Netzwerkarchitektur Edge-KI-Anwendungen in Fahrzeugen erfordern neue Infrastrukturen

Um effektiv funktionieren zu können, benötigt Edge-KI eine robuste Infrastruktur. Hierzu gehören neben der Computer-Hardware auch Netzwerke, Datenmanagement und Betriebssysteme.

Der Aufbau traditioneller Fahrzeugnetzwerke ist starr und statisch. Dadurch sind die bisherigen IT-Infrastrukturen in Automobilen unflexibel und für die Unterstützung der sich ständig und dynamisch weiterentwickelnden IT-Anforderungen moderner Edge-KI-Modelle ungeeignet. Die effektive Implementierung von Edge-KI erfordert einen flexiblen Echtzeitzugriff auf verschiedene Fahrzeugdomänen, Steuergeräte, Sensoren und Aktoren, um so die jeweils notwendigen Daten zum richtigen Zeitpunkt für unterschiedliche Modelleingaben bereitzustellen.

Aktuelle Netzwerkarchitekturen können diese Fähigkeit nicht zuverlässig bieten. Um die daraus bislang resultierenden Einschränkungen zu überwinden, benötigen Fahrzeuge zukünftig eine hochgradig konfigurierbare, Software-definierte Netzwerkarchitektur. Diese muss die Steuerungsfunktionen von der Datenübertragung trennen und eine dynamische Anpassung der Konnektivität auf Basis von Echtzeit-KI-Workloads ermöglichen.

Erheblich steigendes Datenvolumen

Das im Fahrzeug erzeugte Datenvolumen wird insbesondere durch den Einsatz hochauflösender Videostreams und LiDAR-Sensoren dramatisch zunehmen. Fahrzeugnetzwerke stehen damit zunehmend vor Herausforderungen, kritische Informationen auch zukünftig zeitnah und zuverlässig bereitzustellen. Um die hohen Leistungs- sowie Latenzanforderungen von KI-gesteuerten Anwendungen zu erfüllen und die erforderliche Reaktionsfähigkeit für eine sichere und effektive Ausführung von Edge-KI-Anwendungen zu gewährleisten, müssen die vorhandenen Netzwerkressourcen daher präzise kalibriert und ihre Ausfallsicherheit sichergestellt werden.

Neue Anforderungen an Datenzugriff

Die Netzwerkarchitektur traditioneller Kommunikationsansätze in Fahrzeugen sind auf Effizienz und Echtzeitsteuerung ausgelegt, eignen sich jedoch nur schlecht für Edge-KI-Anwendungen. Die zugrunde liegenden Signale sind statisch definiert, eng an bestimmte elektronische Steuergeräte (ECUs) gekoppelt und weisen keine semantische Vielfalt auf. Diese starre Struktur erschwert es KI-Modellen, auf die vielfältigen, umfangreichen Daten zuzugreifen, die sie benötigen, beispielsweise Video-, LiDAR- oder Sensorfusionsdaten, insbesondere wenn diese Daten über mehrere Fahrzeugdomänen verteilt sind. Und ohne Metadaten oder Kontext haben KI-Systeme Schwierigkeiten, signalbasierende Eingaben effektiv zu interpretieren und darauf zu reagieren. Darüber hinaus fehlen traditionellen signalbasierten Architekturen Mechanismen für die dynamische Datenerkennung und Laufzeit-Neukonfiguration. Das bedeutet, dass in Fahrzeugen eingesetzte KI-Komponenten nach der Erstkonfiguration neue Datenströme nicht ohne Weiteres identifizieren, abrufen oder wiederverwenden können. Ohne dynamische Erkennung sind KI-Modelle auf vordefinierte, statische Signalverbindungen beschränkt, was die Bereitstellung neuer Modelle, die kontinuierliche Modellverfeinerung oder die effiziente Skalierung von KI-Anwendungen über sich weiterentwickelnde Fahrzeugkonfigurationen hinweg erschwert. Folglich schränkt die feste, Punkt-zu-Punkt-Natur der signalbasierenden Nachrichtenübermittlung die Flexibilität, Skalierbarkeit und Anpassungsfähigkeit, die für einen effektiven Einsatz von Edge-KI erforderlich sind, erheblich ein.

Flexibilität durch zentralisierte und flexible Rechenumgebung

Allzweck-Hochleistungs-ECUs sind eine entscheidende Komponente beim Übergang zu Software-definierten Fahrzeugen (SDVs). Automobilhersteller müssen Wege finden, sie für die KI-Systeme in ihren Fahrzeugen zu nutzen.

Indem die zahlreichen, bisher verwendeten, spezialisierten ECUs in wenigen universellen Hochleistungs-ECUs konsolidiert werden, entsteht eine zentralisierte, flexible Rechenumgebung, die verschiedene, KI-gesteuerte aber auch herkömmliche Anwendungs-Workloads unterstützt. Im Gegensatz zu spezialisierten KI-Beschleunigern wie GPUs oder NPUs bieten universelle High-Performance-Computing-ECUs (HPC) eine vielseitige und kostengünstige Plattform, die mehrere Funktionsbereiche gleichzeitig hosten kann. Diese Flexibilität ermöglicht es Automobilherstellern, Rechenressourcen dynamisch auf KI-intensive Aufgaben wie vorausschauende Wartung und Fahrerüberwachung sowie auf Nicht-KI-Funktionen wie Infotainment, Navigation und Fahrzeugsteuerungssysteme zu verteilen. Die HPC-Steuergeräte verursachen deutlich geringere Kosten und arbeiten auch in eingeschränkteren Rechenumgebungen, die sich durch geringere Rechnerleistung (gemessen in TOPS), reduzierten Stromverbrauch und optimiertes Wärmemanagement auszeichnen.

Die folgende Tabelle zeigt die ungefähren Unterschiede in den Hardware-Eigenschaften und Kosten zwischen KI-spezifischen Rechnern und HPC-ECUs, die in typischen Fahrzeug-E/E-Architekturen häufiger zum Einsatz kommen werden.

KI-Workloads müssen optimiert und entsprechend den verfügbaren Rechenressourcen skaliert werden. Die Ressourcen müssen wiederum dynamisch angepasst werden, um den Anforderungen der Workloads gerecht zu werden und gleichzeitig die Betriebssicherheit des Fahrzeugs zu gewährleisten.

Darüber hinaus macht eine containerisierte Laufzeitumgebung, bei der KI-Workloads in eigenständigen, unabhängig voneinander ausführbaren Einheiten, isoliert werden, die Rechenplattformen im Fahrzeug konfigurierbarer. Das ermöglicht die dynamische Zuweisung von Ressourcen auf der Grundlage von Echtzeitanforderungen. Dadurch kann beispielsweise die Ressourcennutzung für nicht kritische KI-/ML-Verarbeitungsprozesse eingeschränkt werden, um bei Bedarf Rechenleistung für zentrale Fahrzeugprozesse zu reservieren. Container ermöglichen außerdem nahtlose Updates mittels Over-the-Air-Bereitstellung und erleichtern die Portabilität zwischen verschiedenen Hardware-Plattformen. Die dynamische Zuweisung und Beschränkung von Ressourcen ermöglichen ein flexibles, skalierbares System, das vielfältige und sich weiterentwickelnde KI-Anwendungen in Fahrzeugen effizient unterstützen kann.

Notwendigkeit automobilspezifischer Machine-Learning-Lösungen

Der Einsatz von KI im Automobilbereich ist komplex und bringt Herausforderungen mit sich, die über die bei herkömmlichen Anwendungen des maschinellen Lernens auftretenden hinausgehen. Fahrzeugumgebungen unterliegen strengen Sicherheits- und Zuverlässigkeitsstandards, vielfältigen Betriebsszenarien, begrenzten Rechenressourcen und Echtzeit-Leistungsanforderungen. Im Gegensatz zu Standard-ML-Workflows, die auf reichlich vorhandener Cloud-Rechenleistung und weitgehend austauschbarer Hardware basieren, müssen KI-Modelle für die Automobilindustrie unter Einhaltung präziser Sicherheits- und Latenzanforderungen zuverlässig auf ressourcenbeschränkten Steuergeräten funktionieren. Darüber hinaus fallen in automobilen Umgebungen riesige Datenmengen aus zahlreichen Bereichen an. Das erfordert ausgefeilte Methoden zur selektiven Extraktion und gezieltes Training der KI, um Genauigkeit und Robustheit zu gewährleisten.

Diese besonderen Anforderungen erfordern spezielle, ausdrücklich für den Automobilbereich entwickelte Werkzeugketten. Herkömmliche ML-Toolchains sind für Cloud-basierende Rechenzentren oder Allzweck-Edge-Geräte optimiert und verfügen oft nicht über die erforderlichen Funktionen für typische Anforderungen der Automobilindustrie wie hardwarebewusste Optimierung der Rechenmodelle, präzise ECU-Ausrichtung, sicherheitskritische Validierung und Einhaltung der spezifischen Industriestandards. Daher müssen Automobilhersteller und Zulieferer spezielle Machine-Learning-Operations-Lösungen (MLOps ) für die Automobilindustrie einsetzen. Diese spezialisierten Werkzeugketten optimieren den gesamten KI-Lebenszyklus, von der Erfassung realer Daten und dem Modelltraining bis hin zur hardwareoptimierten Bereitstellung und kontinuierlichen Leistungsüberwachung. Darüber hinaus stellen sie sicher, dass die bereitgestellten Modelle die hohen Standards hinsichtlich Sicherheit, Effizienz und Zuverlässigkeit erfüllen, die von modernen Fahrzeugen erwartet werden.

Adaptive intelligente Plattformen sind automobile Zukunft

Edge-KI ermöglicht einen Generationensprung in der Datenverarbeitung in Fahrzeugen. In Kombination mit SDV-Architekturen, robusten E/E-Plattformen und Toolchains für KI/MLOps im Automobilbereich eröffnet sie eine neue Ära in punkto Reaktionsfähigkeit, Personalisierung, Effizienz und Sicherheit. Doch um dieses Potenzial auszuschöpfen, bedarf es mehr als nur Technologie – es erfordert strategische Weitsicht, branchenübergreifende Zusammenarbeit und nachhaltige Investitionen.

Automobilhersteller, die diesen Wandel bereits heute annehmen, werden auch den zukünftigen, sich verändernden Kundenerwartungen gerecht werden und gleichzeitig die Zukunft der Mobilität mitgestalten. Fahrzeuge werden keine statischen Maschinen mehr sein, sondern adaptive, intelligente Plattformen – fähig zu lernen, sich weiterzuentwickeln und das Fahrerlebnis fortlaufend zu verbessern. (se)

Fahrzeugvernetzung

Edge-KI: So entsteht die nächste Innovationswelle im Fahrzeug

Künstliche Intelligenz soll Fahrzeug steuern

Chinas Wettrennen um KI-Agenten im Auto

* Yu Fang ist CTO, CPO & Mitgründer von Sonatus.

(ID:50947897)