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.