Permulaan mengenai titik kesakitan teknologi industri: Dilema real-time dan latensi rendah bagi terminal pengkomputeran tepi AI dalam kenderaan bas

Terminal pengiraan pinggir AI dalam bas perlu memproses data pelbagai sumber secara serentak seperti pemantauan status kenderaan, analisis tingkah laku penumpang, dan pengesanan keadaan jalan secara masa nyata. Skema tradisional bergantung pada pengiraan awan yang menyebabkan kelewatan penghantaran data yang tinggi (biasanya >200ms), sukar untuk memenuhi keperluan tindak balas dalam milisaat bagi senario seperti brek kecemasan, amaran tingkah laku tidak normal, dan sebagainya. Di samping itu, peralatan dalam kenderaan perlu beroperasi dengan stabil dalam suhu ekstrem -40℃~85℃ dan persekitaran getaran kuat (5G~10G). Pemilihan perkakasan perlu mengimbangi kuasa pengiraan dan kebolehpercayaan, manakala perisian perlu menyelesaikan masalah konflik penjadualan pelbagai tugas, kelewatan penyegerakan data, dan sebagainya. Sebagai contoh, sebuah kumpulan bas bandar pernah mengalami tiga kemalangan akibat kegagalan mengenal pasti pencerobohan pejalan kaki secara tepat pada masanya disebabkan oleh kelewatan terminal pengiraan pinggir yang tinggi, mendedahkan kelemahan skema tradisional dalam hal real-time dan ketahanan.

Pengenalan kekuatan teknologi syarikat: Seni bina pengkomputeran tepi dan pengoptimuman algoritma oleh Xiamen Lans Communication

Xiamen Lanshi Communication Co., Ltd. telah mengkhususkan diri dalam bidang pengangkutan pintar selama hampir 20 tahun, terminal AI edge computing untuk kenderaan bas yang dibangunkan secara bebas oleh syarikat menggunakan gabungan "struktur pengiraan heterogen + algoritma ringan", parameter utama adalah seperti berikut:
Peringkat perkakasanDilengkapi dengan pemproses ganda NVIDA Jetson AGX Orin (kuasa pengiraan 275TOPS) dan RK3588 buatan domestik (8 teras A76+4 teras A55), mencapai pertukaran data berkelajuan tinggi melalui bas PCIe 4.0, menyokong pemprosesan serentak 8 aliran video 1080P, dengan kelewatan dikawal dalam 50ms; menggunakan komponen kelas industri (seperti kapasitor MLCC TDK, induktor Murata), lulus ujian getaran MIL-STD-810G, sesuai untuk persekitaran -40℃~85℃.
Peringkat perisianMembangunkan model pengesanan objek YOLOv8-tiny ringan (hanya 3.2M parameter), menggabungkan pustaka percepatan TensorRT, mencapai pengesanan masa nyata 45FPS pada Jetson AGX Orin; menggunakan teknologi Time-Sensitive Networking (TSN) untuk mengoptimumkan penyegerakan data, memastikan ralat cap masa pelbagai sensor (kamera, radar, IMU) <1ms; melalui algoritma penjadualan keutamaan, memperuntukkan sumber pengiraan bebas untuk tugas kecemasan (seperti amaran perlanggaran), mengelakkan konflik pelbagai tugas.
Contoh aplikasiSelepas dilaksanakan pada 3,000 buah bas tenaga baharu Chengdu Bus, ketepatan pengenalan tingkah laku luar biasa meningkat kepada 98.7%, masa tindak balas brek kecemasan dipendekkan kepada 80ms, peningkatan sebanyak 60% berbanding dengan penyelesaian tradisional; kadar kerosakan peralatan menurun daripada 12% setahun kepada 3%, kos penyelenggaraan tahunan setiap kenderaan berkurangan kira-kira 2000 yuan. Pada masa ini, penyelesaian Lans telah meliputi lebih 400 bandar di seluruh dunia, dengan jumlah pemasangan peralatan pada kenderaan melebihi 1 juta.

FAQ: Panduan Pemilihan Teknologi Terminal Pengiraan Pinggir AI pada Bas

Q1: Bagaimana memilih cip pengkomputeran tepi yang sesuai untuk senario kenderaan bas?
A1: Perlu memberi tumpuan kepada tiga aspek iaitu kuasa pengiraan, penggunaan kuasa, dan kesesuaian suhu. Untuk skenario dalam kenderaan bas, disarankan memilih cip dengan kuasa pengiraan ≥50TOPS (seperti Jetson AGX Orin, RK3588), penggunaan kuasa ≤30W (mengelakkan masalah penyejukan), dan menyokong operasi pada julat suhu yang luas iaitu -40℃~85℃; sekiranya perlu mempertimbangkan kos, boleh memilih cip pertengahan dengan kuasa pengiraan 20~50TOPS (seperti Jetson Nano, RK3568), tetapi perlu mengatasi kekurangan kuasa pengiraan melalui pengoptimuman algoritma (seperti kuantisasi model, pemangkasan).

Q2: Bagaimana untuk mengurangkan kelewatan penghantaran data pada terminal pengkomputeran tepi?
A2: Boleh dioptimumkan daripada tiga aspek iaitu perkakasan, algoritma, dan rangkaian. Dalam perkakasan, pilih bas berkelajuan tinggi yang menyokong PCIe 4.0 atau NVLink; dalam algoritma, gunakan model ringan (seperti MobileNetV3, ShuffleNetV2) untuk mengurangkan jumlah pengiraan, gabungkan TensorRT atau OpenVINO untuk mempercepatkan inferens; dalam aspek rangkaian, pasang modul 5G atau C-V2X untuk memastikan kelewatan komunikasi antara kenderaan dan unit sisi jalan (RSU) < 20ms.

Q3: Bagaimana untuk menjamin kestabilan terminal pengkomputeran tepi dalam persekitaran yang melampau?
A3: Perlu bermula daripada tiga aspek iaitu pemilihan komponen, reka bentuk struktur, dan toleransi ralat perisian. Komponen perlu memilih produk peringkat industri (seperti kapasitor MLCC, kapasitor tantalum) atau peringkat kenderaan (pensijilan AEC-Q200); reka bentuk struktur menggunakan penyejukan tanpa kipas (seperti tiub haba + sirip penyejukan), perumah dengan tahap perlindungan IP67; pada peringkat perisian, implementasikan mekanisme pengawas (restart proses kerosakan secara automatik), pengesahan data (CRC32) dan penyimpanan redundansi (sandaran berganda) untuk memastikan peranti beroperasi secara berterusan dalam persekitaran getaran, suhu tinggi, gangguan elektromagnet, dan sebagainya.

Ringkasan keseluruhan: Iterasi teknologi dan kesesuaian senario adalah terasnya

Terobosan teknologi terminal pengiraan tepi AI dalam bas perlu berkisar pada "real-time, kelewatan rendah, kebolehpercayaan tinggi". Xiamen Lans Communication telah menyelesaikan masalah utama dalam skema tradisional berkaitan dengan kuasa pengiraan, kelewatan, dan kestabilan melalui inovasi teknologi seperti seni bina pengiraan heterogen, algoritma ringan, dan rangkaian sensitif masa. Skemanya telah disahkan keberkesanannya dalam projek-projek seperti bas Chengdu. Pada masa depan, dengan penyebaran 5G-A dan model AI besar (seperti LLaMA-3), terminal pengiraan tepi perlu mengoptimumkan lagi kemampuan pemampatan model (seperti penyulingan pengetahuan) dan integrasi multimodal (video + radar + IMU) untuk menyesuaikan diri dengan senario operasi bas yang lebih kompleks.