据估计，验证自动驾驶功能，需要2.4亿到160亿公里的道路测试里程。然而，决定系统成熟度的并不是测试的数量，而是系统经历过的道路交通状况的数量，在各种状况下，算法必须快速做出决策，例如在高速公路上超车时。此外，测试驾驶过程中获得的数据量非常庞大，这也是验证的一项主要挑战。车载传感器组由摄像头、激光雷达和雷达组成，一天内可生成多达40TB的数据。 FEV的V2I数据管理系统能有效开发并验证这类驾驶功能。该公司的网络数据记录器收集所选车辆信号，并在试驾期间将其实时发送到后端。FEV利用微软Azure和Azure IoT Hub传输数据，构建了一个成熟、高性能、高度安全的云平台。发送到后端的车辆数据在云中进行整合，同时算法根据相关场景分析这些信号。因此，即使在试驾期间，用户也可以向相关工程师发送反馈，并根据预定计划灵活地协调整个车队。 标准化的时间戳还极大简化了所有车辆数据的清理和准备。尤其重要的是，这种基于场景的预过滤还支持在云中高效地存储数据。只有之前检测到的数据包或场景才会上传到云热存储中，云热存储具有最高级别的计算能力和访问管理。不太重要的部分保存在性能较低的云区域，因此成本较低。 为了将现实道路的平均测试时间和成本降到最低，FEV正越来越多地将重要的测试范围转移到仿真和实验室环境中。FEV集团总裁兼首席执行官Stefan Pischinger教授表示，“数据记录器解决方案结合FEV基于云的标签软件，是为ADAS和自动驾驶环境构建整体开发环境的重要里程碑。根据驾驶情况，利用自动识别和分类，高效地准备数据，是其他处理步骤的基础。” 虽然目前量产的驾驶辅助系统仍然基于预定义的规则，但FEV相信，未来可以使用机器学习实现。Pischinger教授还表示，“只有当AI能够处理最复杂的情况，并准确预测道路使用者的行为时，我们的目标才会实现。”自动驾驶将从根本上影响着我们未来的出行方式。验证这些功能需要系统在测试过程中识别道路交通中的各种场景，并对它们进行评估。此外，还需要为开发人员准备这些场景。据外媒报道，为了应对这一挑战，汽车开发商FEV使用微软云平台Azure的计算能力，开发了数据管理与评估系统。 据估计，验证自动驾驶功能，需要2.4亿到160亿公里的道路测试里程。然而，决定系统成熟度的并不是测试的数量，而是系统经历过的道路交通状况的数量，在各种状况下，算法必须快速做出决策，例如在高速公路上超车时。此外，测试驾驶过程中获得的数据量非常庞大，这也是验证的一项主要挑战。车载传感器组由摄像头、激光雷达和雷达组成，一天内可生成多达40TB的数据。 FEV的V2I数据管理系统能有效开发并验证这类驾驶功能。该公司的网络数据记录器收集所选车辆信号，并在试驾期间将其实时发送到后端。FEV利用微软Azure和Azure IoT Hub传输数据，构建了一个成熟、高性能、高度安全的云平台。发送到后端的车辆数据在云中进行整合，同时算法根据相关场景分析这些信号。因此，即使在试驾期间，用户也可以向相关工程师发送反馈，并根据预定计划灵活地协调整个车队。 标准化的时间戳还极大简化了所有车辆数据的清理和准备。尤其重要的是，这种基于场景的预过滤还支持在云中高效地存储数据。只有之前检测到的数据包或场景才会上传到云热存储中，云热存储具有最高级别的计算能力和访问管理。不太重要的部分保存在性能较低的云区域，因此成本较低。 为了将现实道路的平均测试时间和成本降到最低，FEV正越来越多地将重要的测试范围转移到仿真和实验室环境中。FEV集团总裁兼首席执行官Stefan Pischinger教授表示，“数据记录器解决方案结合FEV基于云的标签软件，是为ADAS和自动驾驶环境构建整体开发环境的重要里程碑。根据驾驶情况，利用自动识别和分类，高效地准备数据，是其他处理步骤的基础。” 虽然目前量产的驾驶辅助系统仍然基于预定义的规则，但FEV相信，未来可以使用机器学习实现。Pischinger教授还表示，“只有当AI能够处理最复杂的情况，并准确预测道路使用者的行为时，我们的目标才会实现。”
据估计，验证自动驾驶功能，需要2.4亿到160亿公里的道路测试里程。然而，决定系统成熟度的并不是测试的数量，而是系统经历过的道路交通状况的数量，在各种状况下，算法必须快速做出决策，例如在高速公路上超车时。此外，测试驾驶过程中获得的数据量非常庞大，这也是验证的一项主要挑战。车载传感器组由摄像头、激光雷达和雷达组成，一天内可生成多达40TB的数据。 FEV的V2I数据管理系统能有效开发并验证这类驾驶功能。该公司的网络数据记录器收集所选车辆信号，并在试驾期间将其实时发送到后端。FEV利用微软Azure和Azure IoT Hub传输数据，构建了一个成熟、高性能、高度安全的云平台。发送到后端的车辆数据在云中进行整合，同时算法根据相关场景分析这些信号。因此，即使在试驾期间，用户也可以向相关工程师发送反馈，并根据预定计划灵活地协调整个车队。 标准化的时间戳还极大简化了所有车辆数据的清理和准备。尤其重要的是，这种基于场景的预过滤还支持在云中高效地存储数据。只有之前检测到的数据包或场景才会上传到云热存储中，云热存储具有最高级别的计算能力和访问管理。不太重要的部分保存在性能较低的云区域，因此成本较低。 为了将现实道路的平均测试时间和成本降到最低，FEV正越来越多地将重要的测试范围转移到仿真和实验室环境中。FEV集团总裁兼首席执行官Stefan Pischinger教授表示，“数据记录器解决方案结合FEV基于云的标签软件，是为ADAS和自动驾驶环境构建整体开发环境的重要里程碑。根据驾驶情况，利用自动识别和分类，高效地准备数据，是其他处理步骤的基础。” 虽然目前量产的驾驶辅助系统仍然基于预定义的规则，但FEV相信，未来可以使用机器学习实现。Pischinger教授还表示，“只有当AI能够处理最复杂的情况，并准确预测道路使用者的行为时，我们的目标才会实现。”