Suchen

Hardware Mit der richtigen Storage Lösung zum autonomen Fahren

| Autor/ Redakteur: Benjamin Krebs* / Juliana Pfeiffer

Bei der Entwicklung, der Simulation und beim Test von Fahrassistenzsystemen für das autonome Fahren fallen Datenmengen im Petabyte-Bereich an. So muss die Storage-Lösung Daten in Echtzeit sammeln und verarbeiten, extrem einfach skalierbar und hochverfügbar sein sowie mehrere Workloads parallel unterstützen.

Firmen zum Thema

Storage-Lösungen für Tests von Fahrerassistenzsystemen für das autonome Fahren müssen Daten in Echtzeit sammeln und verarbeiten, extrem einfach skalierbar und hochverfügbar sein sowie mehrere Workloads parallel unterstützen.
Storage-Lösungen für Tests von Fahrerassistenzsystemen für das autonome Fahren müssen Daten in Echtzeit sammeln und verarbeiten, extrem einfach skalierbar und hochverfügbar sein sowie mehrere Workloads parallel unterstützen.
(Bild: ©metamorworks - stock.adobe.com)

Die Society of Automotive Engineers (SAE) hat auf dem Weg zum autonomen Auto mehrere Automatisierungsstufen definiert: assistiert, teilautomatisiert, bedingt automatisiert, hochautomatisiert und vollautomatisiert beziehungsweise autonom. Je höher die Stufe, desto weniger wichtig wird der Fahrer.

Der neue Audi A8 war 2018 wegen des Staupilot-Systems das weltweit erste Fahrzeug mit SAE Level 3 (bedingt automatisiert). Wenn der Fahrer das System aktiviert, kann das Auto auf Autobahnen und Bundesstraßen mit baulicher Trennung im zähfließenden Verkehr (bis zu 60 km/h) selbst das Steuer übernehmen - der Staupilot übernimmt das Anfahren, Beschleunigen, Lenken und Bremsen. Der Fahrer kann dann seine Hände für einige Sekunden vom Lenkrad nehmen und sich anderweitig beschäftigen, muss jedoch bereit sein, nach einer kurzen Vorwarnung durch das Fahrzeug einzugreifen.

Bildergalerie

Bildergalerie mit 5 Bildern

Aufwändige Entwicklung und Tests von ADAS

Design, Entwicklung und Tests dieser sicherheitskritischen Fahrassistenz-Systeme sind sehr komplex: Mit dem gewünschten Automatisierungsgrad steigt der Aufwand. Bei ihren Tests müssen die Automobilhersteller verschiedene Verkehrsszenarien und -dimensionen abbilden. Zu beachten sind die Straßen- und Umgebungs-Geometrie, das Verhalten von Fahrern und Fußgängern, Verkehrs- und Wetterbedingungen, Eigenschaften und Varianten von Fahrzeugen, der Ausfall von Komponenten, die Sicherheit und vieles mehr.

Um die Vielzahl dieser Testszenarien zu analysieren und zu validieren, setzt die Automobilindustrie auf Datenmodelle, Simulationen und Labortests. Eine zuverlässige Storage-Lösung speichert riesige Mengen an Sensor- und Videodaten, bildet die Basis für das Training der Algorithmen, stellt die Informationen für den parallelen Test mehrerer Advanced Driver Assistance Systems(ADAS)-Subsysteme bereit und unterstützt die Analyse sowie Archivierung von Daten.

Arbeitsabläufe besser verstehen

Um die Anforderungen an die Storage-Infrastruktur besser zu verstehen, hilft ein Blick auf die Arbeitsabläufe bei der Entwicklung und beim Test von Fahrassistenz-Systemen:

  • Datenerfassung: Die Testfahrzeuge sind mit mehreren Sensoren und Kameras ausgestattet, die eine Unmenge an Daten erfassen, etwa Fotos und Videosequenzen, Sonar, Radar, LIDAR zur Abstandsmessung und GPS. Die Daten werden an Bord in Echtzeit auf robusten und austauschbaren SSDs gespeichert und täglich, meist über Nacht, auf ein zentrales Speichersystem geladen.
  • Datenaufbereitung: Die erfassten Daten werden im nächsten Schritt überprüft, bereinigt, gekennzeichnet (Tagging) und um Metadaten wie Wetter- und Verkehrsbedingungen ergänzt. Die Analyse läuft derzeit in der Regel manuell ab, wird aber bereits teilweise und in Zukunft hauptsächlich durch KI und maschinelles Lernen unterstützt.
  • Design und Entwicklung: Auf Basis der aufbereiteten Daten entwickeln und trainieren die Ingenieure mit Hilfe von Deep-Learning-Technologien Algorithmen für Modelle von Steuergeräten (Electronic Control Unit, ECU). Die ECU-Modelle sind in eine Simulationsschleife mit Modellen der Fahrdynamik, Sensoren, Aktoren und der Verkehrsumgebung integriert.
  • Test: Der Test und die Simulation der ECU-Modelle erfolgen mit modellgenerierten und realen Daten auf Software-in-the-Loop (SiL)- und Hardware-in-the-Loop (HiL)-Clustern – meist in vielen Iterationen parallel. SiL läuft auf einer virtuellen Umgebung ohne Hardware, ist schneller und kostengünstiger als HiL, reicht aber für die staatliche Sicherheitszertifizierung nicht aus. HiL ist durch den Einsatz eines Prototyps der aktuellen ECU-Hardware die viel genauere Variante, aber auch teurer als SiL, meist erst spät im Projekt verfügbar und nur in Echtzeit umzusetzen.
  • Analyse: Nach Abschluss der Tests folgt die Analyse der Ergebnisse. Dabei vergleichen die Ingenieure die ECU-Modelle mit den ursprünglichen Aktionen der Testfahrer, um potenzielle Fehler schnell zu identifizieren. So können sie die Algorithmen weiter verfeinern, um die erwarteten Resultate zu erreichen. Zudem ist es möglich, die überarbeitete ECU-Version in einem kontinuierlichen Verbesserungsprozess in die Testfahrzeuge hochzuladen, um sie im realen Einsatz zu testen.
  • Archivierung: Am Ende werden die Daten in einen kostengünstigeren Archivspeicher verschoben. Die Archivierung muss dabei den gesetzlichen und vertraglichen Verp

flichtungen entsprechen und im Idealfall automatisiert ablaufen.

Hohe Anforderungen an die Storage-Infrastruktur

ADAS-Workloads erfordern eine leistungsstarke Storage-Infrastruktur im Petabyte-Bereich. Sie muss folgende Herausforderungen meistern:

  • Extremes Datenwachstum: Je höher der Automatisierungsgrad der Fahrassistenz-Systeme, desto mehr Daten muss die Automobilindustrie mit ihren Testfahrzeugen erfassen. Die SAE-Level 2 bis 3 erfordern typischerweise Daten aus 200.000 bis eine Million real gefahrenen Kilometern, um ausreichende Bedingungen für die Softwareentwicklung und -validierung zu simulieren. Die Automatisierung der Stufe 4 erfordert Daten von mehr als 20 Millionen km, die der Stufe 5 (völlig autonome Fahrzeuge) Daten von rund 240 Millionen km. Ein typisches ADAS-Projekt auf Level 2 (teilautomatisiert), das 200.000 km Fahrt bei einer Durchschnittsgeschwindigkeit von 65 km/h erfasst, würde über 3.076 Stunden lang Daten erzeugen und etwa 3,8 Petabyte Speicherplatz für einen einzigen Sensor benötigen. Ein Projekt auf Level 3 würde bei einer Million km Fahrt etwa 19,3 Petabyte Rohdaten mit einem Sensor erfassen.
  • Skalierbare Leistung: Angesichts der stark steigenden Datenmenge muss die zugrunde liegende Storage-Infrastruktur zukunftssicher sein und ihre Speicherkapazität linear und unterbrechungsfrei erweitern können, ohne die Speicherleistung zu beeinträchtigen. Das gleichzeitige Einlesen von Sensor-Binärdaten und das Streaming von Rohvideodaten der Kameras der Testfahrzeuge erfordert vom Storage zudem hohe Leistung und Bandbreite.
  • Daten speichern, wiederherstellen und schützen: Automobilhersteller müssen die Daten meist über mehrere Jahrzehnte aufbewahren, oft sogar über die Lebensdauer des Fahrzeugs hinaus. Der konkrete Zeitraum richtet sich nach den geltenden Landesgesetzen und Vertragsbestimmungen. Die Daten der Simulationsumgebungen werden archiviert, müssen sich aber jederzeit schnell wiederherstellen lassen, etwa bei einem Update des ADAS-Systems, bei einem Hardware-Fehler oder wenn ein Sicherheitsrückruf ausgelöst wird. Klassische Bänder fallen daher als Option für die Archivierung aus. Zudem sind die Daten unter Einhaltung von Data-Governance-Richtlinien vor Verlust und Cyberangriffen zu schützen.
  • Aufwändige Datenduplikation: Die Analyse großer Mengen unstrukturierter Daten erfolgt häufig mit Hadoop und einer teuren dedizierten Infrastruktur. Da die manuelle Aufnahme großer Datensätze in einen separaten Hadoop-Cluster zeit- und ressourcenintensiv ist, kann sich die Analyse verzögern. Zudem lassen sich die Daten und Ergebnisse nicht einfach mit anderen Business-Anwendungen austauschen, da nicht alle Standard-Protokolle unterstützt werden.

Scale-Out-Storage-Architektur für ADAS und autonomes Fahren

Mit Dell EMC Isilon NAS können beispielsweise durch die Scale-Out-Architektur ADAS-Workloads entwickelt und getestet werden. Die Lösung skaliert die Speicherkapazität im Dateisystem One-FS binnen weniger Minuten ohne Ausfallzeiten und Leistungseinbußen; die Architektur ermöglicht bis zu 144 Knoten. Da die Speicherlösung Daten- und Rechenlast gleichmäßig auf alle Knoten im Cluster verteilt, lassen sich HiL-Tests, SiL-Tests und Simulationen der ECU-Systeme in Echtzeit umsetzen sowie verschiedene ADAS-Workloads ohne Engpässe parallel verarbeiten. Das gilt auch für Machine-Learning- und Deep-Learning-Anwendungen. Die schnelle Übertragung von Rohdaten gewährleisten 10/40GbE-Verbindungen.

Für die Archivierung und Wiederherstellung der Daten bietet die Lösung diverse Optionen, darunter eine Private Cloud wie Dell EMC Elastic Cloud Storage, einen anderen Cluster oder die Public Cloud. Mit der Cloud-Pools-Funktion ist es möglich, Daten je nach Relevanz auf entsprechenden Speichermedien abzulegen (Data Tiering). Wichtige Informationen wie aktuelle ADAS-Sensordaten werden auf schnellen Speichermedien abgelegt; seltener benötigte Daten werden auf kostengünstigeren Medien gesichert. Damit lassen sich auch die Speicherkosten optimieren.

Isilon One-FS ermöglicht den Zugriff auf Daten nicht nur über typische NAS-Protokolle wie NFS3, NFS4, SMB2, SMB3 und FTP, sondern auch über HDFS (Hadoop Distributed File System). Durch die native HDFS-Integration entfallen die Zeit und der Aufwand für das Verschieben großer Datasätze zwischen dem Datei- und Hadoop-Speicher. Die Speicherlösung arbeitet zuverlässig und bietet hohen Datenschutz durch Technologien wie Distributed Erasure Coding, schnelle parallele Replikation auf entfernte Standorte oder bis zu 20.000 Snapshots pro Cluster.

Mit all diesen Funktionen erfüllt Dell EMC Isilon die Anforderungen der Automobilindustrie an eine Speicherlösung, die für hohe Leistung, Skalierbarkeit und parallele Workloads bei der Entwicklung autonomer Fahrzeuge optimiert ist. Das Autonome Fahren und das richtige Speichersystem bilden also eine starke Partnerschaft für die mobile Zukunft. (jup)

* * Benjamin Krebs ist Director Unstructured Data Solutions und Mitglied der Geschäftsleitung bei Dell EMC Deutschland

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45817579)