Zos Auto R&D 공개"2022년 중국 자율주행 데이터 폐쇄 루프 연구 보고서".
오늘날 자율주행 센서 솔루션과 컴퓨팅 플랫폼은 점점 동질화되고 공급업체 간의 기술 격차는 점점 좁아지고 있습니다. 지난 2년 동안 자율주행 기술 반복은 빠르게 발전했고, 대량생산도 가속화됐다. Zuosi 데이터 센터에 따르면 2021년 국내 L2 보조 운전 승용차 누적 대수는 전년 대비 58.0% 증가한 479만 대에 이를 것으로 예상됩니다. 2022년 1월부터 6월까지 신규 승용차 시장에서 중국의 L2 보조 운전 보급률은 32.4%로 상승했다.
자율주행을 위해서는 연구개발, 테스트, 양산, 운영, 유지보수의 전 과정에 걸쳐 데이터가 실행됩니다. 스마트 커넥티드 카 센서의 수가 급증함에 따라 ADAS와 자율주행차에서 생성되는 데이터의 양도 GB에서 TB, PB, EB, 심지어는 ZB까지 기하급수적으로 증가할 것입니다. 데이터 기반 자동차 진화를 통해 사용자의 개인화된 요구 사항을 충족해야만 자동차 회사가 더 멀리 나아갈 수 있습니다.
"자동차 수집 데이터 처리에 관한 안전 지침"에 따르면 자동차 수집 데이터는 자동차 감지 장비 및 제어 장치에서 수집한 데이터와 처리 후 생성된 데이터를 말하며, 이는 외부 데이터와 조종석 데이터, 작동 데이터 및 위치 궤적 데이터 등
2021년 8월 중국 사이버 관리국에서 공포한 "자동차 데이터 보안 관리에 관한 여러 규정(심판)"에 따라 자동차 데이터 수집, 분석, 저장, 전송의 전 과정에 대한 세부 규정이 제정되었습니다. , 쿼리, 적용 및 삭제. 차량 데이터 처리 과정에서 '차량 내 처리', '기본적으로 수집하지 않음', '정확도 범위 적용', '둔감화 처리' 등의 데이터 처리 원칙을 준수하여 무질서한 수집과 불법 수집을 줄입니다. 자동차 데이터 남용. 자율주행 기술 개발 과정에서는 먼저 데이터 수집 및 처리가 적법하고 규정을 준수해야 합니다.
자동차 카메라, 밀리미터파 레이더, LiDAR 및 초음파 레이더에서 수집된 대량의 비정형 데이터(이미지, 비디오, 음성)는 원시적이고 지저분할 수 있습니다. 데이터를 의미 있게 만들려면 데이터를 정리하고 구조화하고 정리해야 합니다. 여러 소스의 데이터를 먼저 적절한 저장소로 가져오고 데이터 형식을 표준화한 후 관련 규칙에 따라 집계합니다. 그런 다음 손상되거나 중복되거나 누락된 데이터 포인트를 확인하고 데이터 세트의 전반적인 품질에 영향을 미칠 수 있는 불필요한 데이터를 삭제합니다. 마지막으로 레이블은 낮, 밤, 맑음, 비오는 등 다양한 조건에서 캡처된 비디오를 분류하는 데 사용됩니다. 이 단계에서는 학습 및 검증에 사용될 깨끗하고 구조화된 데이터를 제공합니다.
데이터 수집 후 정리된 구조화된 데이터에 주석을 달아야 합니다. 주석은 원시 데이터에 코딩된 값을 할당하는 프로세스입니다. 인코딩된 값에는 클래스 레이블 지정, 경계 상자 그리기, 객체 경계 표시 등이 포함되지만 이에 국한되지는 않습니다. 지도 학습 모델에 객체가 무엇인지 가르치고 훈련된 모델의 성능을 측정하려면 고품질 주석이 필요합니다.
자율 주행 분야에서 데이터 주석 처리 시나리오에는 일반적으로 추월을 위한 차선 변경, 교차로 통과, 신호등 제어 없이 보호되지 않는 좌회전 및 우회전, 일부 복잡한 롱테일 등이 포함됩니다. 빨간 신호등을 켜고 횡단하는 차량, 도로를 횡단하는 보행자, 길가에 불법 주차된 차량 등의 시나리오.
일반적으로 사용되는 주석 도구로는 범용 이미지 그리기, 차선 주석, 운전자 얼굴 주석, 3D 포인트 클라우드 주석, 2D/3D 융합 주석, 파노라마 의미 분할 등이 있습니다. 빅데이터의 발전과 대용량 데이터 세트의 증가로 인해 데이터 주석 도구의 사용이 급속히 확대되고 있습니다.
요즘에는 데이터 수집 빈도가 밀리초 수준에 진입하여 수천 개의 신호 차원(예: 버스 신호, 센서 내부 상태, 소프트웨어 매장 지점, 사용자 행동 및 환경)이 필요합니다. 데이터 감지 등), 데이터 손실, 순서 이상, 점프 및 지연을 피하면서 고정밀 및 고품질을 전제로 전송/저장 비용을 대폭 절감합니다. 차량 인터넷 데이터의 업링크 및 다운링크는 상대적으로 길며(차량 MCU, DCU, 게이트웨이, 4G/5G에서 클라우드까지) 각 링크 노드의 데이터 전송 품질을 보장해야 합니다.
데이터 전송의 새로운 변화에 대응하여 일부 회사에서는 차량 엣지의 실시간 데이터를 기반으로 Zhixiehui 및 EXCEEDDATA 유연한 데이터 수집 플랫폼 솔루션과 같은 효율적인 데이터 수집 및 차량-클라우드 통합 전송 솔루션을 제공할 수 있었습니다. 10밀리초 수준의 실시간 컴퓨팅을 달성하는 컴퓨팅 환경은 유연한 데이터 수집 및 업로드 기능을 트리거하는 데 사용됩니다. 업로드된 데이터가 계산 및 필터링되어 업로드되는 데이터의 양이 크게 줄어듭니다. 또한 차량의 원본 신호를 100~300배 무손실로 압축하여 저장하며, 차량의 고품질 신호를 손실 없이 저장하고 높은 압축률을 지원하는 데이터 수집 알고리즘을 지원합니다. 다양한 수집 모드 및 수집된 데이터의 실시간 업로드, 비즈니스 데스크탑에 대한 원클릭 다운로드, 차량, 이벤트, 기간 등의 다중 유연한 필터링, 사용 및 해결 용이, 저장 및 계산 분리, 차량-클라우드 동형 데이터 수집-계산-업로드-처리의 폐쇄 루프를 실현합니다. 2021년에는 EXCEEDDATA 솔루션을 탑재한 중국 최초의 대량 생산 모델이 출시되었습니다(HiPhiX).
출처: Zhixie Huitong
자율주행차는 주변 환경을 더 명확하게 인식하기 위해 더 많은 센서를 장착하고 많은 양의 데이터를 생성합니다. 일부 고급 자율주행 시스템에는 차량 주변의 360° 환경을 정확하게 인식하기 위해 40개 이상의 다양한 센서가 장착되기도 합니다. 자율주행 시스템의 연구 및 개발에는 데이터 수집, 데이터 집계, 정리 및 라벨링, 모델 훈련, 시뮬레이션, 빅데이터 분석 등 여러 단계가 필요합니다. 이 과정에는 대규모 데이터의 집계 및 저장, 흐름의 흐름이 포함됩니다. 서로 다른 링크에 있는 서로 다른 시스템 간의 데이터, 모델 학습 중에 엄청난 양의 데이터를 읽고 씁니다. 데이터는 스토리지 병목 현상으로 인해 새로운 문제에 직면해 있습니다.
이 때문에 이 분야의 많은 클라우드 서비스 제공업체의 기술과 역량은 자동차 회사가 승리하는 데 핵심이 되었습니다. 예를 들어, Amazon Cloud Technology AWS는 자율주행 데이터 레이크를 센터로 사용하여 자동차 회사가 엔드투엔드 자율주행 데이터 폐쇄 루프를 구축할 수 있도록 지원합니다. Amazon Simple Storage Service(Amazon S3, 클라우드 개체 스토리지 서비스)를 사용하여 자율 주행 데이터 레이크를 구축하여 데이터 수집, 데이터 관리 및 분석, 데이터 주석, 모델 및 알고리즘 개발, 시뮬레이션 검증, 지도 개발, DevOps 및 MLOps를 달성하고 자동차 회사 자율주행의 전 과정을 개발, 테스트, 적용하는 과정을 보다 쉽게 실현할 수 있습니다.
출처: AWS
국내 기술 대기업 중 Baidu의 데이터 폐쇄 루프 솔루션을 예로 들면, 해당 데이터 스토리지는 비즈니스에 사용되는 도로 및 차량 다중 소스 데이터 정보에 대한 데이터 검색 서비스를 제공합니다. 대규모 데이터 검색은 다차원 검색(차량정보, 주행거리, 자율주행시간 등), 데이터 생성부터 파기까지 전 생애주기 관리, 파노라마 데이터 조회 지원, 데이터 추적성, 개방성 등의 장점을 갖고 있다. 데이터 공유.
출처: Baidu
자율주행의 발전은 기술 중심에서 기술 중심으로 전환되었습니다. 데이터 중심이지만 데이터 중심의 비즈니스 모델은 많은 어려움에 직면했습니다.
대량의 데이터를 처리하기 어렵습니다. 수준 높은 자율주행 테스트 차량이 매일 수집하는 데이터의 양은 테라바이트에 달하며, 개발팀에서는 페타바이트의 저장 공간이 필요합니다. 하지만 이 데이터 중 절반도 안 되는 양입니다. 귀중한 데이터 중 5%는 훈련에 사용될 수 있습니다. 또한 차량 카메라, LiDAR, 고정밀 포지셔닝과 같은 센서로 수집된 데이터에 대한 엄격한 안전 및 규정 준수 요구 사항이 있으며, 이는 의심할 여지 없이 대규모 데이터의 액세스, 저장, 둔감화 및 처리에 큰 과제를 제기합니다.
데이터 주석 비용이 높습니다. 데이터 주석에는 많은 인력과 시간 비용이 소요됩니다. 높은 수준의 자율주행 능력이 발전함에 따라 시나리오의 복잡성은 계속 증가하고 더 어려운 시나리오가 나타날 것입니다. 차량 인식 모델의 정확성을 향상시키면 훈련 데이터 세트의 규모와 품질에 대한 요구 사항이 높아집니다. 기존의 수동 주석은 효율성과 비용 측면에서 모델 교육을 위한 대규모 데이터 세트에 대한 수요를 충족할 수 없었습니다.
시뮬레이션 테스트의 낮은 효율성: 가상 시뮬레이션은 자율 주행 알고리즘의 훈련을 가속화하는 효과적인 수단이지만, 시뮬레이션 시나리오는 구성하기 어렵고 복원 수준이 낮으며, 특히 일부 복잡하고 위험한 시나리오는 구성하기 어렵습니다. 또한, 병렬 시뮬레이션 능력이 부족하고, 시뮬레이션 테스트의 효율성이 낮으며, 알고리즘의 반복 주기가 너무 깁니다.
고정밀 지도 적용 범위는 작습니다. 고정밀 지도는 주로 자체 수집 및 자체 제작 지도에 의존하며 실험 단계에서 지정된 도로의 시나리오만 충족할 수 있습니다. 앞으로는 전국 주요 도시의 도심 거리로 상용화 및 확장될 예정이며, 적용 범위, 동적 업데이트, 비용 및 효율성 측면에서 매우 중요한 과제에 직면하게 될 것입니다.
다양한 어려움과 문제를 해결하기 위해서는 자율주행의 효율적인 개발을 위해서는 효율적인 데이터 폐쇄 루프 시스템의 구축이 필요합니다.
출처: Freetech
자율주행 데이터의 폐쇄 루프에 관한 한, 자율주행 구현 과정에서 코너케이스를 지속적으로 해결해야 합니다. 이를 위해서는 충분한 데이터가 있어야 합니다. 샘플 및 편의차량 확인방법 종료. 섀도우 모드는 코너 케이스 해결을 위한 최고의 솔루션 중 하나입니다.
섀도우 모드는 Tesla가 2019년 4월 제안한 것으로, 관련 결정을 비교하고 데이터 업로드를 트리거하기 위해 자동차에 적용했습니다. 판매된 차량에 장착된 자율주행 소프트웨어는 센서에서 감지한 데이터를 지속적으로 기록하고 적절한 시점에 선택적으로 전송해 머신러닝과 원래의 자율주행 알고리즘을 개선하는 데 사용된다.
Dojo 슈퍼컴퓨터는 감독되지 않은 주석 및 교육을 위해 대규모 비디오 데이터를 사용할 수 있습니다.
2021년 Tesla는 전 세계적으로 936,200대의 차량을 납품했으며, 그 중 484,100대는 중국 공장에서 납품되었습니다. 2022년 상반기에는 56만대가 인도될 예정이다. Tesla는 대량 생산의 이점을 활용하고 섀도우 모드를 통해 지속적으로 알고리즘을 최적화합니다. 섀도우 모드를 사용하면 수백만 대의 판매된 차량을 테스트 차량으로 사용하여 주변 인식과 특수 도로 상황을 포착하고 불확실한 사건을 예측, 회피 및 학습하는 능력을 지속적으로 강화합니다. 이를 지원하기 위해 판매된 차량이 수백만 대이기 때문에 코너 케이스 및 극한 작업 조건의 적용 범위가 더욱 포괄적이 될 것입니다. 유연한 트리거링을 통해 수집된 고품질 데이터는 더 나은 알고리즘을 반복할 수 있으며, 알고리즘 반복의 우수성이 소프트웨어의 가치를 결정합니다. . 소프트웨어 업그레이드 구독 서비스 측면에서 데이터 폐쇄 루프의 폭발적인 힘이 이제 막 등장했습니다.
자율주행 시스템의 지속적인 반복을 위한 전제조건은 알고리즘의 지속적인 최적화이며, 알고리즘의 우수성은 데이터 폐쇄 루프 시스템의 성능 자율주행 데이터 각 시나리오에 맞는 고효율 순환을 개발하는 것이 중요하며, 데이터 인텔리전스는 자율주행 대량생산을 가속화하는 열쇠가 될 것입니다.
2021년 12월 Haomo Zhixing은 중국 최초의 자율 주행 데이터 인텔리전스 시스템인 MANA Xuehu를 공식 출시하여 인지, 인지, 주석, 시뮬레이션, 계산의 5가지 주요 기능에서 자율 주행 기술의 진화를 가속화했습니다. 향후 3년 안에 운전 보조 시스템은 100만 대 이상의 승용차에 설치될 수 있습니다. Haomo Zhixing은 완전히 자체 개발한 자율 주행 시스템을 기반으로 데이터 축적, 처리 및 적용 분야에서 상당한 이점을 달성했습니다. 대규모 데이터는 기술 반복의 이점을 제공합니다. 비용 절감과 효율성 향상의 이점은 분명합니다.
또 다른 예로, Momenta는 데이터 기반 방식으로 효율적으로 반복 및 업데이트할 수 있는 인식, 융합, 예측 및 제어와 같은 알고리즘 모듈을 포함하여 선도적인 전체 프로세스 데이터 기반 기술 역량을 달성했습니다. 폐쇄 루프 자동화(Closed Loop Automation)는 데이터 흐름을 통해 데이터 기반 알고리즘의 자동 반복을 구동할 수 있는 도구 체인 세트입니다. CLA는 대량의 골든 데이터를 자동으로 필터링하고, 알고리즘의 자동 반복을 구동하며, 자율 구동 플라이휠을 더욱 빠르게 회전시킬 수 있습니다.
출처: Momenta
소프트웨어 정의 자동차의 맥락에서 데이터, 알고리즘 및 컴퓨팅 능력은 자율 주행 개발의 3대 요소입니다. 앞으로는 자동차 회사의 연구 개발 주기가 단축되고 기능 반복이 가속화되어 저비용, 고효율, 고효율로 지속적으로 데이터를 수집하고 실제 데이터를 통해 알고리즘을 반복하여 궁극적으로 데이터 폐쇄 루프를 형성할 수 있습니다. 비즈니스 Closed Loop는 자율주행 기업의 지속가능한 발전의 핵심입니다.
위 내용은 데이터 폐쇄 루프 연구: 자율 주행 개발은 기술 중심에서 데이터 중심으로 전환됩니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
