Ontwerphandleiding voor autonome voertuigbewerkingen (AVOps)
Dit artikel bevat een overzicht van de fasen, architectuur en uitdagingen met betrekking tot het maken van een back-end om een autonome voertuigoplossing op schaal mogelijk te maken. Voor meer informatie over de informatie hier, technologieaanbevelingen en partner- en opensource-oplossingen voor specifieke gebieden, zoals simulatie- en gegevensmodellen, raadpleegt u het idee van de oplossing Geautomatiseerde voertuigbewerkingen.
Autonome voertuigbewerkingen (AVOps) vereisen doorgaans een aanzienlijke hoeveelheid opslag en rekenkracht voor:
- Leg gegevens en scènes van testvoertuigen vast en verwerkt ze als leermateriaal voor de perceptiemodellen die voertuigen autonoom moeten rijden.
- Train perception-modellen om een omgeving te herkennen, als basisfunctionaliteit voor autonoom rijden.
- Veiligheidsvalidatie uitvoeren op basis van open-loop- en closed-loopsimulaties.
Belangrijke fasen
De ontwikkeling van een oplossing voor autonoom rijden (AD) omvat doorgaans drie belangrijke fasen:
- Gegevens opnemen en cureren. Verzameling en verfijning van zorgvuldig gekozen gegevenssets voor geavanceerde systeem voor rijhulp / autonome voertuigen (ADAS/AV) ontwikkeling.
- Iteratief testen, trainen en simuleren. Simulatie en training van ADAS/AV-modellen in talloze grondwaarscenario's.
- Bouwen en valideren. Softwarecontrole en validatie in voertuig met verbonden voertuigen.
AVOps implementeert een autonome ontwikkelingslevenscyclus voor autonoom rijden:
Elementen van de architectuur
De AVOps-architectuur bestaat uit de volgende vier hoofdelementen. In het volgende artikel in deze reeks worden deze elementen gedetailleerder beschreven.
- DataOps. Meetgegevens opnemen (video's, afbeeldingen, lidar en radar), gegevens cureren en extraheren en labelgegevens.
- MLOps. Train algoritmen, zoals perceptiemodellen en post-perception-modellen.
- ValOps. Valideer autonome rijfuncties op basis van getrainde modellen en onbewerkte grondwaargegevens.
- Gecentraliseerde AVOps-functies. Bieden overkoepelende functies zoals zoeken naar metagegevens, gegevenscatalogus, algemene indeling, platformbeheer en gestandaardiseerde infrastructuursjablonen.
Uitdagingen
- Gegevensverzameling. Het verzamelen en analyseren van grote hoeveelheden gegevens om patronen te identificeren en de prestaties van het voertuig na verloop van tijd te verbeteren. De meeste kosten voor autonome voertuigontwikkeling worden besteed aan gegevensbeheer en testen.
- Gegevensbeheer. Omgaan met de grote hoeveelheden gegevens die worden gegenereerd door voertuigsensoren en -systemen en bepalen welke gegevens nuttig zijn.
- Scenariodekking. Ervoor zorgen dat de OEM het voertuig in verschillende scenario's heeft getest, waaronder verschillende weers-, verlichtings- en wegomstandigheden.
- Complexiteit. Het beheren van de grote en diverse set algoritmen en systemen die nodig zijn voor autonome werking.
- Verificatie en validatie. Test de software grondig om ervoor te zorgen dat deze zich gedraagt zoals verwacht in een reeks scenario's en omgevingen.
- Beschikbaarheid van gegevens. Gegevens delen. Wereldwijd verspreide teams en derden maken het delen van een uitdaging.
MET AVOps kunnen organisaties profiteren van de schaalbaarheid, flexibiliteit en kosteneffectiviteit van cloudinfrastructuur en verkorten de markt voor geautomatiseerde voertuigen.
Bijdragers
Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.
Belangrijkste auteurs:
- Ryan Matsumura | Senior Program Manager
- Jochen Schroeer | Lead Architect (Service Line Mobility)
Andere Inzenders:
- Mick Alberts | Technische schrijver
- David Peterson | Hoofdarchitect
- Gabriel Sallah | HPC/AI Global Black Belt Specialist
Als u niet-openbare LinkedIn-profielen wilt zien, meldt u zich aan bij LinkedIn.
Volgende stappen
Zie het oplossingsidee voor meer informatie over de informatie hier, technologieaanbeveling en partner- en opensource-oplossingen voor specifieke gebieden zoals simulatie en gegevensmodellen:
Mogelijk vindt u de volgende resources ook nuttig:
Verwante resources
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor