Mehr Speicher für mehr Daten

Autonomes Fahren

Mehr Speicher für mehr Daten

Bild: ©carloscastilla/istockphoto.com

Künstliche Intelligenz spielt bei der Zukunft der Mobilität eine große Rolle, da Fahrzeuge immer abhängiger von immer mehr Daten werden. Dies erfordert neue Speicherlösungen, die es ermöglichen, Daten nahtlos zwischen unterschiedlichen Speicherarten zu verschieben.


Der technologische Fortschritt in der Automobilindustrie lässt die Vision vom vernetzten und selbstfahrenden Auto greifbar erscheinen. Zwar wird es noch einige Jahre dauern, bis vollautonome Autos in Masse vom Band laufen, doch bereits jetzt steigt die Anzahl teilautonomer Fahrzeuge auf dem Markt. Sie sind mit On-Board-Technologien ausgestattet, wie etwa fahrerunterstützten Systemen (ADAS), Infotainment-Systemen (IS) oder intelligenten Sensoren, die dem vernetzten Fahrzeug seine mitdenkenden Fähigkeiten und Funktionen verleihen. Die Grundlage dafür bilden Daten, wodurch die Datenmenge immer weiter wächst und ein komplexes Netz aus Plattformen und Algorithmen entsteht. Automobilhersteller müssen aber auch die Speicherung der Datenmengen schultern, die im Zuge der Entwicklung von KI-Technologien anfallen. Hunderte von Petabytes werden bei jedem Entwicklungstest erzeugt und ein großer Teil dieser Daten muss über lange Zeiträume aufbewahrt werden.

Große Datenmengen

Noch sind die Technologien nicht vollständig autonom und funktionieren nur unter bestimmten Rahmenbedingungen. Das kann im Alltag zu Problemen führen: Zum Beispiel wenn die Verkehrsdichte steigt oder Szenarien eintreten, die eine massive Datenübertragung zwischen dem fahrzeugseitigen System und dem zentralen Computersystem erfordern. Aktuell kann die Lösung solcher Probleme zu einer Überlastung mit Daten im stark beanspruchten Netzwerk und zu extremer Rechenkomplexität im Bordsystem führen. Das Marktforschungsunternehmen Gartner prognostiziert, dass das durchschnittliche vernetzte Fahrzeug bis 2020 jährlich über 280 Petabyte an Daten produzieren wird – pro Tag müssten also mindestens 4 Terabyte verarbeitet werden. Sie stammen von der On-Board-Hardware, zu der beispielsweise Kameras gehören, die 20 bis 60MB Datenvolumen pro Sekunde erzeugen oder LIDAR-Systeme, Light Detection and Ranging, für die radarbasierte Messung von Abständen und Geschwindigkeiten mit zehn bis 20 MB pro Sekunde. Sonarradare und GPS bringen es jeweils auf zehn bis 100kB pro Sekunde. Selbstfahrende Fahrzeuge werden durch Data-Intelligence-Lösungen gesteuert. Entscheidend ist dabei, die richtigen Daten zu speichern und in intelligente Systeme, Analyse-Lösungen, Entwicklungsabläufe und andere Anwendungen zu übernehmen.

Unterschiedliche Fahrzeugarten

In den nächsten Jahren werden unterschiedliche Arten von vernetzten Fahrzeugen mit individuellen Anforderungen auf den Markt kommen: Während etwa unternehmenseigene Flottenfahrzeuge über eine eigene Speicherarchitektur für die Verwaltung ihrer Daten verfügen, konzentrieren sich die Hersteller bei Mittelklassefahrzeugen für Verbraucher eher auf Infotainment-Systeme, die eine ganz andere Architektur erfordern. Eine entsprechende Speicherlösung muss in diesem Zusammenhang einen reibungslosen Übergang der Daten aus allen Lebensphasen von der ersten Erfassung im Fahrzeug bis hin zur langfristigen Speicherung ermöglichen. Diese Infrastruktur muss einen aktiven Zugriff und die Suche in allen Daten erlauben, große Langlebigkeit aufweisen und mit Werkzeugen ausgestattet sein, die Compliance-Vorgaben wie beispielsweise die Übereinstimmung mit den Datenschutzgesetzen gewährleisten. Neben einem leistungsstarken Front-End auf Basis von SSD-Speichern (Solid State Drive) oder Festplatten ist ein kostengünstiger und skalierbarer Speicher für große Datenmengen – vorzugsweise Tape oder objektbasierter Speicher – ebenso wichtig. Eine erfolgreichen Storage-Architektur zeichnet sich letztlich dadurch aus, dass den Datennutzern auf einfachem Wege die benötigten Speicher- und Verarbeitungsressourcen für ihre spezifischen Arbeitsabläufe in jeder Phase des Datenzyklus zur Verfügung stehen. Eine Kombination aus leistungsstarker Festplatte und Tape-Archivierung mit einem gemeinsamen Verwaltungspunkt für viel Speicherplatz kann in dieser Situation die Lösung sein.

Wachsende Sekundärspeicher

Neben Flexibilität und Skalierbarkeit sollten entsprechende Lösungen auch ermöglichen, dass die Sekundärspeicher wachsen können, während der Arbeitsbereich des primären aktiven Speichers so klein wie möglich gehalten wird. Dabei bieten sich die Prinzipien des mehrstufigen Storage an: Die Daten werden entsprechend der unterschiedlichen Zugriffsanforderungen auf die optimale Speicheroption verschoben. Jede Stufe ist auf spezifische Kosten und Leistung abgestimmt, basierend auf den Anwendungsfällen jedes Fahrzeuges, der Anzahl der Sensoren und den individuellen Anforderungen an die Datenspeicherung. Die Speicherung in Form von Flash, Festplatte, Tape und Cloud sowie die Möglichkeit, Daten nahtlos zwischen diesen Speichertypen zu verschieben, wird in naher Zukunft für die Weiterentwicklung des autonomen Fahrens eine Schlüsseltechnologie sein.

Daten lange speichern

In enger Zusammenarbeit mit AutonomouStuff und seinen Kunden, hat Quantum eine End-to-End-Lösung entwickelt, die auch robuste Speicher für den Einsatz in Testfahrzeugen beinhaltet. Das Ergebnis ist ein Datenspeicher, der Analyse und Lösungsentwicklung unterstützt und sich dabei selbst sichert und verwaltet. Unternehmen, die autonome Fahrzeuge entwickeln, können somit Daten aus dem Testfahrzeug in das Rechenzentrum einspeisen. Die mehrschichtige Storage-Architektur legt aktiv genutzte Daten im Speicher ab, während seltener genutzte Daten auf günstigere Speicherebenen geschoben werden. Für die Entwicklung von autonomen Fahrzeugen ist dies entscheidend, da sehr große Datenmengen über mehrere Jahre lang gespeichert werden müssen. So werden gesetzliche Verordnungen eingehalten und Algorithmen in der weiteren Entwicklung validiert.

Quantum Corporation
www.quantum.com

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.