Autonomní vozidla generují obrovské množství video dat a výzvou už není pouze jejich sběr, ale také efektivní uložení, přenášení a zpracování. Flotila 150 vozidel, z nichž každé vyprodukuje přibližně 1 TB dat denně, vygeneruje denně zhruba 150 TB, což odpovídá přibližně 55 petabytům ročně. U rozsáhlejších programů autonomního řízení tak mohou datové sady dosahovat stovek petabytů, což vytváří značné náklady na úložiště, sítě a výpočetní výkon.

Komprese videa nabízí zřejmý způsob, jak tuto zátěž snížit, avšak autonomní řízení naráží na specifický problém: zmenšení velikosti souboru nesmí jít na úkor informací, které modely strojového učení potřebují. Nastavení komprese, které funguje dobře pro poměrně jednoduché záběry z dálnice, může být méně vhodné pro rušnou městskou křižovatku, kde systém musí zachovat detaily, jako jsou vzdálené dopravní značky, chodci a ostatní vozidla.

Právě zde se technologie adaptivního datového toku podle obsahu (Content-Adaptive Bitrate) stává zajímavou. Namísto použití stejných parametrů komprese na každý snímek analyzuje přístup společnosti Beamr složitost jednotlivých snímků a podle toho upravuje datový tok (bitrate). Cílem je komprimovat poměrně jednoduché snímky agresivněji, zatímco vizuální informace důležité pro úkoly strojového učení zůstanou zachovány.

Důležitou součástí není pouze procentuální snížení velikosti souboru, ale to, zda komprimovaná data zůstanou užitečná pro vývoj AI. Podle společnosti Beamr dosáhly validační testy a projekty ověření koncepce využívající reálné záběry z autonomních vozidel zlepšení komprese o 23–50 % ve srovnání se stávajícími pracovními postupy. V kombinaci s kodeky, jako jsou HEVC nebo AV1, společnost uvádí celkové zlepšení až o 40–50 % při zachování kvalitativních metrik a bez pozorovatelného zhoršení testovaných modelů strojového učení. Jedná se o výsledky uváděné výrobcem, nikoli o nezávislý srovnávací test (benchmark), takže další validace bude klíčová.

To ukazuje na stále důležitější součást autonomní mobility, kterou lze snadno přehlédnout. Výkon programu autonomního řízení nezávisí pouze na senzorech, modelech AI a výpočetním hardwaru, ale také na infrastruktuře používané ke správě dat vygenerovaných během vývoje. Pokud objemy dat i nadále porostou, efektivní ukládání a zpracování by se mohlo stát významným faktorem určujícím, jak rychle dokážou vývojáři své systémy trénovat, validovat a zlepšovat.

Budoucnost autonomního řízení tak bude částečně záviset na tom, jak smysluplně naložit s obrovskými datovými sadami — a to bez ztráty detailů, které činí tyto datové sady cennými.

Více informací o tématu najdete zde.

Celý článek najdete zde. 

JAMES, Anthony. Video data compression: Beamr’s content-adaptive bitrate technology explained [online]. ADAS & Autonomous Vehicle International, 29. listopadu 2025 [cit. 2026-08-26]. Dostupné z: https://www.autonomousvehicleinternational.com/features/video-data-compression-beamrs-content-adaptive-bitrate-technology-explained.html

Obrázek: chat gpt