Visão geral
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
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
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.
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
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