Soluzione basata su componenti definiti dal software

Introduzione

SANJAY: Benvenuti a una nuova puntata di “ Driving Innovation ”, la serie di podcast di Sonatus, in cui approfondiamo le tecnologie e le soluzioni che stanno accelerando la transizione verso veicoli definiti dal software. Mi chiamo Sanjay Khatri. In questa puntata parleremo della nostra soluzione “Software-Defined Components”, annunciata di recente.

Che cos’è la SDC?

SANJAY: L’idea dei veicoli “software-defined”, in cui i veicoli vengono continuamente migliorati e potenziati, è in circolazione già da alcuni anni. Tuttavia, gran parte di questo approccio si è limitato a poche unità del veicolo, come quelle ADAS o l’unità IVI, lasciando gran parte delle altre componenti del veicolo prive della possibilità di beneficiare dello stesso tipo di miglioramenti e potenziamenti. È qui che entra in gioco la soluzione “Software-Defined Components”.

Panoramica sulla DSC

SANJAY: Per spiegare come funziona questa soluzione, vorrei dare la parola a Yu Fang, CTO e cofondatore di Sonatus. Yu Fang, benvenuto in questa puntata.

YU: Grazie. Sono felice di essere qui.

SANJAY: Allora, puoi farmi una panoramica della soluzione SDC?

YU: Sì, assolutamente. Quindi, un veicolo è un sistema olistico costituito da molti componenti, e quando parliamo di componenti, può trattarsi di qualsiasi componente hardware, come le centraline elettroniche (ECU), ma anche di un componente software come un’applicazione o persino un modell AI o, giusto? Quindi, ciascuno di questi componenti può essere monitorato continuamente mentre è in funzione nel mondo reale. E sulla base delle informazioni che riusciamo a raccogliere su quel componente, possiamo applicare miglioramenti continui, messe a punto e ottimizzazioni a quei componenti mentre sono in funzione. Ecco cosa intendiamo per “componenti definiti dal software”.

Raccolta di dati dal mondo reale

SANJAY: Certo. Hai parlato della raccolta di dati nel mondo reale. Insomma, sappiamo che gli OEM raccolgono una grande quantità di dati. In che cosa si differenzia il modo in cui descrivi questo tipo di raccolta di dati in tempo reale o nel mondo reale?

YU: Sì, è vero. Quindi sì, ovviamente, tutti i fornitori di primo livello e gli OEM effettuano una quantità enorme di test prima della consegna dei veicoli, giusto? Tuttavia, sappiamo bene che, per quanto riguarda i test relativi a diversi tipi di situazioni di guida reali, non è mai possibile coprirle tutte. Pertanto, è molto importante poter ottenere informazioni dal veicolo su determinati componenti mentre questi sono in funzione nel mondo reale e mentre un vero conducente li utilizza nella vita quotidiana. Queste informazioni sono estremamente importanti per aiutarti a comprendere le prestazioni reali di un componente.

Ottimizzazione dei componenti

SANJAY: Capito. Quindi non si tratta solo di dati raccolti sulla pista di prova, ma di persone reali, insomma, gente comune che guida in diverse condizioni di guida e in luoghi diversi. È fantastico. E poi cosa succede, una volta completata questa raccolta di dati nel mondo reale?

YU: Esatto. Quindi i veicoli di oggi hanno molti componenti che stanno diventando sempre più sofisticati. E questo significa che ci sono molti modi per ottimizzare tali componenti affinché funzionino al meglio in determinate situazioni specifiche, ad esempio quando la temperatura è alta o bassa, oppure quando si guida in salita o in discesa, e così via. Pertanto, è molto importante anche disporre della capacità di ottimizzare il componente in tempo reale in base alle specifiche condizioni di guida.

Condizioni di guida

SANJAY: Vorrei riprendere quello che hai appena detto. Hai parlato di adattarsi alle diverse condizioni di guida e di ottimizzare il sistema in base a esse. Quali sono alcuni esempi in tal senso?

YU: Sì, ci sono molti esempi del genere. Ad esempio, oggigiorno ogni veicolo è dotato di controllo della trazione. Tuttavia, potrebbe essere necessario regolare il controllo della trazione in base alla strada specifica su cui si sta guidando, alle condizioni meteorologiche in cui ci si trova e magari ad altri fattori, come la velocità a cui si sta viaggiando, e così via. Giusto? Questo è un esempio. Un altro esempio è che oggi ogni veicolo è dotato di numerose telecamere. E chiunque abbia mai utilizzato una telecamera sa bene che, per ottenere la migliore ripresa, è necessario tenere conto delle condizioni di illuminazione circostanti, se è giorno o notte, e di molti altri fattori. Pertanto, a seconda che si stia guidando direttamente verso il sole o allontanandosi da esso, oppure che sia mattina presto o tardo pomeriggio, potrebbe essere opportuno regolare dinamicamente la fotocamera in modo da ottenere l’immagine migliore per il proprio modello AI .

Circuito di retroazione

SANJAY: Se ti è piaciuto quello che hai visto e sentito finora, clicca sui pulsanti “Mi piace” e “Iscriviti” per ricevere altri contenuti di questo tipo. Ci hai appena fornito alcuni ottimi esempi. In che modo la soluzione “Software-Defined Components” che stiamo annunciando riesce a ottenere questi risultati?

YU: Quindi la chiave sta nel riuscire a creare un ciclo di feedback, che partirà dalla capacità di raccogliere dati su un qualsiasi componente specifico del veicolo in condizioni di guida reali, per poi estendere la raccolta di tutte queste informazioni all’intera flotta di veicoli. Avere questi dati disponibili nel cloud, dove è possibile eseguire analisi sofisticate, algoritmi e modelli di machine learning, in modo da ricavare informazioni utili da questi dati. E una volta individuate le misure necessarie per ottimizzare le prestazioni del componente, si potrà procedere molto rapidamente alla messa a punto su qualsiasi veicolo a cui si desideri applicarle.

SANJAY: Questo ciclo di feedback sembra davvero interessante. Hai parlato di raccolta dei dati, analisi e successiva applicazione al veicolo. È simile a ciò che stanno facendo attualmente gli OEM con una soluzione OTA?

YU: Non proprio. Innanzitutto, avrai bisogno di uno strumento come l'Sonatus Collector, per poter individuare un componente specifico in base alle condizioni di guida in cui ti trovi e raccogliere le informazioni relative a eventi specifici che si verificano. Una volta ottenute queste informazioni da un'ampia gamma di veicoli, è possibile individuare il tipo di ottimizzazione applicabile in diverse condizioni di guida. A quel punto, si vorrà sintetizzare tali informazioni in una policy molto snella, come quella supportata dal nostro Sonatus Automator: in questo modo sarà possibile distribuire tale policy a qualsiasi veicolo desiderato e, successivamente, Sonatus Automator sarà in grado di applicare l'ottimizzazione migliore in base alle specifiche condizioni di guida in cui ci si trova.

Conclusione

SANJAY: Hai appena descritto un modo non solo per raccogliere i dati in modo intelligente, ma anche per consentire al veicolo di disporre dell’intelligenza necessaria per applicare parametri di messa a punto ottimizzati quando necessario, in base alle condizioni di guida. Sembra una soluzione davvero molto interessante. Si tratta di qualcosa che sarà disponibile nel prossimo futuro o in un futuro più lontano?

YU: Sì. Oggi, Sonatus sta collaborando con numerosi partner per tradurre tutto questo in realtà. Stiamo presentando alcuni casi d’uso specifici. Uno riguarda l’ottimizzazione dei motori. Un altro riguarda l’ottimizzazione dell’illuminazione al CES. Ma stiamo collaborando anche con altri partner per portare sul mercato un numero sempre maggiore di casi d’uso.

SANJAY: Beh, è stata una conversazione davvero interessante, Yu Fang. Vorrei ringraziarti per essere intervenuta al podcast “ Driving Innovation ”.

YU: Grazie, Sanjay, per questa chiacchierata. È stato un piacere.

SANJAY: Bene, con questo si conclude questa puntata di “ Driving Innovation ”. Restate sintonizzati per le prossime puntate, in cui approfondiremo altri argomenti relativi alla transizione verso i veicoli definiti dal software.