Procesar mejor los datos del coche autónomo, en 4 simples pasos

Los vehículos autónomos prometen cambiar nuestra forma de transporte actual, abriendo muchas más opciones de movilidad, tanto a usuarios como a compañías del ramo. El avance de esta innovadora tecnología plantea, no obstante, un importante desafío a los clientes del sector Automoción; cómo abordar el colosal volumen de datos (cientos de petabytes) que se recopilan en el desarrollo y tests de prueba que sortean estos nuevos sistemas de conducción autónoma.

Los KPI siempre han sido importantes para los fabricantes de automóviles. Son necesarios para ir aprobando mejoras y encontrar datos clave que marquen la diferencia competitiva. Sin embargo, con los vehículos autónomos, los fabricantes se han topado con tal cantidad de registros que les exige encontrar nuevas formas de procesarlos y administrarlos, diez, veinte o treinta veces más rápido.

Por tanto, necesitan herramientas de análisis mucho más eficaces que les permita encontrar el modelo concreto que están buscando. Y, para ello, seguir cuatro simples pasos:

1.- Asegúrese de que los sensores del vehículo están funcionando. Normalmente hay entre ocho y doce sistemas de sensores distintos para probar este tipo de modelos. Un consejo importante; revise los datos al principio del proceso para verificar que los KPI iniciales son correctos y de este modo asegurar que el sistema funciona adecuadamente. Algunos de los KPI habituales son maniobras del vehículo, medidas de seguridad, impacto ambiental o eficiencia de la red dentro del automóvil.

2.- Eleve el nivel de su proceso de datos. Las arquitecturas IT tradicionales que utilizan los fabricantes de automóviles no son las más adecuadas para “digerir” las cargas de trabajo a gran escala que requieren estas pruebas y los algoritmos que se utilizan en ellas. Con métodos tradicionales de almacenamiento de datos, los resultados de las pruebas deben almacenarse en un sistema basado en NAS y luego ser transferidos a estaciones de trabajo, donde los ingenieros prueban los algoritmos en desarrollo. Este proceso tiene dos inconvenientes:

  1. Deben moverse grandes cantidades de datos, lo que requiere un ancho de banda y tiempo de funcionamiento considerables.
  2. Las estaciones de trabajo individuales no ofrecen la potencia de computación masiva que se requiere para devolver los resultados de las pruebas, lo suficientemente rápido.

Hoy en día, muchos probadores extraen los datos de video, con los de su radar asociado, y con otros que reportan los sensores, mediante Hadoop de código abierto. El principal beneficio de Hadoop es que escala el procesamiento y el almacenamiento a cientos de petabytes. Esto lo convierte en un entorno perfecto para probar sistemas de conducción autónomos.

3.- Aproveche al máximo su analítica. Al procesar petabytes de información automotriz, debemos observar cómo presentamos los datos a otros servicios de nivel superior. Las nuevas herramientas de analítica pueden leer diferentes formatos de datos que arrojan los automóviles y brindarnos niveles adecuados de acceso a los metadatos. Por ejemplo, digamos que tenemos 700 grabaciones de video, ahora disponemos de herramientas que pueden identificar imágenes de la cámara delantera derecha, solo para mostrar cómo se comportó el automóvil, en los giros a la derecha. También podemos usar las imágenes para determinar la precisión de un modelo que representa la percepción que tiene el automóvil autónomo de su entorno físico ambiental.

4.- Ejecute la analítica. Al final, queremos usar herramientas de análisis para que los ingenieros de I + D puedan ver en detalle cómo se ha comportado el automóvil en las pruebas de campo. Queremos generar información sobre cómo reaccionarán los sistemas en condiciones normales.

Superar estos retos de análisis de los datos resulta crítico en este entorno. Los fabricantes no obtendrán permiso para comercializar sus coches autónomos hasta que puedan demostrar que se comportan de acuerdo a ciertas normas en sus pruebas en carretera. Y cuando los vehículos autónomos comiencen a llegar a las carreteras en los próximos años, los fabricantes pueden necesitar los KPI que generaron en sus pruebas iniciales.

Algunos accidentes son inevitables y, cuando surjan dudas, los fabricantes pueden emplear sus KPI para mostrar, a las autoridades, a las compañías de seguros y al público en general, que probaron los modelos y se guardó la diligencia debida.

En este momento, existe cierta desconfianza entre el público que conduce automóviles autónomos. Se requerirá un esfuerzo masivo de relaciones públicas para convencer a los consumidores de que los coches autónomos son más seguros que los manejados manualmente. Pero, probando este caso, todo comienza con la capacidad de procesar los datos de manera más eficiente.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

%d bloggers like this: