Otonom Araç İşlemleri (AVOps) tasarım kılavuzu
Bu makale, otonom bir araç çözümünü uygun ölçekte etkinleştirmek için arka uç oluşturmanın aşamalarına, mimarisine ve zorluklarına genel bir bakış sağlar. Buradaki bilgiler, teknoloji önerileri ve simülasyon ve veri modelleri gibi belirli alanlara yönelik iş ortağı ve açık kaynak çözümleri hakkında daha fazla bilgi edinmek için Otomatik Araç İşlemleri çözüm fikrine bakın.
Otonom Araç İşlemleri (AVOps) için genellikle önemli miktarda depolama ve işlem gerekir:
- Araçların otonom olarak sürmesi gereken algı modelleri için öğrenme malzemesi olarak test araçlarından veri ve sahneleri yakalayın ve işleyin.
- Otonom sürüş için temel işlevsellik olarak bir ortamı tanımak için algı modellerini eğitin.
- Açık döngü ve kapalı döngü simülasyonlarını temel alarak güvenlik doğrulaması gerçekleştirin.
Önemli aşamalar
Otonom sürüş (AD) çözümünün geliştirilmesi genellikle üç temel aşamayı içerir:
- Verileri alma ve seçme. Gelişmiş sürücü yardımı sistemi / otonom araç (ADAS/AV) geliştirme için özenle seçilmiş veri kümelerinin toplanması ve geliştirilmesi.
- Yinelemeli olarak test edin, eğitin ve simülasyonunu sağlayın. Çok sayıda temel gerçeklik senaryosunda ADAS/AV modellerinin simülasyonu ve eğitimi.
- Derleme ve doğrulama. Bağlı araçlarla araç içi yazılım doğrulama ve doğrulama.
AVOps, otonom bir sürüş geliştirme yaşam döngüsü uygular:
Mimarinin öğeleri
AVOps mimarisi aşağıdaki dört ana öğeden oluşur. Bu serinin sonraki makalesinde bu öğeler daha ayrıntılı olarak açıklanmaktadır.
- DataOps. Ölçüm verilerini (videolar, görüntüler, lidar ve radar) alın, verileri seçip ayıklayın ve verileri etiketleyin.
- MLOps. Algı modelleri ve algı sonrası modeller gibi algoritmaları eğitin.
- ValOps. Eğitilen modellere ve ham temel gerçeklik verilerine göre otonom sürüş işlevlerini doğrulayın.
- AVOps merkezi işlevleri. Meta veri arama, veri kataloğu, genel düzenleme, platform idaresi ve standartlaştırılmış altyapı şablonları gibi kapsamlı işlevler sağlayın.
Zorluklar
- Veri toplama. Desenleri tanımlamak ve aracın zaman içindeki performansını geliştirmek için büyük miktarda veri toplama ve analiz etme. Otonom araç geliştirme maliyetlerinin çoğu veri yönetimi ve test için harcanıyor.
- Veri yönetimi. Araç sensörleri ve sistemleri tarafından oluşturulan büyük miktardaki verileri işleme ve hangi verilerin yararlı olduğunu belirleme.
- Senaryo kapsamı. OEM'nin aracı farklı hava durumu, aydınlatma ve yol koşulları gibi çeşitli senaryolarda test etmelerini sağlama.
- Karmaşıklık. Otonom operasyon için gerekli olan büyük ve çeşitli algoritmaları ve sistemleri yönetme.
- Doğrulama ve doğrulama. Çeşitli senaryolarda ve ortamlarda beklendiği gibi davrandığından emin olmak için yazılımı kapsamlı bir şekilde test edin.
- Veri kullanılabilirliği. Veri paylaşma. Küresel olarak dağınık takımlar ve üçüncü taraflar paylaşımı zorlaştırıyor.
AVOps, kuruluşların bulut tabanlı altyapının ölçeklenebilirliğinden, esnekliğinden ve uygun maliyetliliğinden yararlanmasını sağlar ve otomatik araçlar için pazara çıkış süresini kısaltmaktadır.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazarlar:
- Ryan Matsumura | Üst Düzey Program Yöneticisi
- Jochen Schroeer | Baş Mimar (Service Line Mobility)
Diğer katkıda bulunanlar:
- Mick Alberts | Teknik Yazar
- David Peterson | Baş Mimar
- Gabriel Sallah | HPC/AI Küresel Siyah Kuşak Uzmanı
Nonpublic LinkedIn profillerini görmek için LinkedIn'de oturum açın.
Sonraki adımlar
Buradaki bilgiler, teknoloji önerileri ve simülasyon ve veri modelleri gibi belirli alanlara yönelik iş ortağı ve açık kaynak çözümleri hakkında daha fazla bilgi edinmek için çözüm fikrine bakın:
Ayrıca aşağıdaki kaynakları da yararlı bulabilirsiniz: