为确保AD/ADAS系统的安全性,各大车企通常需要 收集、处理和分析 来自于摄像头、激光雷达等传感器的数据,以找出提高系统安全性和性能的方法。然而在数据收集过程中,不可避免地会出现 大量无价值数据 ,造成 数据泛滥 的情况,进而影响数据的分析处理进程。为此,本文将为大家分享如何通过 合适的指标 及 分析工具 ,实现 数据的高效管理、解读和正确分析 ,以避免数据泛滥的不利影响! 一、现有问题 对于汽车制造商来说,确保AD/ADAS系统的安全性通常需要 收集大量数据。 为了开发、验证和改进自动驾驶系统,流程通常是相同的:在各种条件下反复进行驾驶测试,累积大量里程。 这些来自不同来源(摄像头、GPS、激光雷达、仿真等)的驾驶日志随后会被处理和分析,以找出提高系统安全性和性能的方法。由于涉及 大量传感器 、 众多不同的使用场景 以及 大量的行驶里程 ,需要 处理的信息量 会迅速呈 指数级增长。 面对如此大量待处理的信息,很容易让人感到不知所措。收集到的很多内容可能 毫无用处 (设想开车行驶的数千公里却什么有趣的事情都没发生),而且在这个过程中,一些信息可能会 丢失或损坏 。此外,仅收集数据是不够的。这些数据需要被 管理、解读和正确分析 。数据池越大,这个过程就越痛苦和昂贵。 二、康谋方案-避免数据泛滥的2个关键 基于上述问题,康谋提出2个关键点,助力AD/ADAS系统开发、验证和改进过程,避免被庞大的数据淹没,从中获得最大受益: 1、关键点1 –通过指标和算法聚焦于相关发现 第一个关键点在于一个简单的原则: 必须尽可能减少数据池,只保留最相关的信息。 内容越少,处理和分析越快 。此外,专注于更小的有效信息集合可以降低存储成本和维护负担。 为了减少初始内容池,可以创建 有用的信息块, 或者说 "指标(metrics)" ,以更简短和有意义的方式总结和描述它。这些指标可以根据使用案例指代多种事物: 统计数据、事件或甚至场景 。一旦它们与业务需求对齐,就有必要通过 适当的算法 生成。 设想一下您正在努力提高新车辆的 安全性和舒适性。 具体来说,您正在试图了解如何减少车辆进行危险紧急制动的情况,即车辆突然刹车导致乘客不适,并构成潜在安全隐患的情况。与其手动检查历史驾驶记录去找到这些情况,不如 构建一种算法 来完成这项工作。 例如,遍历驾驶测量数据,计算车辆的减速度,并标记超出您定义的舒适限度的时刻。此外,该算法还可以计算其他参数,如与其他车辆的距离,以了解发生这种情况的原因。一旦初始数据已根据所选指标进行标记,您就可以将精力集中在这些上面。 2、关键点2 –使用全面的分析工具可视化见解 经过了关键点1,最初的原始数据池就被压缩成了少量的相关内容。它们需要 被可视化 、 分析和共享 ,以便能够用于新车辆、传感器或软件的开发或验证。所有这些都可以通过联系发现与强大的分析平台来完成。 这是一个可以 汇总所选指标并控制信息流 的集中点。根据具体情况,有许多可视化检查的例子:分析地图上近处的碰撞事故、在时间序列图上提取切入场景、可视化相机图像上消失的物体等。好用的可视化也有助于分析,并允许生成可以跨团队或任何利益相关者共享的报告。 为了说明这一点,让我们继续以上一节中描述的 安全和舒适性 为例。一旦找到您初始驾驶日志中所有感兴趣的紧急制动情况,就可以理解它们是 如何以及更重要的是为什么发生 。一种解决方案是在地图上显示这些情况,并绘制相关车辆和周围障碍物的信息。然后可以将这些发现 传递给相关团队 ,进而改进系统。 三、小结 总而言之,为了从收集的数据中获得最大收益,需要将其归纳为 有用的指标 ,然后在一个 强大的分析工具 上显示这些指标,以便于 可视化和共享 。要实现这些,需要拥有一个 合适的架构 作为处理流程的基底,使算法和工具能够顺利运行。