Penyelidikan gelung tertutup data: Perkembangan pemanduan autonomi beralih daripada dipacu teknologi kepada dipacu data

R&D Zos Auto dikeluarkan "Laporan Penyelidikan Gelung Tertutup Data Pemanduan Autonomi China 2022".

1 Perkembangan pemanduan autonomi secara beransur-ansur beralih daripada dipacu teknologi kepada dipacu data

Pada masa kini, penyelesaian penderia pemanduan autonomi dan platform pengkomputeran telah menjadi semakin meningkat. homogen, dan pembekal Jurang teknologi semakin mengecil dari hari ke hari. Dalam dua tahun yang lalu, lelaran teknologi pemanduan autonomi telah berkembang pesat, dan pengeluaran besar-besaran telah dipercepatkan. Menurut Pusat Data Zuosi, pada tahun 2021, bilangan terkumpul kenderaan penumpang pemandu L2 domestik akan mencecah 4.79 juta, peningkatan tahun ke tahun sebanyak 58.0%. Dari Januari hingga Jun 2022, kadar penembusan pemanduan bantuan L2 China dalam pasaran kereta penumpang baharu meningkat kepada 32.4%.

Untuk pemanduan autonomi, data berjalan melalui keseluruhan kitaran hayat penyelidikan dan pembangunan, ujian, pengeluaran besar-besaran, operasi dan penyelenggaraan. Dengan peningkatan pesat dalam bilangan penderia kereta bersambung pintar, jumlah ADAS dan data kenderaan autonomi yang dijana juga telah meningkat secara eksponen, daripada GB kepada TB, PB, EB dan juga ZB pada masa hadapan. Hanya dengan menggunakan evolusi kereta dipacu data untuk memenuhi keperluan peribadi pengguna boleh syarikat kereta pergi jauh.

Menurut "Garis Panduan Keselamatan untuk Pemprosesan Data Pengumpulan Automobil", data pengumpulan automobil merujuk kepada data yang dikumpul oleh peralatan penderiaan kereta dan unit kawalan, serta data yang dijana selepas memprosesnya , yang boleh diperincikan Ia dibahagikan kepada data luar kenderaan, data kokpit, data operasi dan data trajektori lokasi, dsb.

Menurut "Beberapa Peraturan mengenai Pengurusan Keselamatan Data Automobil (Percubaan)" yang diisytiharkan oleh Pentadbiran Ruang Siber China pada Ogos 2021, pengumpulan, analisis, penyimpanan, penghantaran, pertanyaan, dan aplikasi data kereta , pemadaman dan keseluruhan proses lain telah dinyatakan secara terperinci. Dalam proses pemprosesan data kereta, kami mematuhi prinsip pemprosesan data "pemprosesan dalam kereta", "tiada pengumpulan secara lalai", "julat ketepatan terpakai", "pemprosesan penyahpekaan", dll. untuk mengurangkan pengumpulan yang tidak teratur dan menyalahi undang-undang penyalahgunaan data kereta. Dalam proses pembangunan teknologi pemanduan autonomi, pengumpulan dan pemprosesan data mesti terlebih dahulu sah dan patuh.

Pengumpulan/pembersihan data

Daripada kamera kereta, radar gelombang milimeter, lidar sejumlah besar data tidak berstruktur (imej, video, ucapan) yang dikumpul oleh radar ultrasonik dan ultrasonik boleh menjadi mentah dan huru-hara. Untuk menjadikan data bermakna, ia perlu dibersihkan, distrukturkan dan disusun. Data daripada pelbagai sumber mula-mula diimport ke dalam repositori yang sesuai, format data diseragamkan dan diagregatkan mengikut peraturan yang berkaitan. Ia kemudian menyemak titik data yang rosak, pendua atau tiada dan membuang data yang tidak diperlukan yang boleh menjejaskan kualiti keseluruhan set data. Akhir sekali, label digunakan untuk mengklasifikasikan video yang ditangkap dalam keadaan yang berbeza, seperti siang, malam, cerah, hujan, dsb. Langkah ini menyediakan data yang bersih dan berstruktur yang akan digunakan untuk latihan dan pengesahan.

Anotasi data

Data berstruktur yang telah dibersihkan selepas pengumpulan data perlu menjadi Label. Anotasi ialah proses memberikan nilai berkod kepada data mentah. Nilai yang dikodkan termasuk, tetapi tidak terhad kepada, memberikan label kelas, melukis kotak sempadan dan menandakan sempadan objek. Anotasi berkualiti tinggi diperlukan untuk mengajar model pembelajaran yang diselia tentang objek dan untuk mengukur prestasi model terlatih.

Dalam bidang pemanduan autonomi, senario untuk pemprosesan anotasi data biasanya termasuk pertukaran dan memotong lorong, melalui persimpangan dan selekoh kiri dan kanan tanpa perlindungan tanpa kawalan lampu isyarat, dan beberapa adegan ekor panjang yang kompleks seperti kenderaan yang menyalakan lampu merah, pejalan kaki yang melintas jalan, kenderaan yang diletakkan secara haram di tepi jalan, dsb.

Alat anotasi yang biasa digunakan termasuk lukisan imej umum, anotasi garis lorong, anotasi muka pemandu, anotasi awan titik 3D, anotasi gabungan 2D/3D, pembahagian semantik panorama, dsb. Disebabkan oleh pembangunan data besar dan peningkatan bilangan set data yang besar, penggunaan alat anotasi data terus berkembang dengan pesat.

Transmisi data

Kini, kekerapan pengumpulan data telah mencapai tahap milisaat , memerlukan Ia adalah data berketepatan tinggi beribu-ribu dimensi isyarat (seperti isyarat bas, keadaan dalaman penderia, titik terkubur perisian, tingkah laku pengguna dan data persepsi persekitaran, dsb.), sambil mengelakkan kehilangan data, gangguan, lompatan dan kelewatan, dan pada tinggi Atas premis ketepatan yang tinggi dan berkualiti tinggi, kos penghantaran/penyimpanan dikurangkan dengan banyak. Pautan atas dan pautan bawah data Internet of Vehicles adalah agak panjang (dari MCU kenderaan, DCU, get laluan, 4G/5G ke awan) dan adalah perlu untuk memastikan kualiti penghantaran data setiap nod pautan.

Sebagai tindak balas kepada perubahan baharu dalam penghantaran data, beberapa syarikat telah dapat menyediakan pengumpulan data yang cekap dan penyelesaian penghantaran bersepadu awan kenderaan, seperti penyelesaian platform pemerolehan data fleksibel Zhixiehui dan EXCEEDDATA, yang berdasarkan data masa nyata dalam persekitaran pengkomputeran tepi kenderaan, pengiraan masa nyata peringkat milisaat digunakan untuk mencetuskan fungsi pengumpulan dan muat naik data yang fleksibel Data yang dimuat naik telah dikira dan ditapis, dengan ketara mengurangkan jumlah data yang dimuat naik. Di samping itu, isyarat asal daripada kenderaan dimampatkan dan disimpan 100-300 kali tanpa kehilangan Platform pengurusan awan menyimpan isyarat berkualiti tinggi daripada kenderaan tanpa kehilangan dan nisbah mampatan tinggi Ia menyokong pengeluaran algoritma pemerolehan data, pencetus mod pemerolehan berbilang, dan muat naik masa nyata data yang dikumpul satu klik ke desktop perniagaan, penapisan berbilang fleksibel mengikut kenderaan, acara, tempoh masa, dsb., mudah digunakan dan diselesaikan, pemisahan storan dan pengiraan. merealisasikan gelung tertutup pengumpulan data isomorfik kenderaan-pengiraan-memuat naik-pemprosesan Pada tahun 2021, model pengeluaran besar-besaran domestik pertama yang dilengkapi dengan penyelesaian EXCEEDDATA telah dilancarkan (HiPhiX).

Sumber: Zhixiehuitong

Storan Data

Untuk melihat persekitaran sekeliling dengan lebih jelas, kereta pandu sendiri dilengkapi dengan lebih banyak penderia dan menjana sejumlah besar data. Sesetengah sistem pemanduan autonomi peringkat tinggi malah dilengkapi dengan lebih daripada 40 pelbagai sensor untuk melihat dengan tepat persekitaran 360° di sekeliling kenderaan. Pembangunan sistem pemanduan autonomi memerlukan beberapa langkah seperti pengumpulan data, pengagregatan data, pembersihan dan pelabelan, latihan model, simulasi, dan analisis data besar Proses ini melibatkan pengagregatan dan penyimpanan data besar-besaran, aliran data antara sistem yang berbeza dalam pautan yang berbeza , dan Baca dan tulis sejumlah besar data semasa latihan model. Data menghadapi cabaran baharu dengan kesesakan storan.

Atas sebab ini, teknologi dan keupayaan banyak penyedia perkhidmatan awan di kawasan ini telah menjadi kunci untuk membantu syarikat kereta menang. Contohnya, Amazon Cloud Technology AWS menggunakan tasik data pemanduan autonomi sebagai pusat untuk membantu syarikat kereta membina gelung tertutup data pemanduan autonomi hujung ke hujung. Gunakan Perkhidmatan Penyimpanan Mudah Amazon (Amazon S3, perkhidmatan penyimpanan objek awan) untuk membina tasik data pemacu autonomi untuk mencapai pengumpulan data, pengurusan dan analisis data, anotasi data, pembangunan model dan algoritma, pengesahan simulasi, pembangunan peta, DevOps dan MLOps, dan syarikat kereta Ia lebih mudah merealisasikan pembangunan, ujian dan aplikasi keseluruhan proses pemanduan autonomi.

Sumber: AWS

Antara gergasi teknologi domestik, ambil penyelesaian gelung tertutup data Baidu sebagai contoh, penyimpanan datanya menyediakan perkhidmatan mendapatkan semula data untuk maklumat data berbilang sumber di tepi jalan dan kenderaan, digunakan untuk carian data besar-besaran pada platform perniagaan, dengan mendapatkan semula berbilang dimensi (maklumat kenderaan, perbatuan, tempoh pemanduan autonomi, dll.), pengurusan keseluruhan kitaran hayat daripada pengeluaran data kepada kemusnahan, Menyokong kelebihan seperti paparan data panorama, kebolehkesanan data, dan perkongsian data terbuka.

Arkitektur penyelesaian gelung tertutup data pemanduan autonomi Baidu

Sumber: Baidu

2. Pembangunan pemanduan autonomi yang cekap memerlukan membina data sistem gelung tertutup

Perkembangan pemanduan autonomi telah beralih daripada dipacu teknologi kepada dipacu data, tetapi model perniagaan dipacu data menghadapi banyak kesukaran.

Sukar untuk memproses data besar-besaran: jumlah data yang dikumpul oleh kenderaan ujian pemanduan autonomi peringkat tinggi setiap hari ialah tahap TB, dan pasukan pembangunan memerlukan ruang storan tahap PB, tetapi data ini boleh digunakan untuk latihan Data nilai hanya menyumbang kurang daripada 5%. Selain itu, terdapat keperluan pematuhan keselamatan yang ketat untuk data yang dikumpul oleh penderia seperti kamera kenderaan, lidar dan kedudukan ketepatan tinggi, yang sudah pasti menimbulkan cabaran besar kepada akses, penyimpanan, penyahpekaan dan pemprosesan data besar-besaran.

Kos anotasi data adalah tinggi: Anotasi data memerlukan banyak tenaga kerja dan kos masa. Dengan pembangunan keupayaan pemanduan autonomi peringkat tinggi, kerumitan senario terus meningkat, dan senario yang lebih sukar akan muncul. Meningkatkan ketepatan model persepsi kenderaan meletakkan keperluan yang lebih tinggi pada skala dan kualiti set data latihan. Anotasi manual tradisional tidak dapat memenuhi permintaan untuk set data besar-besaran untuk latihan model dari segi kecekapan dan kos.

Kecekapan rendah dalam ujian simulasi: Simulasi maya ialah cara yang berkesan untuk mempercepatkan latihan algoritma pemanduan autonomi, tetapi senario simulasi sukar untuk dibina dan mempunyai tahap pemulihan yang rendah, terutamanya beberapa senario yang kompleks dan berbahaya, yang sukar untuk dibina. Di samping itu, keupayaan simulasi selari tidak mencukupi, kecekapan ujian simulasi adalah rendah, dan kitaran lelaran algoritma terlalu panjang.

Liputan peta berketepatan tinggi adalah rendah: Peta berketepatan tinggi bergantung terutamanya pada peta koleksi sendiri dan buatan sendiri, dan hanya memenuhi senario jalan yang ditetapkan dalam peringkat percubaan. Pada masa hadapan, ia akan dikomersialkan dan diperluaskan ke jalan-jalan bandar di bandar-bandar utama di seluruh negara Ia akan menghadapi cabaran yang sangat ketara dari segi liputan, kemas kini dinamik, serta kos dan kecekapan.

Untuk menyelesaikan pelbagai kesukaran dan masalah, pembangunan pemanduan autonomi yang cekap memerlukan pembinaan sistem gelung tertutup data yang cekap.

Sumber: Freetech

Setakat data pemanduan autonomi tertutup gelung berkenaan , dalam Kes Sudut perlu sentiasa diselesaikan semasa pelaksanaan pemanduan autonomi Untuk tujuan ini, sampel data yang mencukupi dan kaedah pengesahan sisi kenderaan yang mudah mesti ada. Mod bayangan ialah salah satu penyelesaian terbaik untuk menyelesaikan Kes Sudut.

Mod bayangan telah dicadangkan oleh Tesla pada April 2019 dan digunakan pada kenderaan untuk membandingkan keputusan berkaitan dan mencetuskan muat naik data. Perisian pandu sendiri pada kenderaan yang dijual digunakan untuk merekodkan data yang dikesan secara berterusan oleh penderia dan menghantarnya semula secara terpilih pada masa yang sesuai untuk pembelajaran mesin dan penambahbaikan algoritma pandu sendiri asal.

Superkomputer Dojo boleh menggunakan data video besar-besaran untuk pelabelan dan latihan tanpa pengawasan.

Tesla menghantar 936,200 kenderaan di seluruh dunia pada 2021, di mana 484,100 daripadanya dihantar oleh kilang China. Pada separuh pertama 2022, 560,000 kenderaan akan dihantar. Tesla mengambil kesempatan daripada pengeluaran besar-besaran dan terus mengoptimumkan algoritma melalui mod bayangan. Menggunakan mod bayangan, berjuta-juta kenderaan yang dijual digunakan sebagai kenderaan ujian untuk menangkap persepsi sekeliling dan keadaan jalan raya yang istimewa, dan terus mengukuhkan keupayaan untuk meramal, mengelak dan belajar daripada peristiwa yang tidak pasti. Oleh kerana terdapat berjuta-juta kenderaan yang dijual untuk menyokongnya, liputan Sarung Sudut dan keadaan kerja yang melampau akan menjadi lebih komprehensif Data berkualiti tinggi yang dikumpul melalui pencetusan fleksibel boleh melelarkan algoritma yang lebih baik, dan kecemerlangan lelaran algoritma menentukan Nilai perisian. . Dari segi perkhidmatan langganan peningkatan perisian, kuasa letupan gelung tertutup data baru sahaja muncul.

3. Gelung tertutup data menjadi teras peningkatan lelaran pemanduan autonomi

Premis lelaran berterusan sistem pemanduan autonomi ialah pengoptimuman berterusan algoritma, dan algoritma Kecemerlangan bergantung pada kecekapan sistem gelung tertutup data Aliran data yang cekap dalam setiap senario pembangunan pemanduan autonomi adalah penting untuk mempercepatkan pengeluaran besar-besaran pemanduan autonomi.

Pada Disember 2021, Haomo Zhixing secara rasmi mengeluarkan MANA Xuehu, sistem perisikan data pemanduan autonomi pertama China, yang mempercepatkan pemanduan autonomi daripada lima keupayaan utama persepsi, kognisi, anotasi, simulasi dan pengiraan. Evolusi teknologi pemanduan. Dalam tempoh tiga tahun akan datang, sistem pemanduan berbantu boleh dipasang pada lebih daripada 1 juta kereta penumpang. Bergantung pada sistem pemanduan autonomi yang dibangunkan sendiri sepenuhnya, Haomo Zhixing telah mencapai kelebihan ketara dalam pengumpulan, pemprosesan dan penggunaan data. Data besar membawa kelebihan lelaran teknologi. Kelebihan pengurangan kos dan peningkatan kecekapan adalah jelas.

Untuk contoh lain, Momenta telah mencapai keupayaan teknikal terdorong data proses penuh terkemuka, termasuk modul algoritma seperti persepsi, gabungan, ramalan dan kawalan, yang boleh diulang dengan cekap dalam data -cara terdorong dengan kemas kini. Automasi Gelung Tertutupnya ialah satu set rantai alat yang membenarkan aliran data memacu lelaran automatik algoritma dipacu data. CLA secara automatik boleh menapis sejumlah besar data emas, memacu lelaran automatik algoritma dan menjadikan roda tenaga pandu sendiri berputar lebih cepat dan lebih pantas.

Sumber: Momenta

Dalam konteks kereta yang ditakrifkan perisian, data, algoritma dan kuasa pengkomputeran adalah troika pembangunan pemanduan autonomi. Kitaran penyelidikan dan pembangunan syarikat kereta dipendekkan dan lelaran fungsi dipercepatkan Pada masa hadapan, dapat mengumpul data secara berterusan pada kos rendah, kecekapan tinggi dan kecekapan tinggi, dan mengulang algoritma melalui data sebenar untuk akhirnya membentuk gelung tertutup dan data. gelung tertutup perniagaan adalah kunci kepada pembangunan mampan syarikat pemanduan berautonomi.

Atas ialah kandungan terperinci Penyelidikan gelung tertutup data: Perkembangan pemanduan autonomi beralih daripada dipacu teknologi kepada dipacu data. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!