Daten-Closed-Loop-Forschung: Die Entwicklung des autonomen Fahrens verschiebt sich von technologiegetrieben zu datengetrieben

Zos Auto R&D veröffentlicht„China’s Autonomous Driving Data Closed Loop Research Report in 2022“.

1. Die Entwicklung des autonomen Fahrens verlagert sich allmählich von technologiegetrieben zu datengetrieben

Heutzutage sind autonome Fahrsensorlösungen und Computerplattformen immer homogener geworden und die Technologielücke zwischen den Anbietern wird immer kleiner. In den letzten zwei Jahren haben die Iterationen autonomer Fahrtechnologien rasante Fortschritte gemacht und die Massenproduktion hat sich beschleunigt. Nach Angaben des Zuosi Data Center wird die kumulierte Zahl inländischer L2-Personenkraftwagen mit unterstütztem Fahren im Jahr 2021 4,79 Millionen erreichen, was einem Anstieg von 58,0 % gegenüber dem Vorjahr entspricht. Von Januar bis Juni 2022 stieg die Penetrationsrate des chinesischen L2-Fahrassistenzsystems im neuen Pkw-Markt auf 32,4 %.

Beim autonomen Fahren durchlaufen Daten den gesamten Lebenszyklus von Forschung und Entwicklung, Tests, Massenproduktion, Betrieb und Wartung. Mit der rasanten Zunahme der Anzahl intelligenter Sensoren für vernetzte Autos ist auch die Menge der von ADAS und autonomen Fahrzeugen generierten Daten exponentiell gestiegen, von GB auf TB, PB, EB und in Zukunft sogar ZB. Nur wenn die datengesteuerte Fahrzeugentwicklung genutzt wird, um den personalisierten Bedürfnissen der Nutzer gerecht zu werden, können Automobilunternehmen weit kommen.

Gemäß den „Sicherheitsrichtlinien für die Verarbeitung von Daten zur Automobilsammlung“ beziehen sich die Daten zur Automobilsammlung auf die Daten, die von Sensorgeräten und Steuergeräten für Kraftfahrzeuge erfasst werden, sowie auf die nach der Verarbeitung generierten Daten, die in externe Daten und unterteilt werden können Cockpitdaten, Betriebsdaten und Positionsflugbahndaten usw.

Gemäß den von der Cyberspace Administration of China im August 2021 erlassenen „Mehreren Vorschriften zum Datensicherheitsmanagement im Automobilbereich (Testversion)“ wurden detaillierte Vorschriften für den gesamten Prozess der Erfassung, Analyse, Speicherung und Übertragung von Automobildaten erlassen , Abfrage, Anwendung und Löschung. Bei der Verarbeitung von Fahrzeugdaten halten wir uns an die Datenverarbeitungsgrundsätze „Verarbeitung im Fahrzeug“, „Standardmäßig keine Erfassung“, „Anwendbarer Genauigkeitsbereich“, „Desensibilisierungsverarbeitung“ usw., um die ungeordnete und illegale Erfassung zu reduzieren Missbrauch von Fahrzeugdaten. Im Entwicklungsprozess der autonomen Fahrtechnologie muss die Datenerhebung und -verarbeitung zunächst legal und konform erfolgen.

Datenerfassung/-bereinigung

Die große Menge unstrukturierter Daten (Bilder, Videos, Stimmen), die von Autokameras, Millimeterwellenradar, Lidar und Ultraschallradar gesammelt werden, kann roh und unübersichtlich sein. Um Daten aussagekräftig zu machen, müssen sie bereinigt, strukturiert und organisiert werden. Daten aus mehreren Quellen werden zunächst in das entsprechende Repository importiert, das Datenformat standardisiert und nach relevanten Regeln aggregiert. Anschließend wird nach beschädigten, doppelten oder fehlenden Datenpunkten gesucht und unnötige Daten verworfen, die die Gesamtqualität des Datensatzes beeinträchtigen könnten. Schließlich werden Etiketten verwendet, um Videos zu klassifizieren, die unter verschiedenen Bedingungen aufgenommen wurden, z. B. Tag, Nacht, sonnig, regnerisch usw. Dieser Schritt stellt saubere, strukturierte Daten bereit, die für Training und Validierung verwendet werden.

Datenanmerkung

Die strukturierten Daten, die nach der Datenerfassung bereinigt wurden, müssen mit Anmerkungen versehen werden. Annotation ist der Prozess der Zuweisung codierter Werte zu Rohdaten. Zu den codierten Werten gehören unter anderem das Zuweisen von Klassenbezeichnungen, das Zeichnen von Begrenzungsrahmen und das Markieren von Objektgrenzen. Hochwertige Annotationen sind erforderlich, um überwachten Lernmodellen beizubringen, was Objekte sind, und um die Leistung trainierter Modelle zu messen.

Im Bereich des autonomen Fahrens umfassen die Szenarien für die Datenannotationsverarbeitung in der Regel einen Spurwechsel zum Überholen, das Durchfahren von Kreuzungen, ungeschützte Linksabbieger und Rechtsabbieger ohne Ampelsteuerung sowie einige komplexe Langstreckenfahrten Szenarien wie Fahrzeuge, die über eine rote Ampel fahren und den Verkehr überqueren, Fahrzeuge, die illegal am Straßenrand geparkt sind usw.

Zu den häufig verwendeten Anmerkungstools gehören universelle Bildzeichnung, Spurlinienanmerkung, Fahrergesichtsanmerkung, 3D-Punktwolkenanmerkung, 2D/3D-Fusionsanmerkung, semantische Panoramasegmentierung usw. Aufgrund der Entwicklung von Big Data und der zunehmenden Anzahl großer Datensätze nimmt der Einsatz von Datenanmerkungstools weiterhin rasant zu.

Datenübertragung

Heutzutage hat die Häufigkeit der Datenerfassung das Millisekunden-Niveau erreicht und erfordert Tausende von Signaldimensionen (wie Bussignale, interne Sensorenzustände, in der Software vergrabene Punkte, Benutzerverhalten und Umgebung). Erfassung von Daten usw.) und vermeidet gleichzeitig Datenverluste, Fehlfunktionen, Sprünge und Verzögerungen sowie eine erhebliche Komprimierung der Übertragungs-/Speicherkosten unter der Voraussetzung hoher Präzision und hoher Qualität. Der Uplink und Downlink von Internet of Vehicles-Daten ist relativ lang (von der Fahrzeug-MCU, DCU, Gateway, 4G/5G bis zur Cloud) und es ist notwendig, die Datenübertragungsqualität jedes Verbindungsknotens sicherzustellen.

Als Reaktion auf die neuen Veränderungen in der Datenübertragung konnten einige Unternehmen effiziente Datenerfassungs- und Fahrzeug-Cloud-integrierte Übertragungslösungen anbieten, wie z. B. die flexiblen Datenerfassungsplattformlösungen Zhixiehui und EXCEEDDATA, die auf Echtzeitdaten im Fahrzeugrand basieren Rechenumgebung, die eine Echtzeitberechnung auf 10-Millisekunden-Niveau erreicht und zum Auslösen der flexiblen Datenerfassungs- und Upload-Funktion verwendet wird. Die hochgeladenen Daten wurden berechnet und gefiltert, wodurch die Menge der hochgeladenen Daten erheblich reduziert wurde. Darüber hinaus wird das Originalsignal vom Fahrzeug 100-300-fach verlustfrei gespeichert. Die Cloud-Management-Plattform speichert das hochwertige Signal vom Fahrzeug verlustfrei und mit hoher Komprimierungsrate. Sie unterstützt die Ausgabe von Datenerfassungsalgorithmen von mehreren Erfassungsmodi und dem Echtzeit-Upload der gesammelten Daten. Ein-Klick-Download auf den Business-Desktop, mehrfache flexible Filterung nach Fahrzeug, Ereignis, Zeitraum usw., einfach zu verwenden und zu lösen, Trennung von Speicherung und Berechnung, Realisierung eines geschlossenen Kreislaufs aus der Sammlung, Berechnung, Hochladung und Verarbeitung isomorpher Fahrzeug-Cloud-Daten. Im Jahr 2021 wurde das erste inländische Massenmodell auf den Markt gebracht, das mit der EXCEEDDATA-Lösung ausgestattet ist (HiPhiX).

Quelle: Zhixie Huitong

Datenspeicherung

Um die Umgebung klarer wahrzunehmen, sind selbstfahrende Autos mit mehr Sensoren ausgestattet und erzeugen eine große Datenmenge. Einige hochentwickelte autonome Fahrsysteme sind sogar mit mehr als 40 verschiedenen Sensoren ausgestattet, um die 360°-Umgebung rund um das Fahrzeug genau wahrzunehmen. Die Forschung und Entwicklung autonomer Fahrsysteme erfordert mehrere Schritte wie Datenerfassung, Datenaggregation, Bereinigung und Kennzeichnung, Modelltraining, Simulation und Big-Data-Analyse Daten zwischen verschiedenen Systemen in unterschiedlichen Verbindungen und Lesen und Schreiben großer Datenmengen während des Modelltrainings. Daten stehen durch Speicherengpässe vor neuen Herausforderungen.

Aus diesem Grund sind die Technologien und Fähigkeiten vieler Cloud-Dienstleister in diesem Bereich zum Schlüssel zum Erfolg von Automobilunternehmen geworden. Beispielsweise nutzt Amazon Cloud Technology AWS den Datensee für autonomes Fahren als Zentrum, um Automobilunternehmen beim Aufbau eines durchgängigen geschlossenen Datenkreislaufs für autonomes Fahren zu unterstützen. Verwenden Sie Amazon Simple Storage Service (Amazon S3, Cloud-Objektspeicherdienst), um einen Datensee für autonomes Fahren aufzubauen, um Datenerfassung, Datenverwaltung und -analyse, Datenanmerkung, Modell- und Algorithmusentwicklung, Simulationsüberprüfung, Kartenentwicklung, DevOps und MLOps usw. zu erreichen Automobilunternehmen können die Entwicklung, Erprobung und Anwendung des gesamten Prozesses des autonomen Fahrens einfacher realisieren.

Quelle: AWS

Nehmen Sie unter den inländischen Technologiegiganten die Daten-Closed-Loop-Lösung von Baidu als Beispiel. Die Datenspeicherung bietet Datenabrufdienste für Straßen- und Fahrzeugdateninformationen aus mehreren Quellen, die in Unternehmen verwendet werden Die massive Datensuche bietet die Vorteile eines mehrdimensionalen Abrufs (Fahrzeuginformationen, Kilometerstand, Dauer des autonomen Fahrens usw.), der Verwaltung des gesamten Lebenszyklus von der Datenerzeugung bis zur Datenvernichtung, der Unterstützung für Panoramadatenansichten, der Datenrückverfolgbarkeit und der Offenheit Datenaustausch.

Baidu-Lösungsarchitektur für autonome Fahrdaten mit geschlossenem Regelkreis

Quelle: Baidu

2. Eine effiziente Entwicklung des autonomen Fahrens erfordert den Aufbau eines Daten-Regelkreissystems

Die Entwicklung des autonomen Fahrens hat sich von Technologie- getrieben zu datengetrieben, aber das datengetriebene Geschäftsmodell ist mit vielen Schwierigkeiten konfrontiert.

Es ist schwierig, große Datenmengen zu verarbeiten: Die Datenmenge, die täglich von Testfahrzeugen für autonomes Fahren auf hohem Niveau gesammelt wird, beträgt TB-Niveau, und das Entwicklungsteam benötigt von diesen Daten nur etwa weniger Speicherplatz Als 1 % der wertvollen Daten können 5 % für das Training genutzt werden. Darüber hinaus gelten strenge Sicherheits- und Compliance-Anforderungen für Daten, die von Sensoren wie Fahrzeugkameras, Lidar und hochpräziser Positionierung erfasst werden, was zweifellos große Herausforderungen für den Zugriff, die Speicherung, Desensibilisierung und Verarbeitung riesiger Datenmengen mit sich bringt.

Die Kosten für die Datenannotation sind hoch: Die Datenannotation nimmt viel Personal und Zeit in Anspruch. Mit der Entwicklung autonomer Fahrfähigkeiten auf hohem Niveau nimmt die Komplexität der Szenarien weiter zu und es werden immer schwierigere Szenarien auftreten. Die Verbesserung der Genauigkeit des Fahrzeugwahrnehmungsmodells stellt höhere Anforderungen an den Umfang und die Qualität des Trainingsdatensatzes. Herkömmliche manuelle Annotationen konnten den Bedarf an riesigen Datensätzen für das Modelltraining hinsichtlich Effizienz und Kosten nicht decken.

Geringe Effizienz bei Simulationstests: Virtuelle Simulation ist ein wirksames Mittel, um das Training autonomer Fahralgorithmen zu beschleunigen. Simulationsszenarien sind jedoch schwer zu konstruieren und weisen einen geringen Wiederherstellungsgrad auf, insbesondere einige komplexe und gefährliche Szenarien, die schwer zu konstruieren sind. Darüber hinaus ist die Fähigkeit zur parallelen Simulation unzureichend, die Effizienz des Simulationstests gering und der Iterationszyklus des Algorithmus zu lang.

Die Abdeckung mit hochpräzisen Karten ist gering: Hochpräzise Karten basieren hauptsächlich auf Selbsterfassung und selbst erstellten Karten und können die Szenarien ausgewiesener Straßen nur im experimentellen Stadium erfüllen. In Zukunft wird es kommerzialisiert und auf städtische Straßen in Großstädten im ganzen Land ausgeweitet. Es wird vor großen Herausforderungen in Bezug auf Abdeckung, dynamische Aktualisierungen sowie Kosten und Effizienz stehen.

Um verschiedene Schwierigkeiten und Probleme zu lösen, erfordert eine effiziente Entwicklung des autonomen Fahrens den Aufbau eines effizienten Daten-Kreislaufsystems.

Quelle: Freetech

Was den geschlossenen Kreislauf autonomer Fahrdaten betrifft, müssen Corner Cases während der Implementierung des autonomen Fahrens kontinuierlich gelöst werden. Dafür müssen wir über genügend Daten verfügen Proben und praktische Fahrzeuge Ende der Verifizierungsmethode. Der Schattenmodus ist eine der besten Lösungen zur Lösung von Eckfällen.

Der Schattenmodus wurde im April 2019 von Tesla vorgeschlagen und auf das Auto angewendet, um verwandte Entscheidungen zu vergleichen und das Hochladen von Daten auszulösen. Die Selbstfahrsoftware des verkauften Fahrzeugs wird verwendet, um die von den Sensoren erfassten Daten kontinuierlich aufzuzeichnen und sie zum geeigneten Zeitpunkt für maschinelles Lernen und zur Verbesserung des ursprünglichen Selbstfahralgorithmus selektiv zurückzusenden.

Der Dojo-Supercomputer kann riesige Videodaten für unbeaufsichtigte Anmerkungen und Schulungen nutzen.

Im Jahr 2021 lieferte Tesla weltweit 936.200 Fahrzeuge aus, davon 484.100 Fahrzeuge vom chinesischen Werk. Im ersten Halbjahr 2022 werden 560.000 Fahrzeuge ausgeliefert. Tesla nutzt die Vorteile der Massenproduktion und optimiert kontinuierlich Algorithmen durch den Schattenmodus. Im Schattenmodus werden Millionen verkaufter Fahrzeuge als Testfahrzeuge eingesetzt, um die Umgebungswahrnehmung und besondere Straßenbedingungen zu erfassen und die Fähigkeit, unsichere Ereignisse vorherzusagen, zu vermeiden und aus ihnen zu lernen, kontinuierlich zu stärken. Da es Millionen verkaufter Fahrzeuge gibt, die dies unterstützen, wird die Abdeckung von Eckfällen und extremen Arbeitsbedingungen umfassender sein. Durch flexible Triggerung gesammelte hochwertige Daten können bessere Algorithmen iterieren, und die Exzellenz der Algorithmusiteration bestimmt den Wert der Software . Im Hinblick auf Abonnementdienste für Software-Upgrades ist die Sprengkraft des Daten-Closed-Loop gerade erst zum Vorschein gekommen.

3. Daten-Closed-Loop wird zum Kern der iterativen Aktualisierung des autonomen Fahrens

Die Voraussetzung für die kontinuierliche Iteration des autonomen Fahrsystems ist die kontinuierliche Optimierung des Algorithmus, und die Exzellenz des Algorithmus hängt davon ab Die Leistung des Daten-Closed-Loop-Systems. Daten im autonomen Fahren. Es ist von entscheidender Bedeutung, für jedes Szenario eine hocheffiziente Zirkulation zu entwickeln, und Datenintelligenz wird der Schlüssel zur Beschleunigung der Massenproduktion autonomen Fahrens sein.

Im Dezember 2021 veröffentlichte Haomo Zhixing offiziell MANA Xuehu, Chinas erstes Datenintelligenzsystem für autonomes Fahren, um die Entwicklung der autonomen Fahrtechnologie ausgehend von den fünf Hauptfunktionen Wahrnehmung, Kognition, Annotation, Simulation und Berechnung zu beschleunigen. In den nächsten drei Jahren kann das assistierte Fahrsystem in mehr als 1 Million Pkw eingebaut werden. Mithilfe seines vollständig selbst entwickelten autonomen Fahrsystems hat Haomo Zhixing erhebliche Vorteile bei der Sammlung, Verarbeitung und Anwendung von Daten erzielt. Massive Daten bringen den Vorteil der technologischen Iteration mit sich. Die Vorteile der Kostensenkung und Effizienzsteigerung liegen auf der Hand.

Ein weiteres Beispiel: Momenta hat führende datengesteuerte technische Fähigkeiten für den gesamten Prozess erreicht, einschließlich Algorithmusmodulen wie Wahrnehmung, Fusion, Vorhersage und Steuerung, die auf datengesteuerte Weise effizient iteriert und aktualisiert werden können. Bei der Closed-Loop-Automatisierung handelt es sich um eine Reihe von Toolketten, die es dem Datenfluss ermöglichen, die automatische Iteration datengesteuerter Algorithmen voranzutreiben. CLA kann automatisch riesige Mengen goldener Daten herausfiltern, die automatische Iteration von Algorithmen vorantreiben und das selbstfahrende Schwungrad immer schneller drehen lassen.

Quelle: Momenta

Im Kontext softwaredefinierter Autos sind Daten, Algorithmen und Rechenleistung die Troika der autonomen Fahrentwicklung. Die Forschungs- und Entwicklungszyklen von Automobilunternehmen werden verkürzt und Funktionsiterationen werden beschleunigt. In Zukunft können kontinuierlich Daten mit geringen Kosten, hoher Effizienz und hoher Effizienz gesammelt und Algorithmen anhand realer Daten iteriert werden, um letztendlich einen geschlossenen Datenkreislauf zu bilden Ein geschlossener Geschäftskreislauf ist der Schlüssel zur nachhaltigen Entwicklung autonomer Fahrunternehmen.

Das obige ist der detaillierte Inhalt vonDaten-Closed-Loop-Forschung: Die Entwicklung des autonomen Fahrens verschiebt sich von technologiegetrieben zu datengetrieben. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!