Gần đây tôi đã đọc thông tin của Amazon về Nền tảng AWS IoT và tình cờ thấy một trường hợp sử dụng ví dụ thú vị:

Mặc dù họ không mô tả chính xác dữ liệu điều kiện đường được cảm nhận như thế nào, nhưng nếu cảm biến có thể phát hiện đường ướt, tại sao Amazon lại đề xuất gửi dữ liệu lên đám mây? Sẽ không đơn giản hơn nếu chỉ trực tiếp xử lý dữ liệu cảm biến trên xe và cảnh báo người lái, thay vì cảm nhận, gửi dữ liệu lên đám mây, chờ xử lý, nhận dữ liệu và sau đó cảnh báo cho người lái xe? Tôi thực sự không thể thấy nhiều lợi thế ngoài dữ liệu phân tích có thể bạn sẽ đạt được.

Trường hợp sử dụng ví dụ của Amazon chỉ có lợi khi bạn muốn có được dữ liệu phân tích hay còn có lý do nào khác mà họ đề xuất sử dụng đám mây không?

^{Tôi nghi ngờ một trong những lý do đơn giản là khiến mọi người sử dụng dịch vụ mà họ đang cố gắng bán, nhưng tôi quan tâm đến lý do kỹ thuật , nếu có.}

Có nhiều yếu tố trong việc lựa chọn xử lý dữ liệu trên thiết bị hay trên đám mây.

Lợi ích của việc xử lý trong đám mây

1. Nếu thuật toán sử dụng dấu phẩy động hoặc chạy trên GPU, có thể không thể chạy trên bộ xử lý nhúng trong cảm biến.

2. Ngay cả khi nó không, nếu thuật toán được phát triển bằng ngôn ngữ cấp cao, nó có thể quá đắt (trong thời gian dành cho nhà phát triển) để chuyển nó chạy trên cảm biến.

3. Giảm tải tính toán từ cảm biến có thể làm tăng tuổi thọ pin của nó (tùy thuộc vào mức độ ảnh hưởng của việc sử dụng mạng / radio).

4. Chạy thuật toán trong đám mây cho phép nó kết hợp dữ liệu từ nhiều cảm biến và đưa ra quyết định cấp hệ thống. Trong ví dụ này, điều đó có thể có nghĩa là lọc qua các cảm biến của những chiếc xe khác nhau, do đó việc rửa một chiếc xe không gây ra cảnh báo mưa trên mỗi chiếc xe.

5. Xử lý trong đám mây cho phép phân phối thông tin đến nhiều nơi mà không cần phải có mạng lưới, đây là một kiến ​​trúc phức tạp.

6. Bạn có thể đăng nhập nhiều dữ liệu hơn, cho phép phân tích, kiểm toán và phát triển các thuật toán tốt hơn.

Lợi ích của việc chế biến trên tàu

1. Nếu dữ liệu cảm biến thô có băng thông cao, nó có thể sử dụng ít pin hơn để tóm tắt dữ liệu và gửi tóm tắt (tùy thuộc vào việc xử lý nào là cần thiết để tóm tắt dữ liệu đó). Điều này có thể có nghĩa là thay vì gửi độ ẩm 8 bit đọc 100 lần một giây, bạn lọc nó và gửi cờ ướt / khô 1 bit cứ sau 10 giây.

2. Bạn có thể đi xa hơn và chỉ đánh thức mạng khi cảm biến có thứ gì đó thú vị để báo cáo (ví dụ: thay đổi trạng thái ướt / khô)

3. Giảm băng thông mạng ở đầu cảm biến cũng làm giảm băng thông ở đầu máy chủ, do đó bạn có thể mở rộng dịch vụ cho nhiều người dùng hơn (nhiều cảm biến hơn) rất rẻ.

4. Có thể chạy dịch vụ với chức năng tương tự hoặc giảm ngay cả khi mạng không khả dụng. Trong ví dụ này, chiếc xe của bạn có thể cảnh báo bạn về những con đường trơn trượt mà nó nhìn thấy, nhưng không đưa ra cảnh báo trước từ những chiếc xe khác.

Nhìn chung

Thông thường, một số kết hợp của hai là tối ưu. Bạn có thể xử lý nhiều nhất có thể để thực hiện trên thiết bị, để giảm nhu cầu mạng càng nhiều càng tốt, sau đó chạy các thuật toán phức tạp hơn trong đám mây có thể kết hợp nhiều đầu vào hoặc sử dụng nhiều năng lượng tính toán hơn.

Bạn có thể bắt đầu chạy tất cả quá trình xử lý của mình trên đám mây (vì nó được tạo nguyên mẫu trong Matlab hoặc Python) và các bộ phận chuyển dần sang Rust để kích hoạt chức năng ngoại tuyến, khi bạn có thời gian dành cho nhà phát triển dành cho nó.

Bạn có thể xử lý dữ liệu nhiều trên thiết bị trong sử dụng bình thường nhưng đôi khi cũng lấy mẫu và ghi nhật ký dữ liệu thô để bạn có thể tải dữ liệu lên đám mây sau (khi mạng khả dụng hơn) cho các phân tích của bạn.

Điều có thể không rõ ràng từ đồ họa là giá trị gia tăng được đề xuất dường như đang truyền thông tin từ bộ xe này sang bộ khác. Thông tin cảm biến từ ô tô tại một địa điểm có thể được xử lý (loại bỏ tiếng ồn, nhận dạng mẫu) và được truyền cho các phương tiện khác được dự đoán sẽ gặp các điều kiện này trong tương lai gần.

Có thể bạn có thể truyền thông tin ngang hàng trong các khu vực bận rộn, nhưng bạn mất khả năng trích xuất dữ liệu độ tin cậy từ dự đoán cảm biến và dễ dàng kết hợp nhiều nguồn dữ liệu

Về giá trị của dữ liệu cảm biến, tôi nghĩ rằng phương tiện tự lái sẽ có lợi nhất, bằng cách điều chỉnh lề an toàn và dừng khoảng cách trước (ví dụ) một khúc cua có nhiều nước hơn sau một thời gian mưa đã qua.

Có vẻ khả thi khi một mô hình có thể được đào tạo về dữ liệu cảm biến có nguồn gốc từ xe hơi, sau đó chạy theo cách dự đoán dựa trên nguồn cấp dữ liệu thời tiết theo thời gian thực.