Applied Intuition 블로그

‘모든 사항'에 대한 확인 및 검증을 수행하는 정형화된 방법이 일차적으로 고려될 수 있지만, L3+ 자율 시스템을 개발하고 배포하기 위해 필요한 수준의 확인 및 검증 방법을 조합하여 사용하는 것이 더 효과적입니다.

AV 개발 라이프사이클 전체에 걸쳐 점점 더 복잡해지는 요구사항을 관리하기 위해 전통적인 기업 및 ML 중심 기업이 취하는 접근 방식에 대해 논의합니다.

AV 개발을 위해 많은 양의 주행 및 시뮬레이션 데이터가 생성되고 있지만 데이터를 효과적으로 활용하기가 어렵습니다. 저희 Applied Intuition 팀이 기존의 요구 사항을 추적하고 설정 범위 내의 데이터 공백을 찾아내는 데이터 활용법에 대해 설명해 드리겠습니다.

Annotating and curating datasets from the real-world driving data is a common approach for training AV algorithms, yet it is expensive, biased, prone to errors, and limited in scale. Learn how to use synthetic data to overcome these challenges.

Applied Intuition 팀은 본 포스팅에서 자율 주행 시스템의 회귀 테스트와 관련된 문제를 논의하고 테스트를 효과적으로 설정하고 오류를 디버깅하기 위한 모범 사례를 공유합니다.

자율 주행을위한 센서 시뮬레이션은 어렵고 실시간으로 처리 할 수있는 고 충실도 시뮬레이션이 필요합니다. 인식 시스템을 정확하게 테스트하는 데 사용할 수있는 기술이 있습니다.