Автономная техника на складах, терминалах и в карьерах: обучение и валидация моделей
Инфраструктура для обучения, симуляции и валидации моделей восприятия и планирования беспилотных погрузчиков, тягачей и самосвалов.
Диапазоны по отраслевым публикациям и типовым внедрениям; результат зависит от данных и процессов заказчика.
Что решаем
Автономные погрузчики, терминальные тягачи и карьерные самосвалы уже работают на закрытых территориях, но каждая площадка уникальна: разметка, освещение, погода, типы грузов и техники. Модели восприятия, обученные вендором на своих данных, требуют адаптации, а сбор и разметка собственных данных без вычислительной базы растягиваются на месяцы.
Каждое обновление модели нужно проверить на тысячах сценариев в симуляции, прежде чем выпустить технику на площадку с людьми. Облачные вычисления для этого ограничены объёмом данных (терабайты видео и лидарных облаков в неделю) и требованиями безопасности.
Команда автономии простаивает в очереди за GPU.
Что делает ИИ
PyTorchNVIDIA Isaac SimCARLAROS 2OpenPCDetMLflow
Мы поставляем и настраиваем вычислительный контур для команды автономных систем: от хранения сырых данных до симуляции и обучения.
- Хранилище и конвейер обработки данных с датчиков: камеры, лидары, радары; автоматическая предразметка моделями и активное обучение.
- Обучение моделей восприятия (детекция, сегментация, оценка глубины) и планирования на собственных данных площадки.
- Симуляция сценариев в цифровом двойнике площадки: тысячи прогонов с вариациями погоды, трафика, поведения людей.
- Валидация и регрессионное тестирование каждой версии перед выпуском на технику.
Контур строится на открытых инструментах, чтобы команда не зависела от одного вендора и могла работать с техникой разных производителей.
Какие данные нужны
- Записи датчиков техники: видео, лидар, радар, телеметрия
- Разметка сцен и инцидентов
- Карта и цифровой двойник площадки
Какая инфраструктура нужна
Профиль «обучение» с большими объёмами данных: модели восприятия обучаются на миллионах кадров и облаков точек, симуляция нагружает GPU рендерингом, а хранилище должно выдавать данные быстрее, чем их потребляют ускорители. Базовая конфигурация — узел на 8 GPU: платформа LM TEK 4U8GPU10KW с жидкостным охлаждением в обычной серверной или Supermicro B300 из раздела GPU-серверы для максимальной плотности вычислений.
Для небольшой команды и одного типа техники подойдёт W9 ULTRA или RX MAX с 4 GPU. Заложите NVMe-массив на сотни ТБ и сеть 100 GbE между хранилищем и узлом. Данные площадки остаются на территории заказчика.
Как идёт проект
- 01
Данные и цель
Фиксируем метрику успеха, источники данных и ограничения: on-premise, персональные данные, сроки.
- 02
Пилот на нашей конфигурации
Стартовая машина под задачу и подтверждённый профиль нагрузки перед закупкой кластера.
- 03
Инфраструктура
Поставка серверов, станций и охлаждения, монтаж, ввод в эксплуатацию, ПО и мониторинг.
- 04
Сопровождение
Масштабирование, обновление ускорителей в том же шасси, сервис и запчасти.
Что ещё автоматизируют в отрасли «Логистика и транспорт»
Опишите задачу и данные.
Вернёмся с профилем нагрузки, конфигурацией и коммерческим предложением на поставку в вашу страну.


