概览
AWS 上的 Rosbag 场景智能专为帮助简化高级驾驶辅助系统（ADAS）和自动驾驶汽车（AV）的开发流程而设计。该解决方案采用传感器提取模块和对象检测模块，帮助机器学习工程师和数据科学家加快模型训练的场景搜索。
您可以使用该解决方案暂存 rosbag 样本文件、提取 rosbag 传感器数据（例如元数据和图像）、将对象检测和车道检测模型应用于提取的图像，以及应用和存储场景检测业务逻辑。
优势
可扩展的灵活数据管道，能够可靠地提取、转换以及标记数十亿英里真实或模拟的数据，并将这些数据编入目录。
使全球团队能够更方便地搜索、识别和分析汽车数据。
利用开源配置选项减少依赖项和先决条件的数量。
技术详情
您可以使用实施指南和随附的 AWS CloudFormation 模板自动部署该架构。
第 1 步
AV 将 rosbag 文件上传到 Amazon Simple Storage Service（Amazon S3）。最终用户调用工作流，开始通过 Amazon Managed Workflows for Apache Airflow（Amazon MWAA）和有向无环图（DAG）进行处理。
第 2 步
AWS Batch 从 Amazon S3 拉取 rosbag 文件，解析并提取传感器和图像数据，然后将这些数据写入到另一个 S3 桶。
第 3 步
Amazon SageMaker 将对象检测和车道检测模型应用到已提取数据。然后，SageMaker 将数据和标签写入到另一个 S3 桶。
第 4 步
Amazon EMR Serverless（有一个 Apache Spark 作业）对 Amazon S3 中的数据和标签应用业务逻辑。这将会生成与对象检测和车道检测相关的元数据。接着，Amazon EMR Serverless 将元数据写入到 Amazon DynamoDB 和另一个 S3 桶。
第 5 步
由一个 AWS Lambda 函数将新的传入 DynamoDB 数据（元数据）发布到 Amazon OpenSearch Service 集群。 最终用户通过 Amazon Elastic Compute Cloud（Amazon EC2）访问 OpenSearch Service 集群，以提交对元数据的查询。
第 1 步
AV 将 rosbag 文件上传到 Amazon Simple Storage Service（Amazon S3）。最终用户调用工作流，开始通过 Amazon Managed Workflows for Apache Airflow（Amazon MWAA）和有向无环图（DAG）进行处理。
第 2 步
AWS Batch 从 Amazon S3 拉取 rosbag 文件，解析并提取传感器和图像数据，然后将这些数据写入到另一个 S3 桶。
第 3 步
Amazon SageMaker 将对象检测和车道检测模型应用到已提取数据。 然后，SageMaker 将数据和标签写入到另一个 S3 桶。
第 4 步
Amazon EMR Serverless（有一个 Apache Spark 作业）对 Amazon S3 中的数据和标签应用业务逻辑。这将会生成与对象检测和车道检测相关的元数据。接着，Amazon EMR Serverless 将元数据写入到 Amazon DynamoDB 和另一个 S3 桶。
第 5 步
由一个 AWS Lambda 函数将新的传入 DynamoDB 数据（元数据）发布到 Amazon OpenSearch Service 集群。 最终用户通过 Amazon Elastic Compute Cloud（Amazon EC2）访问 OpenSearch Service 集群，以提交对元数据的查询。