自主車輛運營（AVOps）設計指南
本文概述建立後端以大規模啟用自動駕駛汽車解決方案的階段、架構和挑戰。 若要深入瞭解此處的信息、技術建議，以及模擬和數據模型等特定領域的合作夥伴和開放原始碼解決方案，請參閱 自動化車輛作業解決方案構想。
自主車輛運營（AVOps）通常需要大量的記憶體和計算，才能：
- 從測試車輛擷取和處理數據和場景，作為車輛需要自主駕駛之感知模型的學習材料。
- 將感知模型定型以辨識環境，作為自主駕駛的基礎功能。
- 根據開放式循環和封閉式循環模擬執行安全性驗證。
關鍵階段
自主駕駛（AD）解決方案的開發通常涉及三個關鍵階段：
- 擷取和策劃數據。 針對先進的駕駛輔助系統/自動駕駛汽車（ADAS/AV）開發，收集和精簡精心選擇的數據集。
- 反覆測試、定型和模擬。 跨許多地面真相案例模擬和定型 ADAS/AV 模型。
- 建置和驗證。 使用聯網車輛進行車輛內軟體驗證和驗證。
AVOps 會實作自主駕駛開發生命週期：
架構的元素
AVOps 架構包含下列四個主要元素。 本系列中的下一篇文章會更詳細地描述這些元素。
- DataOps。 內嵌測量數據（影片、影像、雷射雷達和雷達）、策劃和擷取數據，以及標記數據。
- MLOps。 定型演算法，例如感知模型和感知後模型。
- ValOps。 根據定型模型和原始地面真相數據來驗證自主駕駛功能。
- AVOps 集中式功能。 提供元數據搜尋、數據目錄、整體協調流程、平臺治理和標準化基礎結構範本等整體功能。
挑戰
- 數據採集。 收集和分析大量數據，以識別模式並改善車輛在一段時間內的效能。 自動駕駛汽車開發的大部分成本都花在數據管理和測試上。
- 資料管理。 處理車輛感測器和系統所產生的大量數據，並判斷哪些數據很有用。
- 案例涵蓋範圍。 確保 OEM 已在各種案例中測試車輛，包括不同的天氣、照明和道路狀況。
- 複雜度。 管理自發作業所需的大型且多樣化的演算法和系統集合。
- 驗證和驗證。 徹底測試軟體，以確保軟體在一系列案例和環境中如預期般運作。
- 數據可用性。 共享數據。 全球分散的團隊和第三方都面臨著挑戰。
AVOps 可讓組織利用雲端式基礎結構的延展性、彈性和成本效益，並減少自動車輛上市的時間。
參與者
本文由 Microsoft 維護。 原始投稿人如下。
主要作者：
- 里安松村 |資深項目經理
- Jochen Schroeer |首席架構師（服務線路行動性）
其他投稿人：
- Mick Alberts | 技術寫入員
- David Peterson | 首席架構師
- 加布里埃爾·薩拉 |HPC/AI Global Black Belt 專家
若要查看非公開的 LinkedIn 個人檔案，請登入 LinkedIn。
下一步
若要深入瞭解此處的信息、技術建議，以及模擬和數據模型等特定領域的合作夥伴和開放原始碼解決方案，請參閱解決方案構想：
您也可能會發現下列資源很有用：