Partager via


Architecture de référence pour les opérations de véhicules autonomes (AVOps)

Microsoft prend en charge le marché des systèmes autonomes et avancés d’aide à la conduite(ADAS) via Azure Cloud Services, ses services de périphérie et ses technologies d’intelligence artificielle (IA). Azure fournit une infrastructure évolutive, sécurisée et fiable pour le stockage, le traitement et l’analyse de vastes quantités de données générées par les véhicules autonomes. Les services Azure facilitent les opérations de véhicules autonomes (AVOps) en fournissant des fonctionnalités pour ingérer, traiter et gérer des exaoctets de données. Les fonctionnalités de Microsoft AI sont utilisées pour développer des modèles Machine Learning pour les systèmes de conduite autonomes. Les solutions Microsoft aident les entreprises du secteur de l’automobile à accélérer le développement et le déploiement de technologies autonomes et ADAS.

Un flux industriel classique pour le cycle de vie du développement de véhicules autonomes, où sont mises en évidence trois étapes clés, se présente comme suit :

  1. Ingestion et organisation des données : collecte et ajustement d’ensembles de données soigneusement choisis pour le développement de systèmes avancés d’aide à la conduite/de véhicules autonomes (ADAS/AV).
  2. Test, entraînement et simulation : simulation et entraînement des modèles ADAS/AV dans de nombreux scénarios réels.
  3. Création et validation : vérification et validation des logiciels embarqués avec les véhicules connectés.

Schéma de l’architecture illustrant le cycle de vie ADAS/AV

Défis actuels

Les entreprises du secteur de la mobilité sont confrontées à un certain nombre de défis cruciaux lorsqu’elles évoluent dans le paysage complexe des fonctionnalités autonomes et des fabricants d’équipements d’origine (OEM) pour les véhicules :

  • Difficultés de la gestion des données
  • Intégration fluide du matériel et des logiciels
  • Précision des simulations
  • Conformité réglementaire
  • Préoccupations pour la cybersécurité
  • Optimisation des algorithmes
  • Infrastructure de sécurité
  • Orchestration de la collaboration au sein de l’écosystème diversifié des véhicules autonomes

Notre objectif consiste à relever les défis liés à la création d’un back-end pour permettre une solution de véhicule autonome à grande échelle grâce à une architecture de référence appelée opérations de véhicule autonome (AVOps). AVOps est une architecture de référence de bout en bout qui répond aux principaux défis tout en offrant la flexibilité de travailler avec divers partenaires ou solutions personnalisées internes.

Avantages d’AVOps

Microsoft AVOps prend en charge la conduite autonome en mettant fortement l’accent sur l’accélération de l’efficacité et l’amélioration de la vérification et de la validation de la sécurité, tout en intégrant plusieurs processus et environnements de développement dans une seule plateforme unifiée. AVOps, lorsqu’il est combiné avec des solutions partenaires critiques, facilite l’accélération des charges de travail de conduite autonome et des capacités de calcul vers le cloud, permettant ainsi d’économiser du temps et des coûts tout en réduisant la complexité du processus.

AVOps accélère le développement de véhicules autonomes en gérant les domaines clés suivants :

  • Rationaliser le développement de l’ingénierie dans un référentiel, un lac de données et un flux de travail uniques.
  • Créer et tester automatiquement les validations pour une détection plus rapide des bogues
  • Accélérer l’innovation par le biais de code, de données, de modèles et de pipelines de formation partagés
  • Automatiser l’ensemble du processus, de la validation du code à la production
  • Surveiller les pipelines, l’infrastructure et les produits en production pour détecter les anomalies
  • Répliquer des modèles de véhicules exacts dans le cloud pour accélérer le délai de commercialisation

Architecture de référence AVOps

AVOps implémente un cycle de vie de développement de la conduite autonome cohérent avec un flux de développement de véhicules autonomes aux normes du secteur. Le banc d’essai numérique pour le développement ADAS/AV intègre tous les processus de développement dans une seule plateforme, de DataOps, MLOps et DevOps à ValidationOps.

Schéma illustrant l’architecture de référence AVOps.

L’architecture AVOps comprend les quatre éléments principaux suivants.

  • DataOps : ingère les données de mesure (vidéos, images, lidar et radar), organise et extrait les données et étiquette les données. En savoir plus sur DataOps ici : DataOps pour les opérations de véhicules autonomes
  • MLOps : entraîne des algorithmes, comme les modèles de perception et les modèles postérieurs à la perception.
  • ValidationOps : valide les fonctions de conduite autonome basées sur des modèles entraînés et des données brutes réelles.
  • Fonctions centralisées AVOps : fournissent des fonctionnalités globales, comme la recherche de métadonnées, le catalogue de données, l’orchestration globale, la gouvernance de la plateforme et les modèles d’infrastructure standardisés.

Le développement de véhicules autonomes nécessite un stockage considérable, des calculs haute performance et une gestion des données entre de nombreux partenaires et équipes techniques/informatiques internes pour trouver, organiser, améliorer, étiqueter et gérer les ensembles de données les plus intéressants via la collecte directe de données sur les véhicules ou les données générées synthétiquement pour la formation IA/ML critique. L’architecture de référence AVOps permet aux partenaires/OEM d’accélérer leur développement de véhicules autonomes.

Améliorer AVOps avec l’IA générative

L’IA générative peut contribuer à réduire la complexité, les coûts et le temps de développement et de test des systèmes de conduite autonome. Le livre blanc de Microsoft, Améliorer l’efficacité des AVOps grâce à l’IA générative, explore comment l’IA générative, une branche de l’intelligence artificielle capable de créer de nouveaux contenus ou données à partir de zéro, améliore la mobilité autonome et la capacité des véhicules à fonctionner sans intervention humaine. Le document explique les principaux défis et opportunités de l’IA générative pour les opérations de véhicules autonomes (AVOps), telles que la simulation, la validation, l’optimisation et la personnalisation. Le document répertorie les principaux cas d’utilisation de l’IA générative pour l’AVOps, tels que la génération de scénarios synthétiques, la validation des données des capteurs, l’optimisation du comportement de conduite et la personnalisation de l’expérience utilisateur. En outre, l’article présente l’état actuel de l’IA générative et commente ses orientations futures et les problèmes ouverts pour la mobilité autonome.

Activation des technologies Microsoft

Les principales technologies Microsoft qui activent l’architecture de référence AVOps sont les suivantes :

Activation de la technologie Description
Azure Data Factory Azure Data Factory effectue l’ETL via le calcul par lots et crée des flux de travail basés sur les données pour orchestrer le déplacement des données et transformer les données.
Azure Batch Azure Batch exécute une inférence par lots à grande échelle pour la validation en boucle ouverte au sein d’une infrastructure Resin.
Azure CycleCloud Azure CycleCloud fournit la manière la plus simple de gérer les charges de travail HPC à l’aide d’un planificateur (comme Slurm, Grid Engine, HPC Pack, HTCondor, LSF, PBS Pro ou Symphony) sur Azure.
Azure Arc Azure Arc est un pont qui étend la plateforme Azure pour vous aider à créer des applications et des services.
Stockage Blob Azure Un stockage d’objets hautement évolutif pour tout type de données non structurées (images, vidéos, audio, documents) de manière plus facile et rentable.

Étapes suivantes

Commencez avec l’article suivant :

Vous pouvez ensuite consulter les articles suivants :