自動駕駛「上雲」已成大勢，研發「入雲」才是關鍵

自動駕駛數據「上雲」已成大勢所趨，那麼下一步是什麼？眼下，自動駕駛產業已進入商業落地的下半場，路面上搭載各級自動駕駛系統的車輛也是越來越多。對於車企們來說，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並不划算，數據存儲“上雲」也就成為不二之選。

但隨著自動駕駛產業越來越“卷”，車企對雲端的需求已不滿足於僅資料儲存本身，像是感知模型訓練、模擬測試、研發工具鏈等對智慧汽車雲端的需求也越來越旺盛。所以在這個時間節點，自動駕駛資料「上雲」已經可以算是最低要求，自動駕駛研發「入雲」才是關鍵。那麼，車企們眼前對雲端最大的需求是什麼呢？雲端服務又如何協助自動駕駛開發？智慧車雲未來該往何處發展？

近日，安永（中國）企業顧問有限公司（以下簡稱「安永」）與華為智慧汽車解決方案BU合作撰寫並發布了《從「上雲」到「入雲端”，雲端服務賦能汽車產業智慧網聯升級－智慧汽車雲端服務白皮書》（以下簡稱《白皮書》）。

這本《白皮書》也是第一本雲端服務應用在汽車產業智慧汽車時代，核心業務核心應用上的白皮書。 書中對目前自動駕駛開發、車聯網等智慧車雲端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。

01. 自動駕駛要落地資料「上雲」只是第一步

#如果把自動駕駛產業發展分成上下半場，那麼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演算法更有效率，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，各級自動駕駛車輛越來越多，可行駛測試範圍越來越廣，應用場景也越來越豐富。對車企來說，「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「頭痛事」。通常來說，在自動駕駛研發階段，如果依照10輛測試車，每年累積收集天數300天估算，單車每天可以產生10TB左右的資料量，每年產生的資料總量達到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。

如果依照10萬輛車，每年累積採集天數300天估算，那麼未來車企所面臨的資料總量將會達到ZB等級。這裡簡單介紹一下PB級和ZB級間的換算關係，1ZB=1024EB，1EB=1024PB，而用我們熟悉的TB單位來換算，1ZB約等於10億TB。車企們所面臨的數據壓力可想而知。

#▲商用階段資料量將達ZB量級（圖片取自白皮書內文）

現階段，無論是從建造、維運成本或資訊安全來說，透過新建或擴容機房的方式顯然已經跟不上資料成長的速度。

「傳統的資料中心已經無法適應自動駕駛商用化的要求，「上雲」是自動駕駛從開發到商用的必經之路。」某高科技公司智能車雲服務產品部總經理說。

由此可見，在自動駕駛商業落地下半場中，資料「上雲」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，海量資料不僅帶來了儲存難題，如何高效利用和處理又是另一大難題。

所以，資料「上雲」只是第一步，而智慧型汽車雲之於自動駕駛的意義也絕不是僅僅停留在滿足資料儲存本身。

#

02.感覺模型怎麼練資料標註「入雲」是關鍵

上文提到，自動駕駛產業正處於商業落地的下半場，各家表面上拼的是落地，是規模，是里程，但背後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演算法迭代。

對自動駕駛演算法迭代而言，感知模型訓練和模擬測試又是重中之重，前者直接關乎自動駕駛系統的安全性，而後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回饋，感知模型訓練與模擬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（圖片取自白皮書內文）

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，都是透過各種感測器對外部環境進行感知，前者靠攝影機、雷射雷達、毫米波雷達，人類駕駛員靠的是眼睛、耳朵甚至是鼻子。而且，對於自動駕駛系統和人類駕駛來說，都是看到相對容易，辨別是什麼更難。

▲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，認出是什麼了，才能進行規劃與決策。具體來說，感知模型訓練依照流程可以分為五大環節，分別為資料儲存、資料預處理、難例探勘、資料標註、模型訓練。

▲自動駕駛研發關鍵控制點（圖片取自白皮書內文）

而在這五大環節中，數據標註又是最耗時耗力的一環，讓一眾車企直呼「頭痛」。資料標註是指透過人工以及智慧化工具，對感測器所捕捉的影像、影片、路牌文字等各類別資訊進行目標偵測與辨識。簡單來說，資料標註就是把影像（點雲、相機）中的資訊逐一標出來，是簡單但對精度、效率要求極高的工作。

▲資料標註

所以，當人類在處理這項工作時，難免會出現資料篩選耗時、人工標註返工率高、資料格式不統一等問題，也就使得整體標註效率比較低。而國外某自動駕駛車企也曾為了提升數據標註效率，因此減少人工標註的比例。既然人工效率低，那麼用AI進行數據標註呢？透過AI對資料進行標註，雖然解決了人工的效率問題，但是資料累積的深度、廣度都會直接限制及影響AI的學習能力，且基礎演算法模型的算力亦難以承擔日益增長的資料量。

所以，像是自動駕駛感知模型這種訓練資料體積大、演算法精度要求高、訓練效率要求快的工作，就更適合採用汽車雲端服務進行數據處理。

相較於人工與本地AI訓練的資料處理能力，汽車雲服務憑藉著超強算力、高效精準的智慧化策略優勢，可以有效緩解自動駕駛資料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於乘用車，而且汽車雲服務也會在這些行業應用場景中發揮“雲上大腦」的巨大價值。以礦區無人駕駛為例，汽車雲端服務對感知模型的訓練扮演了至關重要的角色。

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，且礦區還存在飛塵、揚土等惡劣環境。這對於自動駕駛系統研發來說，非常考驗資料標註的準確度和模型訓練的效率，而汽車雲端服務透過高效率的資料處理、困難挖掘、自動標註、模型訓練等能力，可以快速幫助無人駕駛卡車適應礦區複雜的作業環境，降低接管率，提升無人化作業效率。

從資料上來說，本地AI訓練資料處理的效率較人工提升3～4倍，而依托雲端的更高算力和更多的經驗積累，汽車雲端服務資料處理的綜合處理效率提升10倍以上，資料處理成本較人工降低50%。

▲自動駕駛研發資料處理發展歷程（圖片取自白皮書內文）

綜上來看，在自動駕駛研發資料處理方面，汽車雲端服務的優勢正逐漸凸顯。 不僅可以有效辨識高價值數據，優化儲存空間，加速難例挖掘，還可以深度學習實現自動標註能力提升，優化標註演算法效率與精確度，降低數據處理成本。

03

.要想快速迭代模擬測試需要雲來幫

在解決了資料處理難題後，對於在自動駕駛持續投入的車企們來說，要想實現快速迭代，海量測試不可或缺。業界普遍觀點認為，自動駕駛系統至少需要100億英里（約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，模擬測試也成為自動駕駛研發的重要環節，也是必經之路。 據統計，在模擬測試中，車企主要面臨四大挑戰，分別為場景庫覆蓋度不足，行業間格式互不相容；模擬測試所涉里程數大，場景類別多且耗時長；模擬測試與實車路測偏差大，置信度低；模擬評估體係不完善，回授效果差。

▲自動駕駛模擬測試系統（圖片取自白皮書內文）

並且，模擬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，也就促進了模擬測試「入雲」的迫切需求。那麼模擬汽車雲又能解決什麼問題呢？又是怎麼解決問題的呢？

######首先，模擬汽車雲端服務透過建構開放場景庫，幫助模擬場景庫更為標準與全面。其次，憑藉雲端大規模平行模擬的強大算力及高並發處理能力，將單線模式轉變成並發模式，支援多場景下同時完成多個模擬任務，大大提升了模擬效率。 ########################▲自動駕駛雲端模擬###############而至於模擬測試與實車路測偏差大的問題，模擬汽車雲端服務可整合電腦軟體、車輛動力工程、交通等多領域專業能力，從微觀到宏觀提升模擬測試逼真度。最後，在模擬測試評估方面，汽車雲服務基於汽車產業經驗並結合場景庫，能為模擬測試過程提供多維且全面的評估指標體系，支援不同車企、不同發展階段評估指標的客製化服務，加速仿真測試的演算法迭代與場景庫最佳化。 ######

所以總結來看，對於整個自動駕駛雲端服務來說，高品質的模擬測試體係就像皇冠上的明珠，極具代表性地體現出自動駕駛研發“入雲”的價值。而在資料處理與模擬測試這兩大自動駕駛研發的關鍵控制點中，智慧汽車雲的作用已不可小覷。對於涉足自動駕駛的車企來說，如今智慧汽車雲端的重要性已經與感測器、運算平台、整車製造旗鼓相當，並已成為在商業落地下半場中降本增效的秘密武器。

04.#研發效率怎麼提工具鏈貫通是重點

當感知模型訓練和模擬測試的效率改善後，那麼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，由於在不同階段使用的各項工具零散，資料處理格式不一，導致開發模型迭代需要2個月，效率低且成本高。

這也意味著，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，並不能讓整體研發效率得到有效提升。 最後的結果很有可能是1 1所以，對於車企來說，一個全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雲管端一體化的敏捷式場景整合開發模式轉型。無獨有偶，雲端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資料閉環，並建構一套覆蓋資料擷取、儲存、處理、標註、模型訓練、模擬、評測等一系列自動化開發工具鏈。而對於車企來說，當擁有了智慧汽車雲端加持的研發工具鏈後，也就能夠全鏈打通的「端到端」開發流程，大幅降低開發成本，提升系統迭代和維運效率。

▲「端到端」工具鏈賦能自動駕駛研發過程降本增效（圖片取自白皮書正文）

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。

05. 結論：車企與雲端服務商正雙向前往

那麼，除了可以在自動駕駛研發上面大顯身手外，智慧汽車雲端服務還有什麼應用場景呢？其實，除了上述提到的3大場景外，智慧汽車雲端服務已悄悄在車輛全生命週期中展開。目前，在車輛全生命週期內共有9大汽車雲端服務的新增場景，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、售後服務、其他衍生服務等面向。

▲汽車雲端服務在智慧網聯車的應用場景展望（圖片取自白皮書正文）

總而言之，智慧汽車雲端已成為智慧網路汽車產業中不可或缺的一部分，正助力數據在業務應用上發揮最大價值，並為車企在研發到商用的進程中降本增效。而車企們也正與雲廠商大步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，在智慧網聯的升級道路上攜手並進。

以上是自動駕駛「上雲」已成大勢，研發「入雲」才是關鍵的詳細內容。更多資訊請關注PHP中文網其他相關文章！