Designguide för autonomt fordon (AVOps)
Den här artikeln innehåller en översikt över stegen, arkitekturen och utmaningarna med att skapa en serverdel för att möjliggöra en autonom fordonslösning i stor skala. Mer information om informationen här, teknikrekommendationer och partnerlösningar och lösningar med öppen källkod för specifika områden som simulering och datamodeller finns i lösningen Automatiserad fordonsdrift.
Autonom fordonsdrift (AVOps) kräver vanligtvis en betydande mängd lagring och beräkning för att:
- Samla in och bearbeta data och scener från testfordon, som inlärningsmaterial för de uppfattningsmodeller som fordon behöver köra autonomt.
- Träna perceptionsmodeller för att känna igen en miljö, som basfunktioner för att köra autonomt.
- Utför säkerhetsvalidering baserat på simuleringar med öppen loop och sluten loop.
Viktiga steg
Utvecklingen av en lösning för autonom körning (AD) omfattar vanligtvis tre viktiga steg:
- Mata in och kurera data. Insamling och förfining av noggrant utvalda datamängder för avancerad utveckling av förarhjälpssystem/autonomt fordon (ADAS/AV).
- Iterativt testa, träna och simulera. Simulering och träning av ADAS/AV-modeller i flera scenarier med grundsanningar.
- Skapa och verifiera. Verifiering och validering av programvara i fordon med anslutna fordon.
AVOps implementerar en livscykel för självkörande utveckling:
Element i arkitekturen
AVOps-arkitekturen består av följande fyra huvudelement. I nästa artikel i den här serien beskrivs dessa element mer detaljerat.
- DataOps. Mata in mätdata (videor, bilder, lidar och radar), kurera och extrahera data samt märka data.
- MLOps. Träna algoritmer, till exempel perceptionsmodeller och modeller efter uppfattning.
- ValOps. Validera autonoma körfunktioner baserat på tränade modeller och rådata om markens sanning.
- CENTRALiserade AVOps-funktioner. Tillhandahålla övergripande funktioner som metadatasökning, datakatalog, övergripande orkestrering, plattformsstyrning och standardiserade infrastrukturmallar.
Utmaningar
- Datainsamling. Samla in och analysera stora mängder data för att identifiera mönster och förbättra fordonets prestanda över tid. De flesta kostnaderna för utveckling av självkörande fordon används till datahantering och testning.
- Datahantering. Hantera de stora mängder data som genereras av fordonssensorer och system och avgöra vilka data som är användbara.
- Scenariotäckning. Se till att OEM-tillverkaren har testat fordonet i en rad olika scenarier, inklusive olika väder, belysning och vägförhållanden.
- Komplexitet. Hantera den stora och varierande uppsättningen algoritmer och system som krävs för autonom drift.
- Verifiering och validering. Testa programvaran noggrant för att säkerställa att den fungerar som förväntat i en rad olika scenarier och miljöer.
- Datatillgänglighet. Dela data. Globalt spridda team och tredje parter gör delning till en utmaning.
MED AVOps kan organisationer dra nytta av skalbarhet, flexibilitet och kostnadseffektivitet för molnbaserad infrastruktur och minskar tiden till marknaden för automatiserade fordon.
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudsakliga författare:
- Ryan Matsumura | Senior Program Manager
- Jochen Schroeer | Leadarkitekt (Service Line Mobility)
Övriga medarbetare:
- Mick Alberts | Teknisk författare
- David Peterson | Chefsarkitekt
- Gabriel Sallah | HPC/AI Global Black Belt Specialist
Om du vill se linkedin-profiler som inte är offentliga loggar du in på LinkedIn.
Nästa steg
Mer information om informationen här, teknikrekommendationer och partnerlösningar och lösningar med öppen källkod för specifika områden som simulering och datamodeller finns i lösningsidén:
Följande resurser kan också vara användbara:
Relaterade resurser
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för