla fordonens kondition, är en annan anledning till IVM-systemens växande popularitet potentialen att driva automatisering i branschen.
Det som är avgörande för att systemen ska fungera är ett holistiskt perspektiv – där tekniker som IoT, AI, maskininlärning och molnet fungerar väl integrerat och sömlöst. Tillsammans bidrar dessa tekniker med att övervaka och kontinuerligt integrera information från ett fordons alla system och från de snabbt växande uppkopplade ekosystemen. Målet är automatiserad upptäckt, diagnos och prognos av fel och underhållskrav av fordonet.
Framfarten av mjukvarudefinierade fordon, tillsammans med autonoma system, kommer att driva biltillverkningsföretag att dra nytta av IoT-ekosystem och den senaste såväl som nästa generations tekniker, som exempelvis kantdatorlösningar, datasjöar i molnet, AI och ML. Vägen framåt för OEM-företag och leverantörer är att designa och utveckla en motståndskraftig, skalbar och säker IVM-plattform som ger en rik kundupplevelse, säkerställer resenärens säkerhet och samtidigt öppnar upp för nya intäktsmöjligheter.
