正在阅读:

完全自动驾驶来临前,高效数据闭环是自动驾驶系统的核心竞争力

扫一扫下载界面新闻APP

完全自动驾驶来临前,高效数据闭环是自动驾驶系统的核心竞争力

海量数据的存储和管理能力,正在成为自动驾驶从技术到落地的关键挑战。

文丨AutoR智驾  诺一

数据是新的“石油”,也必将成为未来创新的命脉。

IDC一组数据报告指出,全球数据正以25%增速呈指数级增长,数据量快速产生释放,终端产生的数据量仍然是最大的,而且上升很快,数据中心的量保持缓慢上升,边缘逐渐扩大,最终扩大到和数据中心的量持平。

除此之外,由于产生来源不同,数据的形态日趋多元化,变得越来越复杂,在过去30年间发生了三次重要的转变:

起初数据以纯PC计算形式为主,2000年之后的10年则是PC计算、服务器、Web2.0时代共同产生,2010年之后数据辐射到了手机、汽车、云计算、IoT、区块链、智能生活、自动驾驶方方面面,它们形成一个大矩阵,这些数据量级巨大并且需要及时处理。

然而,未经处理的数据毫无价值,只有将数据转化为业务价值,才能创造新的服务和体验。

尤其是在自动驾驶领域海量数据的存储和管理能力,正在成为自动驾驶从技术到落地的关键挑战。

更为关键的一点是,自动驾驶汽车产生的数据量会随着其级别升高,自动驾驶级别越高,所需的传感器数量则越多、精度也越高,而数据量就会相应上涨。

对自动驾驶的研发来说,数据贯穿着研发、生产、测试、运营等生命周期,发挥着至关重要的作用,对数据进行高效收集和利用,提高数据循环链路的速度,是整个自动驾驶技术迭代的关键点。

自动驾驶在开发过程中需要采集大量的数据,构建相应的场景数据集,进行算法训练;基于场景数据和真值可以做场景分析,并建立相应的算法评测体系;基于场景数据建立虚拟环境,并生成测试场景,极大地提高自动驾驶系统的测试验证效率。

在部署自动驾驶车辆之后,会产生大量的回传数据,自动驾驶系统也需要基于这些数据不断进行迭代升级,并通过OTA的方式为用户持续推送新的功能、适应更多的场景和提升体验。

举个例子,假设自动驾驶汽车在超车过程中产生了人工接管,或者触发了评测体系里的某些机制产生了回传数据,管理系统会对回传数据进行筛选、标注,并在数据库里检索类似场景数据,如果数据库中的数据不足以解决问题,就需要去有针对性的采集或编辑生产相应的数据,重新进行算法训练、回归测试等流程,实现功能修复或用户体验提升的闭环。

因此,基于数据驱动的自动驾驶,必须完成前期数据的收集、中间数据的存储与迁移以及后期核心数据的训练与管理。

而基于这些关键因素,希捷认为一个完整的自动驾驶数据流动闭环,必须要一套完整的端点-边缘-核心数据解决方案,这不仅仅是满足系统开发需要,也能够持续为用户带来新价值。

那么,在实际测试的过程中,自动驾驶公司如何能够保障数据收集的完整性?

如何在频繁拆卸、长途运输过程中保证数据存储不会丢失?最后,在核心数据层面如何完成数据训练,推理,冷备?

本文为转载内容,授权事宜请联系原著作权人。

评论

暂无评论哦,快来评价一下吧!

下载界面新闻

微信公众号

微博

完全自动驾驶来临前,高效数据闭环是自动驾驶系统的核心竞争力

海量数据的存储和管理能力,正在成为自动驾驶从技术到落地的关键挑战。

文丨AutoR智驾  诺一

数据是新的“石油”,也必将成为未来创新的命脉。

IDC一组数据报告指出,全球数据正以25%增速呈指数级增长,数据量快速产生释放,终端产生的数据量仍然是最大的,而且上升很快,数据中心的量保持缓慢上升,边缘逐渐扩大,最终扩大到和数据中心的量持平。

除此之外,由于产生来源不同,数据的形态日趋多元化,变得越来越复杂,在过去30年间发生了三次重要的转变:

起初数据以纯PC计算形式为主,2000年之后的10年则是PC计算、服务器、Web2.0时代共同产生,2010年之后数据辐射到了手机、汽车、云计算、IoT、区块链、智能生活、自动驾驶方方面面,它们形成一个大矩阵,这些数据量级巨大并且需要及时处理。

然而,未经处理的数据毫无价值,只有将数据转化为业务价值,才能创造新的服务和体验。

尤其是在自动驾驶领域海量数据的存储和管理能力,正在成为自动驾驶从技术到落地的关键挑战。

更为关键的一点是,自动驾驶汽车产生的数据量会随着其级别升高,自动驾驶级别越高,所需的传感器数量则越多、精度也越高,而数据量就会相应上涨。

对自动驾驶的研发来说,数据贯穿着研发、生产、测试、运营等生命周期,发挥着至关重要的作用,对数据进行高效收集和利用,提高数据循环链路的速度,是整个自动驾驶技术迭代的关键点。

自动驾驶在开发过程中需要采集大量的数据,构建相应的场景数据集,进行算法训练;基于场景数据和真值可以做场景分析,并建立相应的算法评测体系;基于场景数据建立虚拟环境,并生成测试场景,极大地提高自动驾驶系统的测试验证效率。

在部署自动驾驶车辆之后,会产生大量的回传数据,自动驾驶系统也需要基于这些数据不断进行迭代升级,并通过OTA的方式为用户持续推送新的功能、适应更多的场景和提升体验。

举个例子,假设自动驾驶汽车在超车过程中产生了人工接管,或者触发了评测体系里的某些机制产生了回传数据,管理系统会对回传数据进行筛选、标注,并在数据库里检索类似场景数据,如果数据库中的数据不足以解决问题,就需要去有针对性的采集或编辑生产相应的数据,重新进行算法训练、回归测试等流程,实现功能修复或用户体验提升的闭环。

因此,基于数据驱动的自动驾驶,必须完成前期数据的收集、中间数据的存储与迁移以及后期核心数据的训练与管理。

而基于这些关键因素,希捷认为一个完整的自动驾驶数据流动闭环,必须要一套完整的端点-边缘-核心数据解决方案,这不仅仅是满足系统开发需要,也能够持续为用户带来新价值。

那么,在实际测试的过程中,自动驾驶公司如何能够保障数据收集的完整性?

如何在频繁拆卸、长途运输过程中保证数据存储不会丢失?最后,在核心数据层面如何完成数据训练,推理,冷备?

本文为转载内容,授权事宜请联系原著作权人。