自動運転開発ツールチェーンの現状と今後の動向について徹底解説

自動車業界の「インテリジェント」化の流れのもと、さまざまなL2レベルの運転支援機能が消費者を魅了する重要な構成となっていますが、一方で「ソフトウェア・デファインド・カー」の新時代では、自動運転はさらに重要であり、自動車会社の将来の発展に影響を与える重要な戦略となっています。

このような背景から、自動車会社は、独自の自動運転システムを開発すべきか?という質問に答える必要があります。

# まず、自動運転分野におけるいくつかの自動車会社のレイアウトを見てみましょう:

##自動車会社の自動運転レイアウトの棚卸し

##自社開発の自動運転システムが、また、自動運転の核心は「ソフトウェアとハ​​ードウェアのデカップリング」の観点からデータの価値を最大限に活用することであることに自動車会社も気づきました。一部の自動車メーカーは、自動運転を非常に重視しており、独立した子会社を設立しています。インテリジェント運転の開発に焦点を当て、自動運転ビジネスの発展とその後のビジネスの発展を促進します。例えば、第一汽車グループは人工知能子会社の一汽（南京）技術開発有限公司を設立し、長城汽車は好墨志興を設立し、上海汽車グループはソフトウェアセンターである上汽零書などを設立した。

01 自動運転開発プロセス - モデルベース設計からデータドリブンまで

しかし、自動運転システムを自社で開発するのは簡単ではありません。自動運転システムの開発プロセスとツールチェーンは特に複雑です。

従来の自動車ソフトウェア開発では、多くの ADAS 機能を含む V モデルが使用されており、これらもこのプロセスを使用して開発されています。詳細は下図をご参照ください、左側が設計・開発プロセス、右側がテスト・検証プロセスです。

#V モデル開発プロセス

V モデルの設計および開発プロセス左, 現段階では、開発プロセスは主に MBD (Model Based Design) に基づいています。ほとんどの要素 (モデル) は、MathWorks 製品 (MATLAB および Simulink) が提供する標準ツールボックスとブロック グループに基づいています。グラフィカル インターフェイス上モデルを構築し、コードを自動的に生成します。エンジニアが記述する必要のあるコード全体の量は多くなく、開発スピードが速く、開発コストも低くなります。

右側はテスト検証プロセス、つまり、MIL/SIL/PIL/などのさまざまな段階でさまざまなテスト方法を使用する X イン ザ ループ (X イン ザ ループ) です。 HIL/DIL/VIL およびその他のテスト方法。

L2 の比較的単純な ADAS 機能を含む従来の自動車ソフトウェア制御ロジックは、MBD を使用してニーズを満たすことができます。MBD はますます複雑になっており、以前の開発プロセスは MBD に基づいています。 MBDではちょっと物足りなくなってきました。

まず、自動運転機能がより複雑になると、ソフトウェアコードの量と機能の複雑さも数桁増加します。構造化ツールボックスとブロック グループ モデリングは単純な関数アルゴリズムを開発できますが、複雑な深層学習アルゴリズムに直面すると、MBD は柔軟性の点で多少限界があるように見えます。

第二に、人工知能産業は長年にわたって発展しており、アーキテクチャ、ツールチェーン、さまざまなオープンソース関数ライブラリなど、強力なエコシステムが形成されています。読者にとっては、プログラミングを使用して直接実装する方が、Mathworks でモデリングするよりもはるかに効率的です。

同時に、従来の自動車ソフトウェアは量産後も変更されなくなりますが、これは自動運転ソフトウェアでは非現実的です。自動運転の開発サイクルは長く、車両開発サイクル内の開発とテストの時間は決して十分ではありませんが、一方で、OTA によりソフトウェアの継続的なアップグレードが可能になるため、車両の寿命は長くなります。ソフトウェアのサイクルも延長され、深層学習によりモデルで表される自動運転アルゴリズムは、アルゴリズム システムを継続的に反復するための「燃料」としてロングテールの「コーナー ケース」データを継続的に収集する必要があります。

よく当たることわざがあります。「宇宙に行きたいなら、宇宙船を作らなければならない」。自動運転システムをより効率的に開発するために、業界の専門家は、ディープラーニングに基づく適切な自動運転開発プロセス、つまりデータ駆動型のエンドツーエンド開発プロセスを発見しました。

先進的な自動車会社とティア 1 も、ソフトウェア開発プロセスにおけるこの変化を長い間認識していました。

ボッシュ シャシー コントロール システムズ中国の社長、チェン リーミン氏はかつて公の場で次のように述べました。「自動運転には多くのシナリオが含まれており、従来の方法で継続することは不可能です。路上試験、特に自動運転の安全性を検証するためのデータ駆動型検証手法の使用は、安全性検証を達成するための V モデルとデータ駆動型の閉ループの組み合わせです。」

Pan Asia Technology Center の上級ディレクターである Lu Jianxiang 氏は、最近の World Intelligence Conference で次のように述べています。

もちろん、これは従来の MBD アプローチが完全に時代遅れだという意味ではありません。 V モデルの考え方は今でも非常に参考になります。たとえば、自動運転システムのテストで重要な役割を果たすシステム シミュレーションは、実際には SIL (ソフトウェア チェンジング) であり、MBD 開発手法は、その基礎となる論理アルゴリズムを使用します。車両制御アルゴリズムなどの自動車は引き続き で使用されます。

データ駆動型ソフトウェアの開発プロセスは、細部は各社異なりますが、大まかな考え方は同じで、基本的には「データ収集→データ保存→」という考え方になります。 > データ前処理 - > データ マイニング - > データ アノテーション - > モデル トレーニング - > シミュレーション テスト - > 導入とリリース。

Waymo のデータ閉ループ プラットフォーム、Huang Yu の Zhihu 記事より引用

上記のリンクで使用されるツールとプラットフォーム (データ収集、処理、注釈ツール、モデル トレーニング プラットフォーム、シミュレーション プラットフォーム、OTA ツール、およびその他の開発ツールを含むがこれらに限定されない) は、「ツール チェーン」と呼ばれます。ツールチェーンの効率は、システム開発全体の効率を決定します。

手順はそれほど多くないように見えますが、リンク全体は実際には非常に複雑です。

データ処理を例に挙げると、カメラ データ、ミリ波レーダー データ、LIDAR 点群データなど、さまざまな種類のデータが存在します。これらのデータは、最初にノイズを除去する必要があります。いわゆる「データクリーニング」です。写真を例に挙げると、データ処理では、まず写真の地理的位置情報を消去し、顔やナンバープレートなどの機密情報を削除し、その後フォーマットを統一してから処理を完了する必要があります。

データ処理が完了したら、次のステップはデータ アノテーションを開始することです。アノテーションの種類は、2D、3D対象物アノテーション、ジョイントアノテーション、車線境界線アノテーション、セマンティックセグメンテーションなどに大別され、アノテーションの具体的な仕様やアノテーションの品質検査プロセスも必要となり、非常に煩雑なプロセスとなります。

この複雑なプロセスのすべてのリンクには、対応するツールとプラットフォームのサポートが必要です。

すでに成熟したツールチェーンを備えた MBD 開発プロセスとは異なり、データ駆動型開発プロセスの開始が遅く、ツールチェーンの効率が高くないため、自動運転に問題が生じています。自動車会社の開発者は大変です。

データ駆動型、ソースはデータである 自動車会社は、膨大なデータ量があるにもかかわらず価値の高いデータが不足しているという問題に直面しており、活用できる経験があまりありません。

もちろん、自動車会社が異なれば、自動運転の分野での蓄積レベルも異なり、ツールチェーンで直面する問題も異なります。

一部の自動車会社は早期に事業を開始し、多額の投資を行っています。(データ駆動型の) パイプラインは完全に稼働しており、多くのデータが蓄積されています。さらに効率を向上させるために、多くのカスタマイズされた開発も行っています。ツールチェーン。ある自動車会社の開発者は「九張志家」に対し、さまざまな企業が提供する既存のツールチェーンは「分割開発」であるため、全体の状況に注意を払うのではなく、自社の機能部分のみに焦点を当てており、その結果、深刻な断片化が生じていると語った。そして「データアイランド」。自社の効率化ニーズを満たすためには、独自のツールチェーンを開発するか、エコシステム内でツールチェーンを提供してくれる企業を見つける必要があり、データアノテーションプラットフォームさえも自社で開発する必要があります。

この分野での経験があまり蓄積されていない自動車会社にとって、現段階でツールチェーンの開発に多くの人員を投資することは、あまり費用対効果が高くありません。は弱いですし、技術もそこまで発達していないですし、かといって人も本当に少ないです。リソース投資と技術基盤によって制限されているが、彼らは依然として既製のツールチェーンを統合し、できるだけ早く(データ駆動型の)パイプラインを実行したいと考えている。「ツールチェーンは当社の競争力ではない。要件定義、システム統合、機能テストは重要である」自動車会社のインテリジェント運転担当者は「9章インテリジェント運転」でこう語った。

各自動車会社の開発段階は異なりますが、類似点もあります。つまり、どの会社もツール チェーンの「断片化」という問題点を抱えています。次に、データ処理とシミュレーションの 2 つのリンクからそれぞれ開始し、ツールチェーンの現状と問題点を詳細に整理します。

02 データ処理: データドリブンの基礎

データドリブン、その核となるのはデータです。

従来のモデルベースの開発プロセスは、開発者の過去の経験に基づいてモデルを最適化することに重点を置いていますが、データ駆動型の最適化は大量のデータに基づいています。自動車会社にとって、データ駆動型の開発プロセスを確立するには、膨大なデータの処理方法を学ぶ必要があります。

データ処理は、データ収集、データ前処理、データ マイニング、データ アノテーションなど、開発チェーン全体の最初で最も複雑なリンクです。データはモデル全体のレベルを直接決定します。

下の図は、テスラの自動運転データ処理へのリンクを示しています。

#Tesla Autopilot データ処理プロセス (Huang Yu の Zhihu 記事から引用)

##データ関連のツール チェーンには、データ収集、データ アップロード、データ クリーニング、データ アノテーション、その他のリンクが含まれます。

1. データ収集: インテリジェンスは不可欠です

最初にデータ収集について話しましょう。

業界には、基本的なアルゴリズムのトレーニングに使用できるオープン ソース データ セットがいくつかあります。現在、最も一般的に使用されているデータ セットには、KITTI、nuScenes などが含まれます。これらのデータは海外の公開テストから得られたものであり、中国の地域特性を備えたデータセットはまだ比較的少数です。

# 自動運転用オープンソース データ セットの概要 (Zhihu の記事「自動運転用オープンソース データ セットの概要」を引用)

この場合、特定のシナリオに一致するようにアルゴリズムをトレーニングするには、そのシナリオのデータを収集する必要があります。十分で高品質なデータが収集された場合にのみ、フォローアップ プロセスを実装できますが、この最初のリンクに関しては、現在のツール チェーンの効率はあまり良くありません。

大手新車製造部門の従業員は、同社の自動運転データ収集トリガーとデータアップロード戦略ではその後の問題分析の要件を満たせないと「九張志家」に語った。たとえば、ユーザーが車を衝突させた後、返されたデータは使用できません。データの量が不完全であるか、収集頻度が正しくないため、開発者は問題のトラブルシューティングにおいて非常に非効率的になります。

一般的に、コーナーケースが異なれば、その後の分析には異なるデータ形式が必要になり、前後の異なる期間も必要になります。これは理解するのが簡単ですが、知覚や意思決定モジュールの問題、高精度地図のエラーなど、さまざまな理由によって引き起こされる乗っ取りでは、当然異なるデータが必要になります。一部の特殊なケースでも、カスタマイズされたデータ収集要件があり、テスターは路上テスト用の収集タスクを実行できます。

収集要件が複雑でリンクを開くのが難しいからこそ、実際には問題が発生した場合に自分でデータを収集することを選択するエンジニアもいます。

上記の問題を回避するために、一部の L4 Robotaxis 企業は、最も原始的な「ハードディスク コピー」方法を使用して全量のデータを送り返し、その後データ マイニングを行うことを選択しています。

このように、実験車両の台数が少ないうちは問題ありませんが、後続車両の台数が一定以上になると、自動運転によって収集されるデータ量はすぐに増えてしまいます。 PB 時代に入り、非常に「大量」 データを使用することで、価値のある小さなケースを真に見つけ出すことができ、まさに「干し草の山から針を見つける」ことができます。

自動運転に真に役立つ断片化されたデータを収集するには、よりインテリジェントなデータ収集戦略が必要です。

インテリジェントなデータ収集戦略とは何ですか?特定のシナリオのデータを収集するためです。

ファーウェイの社内スタッフが「九章スマート・ドライビング」と通信した際、「ファーウェイ・オクトパス」にはシーンをインテリジェントにラベル付けする機能があると述べました。「たとえば、人工知能が発生した場合、トンネル、ラウンドアバウト、保護されていない左折などを通過または遭遇するだけでなく、クラウドが学習のためにデータを積極的に収集および蓄積する必要がある高速三輪車などのシナリオでも、開発者は車両によって取得する必要がある写真をアップロードできます。クラウド経由で指示を出すと、車両が「写真ごとに検索」と同様の方法を採用し、類似シーンを自動で遮断することで、タグ付けされた「価値のある」データだけをフィルタリングしてアップロードするだけで済みます。 "

#2. データの注釈: アウトソーシングの傾向と高品質と低価格の追求

貴重なデータを見つけたら、データ クリーニングとデータ アノテーションを実行する必要があります。

ディープラーニングに基づく知覚モデルにおいて、ディープラーニングの学習手法は依然として教師あり学習が主流であり、この手法での学習には大量の「真の値」を学習者に「与える」必要があります。モデル.(Ground Truth)」のデータ。

では、これらの「真の価値」データはどこから来たのでしょうか?手動でマークされています。

そのため、業界では、人工知能とは「人工知能の数と同じだけの知能がある」ことを意味するとよく冗談を言います。大規模なデータへの注釈の需要により、新しい職業が誕生しました— 「人工知能トレーナー」。

この職業の名前は素敵に聞こえますが、実際には、データ アノテーションは本質的に労働集約的な産業です。十分に安価な労働力を獲得するために、企業は新疆、河南、山西省の特定地域に集まり、データアノテーション用の産業クラスターを形成した。

顧客（ラベル需要者）としては、ラベルの品質が十分であるかどうか、ラベルの価格が十分に安いかどうかが気になります。速いし、馬は草を食べません。」

まず第一に、モデルのトレーニングには、高品質のアノテーション付きデータが必要です。データの品質は、トレーニングされたモデルの精度に直接影響します。品質が高くないと、簡単に「ゴミが入ってしまいます」 、ゴミアウト」。アノテーションの品質はアノテーションのコストと密接に関係しており、経済発展途上地域の安価な労働力によるアノテーションの品質が開発者のニーズを満たせるかどうかは大きな問題です。

第 2 に、注釈を付ける必要があるデータの量は膨大です。たとえば、新しいビジュアル アルゴリズムでは、通常、トレーニング用に数万から数十万の注釈付き画像が必要です。最適化には、何千枚もの注釈付き画像も必要です。写真の需要、1 枚の写真の表示価格は若干異なりますが、数十万枚の写真の量を考慮すると、これは非常に大きな数になります。したがって、需要側は非常に大きな影響を受けます。価格に敏感。

ラベルの高品質化は人件費の増加につながり、低価格化はラベルの品質に影響を及ぼし、高品質と低価格は相容れない矛盾となっているようです。

自動車会社にとって、データアノテーションを行うために数十人を集める人件費は重すぎます。彼らは通常、プロのデータ アノテーション プラットフォームまたはデータ アノテーション チームにアウトソーシングすることを好みます。より有名なデータ アノテーション プラットフォームには、Baidu Zhongchai、JD Zhongzhi、My Neighbor Totoro Data、Datatang などが含まれます。

ただし、アウトソーシングも 2 つのカテゴリに分類されます。1 つ目のカテゴリは人間によるアウトソーシングです。つまり、注釈プラットフォームと注釈ツール自体を提供するもので、アウトソーシング会社は提供する必要があるだけです。アウトソーシングとは、アノテーションプラットフォームやアノテーションツール自体を提供するのではなく、アノテーションを付けるデータをアウトソーシング会社に直接提供し、アウトソーシング会社がアノテーションを付けたデータを提供することを意味します。

一部の自動車会社は、ラベリングの効率性について非常に高い要件を持っており、独自のラベリング プラットフォームとラベリング ツールを開発することを選択するため、人間によるアウトソーシングを選択しますが、他の自動車会社の場合は、独自のラベリング プラットフォームとラベリング ツールを開発することを選択します。アノテーション プラットフォームの開発は明らかにコスト効率が悪いです。一方で、アノテーション プラットフォームの開発には非常に多くのリソースを投資する必要があります。他方では、自社開発したアノテーション外部プラットフォームと比べて価格面でのメリットがないため、費用対効果が高くありません。

市場の需要の爆発的な増加により、データ アノテーション業界では多くの新興企業が出現しています。Data.forge もその 1 つです。その創設者兼 CEO の Yang Yang 氏は、「 「9 章のスマート ドライビング」: 顧客が最も懸念しているのは品質と価格の比率です。品質と価格の比率を向上させるために、補助アノテーションの自動化やアノテーション ツールの利便性の最適化など、多くの対策を講じてきました。会社の中核となる競争力。

ファーウェイの内部関係者が「9 章スマート ドライビング」でこれを紹介したとき、「ファーウェイ オクトパス」はデータ注釈サービスも提供していると述べました:

## 「まず第一に、『Huawei Octopus』は独自のプレアノテーションアルゴリズムの磨き上げに多くの時間を費やしてきました。現在、ファーウェイのプレアノテーションアルゴリズムの精度は最高レベルに達しています。それは、複数の国際公開データセットでテストされています。 nuScenes、COCO、KITTI などの自動運転。ランキングで 1 位を獲得した事前ラベル付けアルゴリズムにより、データの各フレームのラベル付けに必要な時間を大幅に短縮できます。

"2 番目に、ラベリングプラットフォームの運用を最適化するために、特定の業務オペレーションを組み合わせて、人間とコンピューターの対話方法を最適化し、スタッフの業務効率を向上させます。

「繰り返しになりますが、私たちはアノテーションの品質を保証するための成熟した管理システムを持っています。アノテーターがアノテーションを完了した後、アノテーターによる 3 段階の自己検査が行われます。品質検査官による検査と注釈管理者によるランダム検査を経て、品質検査プロセスを経て初めて顧客に納品される 他の注釈チームのほとんどが新疆、河南、山西省などに配置されているのとは異なり、ファーウェイの手動注釈チームは、は深センの Huawei 社のオフィス内にあります。その理由は、コミュニケーションと管理を容易にするため、注釈の品質もより確実に確保できるからです。

「最後に、ローカルのオープンソースデータセットが不十分であるという問題を解決するため、「Huawei Octopus」は顧客に増分データ注釈サービスを提供するだけでなく、2,000万個の注釈付きオブジェクトを顧客に提供することもでき、このデータセットは継続的に反復および拡張されます。お客様はこれらのデータをトレーニングに使用し、モデルを迅速に構築できます。

03 シミュレーション - 自動運転開発のためのアクセラレータ

自動運転ツール チェーンの中核部分として、シミュレーション システムは主にシーン ライブラリで構成されています。シミュレーション プラットフォームと評価システムは 3 つの部分で構成されており、シミュレーション システムの効率は開発リンク全体の効率に直接影響するため、顧客や多くのプレーヤーがターゲットとする市場にとっては常に悩みの種となってきました。 ##まさにその通りです。シミュレーションシステムの重要性と未熟さを目の当たりにし、「世界は広く、やることはたくさんある」と感じたプレイヤーが次々とこのコースにエントリーしました。企業の種類に応じて、これらのプレーヤーは、伝統的なシミュレーション ソフトウェア会社と新興のシミュレーション ソフトウェア会社に大別できます。企業およびテクノロジー巨人向けのシミュレーション ソフトウェアには 3 つのカテゴリがあります。以下のカテゴリを見てみましょう。

#1. シミュレーション ソフトウェア プレーヤーの一覧## (1) 従来のシミュレーション ソフトウェア会社

従来のシミュレーション ソフトウェアは PreScan に代表されます。 Siemens 社の VTD、ドイツ VIRES 社の VTD、ドイツ IPG 社の CarMaker、米国 MSC 社の CarSim など、特定の分野での深い蓄積に依存しているのか、機能が優れており、多くの自動車に広く採用されています。 CarMaker と CarSim はビークルダイナミクスの分野で最も深い蓄積と最強の強みを持ち、VTD は高いシーンレンダリング能力と OpenX の初のサポートで有名で、PreScan は操作が簡単で始めやすく、多くのユーザーを魅了しています。

既存の顧客リソースと過去に蓄積された利点により、同社は自動運転シミュレーション ソフトウェアの分野で重要なプレーヤーとなっています。

(2) 新興シミュレーション ソフトウェア企業

シミュレーション ソフトウェアの巨大な市場空間を目の当たりにし、新興企業からも多くの新規参入者が参入しています。パイの一部を手に入れることを望んでいます。たとえば、国内のスタートアップ企業 51WORLD (旧 51VR) は、51Sim-One 自動運転シミュレーション テスト プラットフォームを立ち上げ、イスラエルのスタートアップ企業 Cognata は、インテリジェント運転製品の各段階に異なるシミュレーション ソリューションを提供しており、さまざまな顧客のニーズを満たすために、ローカル版、クラウド版、ハードウェア版の 3 つのバージョンがあります。

新興企業は市場に対してより敏感であり、歴史の重荷を持ちません. 彼らが自動車会社に提供するシミュレーション プラットフォームは、シミュレーションのあらゆる側面を意識的にオープンにし始めており、無視できない力。

(3) テクノロジー大手シミュレーション ソフトウェア会社

NVIDIA: Drive Constellation

NVIDIA は 2018 システムで Drive Constellation シミュレーションを開始しました。シミュレーション システムは 2 つの異なるサーバーで構築されており、最初のサーバーはカメラ、ライダー、ミリ波レーダーなどのセンサー シミュレーション用の NVIDIA DRIVE Sim ソフトウェアを実行し、2 番目のサーバーは NVIDIA DRIVE Pegasus 人工知能車両コンピューティング プラットフォームを搭載しています。シミュレートされたセンサー データ。

Drive Sim は Omniverse プラットフォームをベースにしており、NVIDIA 関係者によると、「写真のようにリアルで物理的に正確な」センサー シミュレーションを実現できるとのことです。シナリオに関して言えば、Drive Constellation はデータ ストリームを生成し、さまざまなテスト環境を作成し、さまざまな気象条件やさまざまな路面や地形をシミュレートできます。また、日中のさまざまな時間帯のまばゆい光や夜間の限られた視界をシミュレートすることもできます。

ファーウェイ:「Huawei Octopus」自動運転クラウドサービス

自動運転開発ツールチェーンの分野で、ファーウェイは自動運転クラウドサービスとしても知られるサービスを開始しました。 「「HUAWEI Octopus」は、データ収集、ハードケースマイニング、データ注釈、アルゴリズムトレーニング、シミュレーションプラットフォームなどの完全なソリューションを提供し、顧客が使用できる多数のデータセットとシナリオライブラリを提供し、自動車会社のデータ構築を支援します。 -ドリブンクローズドループ自動運転開発プラットフォーム。

さらに、ファーウェイの強力なクラウド ビジネスに基づいて、「ファーウェイ オクトパス」はクラウド トレーニングとクラウド並列シミュレーションを統合し、豊富なシミュレーション シナリオ、高い同時インスタンス処理機能を備え、200,000 を超えるインスタンスを提供します。シミュレーション シナリオ インスタンス。システムの 1 日の仮想テスト走行距離は 1,000 万キロメートルを超える可能性があり、3,000 インスタンスの同時テストをサポートします。

Baidu: Apollo Platform

Baidu Apollo は開発者にクラウドベースの意思決定システム シミュレーション サービスを提供し、Baidu Cloud と Microsoft Azure 上にクラウド シミュレーション プラットフォームを構築します。 1 日あたり数百万キロメートルの仮想運用能力を生み出します。シナリオライブラリに関しては、Baidu Apolloプラットフォームが提供するシナリオライブラリは、規制標準シナリオ、危険労働条件シナリオ、能力評価シナリオをカバーしており、合計約200種類あります。

Apollo はまた、Unity と協力して Unity エンジンに基づく仮想シミュレーション環境を開発し、エンドツーエンドの自動運転シミュレーション システムである拡張現実自動運転シミュレーション システム AADS を提案しました。交通ストリームをシミュレートして現実世界の画像を強化し、現実的なシミュレーション シーンを作成します。

Baidu は、自動運転データセット ApolloScape を公開しました。これにより、ピクセル単位のセマンティクスの数十万フレームを含む、ピクセル レベルのセマンティック アノテーション付き画像の 147,000 フレームがオープンされました。知覚分類データや道路網データなど、セグメント注釈付きの高解像度画像データとそれに対応するピクセルごとの意味論的な注釈。

Tencent: TAD Sim

Tencent は、プロ仕様のゲーム エンジン、産業グレードの車両ダイナミクス モデル、仮想マシンを組み合わせたシミュレーション プラットフォーム TAD Sim を 2018 年にリリースしました。現実交通流などの統合技術により実現される、バーチャルとリアル、オンラインとオフラインを融合した自動運転シミュレーションプラットフォームは、現場の幾何学的復元、論理的復元、物理的復元を実現します。 #TAD Sim はクラウドもサポート 操作には、シーンベースのクラウド シミュレーションと仮想都市ベースのクラウド シミュレーションの 2 つのモードが含まれます。都市ベースのクラウド シミュレーションは、高速化されたシミュレーションと高同時実行性のシミュレーションの両方を実現し、さまざまなシナリオと運転の可能性を満たします。現実世界にアクセスし、エンタープライズオートメーションを加速します。運転テストプロセス。シーンライブラリには 1,000 を超えるシーンタイプがあり、毎日 1,000 万キロメートルを超えるテスト能力があります。

これらのテクノロジー大手企業は、より自社に基づいたシミュレーション プラットフォームを構築しています 一部の企業は、自動運転シミュレーション プロセスを構築するためのレンダリング機能、クラウド コンピューティング、その他の利点を備えています。彼らは、クラウドの並列シミュレーションとシーン ライブラリにさらに注意を払っています。また、上流と下流のすべてをより意識的にオープンにしています自動運転システムのテストと検証を進めるためのリンク。一歩前進。

2. シミュレーションの問題点

(1) シミュレーション ソフトウェア: シミュレーションと自動車の両方を理解する必要がある

自動運転開発へのリンクとしてシミュレーションは 1 つのリンクとして、他のリンクと有機的に統合される必要があります。

従来のシミュレーション ソフトウェアは、特定の分野では非常に専門的ですが、上流リンクと下流リンクに接続する際に非常に面倒でした。

たとえば、ドライブのテスト中に発見された問題について、開発者は、後で回帰テストを実行できるように、そのシナリオをシミュレーション シナリオ ライブラリに含めたいと考えていますが、多くの従来のソフトウェアはこれをサポートしていません。関数については、シーン ライブラリを手動でビルドすることしかできません。シーン ライブラリを手動でビルドする効率は非常に低く、1 日にいくつかをビルドすることはできません。

たとえば、従来の一部のシミュレーション ソフトウェアは WINDOWS 環境でのみ実行できますが、現在では自動運転開発環境は Ubuntu 環境で実行されます。

もう 1 つの例は、従来のシミュレーション ソフトウェアのクラウド並列シミュレーション機能との互換性があまり高くなく、最近のバージョンではクラウド シミュレーションとしか互換性がないものもあります。業界の専門家によると、従来のシミュレーション ソフトウェアはライセンスを販売するため、複数のコンピュータにソフトウェアをインストールするには複数のライセンスが必要です。

クラウド並列シミュレーションの役割がますます重要になるにつれ、サービスに基づいて料金を請求する SaaS モデルは明らかに顧客にとってより使いやすく、その後の開発トレンドでもあります。従来のシミュレーション ソフトウェアはライセンスを販売しています。これもそれに応じて調整する必要があります。

クラウド並列シミュレーションは、間違いなく自動運転開発の効率を大幅に向上させることができます。ファーウェイ、バイドゥ、テンセントなどの大手企業のシミュレーション プラットフォームは、クラウド プラットフォームにシームレスに接続できます。スタートアップの 51WORLD は、並列シミュレーションもサポートし、プライベート クラウドとパブリック クラウドでの展開をサポートします。

環境大手企業は、シミュレーション ソフトウェアの提供に加えて、シミュレーション プラットフォームやその他のツール チェーンを自社のフルスタック ソリューションに統合しています。例えば、「Huawei Octopus」は、自動運転分野におけるDevOpsを実現するためのワンストップのシミュレーション・評価ツールチェーンをクラウド上で提供し、コードウェアハウスへのアクセス、バージョン管理からシミュレーション、評価まで自動化されたクローズドループを実現します。 。このようにして、自動車会社は事業を開始しやすくなり、適応コストも低くなります。

しかし、これらの巨大企業は大きな課題にも直面しています。つまり、車両ダイナミクス モデルやコア自動車コンポーネントなどのハードウェアの蓄積が十分でないため、これらの企業は自社の関連する機能を補うために独自に研究または協力します。たとえば、Baidu は独自の車両ダイナミクス モデルを開発することを選択し、Apollo 5.0 では車両ダイナミクス モデルが追加され、「Huawei Octopus」シミュレーション システムは VTD と戦略的に連携し、CarMaker の車両ダイナミクス モデルが組み込まれています。ファーウェイとSaimu Technologyも協力関係を築き始めており、自動運転期待機能安全（SOTIF）分野での取り組みを展開していくことが分かった。

(2) シナリオライブラリが核となる

データ駆動開発リンクにおいて、データ駆動は「問いの海」に相当します。戦術」、試験官にできることは、どんどん難しい質問をすることだけです。システム開発において、シナリオライブラリはソフトウェアの品質を評価するために試験官が与える試験問題に相当するものであり、シナリオライブラリの量と質がシステムのレベルに直結します。

シーン ライブラリは通常、いくつかのソースから入手します: サードパーティから購入したシーン ライブラリ市場で入手可能なサードパーティのシーン ライブラリのほとんどは、標準規制と専門家の経験データに基づいています。シナリオに基づいてシーン ライブラリを構築します。たとえば、駐車機能を作成したい場合は、駐車のためのシーンを設計する必要がありますが、これはより労力がかかります。乗っ取りイベントや路上テスト中に発見されたコーナー ケースの場合は、逆に、受験者のこれまでの経験に相当するシーンライブラリを生成し、間違った問題を私独自の「間違った問題集」にまとめました。

これらのシーン ライブラリに加えて、自動車会社は、路上テストで遭遇した特殊なケースを通じて独自のシーン ライブラリを「拡張」し続けています。この需要に応えて、「Huawei Octopus」などの一部のシミュレーションソフトウェアは、「ワンクリックで実際のドライブテストシナリオをシミュレーションシナリオに変換する」機能を提供し、これに基づいて編集および一般化することができます。たとえば、気象環境、周囲環境、ミラーリングなどの手段を変更して、より多くのシナリオを一般化します。また、ファーウェイは仮想および現実のハイブリッド シミュレーション機能も提供します。

いわゆる仮想と現実のハイブリッド シミュレーションは、クラウド上でテスト シナリオを構築し、それを車両にロードして走行させることで、車両でさまざまなシミュレーションを実行できます。仮想シーン、特に横断歩道や非自動車カットインなどの危険なシーンを仮想シーンでテストすることで、自動運転アルゴリズムと実車の車両運動性能をテストできるため、テストの効率が向上します。

(3) シミュレーション評価

シミュレーション評価は、シミュレーション システム全体の中で最も見落とされやすい部分かもしれません。

シミュレーション評価には主に 2 つの側面があり、一方では現在のテストが合格と判断できるかどうかを指し、もう一方では一貫性と再現性を指します。現在のテストに対応する同じシーンでの実車テスト。

システムがシーン ライブラリの試験に合格できるかどうかを評価するにはどうすればよいですか?テスト問題は公開されており、受験者は回答を完了していますが、自動運転ソフトウェア システムの KPI を「マーク」して設定するにはどうすればよいでしょうか?

あなたが試験官だったら、どのような評価基準が考えられますか?

目標点は達成されましたか?安全に運転できましたか（衝突はありませんでした）？赤信号を無視しましたか？急激に加速または減速していませんか?等

考えただけでも評価基準はたくさんありますが、さらに厄介なのは、シナリオによってアルゴリズム検査の重点が異なり、評価基準も異なる可能性が高いことです。 。シーンライブラリーは不思議なものばかりで、当然評価基準も千差万別です。

しかし、一般的に評価基準は、標準マッチング（標準規制を満たしているかどうか）、走行安全性（十分安全かどうか）、および走行効率の5つの主要な側面に分けることができます。 (十分に安全かどうか)、目的地に十分効率的に到着できるかどうか、燃費)、運転快適性 (十分に快適かどうか)、および運転インテリジェンス (十分に賢いかどうか)。

業界の専門家によると、各シーン ライブラリを構築する際には、評価基準に合格するか不合格となるかを「カスタマイズ」する必要があるとのことです。このとき、シミュレーションソフトは多様なシミュレーション評価基準を提供する必要があり、それが提供されていない場合、評価できない部分があることを意味します。

そのため、各シミュレーション ソフトウェアでは、安全性、快適性、信頼性、人間とコンピュータのインタラクションなどから、「Huawei Octopus」などの顧客向けのシーン ライブラリの評価基準も事前に定義されています。エクスペリエンス、使いやすさ、コンプライアンス、エネルギー消費、交通効率などの観点から合計200の評価指標が公開されている。ファーウェイ内部関係者によると、シミュレーション評価をより柔軟にするため、将来的には顧客によるカスタマイズされたシミュレーション評価基準の開発もサポートする予定だという。

3. シミュレーションソフトウェアの標準化開発動向

上記のシミュレーションプラットフォームと上流・下流のツールチェーンは垂直に接続されており、比較的大きなものもあります。最大の問題点は、水平接続する場合、異なるシミュレーション ソフトウェアのフォーマットに互換性がないことです。

同じ自動車会社は、複数のシミュレーション ソフトウェアを同時に使用することがよくあります。たとえば、プレスキャンと VTD の両方を使用する場合があります。各シミュレーション ソフトウェアは一連のシナリオ ケースを蓄積しますが、それぞれが異なります。シミュレーションソフトで作成したシナリオケースライブラリの形式には互換性がなく、ファイルを汎用化することはできません。

実は、これは業界全体が十分に標準化されていないことが原因です。

この問題を解決するために、ASAM がリリースしたシミュレーション分野の標準 OpenX は、多くの自動車会社、サプライヤー、科学研究機関に認められ、現在、ほとんどのシミュレーション ソフトウェアが対応し始めています。 OpenX標準。 ASAM はさらに多くの標準を開発しています。

#ASAM シミュレーション形式標準 (2020 中国自動運転シミュレーション ブルーブックより引用)

##現在 OpenX 形式をサポートしていないシミュレーション ソフトウェアがまだいくつかあります。業界関係者によると、「一部のシミュレーション ソフトウェア会社は、すべてのリンクを自分の手で制御し、自社をかけがえのないものにし、顧客をリンクに縛り付けようとしていますが、変更したくても変更することはできません。これは一部のシミュレーション テスト会社にも当てはまります」 「これは過去に行われたことです。これは大手企業が使用する一般的な方法です。しかし、自動車会社にとっては絶対に受け入れられません。彼らは誘拐されることを本当に望んでいません。彼らは標準化を達成し、移行コストを削減したいと考えています。」

結局のところ、OpenX をサポートしていない人はまだ少数ですが、全体的には標準化が一般的な傾向です。標準化が進めば、近い将来、異なるソフトウェア間のファイルの互換性は問題ではなくなると思います。

4. ツール チェーンに不可欠な高精度マップ

ご存知のとおり、現在、多くの L2 自動運転機能、特に L4 自動運転では高精度マップが使用されています。・精密地図は重要なインフラとなる。自動運転シミュレーションには、高精度地図も不可欠かつ重要なリンクです。前述の走行テストシーンのシミュレーションシーンへの変換や、バーチャルとリアルのハイブリッドシミュレーションなど、多くのシミュレーションシーンの構築は、高精度マップのサポートと切り離すことができません。

(1) コンプライアンス問題

しかし、高精度地図には多くの問題点もあり、最初に解決すべきはコンプライアンス問題です。 。

現在、クラス A 測量および地図作成の資格を持つ国内企業は 20 社余りにとどまっており、ファーウェイ、アリババ、テンセント、バイドゥ、シャオミ、滴滴出行はすべてこの資格を持っています。 、最近Zhitu Technologyを買収したSAIC Zhonghaiting、Geely Yikatong、Xpeng Motorsも、クラスAの測量および地図作成の資格を取得しています。

NavInfo CEO の Bai Xinping 氏はかつてメディアに対し、「高精度地図には資格のある企業が参加する必要があります。資格はコンプライアンスと安全に関連しています。初期の段階では、国がこれを規制していました。」 「厳しすぎるということはありませんが、将来的にはさらに厳しくなるでしょう。」

これに関連して、自動車会社は、量産計画のコンプライアンス問題を解決するために、認定された地図サービス プロバイダーと協力することを選択することになります。地図サービス プロバイダーは、安全性とコンプライアンスの要件を満たし、大規模な地図データの安全な保存を効果的にサポートできる高性能で信頼性の高いインフラストラクチャを構築する必要があり、また、運転テスト データの感度を下げるための強力なコンピューティング リソースとインテリジェントなアルゴリズムも必要です。同時に、システムは、インテリジェントな運転開発と地図データ アプリケーション サービスを実行するサードパーティ パートナーを効果的にサポートする必要もあります。

(2) 複雑なシーンの精度の問題

現在、大手地図サービス プロバイダーは全国の主要高速道路と高速道路をカバーしていますが、その品質はマップの状況は依然として楽観的ではなく、ラベルの欠落や間違ったラベルが依然として存在する可能性があります。

業界関係者が九張志家に語ったところによると、大手地図サービスプロバイダーによる高速道路セクションの高精度地図のカバー範囲は不完全で、特に高速道路の出入りのランプ、料金所、サービスエリアについては不完全であるという。逸脱または過小評価されている可能性があります。

ある自動車会社の高精度地図の担当者とやり取りをしていた際、その担当者は九張志佳氏に対し、L4ロボタクシーをテストしていたときのメインシーンはオンだった、と語った。この部分をカバーできる地図サービスプロバイダーは少なく、品質や更新頻度も高くないため、高精度な地図を自社で収集・作成する必要があります。

したがって、高精度地図は高速道路のカバー範囲を強化するだけでなく、都市部の通勤シナリオにおけるカバー範囲の問題を解決し、複雑な道路状況の精度を向上させることにも重点を置く必要があります。この方法によってのみ、自動運転のための高精度地図のサポートの役割を向上させることができ、同時に複雑な都市シーンでの自動運転のシミュレーションとテストを効果的にサポートすることができます。

(3) 動的更新の問題

高精度地図では、データが失われると動的更新の問題も解決する必要があります。インテリジェント運転を効果的にサポートできないだけでなく、安全上の問題を引き起こす可能性もあります。

現在、多くの業界関係者は、地図クラウドソーシング更新モデルは、更新の適時性と収集コストの点でより優れているため、将来的には主流の技術モデルになると考えています。 、関連する国内の地図サービスプロバイダーも、関連する技術テストを継続的に調査および実施しています。クラウドソーシングによる地図更新は、データソースの多様化、不均一な品質、一貫性のない収集要素の標準、クラウドとデバイスと車両のリンクの相互運用性など、多くの技術的課題に直面するだけでなく、国内の法律や規制による制約にも直面し、次のようなリスクを伴います。これには、機密地理情報のフィルタリング、地図データの暗号化、個人プライバシーの漏洩などが含まれており、国内の関連部門によるさらなる全体的な計画が必要です。

実際、高精度地図の動的な更新を解決するには、複数のリソースとデータの集約と統合、およびクラウドとエッジ デバイスの連携が必要な体系的なプロジェクトです。将来的には、地図サービスプロバイダー、インテリジェントコネクテッドカー、さまざまな交通参加者、道路インフラ、エッジコンピューティング、クラウド連携を介して、さらに交通ビッグデータ、道路建設および保守データ、道路運営会社などの関係者が協力することになります。高精度地図の動的な更新を実現し、高精度地図データの鮮度を向上させます。

著者の意見では、高精度地図の作成と更新は大規模なプロジェクトですが、統一された高精度地図要素の標準が形成できれば、複数のリソースを調整して調整することができ、繰り返し作業が可能になります。共同で国の地図を描く作業を削減できれば、業界のコストが大幅に削減され、業界の効率とデータの信頼性が向上し、データ セキュリティのリスクが軽減されるのはありがたいことです。

04 クラウドに行くか行かないか、それが問題です

1. クラウドに行くことには多くの利点があります

データ駆動型システム開発では、どんな問題でも大量のデータの保存、モデルのトレーニング、並列シミュレーション テストには大量の IT リソースが必要です。

業界関係者は、「Nine Chapters Smart Driving」で、自動運転システムを開発する際、モデルトレーニングなどの突然のコンピューティングパワー要件に突然遭遇し、ローカルのコンピューティングパワーでは満たすことができないと語った。ニーズを把握し、新しいサーバーを購入するプロセスを経る場合、承認プロセスに数か月かかる場合があり、開発の進捗に大きな影響を与えます。この需要に対応するため、某自動車会社の知能運転開発子会社は、新しいオフィスビルを計画する際、オフィスビルのフロア全体をコンピュータ室として計画したことがわかった。

ストレージであれトレーニングであれ、この突然の需要に対処する非常に良い方法が実はあります。それはクラウドを利用することです。

クラウド開発環境は互換性が高く、迅速な拡張が可能なため開発効率が向上し、コスト面でもメリットが得られるなど、クラウドへの移行には多くのメリットがあります。そしてデータセキュリティ。

# 自作のコンピュータ室を構築する場合と比較して、クラウドに移行するメリットは次のとおりです。

新型コロナウイルスの流行という特殊な背景の下、デジタルトランスフォーメーションは企業が生き残るための手段となっています。感染症の流行に対応して、企業がリアルタイムのオンライン ビジネスを実現し、サービス シナリオをオフラインからオンラインに移行したい場合は、デジタル変革を実行し、クラウド会議、クラウド調達、クラウド販売、クラウドを通じて従業員、顧客、サービス、プロセスを統合する必要があります。サインなど完全オンライン。

デジタル開発の度合いが高いほど、企業の発展に有益です。IDC の調査データによると、デジタル化指数が高い企業の存続可能性はさらに 5 倍以上です平均レベルよりも高い。

業界は一般に、デジタル変革を達成するにはクラウドに移行することが唯一の方法、あるいはその第一歩であると考えています。「デジタル化はまずクラウドに移行する必要がある」。

クラウドへの移行は、自動運転データの閉ループ開発リンクを確立するために必要なオプションです。コーナーケースの「Huawei Octopus」の最適化されたリンクを例にとると、車側で手動テイクオーバーが発生した後、「Huawei Octopus」が自動的に起動され、オンラインでクラウドにフィードバックされ、クラウドが追跡して再生し、原因を診断します。確認された場合 車両自身の責任（車両自体のシステムの問題）である場合、データ収集サービスは引き継ぎ前後の有効なデータをクラウドにアップロードし、データ処理プロセスに入ります。

センシング リンクを最適化する必要がある場合は、データ収集、クリーニング、ラベル付けが実行されます。処理後、センシング モジュールはクラウド上でトレーニングされます。計画制御の場合は、センシング モジュールがクラウド上でトレーニングされます。モジュールを最適化する必要がある場合、問題は、ワンクリックでシーンをシミュレーション シーン ライブラリに変換できることです。最適化されたアルゴリズムシステムは、並行してシミュレーションテストと回帰テストを実施する必要があり、シミュレーション評価にも合格すると、クラウド上でOTAプッシュサービスが開始され、車両側システムがアップグレードされ、完全なクローズドループが実現されます。完成すること。

「Huawei Octopus」データクローズドループリンクについて##クラウドは、自動運転を開発およびテスト段階から商用化に移行する唯一の方法です。

現在、ほとんどの自動車会社は依然として開発とテストに重点を置いており、テスト車両の数は数台から数十台ですが、テスト車両の数が増加するにつれて、その数は増加します。数千台の生産後は、毎日生成されるデータ量も数百～数千TBから10PBに増加し、トレーニングや並列シミュレーションに必要なGPUコンピューティングパワーも数十から10PBに拡大します。その頃には、クラウドへの移行の必要性がますます高まっているでしょう。

クラウドへの移行のメリットを理解した後、クラウド コンピューティングの分類を見てみましょう。

クラウドは一般に、パブリック クラウド、プライベート クラウド、ハイブリッド クラウドの 3 つのカテゴリに分類されます。

パブリック クラウドは、ユーザーが所有していないインフラストラクチャ上に構築されており、複数のテナントが使用するクラウドに割り当てることができます。最も一般的に言及されるクラウドは、パブリック クラウドを指します。一般的なパブリック クラウド サービスプロバイダーには、Amazon AWS、Alibaba Cloud、Huawei Cloud、Tencent Cloud が含まれます。

プライベート クラウドは通常、単一の顧客向けに作成されます。アクセス権はその顧客に限定されます。顧客は、自分のコンピュータ ルーム (プライベート展開) またはクラウドに構築することを選択できます。ホスティングサービス（ホステッドプライベートクラウド）は、サービスプロバイダーのコンピュータルームで行われます。

ハイブリッド クラウドは、一般に、プライベート クラウドとパブリック クラウドの組み合わせ、または異なるサービス プロバイダーを使用するパブリック クラウドとみなすことができます。

一般に、パブリック クラウドは迅速に拡張でき、需要や変動が大きいワークロードにより適していると考えられていますが、プライベート クラウドを拡張するには、新しいハードウェアとリソースが必要です。購入またはリースですが、それははるかに複雑です。自動運転開発のプロセスでは、車両の数が増加するにつれてストレージの需要が指数関数的に増加する一方で、開発中に突然大規模なコンピューティング能力（クラウド トレーニングや並列シミュレーション）が必要になることがよくあります。このようなニーズには、パブリック クラウドが適しています。

クラウドコンピューティングの発展傾向を見ると、パブリッククラウド市場の割合は年々増加しており、プライベートクラウドの割合は年々減少しています。 iiMedia Consultingのデータによると、2020年の中国のクラウドコンピューティング市場では、パブリッククラウドの規模が2019年にプライベートクラウドを上回り、初の主要市場となった。

2. データ セキュリティに関する隠れた懸念

「9 章スマート ドライビング」と通信する際、自動車会社の担当者はパブリック クラウドのメリットを認識しながらも、懸念の声を上げました。データのセキュリティ、「私のデータがパブリック クラウドに置かれている場合、他の人に盗まれるのではないか?」と自動車会社の従業員は言いました。

このような懸念があるからこそ、多くの自動車会社は独自のサーバーを構築するか、プライベート クラウドを選択することになるでしょう。一部の自動車会社はハイブリッド クラウドを選択するでしょう。データ セキュリティ サービスとデータ プライバシー サービスはパブリック クラウドで実行され、その他のサービスはプライベート クラウドで実行されます。

一部の大手自動車会社や新興自動車メーカーはパブリック クラウドを選択していますが、パブリック クラウド サービス プロバイダーを選択する際には、自社と資本関係にあるサービス プロバイダーを選択します。 「皆さん、データのセキュリティについて心配する必要はありません」と彼らは説明しました。

信頼の基礎は相互理解と親しみやすさです。多くの場合、不信感の原因はクラウド コンピューティングなどの理解不足にあります。

クラウドに移行する企業にとって、クラウド データを適切に保護することは最も重要かつ基本的なセキュリティ要件であり、クラウド サービス プロバイダーが顧客の信頼を勝ち取るために必要なことでもあります。ライフライン」。

「Alibaba Economy Cloud Native Practice」の紹介によれば、データセキュリティに対する顧客の要件は、情報セキュリティの3つの基本要素「CIA」、すなわち機密性(機密性)に要約されます。 ）、完全性（Integrity）と可用性（Availability）。

機密性とは、保護されたデータに正当な (または期待される) ユーザーのみがアクセスできるという事実を特に指します。その主な実装方法には、データ アクセス制御、データ漏洩防止、データ暗号化およびキーが含まれます。管理およびその他の手段;

完全性とは、主にアクセス制御を通じて、同時にデータの送信および保存において、合法的な (または予想される) ユーザーのみがデータを変更できるようにすることです。データ ユーザー データの整合性は、検証アルゴリズムを通じて保証できます。

データの可用性は、主に全体的なセキュリティ機能、災害復旧機能、クラウド環境の信頼性、およびさまざまな機能に反映されます。関連システム (ストレージ システム、ネットワーク アクセス、ID 検証メカニズム、権限検証メカニズムなど) の正常な動作を保証します。

これら 3 つの側面の中で、機密性 (Confidentiality) を確保するための最も重要な技術手段はデータ暗号化であり、それがフルリンク データ暗号化機能です。

「フルリンク暗号化」とは、エンドツーエンドのデータ暗号化保護機能と、データのライフサイクル全体の暗号化を指し、主にオフクラウドからクラウドまでを指します。オンクラウドとオンクラウド ユニット間の送信プロセス、アプリケーション実行時のデータの計算プロセス（処理/交換）、およびデータを最終的にディスクに永続化するストレージプロセスでの暗号化機能。

一般的に、データ暗号化操作プロセスでは、国際的および国内で認められたセキュリティ アルゴリズムを通じて平文データが計算され、データ暗号文が取得されます。暗号化操作では、キーが安全に保護および管理されていることが、暗号化保護の十分かつ必要な条件です。言い換えれば、キーを制御することは、暗号化操作全体の主導権も制御します。ユーザーは自分のマスター キーをユーザー リソースとして持ち込んでおり、すべての呼び出しはユーザーによって承認される必要があるため、ユーザーは暗号化されたデータの使用に関して完全に独立した制御と主導権を持ちます。同時に、ユーザー リソースへの呼び出しはすべてログ監査に完全に表示されるため、暗号化されたデータのクラウド使用の透明性がより確実に保証されます。

データ セキュリティのライフ サイクル、Alibaba Economy Cloud Native Practice からの抜粋

業界関係者の多くも、「9 章のスマート ドライビング」に関するコミュニケーションの際に 1 つの点について言及していました。クラウド サービス プロバイダーの社内従業員や運用保守担当者が、自分の権限を使用して私のデータを密かに使用しないと誰が保証できますか?

これには実際にはコンプライアンスが関係しており、内部プロセスを通じて保証する必要があり、この内部プロセスは多くの場合、権威ある第三者によるコンプライアンス認証を通じて確認されます。その中でも、世界で最も権威があり、広く受け入れられ、適用されている情報セキュリティ システム認証は ISO27001 であり、各大手クラウド サービス プロバイダーが通過するコンプライアンス認証は、公式 Web サイトでも確認できます。

外部のコンプライアンス認証は社内でも実施する必要があります。ファーウェイを例にとると、開発から管理に至るまでの社内セキュリティのレッドラインに関する一連の規制があります。誰かが違反すると、厳しく、しばしば降格、処罰、警告、さらには解雇されることもあります。ファーウェイの内部関係者は、コンプライアンス問題について話す際、米国がファーウェイへの制裁を開始して以来、世界中でファーウェイの「不遵守」の「確実な」証拠を見つけるために全力を尽くしていると冗談も飛ばした。 2年以上発見されていませんでした。発見されました。これは、ファーウェイがコンプライアンスに関してどれほど厳格であるかを側面から証明するものでもあります。少し前に、ファーウェイのスマートカークラウドサービスもASPICE L2サードパーティ認証とフォルクスワーゲングループAPSICEに合格しました（ KGAS) PN (潜在的なサプライヤー) のレビュー これは、ファーウェイのスマート カー クラウド サービスの研究開発品質と開発プロセスが主要な国際自動車メーカーによって認められていることも示しています。

おそらく、ビジネス ロジックの観点から理解する方が簡単でしょう。クラウド サービス プロバイダーにとって、顧客データのセキュリティは生命線であり、顧客は命を預けていますが、ひとたび問題が発生すると、その信頼は失われ、ビジネスの足場が失われます。また、クラウド コンピューティング自体のアーキテクチャの観点から見ると、クラウド上のデータもより安全になります。一方で、クラウド サービス プロバイダーは、オフサイトの災害復旧 (災害などの自然災害によるデータ損失を防ぐため) のためにデータのバックアップを行います。一方、セキュリティ保護のレベルも高くなります (セキュリティ人材が増え、セキュリティ対策が強化されます)。

自動車会社にとってクラウドへの移行は一般的な傾向ですが、一夜にして実現するものではなく、自動車会社がパブリック クラウドを理解し、受け入れるにはプロセスが必要です。

あるパブリック クラウド マーケティング スタッフは、「Jiuzhang Zhijia」に対し、比較的言えば、自動運転会社やインターネットの背景を持つ外資系自動車会社がクラウドへの移行に積極的であると語った。特に国有企業であるため、データに対する懸念はさらに大きくなります。

クラウド コンピューティング業界の発展傾向の観点から見ると、業界ごとにクラウドに対する理解が異なり、クラウド コンピューティングの使用率も異なります。フロスト＆サリバンのデータによると、中国の現在のクラウド コンピューティングは主なユーザーは、インターネット、金融、政府などクラウドへの普及が比較的早い分野に集中しており、そのうちインターネット関連産業が約 3 分の 1、政府クラウドが現在約 29%、従来型産業クラウドが約 30% を占めています。輸送、物流、製造などのコンピューティング アプリケーションのレベルは急速に向上しています。将来的には、自動車会社がクラウド コンピューティングへの理解を深め、デジタル変革のプロセスを加速するにつれて、クラウドの受け入れがますます高まっていくと私は考えています。近い将来、クラウドにアクセスできないことは問題ではなくなるかもしれません。

05 ツール チェーンの開発トレンド

1. 効率: エンドツーエンド

自動車会社の開発における現在の最大の問題点自動運転システム はい、ツールチェーンとデータサイロの相互断片化。

従来のツール チェーン企業と新興企業は、ツール チェーン内の特定のリンクに焦点を当てることがよくあります。たとえば、シミュレーションを行う企業はシミュレーションを行い、アノテーションを行う企業はアノテーションを行います。自動車会社が使用する場合、それぞれのリンクは、開発ツールチェーンの 1 つのリンクが連続して使用されるため、途中の特定のリンクだけに着目すると、他のリンクとの「ズレ」が避けられません。

さらに、現在のツール チェーンには業界標準が欠如しており、企業ごとに大きく異なります。顧客は適応するのに多くの時間を費やす必要があるため、自動車会社は 1 つのサプライヤーがこれらのツール チェーンを統合できることを望んでいます。チェーン内の複数のリンクを接続して、独自の適応コストを削減します。この機会を見て、テクノロジー大手は「ツール チェーン エコロジー」で市場に参入し、フルスタック ツール チェーンを提供しています。

テクノロジー巨人の生態を見てみましょう:

(1) NVIDIA: チップベースの生態

チップ大手の NVIDIA は、自動車、デスクトップ、クラウドを中心に統合された GPU ハードウェア アーキテクチャと CUDA ソフトウェア アーキテクチャを構築しており、開発者は非常にシンプルな命令を使用して複雑な深層学習モデルを呼び出すことができます。 「Nine Chapters Smart Driving」は、業界専門家との意見交換から、NVIDIA を選択した重要な理由は、NVIDIA が安定したツール チェーンと豊富なソフトウェア エコシステムを備えていることであることを学びました。成熟したツール チェーンの利点は、何か問題が発生した場合に、問題をすぐに特定できることです。

NVIDIA は、2017 年に自動運転プラットフォーム NVIDIA DRIVE をリリースしました。これには、自社開発のソフトウェア アーキテクチャである Drive AV と Drive IX も搭載されています。 NVIDIA DRIVE プラットフォーム用の車載インテリジェント ドライビング コントローラー。現在、Xavierシリーズが販売されており、最新のOrinは2022年に量産される予定で、ISO 26262 ASIL-Dの機能安全規格を満たすことができます。

シミュレーションの分野では、NVIDIA は 2018 年に Drive Constellation シミュレーション システムと Drive Sim を発売しました。

NVIDIA は、2019 年に高精度測位ソリューション DRIVE Localization のデモを行ったほか、高精度地図クラウドソーシング ソリューション NVIDIA MapWorks の提供も計画しています。

現在、NVIDIA は、メルセデス ベンツ、アウディ、トヨタ、ボルボ、ボッシュ、コンチネンタルなどの企業と自動運転の研究開発協力関係を確立しています。

(2) ファーウェイ: クラウド、パイプ、ターミナル、コアを組み合わせたオープン エコシステム

ファーウェイは「自動車を作るのではなく、焦点を当てる」ことを主張しています。 「Building Good Cars」戦略は、チップ、クラウド、ソフトウェアとハ​​ードウェア、ツールチェーン、高精度地図に焦点を当て、オープンなエコシステムを構築します。

ファーウェイ インテリジェント ドライビング コンピューティング プラットフォーム MDC は、ファーウェイの自社開発 CPU、AI チップ、その他の制御チップを統合し、基盤となるソフトウェアとハ​​ードウェアの最適化を統合して、業界最高の総合パフォーマンスを実現します。一流レベル。さらに、ファーウェイ MDC には完全なテスト プラットフォームとツール チェーンもあり、MDC 開発のためのフルスタック ソリューションを提供します。 MDC プラットフォーム ハードウェアは、インテリジェント ドライビング オペレーティング システム AOS/VOS および MDC コアを実行します。言い換えれば、MDC は自動車グレードのソフトウェアとハ​​ードウェアを備えており、自動車会社が量産モデルを選択するのに便利です。

##MDC 全体的なアーキテクチャ図 - Huawei MDC ホワイト ペーパーより

自動運転開発ツールチェーンの分野では、ファーウェイが自動運転クラウドサービスを開始した。さらに、ファーウェイは、車両のインターネットクラウドサービス（インテリジェント運転、スマートコックピットのデータ収集と保存）、スリーパワークラウドサービス（クラウド管理と3つの電力システムの制御）、および高精度地図クラウドサービスも開始しました。これらに加えて、ファーウェイは自動運転センサーの導入に向けたソフト面とハード面の両方の対策を講じている。

(3) Baidu: Apollo オープン プラットフォーム

2017 年、Baidu は自動運転用のオープン プラットフォームである Apollo を自動車業界にリリースしました。 Apollo プラットフォームは、車両プラットフォーム、ハードウェア プラットフォーム、ソフトウェア プラットフォーム、クラウド データ サービスを含む、ソフトウェア、ハードウェア、およびサービス システムの完全なセットです。パートナーが車両とハードウェア システムを組み合わせて独自の自動運転システムを迅速に構築できるように支援します。

Apollo はアップグレードを続け、限られたエリアの視覚的高速自動運転、自動駐車 (バレーパーキング)、無人運行車両 (MicroCar)、自動シャトルバス (MiniBus)、および複雑な都市道路を開放しました。などのソリューションを提供し、独自のロボタクシー車両を構築し、「キャロットラン」ブランドで各地でテスト運行を開始した。

Apollo が自動運転システムの安全性を向上させるためにミドルウェア Cyber​​ RT をリリースしたことは注目に値します。

Apollo エコロジー開発者は、クラウドベースのシステム シミュレーション サービスと拡張現実自動運転シミュレーション システム AADS を提供しています。

2021年初頭、百度（バイドゥ）と吉利（ジーリー）は共同で九度汽車を設立し、自動車製造の終了を発表したが、ロビン・リー氏は「九度汽車設立の目的は百度の自動運転技術を統合することだ」と公に述べた。スマートコックピットテクノロジーを市場に投入します。」

(4) Tencent: フルリンク クラウド サービスおよび開発プラットフォーム

Tencent は自動運転クラウドの開発プラットフォームも展開しています生態系。 Tencent は自動車やセンサーの製造は行っておらず、ソフトウェアとサービスの提供のみを行っています。

テンセントは、自動車側では、認識、測位、計画、意思決定、制御を含むソリューションを提供し、クラウドでは、クラウド ストレージとコンピューティング能力サポートに基づいて、データ収集システムの構築 管理、サンプルアノテーション、アルゴリズムトレーニングと評価、診断とデバッグ、クラウドシミュレーション（シミュレーションプラットフォームTAD Sim）、および実車フィードバッククローズドループフルプロセスクラウドサービスは、フルリンククラウドサービスと開発プラットフォームを提供します自動運転の研究開発を支援します。

#Tencent の自動運転ビジネスのレイアウトと位置付け (Tencent Su Kuifeng のオンライン公開情報から引用)

#フルスタック ツール チェーンでは、効率、特にパイプラインを迅速に構築できる機能が明らかに向上しています。 「ファーウェイ・オクトパス」関係者は「各社の個別のツールチェーン・ソリューションを使用すると、リンクだけのデバッグに数か月かかる可能性がある。しかし、「ファーウェイ・オクトパス」はすでにリンク全体でデバッグを行っている。統合と適応は完了している。作業の重複を削減します。さらに、ファーウェイは顧客にリファレンスアルゴリズムのセットも提供します。顧客はこれに基づいてデバッグと最適化ができるため、開始の難しさが大幅に軽減されます。プロセス全体。完全なリンクで、非常に効率的です。

2. オープン性: 各モジュールの分離

多くの自動車会社が自社開発ツール チェーンの開発を選択する理由は、一方では効率性を考慮したためです。一方、自動車会社も「安全」のために、エコシステム内で過去の支配的地位を維持したいと考えていますが、本能的に「立ち往生」する潜在的なリスクを嫌います。そのため、多くの場合、中小企業と協力することを好みます。ツールチェーン。

オープン性という点では、大手テクノロジー企業はそれぞれ異なる戦略を持っており、ある自動車メーカーの自動運転開発者によると、ある企業の自動運転開発プラットフォームの生態系は分離されていないという。 「それを選択したい場合は、単一モジュールの使用を受け入れず、『完全に受け入れる』必要があります。」 これは顧客を深く結び付けるために使用されますが、ファーウェイは別の道、つまり各モジュールを切り離すことを選択しました。

ファーウェイの内部関係者によると、「ファーウェイ オクトパス」のツールチェーンはデータ、トレーニング、シミュレーション、監視の 4 つの部分に分かれており、これら 4 つの部分は完全に切り離すことができますが、切り離すことはできません。バインディングは、お客様がいつでも交換できます。

3. 協力方法がより柔軟になります

自動車会社にとって、既存の技術余力が量産計画をサポートできない場合、量産を外部委託することしかできません。それは自己研究戦略と矛盾しているように思えます。

「Jiuzhang Smart Driving」と通信したとき、自動車会社の開発者から得られた答えは驚くほど一貫していました。一方で、量産車には外部から購入した ADAS ソリューションが搭載されています。 、ブラックボックス調達であるため、サプライヤーはいかなるデータも公開しませんが、自動車の競争力と販売のために、自動車会社はこの「当面の妥協」を容認することしかできません; 一方、自動車会社は、同時に多くの人的資源と物的資源を投入 自社開発のL2ソリューションについては、「自社開発ソリューションが成熟したら、徐々に置き換えて利用していく」ということで、自社開発が「詩と距離」となった。

自動車会社の顧客のこうした要求を考慮し、「ファーウェイ・オクトパス」は顧客にさまざまな協力オプションを提供しており、ファーウェイ関係者は「最初のオプションでは、ファーウェイが完全な量産ソリューションの開発と提供を担当する。」と紹介した。 ; 2番目のオプションでは、ファーウェイが開発を担当し、顧客は一部のパラメータを自由に設定できます; 3番目のオプションでは、ファーウェイが自動運転開発ツールチェーンを提供し、顧客が自己開発を行い、ファーウェイがアフターサービスのフルセットを提供します

06 概要

この記事では、自動運転開発ツールチェーンの観点から業界の現状と開発動向を分析します。

現在の自動運転開発ツールチェーン業界の発展はまだ未熟であり、非標準化と情報の孤島現象は比較的深刻であり、開発効率の観点から、主要な自動運転チームは「独自の車輪を発明」する必要があります。

しかし、多くの新しいツールチェーンプレーヤーの参入により、業界全体が成熟に向けて発展しており、その後のツールチェーンは徐々にオープン化、標準化され、標準化されていくでしょう。特に、ファーウェイやエヌビディアなどの巨大企業は、自社のエコシステムを持ってこのゲームに参入し、開発チェーン全体を開放し、業界に事例をもたらし、業界の発展を促進している。ファーウェイ関係者の言葉を借りれば、これは「中国の自主性を引き上げている」という。産業を牽引する。」、前へ走り続けます。

クラウド上の自動運転は大きなトレンドであり、高度な自動運転により、技術研究段階から大規模商用段階へと徐々に進化しています。ストレージ、コンピューティング能力、その他のリソースの要件に加えて、インフラストラクチャ サービスの高い信頼性、セキュリティ、拡張性にも厳しい要件が課されます。

従来のデータセンター構築モデルは、自動運転開発会社に莫大な建設コストと運用保守のプレッシャーをもたらします。複数のコンピューティング能力をサポートすることで、パブリック クラウドは、モデル トレーニングや並列シミュレーションなどの自動運転開発プロセス中に、大規模なインフラストラクチャ リソースに対する極めて高いコンピューティング能力、安全性、信頼性、弾力性、柔軟性といったビジネス ニーズを満たすことができ、それによってアジャイルな開発を実現します。自動運転アルゴリズム、反復あり。したがって、現時点ではほとんどの企業がパブリッククラウドへのアプローチに疑問を抱いていますが、自動運転業界全体の急速な発展とパブリッククラウドへの理解の継続的な深化に伴い、このサービスモデルはさらに推進されると考えています。

以上が自動運転開発ツールチェーンの現状と今後の動向について徹底解説の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。