rFpro permet de former, de tester et de valider l'IA d'un véhicule par la création massive de données d'entraînement très précises. Il soumet l'IA à un plus grand nombre de cas limites et de situations dangereuses que dans le monde réel, sans compromettre la sécurité.
rFpro permet de former, de tester et de valider l'IA d'un véhicule par la création massive de données d'entraînement très précises. Il soumet l'IA à un plus grand nombre de cas limites et de situations dangereuses que dans le monde réel, sans pour autant compromettre la sécurité. Cette approche permet d'exercer l'IA de manière plus approfondie que les seuls tests en conditions réelles. Il est important de noter que les conducteurs humains peuvent partager le même environnement virtuel que celui qui est utilisé pour entraîner votre IA. Cela permet d'injecter les événements imprévisibles et aléatoires qui provoquent de nouveaux modes de défaillance dans les véhicules autonomes. La simulation complète de bout en bout de rFpro, modélisée physiquement, signifie qu'elle peut être utilisée pour former l'IA, effectuer des tests de régression et identifier de nouveaux modes de défaillance, ce qui permet à la simulation de faire partie des futurs cadres réglementaires. Elle peut également être utilisée pour impliquer les passagers des véhicules autonomes dès les premières étapes du développement. Cela sera essentiel pour garantir l'acceptation par les consommateurs et protéger votre investissement dans l'IA et l'autonomie. Formez rapidement et de manière approfondie votre IA avec la solution Data Farming de rFpro. La création d'une IA robuste nécessite d'énormes volumes de données d'entraînement détaillées et diverses. La solution de production de données d'entraînement synthétiques de rFpro - que nous appelons Data Farming - permet d'accélérer rapidement ce processus.
Le Data Farming de rFpro permet de créer à moindre coût des ensembles de données d'entraînement de haute qualité, essentiels au développement des véhicules autonomes. Cette approche fondée sur la simulation recrée fidèlement un nombre illimité de scénarios de test complexes à l'aide d'un seul PC, ou peut être entièrement modulable à l'aide de plusieurs PC. Nous comparons notre nouveau logiciel Data Farming à la technique Render Farming, qui a révolutionné la façon dont les animations populaires modernes sont compilées - rendant la création à la fois plus rapide et plus rentable.
rFpro a développé son moteur de rendu de ray tracing, leader dans sa catégorie, spécifiquement pour le développement de capteurs de véhicules. Il s'agit d'une technique à trajets multiples qui simule avec précision les réflexions autour d'un capteur ainsi que les nuances du monde réel et la façon dont un capteur le perçoit. Cette solution est particulièrement avantageuse dans les scénarios à faible luminosité ou dans les environnements où il y a plusieurs sources de lumière pour représenter avec précision les réflexions et les ombres. Il en résulte des données de formation très réalistes et de qualité technique pour les systèmes de capteurs, ce qui réduit considérablement la dépendance de l'industrie à l'égard de la collecte de données réelles.
Pour générer des données d'entraînement pour les véhicules autonomes, l'industrie s'est traditionnellement appuyée sur l'annotation manuelle d'images vidéo du monde réel, de points LiDAR et de retours radar pour identifier les objets dans une scène. La mise en évidence manuelle des véhicules, des piétons, des marquages routiers et des feux de signalisation peut prendre 30 minutes par image et présente, en moyenne, un taux d'erreur de 10 %. Il faut 1 800 heures pour annoter une minute de vidéo. Le Data Farming génère des données sans erreur jusqu'à 10 000 fois plus vite. Il crée les données d'entraînement requises plus rapidement, à moindre coût et avec plus de précision que l'annotation manuelle.
Voici ce que les clients de rFpro disent déjà à propos de Data Farming :
DENSO ADAS Engineering Services, fournisseur mondial de niveau 1
" Grâce à l'exploitation des données de rFpro, nous pouvons créer un grand nombre de scénarios de conduite, ce qui permet de générer de très grandes variations de scènes, tout cela grâce à l'investissement dans une seule plateforme ", a déclaré Francisco Eslava-Medina, chef de projet chez DENSO ADAS. "Cela nous permet de générer rapidement et de manière rentable la grande quantité de données d'entraînement de qualité qui est essentielle pour certaines phases de développement de produits des technologies de vision par ordinateur, notamment pour les réseaux neuronaux de nos technologies de véhicules autonomes."
Ambarella, fournisseur leader de technologies pour véhicules autonomes
"Ce logiciel présente un changement radical dans la création de données d'entraînement et accélère déjà le développement de nos systèmes de véhicules autonomes", a déclaré Alberto Broggi, directeur général de la division d'Ambarella en Italie. " L'apprentissage profond et l'IA sont essentiels à l'adoption réussie des véhicules autonomes. Il n'est peut-être pas raisonnablement possible d'atteindre le niveau requis uniquement en utilisant des ensembles de données annotées manuellement. Le Data Farming va transformer la façon dont l'industrie développe les véhicules autonomes".
Notre logiciel permet de simuler toute une série de variables, notamment la météo, l'éclairage, le trafic et les piétons. Tout cela peut être réalisé en utilisant la vaste bibliothèque de jumeaux numériques de rFpro, qui fournit tous les types de routes et d'environnements du monde entier. Chaque jumeau numérique peut produire des millions de variations de scènes, générant ainsi suffisamment de données pour entraîner votre réseau neuronal profond. Il est tout simplement impossible de recueillir le même niveau de variation des données d'entraînement dans le monde réel.
Le Data Farming permet à la simulation de fonctionner plus rapidement ou plus lentement que le temps réel en fonction de l'application. L'exécution à vitesse réduite permet d'effectuer des tests complexes en utilisant moins de processeurs - ou des processeurs de moindre spécification - pour produire des données reproductibles et de haute qualité. Les données d'un simple capteur, par exemple, peuvent être exécutées beaucoup plus rapidement que le temps réel.
Le Data Farming de rFpro permet de créer à moindre coût des ensembles de données d'entraînement de haute qualité, essentiels au développement des véhicules autonomes. Cette approche fondée sur la simulation recrée fidèlement un nombre illimité de scénarios de test complexes à l'aide d'un seul PC, ou peut être entièrement modulable à l'aide de plusieurs PC. Nous comparons notre nouveau logiciel Data Farming à la technique Render Farming, qui a révolutionné la façon dont les animations populaires modernes sont compilées - rendant la création à la fois plus rapide et plus rentable.
Pour générer des données d'entraînement pour les véhicules autonomes, l'industrie s'est traditionnellement appuyée sur l'annotation manuelle d'images vidéo du monde réel, de points LiDAR et de retours radar pour identifier les objets dans une scène. La mise en évidence manuelle des véhicules, des piétons, des marquages routiers et des feux de signalisation peut prendre 30 minutes par image et présente, en moyenne, un taux d'erreur de 10 %. Il faut 1 800 heures pour annoter une minute de vidéo. Le Data Farming génère des données sans erreur jusqu'à 10 000 fois plus vite. Il crée les données d'entraînement requises plus rapidement, à moindre coût et avec plus de précision que l'annotation manuelle.
Contactez un membre de l'équipe pour en savoir plus sur la façon dont rFpro peut soutenir vos projets de développement de véhicules.