Kendi kendine giden araç verileri artık kapalı değil, Uber açık kaynaklı yeni veri görselleştirme sistemi
Leifeng.com AI Teknolojisi İnceleme Basın : Birkaç gün önce, Uber, sistemin otonom sürüş endüstrisi için verileri anlamak ve paylaşmak için yeni bir yol getireceğini söyleyerek web tabanlı Otonom Sürüş Görselleştirme Sistemini (AVS) açıkladı. AVS, otonom araçların araştırma ve geliştirilmesinden sorumlu olan Uber's Technology Group (ATG) tarafından geliştirilmiştir.Şu anda sistem Voyage ve Applied Intuition gibi birçok şirkette uygulanmaktadır. Uber, bu açık kaynaklı haberi resmi web sitesinde yayınladı ve Leifeng AI Technology Review aşağıdaki gibi derlendi.
Kendi kendine giden arabalar kentsel bir ortamda sürerken, algıladıklarını anlamak, onların güvenli bir şekilde çalışmalarını sağlayan sistemler geliştirmek için kritik öneme sahiptir. Ayrıca, insan sürücülere yardımcı olmak için sokak tabelaları ve trafik altyapısı için standartlar belirlediğimiz gibi, sürücüsüz otomobil geliştiricilerine de sensörlerden, görüntü sınıflandırmasından, hareket çıkarımından gelen verileri temsil edebilen standart bir görselleştirme platformu sağlamamız gerekiyor. Yakın çevrenin doğru görüntülerini oluşturmak için diğer teknolojilerin girdisi.
Büyüyen otomasyonu desteklemek için "Uber'in Kendi Kendini Süren Araç Görselleştirme Platformu Web için Mühendislik" makalesinde yazdığımız gibi (adresi okuyun: https://eng.uber.com/atg-dataviz/), büyüyen otomasyonu desteklemek için Kullanım durumu havuzunda, ATG (Teknik İş Grubu) ve Uber'in otonom sürüş için görselleştirme ekibi, bu sensörlerin ve algoritmaların dünyasını açıklamak için web tabanlı görselleştirme teknolojisini kullanıyor.
Şimdi bu yeniden tasarlanmış ve geliştirilmiş Otonom Sürüş Görselleştirme Sistemini (AVS) açmaktan çok mutluyuz Otonom sürüş endüstrisi için bu sistem, otonom sürüş sisteminin verilerini anlamanın ve paylaşmanın yeni bir yoludur.
AVS adresi: https://avs.auto/
AVS, otonom araçların performansını gerçek dünya senaryolarında gösterebilir
AVS, otonom araçların algısını, hareketini ve veri planlamasını tanımlamak ve görselleştirmek için yeni bir standarttır. Bu verileri keşfetmek, etkileşimde bulunmak ve (daha kritik olarak) kullanmak için kullanılabilecek uygulamalar oluşturmak için güçlü bir web tabanlı araç seti sağlar. Uygulamalar için önemli geliştirme kararları.
Bağımsız bir standartlaştırılmış görselleştirme katmanı olan AVS, geliştiricilerin artık otonom araçlar için özel görselleştirme yazılımı oluşturmalarına gerek kalmamasına olanak tanır. AVS'nin soyut görselleştirmesi ile geliştiriciler, sürüş sistemleri, uzaktan yardım, haritalama ve simülasyon gibi temel otonom sürüş araştırma ve geliştirmesine odaklanabilir.
Birleşik görselleştirme ihtiyacı
Teknoloji şirketleri, vakıflar, araştırma kurumları, orijinal ekipman satıcıları (OEM'ler) ve başlangıç şirketleri dahil olmak üzere birçok kuruluş, otonom sürüşün yarattığı zorluklarla karşı karşıyadır. Çevrelerinde hangi otonom araçların algıladığını gösterebilen görsel araçlar, güvenli otonom sürüş sistemlerinin geliştirilmesi için gereklidir. Sistemin bu araçları donanım ve sensör yığınına yakın olmaktan kullanması gerekiyor.Ayrıca, otonom sürüş sisteminin günlük verilerinin çevrimiçi veya çevrimdışı oynatılmasının da tekrar tekrar kullanılması gerekiyor. Platform olgunlaştıkça, sınıflandırma, simülasyon, haritalama, güvenlik, görüntü toplama ve etiketleme ile ilgili yeni kullanım durumları ortaya çıkacaktır. Üretime giden yol, izleme, uzaktan yardım ve destek sağlayabilen yeni araçlar ve altyapı gerektirir.
Etkili araç çözümleri sunmak için bu gereksinimlerin hızlı bir şekilde uygulanmasına ek olarak, otonom sürüş mühendisleri genellikle karmaşık bilgisayar çizim yöntemlerini ve veri görselleştirme tekniklerini öğrenmek zorundadır. Görselleştirme standartlarının eksikliğinin bir sonucu olarak, mühendisler çözümleri hızlı bir şekilde sunmak için hazır teknolojiler ve çerçeveler etrafında özelleştirilmiş araçlar bir araya getirecekler. Bununla birlikte, deneyimlerimize göre, geliştirme araçlarını bir araya getirmek için çeşitli hazır bileşenleri kullanmaya çalışmak, sistemin onarımını zorlaştıracak veya esnekliğini yitirecektir ve bileşenlerin kombinasyonu platform için sağlam bir temel oluşturmak için yeterli değildir.
Şimdi AVS'yi daha geniş otonom sürüş topluluğu ile paylaşıyoruz, endüstrinin bu alanda ilerlemeyi teşvik etmek ve yeni bir standart tanımlamak ve nihayetinde halka daha güvenli ve daha verimli bir ulaşım çözümü getirmek için birlikte çalışabileceğini umuyoruz. .
Hareket dünyasını görselleştirin
Uber ATG'nin web tabanlı AVS'sinin kullanılması durumunda, sistemi kullanmadan önce ve sonra aracı karşılaştırarak, araç algılamanın geliştiğini görebiliriz.
Otonom araç geliştirme, yeni hizmetler, veri setleri (özellikle LiDAR aracılığıyla) ve yeni çözümler gerektiren birçok kullanım durumu ile hızla büyüyen bir alandır. Uber'de, birden çok mühendislik ekibinin ele alınması gereken çözümler için benzersiz ihtiyaçları vardır. Web tabanlı bir görselleştirme uygulaması kullanmak, ekipler arası hızlı değişiklikler, kullanıma özel uygulamalar, basitleştirilmiş bilgi paylaşımı, özelleştirme ve mevcut hizmetlerin entegrasyonu için fırsatlar yarattığı için bariz bir seçimdir.
Web tabanlı bir görselleştirme sistemi bariz avantajlara sahip olsa da, aynı zamanda bir masaüstü tabanlı sisteminkiyle karşılaştırılabilir performansı korurken verileri verimli bir şekilde yönetme zorluğuyla da karşı karşıyadır. Bu zorlukları çözmek, Web uygulamaları tarafından kullanılan üretilen verileri yönetmek ve açıklamak için yeni bir soyutlama gerektirir.
Yukarıdaki gereksinimlere dayanarak, kendi sistemimizi iki temel parça etrafında oluşturduk: XVIZ veri sağlar (yönetim ve spesifikasyonlar dahil); ve streetcape.gl, web uygulamalarını geliştirebilen bir bileşen araç setidir.
XVIZ
Otonom sürüş sistemi tarafından üretilen veriler, resmi ve esnek bir spesifikasyon gerektirir; örneğin, genişletilmiş temel çerçeve ile entegre edilebilir, birden fazla müşteriye uyabilir ve verileri verimli bir şekilde yönetmek için gerekli kontrolleri ve bağlamaları tanımlamak için veri kaynağına yeterince yakın olabilir. Veri formatı.
XVIZ'in gelişmiş veri akışı şunları içerir: sunucuda kodlayıcı ve oluşturucu ve istemcide kod çözücü, veri arabelleği ve senkronizör.
XVIZ, zamanla değişen sahnelerin (veri) akış odaklı bir görünümünü ve bildirim temelli bir kullanıcı arayüzü görüntüleme sistemi sağlar. Video kaydı gibi, sistemin mevcut durumunu istediğiniz zaman arayabilir ve anlayabilirsiniz. Aynı zamanda bir HTML belgesi gibidir ve sunumu, iç gözlem yapılmasına izin veren bir moda göre odaklanacak ve yapılandırılacaktır. Ancak XVIZ, ayrı akışları bir araya getirerek ve bunları tek bir hedefte güncelleyerek verilerin kolayca araştırılmasına ve sorgulanmasına da olanak tanır.
XVIZ akışı, belirli bir zamanda belirli bir ilkel tür kullanıldığında gerçekleşen bir dizi ayrı güncellemedir. Temel öğeler, LiDAR nokta bulutlarını, kamera görüntülerini, hedef aralıkları, yörüngeleri, zaman içindeki araç hızlarını ve tahmin edilen planları tanımlayabilen hedeflerdir. Sunumu kullanıcıya basitleştirmek için, bu hedefler ayrı ayrı şekillendirilir (veri akışı seviyesi dahil) veya bir stil sınıfı (stil sınıfı) atanır.
XVIZ, veri akışlarını hiyerarşik adlandırma yoluyla düzenler; burada ayrı bir meta veri bölümü, veri akışlarını, türlerini, göreli dönüşümleri, bildirim temelli kullanıcı arabirimi panellerini ve stil sınıflarını listeler. Ardından, kullanıcı arayüzü hedefin grafik panelini verilerle bir araya getirir, kullanıcılara YAML (https://en.wikipedia.org/wiki/YAML) aracılığıyla kontroller sağlar ve bir dizi düzen ve görüntüleme bileşeni yükler.
Araştırmacının veri setinden akışları değiştirmesine olanak tanıyan XVIZ veri yapısı.
streetcape.gl
streetcape.gl, kamera, oynatma kontrolleri, hedef açıklama ve çizim işlevleri dahil olmak üzere çeşitli kullanıcı arayüzü bileşenleri sağlar.
streetcape.gl, XVIZ protokolünde veri kullanan web uygulamaları oluşturmak için bir araç setidir. XVIZ akışlarını 3D görünümler, grafikler, tablolar, videolar vb. Şeklinde görselleştirmek için kullanıma hazır bileşenler sağlar. Aynı zamanda, veri akışları arasında zaman senkronizasyonu, koordinat sistemleri, kameralar, dinamik stiller ve 3B hedefler ve çapraz bileşenlerle etkileşim gibi yaygın görselleştirme sorun noktalarını da çözer, böylece kullanıcılar daha fazla zaman harcayabilir. Kendi kendine giden araç yazılımının kendisini oluşturmak için.
Render performansı, streetcape.gl'nin birincil hedefidir. React ve Uber'in olgunlaşmış WebGL tabanlı görselleştirme platformuyla ( gerçek zamanlı oynatmayı ve yüz binlerce geometrik boyutu destekleyen sahnelerle sorunsuz etkileşimi destekleyebiliriz.
Birleştirilebilirlik ayrıca streetcape.gl tasarımının önü ve merkezidir. Dahili görselleştirme platformumuz, sınıflandırma, açıklama, hata ayıklama, uzaktan yardım ve sahne düzenleme gibi bir düzineden fazla farklı kullanım durumu için destek sağlar. Platformun çalışmasından öğrenerek tasarladığımız bileşenler son derece özelleştirilebilir ve genişletilebilir. Bu nedenle, tüm ekipler bu sistemi benzersiz iş akışlarına göre deneyimleyebilir.
AVS'nin farkı nedir
AVS açık ve şablonlu bir sistem olarak tasarlanmıştır.Gelişiminin başlangıcından itibaren, iç ekipleri ayrıştırmayı sağlamak için önerilerde bulunmaya teşvik ettik. Mimari açıdan bakıldığında, otonom sürüş yığınının bileşenleri arasındaki bağlantıyı en aza indiren ve veri alışverişi için net bir tanım sağlayan katmanlı bir yaklaşım sağlar. Her katman, tüm sistemi değiştirmeden isteğe bağlı olarak oluşturulabilir ve sistem ayrıca katmanları belirli senaryolara veya kullanım durumlarına göre özelleştirebilir.
Bu rehber ilke, AVS'yi mevcut çözümlerden ayırmaya yardımcı olur. Özellikle, AVS'nin mimarisi bu sistemi benzersiz kılar çünkü:
-
Verileri tüm temel platformlardan kasıtlı olarak ayırmak için tasarlanmıştır;
-
Sınırlı küçük özellikleri, geliştiricilerin araç geliştirmesini kolaylaştırır;
-
Veri formatı gereksinimleri hızlı aktarım ve işleme sağlayabilir.
Buna ek olarak AVS, mühendisler, operatörler, analistler ve profesyonel geliştiriciler dahil olmak üzere otonom sürüş ekosistemindeki her türden insanın ihtiyaçlarını karşılayabilir. Otonom sürüş mühendisleri, sistemlerini kolayca tanımlamak için XVIZ'i kullanabilir ve ardından beklentilerini doğrulamak ve uygulamak için sınırlı fonları kullanabilir. Profesyonel geliştiriciler, güçlü performans özellikleri ve basitleştirilmiş entegrasyon ile veri kaynağından bağımsız uygulamaları hızla oluşturmak için streetcape.gl'yi kullanabilir. Son olarak operatörler, verileri birden çok uygulama aracılığıyla video gibi görsel formatlarda görüntüleyebilir, bu da işbirliğini, bilgiyi anlamayı, daha derin analizleri ve verilerin kalitesine genel güveni kolaylaştırır.
AVS'yi sektöre açık kaynak yaparak, daha fazla geliştiriciyi bu orijinal fikir serisine dayalı olarak daha fazla fikre katkıda bulunmaya ve daha fazla sistem geliştirmeye teşvik ediyoruz.
Otonom sürüş endüstrisi ve endüstri dışındaki uygulamalar
Voyage, Applied Intuition ve Uber ATG gibi otonom araçları geliştiren veya destekleyen şirketler için simülasyondan yol testine kadar otonom sürüş sorunlarının temel nedenini bulmak son derece zaman alan bir süreçtir.
Voyage CTO'su Drew Gray'e göre, otonom sürüş sensörü verilerini görsel olarak keşfedebilmek, yolları tahmin edebilmek, hedefleri takip edebilmek, hız ve hızlanma ve diğer durum bilgileri, sınıflandırma süreci için büyük değer taşıyor ve ayrıca geliştiriciler için de faydalı olabilir Verimliliğin olumlu bir etkisi vardır. Ayrıca bu bilgiler, veri tabanlı projelerin önceliğini belirlemek için de kullanılabilir.
Voyage kurucu ortağı Warren Ouyang da Grayin AVSnin gelişme potansiyeli hakkındaki görüşlerini yineledi. "Uber'in otonom sürüş görselleştirme sistemini kullanabildiğimiz ve otonom sürüş dünyasının ilerlemesi için daha iyi araçlar geliştirmek üzere birlikte çalışabildiğimiz için çok mutluyuz" dedi.
AVS, diğer uygulamalarda zengin içerik sağlar.Örneğin, bu durum Uber ATG'nin doğal nokta incelemesinde uygulanmasını geliştirir.
Uber ekibi, kök neden analizine ek olarak, web tabanlı günlük görüntüleme, geliştirici ortamı ve haritalama bakımı gibi diğer kullanım durumlarında da AVS'yi kullandı. Aynı zamanda, dronlar, robotlar, kamyonculuk, filo yönetimi, artırılmış ve sanal gerçeklik ve perakende gibi diğer gelişmekte olan ve bitişik sektörlerdeki geliştiricilerin de bu araç seti için uygulama senaryoları bulabilmesi için bu teknolojileri açık kaynaklı hale getirmeyi planlıyoruz.
gelecek planı
AVS'yi daha geniş bir sektöre sokmak sadece başlangıçtır. Otonom sürüş alanına katkıda bulunmak için daha fazla geliştiriciye ve operatöre otonom erişim sağlamayı umuyoruz.
Voyage, Applied Intuition ve Open Source Foundation gibi kuruluşlar ve katkıda bulunanlarla işbirliği yaparak, bunu daha fazla veri kaynağı ve spesifikasyon (özellikle ROS desteği), performans optimizasyonu ve daha zengin işlevlerle (yan yana karşılaştırma gibi) geliştirmeyi planlıyoruz. ürün.
Applied Intuition Baş Teknoloji Sorumlusu Peter Ludwig şunları söyledi: "Applied Intuition'da, dünyanın en gelişmiş AV ekibi ile çalışıyoruz. İhtiyaç duydukları şey en gelişmiş araçlar ... ve AVS bu noktaya uyuyor ve özellikle dikkate değer. Evet, ağ tabanlıdır ve otonom sürüş alanındaki bu ihtiyacı da karşılar: Aynı görselleştirme araçlarını tekrar tekrar oluşturmaya gerek yoktur. Ek olarak, Uberin açık kaynak AVS'si diğer AV alanları için de büyük önem taşır. "
Uber ATG'nin AVS özellikli AV Günlük Görüntüleyicisi, araçların kavşaklara nasıl tepki verdiğini analiz etmemizi sağlayan bir uygulamadır.
Uber, otonom araçların uzun vadeli vizyonunu gerçekleştirmeye hevesli: herkese daha güvenli, daha temiz ve daha verimli ulaşım çözümleri sunmak. Ne yazık ki, çeşitli endüstrilerdeki erken geliştirme araçları genellikle ilkeldir ve işlevselliklerini genişletebilecek yeni kullanım durumlarını çözmek için uygundur. Teknolojinin ulaşım biçimini ve içinde yaşadığımız şehirleri hızla değiştirdiği düşünüldüğünde, bu değişimi her zamankinden daha acil bir şekilde hızlandırmak için daha iyi araçlara ihtiyacımız var.
Bu ürünün kentsel planlama yatırımını iyileştirmek için kullanılıp kullanılmadığı (ilgili okuma: https://medium.com/uber-movement/bringing-more-data-to-uber-movement-with-street-speeds-32da498329a7), daha fazla çeşit Jeo-uzamsal analiz (ilgili okuma: https://eng.uber.com/keplergl/), daha gelişmiş haritalama (ilgili okuma: https://eng.uber.com/uber-visualization-mapbox/) veya yeni Mobil trendler (ilgili okuma: https://www.uber.com/newsroom/mobility-dashboard-for-jump-bikes/), hepimiz bulduk: açık kaynak veriler ve araç stratejileri hükümetlere, geliştiricilere ve araştırmacılara yardımcı olabilir Ve tüm endüstri, gelecekte daha akıllı bir ulaşım ekosistemine doğru hızlanıyor.
aracılığıyla: https://eng.uber.com/avs-autonomous-vehicle-visualization/Lei Feng.com
