自動運転データの「クラウド」は一般的なトレンドになっていますが、次のステップは何でしょうか?現在、自動運転業界は実用化の後半に入り、さまざまなレベルの自動運転システムを搭載した車両が路上を走行することが増えています。自動車会社にとって、オン・ザ・グラウンド・デリバリーは、長年にわたる骨の折れる研究開発の成果であるだけでなく、量産によってもたらされる膨大な量のデータという課題にも直面しています。新しいコンピュータ室を構築するだけで効果的であり、データストレージは「クラウド」が最適な選択肢となっています。
しかし、自動運転業界がますます「量的」になるにつれて、自動車会社のクラウドに対する需要は、知覚モデルのトレーニングやシミュレーションテストなどのデータストレージ自体だけではもはや満たされなくなりました。 、研究開発 ツールチェーンなどのスマートカークラウドの需要も高まっています。したがって、現時点では自動運転データの「クラウド」が最低限の要件と考えられ、自動運転研究開発の「クラウド」が鍵となります。では、現在自動車会社の間でクラウドに対する最大の需要は何でしょうか?クラウドサービスは自動運転開発をどのように支援できるのでしょうか?スマートカークラウドは将来どこに発展するのでしょうか?
最近、アーンストアンドヤング(中国)ビジネスコンサルティング有限公司(以下、「EY」)とファーウェイスマートカーソリューション事業部は共同で『クラウドから』を執筆し、リリースしました。 「クラウド」への「参入」、クラウド サービスは自動車産業のインテリジェントなネットワーク アップグレードを強化します - スマート カー クラウド サービス ホワイト ペーパー(以下「ホワイト ペーパー」)。
この「ホワイト ペーパー」は、自動車業界およびその中核となるビジネス アプリケーションにおけるスマート カー時代のクラウド サービスのアプリケーションに関する最初のホワイト ペーパーでもあります。 この本では、自動運転開発や車両のインターネットなど、スマート カー クラウド サービスの現在のアプリケーション シナリオについて詳細に説明しています。この点に関して、車東熙はこの「白書」から上記の質問に対する答えを見つけました。
自動運転産業の発展を2つの半分に分けると、前半は0から1への開発・検証段階、後半は1から多への商用実装段階となります。
競争の前半では、自動車会社は、どこの自動運転システムのアルゴリズムがより効率的で、どちらの乗っ取り率が低いかを競い合いました。後半は、配送規模と実走行距離が最も大きいチームを競う。結局のところ、真実をテストするための唯一の基準は実践であり、自動運転にも同じことが当てはまります。
現在、あらゆるレベルで自動運転車がますます増えており、運転試験の範囲はますます広くなり、応用シナリオはますます豊富になってきています。自動車会社にとって、「クルマが増え、道路が増える」ことは確かに良いことだが、それに伴う大量のデータが新たな「頭痛の種」となっている。一般的に、自動運転の研究開発段階では、試験車両が10台あり、収集日数の累計が年間300日の場合、1台の車両で毎日約10TBのデータが生成され、生成されるデータの総量は年間約30PBに達します。実用化段階では、試験車両のように昼夜を問わず車両が走行するわけではありませんが、車両の総数は飛躍的に増加します。
車両 10 万台、年間累積回収日数 300 日を基に試算すると、将来的に自動車会社が直面するデータの総量は ZB レベルに達すると考えられます。ここで、PB レベルと ZB レベルの換算関係を簡単にご紹介します 1ZB=1024EB、1EB=1024PB おなじみの TB 単位で換算すると、1ZB は約 10 億 TB に相当します。自動車会社が直面するデータプレッシャーは想像に難くない。
▲商用段階のデータ量は ZB レベルに達する (画像はホワイトペーパーの本文から引用)
現段階では、建設費、運用保守費、情報セキュリティのいずれの点においても、コンピュータ室の建設や拡張ではデータの速度に追いつけないことは明らかです。成長。
「従来のデータセンターは、自動運転の商用化の要件にもはや適応できません。自動運転を開発から実用化に移行する唯一の方法は「クラウドへの移行」です。ハイテク企業のインテリジェンスであるCheyunサービス製品部の部長はこう語った。
自動運転の商用化の後半では、データ「クラウド」が自動車会社にとって大きなニーズとなり、それが実現できるかどうかも決定されることがわかります。迅速な反復には重要な要素です。
#しかし、大量のデータはストレージの問題を引き起こすだけでなく、それをどのように効率的に利用して処理するかということも大きな問題となります。
したがって、「データのクラウドへの移行」は最初のステップにすぎず、自動運転におけるスマートカークラウドの意義は決してデータを満たすことだけではありません。ストレージ自体。
As前述の自動運転業界は実用化の後半に入っており、各社とも表面的には導入や規模、走行距離などを追求しているが、その裏で実際に求めているのは、迅速な反復と実用化の能力である。コーナーケースを解決します。
#言い換えれば、自動運転車の商用化は、継続的かつ効率的なアルゴリズムの反復から切り離すことはできません。
自動運転アルゴリズムの反復では、知覚モデルのトレーニングとシミュレーション テストが最優先事項であり、前者は自動運転システムの安全性に直接関係し、後者は自動運転システムの安全性に直接関係します。自動運転システムが迅速な反復を達成できるかどうかを決定します。
ただし、一部の自動車会社の研究開発担当者からのフィードバックによると、知覚モデルのトレーニングとシミュレーション テストも、自動運転の研究開発プロセス全体における 2 つの大きな課題となっています。
##▲ 自動運転に関連する高頻度の問題点シナリオ (写真はホワイトペーパーの本文から抜粋)
1 つ目は、知覚モデルのトレーニングです。ご存知のとおり、自動運転システムは、カメラやライダー、ミリ波レーダーなどを利用して外部環境を感知するのに対し、人間のドライバーは目や耳を頼りに、さまざまなセンサーを介して外部環境を感知するという点で人間のドライバーと知覚に似ています。 、そして鼻さえも。さらに、自動運転システムと人間のドライバーの両方の場合、それを確認するのは比較的簡単ですが、識別するのはより困難です。
▲自動運転知覚ソリューション
したがって、知覚モデルのトレーニングはこれは自動運転の研究開発プロセスの最も基本的かつ重要な部分になります。結局のところ、それが何であるかを明確に見て認識した場合にのみ、計画を立て、決定を下すことができます。具体的には、知覚モデルのトレーニングは、プロセスに応じて 5 つの主要なリンク、つまりデータ保存、データ前処理、困難なサンプル マイニング、データ アノテーション、およびモデル トレーニングに分割できます。
▲自動運転の研究開発における重要な管理ポイント (画像はホワイトペーパーの本文から引用)
これら 5 つの主要なリンクの中で、データ アノテーションは最も時間と労力がかかるものであり、多くの自動車会社がこれを「頭痛の種」と呼んでいます。データ アノテーションとは、センサーによってキャプチャされた画像、ビデオ、道路標識のテキストなどのさまざまな種類の情報を、人工的かつインテリジェントなツールを通じてターゲットの検出と認識を指します。データアノテーションとは、簡単に言うと画像(点群、カメラ)内の情報を一つ一つマークしていく作業ですが、非常に高い精度と効率が求められる単純な作業です。▲データのアノテーション
つまり、人間がこれを処理するとき、作業するとき、時間のかかるデータ スクリーニング、手動アノテーションの高い再作業率、一貫性のないデータ形式などの問題が必然的に発生し、全体的なアノテーション効率が比較的低くなります。外資系の自動運転車会社も、データラベリングの効率を高めるために手動ラベリングの割合を減らしました。手作業の効率が低いので、データアノテーションにAIを活用してはどうでしょうか? AI によるデータのラベル付けは手動の効率の問題を解決しますが、データ蓄積の深さと広さは AI の学習能力に直接制限および影響を与え、基本的なアルゴリズム モデルの計算能力はデータ量の増加に耐えられなくなります。
したがって、大量のトレーニング データ、高いアルゴリズム精度、高速トレーニング効率を必要とする自動運転知覚モデルなどのタスクには、自動車用クラウドの使用がより適しています。サービス、データ処理。
手動およびローカル AI トレーニングのデータ処理能力と比較して、自動車クラウド サービスは、スーパー コンピューティング能力、効率的かつ正確なインテリジェント戦略の利点により、自動運転を効果的に容易にすることができます。データ処理中に発生する問題や課題。
「白書」では、港湾や鉱山などの閉ざされた現場での高度な自動運転の実用化は乗用車よりも早く、自動車クラウドサービスも「自動車の頭脳」の役割を果たすと述べている。これらの業界のアプリケーション シナリオでは、「クラウド」は非常に価値があります。鉱山地域での無人運転を例にとると、自動車用クラウド サービスは知覚モデルのトレーニングにおいて重要な役割を果たします。
無人トラックは、鉱山地域では舗装されていない道路、ランダムな落石、特殊な形状の車両などに遭遇することが多く、また、鉱山地域では粉塵の飛散や吹き飛ばされた土などの過酷な環境もあります。自動運転システムの開発にとって、これはデータ アノテーションの精度とモデル トレーニングの効率性を試す優れたテストです。自動車クラウド サービスは、効率的なデータ処理、困難なケースのマイニング、自動アノテーション、モデル トレーニングなどを通じて自動運転を迅速に支援できます。このトラックは、鉱山地域の複雑な作業環境に適応し、引き取り率を低減し、無人作業の効率を向上させます。
データに関しては、ローカル AI トレーニング データ処理の効率は手動処理の 3 ~ 4 倍であり、より高いコンピューティング能力と蓄積された経験に依存しています。クラウドの活用により、車載クラウドサービスのデータ処理の総合的な処理効率が10倍以上向上し、手作業に比べてデータ処理コストが50%削減されます。
▲自動運転研究開発のためのデータ処理の開発履歴(写真はホワイトペーパー本文より抜粋)
# 要約すると、自動運転の研究開発におけるデータ処理の観点から、自動車クラウド サービスの利点は徐々に顕著になりつつあります。 価値の高いデータを効果的に特定し、ストレージスペースを最適化し、困難なケースのマイニングを加速するだけでなく、深層学習を使用して自動ラベル付け機能を向上させ、ラベル付けアルゴリズムの効率と精度を最適化し、データ処理コストを削減することもできます。 。
03
# したがって、シミュレーション テストは自動運転の研究開発の重要な部分となっており、また、それが唯一の手段でもあります。 統計によると、自動車会社はシミュレーション テスト中に主に 4 つの大きな課題に直面しています。1 つは、シーン ライブラリのカバレッジが不十分であり、業界間で互換性のない形式であること、シミュレーション テストには走行距離が多く、シーン カテゴリが多く、時間がかかること、シミュレーション テストとシミュレーション テストの間の差異です。テストと実車路上テストの規模が大規模で信頼度が低い、シミュレーション評価システムが不完全でフィードバック効果が低い。
▲自動運転シミュレーション試験システム (画像はホワイトペーパー本文より引用)
さらに、シミュレーションテストには、高度な技術チームの能力が求められ、分野横断的なさまざまな専門スキルが要求され、自動運転の研究開発における他のビジネスリンクをはるかに超えた、より高いレベルのビジネス統合も必要とされます。上記の課題と問題は、シミュレーション テストのために「クラウドに参入する」という緊急の必要性も引き起こしました。それでは、シミュレーションカークラウドはどのような問題を解決できるのでしょうか?問題を解決するにはどうすればよいでしょうか?まず第一に、シミュレーション カー クラウド サービスは、オープン シーン ライブラリを構築することで、シミュレーション シーン ライブラリをより標準的かつ包括的にするのに役立ちます。第 2 に、クラウドでの大規模並列シミュレーションの強力なコンピューティング能力と高い同時実行処理能力に依存して、シングルライン モードが同時モードに変換され、複数のシナリオでの複数のシミュレーション タスクの同時完了をサポートします。シミュレーション効率が大幅に向上します。
▲自動運転クラウドシミュレーション
シミュレーションテストと実際の動作については大型車両の路上試験の偏差の問題を解決するために、シミュレーションカークラウドサービスは、コンピュータソフトウェア、車両電力工学、輸送などの複数の分野の専門能力を統合し、ミクロからマクロまでシミュレーション試験の忠実度を向上させることができます。最後に、シミュレーション テストの評価に関しては、自動車クラウド サービスは自動車業界の経験に基づいており、シナリオ ライブラリと組み合わせることで、シミュレーション テスト プロセスに多次元かつ包括的な評価指標システムを提供し、カスタマイズされたサービスをサポートできます。さまざまな自動車会社やさまざまな開発段階に合わせた評価指標を提供し、シミュレーション テストのためのアルゴリズムの反復とシーン ライブラリの最適化を加速します。
つまり、自動運転クラウド サービス全体にとって、高品質シミュレーション テスト システムは、自動運転研究開発の「クラウド」を最も代表的に反映する至宝のようなものです。の値。自動運転の研究開発、データ処理、シミュレーションテストという 2 つの重要な制御ポイントのうち、スマート カー クラウドの役割を過小評価することはできません。自動運転に携わる自動車会社にとって、スマートカークラウドの重要性は現在、センサー、コンピューティングプラットフォーム、車両製造と同じくらい重要であり、商用実装の後半でコストを削減し効率を高める秘密兵器となっている。
たとえば、ある自動車会社は、自動運転の研究開発プロセスにおいて、さまざまな段階で使用されるツールが散在し、データ処理形式が異なるため、モデルの反復を開発する必要がありました。 、非効率的でコストがかかります。
これは、完全な自動運転の研究開発ツールチェーンがなければ、単一の研究開発プロセスの効率を向上させるだけでは、研究開発全体の効率を効果的に向上させることはできないことも意味します。
最終結果は 1 1 したがって、自動車会社にとって、フルスタックのエンドツーエンドの自動運転研究開発ツールチェーンは非常に重要です。 自動車テクノロジーセンターのシニアディレクターは、従来の自動車会社は、自動車エンドの元のウォーターフォール型システム統合開発モデルから、アジャイルなアプローチに移行する必要があると述べました。クラウド-パイプ-エンドの統合 シナリオ統合開発モデルの変革。偶然にも、基盤となる処理機能の観点から見ると、クラウド サービスにより、自動運転の研究開発ツール チェーンがデータ閉ループを実現し、データ収集、保存、処理、注釈、モデル トレーニング、シミュレーションをカバーする一連の自動開発ツール チェーンを構築することが容易になります。 、及び評価です。自動車会社にとって、スマート カー クラウドによってサポートされる研究開発ツール チェーンがあれば、チェーン全体で「エンドツーエンド」の開発プロセスをオープンにし、開発コストを大幅に削減し、システムの反復と運用を改善することができます。メンテナンス効率。
▲「エンドツーエンド」ツールチェーンにより、自動運転の研究開発プロセスがコストを削減し、効率を向上させることができます(画像はホワイトペーパーの本文から抜粋)
データの観点から見ると、この「エンドツーエンド」の自動運転研究開発ツール チェーンは、自動車会社の 50% の節約に役立ちます総合的な開発コストを削減し、総合的な運用を 60% 改善します。
#05
▲インテリジェント コネクテッド ビークルにおける自動車クラウド サービスのアプリケーション シナリオの見通し (写真はホワイト ペーパーの本文から引用)
つまり、スマート カー クラウドは、スマート コネクテッド カー業界にとって不可欠な部分となっており、ビジネス アプリケーションにおけるデータの価値を最大化するのに役立ち、自動車会社が次のプロセスに取り組むのを支援しています。研究開発から商業利用までコストを削減し、効率を高めます。自動車会社はまた、ビジネスレベルの協力の深層部に向けてクラウドメーカーと前進しており、双方向の権限付与という良好な状況を徐々に形成し、インテリジェントなネットワーク接続のアップグレードに向けて協力して取り組んでいます。
以上が自動運転は「クラウドへ」が一般的潮流、研究開発は「クラウドへ」が鍵の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。