兩萬字詳解自動駕駛開發(fā)工具鏈的現(xiàn)狀與趨勢

劃重點：

1.車企自研自動駕駛系統(tǒng)成為趨勢。

2.基于MBD的開發(fā)流程已經(jīng)不能滿足自動駕駛系統(tǒng)開發(fā)需求，需引入數(shù)據(jù)驅(qū)動的端到端的開發(fā)流程。

3.開發(fā)工具鏈的效率決定了整個系統(tǒng)開發(fā)的效率，工具鏈需要和pipeline數(shù)據(jù)流結(jié)合，當前工具鏈普遍存在割裂和“數(shù)據(jù)孤島”現(xiàn)象。

4.數(shù)據(jù)處理是數(shù)據(jù)驅(qū)動的基石：智能化數(shù)據(jù)采集勢在必行，數(shù)據(jù)標注的外包化和對高質(zhì)低價的追求也趨于明顯。

5.自動駕駛仿真是開發(fā)的加速器：要求仿真軟件既要懂仿真，也要懂汽車；場景庫被車企視為核心競爭力；仿真評價面臨多樣化和定制化的趨勢；OpenX 得到了業(yè)內(nèi)的普遍認可，仿真軟件也逐漸標準化。

6.高精地圖是工具鏈不可或缺的一環(huán)，合規(guī)性、復(fù)雜場景精度和動態(tài)更新仍是行業(yè)痛點。

7.自動駕駛上云是大趨勢。

8.自動駕駛開發(fā)工具鏈的發(fā)展趨勢是：高效（端到端）、開放和靈活合作。

汽車行業(yè)“智能化”發(fā)展趨勢下，各種L2級別的輔助駕駛功能成為吸引消費者的重要配置，另一方面，在“軟件定義汽車”的新時代，自動駕駛更是成為了影響車企未來發(fā)展的重要戰(zhàn)略。

如此大背景下，車企需要回答一個問題，是否要自研自動駕駛系統(tǒng)？

我們先來盤點下幾家車企在自動駕駛領(lǐng)域的布局：

車企的自動駕駛布局盤點 可以看出來，車企自研自動駕駛系統(tǒng)成為一大趨勢，很多車企也發(fā)現(xiàn)自動駕駛的核心是在“軟硬件解耦”背景下，充分發(fā)揮出數(shù)據(jù)的價值，甚至有些車企，因為重視自動駕駛業(yè)務(wù)，也為了方便業(yè)務(wù)的后續(xù)發(fā)展，紛紛成立獨立子公司，專注于智能駕駛的開發(fā)。如一汽集團成立了人工智能子公司一汽(南京)科技開發(fā)有限公司；長城汽車成立了毫末智行；上汽集團籌建了軟件中心上汽零束等。 

一、自動駕駛開發(fā)流程——從基于模型設(shè)計到數(shù)據(jù)驅(qū)動

不過，要自研自動駕駛系統(tǒng)，也并非易事，因為自動駕駛系統(tǒng)的開發(fā)流程和工具鏈特別復(fù)雜。

傳統(tǒng)的汽車軟件開發(fā)使用V 模型，包括很多ADAS功能，也都是使用這種流程去開發(fā)。具體可以參照下圖，左側(cè)是設(shè)計開發(fā)流程，右側(cè)是測試驗證流程。

V模型開發(fā)流程 左側(cè)的設(shè)計開發(fā)流程，現(xiàn)階段以基于模型設(shè)計MBD（Model Based Design）的開發(fā)流程為主，其中的多數(shù)元素（模型）是基于MathWorks公司的產(chǎn)品（MATLAB和Simulink）提供的標準工具箱、塊組，在圖形化界面上搭建模型，并自動生成代碼。整體需要工程師自己編寫的代碼量不多，開發(fā)速度快，開發(fā)成本也較低。

右側(cè)是測試驗證流程，即X在環(huán)（X in the loop），在不同階段采用不同的測試方法，包括MIL/SIL/PIL/HIL/DIL/VIL等測試方法。

傳統(tǒng)的汽車軟件控制邏輯，包括L2的一些相對簡單的ADAS功能，使用MBD+X在環(huán)的開發(fā)流程還可以滿足需求，但是隨著自動駕駛算法功能越來越復(fù)雜，以前基于MBD的開發(fā)流程已經(jīng)顯得有點力不從心了。

首先，更加復(fù)雜的自動駕駛功能，其軟件的代碼量和功能的復(fù)雜程度也提升了幾個數(shù)量級。結(jié)構(gòu)化的工具箱和塊組建模，在開發(fā)簡單的功能算法時還可以勝任，但在面對復(fù)雜的深度學(xué)習(xí)算法時，MBD在靈活度方面，就顯得有些捉襟見肘了。

其次，人工智能行業(yè)發(fā)展這么多年，無論是架構(gòu)還是工具鏈、各種各樣開源的函數(shù)庫，都已經(jīng)形成強大的生態(tài)，對于如今的自動駕駛從業(yè)者而言，直接用編程來實現(xiàn)，反而比在Mathworks里建模效率更高得多。 

同時，傳統(tǒng)汽車軟件量產(chǎn)之后就不再發(fā)生變化，這對于自動駕駛軟件是不現(xiàn)實的。一方面，自動駕駛開發(fā)周期長，在整車開發(fā)周期內(nèi)開發(fā)、測試的時間遠不夠；另一方面，OTA讓軟件持續(xù)升級有了可能，這樣軟件的生命周期也得到了延續(xù)，而以深度學(xué)習(xí)模型為代表的自動駕駛算法，就需要持續(xù)不斷地收集長尾的“corner case”數(shù)據(jù)，作為“燃料”持續(xù)迭代算法系統(tǒng)。

有句話說得好，如果要上太空，就不能搭梯子，必須要造飛船。為了更有效率地開發(fā)自動駕駛系統(tǒng)，業(yè)內(nèi)專家們找到了適用于基于深度學(xué)習(xí)的自動駕駛開發(fā)流程——也就是數(shù)據(jù)驅(qū)動的端到端的開發(fā)流程。

對于這種軟件開發(fā)流程的轉(zhuǎn)變，有前瞻意識的車企和Tier 1也早已意識到。

博世底盤控制系統(tǒng)中國區(qū)總裁陳黎明曾在公開場合提到：“自動駕駛牽涉的場景非常多，不可能再按照傳統(tǒng)的方式繼續(xù)進行，所以必須加入實際道路測試，特別是用數(shù)據(jù)驅(qū)動的驗證方式對自動駕駛安全進行驗證，就是V模型和數(shù)據(jù)驅(qū)動的閉環(huán)進行結(jié)合，實現(xiàn)安全驗證。”

泛亞技術(shù)中心的高級總監(jiān)陸健翔在近期的世界智能大會上表示：“傳統(tǒng)車企要從原本的車端的這種瀑布式的系統(tǒng)集成開發(fā)模式向云管端一體化的敏捷式場景集成開發(fā)模式轉(zhuǎn)型。”

當然，這并不意味著傳統(tǒng)的MBD的方法已經(jīng)完全過時。V模型的思路仍然是很有指導(dǎo)意義的，比如在自動駕駛系統(tǒng)測試中發(fā)揮重要作用的系統(tǒng)仿真，其實就是SIL（軟件在換），而MBD開發(fā)方法，在汽車底層邏輯算法，如車輛控制算法中仍然會用到。

雖然每一家的數(shù)據(jù)驅(qū)動的軟件開發(fā)流程在細節(jié)上有不同，但是大體思路都是一致的，基本按照如下思路：數(shù)據(jù)采集->數(shù)據(jù)存儲->數(shù)據(jù)預(yù)處理->數(shù)據(jù)挖掘->數(shù)據(jù)標注->模型訓(xùn)練->仿真測試->部署發(fā)布。

Waymo的數(shù)據(jù)閉環(huán)平臺，引用自黃浴的知乎文章

上述環(huán)節(jié)中所使用的工具和平臺（包括但不限于數(shù)據(jù)采集、處理、標注工具、模型訓(xùn)練平臺、仿真平臺、OTA工具和一些其他環(huán)節(jié)的開發(fā)工具），被稱作“工具鏈”。工具鏈的效率決定了整個系統(tǒng)開發(fā)的效率。

雖然可能看上去步驟不多，但其實整個鏈路非常復(fù)雜。

以數(shù)據(jù)處理為例，單數(shù)據(jù)類型就多種多樣，包括攝像頭數(shù)據(jù)、毫米波雷達數(shù)據(jù)、激光雷達點云數(shù)據(jù)，需要先對這些數(shù)據(jù)進行去噪，也就是所謂的“數(shù)據(jù)清洗”。以圖片為例，數(shù)據(jù)處理需要先把圖片的地理位置信息等擦除，把人臉、車牌等敏感信息去除，再統(tǒng)一格式，這樣才算處理完成。

數(shù)據(jù)處理完成后，下一步便開始數(shù)據(jù)標注。標注的類型大致可分為2D、3D目標物標注、聯(lián)合標注、車道線標注和語義分割等，還要涉及到具體標注規(guī)范和標注質(zhì)檢流程，整個流程異常繁瑣。而這復(fù)雜流程的每一個環(huán)節(jié)，都需要與之對應(yīng)的工具和平臺的支撐。

和MBD開發(fā)流程已經(jīng)擁有成熟的工具鏈不同，數(shù)據(jù)驅(qū)動的開發(fā)流程，起步晚，工具鏈效率不高，給車企的自動駕駛開發(fā)人員帶來了很大的困擾。數(shù)據(jù)驅(qū)動，源頭是數(shù)據(jù)，面對數(shù)據(jù)量龐大但高價值數(shù)據(jù)稀缺的問題，車企并沒有太多的經(jīng)驗可供借鑒。

當然，不同的車企，在自動駕駛領(lǐng)域的積累程度不同，在工具鏈上遇到的問題也不盡相同。

部分車企起步早、投入大，（數(shù)據(jù)驅(qū)動）pipeline已經(jīng)可以完整跑通，積累也比較多，為了進一步提升效率，他們也做了很多工具鏈的定制開發(fā)。某車企的開發(fā)人員告訴《九章智駕》，由于現(xiàn)有不同公司提供的工具鏈是“分段開發(fā)”，只關(guān)注自己部分的功能而不關(guān)注全局，導(dǎo)致割裂和“數(shù)據(jù)孤島”現(xiàn)象嚴重。為了滿足自己的效率需求，他們不得不自己開發(fā)工具鏈或者找生態(tài)體系內(nèi)的企業(yè)來提供，甚至連數(shù)據(jù)標注平臺都要自己開發(fā)。

對于在該領(lǐng)域積累沒有那么多的車企來說，現(xiàn)階段投入那么多人去開發(fā)工具鏈，就不是多么“劃算”了，一方面基礎(chǔ)薄弱，技術(shù)還沒研發(fā)到那個地步，另一方面也確實沒那么多人。受限于資源投入和技術(shù)基礎(chǔ)，他們更多地還是希望整合現(xiàn)成的工具鏈，盡快跑通（數(shù)據(jù)驅(qū)動）Pipeline，“工具鏈不是我們的競爭力，需求定義、系統(tǒng)集成和功能測試才是我們的競爭力”，某車企智能駕駛負責人告訴《九章智駕》。

不同車企雖然開發(fā)階段不同，但也有相似之處，那就是都有工具鏈“割裂”的痛點。接下來，我們就分別從數(shù)據(jù)處理、仿真這兩個環(huán)節(jié)入手，詳細梳理下工具鏈的現(xiàn)狀和痛點。

二、數(shù)據(jù)處理：數(shù)據(jù)驅(qū)動的基石

數(shù)據(jù)驅(qū)動，最核心的就是數(shù)據(jù)。傳統(tǒng)基于模型的開發(fā)流程，更多是基于開發(fā)者的過往經(jīng)驗對模型優(yōu)化，而數(shù)據(jù)驅(qū)動，則是要基于海量的數(shù)據(jù)來優(yōu)化模型。對于車企而言，要建立數(shù)據(jù)驅(qū)動的開發(fā)流程，必須要學(xué)會怎么處理龐大的數(shù)據(jù)。

數(shù)據(jù)處理，是整個開發(fā)鏈路的第一環(huán)節(jié)，也是最繁雜的環(huán)節(jié)，包括了數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘和數(shù)據(jù)標注等環(huán)節(jié)，其數(shù)據(jù)量的多少和數(shù)據(jù)質(zhì)量的高低直接決定了整個模型的水平。

下圖為特斯拉自動駕駛數(shù)據(jù)處理的鏈路。

Tesla Autopilot數(shù)據(jù)處理流程（引用自黃浴的知乎文章）

數(shù)據(jù)相關(guān)的工具鏈，包括了數(shù)據(jù)采集、數(shù)據(jù)上傳、數(shù)據(jù)清洗、數(shù)據(jù)標注等環(huán)節(jié)。

1.數(shù)據(jù)采集：智能化勢在必行

先說數(shù)據(jù)采集。行業(yè)里有一些開源的數(shù)據(jù)集，可以用做基礎(chǔ)算法訓(xùn)練，目前最常用的數(shù)據(jù)集有KITTI、nuScenes等，不過這些數(shù)據(jù)還是多半來自海外的公開測試集，中國本土特色的數(shù)據(jù)集，還是比較少的。

自動駕駛開源數(shù)據(jù)集匯總，引用知乎文章《自動駕駛開源數(shù)據(jù)集匯總》

 

 在這種情況下，要訓(xùn)練匹配特定場景的算法，就需要收集該場景的數(shù)據(jù)。只有足夠多且高質(zhì)量的數(shù)據(jù)采集到了，才有了后續(xù)的流程，而這第一個環(huán)節(jié)，目前工具鏈的效率并不太好。

某頭部造車新勢力員工告訴《九章智駕》，該公司自動駕駛數(shù)據(jù)采集觸發(fā)、數(shù)據(jù)上傳的策略還不能滿足后續(xù)問題分析的要求。比如，用戶撞了車之后，回傳的數(shù)據(jù)不能用——要么數(shù)據(jù)量不全，要么采集頻率不對，開發(fā)人員在排查問題時效率很低。

一般來說，不同的Corner Case，后續(xù)分析所需要的數(shù)據(jù)格式不一樣、前后所需要的時間段也不一樣。這個很容易理解，不同原因?qū)е碌慕庸?，是感知還是決策模塊的問題，還是高精地圖的錯誤，所需要的數(shù)據(jù)當然是不一樣的。甚至針對某些特殊的Corner Case，還會有一些定制化的數(shù)據(jù)采集需求，讓測試人員帶著采集任務(wù)去路測。

而正是因為采集需求復(fù)雜，鏈路打通又難，現(xiàn)實中有些工程師遇到問題，便會選擇自己去采集數(shù)據(jù)。為了避免上述這些問題，有些L4 Robotaxi公司選擇用最原始的“硬盤拷貝”方式，全量數(shù)據(jù)回傳，然后再進行數(shù)據(jù)挖掘。

這樣做，當測試車輛數(shù)量少時，是沒有問題的，一旦后續(xù)車輛多到一定程度后，自動駕駛采集的數(shù)據(jù)量即將進入PB時代，如此“海量”的數(shù)據(jù)，真正找到有價值的、占比較少的Corner Case，真正的“大海撈針”。

而要采集對自動駕駛真正有用的片段數(shù)據(jù)，就需要更加智能化的數(shù)據(jù)采集策略。

何謂智能化數(shù)據(jù)采集策略？就是針對特定場景進行數(shù)據(jù)采集。

華為內(nèi)部人員在和《九章智駕》交流時，提到“華為八爪魚”便有對場景進行智能化打標簽的功能：“比如發(fā)生人工接管，或者遇到隧道、環(huán)島、無保護左轉(zhuǎn)等，以及快遞三輪車之類云端需要主動搜集積累數(shù)據(jù)進行學(xué)習(xí)的場景。開發(fā)人員可以上傳需要車輛獲取的圖片，通過云端下發(fā)指令，車端會采取類似‘以圖搜圖’的方式，遇到類似的場景就會自動截取下來。這樣，只需要把這些打過標簽的‘有價值’數(shù)據(jù)篩選出來上傳到云端即可，可避免整段數(shù)據(jù)上傳，能提升Corner Case挖掘的效率。”

2.數(shù)據(jù)標注：外包趨勢和對高質(zhì)低價的追求

找到有價值的數(shù)據(jù)之后，就需要進行數(shù)據(jù)清洗和數(shù)據(jù)標注。

在以深度學(xué)習(xí)為主的感知模型中，主流的深度學(xué)習(xí)訓(xùn)練方法還是監(jiān)督學(xué)習(xí)，用這種方法訓(xùn)練，需要向模型“喂養(yǎng)”海量有“真值（Ground Truth）”的數(shù)據(jù)。

那這些“真值”數(shù)據(jù)從哪來？人工標注出來的。所以行業(yè)里經(jīng)常開玩笑說，人工智能，就是“有多少人工，就有多少智能”，也因為海量數(shù)據(jù)標注的需求，還誕生了一個新職業(yè)——“人工智能訓(xùn)練師”。

雖然職業(yè)名字聽起來很好聽，但其實，數(shù)據(jù)標注本質(zhì)上是一個勞動密集型的產(chǎn)業(yè)。為了能夠獲得足夠廉價的勞動力，企業(yè)在新疆、河南、山西的某些地區(qū)集聚，形成了數(shù)據(jù)標注的產(chǎn)業(yè)集群。  

作為客戶（標注需求方），他們關(guān)心的是標注質(zhì)量夠不夠好，標注價格夠不夠便宜，換句話說，就是“既要馬兒跑得快，還要馬兒不吃草”。

首先，模型訓(xùn)練對標注數(shù)據(jù)的質(zhì)量要求很高，數(shù)據(jù)質(zhì)量直接決定了訓(xùn)練出來的模型精度高低，質(zhì)量不高，很容易“Rubbish In，Rubbish Out”。而標注質(zhì)量和標注成本密切相關(guān)，經(jīng)濟不發(fā)達地區(qū)的廉價勞動力的標注質(zhì)量，能否滿足開發(fā)者們的需求，是一個很大的疑問。

其次，需要標注的數(shù)據(jù)量巨大，比如一個新的視覺算法通常需要上萬張到數(shù)十萬張不等的標注圖片做訓(xùn)練，定期優(yōu)化也有上千張圖片的需求，單張圖片標注價格差一點，放在幾十萬張的體量下就是個很大的數(shù)字，因此，需求方對價格很敏感。

高質(zhì)量的標注要求，必然會導(dǎo)致人力成本上升，而低價格則會影響標注質(zhì)量，高質(zhì)量和低價格似乎成了一個難以調(diào)和的矛盾。

對車企而言，養(yǎng)幾十號人去做數(shù)據(jù)標注會顯得人力成本過于沉重。他們一般更傾向于選擇外包給專業(yè)的數(shù)據(jù)標注平臺或者數(shù)據(jù)標注團隊去做，比較有名的數(shù)據(jù)標注平臺有百度眾測、京東眾智、龍貓數(shù)據(jù)、數(shù)據(jù)堂等。

不過外包也分為兩類：第一類是人力外包，即自己提供標注平臺和標注工具，外包公司只需提供人力即可；第二類是服務(wù)外包，即自己不提供標注平臺和標注工具，直接將待標注數(shù)據(jù)提供給外包公司，外包公司提供標注好的數(shù)據(jù)。

部分車企對標注效率要求很高，會選擇自己開發(fā)標注平臺和標注工具，這樣他們就會選擇人力外包；而對于另一些車企而言，自己開發(fā)標注平臺顯然性價比不高——一方面需要投入那么多資源去開發(fā)標注平臺，另一方面，自己開發(fā)的標注平臺和外面的對比價格上又沒有優(yōu)勢，不劃算。

因為市場需求的爆發(fā)，數(shù)據(jù)標注行業(yè)涌現(xiàn)了很多初創(chuàng)公司，data.forge就是其中一家，其創(chuàng)始人兼CEO楊洋向《九章智駕》介紹道：客戶最關(guān)心的是質(zhì)量/價格比，為了提升質(zhì)量/價格比，他們采取了很多措施，比如自動化輔助標注，還有優(yōu)化標注工具的便利性，這也形成了公司的核心競爭力。

華為內(nèi)部人員向《九章智駕》介紹時，提到“華為八爪魚”也提供數(shù)據(jù)標注服務(wù)：“首先，‘華為八爪魚’花了很多時間打磨自己的預(yù)標注算法，目前華為的預(yù)標注算法精度已經(jīng)達到領(lǐng)先水平，在nuScenes、COCO、KITTI等多個自動駕駛國際公開數(shù)據(jù)集測試挑戰(zhàn)中獲得第一，預(yù)標注算法可以大幅減少每框數(shù)據(jù)標注所需的時間。

“其次，為優(yōu)化標注平臺的操作，我們會結(jié)合具體的業(yè)務(wù)操作去優(yōu)化人機交互方式，提升工作人員的操作效率。

“再次，我們有成熟的管理體系來保證標注質(zhì)量，標注人員標注完成后，經(jīng)過標注人員的自檢、質(zhì)檢員的抽檢和標注經(jīng)理的抽檢三重質(zhì)檢流程后，才會交付給客戶。與其他標注團隊大部分標注人員分布在新疆、河南、山西等地不同，華為的人工標注團隊在深圳，就在華為的辦公室。之所以這么做，是為了方便溝通和管理，也能更好地保證標注質(zhì)量。

“最后，為了解決本土開源數(shù)據(jù)集不足的問題，‘華為八爪魚’除了能夠給客戶提供增量的數(shù)據(jù)標注服務(wù)外，還可為客戶提供2000萬個已標注的對象，而且這個數(shù)據(jù)集是持續(xù)迭代、持續(xù)擴充的，客戶可以利用這些數(shù)據(jù)進行訓(xùn)練，快速地搭建起模型。”

三、仿真——自動駕駛開發(fā)的加速器  

作為自動駕駛工具鏈中非常核心的一環(huán)，仿真系統(tǒng)主要由場景庫、仿真平臺和評測體系三部分組成，仿真系統(tǒng)的效率高低直接影響到了整個開發(fā)鏈路的效率，所以一直是客戶的痛點，也是眾多玩家瞄準的市場。

也正是因為看到了仿真系統(tǒng)的重要性和不成熟的現(xiàn)狀，深感“廣闊天地，大有可為”，眾多玩家紛紛進入了這個賽道。根據(jù)公司類型，這些玩家大致可以分為傳統(tǒng)仿真軟件公司、初創(chuàng)仿真軟件公司和科技巨頭仿真軟件三類，下面就分類盤點一下。

1.仿真軟件玩家盤點

（1）傳統(tǒng)仿真軟件公司

傳統(tǒng)仿真軟件以西門子公司的PreScan、德國VIRES公司的VTD、德國IPG公司的CarMaker和美國MSC的CarSim等為代表。他們或憑借某部分領(lǐng)域深厚積累，或因某些功能做的出色，而被廣大車企廣泛使用：CarMaker和CarSim在車輛動力學(xué)領(lǐng)域積累最深、實力最強；VTD以其場景高渲染能力和最先支持OpenX而知名；PreScan以操作方便、上手容易吸引了眾多用戶。

憑借已有的客戶資源加上過去的積累的優(yōu)勢，他們成為了自動駕駛仿真軟件領(lǐng)域的重要玩家。

（2）初創(chuàng)仿真軟件公司

看到了仿真軟件巨大的市場空間，不少初創(chuàng)公司新玩家也紛紛進入，希望分一杯羹。比如國內(nèi)的初創(chuàng)公司51WORLD（原51VR）推出了51Sim-One自動駕駛仿真測試平臺；以色列初創(chuàng)公司Cognata，為智能駕駛產(chǎn)品各個階段提供不同的仿真解決方案，為了滿足不同客戶的需求，甚至推出了本地版、云版和硬件版本三個版本。

初創(chuàng)公司對市場更敏感，沒有歷史包袱，其為車企提供的仿真平臺，開始有意識打通仿真的各個環(huán)節(jié)，成為一股不可忽視的力量。

（3）科技巨頭仿真軟件公司

英偉達：Drive Constellation

英偉達于 2018 年 推出Drive Constellation 仿真系統(tǒng)。該仿真系統(tǒng)由兩臺不同的服務(wù)器打造，第一臺服務(wù)器運行英偉達 DRIVE Sim 軟件來進行傳感器仿真，如相機、激光雷達和毫米波雷達，第二臺服務(wù)器搭載了英偉達 DRIVE Pegasus 人工智能車載計算平臺，用來處理仿真的傳感器數(shù)據(jù)。

Drive Sim基于Omniverse平臺，據(jù)英偉達官方的說法，它可以達到“照片級逼真且物理精確”的傳感器仿真。在場景方面，Drive Constellation 可以生成數(shù)據(jù)流，創(chuàng)建各種測試環(huán)境，模擬各種天氣條件，以及不同的路面和地形，還可以模擬白天不同時間的眩目強光以及晚上有限的視野。

華為：“華為八爪魚”自動駕駛云服務(wù)

在自動駕駛開發(fā)工具鏈領(lǐng)域，華為推出了自動駕駛云服務(wù)，也稱為“華為八爪魚”（HUAWEI Octopus），從數(shù)據(jù)采集、難例挖掘、數(shù)據(jù)標注、算法訓(xùn)練、仿真平臺等方面提供了完整的解決方案，并提供了大量的數(shù)據(jù)集和場景庫供客戶使用，幫助車企構(gòu)建數(shù)據(jù)驅(qū)動閉環(huán)的自動駕駛開發(fā)平臺。

另外，基于華為強大的云業(yè)務(wù)，“華為八爪魚”集成了云端訓(xùn)練和云端并行仿真，有豐富的仿真場景，高并發(fā)實例處理能力，提供超過20萬個仿真場景實例；系統(tǒng)每日虛擬測試里程可超過1000萬公里，支持3000個實例并發(fā)測試。

百度：阿波羅平臺

百度Apollo為開發(fā)者提供基于云端的決策系統(tǒng)仿真服務(wù)，搭建在百度云和微軟Azure上的云仿真平臺，輕松打造日行百萬公里的虛擬運行能力。在場景庫方面，百度Apollo平臺提供的場景庫涵蓋了法規(guī)標準場景、危險工況場景和能力評估場景，共計200種左右。

Apollo還與Unity合作，開發(fā)基于 Unity 引擎的虛擬仿真環(huán)境，提出了端到端的自動駕駛仿真系統(tǒng)——增 強 現(xiàn) 實 的 自 動 駕 駛 仿 真 系 統(tǒng) AADS，通過模擬交通流來增強現(xiàn)實世界圖像，進而創(chuàng)建逼真的仿真場景。

百度開放了自動駕駛數(shù)據(jù)集ApolloScape，目前已經(jīng)開放了14.7萬幀的像素級語義標注圖像，包括感知分類和路網(wǎng)數(shù)據(jù)等數(shù)十萬幀逐像素語義分割標注的高分辨率圖像數(shù)據(jù)，以及與其對應(yīng)的逐像素語義標注。”

騰訊：TAD Sim

騰訊于2018年發(fā)布仿真平臺 TAD Sim，這是一個結(jié)合專業(yè)的游戲引擎、工業(yè)級車輛動力學(xué)模型、虛實一體交通流等技術(shù)打造的虛實結(jié)合、線上線下一體的自動駕駛仿真平臺，可以實現(xiàn)場景的幾何還原、邏輯還原及物理還原。

TAD Sim 還支持云端運行，包括場景型云仿真和虛擬城市型云仿真兩種模式。城市型云仿真既可以實現(xiàn)加速仿真，也可以實現(xiàn)高并發(fā)仿真，滿足真實世界中各種場景和駕駛的可能性，加速企業(yè)自動駕駛測試進程。場景庫中有超過 1000 種場景類型，具備每日1000 萬公里以上的測試能力。 這些科技巨頭做仿真平臺，更多的基于其已有的渲染能力、云計算等優(yōu)勢去構(gòu)建自動駕駛仿真流程，他們更重視云端并行仿真，對場景庫也更為重視，也更加有意識地打通上下游各個環(huán)節(jié)，將自動駕駛系統(tǒng)的測試驗證向前推進了一步。

2.仿真的痛點

（1）仿真軟件：既要懂仿真，也要懂汽車

作為自動駕駛開發(fā)鏈路中的一環(huán)，仿真需要和其他環(huán)節(jié)有機地結(jié)合在一起。

傳統(tǒng)仿真軟件，雖然在某些領(lǐng)域很專業(yè)，但和上下游鏈路打通時就很麻煩。

比如，對路測中發(fā)現(xiàn)的問題，開發(fā)者們當然希望將該場景納入仿真場景庫，后續(xù)可以做回歸測試，而很多傳統(tǒng)軟件是不支持這一功能的，只能自己手動去建場景庫，手動建場景庫的效率很低，一天也建不了幾個。

比如，有些傳統(tǒng)仿真軟件只能在WINDOWS環(huán)境運行，而現(xiàn)在自動駕駛開發(fā)的環(huán)境都是在Ubuntu環(huán)境下。

再比如，傳統(tǒng)仿真軟件的云端并行仿真功能兼容性不好，有些是最近版本才開始兼容云端仿真。據(jù)某業(yè)內(nèi)專家透露，因為傳統(tǒng)仿真軟件是賣License的，幾臺電腦裝這個軟件就賣幾個License。

隨著云端并行仿真發(fā)揮越來越大的作用，按照服務(wù)收費的SaaS模式對客戶顯然更加友好，也是后續(xù)的發(fā)展趨勢，傳統(tǒng)仿真軟件賣License的模式也需要隨之調(diào)整。

云端并行仿真無疑能大大提升自動駕駛開發(fā)效率，華為、百度、騰訊等巨頭的仿真平臺可以無縫銜接他們的云平臺，初創(chuàng)公司51WORLD 的產(chǎn)品也支持并行仿真并支持部署在私有云和公有云上。

而生態(tài)型巨頭們除了提供仿真軟件外，還把仿真平臺和其他工具鏈打通，融入到他們的全棧解決方案中。比如“華為八爪魚”提供了云端一站式的仿真評測工具鏈，實現(xiàn)自動駕駛領(lǐng)域的DevOps，從代碼倉庫接入、版本管理，到仿真、評測，可以實現(xiàn)自動化閉環(huán)。這樣，車企使用起來，上手更容易，適配成本也更低。

不過這些巨頭們也面臨一個不小的挑戰(zhàn)，那就是由于對車輛動力學(xué)模型、汽車核心零部件等硬件方面缺乏足夠的積累，這些公司需要通過自研或合作補齊相關(guān)的能力。如百度選擇自研車輛動力學(xué)模型，Apollo 5.0新增了車輛動力學(xué)模型；“華為八爪魚”的仿真系統(tǒng)，則和VTD戰(zhàn)略合作，并嵌入了CarMaker的車輛動力學(xué)模型。據(jù)了解，華為與賽目科技也開始建立合作關(guān)系，將在自動駕駛預(yù)期功能安全（SOTIF）領(lǐng)域發(fā)力。

（2）場景庫是核心

在數(shù)據(jù)驅(qū)動的開發(fā)鏈路中，數(shù)據(jù)驅(qū)動相當于“題海戰(zhàn)術(shù)”，考官能做的就是出更多更難的題。在系統(tǒng)開發(fā)鏈路中，場景庫便相當于考官出的考題，來評價軟件好壞的標準，因此，場景庫的數(shù)量和質(zhì)量，直接決定了系統(tǒng)水平的高低。

場景庫一般有幾種來源：采購自第三方的場景庫，市面上能買到的第三方場景庫多以標準法規(guī)和專家的經(jīng)驗數(shù)據(jù)為主；針對場景去正向搭建場景庫，比如要做泊車功能，就針對泊車設(shè)計場景，比較費人力；針對路測中發(fā)現(xiàn)的接管事件或者Corner Case，反向生成場景庫，相當于考生根據(jù)之前錯題整理成了自己的“錯題本”。

除了這些場景庫外，車企還持續(xù)不斷地通過路測中遇到的Corner case來“擴建”自己的場景庫。針對這一需求，有些仿真軟件，如“華為八爪魚”，則提供了“一鍵將真實路測場景轉(zhuǎn)化為仿真場景”的功能，并且可以在此基礎(chǔ)上進行編輯泛化。比如，改變天氣環(huán)境、周邊環(huán)境、鏡像等手段去泛化出更多的場景，并且華為還提供了虛實混合仿真能力。

所謂虛實混合仿真，就是在云端構(gòu)建測試場景，再將其加載到車端運行，這樣車輛可以在空曠的道路上或封閉場地內(nèi)，模擬出各種虛擬場景，尤其是行人橫穿、非機動車CUT-IN等危險場景，這樣就可以測試自動駕駛算法和實車的車輛動力學(xué)性能，從而提升測試效率。

（3）仿真評價

仿真評價可能是整個仿真體系中最容易被忽略的部分。

仿真評價主要包括兩方面，一方面指當前測試是否可以判定為通過，另一方面指當前測試對應(yīng)的同場景實車測試的一致性、重復(fù)性如何。

如何評價系統(tǒng)能否順利通過一個場景庫的考試呢？考題也出了，考生也做完了，那如何進行“閱卷”，給自動駕駛軟件系統(tǒng)打KPI呢？

如果你是考官，你能想到的評價標準有哪些?目標點是否到達？是否安全行駛（沒有發(fā)生碰撞）？有沒有闖紅燈？是否急加速急減速？等等。

評價標準隨便一想就可以有很多，更讓人頭痛的是，不同場景對算法考察的側(cè)重點不同，很可能評價標準也是不一樣的。場景庫千奇百怪，評價標準自然也千差萬別。

但總體來說，可以將評價標準分為五大方面：標準匹配性（是否滿足標準法規(guī)）、駕駛安全性（是否足夠安全）、駕駛高效性（是否能夠足夠高效的到達目的地、燃油經(jīng)濟性）、駕駛舒適性（是否足夠舒適）和駕駛智能性（是否足夠智能）。

據(jù)業(yè)內(nèi)專家透露，每個在場景庫在搭建的時候都要“量身訂做”通過與否的評價標準。這個時候就需要仿真軟件提供多樣化的仿真評價標準了，如果不提供的話，相當于在某些方面無法考核到。

因此，各個仿真軟件也給客戶提前預(yù)定義了場景庫的評測標準，如“華為八爪魚”從安全性、舒適性、可靠性、人機交互體驗、可用性、合規(guī)性、能耗性和通行效率等維度，共開放了200項評價指標。據(jù)華為內(nèi)部人員透露，為讓仿真評價更靈活，后續(xù)還將支持由客戶自己定制開發(fā)仿真評價標準。

3.仿真軟件的標準化發(fā)展趨勢

上文說的仿真平臺和上下游工具鏈打通，都是縱向打通 ，業(yè)內(nèi)還有一個比較大的痛點，是橫向打通時，不同仿真軟件之間格式不能兼容。

同一家車企往往會同時使用幾種仿真軟件，比如可能既用Prescan，又用VTD，每個仿真軟件上都會積累一系列場景案例，但是不同的仿真軟件制作的場景案例庫，格式是相互不能兼容、文件不能通用的。

這其實是因為整個行業(yè)的標準化程度不夠。

為了解決這個問題，ASAM 發(fā)布的仿真領(lǐng)域標準 OpenX 得到了眾多車企、供應(yīng)商和科研機構(gòu)的認可，目前大多數(shù)仿真軟件也都開始支持OpenX標準。ASAM正在制定更多的標準。

ASAM仿真格式標準（引用自2020中國自動駕駛仿真藍皮書）

當下仍有部分仿真軟件目前不支持OpenX格式。據(jù)業(yè)內(nèi)人士透露：“某些仿真軟件公司想把所有的環(huán)節(jié)掌握在自己手里，讓自己具有不可替代性，讓客戶綁定在自己身上，想換也換不了。這也是以前一些做仿真測試的巨頭的慣用的手段。但車企肯定是不能接受的，他們非常不想被綁架，希望做到標準化，減少遷移成本。”畢竟不支持OpenX的還是少數(shù)，從整體來看，標準化是大勢所趨。相信隨著標準化的推進，不久后不同軟件之間的文件兼容將不再是問題。

4. 高精地圖，工具鏈不可或缺的一環(huán)

 大家都知道，現(xiàn)在很多L2+自動駕駛功能，都會使用高精地圖，尤其是對于L4自動駕駛，高精地圖將成為重要的基礎(chǔ)設(shè)施。而對于自動駕駛仿真來說，高精地圖也是不可或缺的重要環(huán)節(jié)。很多仿真場景的構(gòu)建，比如上文提到的路測場景轉(zhuǎn)化為仿真場景，以及虛實混合仿真都離不開高精地圖的支持。

（1）合規(guī)性問題

不過高精地圖也有很多痛點，首先要解決的是合規(guī)性問題。

目前國內(nèi)只有20多家企業(yè)有甲級測繪資質(zhì)，華為、阿里、騰訊、百度、小米、滴滴都擁有該資質(zhì)，車企中，上汽中海庭、吉利億咖通，以及近期收購智途科技的小鵬汽車，也都擁有甲級測繪資質(zhì)。

四維圖新執(zhí)行總裁白新平曾經(jīng)對媒體表示：“高精地圖必須是有資質(zhì)的企業(yè)參與，資質(zhì)關(guān)系到合規(guī)和安全，前期國家在這個領(lǐng)域監(jiān)管不是太嚴格，以后會越來越嚴”。

在這樣的背景下，車企的量產(chǎn)方案為了解決合規(guī)問題，就會紛紛選擇有資質(zhì)的地圖服務(wù)商合作。地圖服務(wù)商需要構(gòu)建高性能、高可靠、符合安全合規(guī)要求的基礎(chǔ)設(shè)施，能有效支撐海量地圖數(shù)據(jù)的安全存儲，還應(yīng)具備強大的算力資源以及智能算法，對路測數(shù)據(jù)進行數(shù)據(jù)脫敏與合規(guī)應(yīng)用的處理，同時系統(tǒng)還要有效支撐第三方合作伙伴開展智能駕駛開發(fā)以及地圖數(shù)據(jù)應(yīng)用服務(wù)。 

（2）復(fù)雜場景精度問題

 目前頭部地圖服務(wù)商已經(jīng)覆蓋了全國主要的高速公路和快速路，但地圖質(zhì)量仍不容樂觀，仍會有漏標和錯標的情況。

業(yè)內(nèi)人士告訴九章智駕，某頭部地圖服務(wù)商對高速路段的高精地圖覆蓋并不完整，尤其是對于進出高速的匝道以及收費站和服務(wù)區(qū)，會存在偏差或者覆蓋不到的情況。

而在和某車企的高精地圖負責人溝通時，該負責人告訴九章智駕，他們做L4 Robotaxi測試時，主要場景就是在城市道路，而這部分可以覆蓋的地圖服務(wù)商較少，而且質(zhì)量和更新頻率都不高，他們不得不自己采集和制作高精地圖。

因此高精地圖不僅要加強高快速路的覆蓋，也要重點解決城市通勤場景的覆蓋問題，提升復(fù)雜路況的精度。這樣才能提升高精地圖對自動駕駛的支撐作用，同時有效支持城市復(fù)雜場景的自動駕駛仿真和測試。 

（3）動態(tài)更新問題

高精地圖還需要解決動態(tài)更新的問題，否則，數(shù)據(jù)一旦失去時效性，非但無法有效支撐智能駕駛，還可能帶來安全隱患。

目前多位業(yè)內(nèi)人士分析認為，地圖眾包更新模式，因為從更新及時率和采集成本角度上更具優(yōu)勢，將會成為未來主流技術(shù)模式，針對該技術(shù)路線，國內(nèi)相關(guān)地圖服務(wù)商也在不斷探索，并開展了相關(guān)技術(shù)測試。地圖眾包更新，除了技術(shù)上面臨不少挑戰(zhàn)，例如數(shù)據(jù)來源多樣化，質(zhì)量參差不齊、采集要素標準未統(tǒng)一、云-端-車鏈路互通等問題，更面臨著國家法律法規(guī)方面的制約，這其中涉及敏感地理信息過濾、地圖數(shù)據(jù)加密、個人隱私泄露等風險，需要國家相關(guān)部門做進一步的統(tǒng)籌規(guī)劃。

事實上，解決高精地圖的動態(tài)更新是一個系統(tǒng)工程，需要多方資源、數(shù)據(jù)的匯聚和融合，以及云邊端的協(xié)同，未來將通過地圖服務(wù)商、智能網(wǎng)聯(lián)汽車、各類交通參與者、道路基礎(chǔ)設(shè)施、邊緣計算與云端協(xié)同，以及交通大數(shù)據(jù)、路政建設(shè)維護數(shù)據(jù)、道路運營企業(yè)等多方合作，實現(xiàn)高精地圖動態(tài)更新，提升高精地圖數(shù)據(jù)的鮮活度。

在筆者看來，高精地圖的制作和更新是一個浩大的工程，如果能形成統(tǒng)一的高精地圖要素標準，多方資源統(tǒng)籌協(xié)作，減少重復(fù)性工作，共同繪制全國一張圖，從而大大降低行業(yè)成本、提升行業(yè)效率和數(shù)據(jù)可靠性，減少數(shù)據(jù)安全風險，將是一大幸事。

四、上云 還是 不上云，這是一個問題

1.上云好處多

數(shù)據(jù)驅(qū)動的系統(tǒng)開發(fā)中，無論是海量數(shù)據(jù)的存儲、模型的訓(xùn)練還有并行仿真測試，都需要用到大量的IT資源。

業(yè)內(nèi)人士告訴《九章智駕》，自動駕駛系統(tǒng)開發(fā)時，會突然遇到一些突發(fā)性的算力需求，如模型訓(xùn)練，本地的算力無法滿足需求，而走流程采購新的服務(wù)器，審批流程可能動輒幾個月，很影響開發(fā)進度。而據(jù)了解，為了應(yīng)對該需求，某車企智能駕駛開發(fā)的子公司，在規(guī)劃新辦公樓時，把整整一層辦公樓規(guī)劃為機房。

不管是存儲還是訓(xùn)練，應(yīng)對這種突發(fā)的需求，其實有個非常好的辦法，就是——上云。

上云好處有很多，比如云端的開發(fā)環(huán)境兼容性好，快速彈性擴容能提升開發(fā)效率，在成本和數(shù)據(jù)安全性上也有好處。

相比自建機房，上云的好處

在新冠疫情特殊背景下，數(shù)字化轉(zhuǎn)型成了企業(yè)生存之道。為應(yīng)對疫情，企業(yè)要實現(xiàn)業(yè)務(wù)實時在線，將服務(wù)場景從線下搬到線上，就要數(shù)字化轉(zhuǎn)型，通過云會議、云采購、云銷售、云簽約等，將員工、客戶、服務(wù)和流程的全面在線化。

數(shù)字化發(fā)展程度越高，對企業(yè)發(fā)展越有利，IDC調(diào)研數(shù)據(jù)發(fā)現(xiàn)，數(shù)字化指數(shù)高的企業(yè)，生存能力甚至超過平均水平5倍多。 

業(yè)內(nèi)普遍認為，要實現(xiàn)數(shù)字化轉(zhuǎn)型，上云是必經(jīng)之路，甚至是第一步，“數(shù)字化必然要先上云”。

上云，更是建立自動駕駛數(shù)據(jù)閉環(huán)開發(fā)鏈路的必要選項。以“華為八爪魚”對Corner Case的優(yōu)化鏈路為例，在車端發(fā)生人工接管后，“華為八爪魚”自動觸發(fā)并在線反饋至云端，云端進行跟蹤回放并診斷確定原因，如果確認是自車責任（自身系統(tǒng)問題），那么數(shù)據(jù)采集服務(wù)會將接管前后的有效數(shù)據(jù)上傳至云端，并進入數(shù)據(jù)處理流程。

如果是感知環(huán)節(jié)需要優(yōu)化，則進行數(shù)據(jù)采集、清洗、標注，處理完后在云端進行感知模塊的訓(xùn)練；如果需要優(yōu)化規(guī)劃控制模塊，則將該問題場景一鍵轉(zhuǎn)化為仿真場景庫。優(yōu)化后的算法系統(tǒng)要并行仿真測試和回歸測試，若仿真評測也通過，則云端啟動OTA推送服務(wù)，對車端系統(tǒng)進行升級，如此一個完整的閉環(huán)便完成了。 

“華為八爪魚”數(shù)據(jù)閉環(huán)鏈路

云，更是自動駕駛從開發(fā)測試階段到商業(yè)化的必經(jīng)之路。

目前，大多數(shù)車企還是以開發(fā)測試為主，測試車輛數(shù)量幾臺、幾十臺不等，但是隨著測試車輛越來越多，到后續(xù)量產(chǎn)后的成千上萬臺，每天產(chǎn)生的數(shù)據(jù)量也將由百/千TB的量級提升到10PB級，訓(xùn)練和并行仿真所需要的GPU算力也會從幾十個擴展到到上千個，屆時上云的需求會變得越來越迫切。

了解完上云的好處，我們再來看下稍微了解下云計算的分類。云一般分為三類：公有云、私有云和混合云。

公有云是非用戶所有的基礎(chǔ)架構(gòu)構(gòu)建的，可以分配給多個租戶使用的云，平時最常說的上云，就是指的是公有云，常見的公有云服務(wù)商有亞馬遜AWS、阿里云、華為云和騰訊云等。

私有云一般是指為單個客戶創(chuàng)建的，訪問權(quán)限歸該客戶專有，客戶可以選擇在自己的機房搭建（私有化部署），也可以選擇在云服務(wù)商的機房內(nèi)進行托管服務(wù)（托管私有云）。

混合云一般可以被看做是私有云和公有云的二者結(jié)合體，或者采用不同服務(wù)商的公有云。

一般認為，公共云可以快速擴容，更適合需求量大或存在波動的工作負載，而私有云要擴容，則要購買或租借新的硬件和資源，要復(fù)雜的多。在自動駕駛開發(fā)過程中，一方面隨著車輛數(shù)的增多，存儲的需求量會指數(shù)級上升，另一方面開發(fā)中也經(jīng)常會有突發(fā)的大算力需求（云端訓(xùn)練或并行仿真等），面對這樣的需求，公有云會更合適一些。

從云計算的發(fā)展趨勢來看，公有云市場占比逐年提升，私有云占比逐年下降。艾媒咨詢數(shù)據(jù)顯示，2020年中國云計算市場，公有云規(guī)模在2019年超過了私有云，成為了第一的主要市場。

2.數(shù)據(jù)安全的隱憂

在和《九章智駕》溝通時，車企人員在認可公有云的好處的同時，也提出了擔心——數(shù)據(jù)安全，“我的數(shù)據(jù)放在公有云上，會不會被別人盜用？”一位車企人員這樣說。

正是因為有這樣的擔憂，很多車企會選擇自建服務(wù)器，或者選擇私有云；部分車企會選擇混合云，即企業(yè)只將一部分不涉及到數(shù)據(jù)安全和數(shù)據(jù)隱私的服務(wù)運行在公有云上，而將其他服務(wù)運行在私有云里。

一些頭部車企和造車新勢力，雖然選擇公有云，但在選擇公有云服務(wù)商時選擇和自己存在股權(quán)關(guān)系的服務(wù)商，“畢竟是自己人，不用擔心數(shù)據(jù)安全”，他們這樣解釋。

信任的基礎(chǔ)是相互之間的了解、熟悉。很多時候，不信任，就是因為不了解，比如上云。

對于上云的企業(yè)而言，其云上數(shù)據(jù)被妥善地保護，是其最重要也是最基礎(chǔ)的安全需求，這也是云服務(wù)商贏得客戶信任的“生命線”。

根據(jù)《阿里巴巴經(jīng)濟體云原生實踐》內(nèi)的介紹，客戶對數(shù)據(jù)安全的要求，可以用信息安全基本三要素 "CIA"來概括，即機密性（Confidentiality）、完整性（Integrity）和可用性（Availability）。

機密性專指受保護數(shù)據(jù)只可以被合法的（或預(yù)期的）用戶可訪問，其主要實現(xiàn)手段包括數(shù)據(jù)的訪問控制、數(shù)據(jù)防泄露、數(shù)據(jù)加密和密鑰管理等手段；

完整性是保證只有合法的（或預(yù)期的）用戶才能修改數(shù)據(jù)，主要通過訪問控制來實現(xiàn)，同時在數(shù)據(jù)的傳輸和存儲中可以通過校驗算法來保證用戶數(shù)據(jù)的完整性；

數(shù)據(jù)的可用性主要體現(xiàn)在云上環(huán)境整體的安全能力、容災(zāi)能力、可靠度，以及云上各個相關(guān)系統(tǒng)（存儲系統(tǒng)、網(wǎng)絡(luò)通路、身份驗證機制和權(quán)限校驗機制等等）的正常工作保障。

在這三方面中，保障機密性（Confidentiality）的最主要的技術(shù)手段就是數(shù)據(jù)加密，而且是全鏈路的數(shù)據(jù)加密能力。

“全鏈路加密”指的是端到端的數(shù)據(jù)加密保護能力，也是數(shù)據(jù)全生命周期的加密，主要指的是從云下到云上和云上單元之間的傳輸過程、到數(shù)據(jù)在應(yīng)用運行時的計算過程（處理/交換），和到數(shù)據(jù)最終被持久化落盤的存儲過程中的加密能力。

整體來說，數(shù)據(jù)加密操作流程是明文數(shù)據(jù)經(jīng)由國際國內(nèi)公認的安全算法計算得出數(shù)據(jù)密文。在加密操作中，被安全保護和管理的密鑰是加密保護的充分而必要的條件。換言之，控制了密鑰，也就控制了整體加密操作的主動權(quán)。由于用戶自帶主密鑰為用戶資源，而任何調(diào)用需通過用戶授權(quán)，用戶對于加密后數(shù)據(jù)的使用有了完全自主的控制權(quán)和主動權(quán)。同時，任何對于用戶資源的調(diào)用都會在日志審計中完整的顯示出來，因此加密后數(shù)據(jù)的云上使用透明性也有了更好的保障。

數(shù)據(jù)安全的生命周期，摘自阿里巴巴經(jīng)濟體云原生實踐 諸多業(yè)內(nèi)人士在和《九章智駕》交流的時候，也提到了一點：誰能保證云服務(wù)商內(nèi)部員工或者運維人員不會利用自己的權(quán)限去偷偷的使用我的數(shù)據(jù)？  

這其實涉及到合規(guī)，需要通過內(nèi)部流程來保證，而該內(nèi)部流程往往通過權(quán)威第三方的合規(guī)認證來確認。其中目前國際上最權(quán)威、最被廣泛接受和應(yīng)用的信息安全體系認證是ISO27001，在各大云服務(wù)商的官網(wǎng)上也都能查到各自通過的合規(guī)認證。

外部的合規(guī)認證還要落實到內(nèi)部的執(zhí)行，以華為為例，其內(nèi)部從開發(fā)到管理的安全紅線都有一系列規(guī)定，一旦有人違反，處置很嚴格，動輒降職、處分、警告，甚至開除等。在聊到合規(guī)問題時，該華為內(nèi)部人士還開玩笑說，美國在開始制裁華為之后，一直傾全力在全球范圍找華為“不合規(guī)”的“實錘”證據(jù)，結(jié)果兩年多了也沒找到，這也從側(cè)面證明了華為在合規(guī)性方面做得有多嚴格，前段時間華為智能車云服務(wù)還通過了ASPICE L2第三方認證和大眾集團APSICE(KGAS) PN（潛在供應(yīng)商）審核，這也說明華為智能車云服務(wù)的研發(fā)質(zhì)量和開發(fā)流程已經(jīng)被國際主流汽車廠商所認可。

也許，從商業(yè)邏輯上來理解會更容易一些。對云服務(wù)商來說，客戶的數(shù)據(jù)安全就是命根子，客戶把命交給你，一旦出現(xiàn)問題，這份信任就不復(fù)存在了，也就失去了商業(yè)上的立足點了。而且從云計算本身的架構(gòu)來說，云上的數(shù)據(jù)也會更安全：一方面云服務(wù)商會做異地容災(zāi)的數(shù)據(jù)備份（防止火災(zāi)等自然災(zāi)害導(dǎo)致數(shù)據(jù)丟失），另一方面安全保護等級上也更高（更多的安全人才，采取更多的安全措施）。

雖然對車企來說，上云是大勢所趨，但也不會一蹴而就，車企對公有云的理解和接受，需要一個過程。

某公有云市場推廣人員告訴《九章智駕》，相對來說，互聯(lián)網(wǎng)背景的自動駕駛公司和外資車企更愿意上云，傳統(tǒng)車企，尤其是國企，在數(shù)據(jù)方面的擔心會更多一些。

從云計算的行業(yè)發(fā)展趨勢上看，不同行業(yè)對云的認識程度不同，云計算的滲透率也不同，根據(jù)Frost & Sullivan數(shù)據(jù)顯示，當前中國云計算的主要用戶集中在對云接觸比較早的互聯(lián)網(wǎng)、金融、政府等領(lǐng)域，其中，互聯(lián)網(wǎng)相關(guān)行業(yè)占比約三分之一，政務(wù)云目前占比約為29%，交通物流、制造等傳統(tǒng)行業(yè)云計算應(yīng)用水平正在快速提高。相信接下來，隨著車企對云計算的認識加深和數(shù)字化轉(zhuǎn)型的進程加快，對上云的接受度也會越來越高。在不久的將來，上不上云，或許也不再是一個問題。

五、工具鏈的發(fā)展趨勢

1.高效：端到端

當前車企在開發(fā)自動駕駛系統(tǒng)中，最大的痛點是，工具鏈的相互分割和數(shù)據(jù)孤島。

傳統(tǒng)工具鏈公司和初創(chuàng)公司往往聚焦于工具鏈的某一個環(huán)節(jié)，比如做仿真的就做仿真，做標注的就做標注，而車企在使用時，每一部分是作為整個開發(fā)工具鏈中的一環(huán)來串聯(lián)使用的，如果只聚焦于中間的某個環(huán)節(jié)，難免就會與其他環(huán)節(jié)“錯位”。

并且，當前工具鏈缺少行業(yè)規(guī)范，每一家的差別很大，客戶不得不花大量的時間去適配，所以車企希望能由一家供應(yīng)商將工具鏈的多個環(huán)節(jié)打通，減少自己的適配成本。也正是看到這個機會，科技巨頭們紛紛攜“工具鏈生態(tài)”入局，提供了全棧的工具鏈。

下面就盤點下科技巨頭的生態(tài)：

（1）英偉達：基于芯片的生態(tài)

芯片巨頭英偉達已圍繞車端、桌面端、云端構(gòu)建了GPU硬件統(tǒng)一架構(gòu)和CUDA軟件架構(gòu)，開發(fā)者可以用很簡單的指令調(diào)用復(fù)雜的深度學(xué)習(xí)模型。《九章智駕》在和業(yè)內(nèi)專家交流中得知，他們選擇英偉達很重要的原因在于，英偉達擁有穩(wěn)定的工具鏈和豐富的軟件生態(tài)。成熟工具鏈的好處在于，如果出了問題，可以快速定位到問題出在哪。

2017年，英偉達發(fā)布了自動駕駛平臺NVIDIA DRIVE ，該平臺上還搭配了自研的軟件架構(gòu)Drive AV 和 Drive IX。NVIDIA DRIVE 平臺的車載智能駕駛控制器。目前上市的有 Xavier 系列，最新 Orin  計劃2022年量產(chǎn)上車，并能達到 ISO 26262 ASIL-D 的功能安全標準。

在仿真領(lǐng)域，英偉達于 2018 年 推出Drive Constellation 仿真系統(tǒng)和Drive Sim。2019年，英偉達還展示了其高精定位方案 DRIVE Localization，此外，英偉達還在規(guī)劃高精地圖眾包方案NVIDIA MapWorks 。目前，英偉達已經(jīng)和奔馳、奧迪、豐田、沃爾沃、博世、大陸等公司建立了自動駕駛研發(fā)合作。

（2）華為：云管端芯組合的開放生態(tài)

華為堅持“不造車，聚焦ICT技術(shù)，幫助車企造好車”的戰(zhàn)略，在芯片、云、軟硬件、工具鏈和高精地圖等多方面發(fā)力，打“組合拳”，形成開放的生態(tài)。

華為智能駕駛計算平臺MDC集成了華為自研的CPU、AI芯片和其他控制芯片，并通過底層的軟硬件一體化調(diào)優(yōu)，使整體性能方面達到業(yè)界領(lǐng)先水平。此外，華為MDC也有完整的測試平臺和工具鏈，為MDC的開發(fā)提供了全棧解決方案。MDC平臺硬件上運行著智能駕駛操作系統(tǒng)AOS/VOS和MDC Core。也就是說，MDC擁有車規(guī)級的軟硬件，方便車企的量產(chǎn)車型選用。

MDC整體架構(gòu)圖-來自華為MDC白皮書 

在自動駕駛開發(fā)工具鏈領(lǐng)域，華為推出了自動駕駛云服務(wù)。此外，華為還推出了車聯(lián)網(wǎng)云服務(wù)（智能駕駛、智能座艙數(shù)據(jù)采集與存儲）和三電云服務(wù)（三電系統(tǒng)的云端管控）和高精地圖云服務(wù)。除了這些，華為還“軟硬兼施”，布局了自動駕駛傳感器。 

（3）百度：阿波羅開放平臺

2017年，百度發(fā)布了無人駕駛開放平臺阿波羅，向汽車行業(yè)及自動駕駛領(lǐng)域的合作伙伴提供一個開放、完整、安全的軟體平臺，阿波羅平臺是一套完整的軟硬件和服務(wù)系統(tǒng)，包括車輛平臺、硬體平臺、軟體平臺、云端數(shù)據(jù)服務(wù)等四大部分，可以幫合作伙伴結(jié)合車輛和硬體系統(tǒng)，快速搭建一套屬于自己的自動駕駛系統(tǒng)。

后續(xù)阿波羅持續(xù)升級，分別開放了限定區(qū)域視覺高速自動駕駛、自主泊車（Valet Parking）、無人作業(yè)小車（MicroCar）、自動接駁巴士（MiniBus）、復(fù)雜城市道路的自動駕駛等方案，并開始自建Robotaxi車隊，以“蘿卜快跑”品牌在各地進行測試運營。

值得一提的是，Apollo發(fā)布了中間件Cyber RT，提升了自動駕駛系統(tǒng)的安全性。

Apollo生態(tài)開發(fā)者提供基于云端的系統(tǒng)仿真服務(wù)和增強現(xiàn)實的自動駕駛仿真系統(tǒng) AADS。

2021年初，百度和吉利合資成立集度汽車，宣布下場造車，李彥宏公開表示“成立集度汽車的目的，就是把百度的自動駕駛技術(shù)、智能座艙技術(shù)推廣到市場”。 

（4）騰訊：全鏈路云服務(wù)和開發(fā)平臺

騰訊也在布局自動駕駛云生態(tài)的開發(fā)平臺。騰訊不造車，也不造傳感器，僅提供軟件和服務(wù)。

在車端，騰訊提供包含了感知、定位、規(guī)劃、決策、控制的的解決方案；在云端，基于云端存儲及算力支撐，騰訊構(gòu)建了數(shù)據(jù)采集管理、樣本標注、算法訓(xùn)練評測、診斷調(diào)試、云端仿真（仿真平臺 TAD Sim）、實車反饋閉環(huán)全流程云服務(wù)，提供支撐自動駕駛研發(fā)的全鏈路云服務(wù)和開發(fā)平臺。

騰訊自動駕駛業(yè)務(wù)布局和定位（引用自騰訊蘇奎峰的線上公開分享）

 

 全棧工具鏈對于效率的提升是很明顯的，尤其是可以快速搭建Pipeline。“華為八爪魚”內(nèi)部人員介紹道： 如果采用各家公司離散的工具鏈方案，光調(diào)試鏈路，可能要花幾個月的時間，而“華為八爪魚”，已經(jīng)針對整個鏈路做好了集成和適配，減少了重復(fù)工作，此外華為還提供給客戶一套參考算法，客戶可以在此基礎(chǔ)上調(diào)試優(yōu)化，大大降低了上手的難度，最快只需要幾天就可以跑通整個完整鏈路，效率很高。

2.開放：各模塊解耦

很多車企之所以會選擇自研工具鏈，一方面是出于效率考慮，另一方面還出于“安全”的考慮，車企還想延續(xù)自己過去在生態(tài)中的掌控地位，而本能地不喜歡潛在的被“卡脖子”的風險，所以往往喜歡和工具鏈上的小公司合作。

在開放性上，不同的科技巨頭策略也不盡相同，據(jù)某車廠自動駕駛開發(fā)人員透露，某企業(yè)自動駕駛開發(fā)平臺的生態(tài)是不解耦的，“如果要選用，就必須‘全盤接受’，不接受單模塊使用”，籍此來深度綁定客戶；而華為選擇了另一條路——各模塊解耦。

據(jù)華為內(nèi)部人員介紹，“華為八爪魚”的工具鏈分為數(shù)據(jù)、訓(xùn)練、仿真、監(jiān)管四部分，這四部分完全開放解耦、不綁定，客戶隨時可以替換。 

3.合作方式更靈活

對車企來說，如果已有的技術(shù)儲備不能支持量產(chǎn)方案，要量產(chǎn)就只能外購，這似乎和自研的策略產(chǎn)生了沖突。

在和《九章智駕》交流時，車企開發(fā)人員給出的答案出奇的一致：一方面，量產(chǎn)車裝的是外采的ADAS解決方案，由于是黑盒采購，供應(yīng)商并不開放任何數(shù)據(jù)，但是為了整車的競爭力和銷量，車企只能容忍下這“眼前的茍且”；另一方面，車企們同時投入大量人力物力在自研L2+方案上，“一旦自研方案成熟，就會逐步替換上車”，于是自研成了“詩和遠方”。

考慮到車企客戶的這些訴求，“華為八爪魚”提供給客戶多種合作方案，華為內(nèi)部人員介紹道：“第一種方案，華為負責開發(fā)并提供完整量產(chǎn)解決方案；第二種方案，華為負責開發(fā)，客戶可自由配置部分參數(shù)；第三種方案，華為提供自動駕駛開發(fā)工具鏈，客戶自研，華為提供全套售后開發(fā)咨詢服務(wù)。” 

六、總結(jié)

 本文從自動駕駛開發(fā)工具鏈的角度分析了行業(yè)現(xiàn)狀和發(fā)展趨勢。

當前自動駕駛開發(fā)工具鏈行業(yè)發(fā)展仍不成熟，非標準化和信息孤島現(xiàn)象比較嚴重，頭部的自動駕駛團隊為了開發(fā)效率，不得不各自“造輪子”。

不過，隨著眾多工具鏈新玩家的進入，整體行業(yè)在朝著成熟發(fā)展，后續(xù)工具鏈會逐漸開放、標準、規(guī)范。尤其是像華為、英偉達等巨頭攜生態(tài)入局，打通了整個開發(fā)鏈路，給行業(yè)帶來了范例，促進了行業(yè)發(fā)展，用華為內(nèi)部人員的話說，這么做是在“拉著中國的自動駕駛產(chǎn)業(yè)，不停地往前跑”。

自動駕駛上云是大趨勢，隨著高等級自動駕駛，正逐漸從技術(shù)研究階段向規(guī)模商用階段演進，除了對存儲、算力等資源的要求，還對基礎(chǔ)設(shè)施服務(wù)的高可靠性、安全性以及可拓展性提出了嚴苛的要求。

傳統(tǒng)的數(shù)據(jù)中心建設(shè)模式將為自動駕駛開發(fā)企業(yè)帶來巨大的建設(shè)成本和運營維護壓力。而公有云通過對多元算力的支持，可滿足自動駕駛開發(fā)過程中，模型訓(xùn)練和并行仿真對海量基礎(chǔ)設(shè)施資源極致算力、安全可靠和彈性靈活的業(yè)務(wù)需求，進而實現(xiàn)自動駕駛算法的敏捷開發(fā)與迭代。因此，盡管當前多數(shù)企業(yè)對公有云的方式還心存疑慮，不過相信隨著整個自動駕駛行業(yè)的快速發(fā)展，以及對公有云認識的持續(xù)加深，這種服務(wù)模式將會得到進一步推廣。

 參考文章：

1. 黃?。喝绾未蛟熳詣玉{駛的數(shù)據(jù)閉環(huán)https://zhuanlan.zhihu.com/p/391629735
2. 泛亞陸健翔：為什么各大互聯(lián)網(wǎng)公司都要造車？https://mp.weixin.qq.com/s/R0mHyblCCv1AMHny6go8-A
3. 陳黎明：自動駕駛的挑戰(zhàn)和博世的量產(chǎn)之路https://www.163.com/dy/article/FKAIHV8705279HKB.html
4. 云服務(wù)有哪些類型？盤點云計算的概念，分類和特點 https://www.redhat.com/zh/topics/cloud-computing/public-cloud-vs-private-cloud-and-hybrid-cloud
5. 自動駕駛行業(yè)觀察 | 騰訊自動駕駛的布局與核心競爭力  https://zhuanlan.zhihu.com/p/132423330
6. 深度揭密：華為自動駕駛云服務(wù)Octopus，一只八爪魚的前世今生https://mp.weixin.qq.com/s/UXQDQnnJNb-dsc0nfDJHFw