Información general
Inteligencia de escenas con Rosbag en AWS está diseñada específicamente para ayudar a agilizar el proceso de desarrollo de los sistemas avanzados de asistencia al conductor (ADAS) y los vehículos autónomos (AV). La solución incluye módulos para la extracción de sensores y la detección de objetos, lo que ayuda a los ingenieros de machine learning y a los científicos de datos a acelerar la búsqueda de escenas para el entrenamiento de modelos.
Puede utilizar esta solución para organizar archivos rosbag de muestra, extraer datos del sensor rosbag, como metadatos e imágenes, aplicar modelos de detección de objetos y detección de carriles a las imágenes extraídas, así como aplicar y almacenar la lógica empresarial de detección de escenas.
Beneficios
Canalizaciones de datos escalables y flexibles que ingieren, transforman, etiquetan y catalogan de manera confiable miles de millones de kilómetros de datos reales o simulados.
Mayor accesibilidad para que los equipos globales busquen, identifiquen y analicen datos automotrices.
Reduzca la cantidad de dependencias y requisitos previos con opciones de configuración de código abierto.
Detalles técnicos
Puede implementar automáticamente esta arquitectura con la guía de implementación y la plantilla de AWS CloudFormation asociada.
Paso 1
El AV carga el archivo rosbag en HAQM Simple Storage Service (HAQM S3). El usuario final invoca el flujo de trabajo para iniciar el procesamiento mediante HAQM Managed Workflows para Apache Airflow (HAQM MWAA) y un gráfico acíclico dirigido (DAG).
Paso 2
AWS Batch extrae el archivo rosbag de HAQM S3, analiza y extrae los datos del sensor y de la imagen y los escribe en otro bucket de S3.
Paso 3
HAQM SageMaker aplica modelos de detección de objetos y carriles a los datos extraídos. A continuación, SageMaker escribe los datos y las etiquetas en otro bucket de S3.
Paso 4
HAQM EMR sin servidor (con un trabajo de Apache Spark) aplica la lógica empresarial a los datos y las etiquetas de HAQM S3. Esto genera metadatos relacionados con la detección de objetos y la detección de carriles. A continuación, HAQM EMR sin servidor escribe los metadatos en HAQM DynamoDB y en otro bucket de S3.
Paso 5
Una función de AWS Lambda publica nuevos datos entrantes de DynamoDB (metadatos) en el clúster de HAQM OpenSearch Service. El usuario final accede al clúster de OpenSearch Service, a través de un proxy en HAQM Elastic Compute Cloud (HAQM EC2), para enviar consultas a los metadatos.
Paso 1
El AV carga el archivo rosbag en HAQM Simple Storage Service (HAQM S3). El usuario final invoca el flujo de trabajo para iniciar el procesamiento mediante HAQM Managed Workflows para Apache Airflow (HAQM MWAA) y un gráfico acíclico dirigido (DAG).
Paso 2
AWS Batch extrae el archivo rosbag de HAQM S3, analiza y extrae los datos del sensor y de la imagen y los escribe en otro bucket de S3.
Paso 3
HAQM SageMaker aplica modelos de detección de objetos y carriles a los datos extraídos. A continuación, SageMaker escribe los datos y las etiquetas en otro bucket de S3.
Paso 4
HAQM EMR sin servidor (con un trabajo de Apache Spark) aplica la lógica empresarial a los datos y las etiquetas de HAQM S3. Esto genera metadatos relacionados con la detección de objetos y la detección de carriles. A continuación, HAQM EMR sin servidor escribe los metadatos en HAQM DynamoDB y en otro bucket de S3.
Paso 5
Una función de AWS Lambda publica nuevos datos entrantes de DynamoDB (metadatos) en el clúster de HAQM OpenSearch Service. El usuario final accede al clúster de OpenSearch Service, a través de un proxy en HAQM Elastic Compute Cloud (HAQM EC2), para enviar consultas a los metadatos.
Contenido relacionado
Esta guía muestra cómo los clientes pueden procesar y buscar datos de alta precisión basados en escenarios con el Marco de Datos de Conducción Autónoma (ADDF).
- Fecha de publicación