자율주행 데이터 '클라우드'가 대세로 자리 잡았는데, 다음 단계는 무엇일까요? 현재 자율주행 산업은 상용화 후반기에 진입했으며, 다양한 수준의 자율주행 시스템을 탑재한 차량이 도로를 달리고 있다. 자동차 회사의 경우 현장 배송은 수년간의 고된 연구 개발에 대한 인식일 뿐만 아니라 현재 대량 생산으로 인해 발생하는 엄청난 양의 데이터에 대한 도전에 직면해 있습니다. 새로운 컴퓨터실을 구축하는 것만으로도 효과적이며 데이터 스토리지가 "증대되고 있습니다" 클라우드가 최선의 선택이 되었습니다.
그러나 자율주행 산업이 점점 더 "볼륨"화되면서 자동차 회사의 클라우드에 대한 수요는 더 이상 인식 모델 훈련, 시뮬레이션 테스트, R&D 도구 체인 등 데이터 저장 자체만으로는 충족되지 않습니다. 스마트카 클라우드에 대한 수요도 점점 더 커지고 있습니다. 따라서 현 시점에서는 자율주행 데이터의 '클라우드'가 최소한의 요구사항이라고 볼 수 있으며, 자율주행 연구개발의 '클라우드'가 핵심이다. 그렇다면 현재 자동차 회사 중 클라우드에 대한 가장 큰 수요는 무엇일까? 클라우드 서비스는 자율주행 개발을 어떻게 지원할 수 있나요? 스마트카 클라우드는 앞으로 어디로 발전하게 될까요?
최근 Ernst & Young (China) Business Consulting Co., Ltd.(이하 "EY")와 Huawei Smart Automotive Solutions BU는 "From "Cloud" to "Into the Cloud"를 공동 집필하여 출시했습니다. , Cloud Services Empower Cars "산업 지능형 네트워크 업그레이드 - 스마트 자동차 클라우드 서비스 백서"(이하 "백서"라고 함).
본 "백서"는 자동차 산업에서 스마트카 시대의 클라우드 서비스 적용과 핵심 비즈니스 애플리케이션에 대한 최초의 백서이기도 합니다. 자율주행 개발, 차량인터넷 등 스마트카 클라우드 서비스의 현재 적용 시나리오에 대해 자세히 설명하는 책입니다. 이에 대해 처동희는 위 질문에 대한 답을 이번 『백서』에서 찾았다.
자율주행 산업의 발전을 둘로 나눈다면 전반부는 발전입니다. 0부터 1까지의 검증 단계, 후반부는 1부터 다수까지의 사업 구현 단계입니다.
전반전에는 어느 자동차 회사가 자율주행 시스템 알고리즘을 더 효율적으로 사용하고, 어느 자동차 인수율이 더 낮은지 경쟁을 벌였습니다. 후반부에는 누가 가장 큰 배송 규모와 가장 많은 실제 마일리지를 갖고 있는지 경쟁을 펼친다. 결국, 진실을 검증하는 유일한 기준은 연습이며, 자율주행에도 마찬가지입니다.
요즘에는 모든 수준의 자율주행차가 점점 더 많아지고, 운전 테스트의 범위도 점점 더 넓어지고, 적용 시나리오도 점점 더 풍부해지고 있습니다. 자동차 회사들에게 '더 많은 자동차와 더 많은 도로'는 분명 좋은 일이지만, 그에 수반되는 엄청난 양의 데이터는 새로운 '두통'이 되었습니다. 일반적으로 자율주행 연구개발 단계에서 테스트 차량이 10대이고 누적 수집일이 연간 300일이라면 차량 한 대가 매일 약 10TB의 데이터를 생성할 수 있으며, 생성되는 총 데이터량은 연간 약 30PB에 이릅니다. 상용화 단계에서는 테스트 차량처럼 밤낮으로 운행하지는 않지만, 전체 차량 대수는 기하급수적으로 늘어날 전망이다.
자동차 10만 대, 연간 누적 수거 일수 300일을 기준으로 추정하면, 앞으로 자동차 회사가 직면하는 전체 데이터 양은 ZB 수준에 달할 것입니다. PB 레벨과 ZB 레벨의 변환 관계에 대해 간략하게 소개합니다. 1ZB=1024EB, 1EB=1024PB 친숙한 TB 단위를 사용하여 변환하면 1ZB는 대략 10억TB에 해당합니다. 자동차 회사가 직면하고 있는 데이터 압박은 상상할 수 있습니다.
▲상업 단계의 데이터 양은 ZB 수준에 도달할 것입니다(백서 텍스트에서 가져온 사진)
이 단계에서는 구축, 운영 및 유지 관리 비용이나 정보 보안, 신축을 통해 또는 전산실을 확장하는 방법은 분명히 데이터 증가 속도를 따라갈 수 없습니다.
"기존의 데이터센터는 더 이상 자율주행 상용화 요건을 충족할 수 없습니다. 스마트카 총괄 책임자는 자율주행이 개발에서 상용화로 넘어가는 유일한 방법은 '클라우드로의 전환'입니다." 하이테크 기업의 클라우드 서비스 제품 부서입니다.
자율주행 상용화 후반기에 접어들면서 데이터 '클라우드'는 자동차 회사의 주요 요구사항이 되었고, 빠른 반복을 달성할 수 있는지 여부를 결정하는 중요한 요소가 되었다고 볼 수 있습니다.
그러나 대용량 데이터는 저장 문제를 가져올 뿐만 아니라 이를 어떻게 효율적으로 활용하고 처리할 것인지도 큰 문제입니다.
그래서 "데이터를 클라우드로 가져오는 것"은 단지 첫 번째 단계일 뿐이며, 자율주행을 위한 스마트카 클라우드의 의미는 결코 단순히 데이터 저장 그 자체를 만족시키는 것이 아닙니다.
위에서 언급했듯이 자율주행 산업은 표면적으로는 상용화 단계에 있습니다. 각 회사는 구현과 규모를 위해 싸우고 있지만 그 뒤에는 코너 케이스를 빠르게 반복하고 해결하는 능력이 있습니다.
즉, 자율주행차의 상용화는 지속적이고 효율적인 알고리즘 반복과 불가분의 관계에 있습니다.
자율주행 알고리즘의 반복을 위해서는 인지 모델 훈련과 시뮬레이션 테스트가 최우선적으로 고려되어야 하는데, 전자는 자율주행 시스템의 안전성과 직결되는 반면, 후자는 자율주행 시스템이 빠른 반복을 달성할 수 있는지 여부를 결정합니다. .
그러나 일부 자동차 회사의 R&D 인력의 피드백에 따르면 인식 모델 훈련과 시뮬레이션 테스트도 전체 자율 주행 연구 및 개발 과정에서 두 가지 주요 문제점입니다.
▲자율주행과 관련된 고주파수 Pain Point 시나리오(백서 텍스트에서 가져온 사진)
첫 번째는 인식 모델 훈련입니다. 우리 모두 알고 있듯이 자율주행 시스템은 다양한 센서를 통해 외부 환경을 감지하는 인간 운전자와 유사하지만 인간 운전자는 눈과 귀에 의존합니다. , 심지어 코까지. 더욱이 자율주행 시스템과 인간 운전자 모두 상대적으로 보기는 쉽지만 식별하기는 더 어렵습니다.
▲자율주행 인식 솔루션
그래서 인지 모델 훈련은 자율주행 연구개발 과정에서 가장 기본이자 중요한 부분이 되었습니다. 결국, 그것이 무엇인지 명확하게 보고 인식할 때만 계획하고 결정을 내릴 수 있습니다. 구체적으로, 지각 모델 훈련은 프로세스에 따라 데이터 저장, 데이터 전처리, 어려운 예제 마이닝, 데이터 주석, 모델 훈련의 다섯 가지 주요 링크로 나눌 수 있습니다.
▲자율주행 연구개발의 핵심 관제 포인트(백서 본문에서 찍은 사진)
이 다섯 가지 주요 링크 중 데이터 주석은 가장 시간과 노동 집약적입니다. 하나는 모든 자동차 회사에서 이를 "두통"이라고 부르게 만드는 것입니다. 데이터 주석(Data Annotation)이란 센서가 포착한 이미지, 영상, 도로표지 문자 등 다양한 형태의 정보를 인공적이고 지능적인 도구를 통해 표적을 탐지하고 인식하는 것을 말한다. 간단히 말하면, 데이터 주석은 이미지(포인트 클라우드, 카메라)에 있는 정보를 하나씩 표시하는 것입니다. 매우 높은 정확성과 효율성이 요구되는 간단한 작업입니다. ㅋㅋㅋ 데이터 형식 등으로 인해 전반적인 라벨링 효율성이 상대적으로 낮아집니다. 외국 자율주행차 업체도 데이터 라벨링의 효율성을 높이기 위해 수동 라벨링의 비중을 줄였다. 수동 효율성이 낮으니 데이터 주석에 AI를 활용하는 것은 어떨까요? AI를 통해 데이터에 레이블을 지정하면 수동 효율성 문제가 해결되지만, 데이터 축적의 깊이와 폭은 AI의 학습 능력에 직접적으로 제한 및 영향을 미치며, 기본 알고리즘 모델의 컴퓨팅 성능은 증가하는 데이터 양을 감당할 수 없습니다.
수동 및 로컬 AI 훈련의 데이터 처리 능력에 비해, 자동차 클라우드 서비스는 슈퍼 컴퓨팅 능력, 효율적이고 정확한 지능형이라는 장점으로 자율주행 데이터 처리 과정에서 발생하는 다양한 문제와 문제점을 효과적으로 완화할 수 있습니다. 전략.
'백서'에서는 항만, 광산 등 폐쇄된 환경에서 높은 수준의 자율주행의 상용화 구현이 승용차보다 빠르며, 자동차 클라우드 서비스도 '클라우드 위의 두뇌'라는 큰 가치를 발휘할 것이라고 언급했습니다. " 이러한 산업 응용 시나리오에서. . 광산 지역에서의 무인 운전을 예로 들면, 자동차 클라우드 서비스는 인식 모델 훈련에 중요한 역할을 합니다.
무인 트럭은 광산 지역에서 비정형 도로, 무작위 낙석, 특수 형상의 차량 등과 자주 마주치며, 광산 지역에서는 먼지가 날리고 흙이 날리는 등 혹독한 환경도 있습니다. 자율주행 시스템 개발을 위해 이는 데이터 주석의 정확성과 모델 훈련의 효율성을 테스트하는 훌륭한 테스트입니다. 자동차 클라우드 서비스는 효율적인 데이터 처리, 어려운 사례 마이닝, 자동 주석, 모델 훈련 등을 통해 자율주행을 신속하게 지원할 수 있습니다. 트럭은 광산 지역의 복잡한 운영 환경에 적응하고 인수율을 낮추며 무인 작업의 효율성을 향상시킵니다.
데이터 측면에서 로컬 AI 훈련 데이터 처리 효율성은 수동 처리에 비해 3~4배 더 높습니다. 클라우드의 높은 컴퓨팅 성능과 더 많은 경험 축적을 기반으로 자동차 클라우드 서비스의 종합적인 처리 효율성이 향상됩니다. 데이터 처리 성능이 10배 이상 향상되어 수작업에 비해 데이터 처리 비용이 50% 절감됩니다.
▲자율주행 R&D 데이터 처리 발전 이력(백서 본문에서 발췌한 사진)
요약하면, 자율주행 R&D 데이터 처리 측면에서 자동차의 장점은 클라우드 서비스가 점차 두각을 나타내고 있습니다. 고가치 데이터를 효과적으로 식별하고, 저장 공간을 최적화하고, 어려운 사례 마이닝을 가속화할 수 있을 뿐만 아니라 딥 러닝을 사용하여 자동 라벨링 기능을 개선하고, 라벨링 알고리즘의 효율성과 정확성을 최적화하고, 데이터 처리 비용을 절감할 수 있습니다.
데이터 처리 문제를 해결한 후 자율주행에 계속 투자하는 자동차 회사라면 빠른 반복을 달성하려면 대규모 테스트가 필수적입니다. 업계에서는 자율주행 시스템이 도로 위에서 차량의 안전성을 확보하기 위해서는 최소 100억마일(약 161억km)의 시승 데이터가 필요하다는 게 일반적인 견해다. 하지만 테스트 차량을 완성하는 것은 분명히 어렵다. "낮과 밤"을 달리며 혼자.
따라서 시뮬레이션 테스트는 자율주행 연구개발의 중요한 부분이 되었고, 나아가야 할 유일한 방법이기도 합니다. 통계에 따르면, 시뮬레이션 테스트 중에 자동차 회사는 주로 네 가지 주요 문제에 직면합니다. 즉, 장면 라이브러리 범위가 충분하지 않고 산업 간 호환되지 않는 형식입니다. 테스트는 편차가 크고 신뢰도가 낮습니다. 시뮬레이션 평가 시스템이 불완전하고 피드백 효과가 낮습니다.
▲자율주행 시뮬레이션 테스트 시스템(백서 본문에서 촬영한 사진)
게다가 시뮬레이션 테스트에는 높은 역량의 기술팀이 필요하며, 다양한 분야를 넘나드는 전문 인력이 있어야 합니다. 비즈니스 통합에 대한 요구 사항도 자율 주행 연구 개발의 다른 비즈니스 측면을 훨씬 능가하는 수준입니다. 위의 과제와 문제로 인해 시뮬레이션 테스트를 위해 "클라우드에 진입"해야 하는 긴급한 필요성도 촉발되었습니다. 그렇다면 시뮬레이션 자동차 클라우드는 어떤 문제를 해결할 수 있을까요? 문제를 해결하는 방법?
먼저 시뮬레이션 자동차 클라우드 서비스는 개방형 장면 라이브러리를 구축하여 시뮬레이션 장면 라이브러리가 더욱 표준화되고 포괄적이 되도록 도와줍니다. 둘째, 클라우드에서 대규모 병렬 시뮬레이션의 강력한 컴퓨팅 성능과 높은 동시성 처리 기능을 활용하여 단일 라인 모드를 동시 모드로 변환하여 여러 시나리오에서 여러 시뮬레이션 작업을 동시에 완료할 수 있도록 지원하여 시뮬레이션을 크게 향상시킵니다. 능률.
▲자율주행 클라우드 시뮬레이션
시뮬레이션 테스트와 실제 차량 도로 테스트 간의 큰 편차 문제에 대해 시뮬레이션 자동차 클라우드 서비스는 컴퓨터 소프트웨어, 차량 전력 엔지니어링, 운송 및 기타를 통합할 수 있습니다. 전문 분야 마이크로부터 매크로까지 시뮬레이션 테스트 충실도를 향상시키는 능력. 마지막으로, 시뮬레이션 테스트 평가 측면에서 자동차 클라우드 서비스는 자동차 산업의 경험을 기반으로 하며 시뮬레이션 테스트 프로세스에 대한 다차원적이고 포괄적인 평가 지표 시스템을 제공할 수 있는 시나리오 라이브러리와 결합되어 맞춤형 서비스를 지원합니다. 다양한 자동차 회사 및 다양한 개발 단계에 대한 평가 지표를 작성하고, 시뮬레이션 테스트를 위한 알고리즘 반복 및 장면 라이브러리 최적화를 가속화합니다.
요컨대, 자율주행 클라우드 서비스 전반에 걸쳐 고품질의 시뮬레이션 테스트 시스템은 자율주행 연구개발을 위한 '클라우드 진입'의 가치를 가장 대표적으로 반영하는 왕관과도 같습니다. 자율주행 연구개발의 두 가지 핵심 통제점인 데이터 처리와 시뮬레이션 테스트 중에서 스마트카 클라우드의 역할은 과소평가될 수 없습니다. 자율주행을 추진하는 자동차 기업들에게 스마트카 클라우드의 중요성은 이제 센서, 컴퓨팅 플랫폼, 차량 제조 못지않게 중요하며, 하반기 상용화에 비용 절감과 효율성 증대를 위한 비밀병기가 됐다.
인식 모델 훈련과 시뮬레이션 테스트의 효율성이 향상된다는 것은 자율주행 전체의 효율성이 향상된다는 뜻인가요? 추진 R&D 프로세스를 개선할 수 있습니까? 전반적인 개선은 어떻습니까? 대답은 부정적이다.
예를 들어, 자율 주행 연구 개발 과정에서 특정 자동차 회사는 다양한 단계와 다양한 데이터 처리 형식에 분산된 도구를 사용해야 했으며 그 결과 개발 모델을 반복하는 데 2개월이 걸렸습니다. 비효율적이고 비용이 많이 든다.
이는 또한 완전한 자율주행 R&D 툴체인 없이 단일 R&D 프로세스의 효율성을 향상시키는 것만으로는 전반적인 R&D 효율성을 효과적으로 향상시킬 수 없다는 것을 의미합니다. 최종 결과는 1+1따라서 자동차 회사의 경우 풀 스택 엔드 투 엔드 자율 주행 R&D 툴 체인이 중요합니다.
자동차 기술 센터의 한 선임 이사는 전통적인 자동차 회사가 원래의 자동차 엔드의 폭포식 시스템 통합 개발 모델에서 클라우드-파이프 엔드 통합의 애자일 시나리오 통합 개발 모델로 전환해야 한다고 말했습니다. 동시에 기본 처리 기능 측면에서 클라우드 서비스는 자율 주행 R&D 도구 체인이 데이터 폐쇄 루프를 달성하고 데이터 수집, 저장, 처리, 주석, 모델 교육, 시뮬레이션을 포괄하는 자동화된 개발 도구 체인 세트를 구축하는 데 더 쉽게 도움을 줄 수 있습니다. 그리고 평가. 자동차 회사의 경우 스마트 자동차 클라우드가 지원하는 연구 개발 도구 체인이 있으면 체인 전반에 걸쳐 "엔드 투 엔드" 개발 프로세스를 개방하고 개발 비용을 대폭 절감하며 시스템 반복 및 운영 및 개선을 개선할 수 있습니다. 유지관리 효율성.
▲"엔드 투 엔드" 툴 체인은 자율 주행 연구 및 개발 프로세스를 강화하여 비용을 절감하고 효율성을 높입니다(백서 텍스트에서 가져온 사진)
데이터에서 관점에서 볼 때, 이 "엔드 투 엔드" 자율주행 R&D 툴 체인은 자동차 회사가 종합 개발 비용을 50% 절감하고 종합 운영 및 유지 관리 효율성을 60% 향상할 수 있도록 지원합니다.
자율 주행 연구 및 개발에 유용한 것 외에도 스마트 자동차에 대한 다른 응용 시나리오는 무엇입니까? 클라우드 서비스? 실제로 위에서 언급한 세 가지 주요 시나리오 외에도 스마트카 클라우드 서비스는 차량 수명주기 전반에 걸쳐 조용히 출시되었습니다. 현재 자동차 수명 주기 전반에 걸쳐 자동차 클라우드 서비스를 위한 9개의 새로운 시나리오가 있으며, 연구 개발, 판매, 사용, 애프터 서비스 및 기타 파생 서비스를 포함하여 보다 세부적인 차원에서 21개의 특정 애플리케이션 시나리오가 있습니다.
▲지능형 커넥티드 차량의 자동차 클라우드 서비스 적용 시나리오에 대한 전망(백서 본문에서 발췌한 사진)
간단히 말하면 지능형 차량 클라우드는 자동차 산업에서 없어서는 안 될 존재가 되었습니다. 지능형 커넥티드 자동차 산업 그 일부는 비즈니스 애플리케이션에서 데이터의 가치를 극대화하고 자동차 회사가 연구 개발에서 상용화에 이르는 과정에서 비용을 절감하고 효율성을 높이는 데 도움을 주는 것입니다. 자동차 회사들도 클라우드 제조업체와 비즈니스 수준 협력의 심층적인 목표를 향해 나아가고 있으며, 점차 양방향 역량 강화의 좋은 상황을 형성하고 지능형 네트워크 연결을 업그레이드하는 과정에서 협력하고 있습니다.
위 내용은 자율주행 '클라우드로 간다'가 대세로 자리 잡았고, '클라우드로 간다' 연구개발이 핵심의 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)
