Die „Cloud“ autonomer Fahrdaten ist zu einem allgemeinen Trend geworden, was ist also der nächste Schritt? Derzeit befindet sich die Branche des autonomen Fahrens in der zweiten Hälfte der kommerziellen Umsetzung und es sind immer mehr Fahrzeuge unterwegs, die mit autonomen Fahrsystemen verschiedener Stufen ausgestattet sind. Für Automobilunternehmen ist die Lieferung vor Ort nicht nur eine Anerkennung ihrer jahrelangen sorgfältigen Forschung und Entwicklung, sondern steht auch vor der Herausforderung der riesigen Datenmengen, die die Massenproduktion mit sich bringt. Derzeit ist sie offensichtlich nicht kostenintensiv. Es ist effektiv, gerade einen neuen Computerraum zu bauen, und die Datenspeicherung „ist auf dem Vormarsch“. Cloud“ ist die beste Wahl geworden.
Da die Branche des autonomen Fahrens jedoch immer „voluminöser“ wird, wird die Nachfrage der Automobilunternehmen nach der Cloud nicht mehr nur durch die Datenspeicherung selbst befriedigt, wie z. B. Wahrnehmungsmodelltraining, Simulationstests, F&E-Toolkette usw. Auch die Nachfrage nach Smart Car Cloud wird immer stärker. Daher kann zu diesem Zeitpunkt die „Cloud“ der autonomen Fahrdaten als Mindestanforderung angesehen werden, und die „Cloud“ der autonomen Fahrforschung und -entwicklung ist der Schlüssel. Was ist also derzeit die größte Nachfrage nach Cloud bei Automobilunternehmen? Wie können Cloud-Dienste die Entwicklung des autonomen Fahrens unterstützen? Wohin wird sich die Smart Car Cloud in Zukunft entwickeln?
Kürzlich haben Ernst & Young (China) Business Consulting Co., Ltd. (im Folgenden als „EY“ bezeichnet) und Huawei Smart Automotive Solutions BU gemeinsam „From „Cloud“ to „Into the Cloud““ verfasst und veröffentlicht. , Cloud Services Empower Cars „Industrial Intelligent Network Upgrade – Smart Car Cloud Service White Paper“ (im Folgenden als „White Paper“ bezeichnet).
Dieses „White Paper“ ist auch das erste White Paper zum Einsatz von Cloud-Diensten im Zeitalter von Smart Cars in der Automobilindustrie und ihren Kerngeschäftsanwendungen. Das Buch bietet eine detaillierte Erläuterung der aktuellen Anwendungsszenarien von Smart-Car-Cloud-Diensten wie der autonomen Fahrentwicklung und dem Internet der Fahrzeuge. In diesem Zusammenhang fand Che Dongxi in diesem „Weißbuch“ die Antwort auf die obige Frage.
Wenn die Entwicklung der autonomen Fahrbranche in zwei Hälften geteilt wird, dann ist die erste Hälfte die Entwicklung und Verifizierungsphase von Null auf Eins, und die zweite Hälfte ist die kommerzielle Implementierungsphase von Eins auf Viele.
In der ersten Hälfte des Wettbewerbs konkurrierten Automobilunternehmen darum, wessen autonomer Fahrsystemalgorithmus effizienter und wessen Übernahmequote niedriger war. In der zweiten Hälfte geht es darum, wer den größten Lieferumfang und die meisten tatsächlichen Kilometer hat. Schließlich ist die Praxis das einzige Kriterium, um die Wahrheit zu überprüfen, und das gilt auch für das autonome Fahren.
Heutzutage gibt es immer mehr autonome Fahrzeuge aller Niveaus, das Angebot an Fahrprüfungen wird immer größer und die Einsatzszenarien werden immer vielfältiger. Für Automobilunternehmen ist „mehr Autos und mehr Straßen“ sicherlich eine gute Sache, aber die riesigen Datenmengen, die damit einhergehen, sind zu einem neuen „Kopfzerbrechen“ geworden. Im Allgemeinen kann in der Forschungs- und Entwicklungsphase des autonomen Fahrens bei 10 Testfahrzeugen und einer kumulierten Anzahl von Sammeltagen von 300 Tagen pro Jahr ein einzelnes Fahrzeug täglich etwa 10 TB Daten generieren, und zwar die Gesamtmenge der generierten Daten erreicht jährlich etwa 30 PB. In der kommerziellen Umsetzungsphase werden die Fahrzeuge zwar nicht wie die Testfahrzeuge Tag und Nacht fahren, die Gesamtzahl der Fahrzeuge wird jedoch exponentiell ansteigen.
Wenn wir auf der Grundlage von 100.000 Fahrzeugen und 300 kumulierten Abholtagen pro Jahr schätzen, wird die Gesamtdatenmenge, mit der Automobilunternehmen in Zukunft konfrontiert werden, das ZB-Niveau erreichen. Hier ist eine kurze Einführung in die Umrechnungsbeziehung zwischen PB-Ebene und ZB-Ebene: 1ZB=1024EB, 1EB=1024PB. Bei Verwendung der bekannten TB-Einheit entspricht 1ZB ungefähr 1 Milliarde TB. Der Datendruck, dem Automobilunternehmen ausgesetzt sind, kann man sich vorstellen.
▲Die Datenmenge in der kommerziellen Phase wird das ZB-Niveau erreichen (Bild aus dem Whitepaper-Text)
In dieser Phase, sei es in Bezug auf Konstruktion, Betrieb und Wartungskosten oder Informationssicherheit, durch neue Oder die Methode zur Erweiterung des Computerraums kann offensichtlich nicht mit der Geschwindigkeit des Datenwachstums mithalten.
„Herkömmliche Rechenzentren können den Anforderungen der Kommerzialisierung des autonomen Fahrens nicht mehr gerecht werden. „Der Übergang in die Cloud“ ist die einzige Möglichkeit für das autonome Fahren, von der Entwicklung zur Kommerzialisierung zu gelangen.“ Cloud-Service-Produktabteilung eines High-Tech-Unternehmens.
Es ist ersichtlich, dass in der zweiten Hälfte der Kommerzialisierung des autonomen Fahrens die Daten-„Cloud“ zu einem wichtigen Muss für Automobilunternehmen geworden ist und auch zu einem wichtigen Faktor bei der Entscheidung geworden ist, ob sie eine schnelle Iteration erreichen können.
Massenhafte Daten bringen jedoch nicht nur Speicherprobleme mit sich, sondern auch die effiziente Nutzung und Verarbeitung stellt ein weiteres großes Problem dar.
Daher ist „Daten in die Cloud bringen“ nur der erste Schritt, und die Bedeutung der Smart-Car-Cloud für das autonome Fahren besteht keineswegs nur darin, die Datenspeicherung selbst zu befriedigen.
Wie oben erwähnt, befindet sich die Branche des autonomen Fahrens in der zweiten Hälfte der kommerziellen Umsetzung. Oberflächlich betrachtet strebt jedes Unternehmen nach Implementierung, Umfang und Reichweite, hinter den Kulissen jedoch nach dem, was sie sind Was eigentlich angestrebt wird, ist die Fähigkeit, Eckfälle schnell zu iterieren und zu lösen.
Mit anderen Worten: Die Kommerzialisierung autonomer Fahrzeuge ist untrennbar mit einer kontinuierlichen und effizienten Algorithmeniteration verbunden.
Für die Iteration autonomer Fahralgorithmen haben Wahrnehmungsmodelltraining und Simulationstests oberste Priorität. Ersteres steht in direktem Zusammenhang mit der Sicherheit des autonomen Fahrens System, und letzteres bestimmt, ob das autonome Fahrsystem eine schnelle Iteration erreichen kann.
Laut Rückmeldungen von Forschungs- und Entwicklungsmitarbeitern einiger Automobilhersteller sind Wahrnehmungsmodelltraining und Simulationstests jedoch auch zwei große Schwachstellen im gesamten Forschungs- und Entwicklungsprozess für autonomes Fahren .
▲Autonomes Fahren im Zusammenhang mit hochfrequenten Schmerzpunktszenarien (Bilder aus dem Whitepaper). Text) #🎜🎜 #
Das erste ist das Training des Wahrnehmungsmodells. Wie wir alle wissen, ähneln autonome Fahrsysteme hinsichtlich der Wahrnehmung der äußeren Umgebung durch verschiedene Sensoren. Erstere verlassen sich auf Kameras, Lidar und Millimeterwellenradar, während sich menschliche Fahrer auf ihre Augen und Ohren verlassen und sogar Nasen. Darüber hinaus ist es sowohl für autonome Fahrsysteme als auch für menschliche Fahrer relativ leicht zu erkennen, aber schwieriger zu identifizieren.
▲Autonome Fahrwahrnehmungslösung# 🎜🎜# Daher ist das Wahrnehmungsmodelltraining zum grundlegendsten und wichtigsten Teil des Forschungs- und Entwicklungsprozesses für autonomes Fahren geworden. Denn nur wer klar sieht und erkennt, worum es geht, kann planen und Entscheidungen treffen. Konkret kann das Wahrnehmungsmodelltraining je nach Prozess in fünf Hauptglieder unterteilt werden: Datenspeicherung, Datenvorverarbeitung, schwieriges Beispiel-Mining, Datenanmerkung und Modelltraining.
Unter diesen fünf Hauptverbindungen ist die Datenannotation die zeitaufwändigste und arbeitsintensivste und bereitet vielen Automobilherstellern „Kopfschmerzen“. Datenannotation bezieht sich auf die Zielerkennung und die Erkennung verschiedener Arten von Informationen wie Bildern, Videos und Verkehrszeichentexten, die von Sensoren mithilfe künstlicher und intelligenter Werkzeuge erfasst werden. Vereinfacht ausgedrückt besteht die Datenanmerkung darin, die Informationen im Bild (Punktwolke, Kamera) einzeln zu markieren. Dies ist eine einfache Aufgabe, die eine äußerst hohe Genauigkeit und Effizienz erfordert.
#🎜 🎜 # Wenn Menschen diese Arbeit erledigen, treten daher zwangsläufig Probleme wie eine zeitaufwändige Datenüberprüfung, eine hohe manuelle Überarbeitungsrate der Anmerkungen und inkonsistente Datenformate auf, was die Gesamteffizienz der Anmerkungen relativ gering macht. Ein ausländischer Hersteller selbstfahrender Autos reduzierte außerdem den Anteil der manuellen Kennzeichnung, um die Effizienz der Datenkennzeichnung zu verbessern. Wie wäre es mit der Verwendung von KI für die Datenanmerkung, da die manuelle Effizienz gering ist? Obwohl die Kennzeichnung von Daten durch KI das Problem der manuellen Effizienz löst, werden die Tiefe und Breite der Datenakkumulation die Lernfähigkeit der KI direkt einschränken und beeinflussen, und die Rechenleistung des grundlegenden Algorithmusmodells kann die zunehmende Datenmenge nicht ertragen.
Daher sind Aufgaben wie autonome Fahrwahrnehmungsmodelle mit großen Mengen an Trainingsdaten, hohen Anforderungen an die Algorithmusgenauigkeit und schnellen Anforderungen an die Trainingseffizienz besser geeignet. Für die Datenverarbeitung werden Automotive-Cloud-Dienste genutzt.
Im Vergleich zu den Datenverarbeitungsfunktionen des manuellen und lokalen KI-Trainings setzen Automotive-Cloud-Dienste auf die Vorteile von Super-Rechenleistung sowie effizienten und präzisen intelligenten Strategien Es kann verschiedene Probleme und Herausforderungen, die im Prozess der Datenverarbeitung beim autonomen Fahren auftreten, wirksam lindern.
Im „Weißbuch“ wurde erwähnt, dass die kommerzielle Umsetzung von autonomem Fahren auf hohem Niveau in geschlossenen Bereichen wie Häfen und Minen früher erfolgt als bei Personenkraftwagen, und dass Cloud-Dienste für die Automobilindustrie ebenfalls eine Rolle spielen werden Rolle" in diesen Anwendungsszenarien der Industrie. Der große Wert von "im Gehirn". Am Beispiel des fahrerlosen Fahrens in Bergbaugebieten spielen Automotive-Cloud-Dienste eine entscheidende Rolle beim Training von Wahrnehmungsmodellen.
Fahrerlose Lkw stoßen in Bergbaugebieten häufig auf unstrukturierte Straßen, zufällige Steinschläge, speziell geformte Fahrzeuge usw., außerdem gibt es fliegenden Staub, aufgewirbelten Boden usw. Hart Umfeld. Für die Entwicklung autonomer Fahrsysteme ist dies ein großartiger Test für die Genauigkeit der Datenannotation und die Effizienz des Modelltrainings. Automotive-Cloud-Dienste können autonomes Fahren durch effiziente Datenverarbeitung, schwieriges Fall-Mining, automatische Annotation, Modelltraining usw. schnell unterstützen Der Lkw passt sich der komplexen Betriebsumgebung im Bergbaugebiet an, reduziert die Übernahmequote und verbessert die Effizienz unbemannter Operationen.
Aus Datensicht ist die Effizienz der lokalen KI-Trainingsdatenverarbeitung drei- bis viermal höher als die der manuellen Verarbeitung, und man verlässt sich darauf Die höhere Rechenleistung der Cloud und mehr Mit der Ansammlung von mehr Erfahrung hat sich die umfassende Verarbeitungseffizienz der Datenverarbeitung mit Cloud-Diensten im Automobilbereich um mehr als das Zehnfache erhöht und die Datenverarbeitungskosten wurden im Vergleich zu manueller Arbeit um 50 % gesenkt.
▲Autonomes Fahren, Forschungs- und Entwicklungsdatenverarbeitung, Entwicklungsgeschichte (Bild aus der Whitepaper-Text )
Zusammenfassend sind in Bezug auf die Datenverarbeitung für autonome Fahrforschung und -entwicklung die Vorteile von Automotive-Cloud-Diensten zu sehen gewinnen nach und nach an Bedeutung. Es kann nicht nur hochwertige Daten effektiv identifizieren, den Speicherplatz optimieren und das Mining schwieriger Fälle beschleunigen, sondern auch Deep Learning nutzen, um die automatischen Kennzeichnungsfunktionen zu verbessern, die Effizienz und Genauigkeit von Kennzeichnungsalgorithmen zu optimieren und zu reduzieren Datenverarbeitungskosten.
Nach der Lösung des Datenverarbeitungsproblems sind für Automobilunternehmen, die weiterhin in autonomes Fahren investieren, umfangreiche Tests unerlässlich, um eine schnelle Iteration zu erreichen. Die allgemeine Ansicht in der Branche ist, dass das autonome Fahrsystem mindestens 10 Milliarden Meilen (ca. 16,1 Milliarden Kilometer) Testfahrtdaten erfordert, um die Sicherheit des Fahrzeugs auf der Straße zu gewährleisten. Allerdings ist es offensichtlich schwierig, das Testfahrzeug fertigzustellen allein durch Laufen „Tag und Nacht“.
Daher sind Simulationstests zu einem wichtigen Bestandteil der Forschung und Entwicklung zum autonomen Fahren geworden, und sie sind auch der einzige Weg. Statistik zufolge stehen Automobilunternehmen bei Simulationstests hauptsächlich vor vier großen Herausforderungen: unzureichende Abdeckung der Szenenbibliothek und inkompatible Formate zwischen den Branchen; Der Simulationstest und der tatsächliche Fahrzeugtest sind umfangreich und das Vertrauensniveau ist niedrig. Das Simulationsbewertungssystem ist unvollständig und der Feedbackeffekt ist schlecht.
▲Autonomes Fahrsimulationstestsystem (Bild aus dem Whitepaper-Text) #🎜🎜 ## 🎜🎜# Darüber hinaus erfordern Simulationstests höhere Fähigkeiten des technischen Teams, was eine Vielzahl interdisziplinärer Fachkompetenzen und auch ein höheres Maß an Geschäftsintegration erfordert. Weit über andere geschäftliche Aspekte der Forschung und Entwicklung zum autonomen Fahren hinaus. Die oben genannten Herausforderungen und Probleme haben auch die dringende Notwendigkeit ausgelöst, für Simulationstests „in die Cloud einzusteigen“. Welche Probleme kann die simulierte Auto-Cloud also lösen? Wie kann das Problem gelöst werden?
Erstens trägt der Cloud-Service für Simulationsautos durch den Aufbau einer offenen Szenenbibliothek dazu bei, dass die Simulationsszenenbibliothek standardisierter und umfassender wird. Zweitens wird der Single-Line-Modus auf der Grundlage der leistungsstarken Rechenleistung und der hohen Parallelitätsverarbeitungsfähigkeiten der groß angelegten parallelen Simulation in der Cloud in einen gleichzeitigen Modus umgewandelt, der die gleichzeitige Ausführung mehrerer Simulationsaufgaben in mehreren Szenarien unterstützt und die Simulation erheblich verbessert Effizienz.
# 🎜🎜# Was das Problem der großen Abweichungen zwischen Simulationstests und tatsächlichen Straßentests von Fahrzeugen betrifft, können Simulationsauto-Cloud-Dienste professionelle Fähigkeiten in mehreren Bereichen wie Computersoftware, Fahrzeugenergietechnik, Transportwesen usw. integrieren, um Verbesserungen zu erzielen die Genauigkeit von Simulationstests vom Mikro zum Makro. In Bezug auf die Simulationstestbewertung schließlich basiert der Automotive-Cloud-Service auf den Erfahrungen der Automobilindustrie und unterstützt in Kombination mit der Szenariobibliothek, die ein mehrdimensionales und umfassendes Bewertungsindexsystem für den Simulationstestprozess bereitstellen kann, maßgeschneiderte Dienste von Bewertungsindikatoren für verschiedene Automobilhersteller und verschiedene Entwicklungsstadien und beschleunigen die Algorithmusiteration und Szenenbibliotheksoptimierung für Simulationstests.
Zusammenfassend lässt sich sagen, dass das hochwertige Simulationstestsystem für den gesamten Cloud-Service für autonomes Fahren wie das Kronjuwel ist und den Wert des „Eintritts in die Cloud“ für die Forschung und Entwicklung im autonomen Fahren am repräsentativsten widerspiegelt. Unter den beiden wichtigsten Kontrollpunkten der autonomen Fahrforschung und -entwicklung, der Datenverarbeitung und der Simulationstests ist die Rolle der Smart Car Cloud nicht zu unterschätzen. Für Automobilunternehmen, die sich mit autonomem Fahren befassen, ist die Smart-Car-Cloud mittlerweile genauso wichtig wie Sensoren, Computerplattformen und die Fahrzeugherstellung und hat sich in der zweiten Hälfte der kommerziellen Umsetzung zu einer Geheimwaffe zur Kostensenkung und Effizienzsteigerung entwickelt.
Während des Forschungs- und Entwicklungsprozesses zum autonomen Fahren musste ein bestimmtes Automobilunternehmen in verschiedenen Phasen verstreute Tools und unterschiedliche Datenverarbeitungsformate verwenden. Daher dauerte die Iteration des Entwicklungsmodells zwei Monate ineffizient und teuer.
Das bedeutet auch, dass nur die Verbesserung der Effizienz eines einzelnen F&E-Prozesses ohne eine vollständige F&E-Toolkette für autonomes Fahren die gesamte F&E-Effizienz nicht effektiv verbessern kann.
Das Endergebnis ist wahrscheinlich 1+1Daher ist für Automobilunternehmen eine umfassende, durchgängige F&E-Toolkette für autonomes Fahren von entscheidender Bedeutung. Ein leitender Direktor eines Automobiltechnologiezentrums sagte, dass traditionelle Automobilunternehmen vom ursprünglichen wasserfallartigen Systemintegrationsentwicklungsmodell des Fahrzeugendes zum agilen Szenario-Integrationsentwicklungsmodell der Cloud-Pipe-End-Integration übergehen müssen. Zufälligerweise können Cloud-Dienste in Bezug auf die zugrunde liegenden Verarbeitungsfähigkeiten der F&E-Toolkette für autonomes Fahren leichter dabei helfen, einen geschlossenen Datenkreislauf zu erreichen und eine Reihe automatisierter Entwicklungstoolketten aufzubauen, die Datenerfassung, Speicherung, Verarbeitung, Annotation, Modelltraining, Simulation usw. abdecken. und Bewertung. Wenn Automobilunternehmen über eine von der Smart Car Cloud unterstützte Forschungs- und Entwicklungstoolkette verfügen, können sie den „End-to-End“-Entwicklungsprozess in der gesamten Kette öffnen, die Entwicklungskosten erheblich senken sowie die Systemiteration und den Systembetrieb verbessern Wartungseffizienz.
Aus den Daten Aus Sicht dieser „End-to-End“-F&E-Toolkette für autonomes Fahren können Automobilunternehmen 50 % der Gesamtentwicklungskosten einsparen und die Gesamtbetriebs- und Wartungseffizienz um 60 % verbessern.
05
Kurz gesagt, die intelligente Fahrzeug-Cloud ist in der nicht mehr wegzudenken Intelligente vernetzte Fahrzeugindustrie Ein Teil davon besteht darin, Daten dabei zu helfen, ihren Wert in Geschäftsanwendungen zu maximieren und Automobilunternehmen dabei zu helfen, Kosten zu senken und die Effizienz im Prozess von der Forschung und Entwicklung bis zur Kommerzialisierung zu steigern. Automobilunternehmen streben auch in die Tiefe der geschäftlichen Zusammenarbeit mit Cloud-Herstellern, schaffen nach und nach eine gute Situation der gegenseitigen Befähigung und arbeiten Hand in Hand am Upgrade-Pfad der intelligenten Netzwerkverbindung.
Das obige ist der detaillierte Inhalt vonAutonomes Fahren „in die Cloud gehen' ist zu einem allgemeinen Trend geworden, und Forschung und Entwicklung „in die Cloud gehen' ist der Schlüssel. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Was sind die Java-Texteditoren?
So deduplizieren Sie eine Datenbank in MySQL
Der Unterschied zwischen injektiv und surjektiv
Was ist die Interrupt-Priorität?
So legen Sie ein geplantes Herunterfahren in UOS fest
vim-Befehl zum Speichern und Beenden
So überprüfen Sie tote Links auf Ihrer Website
Einführung in den Dateityp
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
