Gelung tertutup data pemanduan autonomi yang ideal dan realiti

Dalam beberapa tahun kebelakangan ini, gelung tertutup data telah menjadi topik hangat dalam industri pemanduan autonomi, dan banyak syarikat pemanduan autonomi cuba membina sistem gelung tertutup data mereka sendiri.

Sebenarnya, gelung tertutup data bukanlah konsep baharu. Dalam bidang kejuruteraan perisian tradisional, penutupan data digunakan sebagai cara penting untuk meningkatkan pengalaman pengguna. Saya percaya semua orang pernah mengalami pengalaman ini Apabila menggunakan perisian, tetingkap pop timbul muncul pada skrin, bertanya kepada anda "Adakah anda membenarkan perisian ini mengumpul data anda, maka data itu akan menjadi?" digunakan untuk meningkatkan pengalaman pengguna.

Apabila perisian pelanggan menangkap masalah, latar belakang boleh menangkap data yang sepadan, dan kemudian pasukan pembangunan menganalisis masalah itu, membaiki dan menambah baik perisian dan menyerahkannya kepada ujian pasukan untuk ujian Versi baharu perisian akan diletakkan dalam awan dan dikemas kini ke terminal oleh pengguna Ini adalah proses gelung tertutup data dalam kejuruteraan perisian.

Dalam senario pemanduan autonomi, data masalah biasanya dikumpul pada kenderaan ujian, dan sangat sedikit kenderaan boleh dikumpul pada kenderaan yang dihasilkan secara besar-besaran. Selepas pengumpulan, data perlu diberi anotasi, dan kemudian jurutera menggunakan data baharu untuk melatih model rangkaian saraf dalam awan Model yang dilatih semula biasanya digunakan pada kenderaan melalui OTA.

Gelung tertutup data yang lengkap biasanya termasuk pengumpulan data, pengaliran semula data, pemprosesan data, anotasi data, latihan model dan ujian dan pengesahan.

Gambar rajah proses gelung tertutup data momenta

Mengambil Tesla sebagai contoh, armada yang dilengkapi dengan perkakasan pemanduan autonomi mengumpul data yang ditapis mengikut peraturan dan pencetus dalam mod bayangan, dan data yang ditapis secara semantik dihantar semula ke awan. Selepas itu, jurutera menggunakan alat dalam awan untuk melakukan beberapa pemprosesan pada data, kemudian meletakkan data yang diproses ke dalam kelompok data, dan kemudian menggunakan data yang berkesan ini untuk melatih model. Selepas model dilatih, jurutera akan menggunakan model terlatih ke terminal kenderaan untuk satu siri ujian penunjuk Model baharu yang disahkan akan digunakan ke terminal kenderaan untuk kegunaan pemandu.

Di bawah model ini, data baharu akan dicetuskan secara berterusan untuk dipulangkan, sekali gus membentuk kitaran. Pada ketika ini, kitaran pembangunan lelaran dipacu data lengkap terbentuk.

Pada masa ini, menggunakan data gelung tertutup untuk memacu lelaran algoritma hampir diiktiraf sebagai satu-satunya cara untuk meningkatkan keupayaan pemanduan autonomi. Banyak OEM dan pemanduan autonomi Tahap 1 sedang membina sistem gelung tertutup data mereka sendiri, malah mempunyai kedudukan khusus arkitek gelung tertutup data.

Apakah maksud gelung tertutup data? Apakah latar belakang untuk gelung tertutup data dilaksanakan dalam kereta keluaran besar-besaran? Apakah titik kesakitan dalam pelaksanaan gelung tertutup data dalam kenderaan pengeluaran besar-besaran dan bagaimana untuk menanganinya?

Seterusnya, artikel ini akan membincangkan topik ini satu persatu.

01 Kepentingan gelung tertutup data

Menurut pengenalan Teknologi Zhijia MAXIEYE, “Gelung tertutup data bukan hanya mengenai prestasi sesuatu produk, tetapi Prestasi fungsi dipertingkatkan, dan fungsi baharu boleh disahkan dalam bentuk mod bayangan Pada masa yang sama, ia juga boleh membantu mengoptimumkan aspek lain sistem, seperti pengesanan sekatan radar/kamera. dan ambang boleh dioptimumkan berdasarkan data yang dikembalikan Dari segi prestasi, backhaul data pada asasnya boleh mengoptimumkan semua prestasi, seperti AEB, LKA, ELK, ACC, TJA, NOA, dll. MAXIEYE telah terus meningkatkan AEB, ACC, TJA. dan fungsi sistem lain melalui OTA backhaul, dan telah memasukkannya ke mod bayangan fungsi Baharu kesan yang mereka harap dapat dicapai termasuk meningkatkan kecekapan pengumpulan data kes sudut dan meningkatkan keupayaan generalisasi model dan memacu lelaran algoritma.

1.1 Kumpul data kes sudut

Asalkan produk L2 dan ke atas , semua perlu mempunyai keupayaan untuk terus berkembang. Agar sistem pemanduan autonomi terus berkembang, adalah perlu untuk mendapatkan data kes sudut secara berterusan. Memandangkan semakin banyak kes sudut ditukar daripada "tidak diketahui" kepada "dikenali", menjadi semakin sukar untuk menggali kes sudut baharu melalui bilangan kenderaan ujian yang terhad dengan laluan bentuk terhad.

Dengan menggunakan sistem pengumpulan data pada kenderaan yang dihasilkan secara besar-besaran dengan liputan pemandangan yang lebih luas, ini adalah cara yang lebih baik untuk mencetuskan backhaul data apabila menghadapi situasi yang tidak dapat dikendalikan oleh sistem pemanduan autonomi semasa untuk mendapatkan sarung sudut .

Sebagai contoh, sistem AEB boleh digunakan pada kenderaan yang dihasilkan secara besar-besaran yang dilengkapi dengan pemanduan berbantu L2, dan kemudian mengumpul brek pemandu, pemecut, stereng, stereng, dsb. Data ialah digunakan untuk menganalisis mengapa sistem AEB tidak bertindak balas apabila pemandu melakukan operasi ini. Penambahbaikan yang sepadan harus dibuat untuk menangani masalah bahawa sistem AEB tidak bertindak balas dengan cukup baik untuk meningkatkan keupayaan sistem AEB.

1.2 Meningkatkan keupayaan generalisasi model

Pada masa ini, dibantu peringkat tinggi memandu Ia bergerak dari lebuh raya ke bandar. Untuk menyelesaikan senario yang agak mudah seperti berkelajuan tinggi, pada asasnya cukup untuk melatih model hanya dengan data yang dikumpul oleh kereta ujian, dan bukannya perlu memulangkan data kereta pengeluaran bagaimanapun, kerumitan adegan bandar mempunyai banyak; meningkat, dan Terdapat juga banyak perbezaan dalam keadaan jalan raya di bandar yang berbeza. Sebagai contoh, di Guangzhou, anda boleh melihat basikal roda tiga menarik barangan dengan laju di jalan raya di mana-mana, tetapi anda jarang melihat ini di Shanghai.

Oleh itu, banyak syarikat Tahap 1 dan kereta pandu sendiri mempunyai permintaan yang kukuh untuk pembukaan tempat kejadian - iaitu, sistem pemanduan berbantu kenderaan boleh mengendalikan pelbagai keadaan jalan raya dengan betul di bandar arus perdana. Kerana syarikat kereta tidak boleh mengehadkan julat pemanduan pengguna, jika fungsi pemanduan berbantu hanya disediakan untuk kawasan yang kecil, ia akan mengurangkan skop pangkalan pengguna dengan ketara. Ini jelas bukan yang ingin dilihat oleh syarikat kereta.

Untuk mencapai matlamat membuka senario, keupayaan generalisasi model perlu dipertingkatkan dengan banyaknya. Untuk meningkatkan keupayaan generalisasi model, adalah perlu untuk mengumpul data yang sepadan dengan pelbagai senario sebanyak mungkin. Hanya pemanduan bantuan kereta penumpang berdasarkan data pemanduan manusia sebenar berskala besar yang mempunyai keupayaan untuk mengumpul data skala dan kepelbagaian yang mencukupi.

1.3 Memacu lelaran algoritma

Seperti yang dinyatakan sebelum ini, kecerdasan buatan berdasarkan pembelajaran mendalam Algoritma telah dibangunkan selama lebih daripada sepuluh tahun. Dalam tempoh ini, dengan evolusi model dan pembangunan kuasa pengkomputeran, sistem pemanduan autonomi boleh mencerna data besar. Di samping itu, jika sistem pemanduan autonomi perlu dinaik taraf, keupayaan persepsi, perancangan dan aspek lain perlu diperbaiki dengan sewajarnya. aspek lain.

NOA Perbandaran - iaitu, fungsi bantuan navigasi titik ke titik di bandar adalah tumpuan seterusnya bagi banyak OEM dan Tier1 pemanduan autonomi Untuk merealisasikan titik ke titik fungsi pemanduan bantuan navigasi, sistem persepsi Pengecaman semantik, pengecaman halangan, dan pengecaman kawasan boleh dipandu semuanya memerlukan tahap ketepatan tertentu Walau bagaimanapun, piawaian ini masih belum dicapai.

Seni bina rangkaian sistem persepsi arus perdana adalah berdasarkan model BEV+Transformer, yang bergantung sepenuhnya pada jurutera perisian atau arkitek algoritma untuk mengoptimumkan model tersebut , dan BEV+Transformer Seni bina boleh menampung sejumlah besar data, yang dijangka meningkatkan prestasi model.

Di peringkat perancangan, pemacu data juga boleh memainkan peranan. Tesla sebelum ini menggunakan penyelesaian optimum di bawah kekangan separa sebagai nilai awal, kemudian menggunakan pendekatan tambahan untuk menambah kekangan baharu secara berterusan, dan kemudian menyelesaikan masalah pengoptimuman selepas menambah kekangan, dan akhirnya memperoleh penyelesaian optimum untuk masalah perancangan. Jurutera Tesla melakukan banyak pra-penjanaan luar talian untuk kaedah ini dan melakukan pengoptimuman selari dalam talian, supaya masa pengiraan setiap laluan calon masih sepanjang 1 hingga 5ms. Menurut apa yang didedahkan Tesla pada hari AInya pada 30 September 2022, jurutera Tesla kini menggunakan satu set model penjanaan pokok keputusan dipacu data untuk membantu sistem pemanduan autonomi menjana laluan yang dirancang dengan pantas. Model penjanaan pokok keputusan dipacu data ini menggunakan data pemanduan pemandu manusia dalam armada Tesla dan laluan optimum tanpa kekangan masa sebagai nilai sebenar untuk latihan Ia boleh menjana laluan perancangan calon dalam 100us, yang sangat memendekkan masa untuk menjana masa laluan calon.

Ringkasnya, dapat dilihat bahawa membina sistem gelung tertutup data yang baik adalah cara penting untuk meningkatkan keupayaan sistem pemanduan autonomi.

02 Latar belakang gelung tertutup data

Pada masa ini, banyak kereta keluaran besar-besaran dilengkapi dengan sistem pemanduan berbantu dan orang ramai boleh memandu secara besar-besaran -kereta keluaran Tidak sukar untuk mengumpul data dan perbatuan ujian jalan sistem pemanduan autonomi melebihi 100 juta kilometer. Di samping itu, kuasa pengkomputeran cip telah dipertingkatkan lagi - contohnya, cip OrinX NVIDIA mempunyai kuasa pengkomputeran sehingga 254TOPS, jadi model besar mula digunakan pada sistem persepsi, membolehkan sistem pemanduan autonomi mencerna data besar. Sebaliknya, teknologi awan agak matang, dan pemanduan autonomi perlahan-lahan mula memasuki era dipacu data.

Penjelasan MAXIEYE ialah: “Tepatnya, kini ia bukan sahaja dipacu data, tetapi algoritma AI dan algoritma AI yang didorong bersama menyelesaikan masalah kecekapan pembelajaran, dan data menyelesaikan masalah pembelajaran masalah kandungan, algoritma dan data adalah hubungan simbiotik "

"Pembangunan algoritma kecerdasan buatan berdasarkan pembelajaran mendalam telah melebihi sepuluh tahun, diselia pembelajaran telah diterima pakai. Ia adalah aliran utama dalam bidang akademik dan industri yang mempunyai kelemahan yang membawa maut, iaitu ia memerlukan sejumlah besar anotasi manual, yang sangat mengehadkan kemajuan AI. algoritma pembelajaran yang diselia perlahan-lahan Apabila dunia mula muncul, komputer boleh membersihkan data secara berterusan dan mengulangi algoritma melalui pembelajaran kendiri Oleh itu, syarat untuk membangunkan teknologi pemanduan autonomi melalui kaedah dipacu data adalah matang 🎜> Yang Jifeng, ketua Pusat Pintar Salon Tembok Besar, menyebut dalam ucapan: "Dari perspektif keseluruhan kenderaan, seni bina gelung tertutup dan gelung tertutup data dari L2 hingga L4 akan siap pada 2022 , dan seni bina sisi kenderaan dan seni bina awan akan disatukan lagi." Persaingan seterusnya ialah perlombongan data, penggunaan data yang berkesan, pemahaman data oleh keseluruhan susunan teknologi, dan cara mengimbangi keseluruhan kecekapan pengkomputeran pada besar- infrastruktur skala. ”

03 Titik kesakitan dan langkah balas untuk pelaksanaan

Pada masa ini, semua orang telah mencapai kata sepakat mengenai kepentingannya. gelung tertutup data untuk sistem pemanduan autonomi, dan masa untuk gelung tertutup data dilaksanakan dalam kenderaan yang dihasilkan secara besar-besaran pada dasarnya adalah matang. Jadi, bagaimanakah pelaksanaan sebenar gelung tertutup data setiap syarikat? Bagaimanakah kita menilai keberkesanan sistem gelung tertutup data syarikat?

Pengarang belajar daripada teknologi pemanduan pintar MAXIEYE bahawa untuk pemanduan autonomi Tahap 1, secara teknikalnya tidak sukar untuk mencapai gelung tertutup data Pada asasnya, yang penting ialah kekuatan produk Tahap 1 - sama ada Ia boleh memperkasakan pengeluar kereta melalui gelung tertutup data. Kedua, kesan gelung tertutup data juga bergantung pada sama ada lelaran produk didorong oleh gelung tertutup data, sama ada perisian dan algoritma boleh dioptimumkan berdasarkan data yang dikembalikan, dan kerap digunakan ke terminal melalui OTA.

Pada masa ini, mengikut tahap keupayaan gelung tertutup data, pemanduan autonomi Tahap 1 boleh dibahagikan kepada tiga kategori: yang pertama ialah gelung tertutup data yang telah mencapai jisim berskala besar pengeluaran, dan yang kedua adalah melalui Kenderaan pengumpulan merealisasikan gelung tertutup, dan jenis ketiga ialah ia belum mencapai keupayaan untuk merealisasikan gelung tertutup data. Pada masa ini, jenis pertama masih dalam minoriti.

Menurut maklumat yang bertukar antara pengarang dan orang dalam industri, kebanyakan syarikat pada masa ini menggunakan kenderaan pengumpulan sebagai sumber data mereka. Disebabkan oleh pelbagai faktor seperti privasi pengguna, infrastruktur dan kos, pengumpulan data berskala besar pada kenderaan yang dihasilkan secara besar-besaran untuk peningkatan berulang sistem pemanduan autonomi masih belum direalisasikan. Sesetengah syarikat masih belum menyediakan proses untuk mengumpul data pada kenderaan yang dikeluarkan secara besar-besaran untuk penggunaan data gelung tertutup Walaupun sesetengah syarikat telah menyediakan proses dan mengumpul beberapa data, mereka masih belum menggunakan data tersebut dengan baik.

Dilaporkan bahawa beberapa syarikat akan mengumpul beberapa data daripada kenderaan yang dikeluarkan secara besar-besaran, tetapi orang dalam industri melaporkan bahawa data yang dikumpul pada masa ini digunakan terutamanya untuk mendiagnosis kerosakan dalam sistem pemanduan autonomi semasa , dsb. Tidak digunakan untuk lelaran model pembelajaran mendalam.

Dalam erti kata lain, beberapa syarikat telah benar-benar menyedari gelung tertutup data pengeluaran besar-besaran berskala besar - iaitu, menggunakan data yang dikumpul daripada kenderaan pengeluaran besar-besaran berskala besar untuk mencapai automatik Peningkatan keupayaan sistem pemanduan. Jadi, apakah titik kesakitan pengeluaran besar-besaran gelung tertutup data? Apakah strategi untuk menangani titik kesakitan ini?

Isu yang perlu dipertimbangkan dalam amalan pengeluaran besar-besaran termasuk tetapi tidak terhad kepada: bagaimana memastikan pematuhan pengumpulan dan penggunaan data, cara menyelesaikan masalah pengesahan data , dan cara mengintegrasikan fungsi pengumpulan data dengan Kewujudan bersama sistem pemanduan autonomi, kesukaran pemprosesan data, kerumitan tinggi sistem perisian dipacu data, dan kesukaran latihan model, dsb.

3.1 Isu pematuhan dalam pengumpulan dan penggunaan dataPematuhan terbahagi kepada Ukur dan pematuhan pemetaan dan pematuhan privasi: Pematuhan tinjauan dan pemetaan terutamanya melibatkan pematuhan apabila mengumpul maklumat geografi negara, dan pematuhan privasi terutamanya melibatkan pematuhan apabila mengumpul data berkaitan privasi pengguna.

Dari segi pematuhan ukur dan pemetaan, sejak beberapa tahun kebelakangan ini, negara telah mengetatkan pengurusan keselamatan datanya dan memperkenalkan undang-undang dan peraturan yang berkaitan untuk mengehadkan skop data yang dikembalikan. Selepas "830 Peraturan Baharu" pada 2022, data yang dikumpul oleh kenderaan di jalan raya adalah milik data ukur dan pemetaan. Jika perusahaan ingin menggunakan data tinjauan dan pemetaan, penyulitan data dan pematuhan data berikutnya adalah penting.

Pertama sekali, apabila mengumpul data di jalan raya, syarikat perlu mempunyai kelayakan ukur nasional dan pemetaan dan membuat pemfailan yang sepadan, jika tidak, proses pengumpulan akan disekat oleh keselamatan negara dan jabatan lain. Pada masa ini, terdapat sejumlah kira-kira 30 institusi di China dengan kelayakan yang berkaitan Sesetengah syarikat mempunyai kelayakan Kelas A navigasi elektronik nasional, yang mempunyai pelbagai permohonan dan boleh dikumpulkan di banyak bandar di negara ini kelayakan, yang mempunyai pelbagai aplikasi Ia akan menjadi lebih kecil dan hanya boleh dikumpulkan di bandar-bandar tertentu.

Memandangkan kelayakan ukur dan pemetaan sukar diperoleh, pengumpulan perniagaan jangka panjang diperlukan, dan untuk mengekalkan kelayakan ukur dan pemetaan, syarikat perlu mempunyai perkhidmatan ukur dan pemetaan yang sepadan. Oleh itu, OEM dan pemanduan autonomi Tahap 1 secara amnya mempercayakan pembekal atau unit yang layak Contohnya, sesetengah vendor awan kini membantu pelanggan mereka bentuk pelan pematuhan sekitar pemerolehan, pemprosesan dan penggunaan data.

Selepas data dikumpul, ia perlu dinyahpekakan dan disulitkan pada bahagian kereta Selepas ia dimuat naik ke awan (secara umumnya, ia adalah awan peribadi), beberapa pematuhan kerja perlu dilakukan. Bahagian ini akan Pembekal atau unit yang berkelayakan akan membantu dengan pematuhan ukur dan pemetaan. Untuk sesetengah data yang sangat sensitif, ia perlu dikumpul oleh peniaga imej, dan data itu perlu dinyahpekakan dan disimpan dalam pelayan yang diawasi oleh peniaga imej.

Selain itu, data ukur dan pemetaan tidak boleh dibocorkan, terutamanya data tidak boleh dipindahkan ke luar negara bukan warganegara China tidak boleh mendapatkan data ukur dan pemetaan mahupun mengendalikan data ukur dan pemetaan dalam syarikat.

Secara umumnya, OEM dan Tier1 pemanduan autonomi akan menubuhkan pusat data mereka sendiri Atas sebab keselamatan, pusat data ini agak tertutup. Apabila OEM dan pemanduan autonomi Tahap 1 perlu menggunakan data yang disimpan dalam pusat data ini untuk melakukan beberapa latihan, simulasi, dll., berdasarkan keperluan pematuhan, model yang berkaitan perlu digunakan ke pusat data untuk digunakan.

Sesetengah pakar industri berkata, "Proses pematuhan untuk ukur dan pemetaan terlalu rumit, dan kelayakan sukar diperoleh. Semua orang berharap untuk mengurangkan pergantungan pada peta berketepatan tinggi sebanyak mungkin . Ini popular dalam industri pada masa ini. Ini adalah sebahagian daripada sebab penyelesaian "persepsi berat dan peta ringan" Tetapi sebenarnya, peta ringan tidak semestinya "lebih baik", kerana kesan mempunyai data peta pasti lebih baik daripada tidak mempunyainya. Trend semasa tidak semestinya bentuk terakhir, dan juga tidak semestinya yang terbaik Ya, cuma semua orang berharap untuk menjadikannya lebih mudah.”

Dari segi privasi. pematuhan, syarikat memerlukan kebenaran pengguna untuk mengumpul data daripada kenderaan yang dikeluarkan secara besar-besaran. Sama seperti semasa menggunakan WeChat, syarikat memerlukan pengguna menandatangani perjanjian kebenaran pada mulanya dan memaklumkan pengguna data yang akan dikumpul dan tingkah laku penggunaan yang akan direkodkan. "Privasi pengguna tidak boleh dibocorkan."

Dalam operasi sebenar, data yang berkaitan dengan maklumat pengguna perlu dinyahpekakan, contohnya, nombor plat perlu disembunyikan.

3.2 Isu pengesahan data

Bolehkah kami mengumpul kamera dan laser yang diperlukan oleh industri pemanduan autonomi pada kereta? Atau bagaimana pula dengan data yang dibentuk oleh gelombang milimeter?

Pengurus Produk Pintar Moshi Su Linfei berkata: "Selaras dengan peruntukan berkaitan "Undang-undang Perlindungan Maklumat Peribadi" China, pengumpulan data yang tidak dibenarkan oleh undang-undang tertakluk pada perlindungan privasi. Di Jerman, bekas Agensi Perlindungan Maklumat Persekutuan Jerman menetapkan bahawa jika pemandu bukan mangsa, merakam muka dan kenderaan pemandu lain tanpa kebenaran pihak lain adalah melanggar Akta Perlindungan Maklumat Peribadi Dalam erti kata lain, walaupun pemiliknya daripada kenderaan itu mungkin menyalahi undang-undang untuk merekodkan maklumat orang lain Walau bagaimanapun, memandangkan industri pemanduan autonomi yang dikaitkan dengan kenderaan tenaga baharu adalah sangat baharu, pada masa ini tiada peruntukan undang-undang -kenderaan yang dikeluarkan hendaklah dimiliki oleh pemilik kereta.”

Bolehkah data yang dikumpul oleh pemilik kereta yang menggunakan kenderaan mereka sendiri dibenarkan untuk digunakan oleh unit lain?

Pada masa ini tiada peraturan dan sekatan undang-undang yang berkaitan. Tetapi dalam industri lain, seperti telefon bimbit dan Internet, ia dibenarkan secara meluas.

Siapa yang boleh mendapatkan data yang dimuat naik oleh pemilik kereta?

Dari perspektif pembahagian kerja dalam rantaian industri automobil, dua jenis entiti boleh diperolehi yang pertama ialah syarikat pengendalian armada tanpa pemandu, seperti teksi tanpa pemandu Baidu, dan yang kedua ialah kilang tuan rumah. Walau bagaimanapun, memandangkan yang pertama agak kecil, kami memberi tumpuan kepada yang kedua.

Memandangkan OEM paling dekat dengan pengguna, adalah paling mudah untuk mendapatkan data yang dimuat naik oleh pengguna. Di peringkat global, Tesla adalah OEM terbaik dalam hal ini.

Pada masa ini, OEM jarang membuka data kepada dunia luar Akibatnya, selepas pemanduan autonomi Tier1 membantu OEM melaksanakan fungsi tersuai OEM, sukar untuk mengumpul data maklum balas daripada pengguna apabila menggunakan fungsi ini, melainkan Tier1 itu sendiri. Terdapat banyak kereta ujian. Kemudian, akan menjadi sukar bagi pemanduan autonomi Tahap 1 untuk melaksanakan pengoptimuman seterusnya bagi fungsi yang berkaitan berdasarkan data maklum balas pengguna, dan sukar untuk mencapai gelung tertutup data.

Pengurus Produk Pintar MoShi Su Linfei memberitahu pengarang: "Selepas kami menyiapkan projek untuk OEM, jika OEM tidak membuka antara muka data, sukar untuk kami mendapatkannya. maklum balas daripada data pengguna, dan kemudian mengulangi prestasi produk untuk model ini Pada akhirnya, kebanyakan pembekal sistem pemanduan berautonomi menjadi syarikat dengan operasi projek sebagai teras, dan perlahan-lahan dihapuskan kerana prestasi produk ketinggalan bahawa sejak trend kod sumber terbuka untuk sistem pemanduan autonomi telah muncul, sesetengah OEM ingin membina sistem gelung tertutup data mereka sendiri untuk merealisasikan fungsi pemanduan autonomi, dan oleh itu saya tidak mahu berkongsi data dengan pembekal munasabah bagi OEM untuk melakukan perkara ini, menurut saya dari perspektif ekologi pemanduan autonomi secara keseluruhan, adalah lebih baik untuk semua orang melaksanakan tugas mereka sendiri dan orang profesional untuk melakukan perkara yang profesional. Semua orang akan mahu mencubanya dan merebut inisiatif yang lebih besar.”

Seorang pakar dari OEM tenaga baharu berkata: “Pada masa lalu, OEM tidak mahu memberikan data kepada pembekal kerana mereka tidak t faham. Bagaimanakah pembekal boleh memberikan kembali kepada diri mereka sendiri? Pihak lain mungkin tidak tahu cara menggunakan data tersebut selepas memberikannya kepada mereka. hak untuk menggunakan data. Sudah tentu, prasyarat untuk hak penggunaan data terbuka adalah pematuhan.

Bagi OEM, jika mereka tidak membuka data kepada pembekal, mereka perlu meneroka sendiri nilai data tersebut. Pada zaman awal, tiada siapa yang mengetahui nilai khusus data ini Hanya dengan menggunakannya nilai itu boleh ditemui secara perlahan. OEM boleh memberikan data kepada pembekal terlebih dahulu dan menyimpan salinan untuk dirinya sendiri Pembekal kemudian boleh memberikan kembali kepada OEM selepas menemui nilai data.

Kini sesetengah OEM memerlukan pembekal untuk terus membantu mereka mengulang perisian selepas SOP, dan pembekal juga boleh menggunakan ini sebagai peluang untuk mendapatkan data Dengan cara ini, OEM A menang-menang situasi boleh dicapai dengan pembekal. Sudah tentu, dari perspektif OEM, masih terdapat beberapa kelemahan dalam pendekatan ini, kerana sukar bagi pembekal untuk menjamin bahawa hasilnya akan menjadi lebih baik selepas lelaran. Sukar juga bagi OEM untuk mengesahkan kesan lelaran, jadi OEM sering memerlukan pembekal membuka antara muka untuk data pada hasil perantaraan (seperti hasil pengecaman sasaran persepsi), supaya OEM boleh mengesahkan lelaran pembekal melalui penunjuk statistik hasil perantaraan Kesan.

Pada masa ini, ia terutamanya memerlukan kedua-dua pihak untuk mempunyai mentaliti saling percaya dan kerjasama yang ikhlas OEM akan membuka hak untuk menggunakan data kepada pembekal, dan kemudian pembekal akan kerap kemas kini perisian dan dapat melihat kesan yang sepadan, supaya kerjasama dapat diteruskan. Cuma model ini masih belum diterima secara meluas kerana semua orang belum nampak kesan yang jelas.

3.3 Pengumpulan data akan menduduki sumber sistem

Mengumpul data pada kenderaan yang dihasilkan secara besar-besaran akan menduduki beberapa sumber sistem. Seperti pengkomputeran, penyimpanan, dll. Secara teori, boleh diandaikan bahawa sumber pengkomputeran, lebar jalur rangkaian, dan lain-lain tidak terhad Walau bagaimanapun, dalam proses pelaksanaan sebenar, bagaimana untuk memastikan bahawa data yang dikumpul tidak menjejaskan operasi biasa sistem pemanduan autonomi pada pengeluaran besar-besaran. kenderaan, sebagai contoh, bagaimana untuk tidak menjejaskan kelewatan sistem pemanduan autonomi Tunggu, ini adalah masalah yang perlu diselesaikan.

Sudah tentu, sesetengah syarikat akan memuat naik data apabila sistem pemanduan autonomi tidak berjalan, supaya tiada masalah pendudukan sumber. Walau bagaimanapun, sesetengah orang dalam industri percaya bahawa memuat naik data hanya apabila sistem pemanduan autonomi tidak berjalan akan mengehadkan jumlah data yang dikumpul Pada peringkat ini, masih perlu untuk mengumpul data sebanyak mungkin. Kemudian, apabila mereka bentuk, adalah perlu untuk mempertimbangkan kesan pengumpulan data terhadap operasi sistem pemanduan autonomi.

3.4 Anotasi data dan pemprosesan seterusnya adalah sukar

Dianggarkan selepas data dikembalikan daripada pengeluaran besar-besaran kenderaan , jumlah data yang dikembalikan oleh basikal setiap hari adalah kira-kira 100 megabait. Dalam peringkat penyelidikan dan pembangunan, jumlah kenderaan mungkin hanya beberapa dozen atau beberapa ratus sahaja. Tetapi dalam peringkat pengeluaran besar-besaran, jumlah kenderaan boleh mencecah puluhan ribu, ratusan ribu atau lebih. Kemudian, dalam peringkat pengeluaran besar-besaran, jumlah data yang dijana oleh seluruh armada setiap hari adalah jumlah yang besar.

Jumlah data yang meningkat secara mendadak telah membawa cabaran kepada ruang storan dan kelajuan pemprosesan data. Selepas pengeluaran besar-besaran, kependaman pemprosesan data perlu dikekalkan pada tahap yang sama seperti di peringkat R&D. Tetapi jika infrastruktur asas tidak dapat bersaing, kelewatan pemprosesan data akan meningkat seiring dengan peningkatan jumlah data, yang akan memperlahankan kemajuan proses penyelidikan dan pembangunan. Untuk lelaran sistem, pengurangan kecekapan ini tidak boleh diterima.

Seorang pakar industri memberitahu pengarang, “Pada masa ini, kami tidak melihat mana-mana syarikat yang mempunyai keupayaan untuk mengendalikan data berskala besar yang dihantar semula daripada kenderaan yang dihasilkan secara besar-besaran dalam Pasukan pembuatan kereta baharu yang agak canggih pada tahap gelung tertutup data, walaupun setiap kereta yang dikeluarkan secara besar-besaran hanya menghantar balik 5 minit data setiap hari, mereka tidak akan dapat menampung jumlah data sedemikian , kerana peranti storan semasa, sistem pembacaan fail dan Alat pengkomputeran masih tidak dapat menampung jumlah data yang besar ”

Untuk mengatasi peningkatan jumlah data, asasnya. reka bentuk infrastruktur dan platform perlu dinaik taraf sewajarnya.

Pasukan kejuruteraan perlu membangunkan SDK akses data yang lengkap. Memandangkan saiz fail data visual dan data radar adalah sangat besar, akses data, pertanyaan, lompatan dan proses penyahkodan perlu cukup cekap, jika tidak, kemajuan penyelidikan dan pembangunan akan menjadi sangat perlahan.

Selepas data sisi kenderaan dihantar kembali ke awan, pasukan kejuruteraan perlu melabelkan sejumlah besar data tepat pada masanya. Industri pada masa ini menggunakan model pra-latihan untuk anotasi tambahan, tetapi apabila jumlah data adalah besar, anotasi masih memerlukan banyak kerja.

Apabila melabelkan data, anda juga perlu memastikan ketekalan hasil pelabelan. Pada masa ini, industri belum lagi melaksanakan anotasi data automatik sepenuhnya, dan masih memerlukan kerja manual untuk menyelesaikan sebahagian daripada beban kerja. Dalam operasi manual, bagaimana untuk memastikan konsistensi hasil pelabelan apabila jumlah data adalah besar juga merupakan satu cabaran besar.

Selain itu, data yang berkaitan dengan pemanduan autonomi bukan sahaja volum yang besar, tetapi juga pelbagai jenis, yang turut menyukarkan pemprosesan data. Jenis data dibahagikan mengikut sumber, termasuk data kenderaan, data lokasi, data penderiaan persekitaran, data aplikasi, data peribadi, dsb., dan dibahagikan mengikut format, termasuk data berstruktur dan data tidak berstruktur, dan jenis perkhidmatan data termasuk fail, objek, dsb. Cara menyatukan Piawaian dan menyelaraskan pelbagai jenis storan dan antara muka akses juga merupakan masalah besar.

3.5 Sistem perisian dipacu data adalah sangat kompleks

Model pembangunan tradisional berbentuk V sukar digunakan Gelung tertutup data. Selain itu, pada masa ini tiada platform pembangunan perisian bersatu dan perisian tengah untuk pemanduan autonomi peringkat tinggi dalam industri.

Seorang pakar teknikal dari jabatan pemanduan autonomi syarikat memberitahu penulis, “Sistem berulang fungsi pemanduan autonomi yang didorong oleh data dan model pembelajaran mendalam boleh dipanggil perisian 2.0. Keseluruhan sistem, termasuk pembinaan pasukan, proses R&D, kaedah ujian dan rantaian alat, dibina berdasarkan data "

Dalam era perisian 1.0, apakah kod yang semua orang serahkan, apakah yang telah. dijangka. Kesannya mudah dinilai. Walau bagaimanapun, dalam era Perisian 2.0, ia telah menjadi lebih sukar untuk mengukur kesan sumbangan setiap orang terhadap kesan keseluruhan, dan juga sukar untuk diramalkan terlebih dahulu, kerana apa yang setiap orang berkomunikasi antara satu sama lain tidak lagi jelas kelihatan kod, tetapi data dan komunikasi berasaskan data.

Sebagai contoh, apabila jumlah data sangat kecil, kami pernah melakukan algoritma penglihatan AI untuk aplikasi Internet mudah alih Memandangkan jumlah data adalah sangat kecil, jurutera model visual terlibat pada dasarnya adalah folder Windows atau Ubuntu diuruskan secara berasingan, dan ahli pasukan secara langsung menggunakan pelbagai folder yang dinamakan semula untuk memindahkan berulang-alik antara satu sama lain, yang sangat tidak cekap untuk pertukaran data atau kerjasama.

Tetapi apabila ia melibatkan tugas pemanduan autonomi, kita berhadapan dengan ratusan ribu gambar, dan beratus-ratus orang bersama-sama membangunkan sistem Setiap perubahan melibatkan modul yang mungkin ratusan atau bahkan beribu-ribu. Bagaimana untuk menilai kualiti kod setiap modul dan bagaimana untuk menyemak sama ada terdapat konflik antara modul adalah tugas yang agak kompleks. Setakat ini, saya rasa sistem ini masih lemah dan bahagian kejuruteraan tidak cukup matang.

Pada peringkat perisian 2.0, isu-isu yang masih perlu ditangani ialah: bagaimana untuk mengukur kesan data baharu pada senario tertentu dan pada situasi keseluruhan, dan bagaimana untuk mengelakkan semula kejuruteraan berdasarkan data baharu Model terlatih menjadi lebih baik pada beberapa tugasan tertentu tetapi secara keseluruhan prestasinya menurun. Untuk menyelesaikan masalah ini, kami perlu melakukan ujian unit untuk menyemak sama ada bahagian data yang ditambah akan membantu senario tersegmen yang ingin kami selesaikan dan sama ada ia akan membantu keadaan keseluruhan.

Contohnya, jika untuk tugas tertentu, set data asal mempunyai 20 juta gambar, dan kemudian 500 gambar baharu ditambah, keupayaan untuk menyelesaikan tugas khusus ini akan dipertingkatkan, tetapi kadangkala ini juga Ini bermakna bahawa skor model berkurangan apabila menangani tugas global.

Selain itu, untuk tugasan visual, selain menilai kesan data baharu pada model berdasarkan penunjuk, kita juga perlu melihat sebenarnya apakah kesan khusus itu, supaya dapat mengetahui sama ada pengoptimuman memenuhi jangkaan. Hanya melihat penunjuk mungkin membawa kepada situasi di mana walaupun penunjuk telah bertambah baik, keputusan sebenar masih tidak memenuhi jangkaan.

Kami juga memerlukan satu set infrastruktur untuk memastikan setiap kemas kini adalah optimum di peringkat global. Infrastruktur ini akan melibatkan pengurusan data, penilaian latihan, dsb. Tesla berada di barisan hadapan industri dalam hal ini keseluruhan pautan dipacu datanya telah direka untuk menerajui industri dari awal lagi, dan dari 2019 hingga 2022, ia tidak memerlukan banyak perubahan untuk menyokong produknya.

3.6 Kesukaran latihan model meningkat

Selepas menyelesaikan masalah pengumpulan data, penyimpanan, pelabelan, dll ., model seterusnya Latihan dan lelaran fungsi masih menjadi cabaran.

Jumlah besar data yang dikembalikan daripada latihan kenderaan pengeluaran besar-besaran memerlukan sistem pemindahan fail yang cekap untuk memastikan ia tidak "terperangkap" oleh I/O semasa latihan.

Pada masa yang sama, mesti ada kuasa pengkomputeran yang mencukupi. Cara untuk meningkatkan kuasa pengkomputeran biasanya dengan membina kluster selari berbilang kad Kemudian, cara mengekalkan komunikasi antara kad yang cekap semasa latihan untuk mengurangkan kelewatan penghantaran data dan menggunakan kuasa pengkomputeran setiap kad secara penuh dan berkesan juga merupakan isu yang. perlu dipertimbangkan.

Untuk menampung permintaan kuasa pengkomputeran dalam latihan model, sesetengah OEM telah membina pusat pengkomputeran pintar mereka sendiri secara khusus. Walau bagaimanapun, kos membina pusat pengkomputeran pintar adalah sangat tinggi, dan untuk perusahaan kecil dan sederhana, ini hampir mustahil.

Walaupun masih banyak titik kesakitan, kita masih boleh menjangkakan lama-kelamaan masalah semasa akan selesai satu persatu. Pada masa itu, data gelung tertutup boleh benar-benar dilaksanakan pada kenderaan yang dihasilkan secara besar-besaran, dan data yang dikumpul selepas dilaksanakan pada kenderaan yang dihasilkan secara besar-besaran akan memberi suapan semula kepada sistem gelung tertutup data dan mendorong sistem pemanduan autonomi ke tahap yang lebih tinggi.

Atas ialah kandungan terperinci Gelung tertutup data pemanduan autonomi yang ideal dan realiti. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!