感測器資料平台
以硬體時戳為基礎，匯入、同步並版本控管 LiDAR、雷達、超音波與相機串流，並記錄逐車校正資料。
融合管線與車載執行環境
模組化平台涵蓋感測器資料擷取、校正、多模態融合、模型訓練、最佳化及車載推論。
開發車輛，感測器套件
多感測器感知流程
平台為資料擷取、校正、融合、模型訓練、最佳化及車載推論提供明確介面。
- 01
感測資料平面
擷取並同步光達、雷達、超音波與攝影機串流，並搭配逐車校正。
- 硬體時戳擷取
- 逐車校正紀錄
- 版本化資料集
- 02
校正與融合
將每個模態對齊到同一座標系與時間基準，再融合為共享表徵。
- 內參與外參校正
- 時間對齊與飄移檢查
- 統一空間表徵
- 03
模型訓練
在融合表徵上訓練感知與規劃模型，並適配各感測器組。
- 多模態感知模型
- 情境式評估
- 硬體感知訓練
- 04
端側執行環境
在固定預算內，於車用 SoC 上編譯、量化並執行模型。
- 量化與蒸餾
- 決定性排程
- 延遲與功耗預算
這套流程可執行於您或我們的基礎架構。訓練在資料中心進行，推論則在車上進行。
從感測資料接入到模型評估
平台提供從感測器資料管理到模型部署與評估的一體化工程流程。
校正與融合
內參與外參校正、時間對齊與漂移監測，產出模型可直接消費的單一空間表徵。
多模態模型
以融合表徵訓練的感知與規劃模型，並依您的感測器組態進行調適。
模型最佳化
針對車上車用 SoC 的量化、蒸餾、剪枝與硬體感知調校。
端側執行環境
決定性推論、即時排程，以及安全界限內的規劃與控制。
評估與工具
情境模擬、迴歸測試套件，以及讓各模型版本結果可相互比較的資料集版本控管。
各階段的運作要求
運作要求於正式環境堆疊上量測，涵蓋感測器輸入、校正、融合、訓練、模型匯出及車載推論。
- 感測器
- LiDAR、毫米波雷達、超音波與相機，統一於同一個硬體時間戳、已校正的時間基準上。
- 校正
- 逐車進行內參與外參校正，並具備漂移監測與校正版本記錄。
- 融合
- 共享的空間表徵，在新增、替換或移除感測器時仍保持有效。
- 訓練
- 多節點 GPU 訓練，具備檢查點、彈性排程與故障復原能力。
- 模型匯出
- 針對車用 SoC 的量化格式，透過硬體感知的調校步驟產出。
- 端側推論
- 具決定性的排程，從感知到規劃皆有明確上限的延遲與功耗預算。
多感測器校正與融合
LiDAR、雷達、超音波與相機資料於模型訓練前完成逐車校正，並對齊至共用座標框架與時間基準。
融合於共享時空表徵中完成，感測器配置變更則透過校正及資料集版本管理處理。
- 逐車校正並監測漂移
- 四種模態間的硬體時間戳同步
- 雷達與超音波和相機、LiDAR 一同融合
部署架構
訓練與資料處理可部署於公有雲、私有雲、地端或邊緣環境；量化推論模型部署於車輛。
-
公有雲
在受管理的基礎設施上進行彈性訓練與資料處理，適合需要快速起步的專案。
-
私有雲或地端部署
位於您的網路內，受您的資料治理與存取控制規範管理。
-
邊緣
在貼近資料蒐集處進行區域處理，讓資料傳輸量維持在有限範圍內。
-
車上
量化後的模型與執行環境運行於車用運算平台，並落在延遲與功耗預算之內。