机构名称：
¥ 1.0
•感知运行机器学习模型，以从相机和激光镜头产生的传感器读数中提取信息。•本地化使用GPS和高清映射来合并车辆的精确位置。•预测预测附近的物体（例如其他车辆，行人）将如何行事和移动。•计划生成安全舒适的运动计划，供车辆采用。•控制将运动计划转换为转向，加速和制动命令。这些组件由通过机器学习和传统算法实现的模块组成，必须进行协调以执行安全舒适的驾驶演习。此设计描述了一个化合物AI系统[15]，并且由于与人类代理和调节的密切相互作用而进化了这种方式，这要求它们高度解释且可调试[3，10]。与用于语言模型的复合AI系统不同，该系统在大规模和目标吞吐量和统计服务级别的目标（SLOS）上进行操作，AVS必须符合较高的标准，以实现可靠性和性能，并且对延迟进行了优化。严格的目标延迟SLO分解为单个组件的截止日期[9]，必须满足以进行安全操作。为了可靠性，系统完全在没有外部依赖项的汽车上运行，尽管它们通常可以通过蜂窝连接访问网络。我们观察到，这些模块具有明确的依赖性和目标SLO，与基于云的微服务档案具有相似之处，并研究了AVS中查看组件的含义。这使我们可以根据SLO，配置和合同来推论组件，这些组件可提供跨组件的明确API和保证。这确保了一定程度的最低性能，并使模块化开发加速了改进。将模块化的含义呈现到极端，我们可以想象这些服务的多种变体，这些服务提供了不同的表现保证（例如模型专门用于城市与模型特殊的模型，用于云，低延迟模型，用于快速决策）。如果我们接受AVS是具有许多不同有益配置的服务集合，我们可以优化整体管道
通过服务层云辅助自动驾驶
主要关键词
相关文件推荐
