Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
6 Trend Guide Automotive 2020 www markttechnik de seine eigene integrierte Sensorik Kamera Lidar Radar eine Vielzahl von Daten wertet diese aus und erstellt aus den Punktwolken Kamerabildern etc ein Wahrnehmungsmodell seiner Umwelt Mittels einer entsprechenden Aktorik wird das Auto so handlungsfähig und kann sich selbst steuern Durch Hinzunahme einer V2X-Komponente erweitert sich der Regelungskreis auf die umliegenden Fahrzeuge Daten können so über kurze bis mittlere Distanz ausgetauscht und von den Fahrzeugen zur Weiterverarbeitung genutzt werden Die Rechenlast liegt jedoch klar bei den Fahrzeugen V2X beinhaltet neben der Fahrzeugzu-Fahrzeug-Kommunikation zusätzlich noch die Kommunikation mit der Infrastruktur Die Fahrzeugdaten können so auch an eine Edge Cloud siehe Kasten übermittelt werden Durch diese mit einem lokalen Bezug zusammengefassten Informationen lassen sich ein hoch detailliertes Modell der Umwelt erstellen Karten erzeugen durch Redundanz verifizieren und für die einzelnen Fahrzeuge relevante Informationen zurückspiegeln Handlungsanweisung für Überholmanöver kooperative Geschwindigkeitsanpassung zur Stauvermeidung etc Trainierte MachineLearning-Modelle können hier als virtualisierte Netzwerkfunktionen installiert und verwaltet werden So werden die einzelnen Fahrzeuge und auch das Back End hinsichtlich des Rechenleistungsbedarfs entlastet Größerer Handlungsspielraum Durch die Edge-Cloud-Komponente ergibt sich also ein größerer Handlungsspielraum für die Koordination von autonomen Fahrfunktionen unter Beachtung von deren Echtzeitanforderungen Services die nicht als mission critical eingestuft werden also eine entsprechende Verarbeitungszeit erlauben lassen sich in das klassische Back End auslagern Die eben angesprochenen Machine-Learning-Modelle werden hier mit Trainingsdaten versorgt und angelernt Insofern ist Edge Computing ein vielversprechendes technisches Mittel um die bestehenden Fahrzeuge und Back-End-Systeme zu verbinden und zu erweitern Spätestens unter Berücksichtigung von neuen Mobilitätsdomänen wie dem bodennahen Luftverkehr ist dies auch zwingend notwendig um die benötigten Rechenressourcen bereitzustellen und zu koordinieren Neben dem enormen Potenzial welches Edge Cloud Computing birgt gibt es einige Herausforderungen zu meistern Dazu gehören etwa die Heterogenität des Netzwerks und dessen dynamische Topologie Die sich bewegenden Fahrzeuge bilden Adhoc-Netzwerke deren Verbindungen von sehr kurzer Dauer sind Mit bestehenden Standards wie DSRC die auf Broadcast Use Cases ausgelegt sind ist eine kooperative Kommunikation daher schwierig Nachrichten müssen über mehrere Wege Multipath und mehrere Fahrzeuge hinweg Multihop gesendet werden können um die benötigte Zuverlässigkeit und Resilienz zu gewährleisten Neuartige Rapid-Roaming-Technologien wie Meshmerize könnten hier einen großen Schritt nach vorne bedeuten da diese schnelle Link Handovers zwischen den WLANs und auch dem LTE-Netzwerk ermöglichen Gerade das Zusammenspiel dieser Komplementärtechnologien hat einen großen Einfluss auf die zukünftige Architektur des Edge Cloud Computings Neue Wertschöpfungsketten Je zuverlässiger die Datenkommunikation im Umfeld der Straße funktioniert desto besser können die Fahrzeuge und ihre Rechenleistung integriert werden Dies hat direkten Einfluss auf den wirtschaftlichen Teil des autonomen Fahrens Der Ausbau der Infrastruktur ist teuer in Anschaffung wie auch im UnterBordnetz Rechenleistung wird aus den klassischen Server-Back-End-Systemen 1 ausgelagert und am Rand des Internets installiert möglichst nahe am Ort der Applikation Im Falle des autonomen Fahrens befindet sich die Edge Cloud deshalb entlang der Fahrbahn 2 Möglich wird dies indem kompakte aber leistungsfähige Server direkt in die Telekommunikationsinfrastruktur Sendemasten etc integriert werden Trotzdem sind die Rechenkapazitäten vor Ort im Vergleich zum Back End begrenzt Entsprechend kann nicht jeder von einem einzelnen Fahrzeug benötigte Service permanent auf allen Edge-CloudInstanzen laufen Er muss sich vielmehr mit dem Fahrzeug von einer Instanz zur nächsten mitbewegen Die Netzwerk-Hardware verfügt deshalb über die Möglichkeit Netzwerkfunktionen zu virtualisieren Network Function Virtualization NFV Diese virtualisierten Software Services definieren die Topologie des Netzwerkes und nicht eine dedizierte Hardware Die Orchestrierung dieser Services übernehmen dann die Software Defined Network Controller SDN SDN-NFV sorgt also dafür dass die vom jeweiligen Fahrzeug benötigten Dienste immer auf den Edge Cloud Servern in dessen unmittelbaren Umgebung laufen Dieses Verfahren lässt sich auch auf untereinander vernetzte Fahrzeuge 3 übertragen ku Das Prinzip des Edge Cloud Computings