Panoramica
Scene Intelligence with Rosbag on AWS è stato creato appositamente per semplificare il processo di sviluppo dei sistemi avanzati di assistenza alla guida (ADAS) e veicoli autonomi (AV). La soluzione include moduli per l'estrazione da sensori e il rilevamento di oggetti, che aiutano gli ingegneri di machine learning e i data scientist ad accelerare la ricerca di scenari per l'addestramento dei modelli.
Puoi utilizzare questa soluzione per archiviare file rosbag campione, estrarre dati del sensore rosbag come metadati e immagini, applicare modelli di rilevamento degli oggetti e delle corsie alle immagini estratte, nonché applicare e archiviare la logica di business di rilevamento degli scenari.
Vantaggi
Pipeline di dati scalabili e flessibili che acquisiscono, trasformano, etichettano e catalogano in modo affidabile miliardi di chilometri di dati reali o simulati.
Maggiore accessibilità dei team globali per cercare, identificare e analizzare i dati automobilistici.
Riduzione del numero di dipendenze e prerequisiti con opzioni di configurazione open source.
Dettagli tecnici
Questa architettura può essere implementata automaticamente consultando la Guida all'implementazione e il modello AWS CloudFormation allegato.
Fase 1
L'AV carica il file rosbag su Amazon Simple Storage Service (Amazon S3). L'utente finale richiama il flusso di lavoro per avviare l'elaborazione tramite Flusso di lavoro gestito da Amazon per Apache Airflow (Amazon MWAA) e un grafico aciclico diretto (DAG).
Fase 2
Batch AWS estrae il file rosbag da Amazon S3, analizza ed estrae i dati del sensore e dell'immagine, e li scrive in un altro bucket S3 .
Fase 3
Amazon SageMaker applica modelli di rilevamento degli oggetti e delle corsie ai dati estratti. SageMaker scrive quindi i dati e le etichette in un altro bucket S3.
Fase 4
Amazon EMR serverless (con un processo Apache Spark) applica la logica di business ai dati e alle etichette in Amazon S3. Questa operazione genera metadati relativi al rilevamento degli oggetti e al rilevamento delle corsie. Amazon EMR serverless scrive quindi i metadati in Amazon DynamoDB e in un altro bucket S3.
Fase 5
Una funzione AWS Lambda pubblica nuovi dati DynamoDB in entrata (metadati) nel cluster del servizio OpenSearch di Amazon. L'utente finale accede al cluster del servizio OpenSearch, tramite un proxy su Amazon Elastic Compute Cloud (Amazon EC2), per inviare query sui metadati.
Fase 1
L'AV carica il file rosbag su Amazon Simple Storage Service (Amazon S3). L'utente finale richiama il flusso di lavoro per avviare l'elaborazione tramite Flusso di lavoro gestito da Amazon per Apache Airflow (Amazon MWAA) e un grafico aciclico diretto (DAG).
Fase 2
Batch AWS estrae il file rosbag da Amazon S3, analizza ed estrae i dati del sensore e dell'immagine, e li scrive in un altro bucket S3 .
Fase 3
Amazon SageMaker applica modelli di rilevamento degli oggetti e delle corsie ai dati estratti. SageMaker scrive quindi i dati e le etichette in un altro bucket S3.
Fase 4
Amazon EMR serverless (con un processo Apache Spark) applica la logica di business ai dati e alle etichette in Amazon S3. Questa operazione genera metadati relativi al rilevamento degli oggetti e al rilevamento delle corsie. Amazon EMR serverless scrive quindi i metadati in Amazon DynamoDB e in un altro bucket S3.
Fase 5
Una funzione AWS Lambda pubblica nuovi dati DynamoDB in entrata (metadati) nel cluster del servizio OpenSearch di Amazon. L'utente finale accede al cluster del servizio OpenSearch, tramite un proxy su Amazon Elastic Compute Cloud (Amazon EC2), per inviare query sui metadati.
Contenuto correlato
Queste linee guida dimostrano come i clienti possono elaborare e cercare dati ad alta precisione basati su scenari con l'Autonomous Driving Data Framework (ADDF).
- Data di pubblicazione