Visão geral
O Scene Intelligence with Rosbag na AWS foi desenvolvido especificamente para ajudar a simplificar o processo de desenvolvimento de Sistemas Avançados de Assistência ao Condutor (ADAS) e Veículos Autônomos (AV). A solução apresenta módulos para extração de sensores e detecção de objetos, ajudando engenheiros de machine learning e cientistas de dados a acelerar a busca de cenas para treinamento de modelos.
Você pode usar essa solução para preparar amostras de arquivos rosbag, extrair dados do sensor rosbag (como metadados e imagens), aplicar modelos de detecção de objetos e detecção de faixa às imagens extraídas, bem como aplicar e armazenar a lógica comercial de detecção de cenas.
Benefícios
Pipelines de dados escaláveis e flexíveis que ingerem, transformam, rotulam e catalogam de forma confiável bilhões de quilômetros de dados reais ou simulados.
Maior acessibilidade para equipes globais pesquisarem, identificarem e analisarem dados automotivos.
Reduza o número de dependências e pré-requisitos com opções de configuração de código aberto.
Detalhes técnicos
Você pode implantar essa arquitetura automaticamente usando o Guia de Implementação e o modelo que acompanha o AWS CloudFormation.
Etapa 1
O AV carrega o arquivo rosbag no HAQM Simple Storage Service (HAQM S3). O usuário final invoca o fluxo de trabalho para iniciar o processamento por meio do HAQM Managed Workflows for Apache Airflow (HAQM MWAA) e de um gráfico acíclico direcionado (DAG).
Etapa 2
O AWS Batch extrai o arquivo rosbag do HAQM S3, analisa e extrai os dados do sensor e da imagem e grava esses dados em outro bucket do S3.
Etapa 3
O HAQM SageMaker aplica modelos de detecção de objetos e detecção de faixas aos dados extraídos. Em seguida, o SageMaker grava os dados e os rótulos em outro bucket do S3.
Etapa 4
O HAQM EMR Serverless (com um trabalho do Apache Spark) aplica a lógica de negócios aos dados e rótulos no HAQM S3. Isso gera metadados relacionados à detecção de objetos e à detecção de faixa. Em seguida, o HAQM EMR Serverless grava os metadados no HAQM DynamoDB e em outro bucket do S3.
Etapa 5
Uma função do AWS Lambda publica novos dados de entrada do DynamoDB (metadados) no cluster do HAQM OpenSearch Service. O usuário final acessa o cluster do OpenSearch Service, por meio de um proxy no HAQM Elastic Compute Cloud (HAQM EC2), para enviar consultas com base nos metadados.
Etapa 1
O AV carrega o arquivo rosbag no HAQM Simple Storage Service (HAQM S3). O usuário final invoca o fluxo de trabalho para iniciar o processamento por meio do HAQM Managed Workflows for Apache Airflow (HAQM MWAA) e de um gráfico acíclico direcionado (DAG).
Etapa 2
O AWS Batch extrai o arquivo rosbag do HAQM S3, analisa e extrai os dados do sensor e da imagem e grava esses dados em outro bucket do S3.
Etapa 3
O HAQM SageMaker aplica modelos de detecção de objetos e detecção de faixas aos dados extraídos. Em seguida, o SageMaker grava os dados e os rótulos em outro bucket do S3.
Etapa 4
O HAQM EMR Serverless (com um trabalho do Apache Spark) aplica a lógica de negócios aos dados e rótulos no HAQM S3. Isso gera metadados relacionados à detecção de objetos e à detecção de faixa. Em seguida, o HAQM EMR Serverless grava os metadados no HAQM DynamoDB e em outro bucket do S3.
Etapa 5
Uma função do AWS Lambda publica novos dados de entrada do DynamoDB (metadados) no cluster do HAQM OpenSearch Service. O usuário final acessa o cluster do OpenSearch Service, por meio de um proxy no HAQM Elastic Compute Cloud (HAQM EC2), para enviar consultas com base nos metadados.
Conteúdo relacionado
Esta orientação demonstra como os clientes podem processar e pesquisar dados de alta precisão baseados em cenários com a estrutura de dados de direção autônoma (ADDF).
- Data de publicação