Общество инженеров автомобильной промышленности (SAE) определило несколько уровней автоматизации на пути к автономному автомобилю: вспомогательный, частично автоматизированный, частично автоматизированный, высокоавтоматизированный и полностью автоматизированный или автономный. Чем выше уровень, тем менее важным становится водитель.
Новый Audi A8 был первым в мире автомобилем с SAE Level 3 (условно автоматизированным) в 2018 году из-за системы управления пробками. Когда водитель активирует систему, автомобиль может взять на себя рулевое управление на автомагистралях и федеральных дорогах со структурным разделением при медленном движении (до 60 км / ч) - пилот пробки берет на себя запуск, ускорение, рулевое управление и торможение. Затем водитель может на несколько секунд убрать руки с рулевого колеса и заняться другими делами, но должен быть готов вмешаться после краткого предупреждения от транспортного средства.
Картинная галерея
Картинная галерея с 5 картинками
Обширная разработка и тестирование ADAS
Проектирование, разработка и тестирование этих критически важных для безопасности систем помощи водителю очень сложны: усилия возрастают с желаемым уровнем автоматизации. В своих тестах производители автомобилей должны составить карту различных сценариев движения и размеров. Геометрия дороги и окружающая среда, поведение водителей и пешеходов, движение и погодные условия, свойства и варианты транспортных средств, отказ компонентов, безопасность и многое другое должны быть приняты во внимание.
Для анализа и проверки большого количества этих тестовых сценариев автомобильная промышленность использует модели данных, моделирование и лабораторные испытания. Надежное решение для хранения хранит огромное количество сенсорных и видеоданных, служит основой для обучения алгоритмов, предоставляет информацию для параллельного тестирования нескольких подсистем Advanced Driver Assistance Systems (ADAS) и поддерживает анализ и архивирование данных.
Понимать рабочие процессы лучше
Чтобы лучше понять требования к инфраструктуре хранения, взглянем на рабочие процессы, помогающие в разработке и тестировании систем помощи водителю:
- Сбор данных. Испытательные машины оснащены несколькими датчиками и камерами, которые собирают огромное количество данных, таких как фотографии и видеопоследовательности, сонар, радар, LIDAR для измерения расстояния и GPS. Данные хранятся на борту в режиме реального времени на надежных и сменных твердотельных накопителях и загружаются в центральную систему хранения ежедневно, обычно в течение ночи.
- Подготовка данных: На следующем этапе записанные данные проверяются, корректируются, помечаются (пометки) и дополняются метаданными, такими как погода и условия движения. В настоящее время анализ обычно выполняется вручную, но уже частично и в будущем будет поддерживаться ИИ и машинным обучением.
- Проектирование и разработка: на основе обработанных данных инженеры разрабатывают и обучают алгоритмы для моделей блоков управления (Electronic Control Unit, ECU) с использованием технологий глубокого обучения. Модели ECU интегрированы в цикл моделирования с моделями динамики движения, датчиков, исполнительных механизмов и условий движения.
- Тест: модели ECU тестируются и моделируются с использованием сгенерированных и реальных данных на кластерах «программное обеспечение в контуре» (SiL) и «аппаратное обеспечение в контуре» (HiL) - обычно во многих параллельных итерациях. SiL работает в виртуальной среде без аппаратного обеспечения, работает быстрее и дешевле, чем HiL, но его недостаточно для сертификации государственной безопасности. HiL является гораздо более точным вариантом из-за использования прототипа текущего аппаратного обеспечения ECU, но также более дорогого, чем SiL, обычно доступного только в конце проекта и может быть реализовано только в режиме реального времени.
- Анализ: после завершения испытаний результаты анализируются. Инженеры сравнивают модели ECU с оригинальными действиями тестовых водителей, чтобы быстро идентифицировать потенциальные ошибки. Это позволяет им дополнительно усовершенствовать алгоритмы для достижения ожидаемых результатов. Также возможно загрузить исправленную версию ECU на испытательные транспортные средства в процессе непрерывного улучшения, чтобы проверить их в реальном использовании.
- Архивирование. В конце концов, данные перемещаются в более дешевое архивное хранилище. Архивирование должно соответствовать юридическим и договорным обязательствам.
обязательства соответствуют и в идеале выполняются автоматически.
Высокие требования к инфраструктуре хранения
Для рабочих нагрузок ADAS требуется мощная инфраструктура хранения в диапазоне петабайт. Он должен справиться со следующими проблемами:
- Экстремальный рост данных: Чем выше степень автоматизации систем помощи водителю, тем больше данных должна собирать автомобильная промышленность на своих испытательных транспортных средствах. Уровни SAE 2–3 обычно требуют данных от 200 000 до одного миллиона километров, фактически пройденных для моделирования достаточных условий для разработки и проверки программного обеспечения. Для автоматизации уровня 4 требуются данные более 20 млн. Км, для уровня 5 (полностью автономные транспортные средства) - около 240 млн. Км. Типичный проект ADAS уровня 2 (полуавтоматический), который охватывает 200 000 км пути со средней скоростью 65 км / ч, будет генерировать данные в течение более 3076 часов и потребует приблизительно 3,8 петабайта памяти для одного датчика. Проект на уровне 3 займет около 19Соберите 3 петабайта необработанных данных одним датчиком.
- Масштабируемая производительность. Учитывая быстро растущий объем данных, базовая инфраструктура хранения данных должна быть ориентирована на будущее и иметь возможность линейного расширения емкости хранилища без прерывания, не влияя на производительность хранилища. Одновременное считывание двоичных данных датчика и потоковая передача необработанных видеоданных с камер тестовых транспортных средств также требуют высокой производительности и пропускной способности хранилища.
- Сохранение, восстановление и защита данных. Производителям автомобилей обычно приходится хранить данные в течение нескольких десятилетий, часто даже после истечения срока службы автомобиля. Конкретный период зависит от применимых государственных законов и договорных положений. Данные сред моделирования архивируются, но должны быть в состоянии быстро восстанавливаться в любое время, например, при обновлении системы ADAS, в случае аппаратной ошибки или при запуске отзыва безопасности. Поэтому классические ленты не подходят для архивирования. Кроме того, данные должны быть защищены от потери и кибератак в соответствии с руководящими принципами управления данными.
- Дублирование данных, отнимающее много времени: большие объемы неструктурированных данных часто анализируются с использованием Hadoop и дорогой выделенной инфраструктуры. Поскольку ручной ввод больших наборов данных в отдельный кластер Hadoop требует больших затрат времени и ресурсов, анализ может быть отложен. Кроме того, данные и результаты не могут просто передаваться другим бизнес-приложениям, поскольку поддерживаются не все стандартные протоколы.
Архитектура масштабируемого хранилища для ADAS и автономного вождения
Например, благодаря Dell EMC Isilon NAS масштабируемая архитектура позволяет разрабатывать и тестировать рабочие нагрузки ADAS. Решение масштабирует емкость хранилища в файловой системе One-FS в течение нескольких минут без простоев и потери производительности; архитектура обеспечивает до 144 узлов. Поскольку решение для хранения данных равномерно распределяет данные и вычислительную нагрузку по всем узлам кластера, тесты HiL, тесты SiL и моделирование систем ECU могут быть реализованы в режиме реального времени, а различные рабочие нагрузки ADAS могут обрабатываться параллельно без узких мест. Это также относится к приложениям машинного обучения и глубокого обучения. Быстрая передача необработанных данных гарантируется соединениями 10 / 40GbE.
CAE симуляция
Гибридный близнец идет
безопасность
Сделайте автономное вождение безопасным, легким и доступным
Решение предлагает различные варианты архивирования и восстановления данных, в том числе частное облако, такое как Dell EMC Elastic Cloud Storage, другой кластер или публичное облако. С помощью функции облачных пулов можно хранить данные на соответствующих носителях в зависимости от актуальности (многоуровневое хранение данных). Важная информация, такая как текущие данные датчика ADAS, хранится на быстром носителе; Данные, которые используются реже, сохраняются на более дешевых носителях. Это также может оптимизировать затраты на хранение.
Isilon One-FS обеспечивает доступ к данным не только через типичные протоколы NAS, такие как NFS3, NFS4, SMB2, SMB3 и FTP, но также через HDFS (распределенная файловая система Hadoop). Встроенная интеграция HDFS устраняет необходимость в переносе больших массивов данных между файлами и хранилищем Hadoop. Решение для хранения данных работает надежно и обеспечивает высокую защиту данных благодаря таким технологиям, как распределенное стирание кода, быстрая параллельная репликация в удаленные места или до 20 000 снимков на кластер.
Благодаря всем этим функциям Dell EMC Isilon удовлетворяет потребность автомобильной промышленности в решении для хранения данных, которое оптимизировано для высокой производительности, масштабируемости и параллельных рабочих нагрузок при разработке автономных транспортных средств. Автономное вождение и правильная система хранения образуют прочное партнерство для мобильного будущего. (Ага)
* * Бенджамин Кребс - директор по решениям для неструктурированных данных и член правления Dell EMC в Германии.