메인 대시보드
이 글은 AI로 번역되었습니다. 오역이 있을 경우 댓글로 알려 주세요.
Created on September 12|Last edited on September 12
Comment
팀 링크
환영합니다! 👋
이 데모는 자율주행 조직을 확장할 때 Weights & Biases가 얼마나 유용한지 보여 주기 위해 마련되었습니다. 이 데모를 볼 때, 한 팀 안에서 여러 사람이 협업하고 있고, 곧 조직을 확장할 것을 염두에 두고 있는 상황을 떠올리며 보시면 됩니다.
우리 조직에는 여러 부서가 있을 것입니다
- 데이터 팀 - 머신러닝 팀이 쉽게 활용할 수 있도록 데이터를 적절한 형태로 구성하는 일을 담당합니다. 또한 팀 전체의 이해를 높이기 위해 데이터에 대한 여러 핵심 통계를 보고하는 역할을 맡을 수 있습니다.
- 예측 팀 - 모션 예측 업무를 담당합니다. - 도로 위의 AV와 기타 자유 주체들의 위치를 예측하고, 동시에 AV의 예상 위치(즉, 궤적)도 예측합니다.
이 메인 대시보드에서 상단의 여러 링크를 통해 다른 팀에서 수행한 작업을 확인하고 탐색할 수 있습니다.
L5Kit 소개
이 저장소와 관련 데이터셋은 자율주행에서 예측, 계획, 시뮬레이션 문제에 대한 학습 기반 솔루션을 개발하기 위한 프레임워크를 구성합니다. 이들 문제에 대한 최첨단 솔루션은 여전히 상당한 수작업 엔지니어링을 필요로 하며, 예를 들어 인지 시스템과 달리 딥러닝과 방대한 주행 데이터의 혜택을 충분히 누리지 못하고 있습니다.
이 프레임워크의 목적은 엔지니어와 연구자가 실제 주행 데이터를 활용해 계획 및 시뮬레이션 문제에 대한 데이터 중심 접근을 실험하고, 최첨단 솔루션에 기여할 수 있도록 지원하는 것입니다.
이 프레임워크를 사용하면 다음과 같은 시스템을 구축할 수 있습니다.
- 예측, 계획, 시뮬레이션 문제를 데이터 문제로 전환하고 실제 데이터로 학습하세요.
- 신경망을 사용해 자율주행차(AV) 스택의 핵심 구성 요소를 모델링하세요.
- 과거 관측 데이터를 활용해 AV 주변 차량의 향후 움직임을 예측하세요.
- 인간 운전을 모방하도록 AV의 주행 행동을 계획하세요.
- 데이터 양이 증가함에 따라 이러한 시스템의 성능이 어떻게 향상되는지 분석하세요.
이 소프트웨어는 Lyft Level 5 자율주행 부서에서 개발했으며 외부 기여자에게도 개방되어 있습니다.
동영상
Add a comment