Op visie gebaseerde veiligheidssystemen: op triggers gebaseerd versus edge computing
October 28, 2019
October 28, 2019
Na verkeersongevallen die transportbedrijven elk jaar miljarden dollars kosten, is er behoefte aan wagenparkbeheersystemen die de veiligheid garanderen. Net als veel andere systemen moeten wagenparken weggegevens verzamelen en analyseren die hun veiligheid en prestaties kunnen beïnvloeden en verkeersongevallen kunnen voorkomen. Dit was niet altijd eenvoudig omdat preventieve maatregelen meestal gebaseerd zijn op gegevens van ongevallen die hebben plaatsgevonden. Dit type op triggers gebaseerde aanpak komt vrij vaak voor, maar is inefficiënt. Oudere systemen die gebruik maken van op triggers gebaseerde crashrecorders worden geleidelijk vervangen door complexe edge computing-systemen. Sommige van deze systemen, zoals Driveri, maken gebruik van kunstmatige intelligentie, HD-video en andere voorspellende technologieën om weg- en rijpatronen te analyseren en de rijprestaties in realtime te corrigeren om botsingen te voorkomen en de rijveiligheid en retentiepercentages te verbeteren. De volgende vergelijking tussen edge computing en triggergebaseerde gegevensverwerking zal kijken naar de voordelen van elk en hoe platforms die deze technologieën gebruiken zich verhouden.
Op triggers gebaseerde datarecorders leggen gegevens vast met betrekking tot gebeurtenissen op het moment dat ze zich voordoen. Een veel voorkomende trigger die u zult zien, is bijvoorbeeld een harde remwerking waardoor de camera moet beginnen met opnemen. Deze methode kan voordelig zijn, omdat die gegevens kunnen helpen voorkomen dat soortgelijke gebeurtenissen zich in de toekomst voordoen. Helaas worden de gegevens alleen vastgelegd wanneer de schade is aangericht, wat betekent dat alleen de nasleep wordt vastgelegd en niet de oorzaak. Wagenparken hebben meer geavanceerde technologieën nodig die gegevens in realtime verwerken zonder dat er triggers op basis van gebeurtenissen nodig zijn. Lange tijd was het opnemen van gegevens op basis van triggers voldoende voor vlootveiligheid, maar nieuwe technologische ontwikkelingen hebben geleid tot de behoefte aan betere voorspellingssystemen. Dit heeft geleid tot de creatie en toepassing van edge computing-technologie.
Edge computing is een methode voor gegevensverwerking waarbij gegevens worden geanalyseerd in de buurt van het punt waar ze zijn verzameld. Dit betekent dat de informatie in realtime wordt geanalyseerd, zonder dat er een „trigger” nodig is om het proces te starten. Bij edge computing worden gegevens doorgaans aan de uiterste randen verzameld en naar servers gestuurd voor verwerking, vaak in realtime. In de afgelopen jaren konden de meeste computers de grote hoeveelheden verzamelde gegevens niet verwerken vanwege hun geringe opslagruimte en rekenkracht. Dit gold zelfs toen computers evolueerden met wifi- en Bluetooth-connectiviteit vanwege hardwarebeperkingen. Edge computing werd een haalbare oplossing voor deze beperkingen. Tegenwoordig zijn veel Internet of Things (IoT) -apparaten in staat om complexe gegevensverzameling, -verwerking en -opslag uit te voeren. Bedrijven hebben hun netwerken verbeterd, die dienen als koppelingen tussen edge-computers en hun servers. Als gevolg hiervan kunnen meer gegevens dichter bij de randcomputer worden verwerkt. Belangrijke toepassingen van edge computing zijn te vinden in veel sectoren, waaronder financiën en gaming. Snelle gegevensverwerking is essentieel voor elke wagenparkbeheersoftware. In wagenparkbeheer is edge computing vanwege de lage latentie een geweldige manier om weggegevens te verzamelen en te verwerken. Dit voordeel van edge computing is te zien op platforms zoals Driveri die kunstmatige intelligentie gebruiken om rijvoorspellingen te doen.
Systemen die betrokken zijn bij het verzamelen van grote hoeveelheden gegevens over een lange afstand zijn gevoelig voor vertraging. Als uw pc bijvoorbeeld geen krachtige processor heeft, kan deze vastlopen tijdens het uploaden of downloaden van media. Aangezien bij edge computing minder tijd nodig is voor gegevens om de verwerkingsservers te bereiken, is dit ideaal voor autonome voertuigen. Er zijn miljoenen kilometers onderweg die leiden tot grote hoeveelheden gegevens die in realtime moeten worden verwerkt. Edge computing maakt het eenvoudiger om weggegevens te verzamelen die kunnen worden gebruikt om kunstmatig intelligente software te trainen. Bovendien maakt het het voor een autonoom voertuig gemakkelijker om met andere voertuigen te communiceren.
Traditionele cloud computing hanteert een meer gecentraliseerde aanpak door computers rechtstreeks met servers te verbinden. Aan de andere kant verbindt edge computing een enkele edge-computer met meerdere processors en apparaten, waardoor het moeilijk is om één enkel storingspunt te vinden. Het gedecentraliseerde karakter van edge computing maakt het moeilijker voor beveiligingsbedreigingen zoals Distributed Denial of Service (DDoS) om tot bloei te komen.
Het Driveri-systeem combineert kunstmatige intelligentie met edge computing en slimme videotechnologie om de bewaking, veiligheid en analyse van bestuurders te automatiseren. Netradyne past geavanceerde technologieën toe zoals deep learning, edge computing, computeranalyse en datawetenschap om het transportecosysteem te verbeteren. Met de steeds groeiende behoefte aan retentie van bestuurders en het vermijden van botsingen, wil Driveri de taak om chauffeurs veilig te houden, vereenvoudigen. Dit heeft als bonus dat ze gemotiveerd blijven en tegelijkertijd hun autonomie behouden in hun werk.
Driveri pakt zowel de menselijke als de technologische aspecten van de veiligheid van bestuurders aan door zich te richten op analyses, communicatie, connectiviteit en waarde. Het wordt geleverd in de vorm van een apparaat dat aan voertuigen kan worden bevestigd en kan worden verbonden met een applicatie op afstand. Dit apparaat houdt de transportcyclus van de bestuurder bij en zorgt ervoor dat chauffeurs veilig blijven en gevaarlijke situaties vermijden. Tot nu toe heeft Driveri vastgelegd en geanalyseerd meer dan 350 miljoen kilometer aan weggegevens dankzij de grote AI-visiesoftware en krachtige processors. Chauffeurs hebben niet alleen 1 miljoen unieke kilometers afgelegd met behulp van het Driveri-systeem, maar ze hebben deze kilometers ook verschillende keren afgelegd om meer informatie over de wegen en routes te verzamelen. In elke branche is het verzamelen en analyseren van gegevens cruciaal voor hoe snel technologische vooruitgang plaatsvindt. Dit geldt ook voor de transportsector. De geavanceerde op edge computing gebaseerde kaart- en analysetechnologie die Driveri gebruikt, is noodzakelijk voor de sector. Inzichten die door het systeem worden verzameld, kunnen worden gebruikt om weloverwogen beslissingen te nemen over gedragspatronen van bestuurders en om onbevooroordeelde conclusies te trekken wanneer zich ongelukken voordoen. Aangezien werkgevers jaarlijks bijna 60 miljard dollar uitgeven als gevolg van ongevallen, zijn veiligheidssystemen voor bestuurders, zoals Driveri, nu meer dan ooit nodig.
Zoals de Winnaar 2018 Driveri heeft de prijs voor „Beste AI-gebaseerde oplossing voor transport” van AI Breakthrough gewonnen en gaat veel verder dan de concurrentie. Driveri beschikt over een uitgebreid waarschuwings-, communicatie-, gegevensanalyse- en videoweergavesysteem met uitstekende connectiviteit. In combinatie met edge computing als basistechnologie biedt het verwerkingssnelheden die het eenvoudig maken om gegevens in realtime te verzamelen en te analyseren. Het bevat ook al deze technologieën zonder dat er nieuwe producten hoeven te worden geïntegreerd. Dit is perfect voor elke wagenparkbeheerder die installatiekosten wil besparen, chauffeurs wil opleiden om het systeem te gebruiken en externe verbindingen wil maken. Deze besparingen doen geen afbreuk aan de efficiëntie van het systeem of de kwaliteit van de gegevens die worden verzameld, ondanks dat de prestaties beter zijn dan die van de concurrenten. Na meerdere keren 1 miljoen unieke wegkilometers te hebben geanalyseerd, blijft de kunstmatige intelligentietechnologie van Driveri het wegpatroon in kaart brengen en tegelijkertijd meer gegevens verzamelen die gericht zijn op het verbeteren van de veiligheid van uw chauffeurs en, bij uitbreiding, uw wagenpark. Edge computing maakt dit echter mogelijk, aangezien trage gegevensverwerking feedback op kunstmatige intelligentie vervelend zou maken. Bedrijven zullen hun netwerken blijven optimaliseren om de hoeveelheid gegevens die tijdens een enkele transmissie kan worden verwerkt, te schalen. Dit betekent dat het eenvoudiger wordt om complexe taken uit te voeren, zoals aan boord rijcoaching, zelfdiagnose van voertuigen, het in kaart brengen en vastleggen van gegevens en communicatie. In de steeds veranderende transportsector is het aan wagenparkbeheerders om hun technologie te diversifiëren en te optimaliseren voor kostenbesparingen, efficiëntie en veiligheid. Het Amerikaanse ministerie van Arbeid, Occupational Safety and Health Administration (OSHA) eist dit en uw klanten hebben het nodig om het vertrouwen in uw dienstverlening te behouden.
* Individuele resultaten en omstandigheden kunnen variëren.
** Gebaseerd op klantgegevens.
† Netradyne moet schriftelijke toestemming krijgen om klantgegevens te delen.
Afbeeldingen dienen alleen ter illustratie en zijn mogelijk geen exacte weergave van een product.
