自動駕駛數據“上云”已成大勢所趨，那下一步是什么？
眼下，自動駕駛行業已經進入商業落地的下半場，路面上搭載各級別自動駕駛系統的車輛也是越來越多。
對于車企們來說，落地交付不僅是對其多年潛心研發的一個認可，更要面臨量產所帶來的龐大數據量的挑戰，而當下僅憑新建機房顯然并不劃算，數據存儲“上云”也就成為不二之選。
自動駕駛車企面臨巨大數據壓力
但隨著自動駕駛行業越來越“卷”，車企對云的需求已不滿足于僅數據存儲本身，像是感知模型訓練、仿真測試、研發工具鏈等對智能汽車云的需求也是越來越旺。
所以在這個時間節點，自動駕駛數據“上云”已經可以算是最低要求，自動駕駛研發“入云”才是關鍵。
那么，車企們眼前對云最大的需求是什么？云服務又如何助力自動駕駛開發？智能車云未來該向何處發展？
近日，安永（中國）企業咨詢有限公司（下簡稱“安永”）與華為智能汽車解決方案BU合作撰寫并發布了《從“上云“到“入云”，云服務賦能汽車產業智能網聯升級——智能汽車云服務白皮書》（以下簡稱《白皮書》）。
該《白皮書》也是第一本云服務應用在汽車行業智能汽車時代，核心業務核心應用上的白皮書。書中對目前自動駕駛開發、車聯網等智能車云服務應用場景進行了詳細解讀。
對此，車東西從這本《白皮書》中找到了上述問題的答案。
一、自動駕駛要落地 數據“上云”只是第一步
如果把自動駕駛行業發展分成上下半場，那么上半場就是從零到一的開發驗證階段，而下半場就是從一到多的商業落地階段。
在上半場競爭中，車企們比拼的是誰家自動駕駛系統算法更高效，誰的接管率更低。而在下半場中，比拼的是誰交付規模最大、實際使用里程最多。
畢竟，實踐是檢驗真理的唯一標準，自動駕駛也是同理。當下，各級別自動駕駛車輛越來越多，可行駛測試范圍越來越廣，應用場景也越來越豐富。
對于車企來說，“車多路廣”固然是好事，但隨之產生的海量數據就成為一件新“頭疼事”。
通常來說，在自動駕駛研發階段，如果按照10輛測試車，每年累計采集天數300天估算，單車每天可以產生10TB左右的數據量，每年產生的數據總量達到30PB左右。
而在商業落地階段，雖然車輛不會像測試車那樣沒日沒夜地跑，但車輛總數卻呈指數級上漲。如果按照10萬輛車，每年累計采集天數300天估算，那么未來車企所面臨的數據總量將會達到ZB級。
這里簡單介紹一下PB級和ZB級間的換算關系，1ZB=1024EB，1EB=1024PB，而用我們熟悉的TB單位來換算，1ZB約等于10億TB。車企們所面臨的數據壓力可想而知。
商用階段數據量將達ZB量級（圖片取自白皮書正文）
現階段，無論是從建設、運維成本還是信息安全來說，通過新建或擴容機房的方式顯然已經跟不上數據增長的速度。
“傳統的數據中心已經不能適應自動駕駛商用化的要求，“上云”是自動駕駛從開發到商用的必由之路。”某高科技公司智能車云服務產品部總經理說道。
由此可見，在自動駕駛商業落地下半場中，數據“上云”也就成為車企們的一大剛需，也成為決定其能否實現快速迭代的重要因素。
但是，海量數據不僅帶來了存儲難題，如何高效利用和處理又是另一大難題。
所以，數據“上云”只是第一步，而智能汽車云之于自動駕駛的意義也絕不是僅僅停留在滿足數據存儲本身。
二、感知模型怎么練 數據標注“入云”是關鍵
上文提到，自動駕駛行業正處于商業落地的下半場，各家表面上拼的是落地，是規模，是里程，但背后其實拼的是快速迭代能力、解決Corner Case能力。
也就是說，自動駕駛車輛的落地商用離不開持續而高效的算法迭代。
對自動駕駛算法迭代而言，感知模型訓練和仿真測試又是重中之重，前者直接關乎自動駕駛系統的安全性，而后者決定了自動駕駛系統能否實現快速迭代。
但根據部分車企的研發人員反饋，感知模型訓練和仿真測試卻也是整個自動駕駛研發過程中的兩大痛點。
自動駕駛相關高頻痛點場景（圖片取自白皮書正文）
首先是感知模型訓練。眾所周知，自動駕駛系統在感知層面與人類駕駛員類似，都是通過各種傳感器對外部環境進行感知，前者靠攝像頭、激光雷達、毫米波雷達，人類駕駛員靠的是眼睛、耳朵甚至是鼻子。
并且，對于自動駕駛系統和人類駕駛員來說，都是看到相對容易，辨別是什么更難。
自動駕駛感知方案
所以，感知模型訓練就成為自動駕駛研發過程中最基礎的一部分也是最重要的一部分。
畢竟只有看清了，認出是什么了，才能進行規劃和決策。
具體來說，感知模型訓練按照流程可以劃分為五大環節，分別為數據存儲、數據預處理、難例挖掘、數據標注以及模型訓練。
自動駕駛研發關鍵控制點
而在這五大環節中，數據標注又是最耗時耗力的一環，讓一眾車企直呼“頭疼”。
數據標注是指通過人工以及智能化工具，對傳感器所捕捉的圖像、視頻、路牌文本等各類別信息進行目標檢測和識別。簡單來說，數據標注就是把圖像（點云、相機）中的信息逐一標出來，是一個簡單但對精度、效率要求極高的工作。
數據標注
所以，當人類在處理這項工作時，就難免會出現數據篩選耗時、人工標注返工率高、數據格式不統一等問題，也就使得整體標注效率比較低。而國外某自動駕駛車企也曾為了提升數據標注效率，因此減少人工標注的比例。
既然人工效率低，那么用AI進行數據標注呢？
通過AI對數據進行標注，雖然解決了人工的效率問題，但是數據積累的深度、廣度都會直接限制及影響AI的學習能力，且基礎算法模型的算力亦難以承擔日益增長的數據量。
所以，像自動駕駛感知模型這種訓練數據體量大、算法精度要求高、訓練效率要求快的工作，就更適合采用汽車云服務進行數據處理。
相較于人工與本地AI訓練的數據處理能力，汽車云服務憑借超強算力、高效精準的智能化策略優勢，可以有效緩解自動駕駛數據處理過程中出現的各類難題與挑戰。
《白皮書》提到高等級自動駕駛在港口、礦山等封閉場景中商用落地的節奏早于乘用車，而且汽車云服務也會在這些行業應用場景中發揮“云上大腦”的巨大價值。以礦區無人駕駛為例，汽車云服務對感知模型的訓練起到了至關重要的作用。
無人駕駛卡車在礦區內經常會遇到非結構化路面、隨機落石、異形車輛等情況，并且礦區還存在飛塵、揚土等惡劣環境。這對于自動駕駛系統研發來說，非常考驗數據標注的準確度和模型訓練的效率，而汽車云服務通過高效的數據處理、難例挖掘、自動標注、模型訓練等能力，可以快速幫助無人駕駛卡車適應礦區復雜的作業環境，降低接管率，提升無人化作業效率。
華為自動駕駛云服務可以通過從難例挖掘，到數據送標，再到增量訓練自動流水線，最終實現標注算法精度排名第一。
從數據上來說，本地AI訓練數據處理的效率較人工提升3～4倍，而依托云端的更高算力和更多的經驗積累，汽車云服務數據處理的綜合處理效率提升10倍以上，數據處理成本較人工降低50%。
自動駕駛研發數據處理發展歷程
綜上來看，在自動駕駛研發數據處理方面，汽車云服務的優勢正在逐漸凸顯。不僅可以有效識別高價值數據，優化存儲空間，加速難例挖掘，還可以深度學習實現自動標注能力提升，優化標注算法效率與精度，降低數據處理成本。
三、要想快速迭代 仿真測試需要云來幫
在解決了數據處理難題后，對于在自動駕駛持續投入的車企們來說，要想實現快速迭代，海量測試必不可少。
行業普遍觀點認為，自動駕駛系統至少需要100億英里（約合161億公里）的試駕數據，以確保車輛上路的行駛安全，但顯然僅憑測試車“沒日沒夜”地跑難以完成。
所以，仿真測試也就成為自動駕駛研發的重要環節，也是必經之路。
據統計，在仿真測試中，車企主要面臨四大挑戰，分別為場景庫覆蓋度不足，行業間格式互不兼容；仿真測試所涉里程數大，場景類別多且耗時長；仿真測試與實車路測偏差大，置信度低；仿真評價體系不完善，反饋效果差。
自動駕駛仿真測試體系
并且，仿真測試對技術團隊能力要求較高，要兼具多種交叉學科的專業技能，對業務融合程度的要求也更高一個層級，遠超自動駕駛研發的其他業務環節。
上述這些挑戰和問題，也就促發了仿真測試“入云”的迫切需求。那仿真汽車云又能解決什么問題呢？又是怎么解決問題的呢？
首先，仿真汽車云服務通過構建開放場景庫，幫助仿真場景庫更為標準與全面。其次，憑借云端大規模并行仿真的強大算力及高并發處理能力，將單線模式轉變成并發模式，支持多場景下同時完成多個仿真任務，大大提升了仿真效率。
而至于仿真測試與實車路測偏差大的問題，仿真汽車云服務可以集成計算機軟件、車輛動力工程、交通等多領域專業能力，從微觀到宏觀提高仿真測試逼真度。
最后，在仿真測試評價方面，汽車云服務基于汽車行業經驗并結合場景庫，能為仿真測試過程提供多維且全面的評價指標體系，支持不同車企、不同發展階段評價指標的定制化服務，加速仿真測試的算法迭代與場景庫優化。
所以總結來看，對于整個自動駕駛云服務來說，高質量的仿真測試體系就像皇冠上的明珠，極具代表性地體現出自動駕駛研發“入云”的價值。而在數據處理和仿真測試這兩大自動駕駛研發的關鍵控制點中，智能汽車云的作用已不可小覷。
對于涉足自動駕駛的車企來說，如今智能汽車云的重要性已經與傳感器、計算平臺、整車制造旗鼓相當，并已經成為在商業落地下半場中降本增效的秘密武器。
四、研發效率怎么提 工具鏈貫通是重點
當感知模型訓練和仿真測試的效率得到改善后，那么是否就意味著整個自動駕駛研發流程的效率可以整體提升呢？
答案是否定的。
舉例來說，某車企就曾在自動駕駛研發過程中，由于在不同階段使用的各項工具零散，數據處理格式不一，導致開發模型迭代需要2個月，效率低下且成本高。
這也就意味著，僅單一研發流程的效率提升，而沒有一個完整的自動駕駛研發工具鏈，并不能讓整體研發效率得到有效提升。
最后的結果很有可能是1+1
所以，對于車企來說，一個全棧端到端的自動駕駛研發工具鏈也就至關重要。
某汽車技術中心高級總監表示，傳統車企要從原本的車端的這種瀑布式的系統集成開發模式向云管端一體化的敏捷式場景集成開發模式轉型。
無獨有偶，云服務從底層處理能力上來說，更容易幫助自動駕駛研發工具鏈實現數據閉環，并構建一套覆蓋數據采集、存儲、處理、標注、模型訓練、仿真、評測等一系列自動化開發工具鏈。
而對于車企來說，當擁有了智能汽車云加持的研發工具鏈后，也就能夠全鏈打通的“端到端”開發流程，大幅降低開發成本，提升系統迭代和運維效率。
“端到端”工具鏈賦能自動駕駛研發過程降本增效
從數據來看，這種“端到端”的自動駕駛研發工具鏈可以幫助車企節省50%的綜合開發成本，提升60%的綜合運維效率。
結語：車企與云服務商正雙向奔赴
那么，除了可以在自動駕駛研發上面大顯身手外，智能汽車云服務還有什么應用場景呢？
其實，除了上述提到的3大場景外，智能汽車云服務已悄然在車輛全生命周期展開。
目前，在車輛全生命周期內共有9大汽車云服務的新增場景，以及21個更細維度的具體應用場景，具體包括研發、銷售、使用、售后服務、其他衍生服務等方面。
汽車云服務在智能網聯車的應用場景展望
總而言之，智能汽車云已經成為智能網聯汽車行業中不可或缺的一部分，正助力數據在業務應用中發揮出最大價值，并為車企在研發到商用的進程中降本增效。
而車企們也正與云廠商大踏步地走向業務層面合作的深水區，形式上逐漸形成雙向賦能的良好態勢，在智能網聯的升級道路上攜手并進。
“本次白皮書，安永與華為智能汽車解決方案BU共同合作，深入分析具有高云價值且呈現階躍式增長潛力的智能汽車云服務應用場景，從各場景的發展階段著手，探索相關玩家當前發展所面臨的挑戰，逐一剖析汽車云服務對于各領域的價值。在智能化、網聯化的大環境下，期望車企及智能網聯各玩家不僅能構筑屬于自己的差異化競爭優勢，更是可以加速開放合作，攜手共建盛世繁榮的汽車生態?！?/p>
——安永大中華區先進制造與移動出行主管合伙人 葉亮
“這本白皮書以訪談、調研、實踐為支撐，真實客觀、系統全面地闡述了云服務賦能智能網聯汽車的價值、場景，回答了大家所關注的需不需要云，哪里需要云的問題，對車企和車云服務商也提出了中肯的建議，是具有指導意義的。我們相信，隨著智能網聯汽車商業化規模上量，車云服務在自動駕駛、車聯網應用等領域帶來的價值將更為顯著，將為消費者提供更豐富的業務體驗?！?/p>
——華為智能車云領域總經理 廖振欽
版權聲明: 本文內容來源于網絡，該文觀點僅代表作者本人。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如發現本站有涉嫌抄襲侵權/違法違規的內容，請聯系我們，一經查實，本站將立刻刪除。
