你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
自动驾驶汽车运营 (AVOps) 设计指南
本文概述了创建后端以大规模实现自动驾驶汽车解决方案时所涉及的阶段、体系结构和挑战。 若要详细了解此处的信息、技术建议以及适用于特定领域（例如模拟和数据模型）的合作伙伴和开源解决方案，请参阅自动车辆驾驶解决方案思路。
自动驾驶汽车运营 (AVOps) 通常需要使用大量的存储和计算来实现以下目的：
- 捕获并处理测试汽车的数据和场景，作为自动驾驶汽车所需的感知模型的学习材料。
- 训练感知模型以识别环境，作为自动驾驶的基本功能。
- 基于开环和闭环模拟执行安全验证。
关键阶段
自动驾驶 (AD) 解决方案的开发通常涉及三个关键阶段：
- 引入并整理数据。 收集并细化为高级驾驶辅助系统/自动驾驶汽车 (ADAS/AV) 开发精心挑选的数据集。
- 以迭代方式测试、训练和模拟。 在大量真实场景中模拟和训练 ADAS/AV 模型。
- 生成和验证。 在联网汽车中进行车载软件校验和验证。
AVOps 实现自动驾驶开发生命周期：
体系结构的元素
AVOps 体系结构由以下四个主要元素组成。 本教程系列的下一篇文章将更详细地介绍这些元素。
- DataOps。 引入测量数据（视频、图像、光探测与测距 (lidar) 和雷达数据）、整理和提取数据，以及标记数据。
- MLOps。 训练算法，例如感知模型和后感知模型。
- ValOps。 根据训练的模型和原始真实数据验证自动驾驶功能。
- AVOps 集中化功能。 提供元数据搜索、数据目录、整体业务流程、平台治理和标准化基础结构模板等首要功能。
挑战
- 数据收集。 收集并分析大量数据，以识别模式并不断改进汽车的性能。 自动驾驶汽车开发的大部分成本都花费在数据管理和测试上。
- 数据管理。 处理汽车传感器和系统生成的大量数据，并确定哪些数据有用。
- 场景覆盖范围。 确保 OEM 已在各种场景下测试汽车，包括不同的天气、照明和路况。
- 复杂。 管理自主操作所需的大量不同算法和系统。
- 校验和验证。 全面测试软件，确保其在各种场景和环境中保持预期的行为。
- 数据可用性。 共享数据。 分散在世界各地的团队和第三方使数据共享成了一项挑战。
AVOps 允许组织利用基于云的基础结构的可伸缩性、灵活性和成本效益，可以缩短自动驾驶汽车的面市时间。
作者
本文由 Microsoft 维护， 它最初是由以下贡献者撰写的。
主要作者：
- Ryan Matsumura | 高级项目经理
- Jochen Schroeer | 领导架构师 (Service Line Mobility)
其他参与者：
- Mick Alberts | 技术文档撰写人
- David Peterson | 首席架构师
- Gabriel Sallah | HPC/AI 全球黑带专家
若要查看非公开的 LinkedIn 个人资料，请登录到 LinkedIn。
后续步骤
若要详细了解此处的信息、技术建议以及适用于特定领域（例如模拟和数据模型）的合作伙伴和开源解决方案，请参阅解决方案思路：
以下资源也可能有用：