Di bawah trend pembangunan "pintar" industri automotif, pelbagai fungsi pemanduan berbantukan tahap L2 telah menjadi konfigurasi penting untuk menarik pengguna Sebaliknya, dalam era baharu "kereta yang ditakrifkan perisian". pemanduan autonomi adalah lebih penting Ia telah menjadi strategi penting yang mempengaruhi pembangunan masa depan syarikat kereta.
Berlatarkan latar belakang ini, syarikat kereta perlu menjawab soalan: Patutkah mereka membangunkan sistem pemanduan autonomi mereka sendiri?
Mari kita lihat dahulu susun atur beberapa syarikat kereta dalam bidang pemanduan autonomi:
Inventori susun atur pemanduan autonomi pembuat kereta
Dapat dilihat bahawa sistem autopilot yang dibangunkan sendiri telah menjadi trend utama bagi kebanyakan pembuat kereta juga telah mendapati bahawa teras pemanduan autonomi adalah untuk memanfaatkan sepenuhnya nilai data dalam konteks "penyisihan perisian dan perkakasan". perniagaan dan untuk memudahkan perkembangan perniagaan yang seterusnya, memberi tumpuan kepada pembangunan pemanduan pintar. Sebagai contoh, Kumpulan FAW telah menubuhkan anak syarikat kecerdasan buatan, FAW (Nanjing) Technology Development Co., Ltd. telah menubuhkan Hao Mo Zhixing Group telah menubuhkan pusat perisian, SAIC Zero-Shu, dsb.
Walau bagaimanapun, bukan mudah untuk membangunkan sistem pemanduan autonomi sendiri, kerana sistem pemanduan autonomi Proses pembangunan dan rantaian alat adalah sangat kompleks.
Pembangunan perisian automotif tradisional menggunakan model V, termasuk banyak fungsi ADAS, yang turut dibangunkan menggunakan proses ini. Untuk butiran, sila rujuk rajah di bawah Bahagian kiri ialah proses reka bentuk dan pembangunan, dan bahagian kanan ialah proses ujian dan pengesahan.
Proses pembangunan model V
Proses reka bentuk dan pembangunan pada kiri, Pada peringkat ini, proses pembangunan adalah berdasarkan MBD (Model Based Design) Kebanyakan elemen (model) adalah berdasarkan kotak alat standard dan kumpulan blok yang disediakan oleh produk MathWorks (MATLAB dan Simulink). Bina model dan jana kod secara automatik. Jumlah keseluruhan kod yang jurutera perlu tulis tidak banyak, kelajuan pembangunan adalah pantas, dan kos pembangunan juga rendah.
Sebelah kanan ialah proses pengesahan ujian, iaitu, X dalam gelung, menggunakan kaedah ujian yang berbeza pada peringkat yang berbeza, termasuk MIL/SIL/PIL/HIL/DIL/ VIL dan kaedah ujian lain.
Logik kawalan perisian kereta tradisional, termasuk beberapa fungsi ADAS yang agak mudah L2, masih boleh memenuhi keperluan menggunakan proses pembangunan MBD+X dalam gelung, tetapi dengan fungsi algoritma pemanduan autonomi Ia menjadi lebih dan lebih kompleks, dan proses pembangunan sebelumnya berdasarkan MBD telah menjadi sedikit tidak mencukupi.
Pertama sekali, untuk fungsi pemanduan autonomi yang lebih kompleks, jumlah kod perisian dan kerumitan fungsi juga telah meningkat dengan beberapa urutan magnitud. Kotak alat berstruktur dan pemodelan kumpulan blok mampu membangunkan algoritma berfungsi yang mudah, tetapi apabila berhadapan dengan algoritma pembelajaran mendalam yang kompleks, MBD nampaknya agak diregangkan dari segi fleksibiliti.
Kedua, industri kecerdasan buatan telah berkembang selama bertahun-tahun, sama ada seni bina, rantai alat atau pelbagai perpustakaan fungsi sumber terbuka, ekosistem yang kukuh telah terbentuk, yang sangat. penting untuk industri pemanduan autonomi hari ini Bagi pembaca, melaksanakannya secara langsung dengan pengaturcaraan adalah lebih cekap daripada pemodelan dalam Mathworks.
Pada masa yang sama, perisian automotif tradisional tidak lagi akan berubah selepas pengeluaran besar-besaran, yang tidak realistik untuk perisian pemanduan autonomi. Di satu pihak, kitaran pembangunan pemanduan autonomi adalah panjang, dan masa untuk pembangunan dan ujian dalam kitaran pembangunan kenderaan adalah jauh dari cukup, sebaliknya, OTA memungkinkan untuk meningkatkan perisian secara berterusan, supaya hayatnya kitaran perisian juga dilanjutkan, dan dengan pembelajaran mendalam Algoritma pemanduan autonomi yang diwakili oleh model perlu terus mengumpul data "kes penjuru" ekor panjang sebagai "bahan api" untuk meneruskan sistem algoritma.
Ada pepatah mengatakan, jika anda ingin pergi ke angkasa, anda mesti membina kapal angkasa. Untuk membangunkan sistem pemanduan autonomi dengan lebih cekap, pakar industri telah menemui proses pembangunan pemanduan autonomi yang sesuai berdasarkan pembelajaran mendalam - iaitu, proses pembangunan hujung ke hujung dipacu data.
Syarikat kereta yang berpandangan ke hadapan dan Tahap 1 juga telah lama menyedari perubahan ini dalam proses pembangunan perisian.
Chen Liming, Presiden Bosch Chassis Control Systems China, pernah menyebut di khalayak ramai: “Pemanduan autonomi melibatkan begitu banyak senario yang mustahil untuk diteruskan dengan cara tradisional, jadi ia perlu untuk menambah ujian Jalan yang praktikal, terutamanya penggunaan kaedah pengesahan dipacu data untuk mengesahkan keselamatan pemanduan autonomi, ialah gabungan model V dan gelung tertutup dipacu data untuk mencapai pengesahan keselamatan.”
Pusat Teknologi Pan Asia Lu Jianxiang, pengarah kanan , berkata pada Persidangan Perisikan Dunia baru-baru ini: "Syarikat kereta tradisional perlu berubah daripada model pembangunan penyepaduan sistem gaya air terjun asal kepada model pembangunan penyepaduan senario tangkas. penyepaduan hujung paip awan."
Sudah tentu, ini tidak bermakna kaedah MBD tradisional sudah lapuk sepenuhnya. Idea model V masih sangat instruktif Contohnya, simulasi sistem, yang memainkan peranan penting dalam ujian sistem pemanduan autonomi, sebenarnya adalah SIL (perubahan perisian), dan kaedah pembangunan MBD menggunakan algoritma logik yang mendasari. kereta, seperti algoritma kawalan kenderaan masih akan digunakan dalam .
Walaupun proses pembangunan perisian dipacu data bagi setiap syarikat berbeza secara terperinci, idea umum adalah sama, yang pada asasnya mengikut idea berikut: pengumpulan data->penyimpanan data- > ;Prapemprosesan data->Perlombongan data->Anotasi data->Latihan model->Pengujian simulasi->Pengaturan dan pelepasan.
Platform gelung tertutup data Waymo, dipetik daripada artikel Zhihu Huang Yu
Alat dan platform yang digunakan dalam pautan di atas (termasuk tetapi tidak terhad kepada pengumpulan data, pemprosesan, alatan anotasi, platform latihan model, platform simulasi, alatan OTA dan beberapa alatan pembangunan lain) dipanggil "rantaian alat" . Kecekapan rantai alat menentukan kecekapan keseluruhan pembangunan sistem.
Walaupun ia mungkin tidak kelihatan seperti banyak langkah, keseluruhan pautan sebenarnya sangat kompleks.
Ambil pemprosesan data sebagai contoh. Terdapat banyak jenis data, termasuk data kamera, data radar gelombang milimeter dan data awan titik lidar ini terlebih dahulu adalah apa yang dipanggil "pembersihan data". Mengambil gambar sebagai contoh, pemprosesan data memerlukan terlebih dahulu memadam maklumat lokasi geografi gambar, mengalih keluar maklumat sensitif seperti muka dan plat lesen, dan kemudian menyatukan format sebelum pemprosesan selesai.
Selepas pemprosesan data selesai, langkah seterusnya ialah memulakan anotasi data. Jenis anotasi boleh dibahagikan secara kasar kepada 2D, anotasi objek sasaran 3D, anotasi bersama, anotasi garis lorong, segmentasi semantik, dsb. Ia juga melibatkan spesifikasi anotasi khusus dan proses pemeriksaan kualiti anotasi Keseluruhan proses ini amat menyusahkan.
Setiap aspek proses yang kompleks ini memerlukan sokongan alat dan platform yang sepadan.
Tidak seperti proses pembangunan MBD, yang sudah mempunyai rantaian alat yang matang, proses pembangunan dipacu data bermula lewat dan rantaian alat tidak cekap, yang membawa masalah kepada pembangun pemanduan autonomi syarikat kereta banyak masalah.
Berpandukan data, sumbernya adalah data Berdepan dengan masalah volum data yang besar tetapi kekurangan data bernilai tinggi, syarikat kereta tidak mempunyai banyak pengalaman untuk diambil.
Sudah tentu, syarikat kereta yang berbeza mempunyai tahap pengumpulan yang berbeza dalam bidang pemanduan autonomi dan menghadapi masalah yang berbeza dalam rantai alat.
Sesetengah syarikat kereta bermula lebih awal dan melabur dengan banyak saluran paip (didorong oleh data) telah dijalankan sepenuhnya dan mereka telah mengumpul banyak untuk meningkatkan lagi kecekapan, mereka juga telah melakukan banyak pembangunan tersuai daripada rantai alat. Seorang pemaju dari sebuah syarikat kereta memberitahu "Jiuzhang Zhijia" bahawa kerana rangkaian alat sedia ada yang disediakan oleh syarikat yang berbeza adalah "pembangunan terbahagi", mereka hanya menumpukan pada fungsi separa mereka sendiri dan bukannya keadaan keseluruhan, mengakibatkan pemecahan yang serius dan "pulau data" . Untuk memenuhi keperluan kecekapan mereka sendiri, mereka perlu membangunkan rangkaian alat mereka sendiri atau mencari syarikat dalam ekosistem untuk menyediakannya, malah mereka perlu membangunkan platform anotasi data mereka sendiri.
Bagi syarikat kereta yang tidak mempunyai banyak pengalaman dalam bidang ini, melaburkan begitu ramai orang dalam membangunkan rangkaian alat pada peringkat ini tidaklah "kos efektif". tangan, asasnya lemah Teknologi ini belum dibangunkan sehingga ke tahap itu, dan sebaliknya, sebenarnya tidak ramai orang. Terhad oleh pelaburan sumber dan asas teknikal, mereka masih berharap untuk menyepadukan rantaian alat siap pakai dan berjalan melalui Talian Paip (didorong data) secepat mungkin "Rantai alat bukanlah daya saing kami. Definisi keperluan, penyepaduan sistem dan ujian fungsi milik kita." daya saing," orang yang bertanggungjawab ke atas pemanduan pintar sebuah syarikat kereta memberitahu "Sembilan Bab Pemanduan Pintar".
Walaupun syarikat kereta yang berbeza mempunyai peringkat pembangunan yang berbeza, mereka juga mempunyai persamaan, iaitu, semuanya mempunyai titik kesakitan "pecahan" rantai alat. Seterusnya, kami akan bermula dari dua pautan pemprosesan data dan simulasi masing-masing, dan menyusun situasi semasa dan titik kesakitan rantai alat secara terperinci.
Terpacu data, terasnya ialah data.
Proses pembangunan berasaskan model tradisional lebih kepada mengoptimumkan model berdasarkan pengalaman lepas pembangun, manakala pengoptimuman terdorong data adalah berdasarkan jumlah data yang besar. Bagi syarikat kereta, untuk mewujudkan proses pembangunan dipacu data, mereka mesti belajar cara mengendalikan data yang besar.
Pemprosesan data ialah pautan pertama dan paling rumit dalam keseluruhan rantaian pembangunan, termasuk pengumpulan data, prapemprosesan data, perlombongan data dan anotasi data secara langsung menentukan tahap keseluruhan model.
Gambar di bawah menunjukkan pautan untuk pemprosesan data pemanduan autonomi Tesla.
Aliran pemprosesan data Tesla Autopilot (dipetik daripada artikel Zhihu Huang Yu)
Rantai alat berkaitan data termasuk pengumpulan data, muat naik data, pembersihan data, anotasi data dan pautan lain.
Mari kita bincangkan tentang pengumpulan data dahulu.
Terdapat beberapa set data sumber terbuka dalam industri yang boleh digunakan untuk latihan algoritma asas Pada masa ini, set data yang paling biasa digunakan termasuk KITTI, nuScenes, dll., tetapi kebanyakannya data ini datang daripada ujian awam di luar negara Masih terdapat sedikit set data dengan ciri tempatan Cina.
Ringkasan set data sumber terbuka pemacu autonomi, memetik artikel Zhihu "Ringkasan set data sumber terbuka pemacu autonomi"
Dalam kes ini, untuk melatih algoritma agar sepadan dengan senario tertentu, anda perlu mengumpul data untuk senario tersebut. Hanya apabila data yang mencukupi dan berkualiti tinggi dikumpul, proses susulan boleh dilaksanakan Bagi pautan pertama ini, kecekapan rantai alat semasa tidak begitu baik.
Seorang pekerja pasukan pengeluar kereta baharu yang terkemuka memberitahu "Sembilan Bab Pemanduan Pintar" bahawa strategi pengumpulan data pemanduan autonomi syarikat dan pemuatan data tidak dapat memenuhi keperluan untuk analisis masalah berikutnya. Contohnya, selepas pengguna merempuh kereta, data yang dikembalikan tidak boleh digunakan—sama ada jumlah data tidak lengkap atau kekerapan pengumpulan tidak betul dan pembangun sangat tidak cekap dalam menyelesaikan masalah.
Secara umumnya, Sarung Sudut yang berbeza memerlukan format data yang berbeza untuk analisis seterusnya dan tempoh masa yang berbeza sebelum dan selepas. Ini mudah difahami. Pengambilalihan yang disebabkan oleh sebab yang berbeza, sama ada masalah dengan persepsi atau modul membuat keputusan, atau ralat dalam peta berketepatan tinggi, sudah tentu memerlukan data yang berbeza. Malah untuk beberapa kes sudut khas, akan ada beberapa keperluan pengumpulan data yang disesuaikan, membolehkan penguji menjalankan tugas pengumpulan untuk ujian jalan.
Tepat kerana keperluan pengumpulan adalah kompleks dan pautan sukar dibuka, sebenarnya sesetengah jurutera akan memilih untuk mengumpul data sendiri apabila mereka menghadapi masalah.
Untuk mengelakkan masalah di atas, sesetengah syarikat L4 Robotaxi memilih untuk menggunakan kaedah "salinan cakera keras" yang paling primitif untuk menghantar semula jumlah penuh data dan kemudian menjalankan perlombongan data.
Tiada masalah untuk melakukan ini apabila bilangan kenderaan ujian adalah kecil Apabila bilangan kenderaan seterusnya mencapai tahap tertentu, jumlah data yang dikumpul oleh pemanduan autonomi akan masuk tidak lama lagi. era PB, begitu "besar" Menggunakan data, kita benar-benar boleh mencari bekas sudut yang berharga dan kecil, benar-benar "mencari jarum dalam timbunan jerami".
Untuk mengumpul data berpecah-belah yang benar-benar berguna untuk pemanduan autonomi, strategi pengumpulan data yang lebih bijak diperlukan.
Apakah strategi pengumpulan data pintar? Ia adalah untuk mengumpul data untuk senario tertentu.
Apabila kakitangan dalaman Huawei berkomunikasi dengan "Sembilan Bab Pemanduan Pintar", mereka menyebut bahawa "Huawei Octopus" mempunyai fungsi melabel adegan secara bijak: "Sebagai contoh, jika kecerdasan buatan berlaku, Apabila mengambil alih, atau menghadapi terowong, bulatan, selekoh kiri tanpa perlindungan, dsb., serta senario seperti beca ekspres di mana awan perlu mengumpul dan mengumpul data secara aktif untuk pembelajaran, pembangun boleh memuat naik gambar yang perlu diperolehi oleh kenderaan , dan mengeluarkan arahan melalui awan, dan kenderaan akan bertindak balas dengan menggunakan kaedah yang serupa dengan 'Cari gambar mengikut gambar', adegan yang serupa akan dipintas secara automatik dengan cara ini, anda hanya perlu menapis data 'berharga' yang ditandakan muat naik ke awan, yang boleh mengelakkan keseluruhan data Memuat naik boleh meningkatkan kecekapan perlombongan Corner Case ”
Selepas mencari data berharga , adalah perlu untuk melakukan pembersihan data dan anotasi data.
Dalam model persepsi berdasarkan pembelajaran mendalam, kaedah latihan pembelajaran mendalam arus perdana masih diselia Latihan dengan kaedah ini memerlukan "memberi makan" sejumlah besar "nilai sebenar" kepada model (Kebenaran Dasar)" data.
Jadi dari mana datangnya data "nilai sebenar" ini? Ditanda secara manual.
Oleh itu dalam industri, ia sering menjadi bahan jenaka bahawa kecerdasan buatan bermaksud "terdapat kecerdasan sebanyak mana terdapat manusia". dilahirkan—— "Pelatih Kepintaran Buatan".
Walaupun nama profesion itu kedengaran bagus, sebenarnya, anotasi data pada asasnya ialah industri intensif buruh. Untuk mendapatkan tenaga buruh yang cukup murah, syarikat berkumpul di kawasan tertentu di Xinjiang, Henan dan Shanxi, membentuk kelompok industri untuk anotasi data.
Sebagai pelanggan (penuntut label), mereka bimbang sama ada kualiti label cukup baik dan sama ada harga label cukup murah, "anda mahu kuda itu berlari cepat, dan kuda tidak makan rumput."
Pertama sekali, latihan model memerlukan data beranotasi yang berkualiti tinggi secara langsung menentukan ketepatan model terlatih Jika kualitinya tidak tinggi, ia adalah mudah untuk "Sampah Masuk , Menyampah" . Kualiti anotasi berkait rapat dengan kos anotasi sama ada kualiti anotasi buruh murah di kawasan kurang membangun dari segi ekonomi boleh memenuhi keperluan pemaju adalah persoalan besar.
Kedua, jumlah data yang perlu diberi anotasi adalah besar Contohnya, algoritma visual baharu biasanya memerlukan puluhan ribu hingga ratusan ribu imej beranotasi untuk latihan dan biasa. pengoptimuman juga memerlukan beribu-ribu imej beranotasi Permintaan untuk gambar, harga yang ditandakan bagi satu gambar adalah sedikit berbeza, dan ia adalah jumlah yang sangat besar apabila terdapat ratusan ribu gambar Oleh itu, bahagian permintaan adalah sangat sensitif kepada harga.
Keperluan pelabelan berkualiti tinggi pasti akan membawa kepada peningkatan kos buruh, manakala harga yang rendah akan menjejaskan kualiti pelabelan Kualiti tinggi dan harga yang rendah nampaknya telah menjadi percanggahan yang tidak dapat didamaikan.
Bagi syarikat kereta, kos buruh untuk meminta berpuluh-puluh orang untuk melakukan anotasi data akan menjadi terlalu berat. Mereka biasanya lebih suka menggunakan sumber luar kepada platform anotasi data profesional atau pasukan anotasi data Platform anotasi data yang lebih terkenal termasuk Baidu Zhongchai, JD Zhongzhi, My Neighbor Totoro Data, Datatang, dsb.
Walau bagaimanapun, penyumberan luar juga dibahagikan kepada dua kategori: kategori pertama ialah penyumberan luar manusia, iaitu, ia menyediakan platform anotasi dan alat anotasi itu sendiri, dan syarikat penyumberan luar hanya perlu menyediakan tenaga kerja; kategori kedua ialah perkhidmatan Penyumberan Luar bermaksud ia tidak menyediakan platform anotasi dan alat anotasi itu sendiri, tetapi secara langsung menyediakan data untuk dianotasi kepada syarikat penyumberan luar, dan syarikat penyumberan luar menyediakan data beranotasi.
Sesetengah syarikat kereta mempunyai keperluan yang sangat tinggi untuk kecekapan pelabelan dan akan memilih untuk membangunkan platform pelabelan dan alat pelabelan mereka sendiri, jadi mereka akan memilih penyumberan luar tenaga kerja manakala bagi syarikat kereta lain, mereka akan melakukannya Membangunkan platform anotasi jelas tidak menjimatkan kos Di satu pihak, begitu banyak sumber perlu dilaburkan untuk membangunkan platform anotasi Sebaliknya, platform anotasi yang dibangunkan sendiri tidak mempunyai kelebihan dalam harga berbanding dengan platform luaran. jadi ia tidak kos efektif.
Disebabkan oleh ledakan permintaan pasaran, banyak syarikat permulaan telah muncul dalam industri anotasi data Data.forge adalah salah seorang daripada mereka yang diperkenalkan oleh Yang Yang. Nine Chapters Smart Driving": Pelanggan amat mengambil berat tentang nisbah kualiti/harga. Untuk meningkatkan nisbah kualiti/harga, mereka telah mengambil banyak langkah, seperti anotasi tambahan automatik dan mengoptimumkan kemudahan alat anotasi, yang juga telah dibentuk daya saing teras syarikat.
Apabila diperkenalkan kepada "Sembilan Bab Pemanduan Pintar", orang dalam Huawei menyebut bahawa "Huawei Octopus" turut menyediakan perkhidmatan anotasi data:
"Pertama daripada semua, 'Huawei Octopus' telah menghabiskan banyak masa untuk menggilap algoritma pra-anotasinya sendiri Pada masa ini, ketepatan algoritma pra-anotasi Huawei telah mencapai tahap terkemuka, dan ia telah diuji dalam beberapa set data awam antarabangsa untuk autonomi. pemanduan seperti nuScenes, COCO dan KITTI Memenangi tempat pertama dalam ranking, algoritma pra-pelabelan boleh mengurangkan masa yang diperlukan untuk melabelkan setiap bingkai data "Kedua, untuk mengoptimumkan operasi platform pelabelan, kami akan menggabungkan operasi perniagaan tertentu Optimumkan kaedah interaksi manusia-komputer dan meningkatkan kecekapan operasi kakitangan.
“Sekali lagi, kami mempunyai sistem pengurusan yang matang untuk memastikan kualiti anotasi Selepas anotasi melengkapkan anotasi, ia akan melalui tiga peringkat pemeriksaan sendiri oleh anotasi, secara rawak. pemeriksaan oleh pemeriksa kualiti dan pemeriksaan rawak oleh pengurus anotasi Selepas proses pemeriksaan kualiti, ia akan dihantar kepada pelanggan Tidak seperti pasukan pelabelan lain di mana kebanyakan kakitangan pelabelan berada di Xinjiang, Henan, Shanxi dan tempat lain, Huawei. pasukan pelabelan manual berada di Shenzhen, dan sebab untuk melakukan ini adalah untuk memudahkan komunikasi dan pengurusan, ia juga dapat memastikan kualiti anotasi dengan lebih baik
"Akhirnya, mengikut urutan. untuk menyelesaikan masalah set data sumber terbuka tempatan yang tidak mencukupi, 'Huawei Octopus' bukan sahaja boleh menyediakan pelanggan dengan Selain menyediakan perkhidmatan anotasi data tambahan, ia juga boleh menyediakan pelanggan dengan 20 juta objek beranotasi ini terus diulang dan dikembangkan . Pelanggan boleh menggunakan data ini untuk latihan dan membina model dengan cepat. ”
03 Simulasi - pemecut untuk pembangunan pemanduan autonomi
Sebagai bahagian teras rantai alat pemanduan autonomi, sistem simulasi terutamanya terdiri daripada perpustakaan adegan, platform simulasi dan Sistem penilaian terdiri daripada tiga bahagian Kecekapan sistem simulasi secara langsung mempengaruhi kecekapan keseluruhan pautan pembangunan, jadi ia sentiasa menjadi titik kesakitan untuk pelanggan dan juga pasaran yang disasarkan oleh ramai pemain melihat kepentingan dan status tidak matang sistem simulasi dan merasakan bahawa "dunia ini luas dan banyak yang perlu dilakukan", ramai pemain telah memasuki trek ini Mengikut jenis syarikat, pemain ini boleh dibahagikan secara kasar kepada simulasi tradisional syarikat perisian dan perisian simulasi permulaan Terdapat tiga kategori perisian simulasi untuk syarikat dan gergasi teknologi. Mari kita lihat kategori di bawah (1) Syarikat perisian simulasi tradisionalPerisian simulasi tradisional diwakili oleh PreScan of Siemens, VTD of VIRES dari Jerman, CarMaker of IPG of Germany, dan CarSim of MSC Amerika Syarikat mungkin bergantung pada pengumpulan mendalam mereka dalam bidang tertentu atau kerana faktor tertentu Fungsinya sangat baik dan digunakan secara meluas oleh banyak syarikat kereta: CarMaker dan CarSim mempunyai pengumpulan terdalam dan kekuatan terkuat dalam bidang kenderaan. dynamics; VTD terkenal dengan keupayaan rendering yang tinggi dan sokongan pertama untuk OpenX mudah dikendalikan dan mudah untuk dimulakan
Dengan sumber pelanggan mereka yang sedia ada dan kelebihan terkumpul pada masa lalu, mereka telah menjadi pemain penting dalam bidang perisian simulasi pemanduan autonomi.
(2) Syarikat perisian simulasi permulaan
Melihat ruang pasaran yang besar untuk perisian simulasi, ramai pemain baharu daripada syarikat permulaan juga telah menyertainya, berharap dapat dapatkan sekeping pai. Sebagai contoh, syarikat permulaan domestik 51WORLD (dahulunya 51VR) melancarkan platform ujian simulasi pemanduan autonomi 51Sim-One, syarikat permulaan Israel, Cognata menyediakan penyelesaian simulasi yang berbeza untuk setiap peringkat produk pemanduan pintar melancarkan tempatan Terdapat tiga versi: versi, versi awan dan versi perkakasan.
Pemula lebih sensitif terhadap pasaran dan tidak mempunyai bagasi bersejarah Platform simulasi yang mereka sediakan untuk syarikat kereta telah mula membuka semua aspek simulasi dan telah menjadi kuasa yang tidak boleh. diabaikan.
(3) Syarikat perisian simulasi gergasi teknologi
NVIDIA: Constellation Drive
NVIDIA melancarkan simulasi Drive Constellation pada sistem 2018 . Sistem simulasi dibina oleh dua pelayan berbeza Pelayan pertama menjalankan perisian NVIDIA DRIVE Sim untuk simulasi sensor, seperti kamera, lidar dan radar gelombang milimeter Pelayan kedua dilengkapi dengan platform pengkomputeran kenderaan kecerdasan buatan NVIDIA DRIVE data sensor simulasi.
Drive Sim adalah berdasarkan platform Omniverse Menurut pegawai NVIDIA, ia boleh mencapai simulasi sensor "fotorealistik dan tepat secara fizikal". Dari segi senario, Drive Constellation boleh menjana strim data, mencipta pelbagai persekitaran ujian, mensimulasikan pelbagai keadaan cuaca, serta permukaan jalan dan rupa bumi yang berbeza, dan juga boleh mensimulasikan cahaya terang yang mempesonakan pada waktu yang berbeza pada siang hari dan penglihatan terhad pada waktu malam.
Huawei: Perkhidmatan awan pemanduan autonomi "Huawei Octopus"
Dalam bidang rantaian alat pembangunan pemanduan autonomi, Huawei telah melancarkan perkhidmatan awan pemanduan autonomi, juga dikenali sebagai " "HUAWEI Octopus" menyediakan penyelesaian lengkap daripada pengumpulan data, perlombongan kes keras, anotasi data, latihan algoritma, platform simulasi, dll., dan menyediakan sejumlah besar set data dan perpustakaan senario untuk digunakan oleh pelanggan, membantu syarikat Automobil membina data platform pembangunan pemanduan autonomi gelung tertutup yang dipacu.
Selain itu, berdasarkan perniagaan awan Huawei yang berkuasa, "Huawei Octopus" menyepadukan latihan awan dan simulasi selari awan, dengan senario simulasi yang kaya, keupayaan pemprosesan contoh serentak yang tinggi, dan menyediakan lebih daripada 200,000 contoh senario simulasi; jarak tempuh ujian maya harian sistem boleh melebihi 10 juta kilometer dan menyokong ujian serentak sebanyak 3,000 kejadian.
Baidu: Platform Apollo
Baidu Apollo menyediakan pembangun perkhidmatan simulasi sistem membuat keputusan berasaskan awan, membina platform simulasi awan pada Baidu Cloud dan Microsoft Azure dengan Mudah mencipta kapasiti operasi maya berjuta-juta kilometer sehari. Dari segi perpustakaan senario, perpustakaan senario yang disediakan oleh platform Baidu Apollo meliputi senario standard kawal selia, senario keadaan kerja berbahaya dan senario penilaian keupayaan, dengan jumlah kira-kira 200 jenis.
Apollo turut bekerjasama dengan Unity untuk membangunkan persekitaran simulasi maya berdasarkan enjin Unity, dan mencadangkan sistem simulasi pemanduan autonomi hujung ke hujung - sistem simulasi pemanduan autonomi realiti tambahan AADS , melalui aliran trafik simulasi untuk meningkatkan imej dunia sebenar untuk mencipta adegan simulasi yang realistik.
Baidu telah membuka set data pemanduan autonomi ApolloScape Ia kini telah membuka 147,000 bingkai imej beranotasi semantik peringkat piksel, termasuk ratusan ribu bingkai semantik piksel demi piksel seperti. sebagai data klasifikasi persepsi dan rangkaian jalan raya beranotasi data imej resolusi tinggi dan anotasi semantik piksel demi piksel yang sepadan. ”
Tencent: TAD Sim
Tencent mengeluarkan platform simulasi TAD Sim pada 2018, yang merupakan gabungan enjin permainan profesional, model dinamik kenderaan gred industri, maya realiti Platform simulasi pemanduan autonomi yang menggabungkan peristiwa maya dan sebenar serta menyepadukan teknologi dalam talian dan luar talian, seperti aliran trafik bersepadu, boleh merealisasikan pemulihan geometri, pemulihan logik dan pemulihan fizikal adegan
TAD Sim juga menyokong operasi awan termasuk dua mod: simulasi awan berasaskan tempat kejadian dan simulasi awan berasaskan bandar maya boleh mencapai kedua-dua simulasi dipercepatkan dan simulasi konkurensi tinggi, memenuhi pelbagai senario dan kemungkinan memandu dalam keadaan sebenar. dunia, dan mempercepatkan proses ujian pemanduan. Terdapat lebih daripada 1,000 jenis pemandangan dalam perpustakaan tempat kejadian, dengan kapasiti ujian harian lebih daripada 10 juta kilometer lebih berdasarkan platform simulasi sedia ada mereka mempunyai keupayaan rendering, pengkomputeran awan dan kelebihan lain untuk membina proses simulasi pemanduan autonomi. untuk memajukan ujian dan pengesahan sistem pemanduan autonomi
(1) Perisian simulasi: Anda mesti memahami kedua-dua simulasi dan kereta
Sebagai pautan pembangunan pemanduan autonomi satu pautan, simulasi perlu disepadukan secara organik dengan pautan lain.
Walaupun perisian simulasi tradisional sangat profesional dalam beberapa bidang, ia amat menyusahkan untuk menyambung dengan pautan huluan dan hiliran.
Sebagai contoh, untuk masalah yang ditemui semasa ujian pemacu, pembangun pasti berharap untuk memasukkan senario ke dalam perpustakaan senario simulasi supaya ujian regresi boleh dilakukan kemudian, tetapi banyak perisian tradisional tidak menyokong ini Untuk fungsi, anda hanya boleh membina perpustakaan pemandangan secara manual Kecekapan membina perpustakaan pemandangan secara manual adalah sangat rendah, dan anda tidak boleh membina beberapa dalam sehari.
Sebagai contoh, beberapa perisian simulasi tradisional hanya boleh dijalankan dalam persekitaran WINDOWS, tetapi kini persekitaran untuk pembangunan pemanduan autonomi berada di bawah persekitaran Ubuntu.
Untuk contoh lain, fungsi simulasi selari awan bagi perisian simulasi tradisional mempunyai keserasian yang lemah, dan sesetengahnya hanya versi terkini yang serasi dengan simulasi awan. Menurut pakar industri, kerana perisian simulasi tradisional menjual lesen, beberapa lesen diperlukan untuk memasang perisian pada beberapa komputer.
Memandangkan simulasi selari awan memainkan peranan yang semakin penting, model SaaS berdasarkan yuran perkhidmatan jelas lebih mesra pelanggan dan juga merupakan satu aliran pembangunan perisian simulasi tradisional yang menjualnya juga perlu diselaraskan dengan sewajarnya.
Simulasi selari awan sudah pasti boleh meningkatkan kecekapan pembangunan pemanduan autonomi Platform simulasi gergasi seperti Huawei, Baidu dan Tencent boleh menyambung dengan lancar ke platform awan mereka permulaan 51WORLD juga menyokongnya Simulasi secara selari dan menyokong penggunaan pada awan peribadi dan awam.
Selain menyediakan perisian simulasi, gergasi ekologi juga menyepadukan platform simulasi dan rantai alat lain ke dalam penyelesaian tindanan penuh mereka. Contohnya, "Huawei Octopus" menyediakan rangkaian alat simulasi dan penilaian sehenti dalam awan untuk merealisasikan DevOps dalam bidang pemanduan autonomi Dari akses gudang kod, pengurusan versi, kepada simulasi dan penilaian, ia boleh merealisasikan gelung tertutup automatik . Dengan cara ini, syarikat kereta akan lebih mudah untuk memulakan dan kos penyesuaian akan lebih rendah.
Namun, syarikat gergasi ini juga menghadapi cabaran besar, iaitu disebabkan kekurangan pengumpulan perkakasan yang mencukupi seperti model dinamik kenderaan dan komponen automotif teras, syarikat-syarikat ini perlu menggunakan Penyelidikan sendiri atau bekerjasama untuk menambah keupayaan yang berkaitan. Sebagai contoh, Baidu memilih untuk membangunkan model dinamik kenderaannya sendiri, dan Apollo 5.0 menambah model dinamik kenderaan; sistem simulasi "Huawei Octopus" bekerjasama secara strategik dengan VTD dan model dinamik kenderaan CarMaker. Difahamkan, Huawei dan Saimu Technology juga telah mula menjalin hubungan kerjasama dan akan membangunkan usaha dalam bidang pemanduan autonomi yang dijangkakan keselamatan fungsian (SOTIF).
(2) Pustaka senario ialah teras
Dalam pautan pembangunan dipacu data, dipacu data adalah bersamaan dengan "taktik laut soalan ", Apa yang boleh dilakukan oleh pemeriksa adalah lebih banyak soalan yang sukar. Dalam pautan pembangunan sistem, perpustakaan senario adalah setara dengan soalan ujian yang diberikan oleh pemeriksa untuk menilai kualiti perisian Oleh itu, kuantiti dan kualiti perpustakaan senario secara langsung menentukan tahap sistem.
Perpustakaan pemandangan biasanya datang daripada beberapa sumber: perpustakaan pemandangan yang dibeli daripada pihak ketiga Kebanyakan perpustakaan pemandangan pihak ketiga yang tersedia di pasaran adalah berdasarkan peraturan standard dan data pengalaman pakar membina perpustakaan tempat kejadian berdasarkan senario Contohnya, jika anda ingin membuat fungsi tempat letak kereta, anda perlu mereka bentuk tempat letak kereta, yang lebih intensif buruh Untuk acara pengambilalihan atau kes sudut yang ditemui semasa ujian jalan raya, sebaliknya menjana perpustakaan adegan, yang setara dengan pengalaman calon sebelum ini Soalan yang salah telah disusun ke dalam "buku soalan yang salah" saya sendiri.
Selain perpustakaan tempat kejadian ini, syarikat kereta juga terus "mengembangkan" perpustakaan tempat kejadian mereka sendiri melalui kes sudut yang ditemui dalam ujian jalan raya. Sebagai tindak balas kepada permintaan ini, beberapa perisian simulasi, seperti "Huawei Octopus", menyediakan fungsi "menukar senario ujian pemacu sebenar kepada senario simulasi dengan satu klik", dan boleh diedit dan digeneralisasikan atas dasar ini. Contohnya, mengubah persekitaran cuaca, persekitaran sekitar, pencerminan dan cara lain untuk menyamaratakan lebih banyak senario, dan Huawei juga menyediakan keupayaan simulasi hibrid maya dan sebenar.
Simulasi hibrid maya-sebenar yang dipanggil adalah untuk membina senario ujian dalam awan dan kemudian memuatkannya ke dalam kenderaan untuk berlari, supaya kenderaan boleh mensimulasikan pelbagai simulasi di tempat terbuka jalan raya atau di tempat tertutup Adegan maya, terutamanya adegan berbahaya seperti lintasan pejalan kaki dan kenderaan bukan bermotor CUT-IN, boleh menguji algoritma pemanduan autonomi dan prestasi dinamik kenderaan kenderaan sebenar, dengan itu meningkatkan kecekapan ujian.
(3) Penilaian simulasi
Penilaian simulasi mungkin merupakan bahagian yang paling mudah diabaikan daripada keseluruhan sistem simulasi.
Penilaian simulasi terutamanya merangkumi dua aspek Di satu pihak, ia merujuk kepada sama ada ujian semasa boleh dinilai untuk lulus Sebaliknya, ia merujuk kepada ketekalan dan kebolehulangan ujian kenderaan sebenar dalam adegan yang sama sepadan dengan ujian semasa.
Bagaimana untuk menilai sama ada sistem boleh berjaya lulus peperiksaan perpustakaan adegan? Soalan ujian telah diterbitkan dan calon telah menyelesaikannya Bagaimana untuk "menandai" dan menetapkan KPI untuk sistem perisian pemanduan autonomi?
Jika anda seorang pemeriksa, apakah kriteria penilaian yang boleh anda fikirkan?
Adakah titik sasaran telah dicapai? Adakah ia memandu dengan selamat (tiada perlanggaran)? Adakah anda melanggar lampu merah? Adakah anda memecut atau memecut dengan pantas? dll.
Terdapat banyak kriteria penilaian hanya memikirkannya Apa yang lebih menyusahkan ialah senario yang berbeza mempunyai penekanan yang berbeza pada pemeriksaan algoritma, dan kemungkinan besar kriteria penilaian juga berbeza. . Perpustakaan tempat kejadian penuh dengan perkara pelik, dan piawaian penilaian secara semula jadi berbeza-beza secara meluas.
Tetapi secara amnya, kriteria penilaian boleh dibahagikan kepada lima aspek utama: pemadanan standard (sama ada ia memenuhi peraturan standard), keselamatan memandu (sama ada cukup selamat) dan kecekapan pemanduan (sama ada cukup selamat) Mampu sampai ke destinasi dengan cekap, jimat bahan api), keselesaan memandu (sama ada cukup selesa) dan kecerdasan memandu (sama ada cukup bijak).
Menurut pakar industri, setiap perpustakaan adegan mesti "dibuat khusus" untuk lulus atau gagal kriteria penilaian semasa membinanya. Pada masa ini, perisian simulasi perlu menyediakan piawaian penilaian simulasi yang pelbagai Jika tidak disediakan, bermakna aspek tertentu tidak boleh dinilai.
Oleh itu, setiap perisian simulasi juga mentakrifkan terlebih dahulu kriteria penilaian perpustakaan tempat kejadian untuk pelanggan, seperti "Huawei Octopus" daripada keselamatan, keselesaan, kebolehpercayaan, interaksi manusia-komputer Sebanyak 200 penunjuk penilaian telah dibuka dari segi pengalaman, kebolehgunaan, pematuhan, penggunaan tenaga dan kecekapan trafik. Menurut orang dalam Huawei, untuk menjadikan penilaian simulasi lebih fleksibel, kami juga akan menyokong penyesuaian dan pembangunan piawaian penilaian simulasi oleh pelanggan pada masa hadapan.
Pengintegrasian platform simulasi dan rantai alat huluan dan hiliran yang dinyatakan di atas ialah penyepaduan menegak, dan terdapat yang agak besar dalam industri Perkara yang paling menyakitkan ialah apabila menyambung secara mendatar, format perisian simulasi yang berbeza tidak serasi.
Syarikat kereta yang sama sering menggunakan beberapa perisian simulasi pada masa yang sama Contohnya, ia mungkin menggunakan kedua-dua perisian simulasi dan akan mengumpulkan satu siri kes senario, tetapi berbeza Format perpustakaan kes senario yang dihasilkan oleh perisian simulasi tidak serasi antara satu sama lain dan fail tidak boleh universal.
Ini sebenarnya kerana keseluruhan industri tidak cukup piawai.
Untuk menyelesaikan masalah ini, standard medan simulasi OpenX yang dikeluarkan oleh ASAM telah diiktiraf oleh banyak syarikat kereta, pembekal dan institusi penyelidikan saintifik Pada masa ini, kebanyakan perisian simulasi telah mula menyokong standard OpenX. ASAM sedang membangunkan lebih banyak piawaian.
Standard format simulasi ASAM (dipetik daripada Buku Biru Simulasi Pemanduan Autonomi China 2020)
Masih terdapat beberapa perisian simulasi yang pada masa ini tidak menyokong format OpenX. Menurut orang dalam industri: "Sesetengah syarikat perisian simulasi ingin mengawal semua pautan di tangan mereka sendiri, menjadikan diri mereka tidak boleh diganti dan mengikat pelanggan kepada mereka, dan mereka tidak boleh mengubahnya walaupun mereka mahu. Ini juga berlaku untuk beberapa syarikat ujian simulasi pada masa lalu. Ini adalah kaedah biasa syarikat gergasi, tetapi ia tidak boleh diterima oleh syarikat kereta. 🎜>Lagipun, OpenX tidak disokong, tetapi secara keseluruhannya, penyeragaman adalah trend umum. Saya percaya bahawa dengan kemajuan penyeragaman, keserasian fail antara perisian yang berbeza tidak lagi menjadi masalah dalam masa terdekat.
Seperti yang kita sedia maklum, banyak fungsi pemanduan autonomi L2+ kini menggunakan peta berketepatan tinggi, terutamanya untuk pemanduan autonomi L4 -peta ketepatan akan menjadi infrastruktur penting. Untuk simulasi pemanduan autonomi, peta berketepatan tinggi juga merupakan pautan yang sangat diperlukan dan penting. Pembinaan banyak adegan simulasi, seperti penukaran adegan ujian pemacu yang disebutkan di atas kepada adegan simulasi, dan simulasi hibrid maya-sebenar, tidak dapat dipisahkan daripada sokongan peta berketepatan tinggi.
(1) Isu pematuhan
Walau bagaimanapun, peta HD juga mempunyai banyak titik kesakitan Perkara pertama yang perlu diselesaikan ialah isu pematuhan.
Pada masa ini, hanya terdapat lebih daripada 20 syarikat domestik yang mempunyai kelayakan ukur dan pemetaan Kelas A syarikat, SAIC China Haiting, Geely Yikatong dan Xpeng Motors, yang baru-baru ini memperoleh Teknologi Zhitu, juga mempunyai kelayakan ukur dan pemetaan Kelas A.
Bai Xinping, Ketua Pegawai Eksekutif NavInfo, pernah memberitahu media: "Peta berketepatan tinggi mesti disertai oleh syarikat yang berkelayakan. Kelayakan berkaitan dengan pematuhan dan keselamatan. Pada peringkat awal, negeri mengawal bidang ini Ia tidak terlalu ketat, ia akan menjadi lebih ketat pada masa hadapan."
Dalam konteks ini, untuk menyelesaikan masalah pematuhan dalam rancangan pengeluaran besar-besaran, syarikat kereta akan memilih penyedia perkhidmatan peta yang layak untuk bekerjasama. Pembekal perkhidmatan peta perlu membina infrastruktur berprestasi tinggi dan boleh dipercayai yang memenuhi keperluan keselamatan dan pematuhan, yang boleh menyokong penyimpanan data peta besar yang selamat pemprosesan aplikasi pematuhan Pada masa yang sama, sistem juga mesti menyokong rakan kongsi pihak ketiga secara berkesan untuk melaksanakan pembangunan pemanduan pintar dan perkhidmatan aplikasi data.
(2) Isu ketepatan pemandangan yang kompleks
Pada masa ini, penyedia perkhidmatan peta terkemuka telah meliputi lebuh raya dan lebuh raya utama di seluruh negara, tetapi The kualiti peta masih tidak optimistik, dan masih terdapat label yang hilang dan salah.
Orang dalam industri memberitahu Jiuzhang Zhijia bahawa liputan peta ketepatan tinggi penyedia perkhidmatan peta terkemuka bagi bahagian lebuh raya tidak lengkap, terutamanya untuk tanjakan masuk dan keluar dari lebuh raya, stesen tol dan kawasan perkhidmatan, di sana mungkin penyelewengan atau kurang liputan.
Apabila berkomunikasi dengan orang yang bertanggungjawab ke atas peta ketepatan tinggi syarikat kereta tertentu, orang yang bertanggungjawab memberitahu Jiuzhang Zhijia bahawa semasa mereka menguji L4 Robotaxi, adegan utama adalah di jalan bandar. Terdapat lebih sedikit penyedia perkhidmatan peta yang boleh meliputi bahagian ini, dan kualiti serta kekerapan kemas kini tidak tinggi.
Oleh itu, peta berketepatan tinggi bukan sahaja perlu mengukuhkan liputan lebuh raya, tetapi juga memberi tumpuan kepada menyelesaikan masalah liputan dalam senario ulang-alik bandar dan meningkatkan ketepatan keadaan jalan raya yang kompleks. Hanya dengan cara ini peranan sokongan peta berketepatan tinggi untuk pemanduan autonomi boleh dipertingkatkan, dan pada masa yang sama menyokong secara berkesan simulasi dan ujian pemanduan autonomi dalam pemandangan bandar yang kompleks.
(3) Masalah kemas kini dinamik
Peta HD juga perlu menyelesaikan masalah kemas kini dinamik , bukan sahaja Ia tidak dapat menyokong pemanduan pintar dengan berkesan dan juga boleh menyebabkan bahaya keselamatan.
Pada masa ini, ramai orang dalam industri percaya bahawa model kemas kini penyumberan ramai peta akan menjadi model teknologi arus perdana pada masa hadapan kerana ia mempunyai lebih banyak kelebihan dari segi ketepatan masa kemas kini dan kos pengumpulan berkenaan laluan teknikal , penyedia perkhidmatan peta domestik yang berkaitan juga sentiasa meneroka dan menjalankan ujian teknikal yang berkaitan. Kemas kini peta Crowdsourcing bukan sahaja menghadapi banyak cabaran teknikal, seperti sumber data yang pelbagai, kualiti tidak sekata, piawaian elemen pengumpulan yang tidak konsisten, kebolehoperasian pautan peranti awan-kenderaan, dsb., tetapi juga menghadapi kekangan daripada undang-undang dan peraturan negara , yang melibatkan risiko sedemikian sebagai penapisan maklumat geografi sensitif, penyulitan data peta, dan kebocoran privasi peribadi, dan memerlukan perancangan keseluruhan selanjutnya oleh jabatan negara yang berkaitan.
Malah, menyelesaikan kemas kini dinamik peta berketepatan tinggi ialah projek sistematik yang memerlukan pengagregatan dan penyepaduan berbilang sumber dan data, serta kerjasama peranti awan dan tepi Pada masa hadapan, ia akan melalui penyedia perkhidmatan peta, kereta bersambung pintar, pelbagai peserta trafik, infrastruktur jalan raya, pengkomputeran tepi dan kerjasama awan, serta data besar trafik, data pembinaan dan penyelenggaraan jalan, syarikat pengendali jalan raya dan pihak lain bekerjasama. untuk mencapai kemas kini dinamik peta berketepatan tinggi dan meningkatkan kesegaran data peta ketepatan tinggi.
Pada pendapat penulis, penghasilan dan kemas kini peta berketepatan tinggi adalah projek yang besar Jika piawaian elemen peta ketepatan tinggi bersatu boleh dibentuk, pelbagai sumber boleh diselaraskan dan diselaraskan, dan kerja berulang boleh. dikurangkan untuk bersama-sama memetakan seluruh negara Ia akan menjadi satu rahmat untuk mengurangkan kos industri, meningkatkan kecekapan industri dan kebolehpercayaan data, dan mengurangkan risiko keselamatan data.
Dalam pembangunan sistem dipacu data, tanpa mengira Penyimpanan data besar-besaran, latihan model dan ujian simulasi selari semuanya memerlukan sejumlah besar sumber IT.
Orang dalam industri memberitahu "Sembilan Bab Pemanduan Pintar" bahawa apabila membangunkan sistem pemanduan autonomi, mereka akan tiba-tiba menghadapi beberapa keperluan kuasa pengkomputeran secara tiba-tiba, seperti latihan model, dan kuasa pengkomputeran tempatan tidak dapat memenuhi keperluan, dan melalui proses untuk membeli pelayan baharu, proses kelulusan mungkin mengambil masa beberapa bulan, yang akan menjejaskan kemajuan pembangunan. Difahamkan, untuk menampung permintaan ini, anak syarikat pembangunan pemanduan pintar sebuah syarikat kereta tertentu merancang keseluruhan tingkat bangunan pejabat sebagai bilik komputer semasa merancang bangunan pejabat baharu.
Sama ada penyimpanan atau latihan, sebenarnya terdapat cara yang sangat baik untuk menangani permintaan mendadak ini, iaitu pergi ke awan.
Terdapat banyak faedah berpindah ke awan Contohnya, persekitaran pembangunan awan mempunyai keserasian yang baik, pengembangan elastik yang cepat boleh meningkatkan kecekapan pembangunan, dan ia juga mempunyai faedah dari segi kos. dan keselamatan data.
Berbanding dengan bilik komputer yang dibina sendiri, faedah berpindah ke awan adalah
Di bawah latar belakang khas wabak coronavirus baharu, transformasi digital telah menjadi cara untuk perusahaan bertahan. Sebagai tindak balas kepada wabak itu, jika perusahaan ingin merealisasikan perniagaan dalam talian masa nyata dan memindahkan senario perkhidmatan daripada luar talian kepada dalam talian, mereka mesti menjalani transformasi digital dan menyepadukan pekerja, pelanggan, perkhidmatan dan proses melalui mesyuarat awan, perolehan awan, jualan awan, awan menandatangani, dsb. Dalam talian sepenuhnya.
Semakin tinggi tahap pembangunan digital, lebih bermanfaat kepada pembangunan perusahaan data tinjauan IDC mendapati daya maju perusahaan dengan indeks pendigitalan tinggi adalah lebih daripada lima kali ganda lebih tinggi daripada tahap purata.
Industri secara amnya percaya bahawa untuk mencapai transformasi digital, pergi ke awan adalah satu-satunya cara, malah langkah pertama "Pendigitalan mesti pergi ke awan."
Beralih ke awan ialah pilihan yang diperlukan untuk mewujudkan pautan pembangunan gelung tertutup untuk data pemanduan autonomi. Ambil pautan dioptimumkan "Huawei Octopus" pada Corner Case sebagai contoh Selepas pengambilalihan manual berlaku pada bahagian kereta, "Huawei Octopus" dicetuskan secara automatik dan maklum balas dalam talian ke awan akan menjejak dan memainkan semula dan mendiagnosis punca . Jika disahkan Jika ia adalah tanggungjawab kenderaan sendiri (masalah sistemnya sendiri), maka perkhidmatan pengumpulan data akan memuat naik data yang sah sebelum dan selepas pengambilalihan ke awan dan memasuki proses pemprosesan data.
Jika pautan persepsi perlu dioptimumkan, pengumpulan data, pembersihan dan pelabelan akan dijalankan Selepas pemprosesan, modul persepsi akan dilatih dalam awan jika kawalan perancangan modul perlu dioptimumkan, masalahnya ialah Adegan boleh ditukar menjadi perpustakaan adegan simulasi dengan satu klik. Sistem algoritma yang dioptimumkan perlu menjalani ujian simulasi selari dan ujian regresi Jika penilaian simulasi juga lulus, perkhidmatan tolak OTA akan dilancarkan dalam awan untuk menaik taraf sistem sisi kenderaan dengan cara ini, gelung tertutup yang lengkap.
Pautan gelung tertutup data "Huawei Octopus"
Awan adalah satu-satunya cara untuk pemanduan autonomi untuk beralih daripada peringkat pembangunan dan ujian kepada pengkomersilan.
Pada masa ini, kebanyakan syarikat kereta masih menumpukan pada pembangunan dan ujian, dengan bilangan kenderaan ujian antara beberapa hingga berdozen Walau bagaimanapun, apabila bilangan kenderaan ujian meningkat, jumlahnya kenderaan seterusnya akan meningkat Selepas pengeluaran beribu-ribu unit, jumlah data yang dijana setiap hari juga akan meningkat daripada ratusan/ribuan TB kepada 10PB, dan kuasa pengkomputeran GPU yang diperlukan untuk latihan dan simulasi selari juga akan berkembang daripada berpuluh-puluh kepada. Pada masa itu, keperluan untuk berpindah ke awan akan menjadi semakin mendesak.
Setelah memahami faedah berpindah ke awan, mari kita lihat klasifikasi pengkomputeran awan.
Awan biasanya dibahagikan kepada tiga kategori: awan awam, awan peribadi dan awan hibrid.
Awan awam ialah infrastruktur bukan milik pengguna yang boleh diperuntukkan kepada awan untuk digunakan oleh berbilang penyewa Awan yang paling biasa digunakan merujuk kepada awan awam, yang biasa. Penyedia perkhidmatan awan awam termasuk Amazon AWS, Alibaba Cloud, Huawei Cloud dan Tencent Cloud.
Awan peribadi biasanya dibuat untuk pelanggan tunggal Hak akses adalah eksklusif kepada pelanggan tersebut. Perkhidmatan pengehosan (hosted private cloud) dilakukan di dalam bilik komputer pembekal perkhidmatan.
Awan hibrid secara umumnya boleh dilihat sebagai gabungan awan persendirian dan awan awam, atau awan awam menggunakan penyedia perkhidmatan yang berbeza.
Secara amnya dipercayai awan awam boleh dikembangkan dengan cepat dan lebih sesuai untuk beban kerja dengan permintaan atau turun naik yang tinggi, manakala awan persendirian perlu membeli atau memajak perkakasan dan sumber baharu untuk mengembangkannya. kapasiti. Ia jauh lebih rumit. Dalam proses pembangunan pemanduan autonomi, di satu pihak, apabila bilangan kenderaan meningkat, permintaan untuk penyimpanan akan meningkat secara eksponen Sebaliknya, sering terdapat permintaan mendadak untuk kuasa pengkomputeran yang besar semasa pembangunan (latihan awan atau simulasi selari. , dll.). Menghadapi permintaan sedemikian, awan awam akan lebih sesuai.
Dari perspektif trend pembangunan pengkomputeran awan, bahagian pasaran awan awam meningkat dari tahun ke tahun, manakala bahagian awan persendirian semakin berkurangan dari tahun ke tahun. Data iiMedia Consulting menunjukkan bahawa dalam pasaran pengkomputeran awan China pada 2020, skala awan awam mengatasi awan peribadi pada 2019 dan menjadi pasaran utama yang pertama.
Apabila berkomunikasi dengan "Sembilan Bab Pemanduan Pintar", sambil mengiktiraf manfaat awan awam, kakitangan syarikat kereta turut menimbulkan Kebimbangan - keselamatan data, "Jika data saya diletakkan di awan awam, adakah ia akan dicuri oleh orang lain?"
Tepatnya kerana kebimbangan sedemikian banyak syarikat kereta akan memilih untuk membina pelayan mereka sendiri atau memilih awan persendirian beberapa syarikat kereta akan memilih awan hibrid, iaitu syarikat itu sahaja gunakan sebahagian daripada awan yang tidak terlibat Keselamatan data dan perkhidmatan privasi data dijalankan pada awan awam, manakala perkhidmatan lain dijalankan pada awan peribadi.
Walaupun beberapa syarikat kereta terkemuka dan pasukan pembuat kereta baharu memilih awan awam, mereka memilih penyedia perkhidmatan yang mempunyai hubungan ekuiti dengan mereka apabila memilih penyedia perkhidmatan awan awam "Lagipun , itu adalah anda." Orang ramai, tidak perlu risau tentang keselamatan data," jelas mereka.
Asas kepercayaan ialah persefahaman dan keakraban bersama. Banyak kali, ketidakpercayaan disebabkan oleh kekurangan pemahaman, seperti pengkomputeran awan.
Bagi perusahaan yang berhijrah ke awan, perlindungan yang betul bagi data awan mereka ialah keperluan keselamatan yang paling penting dan asas Ini juga yang diperlukan oleh penyedia perkhidmatan awan untuk memenangi kepercayaan pelanggan. talian hayat".
Menurut pengenalan dalam "Alibaba Economy Cloud Native Practice", keperluan pelanggan untuk keselamatan data boleh diringkaskan oleh tiga elemen asas keselamatan maklumat "CIA", iaitu kerahsiaan ( Confidentiality ), integriti (Integriti) dan ketersediaan (Availability).
Kerahsiaan secara khusus bermaksud bahawa data yang dilindungi hanya boleh diakses oleh pengguna yang sah (atau dijangka) Kaedah pelaksanaan utamanya termasuk kawalan akses data, pencegahan kebocoran data, penyulitan data dan pengurusan Kunci dan lain-lain bermaksud;
Integriti adalah untuk memastikan bahawa hanya pengguna yang sah (atau dijangka) boleh mengubah suai data, terutamanya melalui kawalan akses, dan pada masa yang sama dalam penghantaran dan penyimpanan data Integriti daripada data pengguna boleh dipastikan melalui algoritma pengesahan; persekitaran awan. Menjamin kerja normal sistem berkaitan (sistem storan, akses rangkaian, mekanisme pengesahan identiti, mekanisme pengesahan kebenaran, dll.).
Antara ketiga-tiga aspek ini, cara teknikal yang paling penting untuk memastikan kerahsiaan (Kerahsiaan) ialah penyulitan data, dan ia merupakan keupayaan penyulitan data pautan penuh.
"Penyulitan pautan penuh" merujuk kepada keupayaan perlindungan penyulitan data hujung ke hujung, serta penyulitan seluruh kitaran hayat data, terutamanya merujuk kepada dari luar awan hingga on-cloud dan on-cloud Proses penghantaran antara unit, proses pengiraan (pemprosesan/pertukaran) data semasa aplikasi berjalan, dan keupayaan penyulitan dalam proses storan di mana data akhirnya dikekalkan ke cakera.
Secara amnya, proses operasi penyulitan data ialah data teks biasa dikira melalui algoritma keselamatan yang diiktiraf di peringkat antarabangsa dan domestik untuk mendapatkan teks sifir data. Dalam operasi kriptografi, kunci yang dilindungi dan terurus dengan selamat adalah syarat yang mencukupi dan perlu untuk perlindungan kriptografi. Dalam erti kata lain, mengawal kunci juga mengawal inisiatif operasi penyulitan keseluruhan. Memandangkan pengguna membawa kunci induknya sendiri sebagai sumber pengguna, dan sebarang panggilan mesti dibenarkan oleh pengguna, pengguna mempunyai kawalan dan inisiatif bebas yang lengkap ke atas penggunaan data yang disulitkan. Pada masa yang sama, sebarang panggilan kepada sumber pengguna akan dipaparkan sepenuhnya dalam audit log, jadi ketelusan penggunaan awan bagi data yang disulitkan lebih terjamin.
Kitaran hayat keselamatan data, dipetik daripada Amalan Asli Awan Ekonomi Alibaba
Ramai orang dalam industri juga menyebut satu perkara apabila berkomunikasi dengan "Sembilan Bab Pemanduan Pintar": Siapa yang boleh menjamin bahawa pekerja dalaman atau kakitangan operasi dan penyelenggaraan pembekal perkhidmatan awan tidak akan menggunakan kebenaran mereka untuk menggunakan data saya secara rahsia?
Ini sebenarnya melibatkan pematuhan dan perlu dipastikan melalui proses dalaman, dan proses dalaman ini selalunya disahkan melalui pensijilan pematuhan oleh pihak ketiga yang berwibawa. Antaranya, pensijilan sistem keselamatan maklumat yang paling berwibawa, diterima secara meluas dan digunakan di dunia ialah ISO27001 Pensijilan pematuhan yang diluluskan oleh setiap pembekal perkhidmatan awan utama juga boleh didapati di laman web rasmi mereka.
Pensijilan pematuhan luaran juga mesti dilaksanakan secara dalaman dengan mengambil contoh Huawei, ia mempunyai siri garis merah keselamatan dalaman daripada pembangunan kepada pihak pengurusan, hukuman akan dikenakan Tegas, sering diturunkan pangkat, dihukum, diberi amaran, malah dipecat. Apabila bercakap tentang isu pematuhan, orang dalam Huawei itu juga bergurau bahawa selepas Amerika Syarikat mula mengenakan sekatan ke atas Huawei, ia telah mencuba sedaya upaya untuk mencari bukti "pejal" mengenai "ketidakpatuhan" Huawei di seluruh dunia. ia tidak ditemui lebih daripada dua tahun Ditemui, ini juga membuktikan dari sisi betapa ketatnya Huawei dari segi pematuhan Beberapa ketika dahulu, perkhidmatan awan kereta pintar Huawei juga lulus pensijilan pihak ketiga ASPICE L2 dan Kumpulan Volkswagen. Kajian semula APSICE (KGAS) PN (bakal pembekal) Ini juga menunjukkan kualiti R&D dan proses pembangunan perkhidmatan awan kereta pintar Huawei telah diiktiraf oleh pengeluar kereta antarabangsa.
Mungkin, lebih mudah untuk difahami dari perspektif logik perniagaan. Bagi penyedia perkhidmatan awan, keselamatan data pelanggan adalah nadi pelanggan mempercayakan kehidupan mereka kepada anda Setelah masalah berlaku, kepercayaan ini tidak lagi wujud dan pijakan perniagaan hilang. Dan dari perspektif seni bina pengkomputeran awan itu sendiri, data pada awan akan lebih selamat: dalam satu pihak, penyedia perkhidmatan awan akan melakukan sandaran data untuk pemulihan bencana di luar tapak (untuk mengelakkan kehilangan data yang disebabkan oleh bencana alam seperti kebakaran). ), sebaliknya, tahap perlindungan keselamatan juga akan lebih Tinggi (lebih ramai bakat keselamatan, lebih banyak langkah keselamatan disediakan).
Walaupun berpindah ke awan adalah trend umum bagi syarikat kereta, ia tidak akan berlaku dalam sekelip mata pemahaman dan penerimaan syarikat kereta terhadap awan awam memerlukan proses.
Seorang pemasar awan awam memberitahu "Sembilan Bab Pemanduan Pintar" bahawa secara relatifnya, syarikat pemanduan autonomi dan syarikat kereta asing dengan latar belakang Internet lebih bersedia untuk menggunakan syarikat kereta tradisional , terutamanya Memandangkan ia adalah perusahaan milik kerajaan, ia akan mempunyai lebih banyak kebimbangan mengenai data.
Dari perspektif aliran pembangunan industri pengkomputeran awan, industri yang berbeza mempunyai pemahaman yang berbeza tentang awan, dan kadar penggunaan pengkomputeran awan juga berbeza Menurut data Frost & Sullivan, semasa pengkomputeran awan di China Pengguna utama tertumpu dalam bidang Internet, kewangan, kerajaan dan lain-lain yang mempunyai pendedahan awal kepada awan Antaranya, industri berkaitan Internet menyumbang kira-kira satu pertiga, awan kerajaan kini menyumbang kira-kira 29%. , dan awan industri tradisional seperti pengangkutan, logistik dan pembuatan Tahap aplikasi pengkomputeran bertambah baik dengan pantas. Saya percaya bahawa pada masa hadapan, apabila syarikat kereta memperdalam pemahaman mereka tentang pengkomputeran awan dan mempercepatkan proses transformasi digital, penerimaan mereka terhadap awan akan menjadi lebih tinggi dan lebih tinggi. Dalam masa terdekat, tidak dapat mengakses awan mungkin tidak lagi menjadi masalah.
Titik kesakitan terbesar semasa bagi syarikat kereta dalam membangunkan pemanduan autonomi sistem Ya, pemecahan bersama rantai alat dan silo data.
Syarikat rangkaian alat tradisional dan syarikat permulaan sering menumpukan pada pautan tertentu dalam rantaian alat Contohnya, mereka yang melakukan simulasi melakukan simulasi, dan mereka yang membuat anotasi melakukan anotasi apabila digunakan oleh syarikat kereta bahagian digunakan secara keseluruhan Satu pautan dalam rantaian alat pembangunan digunakan secara bersiri Jika anda hanya memfokus pada pautan tertentu di tengah, ia pasti akan "tidak selaras" dengan pautan lain.
Selain itu, rangkaian alat semasa tidak mempunyai piawaian industri dan setiap syarikat adalah sangat berbeza Pelanggan perlu menghabiskan banyak masa untuk menyesuaikan diri, jadi syarikat kereta berharap satu pembekal dapat menyepadukan alatan tersebut . Sambungkan berbilang pautan dalam rantaian untuk mengurangkan kos penyesuaian anda sendiri. Melihat peluang ini, gergasi teknologi telah memasuki pasaran dengan "ekologi rantaian alat" dan menyediakan rantai alat tindanan penuh.
Berikut ialah inventori ekologi gergasi teknologi:
(1) NVIDIA: Ekologi berasaskan cip
Cip gergasi Nvidia telah membina seni bina perkakasan GPU bersatu dan seni bina perisian CUDA di sekeliling kereta, desktop dan awan Pembangun boleh menggunakan arahan yang sangat mudah untuk memanggil model pembelajaran mendalam yang kompleks. "Sembilan Bab Pemanduan Pintar" belajar daripada pertukaran dengan pakar industri bahawa sebab penting mengapa mereka memilih NVIDIA ialah NVIDIA mempunyai rangkaian alat yang stabil dan ekosistem perisian yang kaya. Kelebihan rantai alat yang matang ialah jika berlaku masalah, anda boleh mencari masalah dengan cepat.
Pada 2017, NVIDIA mengeluarkan platform pemanduan autonomi NVIDIA DRIVE, yang turut dilengkapi dengan seni bina perisian yang dibangunkan sendiri Drive AV dan Drive IX. Pengawal pemanduan pintar dalam kenderaan untuk platform NVIDIA DRIVE. Siri Xavier kini berada di pasaran, dan Orin terbaharu dirancang untuk dikeluarkan secara besar-besaran pada tahun 2022 dan boleh memenuhi standard keselamatan berfungsi ISO 26262 ASIL-D.
Dalam bidang simulasi, NVIDIA melancarkan sistem simulasi Drive Constellation dan Drive Sim pada 2018.
Pada 2019, NVIDIA turut menunjukkan penyelesaian penentududukan berketepatan tinggi DRIVE Localization Selain itu, NVIDIA juga merancang penyelesaian penyumberan ramai peta berketepatan tinggi NVIDIA MapWorks.
Pada masa ini, Nvidia telah mewujudkan kerjasama R&D pemanduan autonomi dengan Mercedes-Benz, Audi, Toyota, Volvo, Bosch, Continental dan syarikat lain.
(2) Huawei: ekosistem terbuka gabungan awan-paip-hujung-cip
Huawei menegaskan "tidak membina kereta, memfokuskan mengenai teknologi ICT, dan membantu kereta Strategi "Membina Kereta Baik" memfokuskan pada cip, awan, perisian dan perkakasan, rantai alat, dan peta berketepatan tinggi untuk mencipta ekosistem terbuka.
Platform Pengkomputeran Pemanduan Pintar Huawei MDC menyepadukan CPU yang dibangunkan sendiri, cip AI dan cip kawalan lain Huawei, dan menyepadukan pengoptimuman perisian dan perkakasan asas untuk mencapai tahap peneraju prestasi keseluruhan yang menerajui industri . Selain itu, Huawei MDC juga mempunyai platform ujian dan rantaian alat yang lengkap, menyediakan penyelesaian timbunan penuh untuk pembangunan MDC. Perkakasan platform MDC menjalankan sistem pengendalian pemanduan pintar AOS/VOS dan Teras MDC. Dalam erti kata lain, MDC mempunyai perisian dan perkakasan gred kereta, yang memudahkan syarikat kereta memilih model yang dikeluarkan secara besar-besaran.
Rajah seni bina keseluruhan MDC - daripada kertas putih MDC Huawei
dalam automatik Dalam bidang memacu rantaian alat pembangunan, Huawei telah melancarkan perkhidmatan awan pemanduan autonomi. Selain itu, Huawei juga telah melancarkan perkhidmatan awan Internet of Vehicles (pemacuan pintar, pengumpulan dan penyimpanan data kokpit pintar), perkhidmatan awan tiga kuasa (pengurusan awan dan kawalan tiga sistem kuasa), dan perkhidmatan awan peta berketepatan tinggi. Di samping itu, Huawei juga telah melaksanakan kedua-dua langkah lembut dan keras untuk menggunakan penderia pemanduan autonomi.
(3) Baidu: Platform terbuka Apollo
Pada 2017, Baidu mengeluarkan Apollo, platform terbuka untuk pemanduan autonomi, kepada industri automotif dan rakan kongsi dalam bidang pemanduan autonomi untuk menyediakan platform perisian yang terbuka, lengkap dan selamat Platform Apollo ialah set lengkap perisian, perkakasan dan sistem perkhidmatan, termasuk platform kenderaan, platform perkakasan, platform perisian dan perkhidmatan data awan boleh membantu rakan kongsi menggabungkan kenderaan dan sistem perkakasan untuk membina sistem pemanduan autonomi mereka sendiri dengan cepat.
Apollo terus menaik taraf pada masa hadapan, membuka pemanduan autonomi berkelajuan tinggi visual kawasan terhad, tempat letak kenderaan autonomi (Letak Kereta Berjoki), kenderaan kendalian tanpa pemandu (MicroCar), bas ulang-alik automatik (MiniBus) dan kompleks bandar jalan raya. Pemanduan berautonomi dan penyelesaian lain, dan mula membina armada Robotaxi sendiri dan menjalankan operasi ujian di pelbagai tempat di bawah jenama "Luobo Kuaipao".
Perlu dinyatakan bahawa Apollo mengeluarkan perisian pertengahan Cyber RT untuk meningkatkan keselamatan sistem pemanduan autonomi.
Pemaju ekosistem Apollo menyediakan perkhidmatan simulasi sistem berasaskan awan dan sistem simulasi pemanduan autonomi realiti tambahan AADS.
Pada awal tahun 2021, Baidu dan Geely menubuhkan usaha sama, Jidu Automobile, dan mengumumkan penghentian pembuatan kereta mereka secara terbuka menyatakan bahawa "tujuan penubuhan Jidu Automobile adalah untuk menggabungkan Teknologi pemanduan autonomi Baidu dan teknologi kokpit pintar ke pasaran.”
(4) Tencent: perkhidmatan awan pautan penuh dan platform pembangunan
Tencent turut menyediakan platform pembangunan untuk awan pemanduan autonomi ekosistem. Tencent tidak membina kereta atau penderia, tetapi hanya menyediakan perisian dan perkhidmatan.
Di bahagian kereta, Tencent menyediakan penyelesaian termasuk persepsi, kedudukan, perancangan, membuat keputusan dan kawalan pada awan, berdasarkan storan awan dan sokongan kuasa pengkomputeran, Tencent telah dibina sistem pengumpulan data Pengurusan, anotasi sampel, latihan dan penilaian algoritma, diagnosis dan penyahpepijatan, simulasi awan (platform simulasi TAD Sim), dan maklum balas kenderaan sebenar perkhidmatan awan proses penuh gelung tertutup menyediakan perkhidmatan awan pautan penuh dan platform pembangunan yang menyokong penyelidikan dan pembangunan pemanduan autonomi.
Susun atur dan kedudukan perniagaan pemanduan autonomi Tencent (dipetik daripada perkongsian awam dalam talian Tencent Su Kuifeng)
Rantai alat tindanan penuh mempunyai peningkatan yang jelas dalam kecekapan, terutamanya kerana ia boleh membina Talian Paip dengan cepat. Orang dalam "Huawei Octopus" berkata: Jika penyelesaian rantaian alat diskret setiap syarikat digunakan, ia mungkin mengambil masa beberapa bulan untuk hanya menyahpepijat pautan Namun, "Huawei Octopus" telah melakukan ini untuk keseluruhan pautan dan penyesuaian selesai pertindihan kerja dikurangkan Selain itu, Huawei juga menyediakan satu set algoritma rujukan Pelanggan boleh menyahpepijat dan mengoptimumkan berdasarkan ini, yang sangat mengurangkan kesukaran untuk memulakannya pautan lengkap, sangat cekap.
Sebab mengapa banyak syarikat kereta memilih untuk membangunkan rantai alat mereka sendiri adalah, dalam satu pihak, pertimbangan kecekapan dan sebaliknya, Demi "keselamatan", syarikat kereta juga ingin mengekalkan kedudukan kawalan masa lalu mereka dalam ekosistem, tetapi secara naluri tidak menyukai potensi risiko "terperangkap", jadi mereka sering suka bekerjasama dengan syarikat kecil dalam rantai alat.
Dari segi keterbukaan, gergasi teknologi yang berbeza mempunyai strategi yang berbeza Menurut pembangun pemanduan autonomi di pengeluar kereta tertentu, ekologi platform pembangunan pemanduan autonomi perusahaan tertentu tidak dipisahkan. "Jika anda ingin memilihnya, anda mesti 'menerimanya sepenuhnya' dan tidak menerima penggunaan satu modul ini digunakan untuk mengikat pelanggan secara mendalam Huawei telah memilih laluan lain - memisahkan setiap modul;
Menurut orang dalam Huawei, rantaian alat "Huawei Octopus" dibahagikan kepada empat bahagian: data, latihan, simulasi dan penyeliaan Empat bahagian ini terbuka sepenuhnya untuk dipisahkan dan tidak mengikat, pelanggan boleh menggantikannya pada bila-bila masa.
Bagi syarikat kereta, jika rizab teknikal yang sedia ada tidak dapat menyokong rancangan pengeluaran besar-besaran, mereka hanya boleh mengeluarkan pengeluaran besar-besaran. yang kelihatan bercanggah dengan strategi penyelidikan kendiri.
Apabila berkomunikasi dengan "Sembilan Bab Pemanduan Pintar", jawapan yang diberikan oleh pembangun syarikat kereta adalah sangat konsisten: Di satu pihak, kereta yang dikeluarkan secara besar-besaran dilengkapi dengan penyelesaian ADAS sumber luaran , kerana ia adalah perolehan kotak hitam, pembekal tidak membuka sebarang data, tetapi demi daya saing dan jualan kenderaan, syarikat kereta hanya boleh bertolak ansur dengan "kompromi segera" ini, sebaliknya, syarikat kereta mempunyai melaburkan banyak tenaga kerja dan sumber material pada masa yang sama Berkenaan pelan L2+ yang dibangunkan sendiri, "apabila rancangan yang dibangunkan sendiri matang, ia akan diganti dan digunakan secara beransur-ansur", jadi yang dibangunkan sendiri menjadi "Puisi dan Jarak" .
Memandangkan permintaan pelanggan syarikat kereta ini, "Huawei Octopus" menyediakan pelanggan dengan pelbagai pilihan kerjasama yang diperkenalkan oleh orang dalam Huawei: "Untuk pilihan pertama, Huawei bertanggungjawab untuk membangunkan dan menyediakan pilihan penyelesaian pengeluaran besar-besaran yang lengkap ; dalam pilihan kedua, Huawei bertanggungjawab untuk pembangunan, dan pelanggan boleh mengkonfigurasi beberapa parameter secara bebas dalam pilihan ketiga, Huawei menyediakan rangkaian alat pembangunan pemanduan autonomi, dan pelanggan menjalankan pembangunan diri, dan Huawei menyediakan set lengkap selepas- perkhidmatan perundingan pembangunan jualan.
Perkembangan semasa industri rantaian alat pembangunan pemanduan autonomi masih belum matang, dengan silo bukan penyeragaman dan maklumat yang serius Untuk mencapai kecekapan pembangunan, pasukan pemanduan autonomi terkemuka perlu "mencipta roda mereka sendiri" .Walau bagaimanapun, dengan kemasukan ramai pemain rantaian alat baharu, industri keseluruhan sedang berkembang ke arah kematangan, dan rantaian alat seterusnya akan beransur-ansur terbuka, diseragamkan dan diseragamkan. Khususnya, gergasi seperti Huawei dan Nvidia telah memasuki permainan dengan ekosistem mereka, membuka keseluruhan rantaian pembangunan, membawa contoh kepada industri, dan mempromosikan pembangunan industri Dalam kata-kata orang dalam Huawei, ini adalah "menarik autonomi China memacu industri." , teruskan berjalan ke hadapan."
Mengalih pemanduan autonomi ke awan adalah trend utama Dengan pemanduan autonomi peringkat tinggi, ia berkembang secara beransur-ansur daripada peringkat penyelidikan teknikal kepada peringkat komersial berskala besar keperluan untuk penyimpanan, kuasa pengkomputeran dan sumber lain, Ia juga meletakkan keperluan yang ketat pada kebolehpercayaan, keselamatan dan kebolehskalaan perkhidmatan infrastruktur yang tinggi.
Model pembinaan pusat data tradisional akan membawa kos pembinaan dan tekanan operasi dan penyelenggaraan yang besar kepada syarikat pembangunan pemanduan autonomi. Dengan menyokong pelbagai kuasa pengkomputeran, awan awam boleh memenuhi keperluan perniagaan kuasa pengkomputeran yang melampau, keselamatan, kebolehpercayaan, keanjalan dan fleksibiliti untuk sumber infrastruktur yang besar dalam proses pembangunan pemanduan autonomi, latihan model dan simulasi selari, dengan itu mencapai pembangunan tangkas autonomi. algoritma memandu dengan lelaran. Oleh itu, walaupun kebanyakan syarikat pada masa ini mempunyai keraguan tentang pendekatan awan awam, saya percaya bahawa dengan perkembangan pesat seluruh industri pemanduan autonomi dan pemahaman yang berterusan tentang awan awam, model perkhidmatan ini akan terus dipromosikan.
Atas ialah kandungan terperinci Perbincangan mendalam tentang status semasa dan trend masa depan rantai alat pembangunan pemanduan autonomi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
kemas kini penggunaan penyata
Cara menggunakan alat tangkap paket HttpCanary
Cara menggunakan mata wang digital
Cara menggunakan aspose
Penyelesaian kepada aksara Cina yang kacau
Bagaimana untuk mengkonfigurasi sambungan pangkalan data dalam mybatis
Penggunaan fungsi fgets
Bagaimana untuk menetapkan fon dreamweaver
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
