Pemanduan autonomi 'pergi ke awan' telah menjadi trend umum, dan penyelidikan dan pembangunan 'pergi ke awan' adalah kuncinya

"awan" data pemanduan autonomi telah menjadi trend umum, jadi apakah langkah seterusnya? Pada masa ini, industri pemanduan autonomi telah memasuki separuh kedua pelaksanaan komersial, dan terdapat lebih banyak kenderaan yang dilengkapi dengan pelbagai peringkat sistem pemanduan autonomi di jalan raya. Bagi syarikat kereta, penghantaran di lapangan bukan sahaja pengiktirafan atas penyelidikan dan pembangunan yang teliti selama bertahun-tahun, tetapi juga menghadapi cabaran jumlah besar data yang dibawa oleh pengeluaran besar-besaran Pada masa ini, ia jelas bukan kos. berkesan untuk membina bilik komputer baharu sahaja, dan penyimpanan data "semakin meningkat" Cloud" telah menjadi pilihan terbaik.

Walau bagaimanapun, apabila industri pemanduan autonomi menjadi semakin "volume", permintaan syarikat kereta untuk awan tidak lagi berpuas hati dengan hanya penyimpanan data itu sendiri, seperti latihan model persepsi, ujian simulasi, penyelidikan dan pembangunan Permintaan untuk awan kereta pintar seperti rantai alat juga semakin meningkat. Oleh itu, pada ketika ini, "awan" data pemanduan autonomi boleh dianggap sebagai keperluan minimum, dan "awan" penyelidikan dan pembangunan pemanduan autonomi adalah kuncinya. Jadi, apakah permintaan terbesar untuk awan di kalangan syarikat kereta sekarang? Bagaimanakah perkhidmatan awan boleh membantu pembangunan pemanduan autonomi? Di manakah awan kereta pintar akan berkembang pada masa hadapan?

Baru-baru ini, Ernst & Young (China) Business Consulting Co., Ltd. (selepas ini dirujuk sebagai "EY") dan Huawei Smart Automotive Solutions BU mengarang dan mengeluarkan "From " Cloud" kepada "Enter" "Cloud", perkhidmatan awan memperkasakan peningkatan rangkaian pintar industri automotif - Kertas Putih Perkhidmatan Awan Kereta Pintar (selepas ini dirujuk sebagai "Kertas Putih").

"Kertas Putih" ini juga merupakan kertas putih pertama mengenai aplikasi perkhidmatan awan dalam era kereta pintar dalam industri automotif dan aplikasi perniagaan teras. Buku ini memberikan penjelasan terperinci tentang senario aplikasi semasa perkhidmatan awan kereta pintar seperti pembangunan pemanduan autonomi dan Internet Kenderaan. Dalam hal ini, Che Dongxi menemui jawapan kepada soalan di atas daripada "Kertas Putih" ini.

01.“Memindahkan data ke awan” untuk pemanduan autonomi hanyalah langkah pertama

Sekiranya pembangunan industri pemanduan autonomi dibahagikan kepada dua bahagian, maka separuh pertama adalah peringkat pembangunan dan pengesahan dari sifar kepada satu, manakala separuh kedua ialah peringkat pelaksanaan komersial daripada satu kepada banyak.

Pada separuh pertama pertandingan, syarikat kereta bersaing untuk melihat algoritma sistem pemanduan autonomi yang lebih cekap dan kadar pengambilalihan yang lebih rendah. Pada separuh masa kedua, pertandingan adalah mengenai siapa yang mempunyai skala penghantaran terbesar dan perbatuan yang paling sebenar. Lagipun, amalan adalah satu-satunya kriteria untuk menguji kebenaran, dan perkara yang sama berlaku untuk pemanduan autonomi.

Pada masa kini, semakin banyak kenderaan autonomi di semua peringkat, rangkaian ujian pemanduan semakin meluas dan senario aplikasi semakin banyak. Bagi syarikat kereta, "lebih banyak kereta dan lebih banyak jalan" sememangnya satu perkara yang baik, tetapi data besar yang disertakan bersamanya telah menjadi "sakit kepala" baharu. Secara umumnya, dalam peringkat penyelidikan dan pembangunan pemanduan autonomi, jika terdapat 10 kenderaan ujian dan bilangan kumulatif hari pengumpulan ialah 300 hari setahun, satu kenderaan boleh menjana kira-kira 10TB data setiap hari, dan jumlah data yang dijana setiap tahun mencecah kira-kira 30PB. Dalam peringkat pelaksanaan komersial, walaupun kenderaan tidak akan berjalan siang dan malam seperti kenderaan ujian, jumlah kenderaan akan meningkat dengan pesat.

Jika kami menganggarkan berdasarkan 100,000 kenderaan dan 300 hari pengumpulan kumulatif setahun, jumlah data yang dihadapi oleh syarikat kereta pada masa hadapan akan mencapai tahap ZB. Berikut ialah pengenalan ringkas kepada perhubungan penukaran antara tahap PB dan tahap ZB 1ZB=1024EB, 1EB=1024PB Menggunakan unit TB biasa untuk menukar, 1ZB adalah lebih kurang 1 bilion TB. Tekanan data yang dihadapi oleh syarikat kereta boleh dibayangkan.

▲Jumlah data dalam fasa komersial akan mencapai tahap ZB (gambar diambil daripada teks kertas putih)

Pada peringkat ini, sama ada dari segi kos pembinaan, operasi dan penyelenggaraan atau keselamatan maklumat, adalah jelas bahawa membina atau mengembangkan bilik komputer tidak dapat bersaing dengan kelajuan pertumbuhan data.

"Pusat data tradisional tidak lagi boleh menyesuaikan diri dengan keperluan pengkomersilan pemanduan autonomi. "Bergerak ke awan" ialah satu-satunya cara untuk pemanduan autonomi beralih daripada pembangunan ke pengkomersilan." Perisikan sebuah syarikat berteknologi tinggi Kata pengurus besar Jabatan Produk Perkhidmatan Cheyun.

Dapat dilihat bahawa pada separuh kedua pengkomersilan pemanduan autonomi, "cloud" data telah menjadi keperluan utama bagi syarikat kereta dan juga akan menentukan sama ada ia boleh direalisasikan. Faktor penting dalam lelaran pantas.

Walau bagaimanapun, data besar bukan sahaja membawa masalah storan, tetapi cara menggunakan dan memprosesnya dengan cekap adalah satu lagi masalah besar.

Oleh itu, "memindahkan data ke awan" hanyalah langkah pertama, dan kepentingan awan kereta pintar untuk pemanduan autonomi bukanlah semata-mata untuk memenuhi data penyimpanan itu sendiri.

02.Cara melatih model persepsi "ke dalam awan" adalah kunci

Seperti yang dinyatakan. di atas, automatik Industri pemanduan berada pada separuh kedua pelaksanaan komersil Pada permukaan, setiap syarikat sedang berusaha untuk pelaksanaan, skala, dan perbatuan, tetapi di sebalik tabir, apa yang sebenarnya mereka perjuangkan adalah keupayaan untuk mengulang dan menyelesaikan dengan cepat. kes sudut.

Dengan kata lain, pengkomersilan kenderaan autonomi tidak dapat dipisahkan daripada lelaran algoritma yang berterusan dan cekap.

Untuk lelaran algoritma pemanduan autonomi, latihan model persepsi dan ujian simulasi adalah keutamaan utama yang pertama berkaitan secara langsung dengan keselamatan sistem pemanduan autonomi, manakala yang kedua menentukan Sama ada sistem pemanduan autonomi boleh mencapai lelaran pantas.

Walau bagaimanapun, menurut maklum balas daripada kakitangan R&D beberapa syarikat kereta, latihan model persepsi dan ujian simulasi juga merupakan dua titik kesakitan utama dalam keseluruhan proses penyelidikan dan pembangunan pemanduan autonomi.

▲ Senario titik kesakitan frekuensi tinggi yang berkaitan dengan pemanduan autonomi (gambar diambil daripada teks kertas putih)

Pertama ialah latihan model persepsi. Seperti yang kita semua tahu, sistem pemanduan autonomi adalah serupa dengan pemandu manusia dari segi persepsi Mereka merasakan persekitaran luaran melalui pelbagai penderia yang pertama bergantung pada kamera, lidar, dan radar gelombang milimeter, manakala pemandu manusia bergantung pada mata, telinga mereka. , dan juga hidung. Selain itu, untuk kedua-dua sistem pemanduan autonomi dan pemandu manusia, ia agak mudah dilihat, tetapi lebih sukar untuk dikenal pasti.

▲Penyelesaian persepsi pemanduan autonomi

Jadi, latihan model persepsi adalah Ia menjadi bahagian paling asas dan penting dalam proses penyelidikan dan pembangunan pemanduan autonomi. Lagipun, hanya apabila anda melihat dengan jelas dan mengenali apa itu barulah anda boleh merancang dan membuat keputusan. Secara khusus, latihan model persepsi boleh dibahagikan kepada lima pautan utama mengikut proses, iaitu penyimpanan data, prapemprosesan data, perlombongan contoh yang sukar, anotasi data, dan latihan model.

▲Titik kawalan utama untuk penyelidikan dan pembangunan pemanduan autonomi (gambar diambil daripada teks kertas putih)

Antara lima pautan utama ini, anotasi data adalah yang paling memakan masa dan intensif buruh, menyebabkan banyak syarikat kereta memanggilnya sebagai "sakit kepala." Anotasi data merujuk kepada pengesanan sasaran dan pengecaman pelbagai jenis maklumat seperti imej, video dan teks tanda jalan yang ditangkap oleh penderia melalui alat buatan dan pintar. Ringkasnya, anotasi data adalah untuk menandakan maklumat dalam imej (awan titik, kamera) satu demi satu. Ia adalah tugas mudah yang memerlukan ketepatan dan kecekapan yang sangat tinggi.

▲Anotasi data

Jadi, apabila manusia memproses Bila ini berfungsi, masalah seperti penyaringan data yang memakan masa, kadar kerja semula anotasi manual yang tinggi, dan format data yang tidak konsisten pasti akan berlaku, yang menjadikan kecekapan anotasi keseluruhan agak rendah. Sebuah syarikat kereta pandu sendiri asing juga mengurangkan bahagian pelabelan manual untuk meningkatkan kecekapan pelabelan data. Memandangkan kecekapan manual adalah rendah, bagaimana pula dengan menggunakan AI untuk anotasi data? Walaupun pelabelan data melalui AI menyelesaikan masalah kecekapan manual, kedalaman dan keluasan pengumpulan data secara langsung akan mengehadkan dan menjejaskan keupayaan pembelajaran AI, dan kuasa pengkomputeran model algoritma asas tidak dapat menanggung jumlah data yang semakin meningkat.

Oleh itu, untuk tugasan seperti model persepsi pemanduan autonomi yang memerlukan sejumlah besar data latihan, ketepatan algoritma yang tinggi dan kecekapan latihan yang pantas, adalah lebih sesuai untuk menggunakan awan automotif. perkhidmatan.

Berbanding dengan keupayaan pemprosesan data latihan AI manual dan tempatan, perkhidmatan awan automotif secara berkesan boleh memudahkan pemanduan autonomi dengan kelebihan kuasa pengkomputeran super, strategi pintar yang cekap dan tepat Pelbagai masalah dan cabaran yang timbul semasa pemprosesan data.

"Kertas Putih" menyebut bahawa pelaksanaan komersial pemanduan autonomi peringkat tinggi dalam adegan tertutup seperti pelabuhan dan lombong adalah lebih awal daripada kereta penumpang, dan perkhidmatan awan automotif juga akan memainkan "otak pada awan" dalam senario aplikasi industri ini. ” bernilai tinggi. Mengambil pemanduan tanpa pemandu di kawasan perlombongan sebagai contoh, perkhidmatan awan automotif memainkan peranan penting dalam latihan model persepsi.

Lori tanpa pemandu sering menemui jalan yang tidak berstruktur, runtuhan batu rawak, kenderaan berbentuk khas, dsb. di kawasan perlombongan, dan terdapat juga persekitaran yang keras seperti habuk berterbangan dan tanah yang ditiup di kawasan perlombongan. Untuk pembangunan sistem pemanduan autonomi, ini merupakan ujian hebat bagi ketepatan anotasi data dan kecekapan latihan model Perkhidmatan awan automotif boleh membantu pemanduan autonomi dengan cepat melalui pemprosesan data yang cekap, perlombongan kes sukar, anotasi automatik, latihan model dan lain-lain. keupayaan. Trak menyesuaikan diri dengan persekitaran operasi yang kompleks di kawasan perlombongan, mengurangkan kadar pengambilalihan, dan meningkatkan kecekapan operasi tanpa pemandu.

Dari segi data, kecekapan pemprosesan data latihan AI tempatan adalah 3 hingga 4 kali lebih tinggi daripada pemprosesan manual Bergantung pada kuasa pengkomputeran awan yang lebih tinggi dan lebih banyak pengalaman pengumpulan, Kecekapan pemprosesan komprehensif pemprosesan data perkhidmatan awan automotif meningkat lebih daripada 10 kali ganda, dan kos pemprosesan data dikurangkan sebanyak 50% berbanding dengan buruh manual.

▲Sejarah pembangunan pemprosesan data untuk penyelidikan dan pembangunan pemanduan autonomi (gambar diambil daripada teks kertas putih)

Ringkasnya, dari segi pemprosesan data R&D pemanduan autonomi, kelebihan perkhidmatan awan automotif semakin ketara. Bukan sahaja ia dapat mengenal pasti data bernilai tinggi dengan berkesan, mengoptimumkan ruang storan dan mempercepatkan perlombongan kes yang sukar, tetapi ia juga boleh menggunakan pembelajaran mendalam untuk meningkatkan keupayaan pelabelan automatik, mengoptimumkan kecekapan dan ketepatan algoritma pelabelan, dan mengurangkan kos pemprosesan data.

03.Jika anda ingin mengulangi ujian simulasi dengan cepat, anda memerlukan awan untuk membantu

Selepas menyelesaikan masalah pemprosesan data, bagi syarikat kereta yang terus melabur dalam pemanduan autonomi, ujian besar-besaran amat diperlukan jika mereka ingin mencapai lelaran pantas. Pandangan umum dalam industri ialah sistem pemanduan autonomi memerlukan sekurang-kurangnya 10 bilion batu (kira-kira 16.1 bilion kilometer) data pandu uji untuk memastikan keselamatan kenderaan di jalan raya, tetapi jelas sukar untuk menyelesaikannya hanya dengan berlari. kenderaan ujian "siang dan malam".

Oleh itu, ujian simulasi telah menjadi bahagian penting dalam penyelidikan dan pembangunan pemanduan autonomi, dan ia juga satu-satunya cara untuk dilakukan. Menurut statistik, semasa ujian simulasi, syarikat kereta terutamanya menghadapi empat cabaran utama, iaitu liputan perpustakaan tempat kejadian yang tidak mencukupi dan format yang tidak serasi antara industri melibatkan perbatuan yang besar, banyak kategori adegan dan memakan masa yang lama ujian dan ujian jalan kenderaan sebenar adalah besar dan tahap keyakinan rendah; sistem penilaian simulasi tidak sempurna dan kesan maklum balas adalah lemah.

▲Sistem ujian simulasi pemanduan autonomi (gambar diambil daripada teks kertas putih)

Selain itu, ujian simulasi memerlukan tahap keupayaan pasukan teknikal yang tinggi, dengan pelbagai kemahiran profesional merentas disiplin, dan tahap keperluan integrasi perniagaan yang lebih tinggi, jauh melebihi pautan perniagaan lain dalam penyelidikan dan pembangunan pemanduan autonomi. Cabaran dan masalah di atas juga telah mencetuskan keperluan mendesak untuk "memasuki awan" untuk ujian simulasi. Jadi apakah masalah yang boleh diselesaikan oleh awan kereta simulasi? Bagaimana untuk menyelesaikan masalah?

Pertama sekali, perkhidmatan awan kereta simulasi membantu perpustakaan adegan simulasi menjadi lebih standard dan komprehensif dengan membina pustaka pemandangan terbuka. Kedua, bergantung pada kuasa pengkomputeran yang berkuasa dan keupayaan pemprosesan serentak yang tinggi bagi simulasi selari berskala besar dalam awan, mod satu baris ditukar kepada mod serentak, menyokong penyiapan berbilang tugas simulasi dalam berbilang senario pada masa yang sama, sangat meningkatkan kecekapan simulasi.

▲Simulasi awan pemanduan autonomi

Bagi ujian dan pelaksanaan simulasi Untuk menyelesaikan masalah penyelewengan ujian jalan kenderaan yang besar, perkhidmatan awan kereta simulasi boleh menyepadukan keupayaan profesional dalam pelbagai bidang seperti perisian komputer, kejuruteraan kuasa kenderaan, pengangkutan, dll., untuk meningkatkan kesetiaan ujian simulasi daripada mikro kepada makro. Akhir sekali, dari segi penilaian ujian simulasi, perkhidmatan awan automotif adalah berdasarkan pengalaman industri automotif dan digabungkan dengan perpustakaan senario, yang boleh menyediakan sistem indeks penilaian pelbagai dimensi dan komprehensif untuk proses ujian simulasi, menyokong perkhidmatan tersuai. penunjuk penilaian untuk syarikat kereta yang berbeza dan peringkat pembangunan yang berbeza, dan mempercepatkan lelaran Algoritma dan pengoptimuman perpustakaan tempat kejadian untuk ujian simulasi.

Jadi secara ringkasnya, untuk keseluruhan perkhidmatan awan pemanduan autonomi, sistem ujian simulasi berkualiti tinggi adalah seperti permata mahkota, yang mewakili contoh yang sangat mewakili "awan" penyelidikan pemanduan autonomi dan nilai pembangunan. Antara dua titik kawalan utama penyelidikan dan pembangunan pemanduan autonomi, pemprosesan data dan ujian simulasi, peranan awan kereta pintar tidak boleh dipandang remeh. Bagi syarikat kereta yang terlibat dalam pemanduan autonomi, kepentingan awan kereta pintar kini sama pentingnya dengan penderia, platform pengkomputeran dan pembuatan kenderaan, dan telah menjadi senjata rahsia untuk mengurangkan kos dan meningkatkan kecekapan pada separuh kedua pelaksanaan komersial.

04.Cara untuk meningkatkan kecekapan R&D integrasi rantaian alat ialah perkara utama

Apabila kecekapan latihan model persepsi dan ujian simulasi dipertingkatkan, adakah ini bermakna kecekapan keseluruhan proses penyelidikan dan pembangunan pemanduan autonomi boleh dipertingkatkan secara keseluruhan? Jawapannya tidak.

Contohnya, semasa proses penyelidikan dan pembangunan pemanduan autonomi, syarikat kereta tertentu terpaksa membangunkan lelaran model disebabkan alatan bertaburan yang digunakan pada peringkat yang berbeza dan format pemprosesan data yang berbeza selama 2 bulan , tidak cekap dan mahal.

Ini juga bermakna hanya meningkatkan kecekapan proses R&D tunggal tanpa rantai alat R&D pemanduan autonomi yang lengkap tidak dapat meningkatkan kecekapan R&D keseluruhan secara berkesan. Keputusan akhir mungkin 1+1 Oleh itu, bagi syarikat kereta, rantai alat R&D pemacuan autonomi penuh tindanan penuh adalah penting.

Seorang pengarah kanan sebuah pusat teknologi automotif berkata bahawa syarikat kereta tradisional perlu beralih daripada model pembangunan penyepaduan sistem gaya air terjun yang asal pada hujung kereta kepada pendekatan tangkas penyepaduan awan-paip-hujung Transformasi model pembangunan bersepadu senario. Secara kebetulan, dari segi keupayaan pemprosesan asas, perkhidmatan awan boleh membantu rantai alat R&D pemacu autonomi mencapai gelung tertutup data dan membina satu set rangkaian alat pembangunan automatik yang meliputi pengumpulan data, penyimpanan, pemprosesan, anotasi, latihan model, simulasi, dan penilaian. Bagi syarikat kereta, apabila mereka mempunyai rantaian alat penyelidikan dan pembangunan yang disokong oleh awan kereta pintar, mereka boleh membuka proses pembangunan "hujung-ke-hujung" di seluruh rantaian, mengurangkan kos pembangunan dengan ketara, dan meningkatkan lelaran dan operasi sistem dan kecekapan penyelenggaraan.

▲Rantai alat "hujung ke hujung" memperkasakan proses penyelidikan dan pembangunan pemanduan autonomi untuk mengurangkan kos dan meningkatkan kecekapan ( gambar diambil daripada teks kertas putih)

Dari sudut pandangan data, rantai alat R&D pemanduan autonomi "hujung ke hujung" ini boleh membantu syarikat kereta menjimatkan 50% kos pembangunan yang komprehensif dan meningkatkan operasi komprehensif sebanyak 60%.

05.Kesimpulan: Syarikat kereta dan penyedia perkhidmatan awan menuju ke kedua-dua arah

Jadi, selain menunjukkan bakatnya dalam penyelidikan dan pembangunan pemanduan autonomi, apakah senario aplikasi lain yang ada pada perkhidmatan awan kereta pintar? Malah, sebagai tambahan kepada tiga senario utama yang dinyatakan di atas, perkhidmatan awan kereta pintar telah dilancarkan secara senyap-senyap sepanjang kitaran hayat kenderaan. Pada masa ini, terdapat 9 senario baharu untuk perkhidmatan awan automotif sepanjang kitaran hayat kenderaan, serta 21 senario aplikasi khusus dalam dimensi yang lebih terperinci, termasuk penyelidikan dan pembangunan, jualan, penggunaan, perkhidmatan selepas jualan dan perkhidmatan terbitan lain.

▲Prospek untuk senario aplikasi perkhidmatan awan automotif dalam kenderaan bersambung pintar (gambar yang diambil daripada teks kertas putih)

Singkat daripada penyelidikan dan pembangunan kepada penggunaan komersial Mengurangkan kos dan meningkatkan kecekapan. Syarikat-syarikat kereta juga mengorak langkah dengan pengeluar awan ke arah penghujung kerjasama peringkat perniagaan yang mendalam, secara beransur-ansur membentuk situasi yang baik bagi pemerkasaan dua hala, dan bekerjasama di atas jalan untuk meningkatkan ketersambungan rangkaian pintar.

Atas ialah kandungan terperinci Pemanduan autonomi 'pergi ke awan' telah menjadi trend umum, dan penyelidikan dan pembangunan 'pergi ke awan' adalah kuncinya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!