Inteligencia de escenas con Rosbag en AWS

Paso 3
Amazon SageMaker aplica modelos de detección de objetos y carriles a los datos extraídos. A continuación, SageMaker escribe los datos y las etiquetas en otro bucket de S3.

Paso 4
Amazon EMR sin servidor (con un trabajo de Apache Spark) aplica la lógica empresarial a los datos y las etiquetas de Amazon S3. Esto genera metadatos relacionados con la detección de objetos y la detección de carriles. A continuación, Amazon EMR sin servidor escribe los metadatos en Amazon DynamoDB y en otro bucket de S3.

Paso 5
Una función de AWS Lambda publica nuevos datos entrantes de DynamoDB (metadatos) en el clúster de Amazon OpenSearch Service. El usuario final accede al clúster de OpenSearch Service, a través de un proxy en Amazon Elastic Compute Cloud (Amazon EC2), para enviar consultas a los metadatos.

Paso 1
El AV carga el archivo rosbag en Amazon Simple Storage Service (Amazon S3). El usuario final invoca el flujo de trabajo para iniciar el procesamiento mediante Amazon Managed Workflows para Apache Airflow (Amazon MWAA) y un gráfico acíclico dirigido (DAG).

Paso 2
AWS Batch extrae el archivo rosbag de Amazon S3, analiza y extrae los datos del sensor y de la imagen y los escribe en otro bucket de S3.

Paso 3
Amazon SageMaker aplica modelos de detección de objetos y carriles a los datos extraídos. A continuación, SageMaker escribe los datos y las etiquetas en otro bucket de S3.