采集、存储百 PB 级别的数据量;
对高质量数据实现高效率处理、训练;
完成从感知到规控一体的仿真测试;
保证数据全流程的合规安全;
实现 L2、L3 级的自动驾驶 Demo 模型,只需要百万张图片的数据量;
实现 L2、L3 级自动驾驶的量产,需要亿张图片,数据量大于 100T;
实现 L4 级的自动驾驶 Demo 模型,存储数据量从 T 级进化为 P 级;
最后,实现 L4 级的自动驾驶量产,数据量已经大于 50PB。
前者对于不同任务可以单拎出来,例如单独评估感知、预测、规划等环节的效果,与真实数据或标注数据相比对;
后者指在仿真引擎构建的虚拟世界中建立反馈闭环,从输入到输出端接受反馈信号,与现在行业反复提及的「世界模型」一个概念。
在标注场景下,百舸平台的 GPU 共享方案将自动化标注的成本降低了 1 倍以上;
在模型训练场景下,百舸平台帮助模型训练吞吐平均提升 138%,最高 400%,最多缩短 80% 的模型训练时间;
在仿真场景下,百舸平台可以支持仿真平台实现日行百万公里的仿真里程。
采集、存储百 PB 级别的数据量;
对高质量数据实现高效率处理、训练;
完成从感知到规控一体的仿真测试;
保证数据全流程的合规安全;
实现 L2、L3 级的自动驾驶 Demo 模型,只需要百万张图片的数据量;
实现 L2、L3 级自动驾驶的量产,需要亿张图片,数据量大于 100T;
实现 L4 级的自动驾驶 Demo 模型,存储数据量从 T 级进化为 P 级;
最后,实现 L4 级的自动驾驶量产,数据量已经大于 50PB。
前者对于不同任务可以单拎出来,例如单独评估感知、预测、规划等环节的效果,与真实数据或标注数据相比对;
后者指在仿真引擎构建的虚拟世界中建立反馈闭环,从输入到输出端接受反馈信号,与现在行业反复提及的「世界模型」一个概念。
在标注场景下,百舸平台的 GPU 共享方案将自动化标注的成本降低了 1 倍以上;
在模型训练场景下,百舸平台帮助模型训练吞吐平均提升 138%,最高 400%,最多缩短 80% 的模型训练时间;
在仿真场景下,百舸平台可以支持仿真平台实现日行百万公里的仿真里程。