Daimler Autonomous Driving

Entwicklung von Sensorik-Analyse-Dashboards für Autonomes Fahren bei Daimler

Das Projekt "Daimler Autonomous Driving - Sensorik Analyse Dashboards" wurde in Zusammenarbeit mit einem großen Team durchgeführt, das auf die Analyse von Big Data auf einem internen Rechencluster basierend auf Apache Spark und Hadoop spezialisiert ist. Ziel der ersten Projektphase war es, die Leistungsfähigkeit dieses Clusters zu testen und erste Analyseanwendungen für die Verarbeitung und Auswertung von Daten aus einer Testflotte von rund 100 Autos zu entwickeln. Diese Fahrzeuge wurden zur Erprobung von Software für autonomes Fahren eingesetzt. Das endgültige Ziel des Projekts war die Erstellung einer Vielzahl von Dashboards zur Analyse verschiedener Fahrzeugsensoren, um die gewonnenen Erkenntnisse an die Teams für autonome Softwareentwicklung und Sensorhardware zurückzuspielen.

Technologieeinsatz und Datenanalyse

Für die Entwicklung verschiedener Analysejobs wurde Python verwendet. Die Dashboards zielten darauf ab, eine detaillierte Analyse und Visualisierung der Sensordaten zu ermöglichen und wertvolle Erkenntnisse für die Weiterentwicklung von autonomen Fahrsystemen zu liefern.

Herausforderungen bei der Datenverarbeitung

Eine der Hauptherausforderungen des Projekts war die Bewältigung der enormen Datenmengen. Verschiedene Analysejobs benötigten oft mehrere Stunden bis zu 16 Stunden, was zu einer Verlangsamung des Feedbackzyklus führte. Um diesen Herausforderungen zu begegnen, wurden zunächst kleinere Jobs auf einem Teildatensatz ausgeführt, bevor umfangreichere Analysen auf dem Cluster durchgeführt wurden. Die technische Übertragung von Testläufen zu umfangreichen Cluster-Analysen stellte sich, abhängig von der Komplexität des Analysejobs, als nicht immer einfach heraus.

Vertraulichkeit und zukünftige Entwicklungen

Weitere Details des Projekts unterliegen strengen Vertraulichkeitsvereinbarungen (NDA). Das Projekt demonstriert jedoch eindrucksvoll die Fähigkeit von Daimler, fortschrittliche Technologien und Big-Data-Analysen einzusetzen, um die Entwicklung und das Testen von Technologien für autonomes Fahren zu optimieren und weiter voranzutreiben.