Das Potenzial von In-Vehicle-Edge erschließen AI

Zwar bietet Cloud- AI immense Rechenleistung, stößt jedoch bei der Anwendung in Fahrzeugen auf erhebliche Einschränkungen, darunter Netzwerklatenz, zeitweise unterbrochene Verbindungen und hohe Kosten für die Datenübertragung. Im Gegensatz dazu bietet Edge- AI mehrere deutliche Vorteile:
- Echtzeit-Reaktionsfähigkeit: Durch die lokale Datenverarbeitung ermöglicht Edge- AI eine Entscheidungsfindung mit extrem geringer Latenz, was für Sicherheit und Leistung unerlässlich ist – selbst wenn das Fahrzeug kein Internetsignal hat.
- Kosteneffizienz: Die lokale Ausführung reduziert die Betriebskosten erheblich, die durch das kontinuierliche Hochladen großer Datenmengen zur Verarbeitung in die Cloud entstehen.
- Datenschutz und Sicherheit: Die Speicherung sensibler Nutzer- und Fahrzeugdaten im Fahrzeug selbst verbessert den Datenschutz und hilft Automobilherstellern, neue Vorschriften zur Datenhoheit einzuhalten.

Die Umsetzung von Edge- AI n erfordert einen grundlegenden Wandel hin zu Software-Defined-Vehicle-Architekturen (SDV), die dynamische Arbeitslasten bewältigen können. Die drei wesentlichen Säulen sind:
- Hochleistungsnetzwerke: Fahrzeuge müssen von statischen CAN-Bussen auf Ethernet mit hoher Bandbreite und Software-Defined Networking (SDN) umsteigen. Dies ermöglicht eine dynamische Konfiguration von Datenströmen und nutzt Time-Sensitive Networking (TSN), um die Bandbreite für kritische AI Aufgaben zu gewährleisten.
- Konfigurierbare Rechenleistung: Automobilhersteller konsolidieren spezialisierte Steuergeräte zu universellen High-Performance-Computing-Steuergeräten (HPC). Diese nutzen Containerisierung und Virtualisierung, um „ AI “-Workloads voneinander zu isolieren, sodass mehrere Anwendungen sicher und ohne gegenseitige Beeinträchtigung auf gemeinsamer Hardware ausgeführt werden können.
- Intelligentes Datenmanagement: Eine serviceorientierte Architektur (SOA) und standardisierte Datenmodelle (wie COVESA VSS) sind erforderlich, um Fahrzeugsignale zu normalisieren und Datenproduzenten von Datenkonsumenten zu entkoppeln, sodass „ AI “-Modelle problemlos die spezifischen Daten abonnieren können, die sie benötigen.

Standard-ML-Toolchains gehen in der Regel von reichlich vorhandenen Cloud-Ressourcen und flexibler Hardware aus, was nicht mit den eingeschränkten Rahmenbedingungen in Automobilumgebungen vereinbar ist. Um die besonderen Herausforderungen zu bewältigen, sind spezialisierte Toolchains für den Automobilbereich erforderlich:
- Effiziente Datenerfassung: Im Gegensatz zur Cloud stammen die Trainingsdaten aus dem Fahrzeuginneren. Die Tools müssen in der Lage sein, anhand spezifischer Auslöser selektiv nur die relevantesten Daten zu erfassen, um Speicher- und Übertragungskosten zu minimieren.
- Ressourcenbewusste Optimierung: Modelle müssen für kosteneffiziente Steuergeräte (ECUs) optimiert werden, wobei Techniken wie Quantisierung und Pruning zum Einsatz kommen, um sicherzustellen, dass sie innerhalb strenger Leistungs- und thermischer Grenzen gut funktionieren.
- Lokale Vorverarbeitung: Da die Datenaufbereitung nicht in der Cloud erfolgen kann, muss die Deployment-Toolchain die gesamte erforderliche Vorverarbeitungslogik direkt mit dem Modell bündeln, um rohe Fahrzeugsignale in verwertbare Eingaben umzuwandeln.