[DDN自动驾驶解决方案] 如何利用数据促进自动驾驶系统进化

发布时间：

2022-04-15 00:00

　　【导读】智能驾驶的能力取决于高效的数据闭环和数据的利用效率。本文简单介绍了典型的自动驾驶数据工作流程，并分析了智能驾驶系统开发所面临的数据挑战。无论是数据摄取、模型训练还是仿真验证，都离不开强大的计算平台和存储技术的支撑。先进基础设施如何赋能自动驾驶技术?欢迎车企、自动驾驶解决方案提供商等业内人士参加4月26日 (周二) 下午3:00-5:00 举行的自动驾驶在线研讨会。

　　当前，汽车产业正在经历着智能化、网联化、电动化、自动化(新四化)的变革，其中，智能化被广泛认为是新四化的基石和核心。国际汽车工程师协会(SAE)将自动驾驶划分为5个级别，随着智能化等级从驾驶员辅助(L1), 部分自动化(L2), 有条件自动驾驶(L3)，到高度自动驾驶(L4)和全自动化的无人驾驶(L5)的提高，人与车之间的关系也由人主导向自动驾驶系统主导演进。

　　自动驾驶数据工作流程

　　智能驾驶系统的开发需要经过数据采集、数据集构建、模型训练以及仿真测试等一系列不断迭代的工作，智能驾驶能力取决于高效的数据闭环和数据的利用效率。一个典型的自动驾驶数据工作流程如下图所示：首先，测试车的各种传感器采集的数据经过压缩保存在车内的固态硬盘(SSD) 中;这些数据通过车内固态硬盘的卸载、运输并安装在区域计算数据中心的服务器中。在区域数据中心，经过清洗、去重后的数据将同步到核心数据中心;在核心数据中心，会进行数据转换、训练和仿真;经过验证的模型将部署到测试车，然后开始新一轮工作流程。我们以训练和仿真环节为例做一下简单的介绍。

　　训练深度神经网络(DNN)

　　如何为自动驾驶设计DNN并没有单一的方法。采用集成方法在实践中比较常见，即训练多个DNN用于不同类型的问题如路径规划、物体识别、读交通标志、检测红绿灯状态等。然而，训练并非一蹴而就，需要定期反复进行迭代。由此可见，训练所需的计算量相当大。

　　目前，基于GPU的集群被广泛用于深度学习训练。一些头部自动驾驶解决方案开发商的训练集群所配备的GPU已超过2万块，并仍在继续扩大规模。从IO的角度来看，要让这些GPU保持忙碌和高利用率，就需要高带宽、低延迟、高并发的并行存储系统来传输数据。DDN的 A3I 存储解决方案匹配英伟达的DGX系统组成的POD架构在深度学习训练方面很有优势，经过实践证明：A3I 存储可确保GPU的数据饱和，助力训练任务的快速完成。由于POD基于模块化设计，随着训练任务的增加，可轻松实现计算能力和存储容量的可预测扩展。

　　仿真/二次仿真(Re-simulation)

　　对于大部分自动驾驶项目来说，仿真是开发流程中关键的一环。通过在各种驾驶环境中的模拟仿真可以快速测试DNN。初次仿真之后，还可以使用二次仿真，即回放以前记录的传感器数据(而不是合成数据)来测试软件堆栈。例如：二次仿真过程中，结合来自自动紧急制动场景下的实际传感器数据，来消除误报情况。

　　目前，自动驾驶仿真本身还处于研究和创新的过程之中。要实现成功的仿真，需考虑以下几个方面：

　　1. 达到必要的分辨率，为所有车载传感器实时提供逼真的输入

　　2. 为研发中的多种DNN集合提供必要的推理性能，可能需要许多仿真流并行

　　3. 对汽车、自行车、行人和其他非静止物体进行准确的建模

　　数据挑战

　　由于每辆测试车收集来自多种传感器的海量数据(>2PB/测试车/年)，因此智能驾驶系统的开发面临着极大的数据挑战：

　　1. 如何创建一个数据管道来高效地将数据从测试车辆迁移到训练集群

　　2. 如何高效地准备、清洗和标注数据以用于深度神经网络的训练

　　3. 需要多少存储和算力来训练神经网络?应该采用本地部署还是云上的集群进行训练?

　　4. 如何确定基础设施的规模(包括存储、网络带宽和计算能力)才能满足数据管道和训练集群的需求?