Le « cloud » des données de conduite autonome est devenu une tendance générale, alors quelle est la prochaine étape ? À l'heure actuelle, l'industrie de la conduite autonome est entrée dans la seconde moitié de sa mise en œuvre commerciale, et il y a de plus en plus de véhicules équipés de différents niveaux de systèmes de conduite autonome sur la route. Pour les constructeurs automobiles, la livraison sur le terrain n'est pas seulement une reconnaissance de leurs années de recherche et de développement minutieux, mais elle fait également face au défi de l'énorme quantité de données générée par la production de masse. À l'heure actuelle, ce n'est évidemment pas un coût. il suffit de construire une nouvelle salle informatique et le stockage de données "est en hausse" "Le Cloud" est devenu le meilleur choix.
Mais à mesure que l'industrie de la conduite autonome devient de plus en plus « volumineuse », la demande de cloud des constructeurs automobiles ne se satisfait plus uniquement du stockage des données lui-même, comme la formation de modèles de perception, les tests de simulation, la chaîne d'outils de R&D, etc. cloud de voiture intelligente La demande devient également de plus en plus forte. Par conséquent, à l'heure actuelle, le « cloud » de données de conduite autonome peut être considéré comme l'exigence minimale, et le « cloud » de recherche et développement sur la conduite autonome est la clé. Alors, quelle est actuellement la plus grande demande de cloud parmi les constructeurs automobiles ? Comment les services cloud peuvent-ils contribuer au développement de la conduite autonome ? Où le cloud des voitures intelligentes se développera-t-il à l’avenir ?
Récemment, Ernst & Young (China) Business Consulting Co., Ltd. (ci-après dénommé « EY ») et Huawei Smart Automotive Solutions BU ont co-écrit et publié « Du « Cloud » à « Dans le Cloud ». , Cloud Services Empower Cars « Industrial Intelligent Network Upgrade — Smart Car Cloud Service White Paper » (ci-après dénommé le « Livre blanc »).
Ce "Livre Blanc" est également le premier livre blanc sur l'application des services cloud à l'ère des voitures intelligentes dans l'industrie automobile et ses applications métiers de base. Le livre fournit une explication détaillée des scénarios d'application actuels des services cloud pour voitures intelligentes tels que le développement de la conduite autonome et l'Internet des véhicules. À cet égard, Che Dongxi a trouvé la réponse à la question ci-dessus dans ce « Livre blanc ».
Si le développement de l'industrie de la conduite autonome est divisé en deux moitiés, alors la première moitié est le développement et l'étape de vérification de zéro à un, et la seconde moitié est l'étape de mise en œuvre commerciale de un à plusieurs.
Dans la première moitié de la compétition, les constructeurs automobiles se sont affrontés pour voir quel algorithme de système de conduite autonome était le plus efficace et quel taux de prise en charge était le plus faible. Au second semestre, la compétition porte sur celui qui dispose de la plus grande échelle de livraison et du plus grand kilométrage réel. Après tout, la pratique est le seul critère permettant de vérifier la vérité, et il en va de même pour la conduite autonome.
De nos jours, il existe de plus en plus de véhicules autonomes de tous niveaux, la gamme des tests de conduite est de plus en plus large et les scénarios d'application sont de plus en plus abondants. Pour les constructeurs automobiles, « plus de voitures et plus de routes » est certainement une bonne chose, mais les données massives qui l'accompagnent sont devenues un nouveau « casse-tête ». D'une manière générale, au stade de la recherche et du développement de la conduite autonome, s'il y a 10 véhicules d'essai et que le nombre cumulé de jours de collecte est de 300 jours par an, un seul véhicule peut générer environ 10 To de données chaque jour, et la quantité totale de données générées atteint annuellement environ 30PB. Au stade de la mise en œuvre commerciale, même si les véhicules ne fonctionneront pas jour et nuit comme les véhicules d'essai, le nombre total de véhicules augmentera de façon exponentielle.
Si nous estimons sur la base de 100 000 véhicules et 300 jours de collecte cumulés par an, alors la quantité totale de données auxquelles les constructeurs automobiles seront confrontés à l'avenir atteindra le niveau ZB. Voici une brève introduction à la relation de conversion entre le niveau PB et le niveau ZB. 1ZB=1024EB, 1EB=1024PB En utilisant l'unité TB familière pour convertir, 1ZB est approximativement égal à 1 milliard de To. On peut imaginer la pression des données à laquelle sont confrontés les constructeurs automobiles.
▲La quantité de données en phase commerciale atteindra le niveau ZB (photo tirée du texte du livre blanc)
A ce stade, que ce soit en termes de construction, d'exploitation et les coûts de maintenance ou la sécurité de l'information, grâce à de nouvelles constructions ou à la méthode d'agrandissement de la salle informatique ne peuvent évidemment pas suivre la vitesse de croissance des données.
"Les centres de données traditionnels ne peuvent plus répondre aux exigences de commercialisation de la conduite autonome. "Le passage au cloud" est le seul moyen pour la conduite autonome de passer du développement à la commercialisation." département de produits de services cloud d'une entreprise de haute technologie.
On peut constater que dans la seconde moitié de la commercialisation de la conduite autonome, le « cloud » de données est devenu un besoin majeur pour les constructeurs automobiles, et est également devenu un facteur important pour déterminer s'ils peuvent réaliser une itération rapide.
Cependant, les données massives entraînent non seulement des problèmes de stockage, mais la manière de les utiliser et de les traiter efficacement constitue un autre problème majeur.
Ainsi, « transférer les données vers le cloud » n'est que la première étape, et l'importance du cloud des voitures intelligentes pour la conduite autonome n'est en aucun cas simplement de satisfaire le stockage des données lui-même.
Comme mentionné ci-dessus, l'industrie de la conduite autonome est dans la seconde moitié de la mise en œuvre commerciale. chaque entreprise se bat pour la mise en œuvre et l'échelle, c'est le kilométrage, mais derrière cela se trouve la capacité d'itérer et de résoudre rapidement les cas difficiles.
En d’autres termes, la commercialisation de véhicules autonomes est indissociable d’une itération continue et efficace d’algorithmes.
Pour l'itération des algorithmes de conduite autonome, la formation des modèles de perception et les tests de simulation sont des priorités absolues. La première est directement liée à la sécurité du système de conduite autonome, tandis que la seconde détermine si le système de conduite autonome peut réaliser une itération rapide. .
Cependant, selon les retours du personnel R&D de certains constructeurs automobiles, la formation sur les modèles de perception et les tests de simulation sont également deux points sensibles dans l'ensemble du processus de recherche et développement sur la conduite autonome.
▲Scénarios de points douloureux à haute fréquence liés à la conduite autonome (photos tirées du texte du livre blanc)
Le premier est la formation sur le modèle de perception. Comme nous le savons tous, les systèmes de conduite autonome sont similaires à ceux des conducteurs humains en termes de perception. Ils détectent l'environnement extérieur grâce à divers capteurs. Les premiers s'appuient sur des caméras, un lidar et un radar à ondes millimétriques, tandis que les conducteurs humains s'appuient sur leurs yeux et leurs oreilles. , et même des nez. De plus, tant pour les systèmes de conduite autonomes que pour les conducteurs humains, il est relativement facile à voir, mais plus difficile à identifier.
▲Solution de perception de la conduite autonome
Ainsi, la formation sur les modèles de perception est devenue la partie la plus fondamentale et la plus importante du processus de recherche et développement de conduite autonome. Après tout, ce n’est que lorsque vous voyez clairement et reconnaissez de quoi il s’agit que vous pouvez planifier et prendre des décisions. Plus précisément, la formation de modèles perceptuels peut être divisée en cinq liens principaux selon le processus, à savoir le stockage des données, le prétraitement des données, l'exploration d'exemples difficiles, l'annotation des données et la formation de modèles.
▲Points de contrôle clés de la recherche et du développement de la conduite autonome (photo tirée du texte du livre blanc)
Parmi ces cinq liens majeurs, l'annotation des données est la plus longue et la plus laborieuse un, ce qui fait que tout le monde les constructeurs automobiles l'ont qualifié de "mal de tête". L'annotation des données fait référence à la détection de cibles et à la reconnaissance de divers types d'informations telles que des images, des vidéos et des textes de panneaux de signalisation capturés par des capteurs grâce à des outils artificiels et intelligents. Pour faire simple, l'annotation des données consiste à marquer les informations dans l'image (nuage de points, caméra) une par une. C'est une tâche simple qui nécessite une précision et une efficacité extrêmement élevées.
▲Annotation des données
Ainsi, lorsque les humains s'occupent de ce travail, il est inévitable qu'il y ait des problèmes tels qu'un contrôle des données qui prend beaucoup de temps, un taux de retouche élevé des annotations manuelles et des problèmes incohérents. formats de données, etc. Cela rend l’efficacité globale de l’étiquetage relativement faible. Un constructeur étranger de voitures autonomes a également réduit la proportion d'étiquetage manuel afin d'améliorer l'efficacité de l'étiquetage des données. L’efficacité manuelle étant faible, qu’en est-il de l’utilisation de l’IA pour l’annotation des données ? Bien que l'étiquetage des données via l'IA résolve le problème de l'efficacité manuelle, la profondeur et l'étendue de l'accumulation de données limiteront et affecteront directement la capacité d'apprentissage de l'IA, et la puissance de calcul du modèle d'algorithme de base ne peut pas supporter la quantité croissante de données.
Par conséquent, pour des tâches telles que les modèles de perception de la conduite autonome avec de gros volumes de données de formation, des exigences élevées en matière de précision des algorithmes et des exigences d'efficacité de formation rapide, il est plus approprié d'utiliser les services cloud automobiles pour le traitement des données.
Par rapport aux capacités de traitement des données de la formation manuelle et locale de l'IA, les services cloud automobiles peuvent atténuer efficacement divers problèmes et problèmes qui surviennent dans le processus de traitement des données de conduite autonome avec les avantages d'une super puissance de calcul, d'une intelligence efficace et précise. stratégies.
Le « Livre blanc » mentionne que la mise en œuvre commerciale de la conduite autonome de haut niveau dans des scènes fermées telles que les ports et les mines est plus précoce que celle des voitures particulières, et que les services cloud automobiles joueront également un rôle de « cloud rôle » dans ces scénarios d’application industrielle. La grande valeur de « sur le cerveau ». En prenant comme exemple la conduite sans conducteur dans les zones minières, les services cloud automobiles jouent un rôle crucial dans la formation des modèles de perception.
Les camions sans conducteur rencontrent souvent des routes non structurées, des chutes de pierres aléatoires, des véhicules de forme spéciale, etc. dans les zones minières, et il y a aussi de la poussière volante, de la terre soufflée, etc. environnement. Pour le développement de systèmes de conduite autonome, il s'agit d'un excellent test de la précision de l'annotation des données et de l'efficacité de la formation des modèles. Les services cloud automobiles peuvent rapidement aider la conduite autonome grâce à un traitement efficace des données, à l'exploration de cas difficiles, à l'annotation automatique, à la formation de modèles et autres. Capacités. Le camion s'adapte à l'environnement opérationnel complexe de la zone minière, réduit le taux de prise en charge et améliore l'efficacité des opérations sans pilote.
D'un point de vue data, l'efficacité du traitement local des données de formation en IA est 3 à 4 fois supérieure à celle du traitement manuel, et s'appuyant sur la puissance de calcul plus élevée du cloud et plus encore. Avec l'accumulation de plus d'expérience, l'efficacité globale du traitement des données du service cloud automobile a augmenté de plus de 10 fois et le coût de traitement des données a été réduit de 50 % par rapport au travail manuel.
▲Conduite autonome recherche et développement historique de développement du traitement des données (photo tirée de le texte du livre blanc )
En résumé, en termes de traitement des données de R&D de conduite autonome, les avantages des services cloud automobiles deviennent progressivement plus marquant. Non seulement il peut identifier efficacement les données de grande valeur, optimiser l'espace de stockage et accélérer l'exploration des cas difficiles, mais il peut également utiliser l'apprentissage profond pour améliorer les capacités d'étiquetage automatique, optimiser l'efficacité et la précision des algorithmes d'étiquetage et réduire frais de traitement des données.
Après avoir résolu le problème du traitement des données, pour les constructeurs automobiles qui continuent d'investir dans la conduite autonome, des tests massifs sont essentiels pour réaliser une itération rapide. L'opinion générale dans l'industrie est que le système de conduite autonome nécessite au moins 10 milliards de miles (environ 16,1 milliards de kilomètres) de données d'essai de conduite pour garantir la sécurité du véhicule sur la route. Cependant, il est évidemment difficile de terminer le véhicule d'essai. seul en courant "jour et nuit".
Par conséquent, les tests de simulation sont devenus une partie importante de la recherche et du développement sur la conduite autonome, et c'est également la seule voie à suivre. Selon les statistiques, lors des tests de simulation, les constructeurs automobiles sont principalement confrontés à quatre défis majeurs, à savoir une couverture insuffisante de la bibliothèque de scènes et des formats incompatibles entre les industries ; les tests de simulation impliquent un kilométrage important, de nombreuses catégories de scènes et prennent du temps ; le test de simulation et le test routier réel du véhicule sont importants et le niveau de confiance est faible ; le système d'évaluation de simulation est imparfait et l'effet de rétroaction est médiocre.
▲Système de test de simulation de conduite autonome (photo tirée du texte du livre blanc) #🎜🎜 ## 🎜🎜# De plus, les tests de simulation nécessitent des capacités plus élevées de l'équipe technique, ce qui nécessite une variété de compétences professionnelles interdisciplinaires, ainsi qu'un niveau plus élevé d'intégration commerciale. Bien au-delà des autres aspects commerciaux de la recherche et du développement de la conduite autonome. Les défis et problèmes ci-dessus ont également déclenché le besoin urgent de « passer au cloud » pour les tests de simulation. Alors, quels problèmes le cloud de simulation de voiture peut-il résoudre ? Comment résoudre le problème ?
Tout d'abord, le service cloud de simulation de voiture aide la bibliothèque de scènes de simulation à devenir plus standard et plus complète en créant une bibliothèque de scènes ouverte. Deuxièmement, en s'appuyant sur la puissante puissance de calcul et les capacités de traitement simultanées élevées de la simulation parallèle à grande échelle dans le cloud, le mode monoligne est converti en mode simultané, prenant en charge l'exécution simultanée de plusieurs tâches de simulation dans plusieurs scénarios, améliorant considérablement la simulation. efficacité.
# 🎜🎜# En ce qui concerne le problème des écarts importants entre les tests de simulation et les essais routiers réels des véhicules, les services cloud de simulation de voitures peuvent intégrer des capacités professionnelles dans plusieurs domaines tels que les logiciels informatiques, l'ingénierie énergétique des véhicules, les transports, etc., pour améliorer la fidélité des tests de simulation du micro au macro. Enfin, en termes d'évaluation des tests de simulation, le service cloud automobile est basé sur l'expérience de l'industrie automobile et combiné à la bibliothèque de scénarios, qui peut fournir un système d'index d'évaluation multidimensionnel et complet pour le processus de test de simulation, prendre en charge des services personnalisés. d'indicateurs d'évaluation pour différents constructeurs automobiles et différentes étapes de développement, et accélère l'itération de l'algorithme et l'optimisation de la bibliothèque de scènes pour les tests de simulation.
En résumé, pour l'ensemble du service cloud de conduite autonome, le système de test de simulation de haute qualité est comme le joyau de la couronne, qui reflète le plus représentatifment la recherche et le développement de la conduite autonome. la valeur du cloud. Parmi les deux points de contrôle clés de la recherche et du développement sur la conduite autonome, du traitement des données et des tests de simulation, le rôle du cloud pour voitures intelligentes ne peut être sous-estimé. Pour les constructeurs automobiles impliqués dans la conduite autonome, l’importance du cloud des voitures intelligentes est désormais aussi importante que les capteurs, les plates-formes informatiques et la fabrication des véhicules, et est devenue une arme secrète pour réduire les coûts et accroître l’efficacité dans la seconde moitié de la mise en œuvre commerciale.
Lorsque l'efficacité de la formation des modèles de perception et des tests de simulation est améliorée, cela signifie-t-il que l'efficacité de l'ensemble du processus de recherche et développement sur la conduite autonome peut être améliorée dans son ensemble ? La réponse est non.
Par exemple, lors du processus de recherche et développement de la conduite autonome, un certain constructeur automobile a rencontré des problèmes en raison de la dispersion des outils utilisés à différentes étapes et des différents formats de traitement des données. Il faut 2 mois pour itérer le modèle de développement, ce qui est inefficace et coûteux.
Cela signifie également que seule l'amélioration de l'efficacité d'un seul processus de R&D, sans une chaîne d'outils complète de R&D pour la conduite autonome, ne peut pas faire en sorte que l'efficacité globale de la R&D ait été efficacement amélioré. Le résultat final est très probablement 1+1 Par conséquent, pour les constructeurs automobiles, une chaîne d’outils de recherche et développement complète de bout en bout sur la conduite autonome est cruciale.
Un directeur principal d'un centre de technologie automobile a déclaré que les constructeurs automobiles traditionnels doivent passer du modèle original de développement d'intégration de systèmes en cascade du côté automobile au Fin du cloud-pipe. Transformation du modèle de développement intégré au scénario agile. Par coïncidence, en termes de capacités de traitement sous-jacentes, les services cloud permettent d'aider plus facilement la chaîne d'outils de R&D de conduite autonome à réaliser une boucle fermée de données et à créer une série de chaînes d'outils de développement automatisées couvrant la collecte, le stockage, le traitement, l'étiquetage, la formation de modèles et la simulation de données. , et évaluation. Pour les constructeurs automobiles, lorsqu'ils disposent d'une chaîne d'outils de recherche et développement soutenue par le cloud automobile intelligent, ils peuvent ouvrir le processus de développement « de bout en bout » tout au long de la chaîne, réduire considérablement les coûts de développement et améliorer l'itération et le fonctionnement du système. efficacité de l'entretien.
▲ La chaîne d'outils « de bout en bout » renforce le processus de recherche et développement sur la conduite autonome pour réduire les coûts et augmenter l'efficacité (Photo tirée du texte du livre blanc)
Du point de vue des données, ce "end-to- La chaîne d'outils de R&D de conduite autonome de fin peut aider les constructeurs automobiles à économiser 50 % sur le coût de développement global et à améliorer de 60 % l'efficacité globale de l'exploitation et de la maintenance.
Donc, en plus d'être utiles dans la recherche et le développement de la conduite autonome, quels sont les autres scénarios d'application des services cloud pour voitures intelligentes ? En fait, en plus des trois scénarios majeurs mentionnés ci-dessus, les services cloud pour voitures intelligentes ont été discrètement lancés tout au long du cycle de vie du véhicule. Il existe actuellement 9 nouveaux scénarios pour les services cloud automobiles tout au long du cycle de vie du véhicule, ainsi que 21 scénarios d'application spécifiques dans des dimensions plus détaillées, notamment la recherche et le développement, les ventes, l'utilisation, les services après-vente et d'autres services dérivés.
▲Perspectives de scénarios d'application des services cloud automobiles dans les véhicules intelligents connectés (photo tirée du livre blanc Texte)
En bref, le cloud de la voiture intelligente est devenu un élément indispensable de l'industrie de la voiture connectée intelligente et aide les données à jouer un rôle dans applications métier Maximisez la valeur et aidez les constructeurs automobiles à réduire leurs coûts et à accroître l'efficacité du processus depuis la recherche et le développement jusqu'à l'utilisation commerciale. Les constructeurs automobiles progressent également vers l'extrémité profonde de la coopération au niveau commercial avec les fabricants de cloud, formant progressivement une bonne situation d'autonomisation bidirectionnelle et travaillant main dans la main sur la voie de mise à niveau de la connexion réseau intelligente.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Comment changer le type de fichier dans Win7
L'écran de l'ordinateur n'affiche aucun signal
Comment exporter un projet dans phpstorm
Méthode de réparation des erreurs Kernelutil.dll
Les mots disparaissent après avoir tapé
saut de ligne forcé de mot
Migrer les données d'un téléphone Android vers un téléphone Apple
Comment utiliser mmplayer
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
