Przewodnik projektowy dotyczący operacji pojazdów autonomicznych (AVOps)
Ten artykuł zawiera omówienie etapów, architektury i wyzwań związanych z tworzeniem zaplecza w celu umożliwienia rozwiązania pojazdów autonomicznych na dużą skalę. Aby dowiedzieć się więcej o tych informacjach, zaleceniach technologicznych i rozwiązaniach typu open source dla określonych obszarów, takich jak symulacje i modele danych, zobacz pomysł rozwiązania Zautomatyzowane operacje pojazdów.
Operacje pojazdów autonomicznych (AVOps) zwykle wymagają znacznej ilości miejsca do magazynowania i obliczeń:
- Przechwyć i przetwarzać dane i sceny z pojazdów testowych, jako materiał szkoleniowy dla modeli percepcji, które pojazdy muszą prowadzić autonomicznie.
- Trenowanie modeli percepcji w celu rozpoznawania środowiska jako podstawowej funkcjonalności autonomicznej jazdy.
- Przeprowadzaj walidację bezpieczeństwa na podstawie symulacji open-loop i zamkniętej pętli.
Kluczowe etapy
Opracowywanie rozwiązania autonomicznego jazdy (AD) zwykle obejmuje trzy kluczowe etapy:
- Pozyskiwanie i curate danych. Zbieranie i uściślenie starannie wybranych zestawów danych na potrzeby opracowywania zaawansowanych systemów pomocy kierowcy/pojazdów autonomicznych (ADAS/AV).
- Iteracyjne testowanie, trenowanie i symulowanie. Symulacja i szkolenie modeli ADAS/AV w wielu scenariuszach podstawowych prawdy.
- Skompiluj i zweryfikuj. Weryfikacja i walidacja oprogramowania w pojazdach połączonych pojazdów.
Usługa AVOps implementuje autonomiczny cykl projektowania:
Elementy architektury
Architektura AVOps składa się z następujących czterech głównych elementów. W następnym artykule z tej serii opisano te elementy bardziej szczegółowo.
- Metodyka DataOps. Pozyskiwanie danych pomiarów (wideo, obrazy, lidar i radar), curate i extract danych oraz dane etykiet.
- Metodyka MLOps. Trenowanie algorytmów, takich jak modele percepcji i modele po percepcji.
- ValOps. Zweryfikuj autonomiczne funkcje jazdy na podstawie wytrenowanych modeli i nieprzetworzonych danych podstawowych prawdy.
- Funkcje scentralizowane avOps. Udostępniaj nadrzędne funkcje, takie jak wyszukiwanie metadanych, wykaz danych, ogólna aranżacja, ład platformy i standardowe szablony infrastruktury.
Wyzwania
- Zbieranie danych. Zbieranie i analizowanie dużych ilości danych w celu zidentyfikowania wzorców i poprawy wydajności pojazdu w czasie. Większość kosztów opracowywania pojazdów autonomicznych jest przeznaczona na zarządzanie danymi i testowanie.
- Zarządzanie danymi. Obsługa dużych ilości danych generowanych przez czujniki i systemy pojazdów oraz określanie, które dane są przydatne.
- Pokrycie scenariuszy. Zapewnienie, że OEM przetestował pojazd w różnych scenariuszach, w tym w różnych warunkach pogodowych, oświetleniowych i drogowych.
- Złożoność. Zarządzanie dużym i zróżnicowanym zestawem algorytmów i systemów wymaganych do operacji autonomicznych.
- Weryfikacja i walidacja. Dokładnie przetestuj oprogramowanie, aby upewnić się, że działa zgodnie z oczekiwaniami w wielu scenariuszach i środowiskach.
- Dostępność danych. Udostępnianie danych. Globalnie rozproszone zespoły i osoby trzecie stanowią wyzwanie.
Metodyka AVOps umożliwia organizacjom korzystanie ze skalowalności, elastyczności i opłacalności infrastruktury opartej na chmurze oraz skrócenie czasu obrotu zautomatyzowanymi pojazdami.
Współautorzy
Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.
Autorzy zabezpieczeń:
- Ryan Matsumura | Starszy menedżer programu
- Jochen Schroeer | Główny architekt (mobilność linii usług)
Inni współautorzy:
- Mick Alberts | Składnik zapisywania technicznego
- David Peterson | Główny architekt
- Gabriel Sallah | HPC/AI Global Black Belt Specialist
Aby wyświetlić niepubliczne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.
Następne kroki
Aby dowiedzieć się więcej o tych informacjach, zaleceniach technologicznych i rozwiązaniach typu open source dla określonych obszarów, takich jak symulacje i modele danych, zobacz pomysł rozwiązania:
Przydatne mogą być również następujące zasoby:
- Platforma operacji danych na dużą skalę dla pojazdów autonomicznych
- Co to jest Azure Machine Learning?
Powiązane zasoby
Opinia
https://aka.ms/ContentUserFeedback.
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź:Prześlij i wyświetl opinię dla