Открытая платформа данных Baidu Apollo2.0: новая модель итерации НИОКР «Облако + Терминал»

Docker алгоритм Байду Безопасность
Открытая платформа данных Baidu Apollo2.0: новая модель итерации НИОКР «Облако + Терминал»
Эта статья написана "Передовая линия ИИ"Оригинал, оригинальная ссылка:Открытая платформа данных Baidu Apollo2.0: новая модель итерации НИОКР «Облако + Терминал»
Автор｜Ян Фань из Baidu Autonomous Driving Division
Рукопись ｜ Винсент
Редактор | Эмили

Здравствуйте, коллеги-разработчики, я Ян Фан из отдела автономного вождения Baidu. Я рад возможности поделиться с вами некоторыми достижениями Baidu и Apollo в области автономных транспортных средств.

Мой обмен разделен на следующие части:

  • Во-первых, представить Apollo и открытые возможности автомобиля.
  • Затем он вводит новый режим открытия ресурсов и итерации НИОКР.
  • После этого началось внедрение данных открытых площадок и учебных площадок реальных боевых действий.
  • Наконец, представлены поэтапные результаты, основанные на открытости возможностей и открытости ресурсов.


Введение в раскрытие возможностей Аполлона

Давайте сначала посмотрим на первую часть, краткое введение в открытие возможностей Аполлона.

Стратегия открытия экосистемы ИИ

Позвольте мне сначала представить историю автономного вождения Baidu. Как снова упомянул президент Baidu, главный операционный директор Лу Ци на конференции CES, Baidu уже является компанией, занимающейся искусственным интеллектом. И поделитесь с вами тем, как Baidu ускоряет инновации в области искусственного интеллекта со скоростью Китая и как мы можем вместе изменить мир и сделать его лучше с помощью открытой платформы.

Мы видим эволюцию технологического прилива, который прошел путь от командной строки, клиентского сервера, Интернета и мобильного Интернета до эпохи ИИ.

В открытой экологической стратегии Baidu AI система разделена на облачную и терминальную.Поддерживаемые облачные технологии — интеллектуальное облако и мозг Baidu, а выход терминала — самоуправляемая экосистема Apollo и экосистема DuerOS, которая пробуждает посторонние объекты.

В то же время, что более важно и интересно, так это то, что ИИ привел мобильный Интернет в новую эру, которую мы называем новой мобильностью.

В эту новую мобильную эру мобильные телефоны обладают сильными возможностями восприятия и более базовыми возможностями искусственного интеллекта.Каждый мобильный телефон может слушать, видеть, говорить, учиться и понимать пользователей. Основные продукты Baidu, мобильный телефон Baidu, iQiyi и т. д., будут в полной мере использовать эту новую возможность и всесторонне продвигать новые технологии и продукты, чтобы обеспечить новое поколение пользовательского опыта в эпоху мобильных устройств. Мобильный Baidu, особенно мобильный Baidu, будет органично интегрировать поиск и персонализацию, чтобы создать опыт нового поколения, который лучше понимает пользователей. Экосистема Apollo — одна из важных и первых экосистем Baidu AI.

Манифест Аполлона

С момента своего открытия 19 апреля он получил отзывы от многих партнеров, и его основным резюме является Декларация Аполлона. Индустрия автономного вождения стремительно движется в будущее, и самая большая проблема заключается в том, что технические барьеры слишком высоки.Каждому предприятию нужны годы накопления технологий и рабочей силы, прежде чем оно сможет приступить к серьезным исследованиям и разработкам. Baidu начала работу рано, с почти 4 годами накопления технологий и ранних инвестиций, и откроет свои возможности для каждого партнера, от 0 до 1, и вскоре начнет исследования и разработки в области беспилотного вождения, тем самым улучшая инновации в отрасли беспилотного вождения. скорость и не изобретать велосипед. Все внимание сосредоточено на более эффективных инновациях. Для обмена ресурсами партнеры используют технические ресурсы Apollo и используют их немедленно, при этом каждый партнер может вносить ресурсы, и чем больше вы вкладываете, тем больше получаете. Аполлон выигрывает, а партнеры выигрывают еще больше. Ускорение инноваций: данные плюс инновации, сбор ресурсов данных, количество километров и количество охватываемых сценариев будут намного больше, чем у любой закрытой системы в будущем.Постоянная взаимовыгодность: бизнес-модель Baidu основана на основных возможностях Baidu . Дополняющие друг друга возможности и партнеры, Apollo станут важной вехой в автомобильной промышленности и окажут основное влияние.

Открытая дорожная карта Аполлона

Apollo объявила о плане открытия в апреле 2017 года, выпустила 1.0 в июле, выпустила 1.5 в сентябре и выпустила 2.0 на выставке CES в январе 2018 года. Скорость итерации и выпуска очень высока.

Как видно из дорожной карты Apollo, открытость Apollo состоит из двух частей: открытых возможностей и открытых ресурсов.

В июле 1.0 2017 г. были открыты возможности и ресурсы автоматического вождения на закрытых площадках, в сентябре 1.5 были открыты возможности и ресурсы автоматического вождения по фиксированной полосе движения, а в январе 2018 г. возможности и ресурсы автоматического вождения для простых городских дорог. условия были открыты в 2.0, а затем в 2018, 2019 и 2020 годах будут постепенно открываться возможности автономного вождения и ресурсы скоростных и городских дорог в конкретных регионах, Альфа-версия скоростных и городских дорог и автономное вождение , и, наконец, будут достигнуты возможности автономного вождения и ресурсы скоростных и городских дорог и всей дорожной сети.

Техническая структура Аполлона

Открытая структура является общим требованием научных кругов, технологий и промышленности. Структура технологии Apollo состоит из 4 слоев. соответственно

  • Reference Vehicle Platform
  • Reference Hardware Platform
  • Open Software Platform
  • Cloud Service Platform

Базовое введение каждого модуля на каждом уровне:

  • Конкретно, в первую очередь нам нужен автомобиль, которым можно управлять по нашему сигналу, тогда мы называем его сигнальным автомобилем. Тогда это в основном слой, который мы продвигаем вместе со многими производителями автомобилей и производителями решений уровня 1;
  • Затем есть эталонное оборудование.Если мы хотим, чтобы автомобиль двигался, нам нужна поддержка оборудования, такого как вычислительный блок, GPS / IMU, камера, лидар, радар миллиметрового диапазона, оборудование для взаимодействия с человеком, BlackBox и так далее.
  • Открытый программный слой. Он разделен на три подуровня с операционной системой реального времени. Существует уровень фреймворка, на котором размещены все модули. Высокоточная карта и позиционирование сообщают транспортному средству, где оно находится, модуль восприятия информирует об окружающей среде транспортного средства, а модуль планирования решений определяет общее и подробное планирование. Модуль управления отвечает за преобразование траектории выходных данных планирования решений в конкретные команды управления;
  • Автономное вождение Baidu обладает очень сильной способностью, которая исходит от облака. Высокоточная карта хранится в облаке, и сервис моделирования вождения также находится в облаке, что ускоряет эффективность исследований и разработок в области автономного вождения. Мы накопили много данных и понимание данных. Мы также открыли платформу данных в облаке, и основная линия обработки данных отражена в нашем облаке. Существует также наша служба безопасности в облаке для обеспечения автоматического обновления программного обеспечения.

Недавно открытые модули Apollo 2.0 включают в себя Security, Camera, Radar и Black Box, что означает, что все четыре модуля платформы Apollo, включая облачный сервис, сервисную платформу, эталонную аппаратную платформу и эталонную автомобильную платформу, были освещены. Apollo 2.0 впервые открывает службы безопасности и OTA-обновления, позволяя вводить в автомобиль только правильные и защищенные данные, а также дополнительно усиливает возможности самопозиционирования, восприятия, планирования, принятия решений и облачной фаланги. Модуль Black Box включает в себя программно-аппаратные комплексы, обеспечивающие безопасное хранение и передачу больших объемов данных, что может помочь нам своевременно обнаруживать нештатные ситуации и повышать безопасность и надежность всей платформы.

Что касается аппаратного обеспечения, добавление двух передних камер (телеобъектив + короткофокусный) в основном используется для определения светофоров, а над передним бампером недавно установлен радар миллиметрового диапазона. Таким образом, очевидно, что после того, как Apollo 2.0 открыл модули камеры и радара, вся платформа сделала упор на способность слияния датчиков, что еще больше повысило ее адаптируемость к простым городским дорожным условиям днем ​​и ночью.

Как упомянул Ли Чжэнью, генеральный менеджер бизнес-группы Baidu по интеллектуальному вождению, низкая стоимость и низкое энергопотребление должны быть целью платформы автономного вождения, но на самом деле в процессе перехода от лаборатории к продукту массового производства, безопасность является наиболее важным, Baidu Первоочередной проблемой должна быть безопасность.

Новая модель Apollo по открытию ресурсов и итерации НИОКР

Новая модель итерации R&D «облако + терминал» для умных автомобилей

Умным беспилотным автомобилям нужен умный бортовой мозг. Мы полностью изучили наши собственные исследования и разработки.Новая модель «облако + терминал», итерация исследований и разработок умных автомобилей, является нашим решением для ускорения исследований и разработок эффективности автономных транспортных средств. Мы накапливаем огромное количество данных о транспортных средствах.

Накопленные данные используются для эффективной генерации модели искусственного интеллекта, то есть мозга автомобиля, с серверным кластером в облаке. Обновите мозг автомобиля до транспортного средства и дайте транспортному средству возможность управлять автономно.

В ходе нашего собственного процесса исследований и разработок мы обнаружили, что разработка беспилотных серийных автомобилей L4 требует очень сложных алгоритмов для решения очень сложных сценариев.

Согласно отчету RAND Corporation, массовое производство должно накопить 10 миллиардов километров пробега автономного вождения, а 100 автомобилей могут работать 7*24 часа в течение сотен лет; если это традиционные прямые исследования и разработки на автомобиле, эффективность отладки на автомобиле недостаточно.

Поэтому предлагаемое нами решение заключается в повышении эффективности исследований и разработок за счет новой модели итерации исследований и разработок «облако + терминал». Мы очень рады поделиться этой моделью с экосистемой Apollo.

Давайте начнем знакомить вас с частью автономного вождения, связанной с большими данными.

Автоматизированная классификация данных о вождении

Данные об автономном вождении можно разделить на четыре категории:

Данные, генерируемые беспилотными транспортными средствами, в первую очередьНеобработанные данные. В основном данные датчиков, собственные данные транспортного средства, данные о вождении и т. д. Эти данные характеризуются огромным объемом данных, различных типов и, в основном, неструктурированных и полуструктурированных данных. Это представляет относительно большую проблему для хранения, передачи и обработки.

Чтобы использовать данные в глубоком обучении, нам также нужно многоЭтикетка данных. В основном это наборы данных о светофорах, наборы данных о препятствиях (2D, 3D), наборы данных семантической сегментации, наборы данных свободного пространства, наборы данных прогнозирования поведения и так далее.

Чтобы охарактеризовать поведение автономного вождения, нам также необходимо абстрагировать данные влогические данные. В основном идеальные данные о восприятии, данные об абстракции окружающей среды, модель динамики транспортного средства и т. д.

Наконец, мы будем использовать сборку для моделированияДанные моделирования, в основном данные фаззификации параметров, данные 3D-реконструкции, данные интерактивного поведения и т. д.

Архитектура платформы данных для автономного вождения

Платформа данных является основной платформой для нашей новой модели итерации исследований и разработок «облако + терминал» для поддержки умных автомобилей.

Он состоит из трех частей: сбора и передачи данных, хранилища данных автоматического вождения и вычислительной платформы автоматического вождения.

Во-первых, это сбор и передача данных. Использование Data-Recorder будет генерировать полные и точно записанные пакеты данных в соответствии со спецификациями данных Apollo, что может воспроизвести проблему и одновременно завершить накопление данных. Через интерфейс передачи данные могут быть эффективно переданы в рабочую точку и облачный кластер.

Далее идет хранилище данных автономного вождения, которое организует все массивные данные в систему для быстрого поиска и гибкого использования, обеспечивая поддержку данных для конвейера данных и различных бизнес-приложений.

Часть вычислительной платформы с автономным управлением обеспечивает сверхмощные вычислительные мощности на основе гетерогенного вычислительного оборудования облачных ресурсов и предоставляет различные модели вычислений посредством детального планирования контейнеров для поддержки различных бизнес-приложений. Например, учебная платформа, платформа для моделирования, платформа для калибровки транспортных средств и так далее.

Открытая платформа данных и учебная платформа реального боя

Обзор платформы данных

Набор данных с открытым исходным кодом Apollo

Набор данных с открытым исходным кодом Apollo разделен на следующие три части:

  • Наборы данных моделирования, включая виртуальные сцены автономного вождения и реальные дорожные сцены;
  • Набор демонстрационных данных, включая демонстрационные данные системы транспортного средства, демонстрационные данные калибровки, сквозные демонстрационные данные и демонстрационные данные модуля самопозиционирования;
  • Аннотированный набор данных, включающий наборы данных из 6 частей: обнаружение и классификация препятствий в облаке лазерных точек, обнаружение светофора, дорожные хакеры, обнаружение и классификация препятствий на основе изображений, прогнозирование траектории препятствия и анализ сцены.

Помимо открытых данных, он также поддерживает открытые облачные сервисы, включая платформу маркировки данных, платформу обучения и обучения, платформу моделирования и платформу калибровки, предоставляя разработчикам Apollo полный набор решений для возможностей обработки данных и ускорения итерационных инноваций.

Учебная платформа Аполлона


Мы также предоставляем соответствующую классу вычислительную мощность для каждого набора данных через учебную платформу Apollo.

Особенности обучающей платформы:

Благодаря кластеру Docker + GPU он обеспечивает согласованные аппаратные вычислительные возможности со стороны автомобиля.

Интегрируйте несколько фреймворков, чтобы получить законченное решение для глубокого обучения. Благодаря интерактивному визуальному анализу результатов он удобен для отладки и оптимизации алгоритмов.

Введение в логику архитектуры открытой облачной платформы

Одной из самых больших проблем при разработке нашего алгоритма автономного вождения является необходимость повторных попыток обработки массивных наборов данных. Внедряя процесс исследования и разработки (разработка, обучение, проверка и отладка) алгоритмов глубокого обучения в облаке, мы можем в полной мере использовать большое количество вычислительных ресурсов в облаке и завершить поток данных только на сервере. в облаке, тем самым значительно улучшая исследования и разработки алгоритмов.

В частности, сначала разработчики разрабатывают алгоритмы на основе Docker на локальном компьютере разработки и развертывают зависимую среду.

Затем отправьте разработанную среду в частный репозиторий Docker в облаке.

Затем выберите набор данных на платформе и инициируйте обучающую задачу. Планирование облачных вычислений учебной платформы Apollo будет планировать выполнение задач вычислительным кластером. В этом процессе в облачном кластере программа разработчика использует интерфейс сбора данных для получения набора данных в хранилище данных автономного вождения.

Наконец, среда управления бизнесом возвращает процесс выполнения, результаты оценки и модель на платформу визуализации для завершения отладки визуализации.

Далее я расскажу о платформе данных в действии.. Откройте официальный сайт Apollo, apollo.auto, чтобы увидеть домашнюю страницу.

Официальный сайт Аполлона Главная

Нажмите на Github, чтобы просмотреть исходный код открытых возможностей Apollo.

в верхней строке меню"Разработчики", выберите «Платформа данных», чтобы войти в открытую платформу данных Apollo. Для открытия и использования рекомендуется использовать ПК, и эффект будет лучше.

Авторизоваться

В правом верхнем углу страницы открытой платформы данных Apollo находится меню входа, нажмите, чтобы войти в учетную запись Baidu, что упростит последующий процесс использования.


Открытая платформа данных

Домашняя страница открытой платформы данных состоит из нескольких разделов, а именно данных сцены моделирования, данных аннотаций, демонстрационных данных, связанных продуктов и услуг и загрузки моих данных.

Разработчики могут напрямую использовать открытые данные Apollo или загружать данные в облако через регистратор данных Apollo.

Выбрав конкретные данные, вы можете войти в приложение конкретных данных.

Разработчики могут калибровать параметры транспортного средства на калибровочной платформе, загружать данные, подавать заявки на обработку данных, использовать сервисы аннотирования данных, обучать модели на обучающей платформе, объединять результаты предыдущих шагов платформы приложений с кодом Apollo на Github и компилировать. или отправьте исходный код на платформу моделирования для завершения оценки, тем самым завершив итерацию НИОКР собственной автомобильной системы через «облако + терминал».

Данные сцены моделирования реального боя

Во-первых, можно увидеть набор данных сцены моделирования.

Набор данных сцены моделирования

Данные сцены моделирования включают отредактированные вручную и реально собранные сцены, охватывающие различные типы дорог, типы препятствий и дорожные среды.В то же время облачная платформа моделирования открыта для поддержки одновременной онлайн-проверки модулей алгоритмов в нескольких сценах, ускоряя скорость итерации алгоритма.

Нажмите кнопку «Использовать сейчас» под двумя наборами данных моделирования, чтобы перейти на страницу сведений о наборе данных сцены моделирования.

Данные сцены моделирования

На странице сведений о данных сцены моделирования можно дополнительно отфильтровать по условиям, чтобы просмотреть сведения о сцене. Нажмите кнопку платформы моделирования в правом верхнем углу, чтобы войти в платформу моделирования.

Сцена моделирования

На открытой платформе моделирования вы можете запустить сцену моделирования с модулем Apollo по умолчанию или вы можете отправить свою собственную систему автоматического вождения для запуска сцены моделирования. Конкретное использование симуляции Аполлона будет рассмотрено отдельно и не будет здесь подробно описываться из-за нехватки времени.

Маркировка данных на практике

Следующим шагом является маркировка данных.

Этикетка данных

Помеченные данные — это данные, сгенерированные путем маркировки вручную для удовлетворения потребностей обучения глубокому обучению.В настоящее время мы открыли множество помеченных данных и предоставили разработчикам соответствующие вычислительные возможности в облаке для обучения алгоритмов в облаке, чтобы улучшить итерацию алгоритма. эффективность.

Apollo открыл для разработчиков 6 наборов данных аннотаций и популярных в сообществе алгоритмов для отладки облачной среды:

  1. Лазерное обнаружение и классификация облаков точек, мы предоставляем демонстрацию (традиционное машинное обучение) на основе алгоритма правил;
  2. Обнаружение светофора, мы предоставляем демонстрацию (Paddle, Caffe) на основе алгоритма SSD;
  3. Road Hackers, мы предоставляем демо на основе CNN+LSTM (Keras, TensorFlow);
  4. Обнаружение и классификация препятствий на основе изображений, мы предоставляем демонстрацию (Caffe) на основе алгоритма SSD;
  5. Предсказание траектории препятствия, мы предоставляем Demo (TensorFlow) на основе алгоритма MLP;
  6. Анализ сцены.

Давайте взглянем на «Обнаружение и классификация препятствий облака лазерных точек», и вы можете войти на страницу сведений о наборе данных. Другие помеченные данные могут просматривать друзья.

Обнаружение и классификация облаков лазерных точек

На странице сведений о наборе данных вы можете увидеть введение набора данных.

В правом верхнем углу есть ряд кнопок действий.

Нажмите "Посмотреть руководство пользователя", чтобы просмотреть более подробные описания наборов данных и инструкции по использованию. Вот ссылка в формате PDF, которая открывается после "Просмотреть руководство пользователя":

data.Apollo.auto/static/PDF/…

Нажмите образец данных, чтобы загрузить небольшой объем данных образца, чтобы понять формат данных.

Нажмите "Подать заявку на использование», может применяться для использования большого объема данных в наборе данных в облаке.

Онлайн-приложение данных

Это щелчок"Подать заявку на использованиедиалоговое окно, которое всплывает.

В настоящее время мы открываем возможности облачных вычислений для научно-исследовательских учреждений и подразделений предприятий, то есть вы можете использовать большой объем размеченных данных онлайн для обучения моделей, а также получать доступ к открытым данным через API. После подачи заявки с вами вскоре свяжется коммерческий директор Apollo.

Учебная площадка реального боя

После того, как приложение будет одобрено, кнопка «Подать заявку на использование» станет «Онлайн-использование», и после нажатия она войдет в новую задачу учебной платформы Apollo (учебная платформа Apollo имеет механизм проверки высокой безопасности. Для первого использования , необходимо настроить свойства облака и способ связи, а также подписать соглашение об использовании, если вы им долгое время не пользовались после входа в систему, вам необходимо снова войти в систему).

Новое задание

Прежде чем мы создадим новую задачу, давайте кратко пробежимся по другим страницам обучающей платформы.

  • Строка меню слева содержит следующие меню:
  • Обзор платформы
  • Список задач и новая задача в управлении задачами
  • Руководство по началу работы

Помощь пользователю, про простые функции Аполлона мы не будем распространяться, далее речь пойдет о первых четырех пунктах.

Обзор платформы обучения

Страница Обзор платформы содержит обзор платформы обучения в целом. На учебной платформе мы откроем большой объем данных и предоставим соответствующие вычислительные ресурсы разработчикам для онлайн-обучения алгоритмов на платформе глубокого обучения.Мы стремимся предоставить каждому партнеру мощные возможности для исследования и разработки программного обеспечения и алгоритмов. популяризация технологий автономного вождения.

список заданий

На странице «Список задач» есть список задач, которые есть у отдельных пользователей.

Инструкции по тренировочной платформе Apollo -1

В руководстве по началу работы есть инструкции по созданию Docker и разработке алгоритмов.

В справке пользователя есть ответы на некоторые часто задаваемые вопросы.

Если у разработчика есть дополнительные вопросы, вы можете использовать контакты в левом нижнем углу. Вы также можете воспользоваться тикетной системой в правом верхнем углу.

Далее давайте следовать вводному руководству, взяв в качестве примера обнаружение светофора, чтобы объяснить разработку алгоритмов глубокого обучения.

Вверху показаны имя пользователя и пароль докера, назначенные каждому авторизованному разработчику.

Далее обзор процесса:

  • Шаг 1. Создайте локальную среду разработки
  • Шаг 2: Инструкции по получению демо-образа Apollo
  • Шаг 3: Метод использования данных, спецификация интерфейса
  • Шаг 4. Отправьте изображение, отправьте задачу, просмотрите задачу и просмотрите результат

Пожалуйста, обратитесь к открытому исходному коду в демонстрационном изображении, соответствующем соответствующей задаче, узнайте, как использовать данные, напишите свой собственный код и напишите изображение.

Инструкции по учебной платформе Apollo-2

Шаг 1. Чтобы создать локальную среду, вы можете загрузить пакет образа OVA, соответствующий VirtualBox, и создать предварительно настроенную виртуальную машину, импортировав OVA.

Инструкции по учебной платформе Apollo-3

Шаг 2, официальный список демонстрационных зеркал Apollo, инструкции по приобретению зеркал.

Мы выбираем этот образ в качестве нашей базы для разработки:

Инструкции по учебной платформе Apollo-4

Шаг 3: Метод использования данных платформы и спецификация интерфейса.

Обратитесь к открытому исходному коду на демонстрационном изображении, соответствующем соответствующей задаче, узнайте, как использовать данные, и напишите свой собственный код:

  1. Начальная запись программы обучения — /admin/run_agent.sh, и пользователь может изменить содержимое файла, чтобы управлять поведением программы обучения. Платформа оценивает статус задачи обучения по состоянию завершения run_agent.sh;
  2. Среда выполнения задачи имеет наборы данных для тестирования в каталоге /dataset_test/, которые автоматически загружаются и развертываются в соответствии с типом задачи, выбранным при отправке задачи.
  3. Пользователям необходимо обратиться к реализации портала демонстрационных изображений (/admin/run_agent.sh), предоставленной платформой, чтобы ознакомиться с использованием различных данных; щелкните инструмент данных для использования, вы можете понять, что разработчик загружает и загружает данные через средство обучения Apollo в облаке вычислительной платформы The Way.

Ниже приводится введение в инструменты обработки данных.

Инструкции по учебной платформе Apollo-5

Описание инструмента данных.

Разработчики могут использовать следующие три программы интерфейса для динамического получения данных, выходных данных, выходных журналов, выходных оценок, выходных диаграмм и выходных результатов прогнозирования в своих собственных программах-алгоритмах:

apollo_data_get dataSetId outputPath [тег] [смещение] [предел] apollo_data_put …

Для получения более подробной информации см.:

console.spur.baidu.com/Apollo/help…

Демонстрационный алгоритм обнаружения светофора

Оригинальная авторская версия Caffe и версия PaddlePaddle представлены в нашей демо-версии. Заинтересованные друзья могут ознакомиться с документами MIT и исходным кодом автора на Github.

зафиксировать изображение

Отправьте образ Docker в репозиторий с помощью следующей команды:

Отправить тренировочное задание

Введите новую задачу обучающей платформы, заполните информацию о задаче и отправьте задачу.

Просмотр списка задач и деталей

Вы можете просмотреть свои собственные задачи в списке задач, щелкнув ссылку сведений о задаче задачи, вы можете ввести сведения о задаче, чтобы просмотреть статус и результаты выполнения задачи.

Сведения о учебном задании

Мы подготовили базовую информацию, такую ​​как информация о задачах, табличная информация, диаграммы, журналы и т. д. для разработчиков, а также обеспечили отображение каждого типа данных, например, 3D-облака точек.

На этой странице разработчики могут узнать о выполнении заданий и сходимости проигрыша. Время загрузки страницы увеличивается вместе с объемом данных и может занять некоторое время.

Демонстрационные данные в действии

Демонстрационные данные должны взаимодействовать с кодом на конце транспортного средства и использовать возможности каждого модуля с помощью демонстрационных данных.

демонстрационный набор данных

В настоящее время мы открыли множество демонстрационных данных, охватывающих данные модулей, такие как демонстрационные данные систем транспортных средств, самопозиционирование и сквозные данные, с целью помочь разработчикам отладить код каждого модуля и гарантировать, что последняя открытая версия Apollo Модули кода можно использовать в локальной среде разработчика Операция прошла успешно, и вы можете испытать возможности каждого модуля с помощью демонстрационных данных.

Использование демонстрационных данных в Apollo

Например, загрузив демонстрационные данные автомобильной системы, вы можете испытать все возможности бортовой системы Apollo посредством этапов компиляции и выполнения исходного кода apollo на Github.

Демонстрационный набор данных содержит данные датчика, загрузите набор данных. Следуйте инструкциям по быстрому запуску, чтобы скомпилировать Apollo, и используйте команду rosbag play -l, чтобы воспроизвести демо-версию набора данных.

Связанные продукты и услуги на практике

Помимо открытых данных, он также поддерживает открытые облачные сервисы, включая платформу маркировки данных, платформу обучения и обучения, платформу моделирования и платформу калибровки, предоставляя разработчикам Apollo полный набор решений для работы с данными.

Сопутствующие товары и услуги

Практика загрузки данных

Загрузка данных фактического боевого ввода:

Практика загрузки данных -1: улучшить информацию

Разработчику необходимо указать имя, устройство, область сбора и информацию об атрибутах сцены.


Практика загрузки данных -2: онлайн-загрузка

Мы предоставляем три метода загрузки данных, вы можете выбрать разумный метод загрузки в зависимости от размера загружаемых данных и скорости широкополосного доступа:

  • Онлайн
  • Когда клиент
  • Автономные диски обеспечивают больший объем данных

Практика загрузки данных -2.1: загрузка клиента

Чтобы загрузить с помощью клиента, вам необходимо загрузить инструмент загрузки и загрузить файл конфигурации передачи.

Практика загрузки данных -3: предоставляется автономный жесткий диск

Автономный метод доставки будет напрямую связан с бизнес-персоналом Apollo после заполнения информации о данных.

Практика загрузки данных -3.1: Документация по инструменту загрузки данных

Дополнительные сведения о загрузке инструментов см. в документации.

Резюме: Новая модель итерации НИОКР «облако + терминал» для умных автомобилей.

Таким образом, разработчики могут калибровать параметры транспортного средства на платформе калибровки, загружать данные, подавать заявки на обработку данных, использовать службы аннотирования данных, обучать модели на обучающей платформе и объединять результаты предыдущих шагов платформы приложений в код Apollo Github, отправьте результаты компиляции или исходный код на платформу моделирования, чтобы завершить оценку, тем самым завершив итерацию исследования и разработки собственной автомобильной системы через «облако + терминал».

Поэтапные результаты Аполлона

В новый район Сюнань было доставлено в общей сложности 10 «умных» автомобилей с такими партнерами, как Daimler, Ford, Chery, BAIC, Great Wall, King Long и Zhixer Technology, демонстрируя использование Apollo в легковых автомобилях, коммерческих автобусах, логистических транспортных средствах и Мультимодельные, многосценовые и многомерные приложения, такие как подметальные машины, можно назвать воплощением автономного вождения в Китае.

Национальная команда автономного вождения Apollo

На фото выше слева направо:

  1. Беспилотный микроавтобус Apollo «Apolong» будет запущен в серийное производство в 2018 году и возглавит коммерциализацию беспилотных автобусов в Китае;
  2. Даймлер V260L
  3. Линкольн МКЗ
  4. БАЙК ЕС260
  5. Чери Эквалайзер
  6. Чери Тигго 5X
  7. Чери Арризо 5
  8. Великая стена WEY
  9. Wise Walker Sweeper "Улитка Сяобай"
  10. Логистический автомобиль Smart Walker "Wubida"

У Apollo уже 90 партнеров, в том числе более 15 производителей автомобилей (13 отечественных автоматических брендов и 2 зарубежных бренда); 10 первоклассных поставщиков уровня 1, таких как Bosch, Continental, Delphi; первоклассные производители микросхем, включая производителей Intel и NVIDIA; картографические компании, такие как таких как Tomtom; лидарные компании, такие как Velodyne, Sagitar и Hesai; начинающие компании, такие как Horizon и I-Walk; туристические компании, такие как Shouqi Car, Grab и UCAR; Университет Цинхуа, Университет Тунцзи и другие университетские исследовательские институты.

Партнеры Аполлона

Вы можете следить за официальным сайтом apollo.auto и GitHub для получения последней информации. Вы также можете подписаться на общедоступную учетную запись «сообщества разработчиков Apollo», чтобы следить за последними достижениями. Спасибо всем, это все для сегодняшней публикации.

WeChat.QQ.com/Day/Yard 5YF Res…(автоматическое распознавание QR-кода)

Apollo 2.0 is available

Сессия вопросов и ответов Q1: Какую позицию сейчас занимает высокоточная карта на apollo2 и как далеко находится внутренняя высокоточная карта Baidu?

Ответ: В автономном вождении Apollo ключевыми элементами всегда были высокоточные карты и высокоточное позиционирование. Мы знаем, что использование навигационного программного обеспечения в поведении обычных людей, например, использование карт Baidu, также почувствует огромную разницу по сравнению с его неиспользованием; также необходимо использовать высокоточные карты для текущих автономных систем. мозг вождения автомобиля. Используя высокоточные карты, в мозг автомобиля можно заранее предоставить не только самую точную информацию, но и дорожную информацию за пределами диапазона обнаружения датчика. Составьте границу аппаратной производительности датчика;

Baidu первой в Китае достигла трехмерной высокоточной карты и позиционирования с точностью до сантиметра, является мировым лидером и крупнейшим внутренним парком автономных вождения, с высочайшим уровнем точности, высочайшей эффективностью производства и самым широким охватом.

Я могу привести такой пример, как головоломка со светофором: на перекрестке определенная стоп-линия связана со светофором. Если нет картографической информации о перекрестках, очень сложно динамически идентифицировать всю семантику и делать выводы в реальном времени только по восприятию камеры. На высокоточной карте светофоры включают точное местоположение и высоту.Даже за пределами диапазона обнаружения датчика мы можем заранее узнать, как далеко будет светофор, и подготовиться.Подъезжая к перекрестку, сделайте суждение, основанное на семантике карты, которая может легко обнаруживать светофоры, значительно снижая сложность восприятия и избегая ошибочной идентификации.

Q2: Если умный автомобиль едет в место, где нет сигнала, может ли он по-прежнему двигаться нормально и автоматически, если он отделен от облачного мозга?

О: Прежде всего, необходимо объяснить взаимосвязь между терминалом выдачи и облаком. Учебная модель создается в облаке и обновляется на автомобиле. Убедитесь, что транспортное средство имеет надежные возможности автономного вождения на местном уровне;

Во время эксплуатации автомобиля действительно требуется небольшое количество беспроводного сигнала связи. Например, модуль позиционирования с несколькими датчиками, когда есть условия связи, может помочь нам повысить точность модуля позиционирования посредством связи. В то же время модуль позиционирования с несколькими датчиками обеспечивает избыточные возможности высокоточного позиционирования при отсутствии сигнала, что может решить такие сценарии, как отсутствие сигнала в туннеле и нестабильный сигнал на бульваре.

В начале нашей разработки системы автономного вождения в общей конструкции системы учитывался наиболее важный фактор безопасности. В будущих итерациях будут избыточные механизмы гарантии безопасности. Соблюдайте правила безопасного поведения за рулем, например, найдите безопасное место для остановки, прежде чем автомобиль покинет запретную зону или при обнаружении опасного знака.

Q3: Есть дополнительный вопрос к вопросам 1 и 2, то есть карта или модель высокого разрешения были обновлены, как разместить их на транспортном средстве?

О: Модель можно обновить с помощью комплекта безопасного обновления (Sec-OTA). Предоставление автомобильного и облачного SDK и инструментов эксплуатации, простота в использовании, простота в эксплуатации, интегрированное развертывание, поддержка двусторонней аутентификации установочных пакетов, шифрование и дешифрование пакетов, защита от понижения версии, защита от несанкционированного доступа, аутентификация устройства, сбой TOKEN Механизм Поддержка передачи бизнес-данных в электронном конверте, отсутствие зависимости от TLS для обеспечения безопасности передачи данных. Поддержка проверки фрагментации установочного пакета, сокращение использования памяти, экономия затрат на оборудование. Поддержка обновления сети и автономного обновления USB. Вы можете обратить внимание на страницу информационной безопасности автомобиля Apollo:Apollo.auto/платформа/цвет….

Q4: Как подать заявку на квалификацию партнера?

О: Во-первых, вы можете заполнить форму консультации по сотрудничеству через «Связаться с нами» в правой части домашней страницы Apollo.auto, объяснив краткую информацию о компании и потребности в сотрудничестве. Наш коммерческий персонал свяжется с вами в ближайшее время.

После согласования первоначального спроса обе стороны обсудили эффективную модель сотрудничества для совместного процветания экосистемы Apollo и расширения возможностей платформы Apollo. После подписания соглашения о сотрудничестве Apollo вы можете присоединиться к Apollo в качестве члена альянса, пользоваться правами членства и ресурсами платформы Apollo, а также участвовать в быстром развитии Apollo.

Если у вас есть дополнительные вопросы, пожалуйста, следите за обсуждением «Сообщество разработчиков Apollo».

Для большего содержания сухих товаров вы можете обратить внимание на AI Frontline, ID:ai-front, фоновый ответ "AI", "TF", "Большие данные«Вы можете получить серию мини-книг и карт навыков «AI Frontline» в формате PDF.


Категории