Руководство по проектированию автономных транспортных средств (AVOps)
В этой статье представлен обзор этапов, архитектуры и проблем, связанных с созданием внутреннего сервера для обеспечения масштабируемого решения автономного транспортного средства. Дополнительные сведения см. в этой статье, рекомендации по технологиям и решения для партнеров и с открытым кодом для конкретных областей, таких как моделирование и модели данных, см . в этой статье.
Для операций автономного транспортного средства (AVOps) обычно требуется значительное количество хранилищ и вычислений:
- Захват и обработка данных и сцен из тестовых транспортных средств, как учебный материал для моделей восприятия, которые автомобили должны работать автономно.
- Обучение моделей восприятия для распознавания среды в качестве базовой функциональности для автономного управления.
- Выполните проверку безопасности на основе моделирования открытых и закрытых циклов.
Ключевые этапы
Разработка решения автономного вождения (AD) обычно включает три ключевых этапа:
- Прием и получение данных. Сбор и уточнение тщательно выбранных наборов данных для разработки расширенной системы помощи водителям / автономному транспортному средству (ADAS/AV).
- Итеративно тестировать, обучать и имитировать. Моделирование и обучение моделей ADAS/AV в различных сценариях правды на земле.
- Сборка и проверка. Проверка и проверка программного обеспечения в автомобиле с подключенными автомобилями.
AVOps реализует автономный жизненный цикл разработки для вождения:
Элементы архитектуры
Архитектура AVOps состоит из следующих четырех основных элементов. В следующей статье этой серии подробно описаны эти элементы.
- DataOps. Прием данных измерения (видео, изображений, лидаров и радаров), курирование и извлечение данных, а также данные меток.
- MLOps. Обучение алгоритмов, таких как модели восприятия и модели после восприятия.
- ValOps. Проверьте автономные функции вождения на основе обученных моделей и необработанных данных истины.
- Централизованные функции AVOps. Предоставьте многофункциональные функции, такие как поиск метаданных, каталог данных, общая оркестрация, управление платформами и стандартизированные шаблоны инфраструктуры.
Сложности
- Сбор данных. Сбор и анализ больших объемов данных для выявления шаблонов и повышения производительности транспортного средства с течением времени. Большая часть расходов на разработку автономных транспортных средств тратится на управление данными и тестирование.
- Управление данными. Обработка больших объемов данных, создаваемых датчиками и системами транспортных средств, и определение полезных данных.
- Покрытие сценариев. Обеспечение того, чтобы OEM тестировал автомобиль в различных сценариях, включая различные погодные условия, освещение и дорожные условия.
- Сложность. Управление большим и разнообразным набором алгоритмов и систем, необходимых для автономной работы.
- Проверка и проверка. Тщательное тестирование программного обеспечения, чтобы гарантировать, что он ведет себя должным образом в различных сценариях и средах.
- Доступность данных. Общий доступ к данным. Глобально распределенные команды и третьи стороны делают общий доступ к проблеме.
AVOps позволяет организациям воспользоваться преимуществами масштабируемости, гибкости и экономичности облачной инфраструктуры и сократить время на рынок автоматизированных транспортных средств.
Соавторы
Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участник.
Основные авторы:
- Райан Матсумура | Старший менеджер по программам
- Джохен Шройер | Ведущий архитектор (Service Line Mobility)
Другие участник:
- Мик Альбертс | Технический писатель
- Дэвид Питерсон | Главный архитектор
- Габриэль Салла | Специалист по глобальному черному поясу HPC/AI
Чтобы просмотреть неопубликованные профили LinkedIn, войдите в LinkedIn.
Следующие шаги
Дополнительные сведения см. в этой статье: рекомендации по технологиям и решения с открытым кодом для конкретных областей, таких как моделирование и модели данных, см. в этой статье:
Могут также быть полезными следующие ресурсы.
- Платформа крупномасштабных операций с данными для автономных транспортных средств
- Что такое Машинное обучение Azure?
Связанные ресурсы
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по