Guía de diseño de operaciones de vehículos autónomos (AVOps)

En este artículo se proporciona información general sobre las fases, la arquitectura y los desafíos implicados en la creación de un back-end para habilitar una solución de vehículos autónomos a escala. A fin de obtener más información sobre las recomendaciones tecnológicas y las soluciones de partners y código abierto para áreas específicas, como la simulación y los modelos de datos, vea la idea de solución de operaciones de vehículos automatizados.

Normalmente, las operaciones de vehículos autónomos (AVOps) requieren una cantidad considerable de almacenamiento y proceso para:

• Capturar y procesar datos y escenas de vehículos de prueba, como material de aprendizaje para los modelos de percepción que los vehículos necesitan para conducir de forma autónoma.
• Entrenar modelos de percepción para reconocer un entorno, como la funcionalidad base para conducir de forma autónoma.
• Realizar una validación de seguridad basada en simulaciones de bucle abierto y bucle cerrado.

Fases clave

El desarrollo de una solución de conducción autónoma (AD) normalmente implica tres fases clave:

• Ingesta y mantenimiento de datos. Recopilación y refinamiento de conjuntos de datos cuidadosamente elegidos para el desarrollo avanzado del sistema de asistencia para conductores / vehículos autónomos (ADAS/AV).
• Probar, entrenar y simular de forma iterativa. Simulación y entrenamiento de modelos ADAS/AV en numerosos escenarios reales.
• Compilar y validar. Verificación y validación de software en vehículos conectados.

Las AVOps implementan un ciclo de vida de desarrollo de conducción autónoma:

Elementos de la arquitectura

La arquitectura de las AVOps consta de los siguientes cuatro elementos principales. En el siguiente artículo de esta serie se describen estos elementos con más detalle.

• DataOps. Ingiere datos de medición (vídeos, imágenes, lídar y radar), mantiene y extrae datos, y etiqueta datos.
• MLOps. Entrenar algoritmos, como modelos de percepción y modelos posteriores a la percepción.
• ValOps. Valida las funciones de conducción autónoma basadas en modelos entrenados y datos reales sin procesar.
• Funciones centralizadas de las AVOps. Proporcionar funcionalidades generales, como la búsqueda de metadatos, el catálogo de datos, la orquestación general, la gobernanza de la plataforma y las plantillas de infraestructura estandarizadas.

Desafíos

• Recopilación de datos. Recopilar y analizar grandes cantidades de datos para identificar patrones y mejorar el rendimiento del vehículo con el paso del tiempo. La mayoría de los costos de desarrollo de vehículos autónomos se invierten en la administración de datos y las pruebas.
• la administración de datos; Controlar las grandes cantidades de datos generados por los sensores y sistemas del vehículo, y determinar qué datos son útiles.
• Cobertura de escenarios. Asegurarse de que el OEM ha probado el vehículo en una serie de escenarios, incluyendo diferentes condiciones meteorológicas, de iluminación y de carreteras.
• Complejidad. Administrar el amplio y diverso conjunto de algoritmos y sistemas necesarios para el funcionamiento autónomo.
• Comprobación y validación. Probar exhaustivamente el software para asegurarse de que se comporta según lo previsto en una variedad de escenarios y entornos.
• Disponibilidad de datos. Uso compartido de datos. Los equipos dispersos globalmente y terceros hacen que el uso compartido sea un desafío.

Las AVOps permiten a las organizaciones aprovechar la escalabilidad, la flexibilidad y la rentabilidad de la infraestructura basada en la nube y reduce el tiempo de comercialización de los vehículos automatizados.

Colaboradores

Microsoft mantiene este artículo. Originalmente lo escribieron los siguientes colaboradores.

Creadores de entidad de seguridad:

• Ryan Matsumura | Jefe de programas
• Jochen Schroeer | Arquitecto principal (Movilidad de línea de servicio)

Otros colaboradores:

• Mick Alberts | Escritor técnico
• David Peterson | Arquitecto jefe
• Gabriel Sallah HPC/AI Global Black Belt Specialist

Para ver los perfiles no públicos de LinkedIn, inicie sesión en LinkedIn.

Pasos siguientes

A fin de obtener más información sobre las recomendaciones tecnológicas y las soluciones de partners y código abierto para áreas específicas, como la simulación y los modelos de datos, vea la idea de solución:

Idea de solución para la solución de AVOps

Puede que le resulten de utilidad los siguientes recursos:

• Plataforma de operaciones de datos a gran escala para vehículos autónomos
• ¿Qué es Azure Machine Learning?

Recursos relacionados

• Bloques de creación para entornos de simulación de conducción autónoma
• Procesamiento de datos del vehículo en tiempo real mediante IoT