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