Oggi, l’obiettivo principale nel settore dei veicoli autonomi è migliorare i moduli di rilevamento, classificazione, pianificazione del percorso e controllo del movimento dello stack software, proteggendo al contempo le potenziali vulnerabilità informatiche che potrebbero sorgere a causa dell’aumento del contenuto elettronico.
I veicoli connessi e automatizzati (CAV) segnano l’inizio di un’era di trasformazione nell’industria automobilistica. Si prevede che queste tecnologie potranno garantire servizi di mobilità più sicuri, accessibili, convenienti e coinvolgenti, rivoluzionando al contempo i modelli di business tradizionali. Se da un lato l’industria sta lavorando per affrontare le sfide legali e legislative e incoraggiare l’accettazione sociale di questo tipo di veicoli, dall’altro tenta di risolvere i problemi tecnologici fondamentali, sia a bordo che fuori bordo degli AV. L’obiettivo di oggi è migliorare, all’interno degli AV, i moduli di rilevamento, classificazione, pianificazione del percorso e controllo del movimento dello stack software, proteggendo al contempo le potenziali vulnerabilità informatiche che potrebbero sorgere a causa dell’aumento del contenuto elettronico.
Gli aspetti informatici off-board e on-board dello sviluppo autonomo presentano nuove sfide per le case automobilistiche e per i fornitori. Gli sviluppatori che lavorano in questo ambito hanno bisogno di ampio spazio di archiviazione, dell’elaborazione ad alte prestazioni e della capacità di deep learning fornite dal cloud. Questa tecnologia, unita all’edge computing integrato, può fornire inferenza di calcolo e apprendimento automatico (ML) in tempo reale, nonché riduzione dei dati per ridurre i carichi di larghezza di banda.
Oltre ai cambiamenti causati da COVID-19, l’industria automobilistica deve affrontare le seguenti sfide multidimensionali relative allo sviluppo autonomo:
- Hyperscaling: problemi di elaborazione e gestione dei dati in relazione alle quantità significative di importazione, archiviazione ed elaborazione dei dati richiesti
- Agilità e velocità: capacità di ridurre i costi di sviluppo e convalida del software per consentire un time to market più rapido
- Costi e sicurezza: mancanza di competenze AV, costi dell’infrastruttura (elaborazione on-premise, elaborazione su larga scala, archiviazione dati, ecc.) e investimenti in capitale umano. Sicurezza funzionale e metodologie fail-safe poiché il processo decisionale viene trasferito dal conducente al veicolo.
- Ecosistema definito dal software: aggiunta di nuovo software da vari fornitori/partner di terze parti che causano problemi con l’interoperabilità dei carichi di lavoro che, a loro volta, causano problemi di integrazione e test
- Conformità: la necessità di una conformità globale in materia di sicurezza e privacy dei dati.
Negli ultimi cinque anni, produttori e società di investimento hanno speso diversi milioni di dollari per sviluppare gli elementi costitutivi della guida autonoma. Tuttavia, un fattore importante nella creazione di questi servizi è l’integrazione dell’infrastruttura cloud e la distribuzione del software. Nonostante le prove di casi d’uso specifici e i progetti pilota, i progressi verso sistemi di costruzione con la visione di scalarli verso soluzioni di servizio a tutti gli effetti rimangono limitati.
Il duplice approccio di AWS alle strategie di distribuzione dei veicoli autonomi
La capacità di costruire, formare, simulare e testare continuamente è essenziale per migliorare l’accuratezza dei modelli di percezione e pianificazione del percorso. AWS affronta queste sfide con una suite di soluzioni e strumenti, classificati come “Infinite Loop” e “Big Loop”, durante l’intero ciclo di sviluppo AV.
Allegato 1: I cinque passaggi del flusso di lavoro “Infinity” di AWS
L’approccio del “ciclo infinito”: questo approccio olistico integrato è incentrato sul flusso di lavoro infinito, ovvero un processo che non finisce mai ma continua ad evolversi e improvvisare. Questo ciclo è costituito da cinque passaggi significativi in cui AWS e la sua rete di partner forniscono servizi cruciali nei percorsi di distribuzione AV di successo dei clienti.
Gestione, elaborazione e analisi dei dati
Un veicolo di prova genera almeno 10-120 TB di dati durante un viaggio di 6-8 ore. Gli enormi set di dati vengono trasferiti online ai data center AWS utilizzando Direct Connect, i servizi S3 Transfer Acceleration/Kinesis Data Firehose/Data sync. Quando i volumi di dati sono illimitati, possono essere trasferiti fisicamente utilizzando la famiglia di dispositivi Snowball di AWS, che offrono uno storage fisico con capacità di elaborazione. Tuttavia, non si tratta solo di archiviare i dati, c’è anche una componente di costo basata sulla frequenza con cui è necessario accedere ai dati. I servizi a più livelli, come l’ S3 glacier deep archive per l’accesso ai dati, supportano i clienti ottimizzando i costi. Inoltre, il data lake v2 AV si adatta alle esigenze specifiche dei clienti, diventando centrale nella gestione dei dati in qualsiasi organizzazione. V2 è una pipeline di ingestione ed elaborazione dei dati basata su MDF4/Rosbag che permette ai data scientist/sviluppatori di accedere ai dati con la loro scelta di strumenti/frameworks analitici e trarre intuizioni da modelli basati su ML.
Etichettatura
L’etichettatura è un processo laborioso e costoso, che richiede un’accuratezza molto elevata. Sfortunatamente, questo processo non può essere totalmente automatizzato, necessitando quindi di un supporto da parte del personale. SageMaker Ground Truth fornisce strumenti per supportare gli etichettatori su set di dati in cloud ricevuti dai clienti. Un cliente tipo può scegliere la propria forza lavoro per etichettare o sfruttare la rete di partner di AWS per supportare questo processo con un’opzione “pay-as-you-go”. Per i modelli 2D, l’azienda offre anche servizi di etichettatura automatica in cui un modello di ML viene preparato utilizzando set di dati etichettati dall’uomo.
Sviluppo di modelli e algoritmi
Simulazioni simultanee complesse richiedono una grande capacità di elaborazione (CPU e GPU), che è costosa da costruire e manca della flessibilità per soddisfare le pressioni della sequenza temporale di sviluppo. Richiede anche competenze interne, che mancano in diverse case automobilistiche e fornitori. AWS fornisce questo servizio con l’opzione per creare uno stack AV ML tramite SageMaker. Inoltre, AWS fornisce vari tipi di istanze con diverse configurazioni di CPU, memoria, storage e risorse di rete per soddisfare le esigenze degli utenti. L’istanza EC2 è un server virtuale che può fungere da set praticamente illimitato di macchine virtuali. Ogni tipo è disponibile in diverse dimensioni per soddisfare requisiti di carico di lavoro specifici. Ad esempio, P3/P4 utilizza le più recenti GPU NVIDIA ed è progettato per HPC e grandi lavori di formazione ML distribuito. Graviton 2 è l’istanza basata su CPU e ARM di AWS. Offre un miglioramento delle prestazioni del 30% così come una significativa ottimizzazione dei costi, che è la base per la compatibilità ambientale.
Il Toyota Research Institute (TRI-AD) è uno dei tanti esempi in cui le istanze EC2 P3 di Amazon sono state utilizzate per ridurre del 75% il tempo necessario per addestrare i modelli ML. Ciò ha consentito a TRI-AD di incorporare nuovi set di dati per riqualificare i modelli e introdurre nuove funzionalità.
Simulazione, verifica e convalida (V&V)
Poiché l’industria automobilistica è altamente regolamentata, ISO 26262 V-Model prescrive metodologie per mitigare i rischi per la sicurezza nelle applicazioni automobilistiche. Questo modello si riflette nella maggior parte dei progetti di sviluppo AV in cui è richiesta la simulazione dell’hardware in the loop (HiL) nelle fasi di test e convalida a livello di sistema del V-Model. AWS fornisce diversi servizi per supportare questo processo tramite flussi di lavoro a ciclo aperto e chiuso. Un tipico modulo di percezione utilizza un flusso di lavoro ad anello aperto, mentre il modulo di pianificazione/controllo utilizza un flusso di lavoro ad anello chiuso.
Mobileye è una delle numerose aziende che sfrutta EC2 Spot e AWS batch per eseguire simulazioni su larga scala che consentono di aumentare/ridurre i carichi di lavoro AV in modo flessibile.
Area di lavoro per lo sviluppo AV
Ultimo ma non meno importante, è la necessità di fornire una visione olistica di tutte le pipeline e i lavori in esecuzione agli architetti che sviluppano flussi di lavoro superando sfide come origini dati disparate basate su casi d’uso specifici, dati ripuliti e preparazione del consumo a valle. L’ambiente Amazon Managed Workflows for Apache Airflow (MWAA) consente la configurazione e il funzionamento di pipeline di dati end-to-end nel cloud su larga scala. In Continental Automotive Edge (CAEdge), AWS fornisce un esempio di ambiente di lavoro virtuale che offre toolchain per sviluppare, fornire e mantenere funzioni di sistema ad alta intensità di software. Queste toolchain forniscono anche l’accesso agli strumenti di AWS Partner Network (APN), che sono ben disposti nell’area di lavoro per supportare data scientist e sviluppatori a svolgere il proprio lavoro in modo efficiente.
L’approccio “Big Loop”
L’approccio “Big Loop” mostra come le risorse software preparate attraverso l’approccio “Infinite Loop” possono essere distribuite in modalità shadow o tramite un agente edge intelligent.
Allegato 2: Flusso di lavoro “Big Loop” di AWS
In collaborazione con AWS, BlackBerry ha co-sviluppato la piattaforma Blackberry IVY per offrire un’esperienza ad ampio raggio nel cloud automobilistico grazie alle svariate soluzioni proposte da AWS che ha ampliato il suo portafoglio di soluzioni cloud. Il software viene distribuito over-the-air (OTA) nell’ECU dell’auto. Questo processo non riguardarà solo il software in produzione, ma anche una versione di prova che verrà eseguita in parallelo, chiamata modalità shadowing. L’agente edge intelligent sarà in grado di confrontare le prestazioni del software di produzione con il software in prova ed evidenziare eventuali differenze tra le versioni del software, quindi rimandarlo online tramite il ciclo infinito. L’aumento dell’intelligenza del bordo del veicolo aumenterà la capacità di acquisire informazioni più pertinenti e, di conseguenza, la performance dell’intero sistema.
Attraverso questo processo, AWS porta le informazioni più vicine all’edge, consentendo una distribuzione senza interruzioni tramite aggiornamenti OTA, alimentando così una continua reinvenzione dell’esperienza del cliente. Così, i dati richiesti possono essere applicati vicino all’edge in modo organizzato, risparmiando sui costi di trasmissione, riducendo le soluzioni puntuali di nicchia incompatibili e supportando servizi di scalabilità migliori. AWS offre tutto questo attraverso il suo servizio IoT Greengrass (ad es. gestione del cloud, analisi e storage) che estende le funzionalità all’edge. Di recente, all’AWS re: Invent 2021, la società ha annunciato IoT FleetWise, grazie al quale le case automobilistiche possono facilmente raccogliere, organizzare e standardizzare i dati in qualsiasi formato presente nei loro veicoli per una facile analisi nel cloud. Questo servizio supporta le case automobilistiche utilizzando capacità di filtraggio intelligente che permettono agli sviluppatori di ridurre il traffico di rete.
Inoltre, questo “Big Loop” non sposta i dati, ma direttamente il software, che richiede la parità dal punto di vista di un veicolo definito dal software (SDV). Mentre diversi partecipanti all’ecosistema automobilistico tendono a sviluppare servizi software nel cloud e successivamente distribuirli sull’edge, c’è una differenza nell’architettura software, come si vede, ad esempio, nel processore Intel nel cloud con processore Arm nel veicolo o viceversa. Questa differenza nell’architettura del software dovrebbe creare passaggi aggiuntivi come la compilazione incrociata, che sono altamente soggetti a errori. In collaborazione con Arm, AWS sarà ora in grado di raggiungere la compatibilità ambientale tra le esecuzioni di software nel cloud e nell’edge embedded, che è una delle loro strategie importanti per la distribuzione AV. Questa parità ambientale aiuterà a raggiungere due obiettivi molto importanti:
- La possibilità di distribuire binari perfettamente uguali tra il cloud e il bordo del veicolo, sfruttando la parità del set di istruzioni perché in entrambi i luoghi – cloud e bordo del veicolo – è presente un’architettura Arm 64
- Dall’altro lato, AWS può utilizzare il cloud per ospitare la maggior parte delle applicazioni automobilistiche reali. Ad esempio, l’esecuzione nativa di software di auto-grade nel cloud significa che le attività di V&V possono essere eseguite su larga scala con proprietà native, uno sviluppo che ha profonde implicazioni.
AWS è uno dei membri cofondatori di SOAFEE, un’iniziativa di settore per estendere le esperienze software cloud native ai carichi di lavoro automobilistici. Include un’implementazione di riferimento open source per abilitare offerte commerciali e non commerciali. AWS ha presentato questa idea al workshop Arm DevSummit, mostrando esempi del mondo reale. Ciò ha portato l’azienda a creare un ecosistema SDV abilitato alla parità.
Conclusione: cosa significa per l’industria automobilistica
Oggi siamo ancora all’inizio del percorso verso la maturità tecnologica per la guida autonoma. Le sfide chiave saranno incentrate su scenari di guida complessi che miglioreranno la fedeltà dei sensori, la percezione attraverso il ML e lo sviluppo dell’infrastruttura complessiva. Frost & Sullivan ritiene che tali miglioramenti accelerati delle capacità abbiano comportato la necessità di nuovi sistemi di supporto tecnologico che attingono fortemente dal cloud e dalle soluzioni edge-based.
Con il progredire dello sviluppo AV dalla fase pilota all’implementazione commerciale, gli sviluppatori dovranno cercare soluzioni convenienti ma rapidamente scalabili che soddisfino le richieste di importazione e calcolo dei dati. Durante il ciclo di vita dello sviluppo software delle applicazioni AV, partner come AWS e l’ AWS Partner Network (APN) svolgono un ruolo chiave nell’affrontare le varie sfide legate alla gestione dei dati. Nel prossimo decennio, gli sviluppatori AV dovranno affrontare una pressione significativa per ridurre i costi e raggiungere la redditività. La capacità di scalare in modo efficiente e la necessità di investire saggiamente risorse finanziarie saranno vitali per sostenere modelli di business autonomi. Da S3 e EC2 P3 alla sua soluzione SDV abilitata alla parità, AWS fornisce una piattaforma completa di gestione dei dati per gli sviluppatori AV che consente loro di realizzare scalabilità a costi contenuti. Questo dimostra che AWS è un partner fondamentale nello sviluppo dell’AV.
