Visão geral
![](https://d1.awsstatic.com/colorset-3A_blue-to-green_gradient_divider.81459b38a56091aebc8c9b5310826c4ef397b007.png)
O Scene Intelligence with Rosbag na AWS foi desenvolvido especificamente para ajudar a simplificar o processo de desenvolvimento de Sistemas Avançados de Assistência ao Condutor (ADAS) e Veículos Autônomos (AV). A solução apresenta módulos para extração de sensores e detecção de objetos, ajudando engenheiros de machine learning e cientistas de dados a acelerar a busca de cenas para treinamento de modelos.
Você pode usar essa solução para preparar amostras de arquivos rosbag, extrair dados do sensor rosbag (como metadados e imagens), aplicar modelos de detecção de objetos e detecção de faixa às imagens extraídas, bem como aplicar e armazenar a lógica comercial de detecção de cenas.
Benefícios
![](https://d1.awsstatic.com/colorset-3A_blue-to-green_gradient_divider.81459b38a56091aebc8c9b5310826c4ef397b007.png)
Pipelines de dados escaláveis e flexíveis que ingerem, transformam, rotulam e catalogam de forma confiável bilhões de quilômetros de dados reais ou simulados.
Maior acessibilidade para equipes globais pesquisarem, identificarem e analisarem dados automotivos.
Reduza o número de dependências e pré-requisitos com opções de configuração de código aberto.
Detalhes técnicos
![](https://d1.awsstatic.com/colorset-3A_blue-to-green_gradient_divider.81459b38a56091aebc8c9b5310826c4ef397b007.png)
Você pode implantar essa arquitetura automaticamente usando o Guia de Implementação e o modelo que acompanha o AWS CloudFormation.
Etapa 1
O AV carrega o arquivo rosbag no Amazon Simple Storage Service (Amazon S3). O usuário final invoca o fluxo de trabalho para iniciar o processamento por meio do Amazon Managed Workflows for Apache Airflow (Amazon MWAA) e de um gráfico acíclico direcionado (DAG).
Etapa 2
O AWS Batch extrai o arquivo rosbag do Amazon S3, analisa e extrai os dados do sensor e da imagem e grava esses dados em outro bucket do S3.
Etapa 3
O Amazon SageMaker aplica modelos de detecção de objetos e detecção de faixas aos dados extraídos. Em seguida, o SageMaker grava os dados e os rótulos em outro bucket do S3.
Etapa 4
O Amazon EMR Serverless (com um trabalho do Apache Spark) aplica a lógica de negócios aos dados e rótulos no Amazon S3. Isso gera metadados relacionados à detecção de objetos e à detecção de faixa. Em seguida, o Amazon EMR Serverless grava os metadados no Amazon DynamoDB e em outro bucket do S3.
Etapa 5
Uma função do AWS Lambda publica novos dados de entrada do DynamoDB (metadados) no cluster do Amazon OpenSearch Service. O usuário final acessa o cluster do OpenSearch Service, por meio de um proxy no Amazon Elastic Compute Cloud (Amazon EC2), para enviar consultas com base nos metadados.
Conteúdo relacionado
![](https://d1.awsstatic.com/colorset-3A_blue-to-green_gradient_divider.81459b38a56091aebc8c9b5310826c4ef397b007.png)
Esta orientação demonstra como os clientes podem processar e pesquisar dados de alta precisão baseados em cenários com a estrutura de dados de direção autônoma (ADDF).
- Data de publicação