Übersicht
Scene Intelligence mit Rosbag in AWS wurde speziell entwickelt, um den Entwicklungsprozess für fortschrittliche Fahrerassistenzsysteme (ADAS) und autonome Fahrzeuge (AV) zu optimieren. Die Lösung umfasst Module für die Sensorextraktion und Objekterkennung, die Ingenieuren und Datenwissenschaftlern für Machine Learning helfen, die Szenensuche für das Modelltraining zu beschleunigen.
Mit dieser Lösung können Sie Rosbag-Beispieldateien bereitstellen, Rosbag-Sensordaten wie Metadaten und Bilder extrahieren, Objekt- und Spurerkennungsmodelle auf die extrahierten Bilder anwenden sowie Geschäftslogik zur Szenenerkennung anwenden und speichern.
Vorteile
Skalierbare, flexible Datenpipelines, die Milliarden von Meilen an echten oder simulierten Daten zuverlässig aufnehmen, transformieren, kennzeichnen und katalogisieren.
Bessere Zugänglichkeit für globale Teams bei der Suche, Identifizierung und Analyse von Automobildaten.
Reduzieren Sie die Anzahl der Abhängigkeiten und Voraussetzungen mit Open-Source-Konfigurationsoptionen.
Technische Details
Sie können diese Architektur mit dem Implementierungsleitfaden und der dazugehörigen Vorlage für AWS CloudFormation automatisch bereitstellen.
Schritt 1
Das AV lädt die Rosbag-Datei auf Amazon Simple Storage Service (Amazon S3) hoch. Der Endbenutzer ruft den Workflow auf, um die Verarbeitung über Amazon Managed Workflows für Apache Airflow (Amazon MWAA) und einen gerichteten azyklischen Graphen (DAG) zu starten.
Schritt 2
AWS Batch ruft die Rosbag-Datei aus Amazon S3 ab, analysiert und extrahiert die Sensor- und Bilddaten und schreibt diese Daten in einen anderen S3-Bucket.
Schritt 3
Amazon SageMaker wendet Objekt- und Spurerkennungsmodelle auf die extrahierten Daten an. SageMaker schreibt dann die Daten und Labels in einen anderen S3-Bucket.
Schritt 4
Amazon EMR Serverless (mit einem Apache-Spark-Auftrag) wendet Geschäftslogik auf die Daten und Labels in Amazon S3 an. Dadurch werden Metadaten generiert, die sich auf die Objekt- und Spurerkennung beziehen. Amazon EMR Serverless schreibt dann die Metadaten in Amazon DynamoDB und einen anderen S3-Bucket.
Schritt 5
Eine AWS-Lambda-Funktion veröffentlicht neue eingehende DynamoDB-Daten (Metadaten) im Amazon-OpenSearch-Service-Cluster. Der Endbenutzer greift über einen Proxy auf Amazon Elastic Compute Cloud (Amazon EC2) auf den OpenSearch-Service-Cluster zu, um Abfragen für die Metadaten einzureichen.
Schritt 1
Das AV lädt die Rosbag-Datei auf Amazon Simple Storage Service (Amazon S3) hoch. Der Endbenutzer ruft den Workflow auf, um die Verarbeitung über Amazon Managed Workflows für Apache Airflow (Amazon MWAA) und einen gerichteten azyklischen Graphen (DAG) zu starten.
Schritt 2
AWS Batch ruft die Rosbag-Datei aus Amazon S3 ab, analysiert und extrahiert die Sensor- und Bilddaten und schreibt diese Daten in einen anderen S3-Bucket.
Schritt 3
Amazon SageMaker wendet Objekt- und Spurerkennungsmodelle auf die extrahierten Daten an. SageMaker schreibt dann die Daten und Labels in einen anderen S3-Bucket.
Schritt 4
Amazon EMR Serverless (mit einem Apache-Spark-Auftrag) wendet Geschäftslogik auf die Daten und Labels in Amazon S3 an. Dadurch werden Metadaten generiert, die sich auf die Objekt- und Spurerkennung beziehen. Amazon EMR Serverless schreibt dann die Metadaten in Amazon DynamoDB und einen anderen S3-Bucket.
Schritt 5
Eine AWS-Lambda-Funktion veröffentlicht neue eingehende DynamoDB-Daten (Metadaten) im Amazon-OpenSearch-Service-Cluster. Der Endbenutzer greift über einen Proxy auf Amazon Elastic Compute Cloud (Amazon EC2) auf den OpenSearch-Service-Cluster zu, um Abfragen für die Metadaten einzureichen.
Ähnliche Inhalte
Dieser Leitfaden zeigt, wie Kunden äußerst präzise, szenariobasierte Daten mit dem Datenframework für autonomes Fahren (ADDF) verarbeiten und durchsuchen können.
- Datum der Veröffentlichung