ડ્રાઇવર વિનાની તકનીકથી આગળ: ઓટોમોટિવ ઉદ્યોગનું ભવિષ્ય

થોડા સમય પહેલા, ઓટોમોટિવ ઉદ્યોગમાં નવીનતા એંજિન પાવર વધારવા, પછી કાર્યક્ષમતા વધારવાની આસપાસ ફરતી હતી, જ્યારે સાથે સાથે એરોડાયનેમિક્સમાં સુધારો, આરામનું સ્તર વધારવું અને વાહનોના દેખાવને પુનઃડિઝાઇન કરવું. હવે, ભવિષ્યમાં ઓટોમોટિવ ઉદ્યોગની હિલચાલના મુખ્ય ડ્રાઇવરો હાઇપરકનેક્ટિવિટી અને ઓટોમેશન છે. જ્યારે ભવિષ્યની કારની વાત આવે છે, ત્યારે ડ્રાઇવર વિનાની કાર સૌથી પહેલા ધ્યાનમાં આવે છે, પરંતુ ઓટો ઉદ્યોગનું ભાવિ માત્ર ડ્રાઇવર વિનાની ટેક્નોલોજી કરતાં ઘણું વધારે ચિહ્નિત કરશે.

કારના રૂપાંતરણ માટેનું એક મુખ્ય પરિબળ તેમની કનેક્ટિવિટી છે - બીજા શબ્દોમાં કહીએ તો, તેમની કનેક્ટિવિટી, જે રિમોટ અપડેટ્સ, અનુમાનિત જાળવણી, બહેતર ડ્રાઇવિંગ સલામતી અને સાયબર ધમકીઓથી ડેટા સુરક્ષા માટે માર્ગ મોકળો કરે છે. કનેક્ટિવિટીનો પાયો, બદલામાં, ડેટાનો સંગ્રહ અને સંગ્રહ છે.

અલબત્ત, કારની વધેલી કનેક્ટિવિટીએ ડ્રાઇવિંગને વધુ આનંદપ્રદ બનાવ્યું છે, પરંતુ આના હૃદયમાં કનેક્ટેડ કાર દ્વારા વિશાળ માત્રામાં ડેટાનું એકત્રીકરણ, પ્રક્રિયા અને ઉત્પાદન છે. જે મુજબ ગયા વર્ષે જાહેરાત કરવામાં આવી હતી આગાહી, આગામી દસ વર્ષમાં, સ્વ-ડ્રાઇવિંગ કાર એટલી બધી માહિતી જનરેટ કરવાનું શીખી જશે કે તેને સંગ્રહિત કરવા માટે 2 ટેરાબાઇટ કરતાં વધુની જરૂર પડશે, એટલે કે, હવે કરતાં ઘણી વધુ જગ્યાની જરૂર પડશે. અને આ મર્યાદા નથી - તકનીકીના વધુ વિકાસ સાથે, આકૃતિ ફક્ત વધશે. આના આધારે, સાધનસામગ્રીના ઉત્પાદકોએ પોતાને પૂછવું જોઈએ કે આ વાતાવરણમાં, તેઓ ડેટા વોલ્યુમમાં નોંધપાત્ર વધારો સાથે સંકળાયેલી માંગને અસરકારક રીતે કેવી રીતે પ્રતિસાદ આપી શકે છે.

સ્વ-ડ્રાઇવિંગ કારનું આર્કિટેક્ચર કેવી રીતે વિકસિત થશે?

સ્વ-ડ્રાઇવિંગ વાહન ડેટા મેનેજમેન્ટ, ઑબ્જેક્ટ શોધ, નકશા નેવિગેશન અને નિર્ણય લેવા જેવી ક્ષમતાઓમાં વધુ સુધારાઓ મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ મોડલ્સની પ્રગતિ પર ખૂબ આધાર રાખે છે. ઓટોમેકર્સ માટે પડકાર સ્પષ્ટ છે: મશીન લર્નિંગ મોડલ્સ જેટલા વધુ અદ્યતન બનશે, વપરાશકર્તાઓ માટે ડ્રાઇવિંગનો અનુભવ તેટલો બહેતર બનશે.

તે જ સમયે, ઑપ્ટિમાઇઝેશનના બેનર હેઠળ માનવરહિત વાહનોના આર્કિટેક્ચરમાં ફેરફારો થઈ રહ્યા છે. ઉત્પાદકો પ્રત્યેક ચોક્કસ એપ્લિકેશનની જરૂરિયાતો માટે સ્થાપિત માઇક્રોકન્ટ્રોલર્સના વ્યાપક નેટવર્કને પસંદ કરે તેવી શક્યતા ઓછી છે, તેના બદલે ગંભીર કમ્પ્યુટિંગ પાવર સાથે એક મોટું પ્રોસેસર ઇન્સ્ટોલ કરવાનું પસંદ કરે છે. બહુવિધ ઓટોમોટિવ માઇક્રોકન્ટ્રોલર્સ (MCUs) થી એક કેન્દ્રીય MCUમાં આ સંક્રમણ છે જે ભવિષ્યના વાહનોના આર્કિટેક્ચરમાં સૌથી નોંધપાત્ર ફેરફાર હશે.

ડેટા સ્ટોરેજ ફંક્શનને કારમાંથી ક્લાઉડમાં સ્થાનાંતરિત કરવું

સ્વ-ડ્રાઇવિંગ કારમાંથી ડેટા સીધા જ બોર્ડ પર સંગ્રહિત કરી શકાય છે, જો પ્રોમ્પ્ટ પ્રોસેસિંગની જરૂર હોય તો, અથવા ક્લાઉડમાં, જે ઊંડાણપૂર્વક વિશ્લેષણ માટે વધુ યોગ્ય છે. ડેટાનું રૂટીંગ તેના કાર્ય પર આધાર રાખે છે: ડ્રાઇવરને તાત્કાલિક જરૂર હોય તેવા ડેટા છે, ઉદાહરણ તરીકે, મોશન સેન્સરમાંથી માહિતી અથવા જીપીએસ સિસ્ટમમાંથી સ્થાન ડેટા, વધુમાં, તેના આધારે, કાર ઉત્પાદક મહત્વપૂર્ણ તારણો દોરી શકે છે અને, તેમના પર, ADAS ડ્રાઇવર સહાયતા સિસ્ટમને સુધારવા પર કામ કરવાનું ચાલુ રાખો.

Wi-Fi કવરેજ વિસ્તારમાં, ક્લાઉડ પર ડેટા મોકલવો આર્થિક રીતે વાજબી અને તકનીકી રીતે સરળ છે, પરંતુ જો કાર ગતિમાં હોય, તો એકમાત્ર ઉપલબ્ધ વિકલ્પ 4G કનેક્શન (અને આખરે 5G) હોઈ શકે છે. અને જો સેલ્યુલર નેટવર્ક પર ડેટા ટ્રાન્સમિશનની તકનીકી બાજુ ગંભીર સમસ્યાઓ ઊભી કરતી નથી, તો તેની કિંમત અવિશ્વસનીય રીતે ઊંચી હોઈ શકે છે. આ જ કારણ છે કે ઘણી સેલ્ફ-ડ્રાઈવિંગ કારને થોડો સમય ઘરની નજીક અથવા અન્ય કોઈ જગ્યાએ છોડી દેવી પડશે જ્યાં તેઓ વાઈ-ફાઈથી કનેક્ટ થઈ શકે. અનુગામી વિશ્લેષણ અને સ્ટોરેજ માટે ક્લાઉડ પર ડેટા અપલોડ કરવા માટે આ ખૂબ સસ્તો વિકલ્પ છે.

કનેક્ટેડ કારના ભાવિમાં 5G ની ભૂમિકા

હાલના 4G નેટવર્ક્સ મોટાભાગની એપ્લિકેશનો માટે મુખ્ય સંચાર ચેનલ તરીકે ચાલુ રહેશે, જો કે, 5G ટેક્નોલોજી કનેક્ટેડ અને સ્વાયત્ત કારના વધુ વિકાસ માટે મુખ્ય ઉત્પ્રેરક બની શકે છે, જે તેમને ઇમારતો અને ઇન્ફ્રાસ્ટ્રક્ચર સાથે લગભગ તરત જ એકબીજા સાથે વાતચીત કરવાની ક્ષમતા આપે છે. (V2V, V2I, V2X ).

સ્વાયત્ત કાર નેટવર્ક કનેક્શન વિના કાર્ય કરી શકતી નથી, અને 5G એ ઝડપી કનેક્શન અને ભાવિ ડ્રાઇવરોના લાભ માટે ઓછી વિલંબતા માટેની ચાવી છે. ઝડપી કનેક્શન સ્પીડ વાહનને ડેટા એકત્રિત કરવામાં લાગતો સમય ઘટાડશે, જેનાથી વાહન ટ્રાફિક અથવા હવામાન પરિસ્થિતિઓમાં અચાનક થતા ફેરફારો પર લગભગ તરત જ પ્રતિક્રિયા આપી શકે છે. 5G નું આગમન ડ્રાઇવરો અને મુસાફરો માટે ડિજિટલ સેવાઓના વિકાસમાં પ્રગતિને પણ ચિહ્નિત કરશે, જેઓ મુસાફરીનો વધુ આનંદ માણશે, અને તે મુજબ, આ સેવાઓના પ્રદાતાઓ માટે સંભવિત નફામાં વધારો કરશે.

ડેટા સુરક્ષા: ચાવી કોના હાથમાં છે?

તે સ્પષ્ટ છે કે સ્વાયત્ત વાહનોને નવીનતમ સાયબર સુરક્ષા પગલાં દ્વારા સુરક્ષિત રાખવું આવશ્યક છે. એકમાં જણાવ્યા મુજબ તાજેતરનો અભ્યાસ, 84% ઓટોમોટિવ એન્જિનિયરિંગ અને IT ઉત્તરદાતાઓએ ચિંતા વ્યક્ત કરી હતી કે ઓટોમેકર્સ સતત વધી રહેલા સાયબર ધમકીઓનો જવાબ આપવામાં પાછળ પડી રહ્યા છે.

ગ્રાહક અને તેમના અંગત ડેટાની ગોપનીયતાની ખાતરી કરવા માટે, કનેક્ટેડ કારના તમામ ઘટકો - કારની અંદરના હાર્ડવેર અને સોફ્ટવેરથી લઈને નેટવર્ક અને ક્લાઉડ સાથેના કનેક્શન સુધી - ઉચ્ચ સ્તરની સુરક્ષાની ખાતરી આપવી જોઈએ. સ્વ-ડ્રાઇવિંગ કાર દ્વારા ઉપયોગમાં લેવાતા ડેટાની સુરક્ષા અને અખંડિતતાને સુનિશ્ચિત કરવામાં ઓટોમેકર્સને મદદ કરવા માટે નીચે કેટલાક પગલાં છે.

1. ક્રિપ્ટોગ્રાફિક સુરક્ષા એનક્રિપ્ટેડ ડેટાની ઍક્સેસને માન્ય "કી" જાણતા વ્યક્તિઓના ચોક્કસ વર્તુળ સુધી મર્યાદિત કરે છે.
2. એન્ડ-ટુ-એન્ડ સિક્યોરિટીમાં ડેટા ટ્રાન્સમિશન લાઇનમાં દરેક એન્ટ્રી પોઈન્ટ પર હેકિંગના પ્રયાસને શોધવાના પગલાંના સમૂહને અમલમાં મૂકવાનો સમાવેશ થાય છે - માઇક્રોસેન્સરથી 5G કમ્યુનિકેશન માસ્ટ્સ.
3. એકત્રિત ડેટાની અખંડિતતા એ એક મહત્વપૂર્ણ પરિબળ છે અને સૂચવે છે કે વાહનોમાંથી પ્રાપ્ત માહિતી જ્યાં સુધી તેની પ્રક્રિયા કરવામાં ન આવે અને અર્થપૂર્ણ આઉટપુટ ડેટામાં રૂપાંતરિત ન થાય ત્યાં સુધી તેને યથાવત સંગ્રહિત કરવામાં આવે છે. જો રૂપાંતરિત ડેટા દૂષિત થઈ જાય, તો આ કાચા ડેટાને ઍક્સેસ કરવાનું અને તેને ફરીથી પ્રક્રિયા કરવાનું શક્ય બનાવે છે.

પ્લાન B નું મહત્વ

તમામ મિશન-નિર્ણાયક કાર્યો કરવા માટે, વાહનની સેન્ટ્રલ સ્ટોરેજ સિસ્ટમ વિશ્વસનીય રીતે કાર્યરત હોવી જોઈએ. પરંતુ જો સિસ્ટમ નિષ્ફળ જાય તો ઓટોમેકર્સ કેવી રીતે ખાતરી કરી શકે છે કે આ લક્ષ્યો પૂર્ણ થયા છે? મુખ્ય સિસ્ટમની નિષ્ફળતાની ઘટનામાં ઘટનાઓને રોકવા માટેની એક રીત એ છે કે બિનજરૂરી ડેટા પ્રોસેસિંગ સિસ્ટમમાં ડેટાની બેકઅપ કૉપિ બનાવવી, જો કે, આ વિકલ્પ અમલમાં મૂકવો અતિ ખર્ચાળ છે.

તેથી, કેટલાક એન્જિનિયરોએ એક અલગ માર્ગ અપનાવ્યો છે: તેઓ માનવરહિત ડ્રાઇવિંગ મોડ, ખાસ કરીને બ્રેક્સ, સ્ટીયરિંગ, સેન્સર્સ અને કમ્પ્યુટર ચિપ્સમાં સામેલ વ્યક્તિગત મશીન ઘટકો માટે બેકઅપ સિસ્ટમ્સ બનાવવા પર કામ કરી રહ્યા છે. આમ, કારમાં બીજી સિસ્ટમ દેખાય છે, જે કારમાં સંગ્રહિત તમામ ડેટાના ફરજિયાત બેકઅપ વિના, જટિલ સાધનોની નિષ્ફળતાના કિસ્સામાં, કારને રસ્તાની બાજુએ સુરક્ષિત રીતે રોકી શકે છે. કારણ કે તમામ કાર્યો ખરેખર મહત્વપૂર્ણ નથી (કટોકટીમાં તમે, ઉદાહરણ તરીકે, એર કન્ડીશનીંગ અથવા રેડિયો વિના કરી શકો છો), આ અભિગમ, એક તરફ, બિન-જટિલ ડેટાના બેકઅપની જરૂર નથી, જેનો અર્થ છે ઘટાડો ખર્ચ, અને બીજી બાજુ, તે બધું હજુ પણ સિસ્ટમ નિષ્ફળતાના કિસ્સામાં વીમો પૂરો પાડે છે.

જેમ જેમ ઓટોનોમસ વ્હીકલ પ્રોજેક્ટ આગળ વધે છે તેમ, પરિવહનની સંપૂર્ણ ઉત્ક્રાંતિ ડેટાની આસપાસ બનાવવામાં આવશે. સ્વાયત્ત વાહનો જેના પર આધાર રાખે છે તેના પર મોટા પ્રમાણમાં ડેટાની પ્રક્રિયા કરવા માટે મશીન લર્નિંગ અલ્ગોરિધમ્સને અનુકૂલિત કરીને અને તેમને સુરક્ષિત રાખવા અને બાહ્ય જોખમોથી સુરક્ષિત રાખવા માટે મજબૂત અને કાર્યક્ષમ વ્યૂહરચનાઓ અમલમાં મૂકીને, ઉત્પાદકો અમુક સમયે એવી કાર વિકસાવવામાં સક્ષમ હશે જે પર્યાપ્ત સુરક્ષિત હોય. ભવિષ્યના ડિજિટલ રસ્તાઓ પર વાહન ચલાવો.

સોર્સ: www.habr.com