Une discussion approfondie sur l'état actuel et les tendances futures des chaînes d'outils de développement de la conduite autonome

Dans le cadre de la tendance de développement « intelligente » de l'industrie automobile, diverses fonctions de conduite assistée de niveau L2 sont devenues des configurations importantes pour attirer les consommateurs. D'autre part, dans la nouvelle ère des « voitures définies par logiciel », la conduite autonome est devenue. un facteur important qui affecte la stratégie importante pour le développement futur de l’entreprise.

Dans un tel contexte, les constructeurs automobiles doivent répondre à une question : doivent-ils développer leurs propres systèmes de conduite autonome ?

Faisons d'abord le point sur l'aménagement de plusieurs constructeurs automobiles dans le domaine de la conduite autonome :

Inventaire de l'aménagement autonome des constructeurs automobiles

Cela peut On voit que les constructeurs automobiles ont Le développement de systèmes de conduite autonome est devenu une tendance majeure. De nombreux constructeurs automobiles ont également découvert que l'essence de la conduite autonome est d'utiliser pleinement la valeur des données dans le contexte du « découplage logiciel et matériel ». les constructeurs automobiles attachent même une grande importance au secteur de la conduite autonome et également pour des raisons de commodité. Dans le développement ultérieur de l'activité, des filiales indépendantes ont été créées les unes après les autres pour se concentrer sur le développement de la conduite intelligente. Par exemple, le groupe FAW a créé une filiale d'intelligence artificielle, FAW (Nanjing) Technology Development Co., Ltd. ; Great Wall Motors a créé Hao Mo Zhixing ; le groupe SAIC a créé un centre logiciel, SAIC Zero-shu, etc.

01 Processus de développement de conduite autonome - de la conception basée sur un modèle à la conduite basée sur les données

Cependant, il n'est pas facile de développer un système de conduite autonome par vous-même, car le processus de développement et la chaîne d'outils du système de conduite autonome sont particulièrement complexe.

Le développement de logiciels automobiles traditionnels utilise le modèle V, y compris de nombreuses fonctions ADAS, qui sont également développées à l'aide de ce processus. Pour plus de détails, veuillez vous référer à la figure ci-dessous. Le côté gauche est le processus de conception et de développement, et le côté droit est le processus de test et de vérification.

Processus de développement du modèle V

Le processus de conception et de développement à gauche est actuellement basé sur le processus de développement MBD (Model Based Design), et la plupart des éléments (modèles) sont basés sur Grâce à la boîte à outils standard et au groupe de blocs fournis par les produits MathWorks (MATLAB et Simulink), le modèle est construit sur l'interface graphique et le code est généré automatiquement. La quantité globale de code que les ingénieurs doivent écrire n'est pas importante, la vitesse de développement est rapide et le coût de développement est également faible.

Le côté droit est le processus de vérification des tests, c'est-à-dire X dans la boucle, qui utilise différentes méthodes de test à différentes étapes, notamment MIL/SIL/PIL/HIL/DIL/VIL et d'autres méthodes de test.

La logique de contrôle logicielle automobile traditionnelle, comprenant certaines fonctions ADAS relativement simples de L2, peut toujours répondre aux besoins en utilisant le processus de développement en boucle MBD+X. Cependant, à mesure que les fonctions de l'algorithme de conduite autonome deviennent de plus en plus complexes. , le précédent processus de développement basé sur MBD est devenu un peu écrasant.

Tout d'abord, pour les fonctions de conduite autonome plus complexes, la quantité de code logiciel et la complexité des fonctions ont également augmenté de plusieurs ordres de grandeur. Les boîtes à outils structurées et la modélisation de groupes de blocs sont capables de développer des algorithmes fonctionnels simples, mais face à des algorithmes complexes d'apprentissage en profondeur, MBD semble quelque peu poussé en termes de flexibilité.

Deuxièmement, l'industrie de l'intelligence artificielle s'est développée au fil des années. Qu'il s'agisse d'architecture, de chaînes d'outils ou de diverses bibliothèques de fonctions open source, un écosystème solide s'est formé pour les praticiens de la conduite autonome d'aujourd'hui, la programmation peut être utilisée directement. La mise en œuvre est beaucoup plus efficace que la modélisation dans Mathworks.

Dans le même temps, les logiciels automobiles traditionnels ne changeront plus après la production de masse, ce qui est irréaliste pour les logiciels de conduite autonome. D'une part, le cycle de développement de la conduite autonome est long, et le temps de développement et de test dans le cycle de développement du véhicule est loin d'être suffisant, d'autre part, l'OTA permet de mettre à jour en permanence le logiciel, de sorte que la durée de vie soit longue. Le cycle du logiciel est également étendu, et avec l'apprentissage en profondeur, l'algorithme de conduite autonome représenté par le modèle doit collecter en continu des données de « cas d'angle » à longue traîne comme « carburant » pour itérer en continu le système d'algorithme.

Il y a un dicton qui dit bien, si tu veux aller dans l'espace, tu dois construire un vaisseau spatial. Afin de développer plus efficacement des systèmes de conduite autonome, les experts du secteur ont trouvé un processus de développement de conduite autonome approprié basé sur l'apprentissage en profondeur, c'est-à-dire un processus de développement de bout en bout basé sur les données.

Les constructeurs automobiles tournés vers l'avenir et le niveau 1 sont également conscients depuis longtemps de ce changement dans le processus de développement logiciel.

Chen Liming, président de Bosch Chassis Control Systems Chine, a déclaré un jour en public : « La conduite autonome implique tellement de scénarios qu'il est impossible de continuer de la manière traditionnelle, c'est pourquoi les essais routiers réels doivent être inclus, en particulier basés sur les données. La méthode de vérification pour vérifier la sécurité de la conduite autonome consiste à combiner le modèle V avec la boucle fermée basée sur les données pour réaliser une vérification de la sécurité. » Lu Jianxiang, directeur principal du Pan Asia Technology Center, a déclaré lors de la récente World Intelligence Conference : « Traditionnelle Les entreprises doivent passer du modèle de développement d'intégration de système en cascade d'origine du côté de la voiture au modèle de développement d'intégration de scénarios agiles d'intégration de cloud, de canalisations et d'extrémités. « Bien sûr, cela ne signifie pas que la méthode MBD traditionnelle a été complètement éliminée. . Obsolète. L'idée du modèle V est encore très instructive. Par exemple, la simulation système, qui joue un rôle important dans les tests des systèmes de conduite autonome, est en fait SIL (software changes), et la méthode de développement MBD utilise les algorithmes logiques sous-jacents. de la voiture, comme les algorithmes de contrôle du véhicule, seront toujours utilisés dans .

Bien que le processus de développement logiciel basé sur les données de chaque entreprise soit différent dans les détails, l'idée générale est la même, suivant essentiellement les idées suivantes : collecte de données->stockage de données->prétraitement des données->exploration de données-> Annotation des données->Formation du modèle->Test de simulation->Déploiement et publication.

La plateforme de données en boucle fermée de Waymo, citée dans l'article Zhihu de Huang Yu

Les outils et plateformes utilisés dans les liens ci-dessus (y compris, mais sans s'y limiter, la collecte, le traitement, les outils d'annotation, les modèles plateforme de formation, plateforme de simulation, outils OTA et quelques autres outils de développement), appelée « chaîne d'outils ». L’efficacité de la chaîne d’outils détermine l’efficacité de l’ensemble du développement du système.

Bien qu'il puisse sembler qu'il n'y ait pas beaucoup d'étapes, l'ensemble du lien est en réalité très compliqué.

Prenons le traitement des données comme exemple. Il existe de nombreux types de données, notamment les données de caméra, les données de radar à ondes millimétriques et les données de nuages ​​de points lidar. Ces données doivent d'abord être débruitées, ce que l'on appelle le « nettoyage des données ». " . En prenant des photos comme exemple, le traitement des données nécessite d'abord d'effacer les informations de localisation géographique des images, de supprimer les informations sensibles telles que les visages et les plaques d'immatriculation, puis d'unifier le format avant que le traitement ne soit terminé.

Une fois le traitement des données terminé, l'étape suivante consiste à démarrer l'annotation des données. Les types d'annotation peuvent être grossièrement divisés en annotation d'objet cible 2D, 3D, annotation commune, annotation de ligne de voie, segmentation sémantique, etc. Cela implique également des spécifications d'annotation spécifiques et un processus d'inspection de la qualité des annotations. L'ensemble du processus est extrêmement lourd.

Et chaque maillon de ce processus complexe nécessite le support des outils et plateformes correspondants.

Contrairement au processus de développement MBD qui dispose déjà d'une chaîne d'outils mature, le processus de développement basé sur les données démarre tard et la chaîne d'outils est inefficace, ce qui pose de gros problèmes aux développeurs de conduite autonome des constructeurs automobiles.

Data-driven, la source est la donnéeConfrontés au problème de l'énorme volume de données mais de la rareté des données de grande valeur, les constructeurs automobiles n'ont pas beaucoup d'expérience sur laquelle s'appuyer.

Bien sûr, différents constructeurs automobiles ont différents niveaux d'accumulation dans le domaine de la conduite autonome et rencontrent différents problèmes dans la chaîne d'outils.

Certains constructeurs automobiles ont commencé tôt et ont investi massivement. Le pipeline (basé sur les données) a été entièrement exploité et ils ont accumulé beaucoup de choses afin d'améliorer encore l'efficacité, ils ont également réalisé de nombreux développements personnalisés de chaînes d'outils. Un développeur d'un constructeur automobile a déclaré à "Jiuzhang Zhijia" que parce que les chaînes d'outils existantes fournies par différentes entreprises sont un "développement segmenté", elles se concentrent uniquement sur leurs propres fonctions partielles plutôt que sur la situation globale, ce qui entraîne une grave fragmentation et des "îlots de données". . Afin de répondre à leurs propres besoins d'efficacité, ils doivent développer leurs propres chaînes d'outils ou trouver des entreprises dans l'écosystème pour les fournir. Même la plateforme d'annotation de données doit être développée par eux-mêmes.

Pour les constructeurs automobiles qui n'ont pas beaucoup d'expérience dans ce domaine, investir autant de personnes dans le développement de chaînes d'outils à ce stade n'est pas très « rentable ». D'une part, la base est faible et la base est faible. la technologie n’était pas encore développée à ce point. D’un autre côté, il n’y avait vraiment pas beaucoup de monde. Limités par l'investissement en ressources et les bases techniques, ils espèrent toujours intégrer des chaînes d'outils prêtes à l'emploi et parcourir le pipeline (basé sur les données) dès que possible. « Les chaînes d'outils ne sont pas notre compétitivité. La définition des exigences, l'intégration du système et les tests fonctionnels le sont. la nôtre "compétitivité", a déclaré le responsable de la conduite intelligente d'un constructeur automobile à "Nine Chapters Intelligent Driving".

Bien que différents constructeurs automobiles aient des étapes de développement différentes, ils ont également des similitudes, c'est-à-dire qu'ils ont tous le problème de la « fragmentation » des chaînes d'outils. Ensuite, nous partirons respectivement des deux maillons du traitement des données et de la simulation, et trierons en détail la situation actuelle et les points faibles de la chaîne d'outils.

02 Traitement des données : la pierre angulaire du datadriven

Datadriven, le noyau, c'est la data.

Le processus de développement traditionnel basé sur un modèle consiste davantage à optimiser le modèle en fonction de l'expérience passée du développeur, tandis que l'optimisation basée sur les données est basée sur des quantités massives de données. Pour les constructeurs automobiles, afin d’établir un processus de développement basé sur les données, ils doivent apprendre à gérer d’énormes données.

Le traitement des données est le premier et le plus compliqué maillon de toute la chaîne de développement, y compris la collecte de données, le prétraitement des données, l'exploration de données et l'annotation des données. La quantité de données et la qualité des données déterminent directement le niveau de l'ensemble du modèle. .

L'image ci-dessous montre le lien du traitement des données du pilote automatique de Tesla.

Processus de traitement des données de Tesla Autopilot (cité dans l'article Zhihu de Huang Yu)

La chaîne d'outils liée aux données comprend la collecte de données, le téléchargement de données, le nettoyage des données, l'annotation des données, etc.

1. Collecte de données : l’intelligence est impérative

Parlons d’abord de la collecte de données.

Il existe certains ensembles de données open source dans l'industrie qui peuvent être utilisés pour la formation de base des algorithmes. Actuellement, les ensembles de données les plus couramment utilisés incluent KITTI, nuScenes, etc. Cependant, la plupart de ces données proviennent d'ensembles de tests publics étrangers. et des ensembles de données présentant des caractéristiques locales chinoises, encore relativement peu nombreux.

Un résumé des ensembles de données open source pour la conduite autonome, citant l'article de Zhihu "Un résumé des ensembles de données open source pour la conduite autonome"

Dans ce cas, pour entraîner un algorithme qui correspond un scénario spécifique, vous devez collecter les données du scénario. Ce n’est que lorsque des données suffisantes et de bonne qualité seront collectées que le processus de suivi pourra être mis en œuvre. Quant à ce premier maillon, l’efficacité de la chaîne d’outils actuelle n’est pas très bonne.

Un employé d'une grande entreprise de fabrication de voitures neuves a déclaré à "Nine Chapters Smart Driving" que la stratégie de l'entreprise consistant à déclencher la collecte et le téléchargement de données de conduite autonome ne peut pas répondre aux exigences d'une analyse ultérieure des problèmes. Par exemple, après qu'un utilisateur a eu un accident de voiture, les données renvoyées ne peuvent pas être utilisées : soit la quantité de données est incomplète, soit la fréquence de collecte est incorrecte, et les développeurs sont très inefficaces pour résoudre le problème.

De manière générale, différents Corner Cases nécessitent différents formats de données et différentes périodes de temps pour une analyse ultérieure. Cela est facile à comprendre : la prise de contrôle provoquée par différentes raisons, qu'il s'agisse d'un problème avec le module de perception ou de prise de décision, ou d'une erreur dans la carte de haute précision, nécessite bien entendu des données différentes. Même pour certains cas particuliers, il y aura des exigences personnalisées en matière de collecte de données, permettant aux testeurs d'effectuer des tâches de collecte pour les essais sur route.

Précisément parce que les exigences de collecte sont complexes et que le lien est difficile à ouvrir, en réalité certains ingénieurs choisiront de collecter eux-mêmes les données lorsqu'ils rencontreront des problèmes.

Afin d'éviter les problèmes ci-dessus, certaines sociétés L4 Robotaxi choisissent d'utiliser la méthode de « copie de disque dur » la plus primitive pour renvoyer la quantité totale de données, puis d'effectuer une exploration de données.

Il n'y a aucun problème à le faire lorsque le nombre de véhicules d'essai est faible. Une fois que le nombre de véhicules de suivi atteint un certain niveau, la quantité de données collectées par la conduite autonome entrera bientôt dans l'ère du PB. Des données « massives », on peut vraiment trouver des informations précieuses, Corner Case, qui ne représente qu'une faible proportion, est une véritable « aiguille dans une botte de foin ».

Pour collecter des données fragmentées réellement utiles à la conduite autonome, une stratégie de collecte de données plus intelligente est nécessaire.

Qu'est-ce qu'une stratégie intelligente de collecte de données ? Il s’agit de collecter des données pour des scénarios spécifiques.

Lorsque le personnel interne de Huawei a communiqué avec "Nine Chapters Smart Driving", ils ont mentionné que "Huawei Octopus" a pour fonction d'étiqueter intelligemment les scènes : "Par exemple, une prise de contrôle manuelle se produit, ou un tunnel ou un rond-point se produit. , non protégé virages à gauche, etc., ainsi que des scénarios tels que les tricycles express où le cloud doit collecter et accumuler activement des données pour l'apprentissage. Les développeurs peuvent télécharger des images qui doivent être obtenues par le véhicule et émettre des instructions via le cloud et le véhicule. adoptera une méthode similaire de « recherche d'images ». De cette manière, des scénarios similaires seront automatiquement interceptés. De cette manière, il vous suffit de filtrer les données étiquetées « précieuses » et de les télécharger sur le cloud, ce qui peut éviter le téléchargement. l'intégralité des données et améliorer l'efficacité de l'exploitation minière de Corner Case. »

2. Annotation des données : tendance à l'externalisation et recherche de haute qualité et de prix bas

Après avoir trouvé des données précieuses, un nettoyage et une annotation des données sont nécessaires.

Dans les modèles de perception basés sur l'apprentissage profond, la méthode traditionnelle de formation au deep learning est toujours l'apprentissage supervisé. La formation avec cette méthode nécessite de « nourrir » le modèle avec une « vérité terrain ».

Alors d'où viennent ces données de « vraie valeur » ? Marqué manuellement.

On plaisante souvent dans l'industrie en disant que l'intelligence artificielle signifie « il y a autant d'intelligence qu'il y a d'humains ». En raison de la demande d'annotation massive de données, un nouveau métier est né : « formateur en intelligence artificielle ».

Bien que le nom de la profession semble joli, en fait, l'annotation de données est essentiellement une industrie à forte intensité de main-d'œuvre. Afin d’obtenir une main-d’œuvre suffisamment bon marché, les entreprises se sont rassemblées dans certaines régions du Xinjiang, du Henan et du Shanxi, formant des clusters industriels pour l’annotation des données.

En tant que clients (demandeurs d'étiquetage), ils se demandent si la qualité de l'étiquetage est suffisamment bonne et si le prix de l'étiquetage est suffisamment bon marché. En d'autres termes, « nous avons besoin que le cheval coure vite et que le cheval ne mange pas d'herbe. . " .

Tout d'abord, la formation du modèle nécessite une haute qualité de données annotées. La qualité des données détermine directement la précision du modèle formé. Si la qualité n'est pas élevée, il est facile de « mettre à la poubelle, laisser tomber ». La qualité des annotations est étroitement liée au coût des annotations. La grande question est de savoir si la qualité des annotations d'une main-d'œuvre bon marché dans les zones économiquement sous-développées peut répondre aux besoins des développeurs.

Deuxièmement, la quantité de données à annoter est énorme. Par exemple, un nouvel algorithme visuel nécessite généralement des dizaines de milliers à des centaines de milliers d'images annotées pour la formation. annotation La différence de prix est importante lorsqu'il s'agit de centaines de milliers d'exemplaires. Par conséquent, la demande est très sensible au prix.

Les exigences d'étiquetage de haute qualité entraîneront inévitablement une augmentation des coûts de main-d'œuvre, tandis que les prix bas affecteront la qualité de l'étiquetage. La haute qualité et les prix bas semblent être devenus une contradiction inconciliable.

Pour les constructeurs automobiles, embaucher des dizaines de personnes pour annoter les données semblera être un coût de main d'œuvre trop élevé. Ils préfèrent généralement sous-traiter à des plateformes d'annotation de données professionnelles ou à des équipes d'annotation de données. Les plateformes d'annotation de données les plus connues incluent Baidu Zhongchai, JD Zhongzhi, My Neighbour Totoro Data, Datatang, etc.

Cependant, l'externalisation est également divisée en deux catégories : la première catégorie est l'externalisation humaine, c'est-à-dire fournir vous-même la plateforme d'annotation et les outils d'annotation, et l'entreprise d'externalisation uniquement doit fournir la main-d'œuvre ; la deuxième catégorie est l'externalisation humaine. Le deuxième type est l'externalisation de services, c'est-à-dire qu'elle ne fournit pas de plate-forme d'annotation ni d'outils d'annotation, mais fournit directement les données à annoter à l'entreprise d'externalisation et à l'entreprise d'externalisation. fournit les données annotées.

Certains constructeurs automobiles ont des exigences très élevées en matière d'efficacité de l'étiquetage et choisiront de développer leurs propres plateformes d'étiquetage et outils d'étiquetage, ils choisiront donc l'externalisation humaine tandis que pour d'autres voitures ; entreprises En termes de prix, il n'est évidemment pas rentable de développer soi-même une plateforme d'annotation. D'une part, il faut investir autant de ressources pour développer une plateforme d'annotation. D'autre part, la plateforme d'annotation auto-développée a. aucun avantage en termes de prix par rapport aux produits externes, ce n'est donc pas rentable.

En raison de l'explosion de la demande du marché, de nombreuses start-up ont émergé dans le secteur de l'annotation de données. Data.forge en fait partie. Yang a déclaré à "Neuf chapitres de la conduite intelligente" : "Les clients sont les plus préoccupés par le rapport qualité/prix. Afin d'améliorer le rapport qualité/prix, ils ont pris de nombreuses mesures, telles que l'annotation auxiliaire automatisée et l'optimisation de la commodité des outils d'annotation, qui a également constitué le cœur de la compétitivité de l'entreprise.

Lorsque les initiés de Huawei l'ont présenté à "Nine Chapters Smart Driving", ils ont mentionné que "Huawei Octopus" fournissait également des services d'annotation de données : #🎜🎜 #

"Tout d'abord, 'Huawei Octopus' a passé beaucoup de temps à peaufiner son propre algorithme de pré-annotation. À l'heure actuelle, la précision de l'algorithme de pré-annotation de Huawei a atteint le premier niveau. Il a a été utilisé dans de nombreux domaines tels que nuScenes, COCO, KITTI, etc. A remporté la première place au défi international de test d'ensemble de données publiques de conduite autonome, l'algorithme de pré-annotation peut réduire considérablement le temps requis pour chaque image d'annotation de données #🎜🎜 #

"Deuxièmement, pour optimiser l'annotation. Pour le fonctionnement de la plateforme, nous combinerons des opérations métiers spécifiques pour optimiser la méthode d'interaction homme-machine et améliorer l'efficacité opérationnelle du personnel .

« Encore une fois, nous disposons d'un système de gestion mature pour garantir la qualité de l'annotation. Une fois que l'annotateur aura terminé l'annotation, celle-ci sera soumise à une auto-inspection par l'annotateur et de manière aléatoire. inspection et annotation par l'inspecteur de qualité. Après le triple processus d'inspection de qualité du responsable, il sera livré au client. Contrairement aux autres équipes d'étiquetage où la plupart du personnel d'étiquetage est situé au Xinjiang, au Henan, au Shanxi et dans d'autres endroits, l'équipe d'étiquetage manuel de Huawei. est à Shenzhen, directement dans les bureaux de Huawei. Ceci est fait pour faciliter la communication et la gestion, et pour mieux garantir la qualité de l'annotation

"Enfin, afin de résoudre le problème. problème d'ensembles de données open source locaux insuffisants, Huawei En plus de fournir aux clients des services d'annotation de données incrémentielles, Octopus peut également fournir aux clients 20 millions d'objets étiquetés, et cet ensemble de données est continuellement itéré et étendu. Les clients peuvent utiliser ces données pour la formation. . Construisez des modèles rapidement. ”

03 La simulation - un accélérateur pour le développement de la conduite autonome

En tant qu'élément essentiel de la chaîne d'outils de conduite autonome, le système de simulation est principalement composé de Il se compose de trois parties : bibliothèque de scènes, plate-forme de simulation et système d'évaluation. L'efficacité du système de simulation affecte directement l'efficacité de l'ensemble du lien de développement, il a donc toujours été un problème pour les clients et un marché ciblé par beaucoup. joueurs.

# 🎜🎜# C'est précisément à cause de l'importance et du statut immature du système de simulation que de nombreux joueurs se sont lancés dans cette piste. Selon le type d'entreprise, ces joueurs peuvent. faites-le en gros. Il est divisé en trois catégories : les sociétés de logiciels de simulation traditionnelles, les start-ups de logiciels de simulation et les géants de la technologie. Jetons un coup d'œil aux catégories ci-dessous. 🎜🎜#

Les logiciels de simulation traditionnels comprennent PreScan de Siemens, le VTD de la société allemande VIRES, CarMaker de la société allemande IPG et CarSim de MSC aux États-Unis. Ils sont largement utilisés par les constructeurs automobiles. soit en raison de leur accumulation profonde dans certains domaines, soit en raison de leurs excellentes performances dans certaines fonctions : CarMaker et CarSim ont l'accumulation la plus profonde et la plus grande force dans le domaine de la dynamique des véhicules. Il est célèbre pour ses capacités élevées de rendu de scène et son premier support ; pour OpenX ; PreScan a séduit de nombreux utilisateurs pour sa simplicité d'utilisation et sa facilité d'utilisation. Avec leurs avantages accumulés, ils sont devenus un acteur important dans le domaine des logiciels de simulation de conduite autonome

.

(2) Start-up de logiciels de simulation

Constater l'immense espace de marché pour les logiciels de simulation, de nombreuses start-ups et de nouveaux acteurs sont également entrés, j'espère avoir une part du gâteau. Par exemple, la startup nationale 51WORLD (anciennement 51VR) a lancé la plateforme de test de simulation de conduite autonome 51Sim-One ; la startup israélienne Cognata propose différentes solutions de simulation pour chaque étape des produits de conduite intelligente, afin de répondre aux besoins des différents clients. lancé un local Il existe trois versions : version, version cloud et version matérielle.

Les start-ups sont plus sensibles au marché et n'ont pas de bagage historique. La plateforme de simulation qu'elles proposent aux constructeurs automobiles a commencé à ouvrir consciemment tous les aspects de la simulation. et est devenu une force incontournable.

(3) Entreprise de logiciels de simulation géante de la technologie

NVIDIA : Drive Constellation

#🎜 🎜#NVIDIA a lancé le système de simulation Drive Constellation en 2018. Le système de simulation est construit par deux serveurs différents. Le premier serveur exécute le logiciel NVIDIA DRIVE Sim pour la simulation de capteurs, tels que les caméras, le lidar et le radar à ondes millimétriques, le deuxième serveur est équipé de la plate-forme informatique de véhicule d'intelligence artificielle NVIDIA DRIVE Pegasus utilisée pour le traitement. données de capteur simulées.

Drive Sim est basé sur la plateforme Omniverse. Selon les responsables de NVIDIA, il peut réaliser une simulation de capteur « photoréaliste et physiquement précise ». En termes de scénarios, Drive Constellation peut générer des flux de données, créer divers environnements de test, simuler diverses conditions météorologiques, ainsi que différentes surfaces routières et terrains, et peut également simuler des lumières vives éblouissantes à différents moments de la journée et une vision limitée la nuit.

Huawei : service cloud de conduite autonome "Huawei Octopus"

Dans le domaine de la chaîne d'outils de développement de conduite autonome, Huawei a lancé la conduite autonome cloud Le service, également connu sous le nom de "HUAWEI Octopus", fournit des solutions complètes en termes de collecte de données, d'exploration de cas difficiles, d'annotation de données, de formation d'algorithmes, de plateforme de simulation, etc., et fournit un grand nombre d'ensembles de données et de scénarios. La bibliothèque est à la disposition des clients pour aider les constructeurs automobiles à créer une plate-forme de développement de conduite autonome en boucle fermée basée sur les données.

De plus, basé sur la puissante activité cloud de Huawei, "Huawei Octopus" intègre la formation cloud et la simulation parallèle cloud, avec des scénarios de simulation riches et un traitement d'instance à haute concurrence. fournir plus de 200 000 instances de scénarios de simulation ; le kilométrage de test virtuel quotidien du système peut dépasser 10 millions de kilomètres et prendre en charge les tests simultanés de 3 000 instances.

Baidu : Apollo Platform

Baidu Apollo fournit aux développeurs des services de simulation de systèmes de prise de décision basés sur le cloud, construits sur Baidu Cloud et Microsoft Azure La plate-forme de simulation cloud sur Internet peut facilement créer des capacités d'exploitation virtuelles sur des millions de kilomètres par jour. En termes de bibliothèque de scénarios, la bibliothèque de scénarios fournie par la plateforme Baidu Apollo couvre les scénarios de normes réglementaires, les scénarios de conditions de travail dangereuses et les scénarios d'évaluation des capacités, avec un total d'environ 200 types.

Apollo a également coopéré avec Unity pour développer un environnement de simulation virtuelle basé sur le moteur Unity et a proposé un système de simulation de conduite autonome de bout en bout - la conduite autonome en réalité augmentée système de simulation AADS , qui augmente les images du monde réel en simulant le flux de circulation pour créer des scènes de simulation réalistes.

Baidu a ouvert l'ensemble de données de conduite autonome ApolloScape. Il a désormais ouvert 147 000 images d'images d'annotation sémantique au niveau des pixels, dont des centaines de milliers de classifications perceptuelles et routières. données réseau. Annotation de segmentation sémantique image par pixel des données d'image haute résolution et son annotation sémantique correspondante pixel par pixel. ”

Tencent : TAD Sim

Tencent a lancé la plateforme de simulation TAD Sim en 2018, qui est une combinaison de moteur de jeu professionnel et de technologie industrielle. grade Une plate-forme de simulation de conduite autonome intégrée virtuelle-réelle, en ligne-hors ligne, créée par un modèle de dynamique du véhicule, un flux de trafic intégré virtuel-réel et d'autres technologies peut réaliser la restauration géométrique, la restauration logique et la restauration physique de la scène #TAD. Sim prend également en charge le fonctionnement du cloud, y compris la simulation cloud basée sur des scènes et la simulation cloud basée sur une ville virtuelle, qui peut réaliser à la fois une simulation accélérée et une simulation à haute concurrence pour répondre à divers besoins dans le monde réel et accélérer les possibilités de conduite. processus de test de conduite autonome de l'entreprise. Il existe plus de 1 000 types de scénarios dans la bibliothèque de scénarios, avec une capacité de test quotidienne de plus de 10 millions de kilomètres. #Ces géants de la technologie construisent des plates-formes de simulation davantage basées sur leurs capacités de rendu existantes, le cloud computing et d'autres avantages. pour créer des processus de simulation de conduite autonome, ils accordent plus d'attention à la simulation parallèle dans le cloud, accordent plus d'attention aux bibliothèques de scènes et s'ouvrent plus consciemment. Tous les liens en amont et en aval ont fait un pas en avant dans les tests et la vérification du système de conduite autonome.

2. Points faibles de la simulation

(1) Logiciel de simulation : vous devez comprendre à la fois la simulation et les voitures

En tant que maillon de la chaîne de développement de la conduite autonome, la simulation doit être organiquement intégrée à d'autres maillons.

Les logiciels de simulation traditionnels, bien que très professionnels dans certains domaines, sont très gênants lors de la connexion avec les liens amont et aval.

Par exemple, pour les problèmes découverts lors de l'essai routier, les développeurs espèrent certainement inclure la scène dans la bibliothèque de scènes de simulation, afin de pouvoir effectuer des tests de régression plus tard. Cependant, de nombreux logiciels traditionnels ne prennent pas en charge cette fonction et ne le peuvent que. faites-le manuellement. Pour créer une bibliothèque de scènes, l'efficacité de la création manuelle d'une bibliothèque de scènes est très faible et vous ne pouvez pas en créer quelques-unes en une journée.

Par exemple, certains logiciels de simulation traditionnels ne peuvent fonctionner que dans l'environnement WINDOWS, mais désormais l'environnement de développement de la conduite autonome se trouve sous l'environnement Ubuntu.

Pour un autre exemple, la fonction de simulation cloud parallèle des logiciels de simulation traditionnels n'est pas compatible avec la simulation cloud, et certains ne sont compatibles avec la simulation cloud que dans les versions récentes. Selon un expert du secteur, les logiciels de simulation traditionnels vendant des licences, plusieurs licences sont nécessaires pour installer le logiciel sur plusieurs ordinateurs.

Alors que la simulation parallèle dans le cloud joue un rôle de plus en plus important, le modèle SaaS basé sur les frais de service est évidemment plus convivial et constitue également une tendance de développement ultérieure. Le modèle traditionnel de vente de licences de logiciels de simulation doit également être ajusté en conséquence.

La simulation parallèle dans le cloud peut sans aucun doute améliorer considérablement l'efficacité du développement de la conduite autonome. Les plates-formes de simulation de géants tels que Huawei, Baidu et Tencent peuvent se connecter de manière transparente à leurs plates-formes cloud. Les produits de la startup 51WORLD prennent également en charge le parallèle. simulation et peut être déployé dans des cloud privés et publics.

En plus de fournir des logiciels de simulation, les géants de l'écologie intègrent également des plateformes de simulation avec d'autres chaînes d'outils dans leurs solutions full-stack. Par exemple, « Huawei Octopus » fournit une chaîne d'outils de simulation et d'évaluation unique dans le cloud pour réaliser DevOps dans le domaine de la conduite autonome, de l'accès à l'entrepôt de code à la gestion des versions, en passant par la simulation et l'évaluation, il peut réaliser une boucle fermée automatisée. . De cette manière, il sera plus facile pour les constructeurs automobiles de démarrer et le coût d’adaptation sera inférieur.

Cependant, ces géants sont également confrontés à un défi de taille : en raison du manque d'accumulation suffisante de matériel tel que des modèles de dynamique des véhicules et des composants automobiles de base, ces entreprises doivent compléter leurs capacités pertinentes par l'auto-recherche ou la coopération. . Par exemple, Baidu a choisi de développer son propre modèle de dynamique de véhicule, et Apollo 5.0 a ajouté un modèle de dynamique de véhicule ; le système de simulation « Huawei Octopus » a coopéré stratégiquement avec VTD et a intégré le modèle de dynamique de véhicule de CarMaker. Il est entendu que Huawei et Saimu Technology ont également commencé à établir une relation de coopération et développeront des efforts dans le domaine de la sécurité fonctionnelle attendue de la conduite autonome (SOTIF).

(2) La bibliothèque de scénarios est le noyau

Dans le lien de développement basé sur les données, le pilotage par les données équivaut à la « tactique de la mer des questions ». Tout ce que l'examinateur peut faire, c'est poser des questions de plus en plus difficiles. . Dans le lien de développement du système, la bibliothèque de scénarios est équivalente aux questions de test données par l'examinateur pour évaluer la qualité du logiciel. Par conséquent, la quantité et la qualité de la bibliothèque de scénarios déterminent directement le niveau du système.

Les bibliothèques de scènes proviennent généralement de plusieurs sources : les bibliothèques de scènes achetées auprès de tiers sont basées sur des réglementations standard et des données d'expérience d'experts sont conçues pour les scénarios. Par exemple, si vous souhaitez créer une fonction de stationnement, vous devez concevoir des scènes de stationnement, ce qui demande plus de main-d'œuvre ; pour les événements de prise de contrôle ou les cas d'angle découverts lors de l'essai routier, générer à l'envers la bibliothèque de scènes, qui est équivalente à la bibliothèque de scènes. les candidats organisent leur propre "" basé sur de mauvaises questions précédentes.

En plus de ces bibliothèques de scènes, les constructeurs automobiles continuent également à "élargir" leurs propres bibliothèques de scènes à travers des cas particuliers rencontrés lors des essais routiers. En réponse à cette demande, certains logiciels de simulation, comme « Huawei Octopus », offrent la fonction de « convertir des scénarios de drive tests réels en scénarios de simulation en un clic », et peuvent être édités et généralisés sur cette base. Par exemple, en modifiant l'environnement météorologique, l'environnement environnant, la mise en miroir et d'autres moyens pour généraliser davantage de scénarios, Huawei fournit également des capacités de simulation hybride virtuelle et réelle.

La simulation hybride virtuelle-réelle consiste à créer des scénarios de test dans le cloud, puis à les charger dans le véhicule pour fonctionner. De cette manière, le véhicule peut simuler diverses scènes virtuelles sur des routes ouvertes ou des sites fermés, notamment. passages pour piétons, CUT-IN de véhicules non motorisés et autres scénarios dangereux, de sorte que l'algorithme de conduite autonome et les performances dynamiques du véhicule réel puissent être testés, améliorant ainsi l'efficacité des tests.

(3) Évaluation par simulation

L'évaluation de la simulation est peut-être la partie la plus négligée de l'ensemble du système de simulation.

L'évaluation par simulation comprend principalement deux aspects. D'une part, elle se réfère à la question de savoir si le test actuel peut être jugé réussi. D'autre part, elle se réfère à la cohérence et à la répétabilité du test réel du véhicule. même scène correspondant au test en cours.

Comment évaluer si le système peut réussir un examen de bibliothèque de scènes ? Les questions du test ont été publiées et les candidats les ont complétées. Alors, comment « noter » et définir des KPI pour le système logiciel de conduite autonome ?

Si vous étiez examinateur, à quels critères d'évaluation pensez-vous

Le point cible a-t-il été atteint ? A-t-il roulé en toute sécurité (pas de collision) ? Avez-vous grillé un feu rouge ? Est-ce que vous accélérez ou décélérez rapidement ? etc.

Il existe de nombreux critères d'évaluation rien que d'y penser. Ce qui est encore plus gênant, c'est que différents scénarios mettent un accent différent sur l'inspection des algorithmes, et il est très probable que les critères d'évaluation soient également différents. La bibliothèque de scènes regorge de choses étranges et les normes d'évaluation varient naturellement considérablement.

Mais en général, les critères d'évaluation peuvent être divisés en cinq aspects principaux : la conformité aux normes (si elle répond aux réglementations standard), la sécurité de conduite (si elle est suffisamment sûre), l'efficacité de conduite (si elle peut atteindre la destination de manière suffisamment efficace). , économie de carburant), confort de conduite (qu'il soit suffisamment confortable) et intelligence de conduite (qu'il soit assez intelligent).

Selon les experts du secteur, chaque bibliothèque de scènes doit avoir des critères d'évaluation « sur mesure » pour réussir ou échouer lors de sa construction. À l'heure actuelle, le logiciel de simulation doit fournir des normes d'évaluation de simulation diversifiées. S'il n'est pas fourni, cela signifie que certains aspects ne peuvent pas être évalués.

Par conséquent, chaque logiciel de simulation prédéfinit également à l'avance les normes d'évaluation de la bibliothèque de scènes pour les clients, telles que "Huawei Octopus", en termes de sécurité, de confort, de fiabilité, d'expérience d'interaction homme-machine, de convivialité, de conformité, un total 200 indicateurs d'évaluation ont été ouverts dans des dimensions telles que la consommation d'énergie et l'efficacité du trafic. Selon les initiés de Huawei, afin de rendre l'évaluation de simulation plus flexible, il prendra également en charge la personnalisation et le développement de normes d'évaluation de simulation par les clients à l'avenir.

3. Tendance de développement de la normalisation des logiciels de simulation

L'intégration de la plateforme de simulation et des chaînes d'outils en amont et en aval mentionnées ci-dessus est une intégration verticale. Il existe également un problème relativement important dans l'industrie, qui est l'intégration horizontale. intégration entre différents logiciels de simulation. Les formats ne sont pas compatibles.

Le même constructeur automobile utilise souvent plusieurs logiciels de simulation en même temps. Par exemple, il peut utiliser à la fois Prescan et VTD. Chaque logiciel de simulation accumulera une série de cas de scénarios, mais la bibliothèque de cas de scénarios est produite par différents logiciels de simulation. , Les formats sont incompatibles entre eux et les fichiers ne peuvent pas être utilisés universellement.

C'est en fait parce que l'ensemble du secteur n'est pas assez standardisé.

Afin de résoudre ce problème, le standard de domaine de simulation OpenX publié par ASAM a été reconnu par de nombreux constructeurs automobiles, fournisseurs et instituts de recherche scientifique. Actuellement, la plupart des logiciels de simulation ont commencé à prendre en charge le standard OpenX. L'ASAM développe davantage de normes.

Standard de format de simulation ASAM (cité dans le livre bleu de simulation de conduite autonome en Chine 2020)

Il existe encore certains logiciels de simulation qui ne prennent actuellement pas en charge le format OpenX. Selon des initiés du secteur : « Certaines sociétés de logiciels de simulation veulent contrôler tous les liens entre leurs propres mains, se rendant ainsi irremplaçables et liant les clients à elles, et elles ne peuvent pas les modifier même si elles le souhaitent. C'est également le cas de certaines sociétés de tests de simulation. Dans le passé, c'est la méthode habituelle des géants. Mais c'est tout à fait inacceptable pour les constructeurs automobiles. Ils ne veulent vraiment pas se laisser kidnapper et espèrent parvenir à une standardisation et réduire les coûts de migration.» nombre de personnes qui ne supportent pas OpenX. Dans l'ensemble, la standardisation est très importante. Je pense qu'avec les progrès de la standardisation, la compatibilité des fichiers entre différents logiciels ne sera plus un problème dans un avenir proche.

4. Les cartes de haute précision sont un élément indispensable de la chaîne d'outils

Tout le monde sait que de nombreuses fonctions de conduite autonome L2+ utilisent désormais des cartes de haute précision, en particulier pour la conduite autonome L4, les cartes de haute précision deviendront une base importante. Pour la simulation de conduite autonome, les cartes de haute précision constituent également un maillon indispensable et important. La construction de nombreuses scènes de simulation, telles que la conversion de la scène de drive test mentionnée ci-dessus en scène de simulation et la simulation hybride virtuel-réel, sont indissociables de la prise en charge de cartes de haute précision.

(1) Problèmes de conformité

Cependant, les cartes HD présentent également de nombreux problèmes. La première chose à résoudre est le problème de conformité.

À l'heure actuelle, il n'existe que plus de 20 entreprises nationales possédant des qualifications d'arpentage et de cartographie de classe A. Parmi les constructeurs automobiles, SAIC China Haiting et Geely Yikatong. , et les acquisitions récentes de Xpeng Motors de Zhitu Technology possèdent également des qualifications d'arpentage et de cartographie de classe A.

Bai Xinping, PDG de NavInfo, a déclaré un jour aux médias : « Les cartes de haute précision doivent être réalisées par des entreprises qualifiées. Les qualifications sont liées à la conformité et à la sécurité. Au début, la supervision du pays dans ce domaine n'était pas trop stricte, et elle deviendra de plus en plus stricte à l'avenir.

Dans ce contexte, afin de résoudre les problèmes de conformité des solutions de production de masse, les constructeurs automobiles choisiront des prestataires de services cartographiques qualifiés pour coopérer. Les fournisseurs de services cartographiques doivent créer une infrastructure performante et fiable qui répond aux exigences de sécurité et de conformité et peut prendre en charge efficacement le stockage sécurisé de données cartographiques massives. Ils doivent également disposer de ressources informatiques puissantes et d'algorithmes intelligents pour désensibiliser les données des tests de conduite. le traitement des demandes de conformité. Dans le même temps, le système doit également aider efficacement les partenaires tiers à réaliser des services de développement de conduite intelligente et d'application de données cartographiques.

(2) Problèmes de précision dans les scènes complexes

Actuellement, les principaux fournisseurs de services de cartes ont couvert les principales autoroutes et voies rapides à travers le pays, mais la qualité de la carte n'est toujours pas optimiste et il y aura toujours des marquages ​​manquants et erronés. .

Des initiés de l'industrie ont déclaré à Jiuzhang Zhijia que la couverture cartographique de haute précision des tronçons d'autoroute par un fournisseur de services cartographiques leader est incomplète, en particulier pour les rampes d'entrée et de sortie des autoroutes, les gares de péage et les zones de service, il y aura des écarts ou une couverture incomplète. à la situation.

En communiquant avec le responsable des cartes de haute précision d'un certain constructeur automobile, le responsable a déclaré à Jiuzhang Zhijia que lorsqu'ils testaient le L4 Robotaxi, la scène principale était sur des routes urbaines, et cette partie du le service de cartographie peut être couvert. Il existe peu de fournisseurs, et la qualité et la fréquence de mise à jour ne sont pas élevées, ils doivent donc collecter et produire eux-mêmes des cartes de haute précision.

Par conséquent, les cartes de haute précision devraient non seulement renforcer la couverture des autoroutes, mais également se concentrer sur la résolution du problème de couverture dans les scénarios de déplacements urbains et améliorer la précision des conditions routières complexes. Ce n'est qu'ainsi que le rôle de support des cartes de haute précision pour la conduite autonome pourra être amélioré, tout en soutenant efficacement la simulation et les tests de conduite autonome dans des scènes urbaines complexes.

(3) Problème de mise à jour dynamique

Les cartes HD doivent également résoudre le problème de la mise à jour dynamique, sinon, une fois que les données perdront leur actualité, elles ne seront pas seulement incapables de prendre en charge efficacement la conduite intelligente, mais pourraient également. entraîner des risques pour la sécurité.

Actuellement, de nombreux initiés de l'industrie pensent que le modèle de mise à jour participative des cartes deviendra le modèle technologique dominant à l'avenir car il présente plus d'avantages en termes de rapidité de mise à jour et de coût de collecte. Pour cette voie technique, les fournisseurs de services de cartes nationaux concernés sont nous. Nous explorons et effectuons également constamment des tests techniques pertinents. Les mises à jour cartographiques participatives sont non seulement confrontées à de nombreux défis techniques, tels que des sources de données diversifiées, une qualité inégale, des normes d'éléments de collecte incohérentes, une interopérabilité des liaisons cloud-appareil-véhicule, etc., mais elles sont également confrontées à des contraintes liées aux lois et réglementations nationales, ce qui implique de tels risques. tels que le filtrage des informations géographiques sensibles, le cryptage des données cartographiques et la fuite de la vie privée, et nécessite une planification globale plus approfondie de la part des départements nationaux concernés.

En fait, résoudre la mise à jour dynamique de cartes de haute précision est un projet systématique qui nécessite l'agrégation et l'intégration de plusieurs ressources et données, ainsi que la collaboration d'appareils cloud et edge. Grâce aux fournisseurs de services cartographiques, aux voitures connectées intelligentes et à divers systèmes de transport, les participants, les infrastructures routières, l'informatique de pointe et la collaboration dans le cloud, ainsi que les mégadonnées de trafic, les données de construction et d'entretien des routes, les sociétés d'exploitation routière et d'autres parties coopèrent pour réaliser des mises à jour dynamiques. des cartes de haute précision et améliorent la fraîcheur des données cartographiques de haute précision.

De l'avis de l'auteur, la production et la mise à jour de cartes de haute précision sont un projet énorme. Si une norme unifiée d'éléments cartographiques de haute précision peut être formée, plusieurs ressources peuvent être coordonnées et coordonnées, le travail répétitif peut être réduit et un Une carte du pays peut être dessinée conjointement, ce qui sera grandement bénéfique pour réduire les coûts de l'industrie, améliorer l'efficacité de l'industrie et la fiabilité des données, et réduire les risques de sécurité des données.

04 Aller vers le cloud ou ne pas y aller, c'est une question

1 Il y a de nombreux avantages à aller vers le cloud

Dans le développement de systèmes basés sur les données, qu'il s'agisse du stockage de. données massives, formation de modèles ou tests de simulation parallèles, tout cela nécessite une grande quantité de ressources informatiques.

Des initiés de l'industrie ont déclaré à "Nine Chapters Smart Driving" que lors du développement de systèmes de conduite autonome, ils seront soudainement confrontés à des besoins soudains en matière de puissance de calcul, tels que la formation de modèles et le processus d'achat de nouveaux. la puissance de calcul sera Pour les serveurs, le processus d'approbation peut prendre plusieurs mois, ce qui affecte grandement les progrès du développement. Il est entendu que pour répondre à cette demande, la filiale de développement de la conduite intelligente d'un certain constructeur automobile a prévu, lors de la planification d'un nouveau bâtiment de bureaux, un étage entier de l'immeuble de bureaux comme salle informatique.

Qu'il s'agisse de stockage ou de formation, il existe effectivement un très bon moyen de faire face à cette demande soudaine, qui est d'aller vers le cloud.

Le passage au cloud présente de nombreux avantages. Par exemple, l'environnement de développement cloud a une bonne compatibilité, une expansion élastique rapide peut améliorer l'efficacité du développement, et il y a également des avantages en termes de coût et de sécurité des données.

Par rapport aux salles informatiques auto-construites, les avantages du passage au cloud

Dans le contexte particulier de l'épidémie du nouveau coronavirus, la transformation numérique est devenue le moyen de survie des entreprises. En réponse à l'épidémie, si les entreprises souhaitent réaliser des activités en ligne en temps réel et déplacer des scénarios de services hors ligne vers en ligne, elles doivent entreprendre une transformation numérique et intégrer les employés, les clients, les services et les processus via des réunions cloud, des achats cloud, des ventes cloud, des services cloud. signature, etc. Entièrement en ligne.

Plus le degré de développement numérique est élevé, plus il est bénéfique pour le développement des entreprises. Les données de recherche d'IDC ont révélé que la viabilité des entreprises ayant un indice de numérisation élevé est encore plus de cinq fois supérieure au niveau moyen.

L'industrie estime généralement que pour réaliser la transformation numérique, passer au cloud est le seul moyen, voire la première étape "La numérisation doit d'abord aller vers le cloud".

Le passage au cloud est une option nécessaire pour établir un lien de développement en boucle fermée pour les données de conduite autonome. Prenons l'exemple du lien optimisé de « Huawei Octopus » sur Corner Case. Après une prise de contrôle manuelle du côté de la voiture, « Huawei Octopus » est automatiquement déclenché et les retours en ligne sur le cloud suivent, lisent et diagnostiquent la cause. .Si confirmé Si cela relève de la propre responsabilité du véhicule (son propre problème de système), le service de collecte de données téléchargera les données valides avant et après la prise en charge dans le cloud et entrera dans le processus de traitement des données.

Si le lien de perception doit être optimisé, la collecte, le nettoyage et l'annotation des données seront effectués Après traitement, le module de perception sera formé sur le cloud si le module de contrôle de planification doit être optimisé, le problème. Le scénario sera converti en une bibliothèque de scénarios de simulation en un seul clic. Le système d'algorithme optimisé doit subir des tests de simulation et des tests de régression parallèles. Si l'évaluation de la simulation réussit également, le service push OTA sera lancé dans le cloud pour mettre à niveau le système côté véhicule. De cette manière, une boucle fermée complète est complétée. Le lien en boucle fermée des données « Huawei Octopus » avec le cloud est le seul moyen pour la conduite autonome de passer de la phase de développement et de test à la commercialisation.

À l'heure actuelle, la plupart des constructeurs automobiles se concentrent encore sur le développement et les tests, le nombre de véhicules d'essai allant de quelques à des dizaines. Cependant, à mesure que le nombre de véhicules d'essai augmente, il atteindra des dizaines de milliers de véhicules par la suite. production de masse, la quantité de données générées chaque jour passera également de centaines/milliers de To à 10 Po, et la puissance de calcul GPU requise pour la formation et la simulation parallèle passera également de dizaines à des milliers. deviendra de plus en plus urgent.

Après avoir compris les avantages du passage au cloud, examinons la classification du cloud computing.

Les cloud sont généralement divisés en trois catégories : cloud public, cloud privé et cloud hybride.

Le cloud public est construit sur une infrastructure n'appartenant pas à l'utilisateur et peut être alloué à un cloud pour être utilisé par plusieurs locataires. Le cloud le plus souvent mentionné fait référence au cloud public. Les fournisseurs de services de cloud public courants incluent Amazon AWS et Alibaba Cloud. , Huawei Cloud et Tencent Cloud, etc.

Le cloud privé est généralement créé pour un seul client, et les droits d'accès sont exclusifs à ce client. Les clients peuvent choisir de le construire dans leur propre salle informatique (déploiement privé), ou ils peuvent choisir de fournir des services d'hébergement dans le cloud. salle informatique du prestataire (Hosted Private Cloud).

Le cloud hybride peut généralement être considéré comme une combinaison de cloud privé et de cloud public, ou comme un cloud public faisant appel à différents fournisseurs de services.

On pense généralement que les cloud publics peuvent se développer rapidement et sont plus adaptés aux charges de travail avec une forte demande ou des fluctuations. Cependant, pour étendre les cloud privés, de nouveaux matériels et ressources doivent être achetés ou loués, ce qui est beaucoup plus compliqué. Dans le processus de développement de la conduite autonome, d'une part, à mesure que le nombre de véhicules augmente, la demande de stockage augmentera de façon exponentielle. D'autre part, il y a souvent des demandes soudaines de grande puissance de calcul pendant le développement (formation cloud ou simulation parallèle). , etc.). Face à une telle demande, le cloud public sera plus adapté.

À en juger par la tendance de développement du cloud computing, la part de marché du cloud public augmente d'année en année, tandis que la part de marché du cloud privé diminue d'année en année. Les données d'iiMedia Consulting montrent que sur le marché chinois du cloud computing en 2020, l'échelle du cloud public a dépassé le cloud privé en 2019 et est devenu le premier marché majeur.

2. Problèmes de sécurité des données

Lors de la communication avec "Nine Chapters Smart Driving", tout en reconnaissant les avantages du cloud public, le personnel du constructeur automobile a également exprimé ses inquiétudes concernant la sécurité des données : "Mes données sont placées dans le cloud public, est-ce qu'il sera détourné par d'autres ? » a déclaré un employé d'une entreprise automobile.

C'est précisément à cause de ces préoccupations que de nombreux constructeurs automobiles choisiront de construire leurs propres serveurs ou de choisir des cloud privés ; certains constructeurs automobiles choisiront des cloud hybrides, c'est-à-dire qu'ils n'exécuteront que certains services qui n'impliquent pas de données. la sécurité et la confidentialité des données sur le cloud public et exécutez d'autres services dans le cloud privé.

Bien que certains grands constructeurs automobiles et nouvelles forces de construction automobile choisissent le cloud public, ils choisissent un fournisseur de services avec lequel ils entretiennent une relation d'équité lorsqu'ils choisissent un fournisseur de services de cloud public. « Après tout, ils sont leur propre personnel, donc. ils n'ont pas à se soucier de la sécurité des données. » Ils l'expliquent ainsi.

La base de la confiance est la compréhension mutuelle et la familiarité. Souvent, la méfiance est due à un manque de compréhension, comme dans le cas du cloud computing.

Pour les entreprises qui migrent vers le cloud, une protection adéquate de leurs données cloud est l'exigence de sécurité la plus importante et la plus fondamentale. C'est également la « bouée de sauvetage » permettant aux fournisseurs de services cloud de gagner la confiance des clients.

Selon l'introduction dans "Alibaba Economy Cloud Native Practice", les exigences des clients en matière de sécurité des données peuvent être résumées par les trois éléments de base de la sécurité de l'information "CIA", à savoir la confidentialité (Confidentialité) et l'intégrité (Intégrité) et la disponibilité .

La confidentialité signifie spécifiquement que les données protégées ne sont accessibles qu'aux utilisateurs légaux (ou attendus). Ses principales méthodes de mise en œuvre comprennent le contrôle de l'accès aux données, la prévention des fuites de données, le cryptage des données et la gestion des clés.

L'intégrité garantit que seuls les utilisateurs légitimes peuvent accéder aux données protégées. Les utilisateurs (ou attendus) peuvent modifier les données, ce qui est principalement obtenu grâce au contrôle d'accès. Dans le même temps, l'intégrité des données utilisateur peut être garantie grâce à des algorithmes de vérification lors de la transmission et du stockage des données.

La disponibilité des données est principalement reflétée ; dans les capacités globales de sécurité, les capacités de reprise après sinistre et la fiabilité de l'environnement cloud, ainsi que la garantie de fonctionnement normal de divers systèmes associés sur le cloud (systèmes de stockage, accès au réseau, mécanismes d'authentification d'identité, mécanismes de vérification des autorisations, etc.).

Parmi ces trois aspects, le moyen technique le plus important pour garantir la confidentialité (Confidentialité) est le cryptage des données, et il s'agit d'une capacité de cryptage des données en lien complet.

Le « chiffrement Full-Link » fait référence à la capacité de protection du chiffrement des données de bout en bout, ainsi qu'au chiffrement de l'ensemble du cycle de vie des données. Il fait principalement référence au processus de transmission du hors cloud vers le on-cloud. cloud et entre les unités sur le cloud, jusqu'au processus de calcul (traitement/échange) des données lorsque l'application est en cours d'exécution et à la capacité de cryptage pendant le processus de stockage jusqu'à ce que les données soient finalement conservées et déposées sur le disque.

En général, le processus d'opération de cryptage des données consiste à calculer les données en clair à l'aide d'algorithmes de sécurité reconnus au niveau international et national pour obtenir le texte chiffré des données. Dans les opérations cryptographiques, des clés protégées et gérées de manière sécurisée constituent une condition suffisante et nécessaire à la protection cryptographique. En d’autres termes, le contrôle de la clé contrôle également l’initiative de l’opération globale de chiffrement. Étant donné que l'utilisateur apporte sa propre clé principale en tant que ressource utilisateur et que tout appel doit être autorisé par l'utilisateur, l'utilisateur dispose d'un contrôle et d'une initiative totalement indépendants sur l'utilisation des données cryptées. Dans le même temps, tous les appels aux ressources utilisateur seront entièrement affichés dans l'audit des journaux, de sorte que la transparence de l'utilisation du cloud des données cryptées est mieux garantie.

Le cycle de vie de la sécurité des données est extrait de la pratique cloud native d'Alibaba Economy

De nombreuses personnes du secteur ont également mentionné un point lors de leur communication avec "Nine Chapters Smart Driving" : qui peut garantie Les employés internes ou le personnel d'exploitation et de maintenance du fournisseur de services cloud utiliseront-ils leurs autorisations pour utiliser secrètement mes données ?

Cela implique en fait la conformité, qui doit être garantie par des processus internes, et ce processus interne est souvent confirmé par une certification de conformité par un tiers faisant autorité. Parmi elles, la certification de système de sécurité de l'information la plus faisant autorité, la plus largement acceptée et appliquée au monde est ISO27001. Les certifications de conformité délivrées par chaque principal fournisseur de services cloud peuvent également être trouvées sur leurs sites Web officiels.

La certification de conformité externe doit également être mise en œuvre en interne. En prenant Huawei comme exemple, il existe une série de réglementations sur les lignes rouges de sécurité interne, du développement à la gestion, une fois que quelqu'un les violera, la sanction sera très stricte, et elle le sera. rétrogradé, puni, etc. Avertissement, voire expulsion, etc. En parlant des problèmes de conformité, l'initié de Huawei a également plaisanté en disant qu'après que les États-Unis ont commencé à imposer des sanctions à Huawei, ils ont fait de leur mieux pour trouver des preuves « solides » de la « non-conformité » de Huawei dans le monde. il n'a pas été trouvé depuis plus de deux ans. Trouvé, cela prouve également à quel point Huawei est strict en termes de conformité. Il y a quelque temps, le service cloud de voiture intelligente de Huawei a également passé la certification tierce ASPICE L2 et le groupe Volkswagen. Examen du PN (fournisseur potentiel) d'APSICE (KGAS) Cela montre également que la qualité de la R&D et le processus de développement des services cloud pour voitures intelligentes de Huawei ont été reconnus par les principaux constructeurs automobiles internationaux.

Peut-être que ce serait plus facile à comprendre du point de vue de la logique métier. Pour les fournisseurs de services cloud, la sécurité des données client est essentielle. Lorsqu’un problème survient, cette confiance n’existe plus et l’ancrage de l’entreprise est perdu. Et du point de vue de l'architecture du cloud computing lui-même, les données sur le cloud seront plus sûres : d'une part, les fournisseurs de services cloud effectueront une sauvegarde des données pour une reprise après sinistre hors site (afin d'éviter la perte de données causée par des catastrophes naturelles telles que des incendies). ), en revanche, le niveau de protection de la sécurité sera également plus élevé (plus de talents en matière de sécurité, plus de mesures de sécurité en place).

Bien que le passage au cloud soit une tendance générale pour les constructeurs automobiles, cela ne se fera pas du jour au lendemain. Il faut un processus pour que les constructeurs automobiles comprennent et acceptent le cloud public.

Un spécialiste du marketing du cloud public a déclaré à "Nine Chapters Smart Driving" que, relativement parlant, les entreprises de conduite autonome et les constructeurs automobiles étrangers ayant une expérience Internet sont plus disposés à se tourner vers le cloud. Les constructeurs automobiles traditionnels, en particulier les entreprises publiques, le sont. inquiet pour les données. Il y en aura plus.

Du point de vue de la tendance de développement de l'industrie du cloud computing, différentes industries ont des compréhensions différentes du cloud, et le taux d'utilisation du cloud computing est également différent. Selon les données de Frost & Sullivan, les principaux utilisateurs du cloud computing en Chine. se concentrent actuellement sur l'exposition au cloud. Parmi les domaines antérieurs tels que l'Internet, la finance et le gouvernement, les industries liées à Internet représentent environ un tiers, et le cloud gouvernemental représente actuellement environ 29 %. des secteurs tels que le transport, la logistique et la fabrication s’améliorent rapidement. Je crois qu'à l'avenir, à mesure que les constructeurs automobiles approfondiront leur compréhension du cloud computing et accéléreront le processus de transformation numérique, leur acceptation du cloud deviendra de plus en plus élevée. Dans un avenir proche, l’impossibilité d’accéder au cloud ne sera peut-être plus un problème.

05 La tendance au développement des chaînes d'outils

1. Efficacité : de bout en bout

Actuellement, le plus gros problème pour les constructeurs automobiles dans le développement de systèmes de conduite autonomes est la segmentation mutuelle des chaînes d'outils et des îlots de données.

Les entreprises et les start-ups traditionnelles de la chaîne d'outils se concentrent souvent sur un certain maillon de la chaîne d'outils. Par exemple, ceux qui font de la simulation font de la simulation, et ceux qui font de l'annotation font de l'annotation. Lorsqu'elles sont utilisées par les constructeurs automobiles, chaque pièce est utilisée comme. fait partie de l'ensemble de la chaîne d'outils de développement. Un maillon est utilisé en série. Si vous vous concentrez uniquement sur un certain maillon au milieu, il sera inévitablement « mal aligné » avec d'autres maillons.

De plus, la chaîne d'outils actuelle manque de normes industrielles. Chaque entreprise est très différente et les clients doivent passer beaucoup de temps à s'adapter. Par conséquent, les constructeurs automobiles espèrent qu'un fournisseur pourra connecter plusieurs maillons de la chaîne d'outils pour réduire. propres coûts d’adaptation. Voyant cette opportunité, les géants de la technologie sont entrés sur le marché avec « l'écologie de la chaîne d'outils » et ont fourni des chaînes d'outils complètes.

Ce qui suit est un inventaire de l'écologie des géants de la technologie :

(1) NVIDIA : l'écologie basée sur les puces

Le géant des puces NVIDIA a construit une architecture unifiée et un matériel GPU autour de la voiture, bureau et cloud Avec l'architecture logicielle CUDA, les développeurs peuvent appeler des modèles d'apprentissage profond complexes avec des instructions très simples. "Nine Chapters Smart Driving" a appris de l'échange avec des experts du secteur que la raison importante pour laquelle ils ont choisi NVIDIA est que NVIDIA dispose d'une chaîne d'outils stable et d'un écosystème logiciel riche. L’avantage d’une chaîne d’outils mature est que si quelque chose ne va pas, vous pouvez rapidement localiser le problème.

En 2017, NVIDIA a lancé la plateforme de conduite autonome NVIDIA DRIVE, qui est également équipée des architectures logicielles auto-développées Drive AV et Drive IX. Contrôleur de conduite intelligent embarqué pour la plateforme NVIDIA DRIVE. La série Xavier est actuellement sur le marché et le dernier Orin devrait être produit en série en 2022 et peut répondre à la norme de sécurité fonctionnelle ISO 26262 ASIL-D.

Dans le domaine de la simulation, NVIDIA a lancé le système de simulation Drive Constellation et Drive Sim en 2018.

En 2019, NVIDIA a également présenté sa solution de positionnement de haute précision DRIVE Localization. De plus, NVIDIA prévoit également une solution de crowdsourcing de cartes de haute précision NVIDIA MapWorks.

Actuellement, NVIDIA a établi une coopération R&D sur la conduite autonome avec Mercedes-Benz, Audi, Toyota, Volvo, Bosch, Continental et d'autres sociétés.

(2) Huawei : Un écosystème ouvert de combinaison cloud, tube, terminal et noyau

Huawei adhère à la stratégie consistant à « ne pas construire de voitures, se concentrer sur la technologie TIC et aider les constructeurs automobiles à construire de bonnes voitures ». Dans les puces, le cloud, les logiciels et le matériel, les chaînes d'outils, les cartes de haute précision et d'autres aspects s'efforcent de former un « coup de poing combiné » pour former un écosystème ouvert.

La plate-forme informatique de conduite intelligente de Huawei MDC intègre le processeur, la puce IA et d'autres puces de contrôle développés par Huawei, et intègre le réglage des logiciels et du matériel sous-jacents pour atteindre des performances globales de pointe. En outre, Huawei MDC dispose également d'une plate-forme de test et d'une chaîne d'outils complètes, fournissant une solution complète pour le développement de MDC. Le matériel de la plate-forme MDC exécute le système d'exploitation de conduite intelligente AOS/VOS et MDC Core. En d’autres termes, MDC dispose de logiciels et de matériels de qualité automobile, que les constructeurs automobiles peuvent facilement sélectionner pour des modèles produits en série.

Schéma d'architecture globale du MDC - tiré du livre blanc de Huawei MDC

Dans le domaine de la chaîne d'outils de développement de la conduite autonome, Huawei a lancé un service cloud de conduite autonome. En outre, Huawei a également lancé des services cloud pour l'Internet des véhicules (conduite intelligente, collecte et stockage intelligents de données dans le cockpit), des services cloud à trois puissances (gestion cloud et contrôle de trois systèmes électriques) et des services cloud de cartes de haute précision. En plus de cela, Huawei a également mis en œuvre des mesures douces et dures pour déployer des capteurs de conduite autonome.

(3) Baidu : Apollo Open Platform

En 2017, Baidu a lancé la plateforme ouverte de conduite autonome Apollo pour fournir un logiciel ouvert, complet et sécurisé aux partenaires de l'industrie automobile et des domaines de la conduite autonome. la plate-forme Apollo est un ensemble complet de systèmes logiciels, matériels et de services, comprenant quatre parties : plate-forme de véhicule, plate-forme matérielle, plate-forme logicielle et services de données cloud. Elle peut aider les partenaires à combiner des véhicules et des systèmes matériels pour créer rapidement votre propre conduite autonome. système.

Apollo a ensuite continué à se moderniser, ouvrant la conduite autonome visuelle à grande vitesse dans une zone limitée, le stationnement autonome (voiturier), les véhicules opérationnels sans pilote (MicroCar), les navettes automatiques (MiniBus) et les villes complexes. Conduite autonome sur route et autres solutions, et a commencé à construire sa propre flotte de Robotaxi et à mener des opérations de test dans divers endroits sous la marque « Luobo Kuaipao ».

Il convient de mentionner qu'Apollo a publié le middleware Cyber ​​​​RT pour améliorer la sécurité du système de conduite autonome.

Les développeurs de l'écosystème Apollo fournissent des services de simulation de système basés sur le cloud et un système de simulation de conduite autonome en réalité augmentée AADS.

Au début de 2021, Baidu et Geely ont créé conjointement Jidu Automobile et ont annoncé leur intention de construire des voitures. Robin Li a déclaré publiquement que « le but de la création de Jidu Automobile est. pour mettre sur le marché la technologie de conduite autonome et la technologie de cockpit intelligent de Baidu.

(4) Tencent : service cloud full-link et plateforme de développement

Tencent présente également automatique Une plateforme de développement qui pilote l’écosystème cloud. Tencent ne construit pas de voitures ni de capteurs, mais fournit uniquement des logiciels et des services.

Côté voiture, Tencent propose des solutions qui incluent la perception, le positionnement, la planification, la prise de décision et le contrôle sur le cloud, basées sur le stockage cloud et la puissance de calcul ; support, Tencent Il a construit un service cloud complet de gestion de la collecte de données, d'annotation d'échantillons, de formation et d'évaluation d'algorithmes, de diagnostic et de débogage, de simulation cloud (plate-forme de simulation TAD Sim) et de retour d'information réel sur les véhicules en boucle fermée pour fournir un Link Cloud Service et plate-forme de développement qui prend en charge la recherche et le développement de la conduite autonome.

Agencement et positionnement de l'entreprise de conduite autonome de Tencent (cité dans le partage public en ligne de Tencent Su Kuifeng) # 🎜🎜#

La chaîne d'outils full-stack présente des améliorations évidentes en termes d'efficacité, notamment dans la mesure où elle peut rapidement construire un pipeline. Les initiés de « Huawei Octopus » ont déclaré : Si la solution de chaîne d'outils discrète de chaque entreprise est utilisée, le simple débogage du lien peut prendre plusieurs mois. Cependant, « Huawei Octopus » l'a déjà fait pour l'ensemble du lien. L'intégration et l'adaptation sont terminées. la duplication du travail est réduite. De plus, Huawei fournit également aux clients un ensemble d'algorithmes de référence qui peuvent déboguer et optimiser sur cette base, ce qui réduit considérablement la difficulté de démarrage. L'exécution ne prend que quelques jours au maximum. tout le processus. Lien complet, très efficace.

2. Ouvert : découplage de chaque module

La raison pour laquelle de nombreux constructeurs automobiles choisissent de développer des chaînes d'outils auto-développées est, sur le D'un côté, pour des raisons d'efficacité. D'un autre côté, pour des raisons de « sécurité », les constructeurs automobiles souhaitent également conserver leur contrôle passé sur l'écosystème et détestent instinctivement le risque potentiel d'être « bloqués », c'est pourquoi ils aiment souvent travailler avec des chaînes d'outils. . coopération avec les petites entreprises.

En termes d'ouverture, différents géants de la technologie ont des stratégies différentes. Selon un développeur de conduite autonome d'une certaine usine automobile, l'écologie de la plate-forme de développement de conduite autonome d'une certaine entreprise. est différent. Découplé : « Si vous voulez le choisir, vous devez « l'accepter dans son intégralité » et ne pas accepter l'utilisation d'un seul module. » Ceci est utilisé pour lier profondément les clients. Huawei a choisi une autre voie : découpler chaque module ; .

Selon les initiés de Huawei, la chaîne d'outils de « Huawei Octopus » est divisée en quatre parties : données, formation, simulation et supervision. Ces quatre parties sont complètement ouvertes. et découplé, non lié, les clients peuvent le remplacer à tout moment.

3. La méthode de coopération est plus flexible

Pour les constructeurs automobiles, si les réserves techniques existantes ne peuvent pas soutenir les plans de production de masse, elles doivent produits ne peut être qu'externalisé, ce qui semble entrer en conflit avec la stratégie d'auto-recherche.

Lors de la communication avec "Nine Chapters Smart Driving", les réponses données par les développeurs des constructeurs automobiles étaient étonnamment cohérentes : d'une part, les voitures produites en série sont équipées d'externalisation Étant donné que la solution ADAS est un achat en boîte noire, le fournisseur n'ouvre aucune donnée. Cependant, pour le bien de la compétitivité et des ventes du véhicule, les constructeurs automobiles ne peuvent que tolérer cette « situation difficile immédiate » ; Dans le même temps, de nombreuses ressources humaines et matérielles ont été investies dans la solution L2+ auto-développée. « Une fois que la solution auto-développée aura mûri, elle sera progressivement remplacée et mise sur le marché. est devenu « Poésie et Distance ».

Compte tenu de ces demandes des clients des constructeurs automobiles, « Huawei Octopus » propose aux clients une variété de plans de coopération. Les initiés de Huawei ont présenté : « Pour le premier plan, Huawei est responsable du développement et de la fourniture de quantités complètes. dans la deuxième option, Huawei est responsable du développement et les clients peuvent configurer librement certains paramètres ; dans la troisième option, Huawei fournit une chaîne d'outils de développement de conduite autonome et le client la développe lui-même, et Huawei fournit un ensemble complet de développement après-vente. services de conseil. chaîne d'outils.

Le développement actuel de l'industrie de la chaîne d'outils de développement de conduite autonome est encore immature. La non-standardisation et les silos d'informations sont sérieux. Dans un souci d'efficacité du développement, le leader autonome. L'équipe de conduite doit travailler de manière indépendante.

Cependant, avec l'entrée de nombreux nouveaux acteurs de la chaîne d'outils, l'industrie dans son ensemble évolue vers la maturité, et les chaînes d'outils ultérieures deviendront progressivement ouvertes, standardisées et standardisées. En particulier, des géants tels que Huawei et Nvidia sont entrés dans le jeu avec leurs écosystèmes, ouvrant toute la chaîne de développement, apportant des exemples à l'industrie et promouvant le développement de l'industrie, selon les termes d'un initié de Huawei, cela « met à rude épreuve l'autonomie de la Chine ». conduire l'industrie." , continuez à avancer. "

La conduite autonome sur le cloud est une tendance lourde Avec la conduite autonome de haut niveau, elle évolue progressivement du stade de la recherche technique au stade commercial à grande échelle. Outre le stockage, la puissance de calcul, etc., les besoins en ressources imposent également des exigences strictes en matière de fiabilité, de sécurité et d'évolutivité élevées des services d'infrastructure.

Le modèle traditionnel de construction de centres de données entraînera d'énormes coûts de construction et une pression d'exploitation et de maintenance pour les entreprises de développement de conduite autonome. En prenant en charge plusieurs puissances de calcul, le cloud public peut répondre aux besoins commerciaux en matière de puissance de calcul extrême, de sécurité, de fiabilité, d'élasticité et de flexibilité pour des ressources d'infrastructure massives pendant le processus de développement de la conduite autonome, comme la formation de modèles et la simulation parallèle, permettant ainsi un développement agile de algorithmes de conduite autonome avec itération. Par conséquent, même si la plupart des entreprises ont actuellement des doutes quant à l'approche du cloud public, je pense qu'avec le développement rapide de l'ensemble du secteur de la conduite autonome et l'approfondissement continu de la compréhension du cloud public, ce modèle de service sera davantage promu.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!