صنعت خودرو یکی از عمیق ترین تحولات تاریخ خود را پشت سر می گذارد. پس از تعریف مهندسی مکانیک و اسب بخار ، وسایل نقلیه امروز به طور فزاینده ای با کد شکل می گیرند. ما در حال ورود به دوران وسایل نقلیه تعریف شده نرم افزار (SDV) هستیم که اطلاعات ماشین کمتر از بلوک موتور می آید ، اما از خطوط نرم افزار. یک مطالعه جدید توسط تحقیق و بازارها پروژه هایی که بازار جهانی SDV از 213.5 میلیارد دلار در سال 2024 به بیش از 1.2 تریلیون دلار تا سال 2030 افزایش می یابد. این مقیاس رشد برای کسانی که در تقاطع نرم افزار ، نقشه برداری و هوش مصنوعی کار می کنند جای تعجب ندارد. این بازتابی از چگونگی گسترش نقش هوش مصنوعی در هر جنبه تحرک است.
هوش مصنوعی به طور فزاینده ای به موتور دیجیتال در پشت برخی از با ارزش ترین کارکردهای خودرو تبدیل می شود: کابین خلبان های دیجیتال با زبان طبیعی ، ناوبری در زمان واقعی و مسیریابی پویا ، نگهداری پیش بینی کننده ، سیستم های پیشرفته کمک به راننده (ADA) و سطح بالاتری از رانندگی خودکار. هوش مصنوعی به تعریف مجدد و سفارشی سازی تجربه راننده کمک می کند. با توجه به اخیر IBM مطالعه ، 74 ٪ از مدیران خودرو معتقدند که تا سال 2035 وسیله نقلیه هم از نظر نرم افزاری تعریف شده و هم از نظر هوش مصنوعی خواهند بود. و در آن زمان انتظار می رود 80 ٪ از اتومبیل های جدید دارای پیشرانه های برقی باشند و پایه و اساس طبیعی تری برای ادغام سیستم های خودرو ، نقشه برداری ، نرم افزار و قابلیت های هوش مصنوعی فراهم کنند.
نقشه برداری با قدرت AI: قطب نما دیجیتال SDVS
یک نمونه خاص از نقش AI در تکامل نقشه سازی دیجیتال است. یک نقشه استاتیک سنتی جای خود را به یک نقشه “زنده”: بازنمایی های پویا ، دائماً پخش شده از محیط جاده که برای تأمین نیرو از سیستم های وسیله نقلیه استفاده می شود. نقشه برای رانندگی ایمن و کارآمد در یک وسیله نقلیه به طور فزاینده برقی ، متصل و خودکار ضروری است.
یک نقشه زنده بسیار بیشتر از ناوبری ساده را فراهم می کند و وسیله نقلیه را قادر می سازد محیط اطراف خود را تفسیر کند و تصمیمات رانندگی آگاهانه را در زمان واقعی بگیرد. توانایی هوش مصنوعی در تشخیص الگوها ، تشخیص تغییرات محیطی و به روزرسانی داده های نقشه به صورت پویا باعث می شود که راننده (و سیستم های وسیله نقلیه) برای جلوگیری از مناطق ساخت و ساز ، مجدداً در حوادث ترافیکی و آگاهی از تغییرات در علائم جاده یا محدودیت سرعت آگاه شود.
ما در حال حاضر شاهد قابلیت های نقشه زنده هستیم که به طور مداوم داده ها را از سنسورهای وسیله نقلیه ، تصاویر ماهواره ای و ورودی جمعیتی ، از جمله منابع دیگر ، ادغام می کند تا منعکس کننده تغییر شرایط جاده باشد. امکان متحد کردن چندین منبع داده ، خودکار و با استفاده از AI و یادگیری ماشین ، پتانسیل واقعی یک نقشه زنده را باز می کند.
وسیله نقلیه شخصی: تجربیات هوشمندانه و بصری تر در اتومبیل
تجربه راننده نیز شخصی تر ، بصری تر و هوش مصنوعی تر می شود. ما شاهد دستیاران هوش مصنوعی در وسایل نقلیه هستیم که یاد می گیرند به زبان طبیعی پاسخ دهند و الگوهای مربوط به رفتار راننده را بشناسند و وسایل نقلیه را قادر می سازند تا با ترجیحات فردی سازگار شوند. دستیاران هوش مصنوعی در حال حاضر مسیریابی با زبان طبیعی ، توصیه های شارژ EV ، هشدارهای ایمنی را بر اساس شرایط رانندگی و پیشنهادات برنامه ریزی پویا ارائه می دهند که شامل توقف ها ، ترجیحات و تغییرات در زمان واقعی است.
مطابق IBM مطالعه ، 75 ٪ از مدیران معتقدند که تجربیات تعریف شده از نرم افزار تا سال 2035 هسته اصلی ارزش یک برند خودرو خواهد بود. این بدان معنی است که یک راننده ممکن است یک پیشنهاد مسیر را نه فقط بر اساس کوتاهترین زمان سفر ، بلکه همچنین در عناصر پویا مانند آب و هوای واقعی ، در دسترس بودن شارژر EV در نزدیکی و توقف های قبلی مانند یک مرکز مسافرتی مورد علاقه یا کافی شاپ دریافت کند. با گذشت زمان ، وسیله نقلیه بیشتر به یک همراه مسافرتی تبدیل می شود که همچنان با راننده به یادگیری و تکامل می پردازد.
هوش مصنوعی به عنوان پایه و اساس عملکردهای کمک شده و خودمختار
هوش مصنوعی همچنین برای ادامه تکامل ADA ها و عملکردهای رانندگی خودمختار اساسی است. این تصمیم گیری را برای ایمنی و کارآیی وسایل نقلیه ، از کنترل خط و کنترل کروز تطبیقی گرفته تا تشخیص عابر پیاده و تشخیص شیء ، امکان پذیر می کند.
با پیشرفت SDV به سمت سطح بالاتر استقلال ، ترکیب نقشه برداری از AI با ورودی های سنسور روی صفحه مانند LIDAR و دوربین برای برنامه ریزی دقیق مسیر ، آگاهی موقعیتی و رعایت نظارتی ضروری خواهد بود.
غلبه بر سد های جاده ای: چالش های کلیدی در ادغام هوش مصنوعی
در حالی که ارزش تحول آمیز AI در SDV وسیع است ، و شور و شوق برای هوش مصنوعی زیاد است ، برای اتخاذ گسترده باید به چالش های مختلفی پرداخته شود:
- یکپارچگی و امنیت داده ها: هوش مصنوعی به حجم زیادی از داده ها متکی است و در حالی که دقت در زمان واقعی را حفظ می کند ، نگرانی در مورد امنیت اطلاعات حساس را ایجاد می کند. خودروسازان و ارائه دهندگان نرم افزار باید اطمینان حاصل کنند که موقعیت مکانی محور و داده های وسیله نقلیه در ضمن رعایت استانداردهای نظارتی با اتصال بیشتر وسایل نقلیه ، از نقض و دسترسی غیرمجاز محافظت می شوند.
- قابلیت همکاری و استاندارد سازی: در حالی که شرکت های بیشتری سیستم های با قدرت AI را توسعه می دهند ، اطمینان حاصل می شود که این فناوری ها می توانند در بین مارک ها و تأمین کنندگان با هم کار کنند تا از تکه تکه شدن و بهبود سازگاری متقابل استفاده کنند.
- زیرساخت های محاسبات Cloud & Edge: پردازش مقادیر گسترده ای از داده های زمان واقعی تولید شده توسط هوش مصنوعی ، زیرساخت های محاسباتی قوی را می طلبد. پیشرفت های مداوم در محاسبات ابری و پردازش لبه برای پشتیبانی از برنامه های هوش مصنوعی در نقشه برداری ، ناوبری و اتوماسیون وسیله نقلیه بسیار مهم خواهد بود.
آینده نقشه AI برای SDV
با نگاهی به آینده ، یک نقشه زنده برای نحوه عملکرد وسایل نقلیه بسیار مهم تر می شود و به آنها در تفسیر و پاسخگویی به دنیای اطراف خود با افزایش دقت کمک می کند. ظهور فناوری دوقلوی دیجیتال ، که در آن AI ماکت های مجازی در زمان واقعی وسایل نقلیه ایجاد می کند ، همچنین به خودروسازان اجازه می دهد تا قبل از اینکه به جاده برخورد کنند ، عملکردهای خودرو را شبیه سازی ، آزمایش و اصلاح کنند. پیشرفت های اخیر در تشخیص تصویر AI و پردازش ابر ، استخراج خودکار ویژگی های دنیای واقعی را از تصاویر سطح خیابان امکان پذیر می کند ، به خودروسازان کمک می کند تا محیط های مجازی ایجاد کنند که باعث تسریع در شبیه سازی ، آزمایش ایمنی و توسعه SDV می شوند.
فراتر از افزایش ناوبری و تجربه کاربر ، از تجزیه و تحلیل AI محور به طور فزاینده ای برای تشخیص الگوهای موجود در داده های سنسور و عملکرد استفاده می شود و امکان شناسایی قبلی نیازهای نگهداری را فراهم می کند. هوش مصنوعی می تواند قبل از فعال شدن سیستم های هشدار دهنده سنتی با تشخیص تغییرات ظریف در رفتار وسیله نقلیه ، مانند تغییرات فشار تایر یا کاهش کارایی ترمز ، هشدارهای سرویس را ایجاد کند. این بینش های پیش بینی کننده نه تنها ایمنی را بهبود می بخشد بلکه از مدیریت کارآمدتر ، مقرون به صرفه و مدیریت ناوگان نیز پشتیبانی می کند.
آنچه مشخص است این است که این آینده به مشارکتهای محکمی بین خودروسازان ، ارائه دهندگان فناوری هوش مصنوعی ، سیستم عامل های ابری و کارشناسان داده های مکان نیاز دارد. هیچ سازمان واحدی نمی تواند آن را به تنهایی بسازد. اما با همکاری مشترک ، می توانیم آینده ایمن تر ، باهوش تر و متصل تر خودرو را شکل دهیم.
از آنجا که این صنعت تغییر خود را به معماری های تعریف شده از نرم افزار ادامه می دهد ، اهمیت موقعیت مکانی در زمان واقعی ، اطلاعات موقعیت مکانی AI فقط رشد خواهد کرد.
