AVOps(자율 주행 차량 운영) 디자인 가이드
이 문서에서는 자율 주행 차량 솔루션을 대규모로 사용할 수 있도록 백 엔드를 만드는 데 관련된 단계, 아키텍처 및 과제에 대한 개요를 제공합니다. 시뮬레이션 및 데이터 모델과 같은 특정 영역에 대한 기술 권장 사항, 파트너 및 오픈 소스 솔루션에 대한 자세한 내용은 자동 차량 운영 솔루션 아이디어참조하세요.
AVOps(자율 주행 차량 작업)에는 일반적으로 다음과 같은 상당한 양의 스토리지 및 컴퓨팅이 필요합니다.
- 차량이 자율적으로 운전해야 하는 인식 모델의 학습 자료로서 테스트 차량에서 데이터와 장면을 캡처하고 처리합니다.
- 자율 주행의 기본 기능으로 환경을 인식하도록 인식 모델을 학습합니다.
- 오픈 루프 및 폐쇄 루프 시뮬레이션을 기반으로 안전 유효성 검사를 수행합니다.
주요 단계
AD(자율 주행) 솔루션의 개발에는 일반적으로 다음 세 가지 주요 단계가 포함됩니다.
- 데이터를 수집하고 선별/정리합니다. 고급 운전자 지원 시스템/자율 주행 차량(ADAS/AV) 개발을 위해 신중하게 선택한 데이터 집합의 수집 및 구체화.
- 반복적으로 테스트, 학습 및 시뮬레이트합니다. 수많은 지상 진실 시나리오에서 ADAS/AV 모델의 시뮬레이션 및 학습
- 빌드하고 유효성을 검사합니다. 연결된 차량을 사용한 차량 내 소프트웨어 확인 및 유효성 검사
AVOps는 자율 주행 개발 수명 주기를 구현합니다.
자율 주행 개발 수명 주기를 보여 주는 
아키텍처의 요소
AVOps 아키텍처는 다음 네 가지 주요 요소로 구성됩니다. 이 시리즈의 다음 문서에서는 이러한 요소를 자세히 설명합니다.
- DataOps. 측정 데이터(비디오, 이미지, 라이다 및 레이더)를 수집하고, 데이터를 선별하고 추출하며, 데이터에 레이블을 지정합니다.
- MLOps. 인식 모델 및 인식 후 모델과 같은 알고리즘을 학습시킵니다.
- ValOps. 학습된 모델과 원시 참조 데이터를 기반으로 자율 주행 기능의 유효성을 검사합니다.
- AVOps 중앙 집중식 기능. 메타데이터 검색, 데이터 카탈로그, 전체 오케스트레이션, 플랫폼 거버넌스 및 표준화된 인프라 템플릿과 같은 가장 중요한 기능을 제공합니다.
AVOps 아키텍처의 요소를 보여 주는 
과제들
- 데이터 수집 많은 양의 데이터를 수집하고 분석하여 패턴을 식별하고 시간이 지남에 따라 차량의 성능을 향상시킵니다. 자율 주행 차량 개발 비용의 대부분은 데이터 관리 및 테스트에 사용됩니다.
- 데이터 관리. 차량 센서 및 시스템에서 생성된 많은 양의 데이터를 처리하고 유용한 데이터를 결정합니다.
- 시나리오 범위. OEM이 다양한 날씨, 조명 및 도로 조건을 비롯한 다양한 시나리오에서 차량을 테스트했는지 확인합니다.
- 복잡성. 자율 작업에 필요한 크고 다양한 알고리즘 및 시스템 집합을 관리합니다.
- 확인 및 유효성 검사. 소프트웨어를 철저히 테스트하여 다양한 시나리오 및 환경에서 예상대로 작동하는지 확인합니다.
- 데이터 가용성. 데이터 공유. 전 세계적으로 분산된 팀과 제3자가 공유에 어려움을 줍니다.
AVOps를 사용하면 조직에서 클라우드 기반 인프라의 확장성, 유연성 및 비용 효율성을 활용하고 자동화된 차량의 출시 시간을 줄일 수 있습니다.
참여자
이 문서는 Microsoft에서 유지 관리합니다. 그것은 원래 다음 기여자에 의해 작성되었습니다.
주요 작성자:
- Ryan Matsumura | 선임 프로그램 관리자
- 요첸 슈로이어 | 수석 설계자(서비스 라인 이동성)
기타 기여자:
비공개 LinkedIn 프로필을 보려면 LinkedIn에 로그인합니다.
다음 단계
여기에 있는 정보, 기술 권장 사항, 시뮬레이션 및 데이터 모델과 같은 특정 영역에 대한 파트너 및 오픈 소스 솔루션에 대한 자세한 내용은 솔루션 아이디어를 참조하세요.
다음 리소스가 유용할 수도 있습니다.
- 자율 주행 차량용 대규모 데이터 운영 플랫폼
- Azure Machine Learning이란?
관련 리소스
- 자율 주행 시뮬레이션 환경을 위한 구성 요소