Vision-basierte Sicherheitssysteme: Triggerbasiertes vs. Edge-Computing
October 28, 2019
October 28, 2019
Angesichts von Verkehrsunfällen, die Transportunternehmen jedes Jahr Milliarden von Dollar kosten, sind Flottenmanagementsysteme erforderlich, die die Sicherheit gewährleisten. Wie viele andere Systeme müssen auch Flotten Straßendaten sammeln und analysieren, die ihre Sicherheit und Leistung beeinflussen und Verkehrsunfälle verhindern können. Dies war nicht immer einfach, da Präventionsmaßnahmen in der Regel auf Daten von Unfällen basieren, die sich ereignet haben. Diese Art des triggerbasierten Ansatzes ist weit verbreitet, aber ineffizient.Altsysteme, die Triggerbasierte Crashrekorder verwenden, werden nach und nach durch komplexe Edge-Computing-Systeme ersetzt. Einige dieser Systeme wie Driveri verwenden künstliche Intelligenz, HD-Video und andere prädiktive Technologien, um Straßen- und Fahrmuster zu analysieren und die Fahrerleistung in Echtzeit zu korrigieren, um Kollisionen zu vermeiden und die Fahrersicherheit und die Retentionsraten zu verbessern. Der folgende Vergleich zwischen Edge-Computing und triggerbasierter Datenverarbeitung befasst sich mit die Vorteile eines jeden und wie Plattformen, die diese Technologien verwenden, im Vergleich abschneiden.
Triggerbasierte Datenrekorder erfassen Daten zu Ereignissen, sobald sie auftreten. Ein häufiger Auslöser, den Sie sehen werden, ist beispielsweise ein hartes Bremsen, das die Kamera veranlasst, mit der Aufnahme zu beginnen. Diese Methode kann vorteilhaft sein, da diese Daten dazu beitragen können, ähnliche Ereignisse in Zukunft zu verhindern. Leider werden die Daten erst erfasst, wenn der Schaden angerichtet wurde — das heißt, sie erfassen nur die Folgen und nicht die Ursache. Flotten benötigen fortschrittlichere Technologien, die Daten in Echtzeit verarbeiten, ohne dass ereignisbasierte Auslöser erforderlich sind. Lange Zeit reichte die triggergestützte Datenaufzeichnung für Flottensicherheit, aber neue technologische Entwicklungen haben dazu geführt, dass bessere Prognosesysteme erforderlich sind. Dies hat zur Entwicklung und Einführung der Edge-Computing-Technologie geführt.
Edge Computing ist eine Methode der Datenverarbeitung, bei der Daten in der Nähe des Punktes analysiert werden, an dem sie gesammelt wurden. Das bedeutet, dass die Informationen in Echtzeit analysiert werden, ohne dass ein „Trigger“ erforderlich ist, um den Prozess zu starten. Beim Edge-Computing werden Daten in der Regel an den äußersten Rändern gesammelt und zur Verarbeitung an Server übertragen, oft in Echtzeit. In den vergangenen Jahren konnten die meisten Computer die großen gesammelten Datenmengen aufgrund ihres geringen Speicherplatzes und ihrer Rechenleistung nicht verarbeiten. Dies galt auch dann, als Computer aufgrund von Hardwarebeschränkungen mit WLAN- und Bluetooth-Konnektivität weiterentwickelt wurden. Edge-Computing wurde zu einer praktikablen Lösung für diese Einschränkungen. Heute sind viele Geräte des Internet der Dinge (IoT) in der Lage, komplexe Datenerfassung, -verarbeitung und -speicherung durchzuführen. Unternehmen haben ihre Netzwerke verbessert, die als Verbindungen zwischen Edge-Computern und ihren Servern dienen. Dadurch können mehr Daten näher am Edge-Computer verarbeitet werden. Bedeutende Anwendungen von Edge-Computing finden sich in vielen Branchen, darunter Finanzen und Gaming. Eine schnelle Datenverarbeitung ist für jede Flottenmanagementsoftware unerlässlich. Im Flottenmanagement ist Edge Computing aufgrund seiner geringen Latenz eine hervorragende Möglichkeit, Straßendaten zu sammeln und zu verarbeiten. Dieser Vorteil von Edge Computing zeigt sich auf Plattformen wie Driveri, die künstliche Intelligenz verwenden, um Fahrvorhersagen zu treffen.
Systeme, die an der Erfassung großer Datenmengen über große Entfernungen beteiligt sind, sind anfällig für Verzögerungen. Wenn Ihrem PC beispielsweise ein leistungsstarker Prozessor fehlt, kann er beim Hoch- oder Herunterladen von Medien einfrieren. Da die Zeit, die Daten benötigen, um die Verarbeitungsserver zu erreichen, beim Edge-Computing kürzer ist, eignet es sich hervorragend für autonome Fahrzeuge. Es gibt Millionen von Straßenkilometern, die zu großen Datenmengen führen, die eine Echtzeitverarbeitung erfordern. Edge Computing erleichtert die Erfassung von Straßendaten, die zum Trainieren künstlich intelligenter Software verwendet werden können. Darüber hinaus erleichtert es einem autonomen Fahrzeug die Kommunikation mit anderen Fahrzeugen.
Herkömmliches Cloud-Computing verfolgt einen zentralisierteren Ansatz, indem Computer direkt mit Servern verbunden werden. Andererseits verbindet Edge-Computing einen einzelnen Edge-Computer mit mehreren Prozessoren und Geräten, was es schwierig macht, eine einzige Fehlerstelle zu finden. Der dezentrale Charakter von Edge Computing erschwert es Sicherheitsbedrohungen wie Distributed Denial of Service (DDoS), sich durchzusetzen.
Das Driveri-System kombiniert künstliche Intelligenz mit Edge-Computing und intelligenter Videotechnologie, um die Fahrerüberwachung, Sicherheit und Analyse zu automatisieren. Netradyne setzt fortschrittliche Technologien wie Deep Learning, Edge Computing, Computeranalyse und Datenwissenschaft ein, um das Transportökosystem zu verbessern. Angesichts des ständig wachsenden Bedarfs an Fahrerbindung und Kollisionsvermeidung will Driveri die Aufgabe, die Sicherheit der Fahrer zu gewährleisten, vereinfachen. Dies hat den Vorteil, dass sie motiviert bleiben und gleichzeitig ihre Autonomie in ihrer Arbeit bewahren.
Driveri berücksichtigt sowohl die menschlichen als auch die technologischen Aspekte der Fahrersicherheit, indem es auf Analytik, Kommunikation, Konnektivität und Wert abzielt. Es ist in Form eines Geräts erhältlich, das an Fahrzeugen befestigt und mit einer Fernanwendung verbunden werden kann. Dieses Gerät verfolgt den Transportzyklus des Fahrers und sorgt gleichzeitig dafür, dass die Fahrer sicher sind und gefährliche Situationen vermeiden. Bisher hat Driveri erfasst und analysiert mehr als 350 Millionen Meilen an Straßendaten dank der großen KI-Bildverarbeitungssoftware und der leistungsstarken Prozessoren. Die Fahrer haben mit dem Driveri-System nicht nur 1 Million einzelne Meilen zurückgelegt, sondern diese Meilen auch mehrmals zurückgelegt, um mehr Informationen über die Straßen und Strecken zu sammeln. In jeder Branche ist die Erfassung und Analyse von Daten entscheidend dafür, wie schnell der technologische Fortschritt voranschreitet. Dies gilt auch für die Transportbranche. Die fortschrittliche, auf Edge-Computing basierende Kartierungs- und Analysetechnologie, die Driveri verwendet, ist für die Branche unverzichtbar. Die vom System gesammelten Erkenntnisse können genutzt werden, um fundierte Entscheidungen über die Verhaltensmuster der Fahrer zu treffen und unvoreingenommene Schlüsse zu ziehen, wo sich Unfälle ereignen. Angesichts der Tatsache, dass Arbeitgeber jährlich fast 60 Milliarden US-Dollar aufgrund von Unfällen ausgeben, werden Fahrersicherheitssysteme wie Driveri heute mehr denn je benötigt.
Als der Gewinner 2018 Driveri wurde von AI Breakthrough mit der Auszeichnung „Beste KI-basierte Lösung für den Transport“ ausgezeichnet und übertrifft die Konkurrenz bei weitem. Driveri verfügt über ein umfassendes Alarm-, Kommunikations-, Datenanalyse- und Videowiedergabesystem mit hervorragender Konnektivität. In Verbindung mit Edge-Computing als Basistechnologie bietet es Verarbeitungsgeschwindigkeiten, die es einfach machen, Daten in Echtzeit zu sammeln und zu analysieren. Es beherbergt auch all diese Technologien, ohne dass neue Produkte integriert werden müssen. Dies ist perfekt für jeden Flottenmanager, der Kosten für Installation, Schulung der Fahrer in der Bedienung des Systems und Fernverbindungen sparen möchte. Diese Einsparungen beeinträchtigen weder die Effizienz des Systems noch die Qualität der gesammelten Daten, obwohl es besser abschneidet als die Konkurrenz. Nachdem Driveri mehrmals 1 Million einzelne Straßenkilometer analysiert hat, zeichnet die künstliche Intelligenz-Technologie von Driveri weiterhin Straßenmuster auf und sammelt gleichzeitig mehr Daten, um die Sicherheit Ihrer Fahrer und damit auch Ihrer Flotte zu verbessern. Edge-Computing macht dies jedoch möglich, da eine langsame Datenverarbeitung das Feedback künstlicher Intelligenz mühsam machen würde. Unternehmen werden ihre Netzwerke weiterhin optimieren, um die Datenmenge zu skalieren, die während einer einzigen Übertragung verarbeitet werden kann. Dies bedeutet, dass es einfacher wird, komplexe Aufgaben wie an Bord zu erledigen. Fahrercoaching, Fahrzeugselbstdiagnose, Datenkartierung und -aufzeichnung sowie Kommunikation. In der sich ständig verändernden Transportbranche liegt es in der Verantwortung der Flottenmanager, ihre Technologie zu diversifizieren und im Hinblick auf Kosteneinsparungen, Effizienz und Sicherheit zu optimieren. Das US-Arbeitsministerium, die Occupational Safety and Health Administration (OSHA) verlangt dies, und Ihre Kunden benötigen es, um das Vertrauen in Ihren Service aufrechtzuerhalten.
* Individuelle Ergebnisse und Bedingungen können variieren.
** Basierend auf Kundendaten.
† Netradyne benötigt eine schriftliche Genehmigung für die Weitergabe von Kundendaten.
Bilder dienen nur zur Veranschaulichung und stellen möglicherweise keine exakte Darstellung eines Produkts dar.
