自动驾驶数据“上云”已成大势，那么下一步该何去何从？眼下，自动驾驶行业已经进入商业落地的下半场，路上搭载各种级别自动驾驶系统的车辆越来越多。对于车企来说，落地交付既是对其多年潜心研发的认可，也面临着量产带来的海量数据挑战。目前来看，单独新建机房显然不划算。“云”成为最佳选择。但随着自动驾驶行业越来越“体量”，车企对云端的需求不再满足于数据存储本身，如感知模型训练、仿真测试、研发工具链等。车云也在增加。越旺盛。因此，在这个时间点上，自动驾驶数据的“云接入”可以说是最低要求，而自动驾驶研发的“云接入”才是关键。那么，摆在车企面前的云端最大需求是什么？云服务如何助力自动驾驶发展？智能车云未来应该向哪里发展？近日，安永（中国）咨询有限公司（以下简称“安永”）与华为智能汽车BU合作，共同撰写并发布了《从“上云”到“入云”，云服务赋能汽车产业智能网联升级——智能汽车云服务白皮书》（以下简称《白皮书》）解决方案。这篇《白皮书》也是首份云服务在汽车行业智能汽车时代应用的白皮书，核心业务核心应用。本书对当前智能汽车云服务的自动驾驶开发、车联网等应用场景进行了详细解读。对此，车东喜从这本书《白皮书》中找到了上述问题的答案。01、自动驾驶需要实现数据“上传云端”只是第一步。如果将自动驾驶产业的发展分为两半，那么上半场是从零到一的开发验证阶段，下半场是从一到多的商业落地阶段。.上半场，车企比拼谁的自动驾驶系统算法效率更高，谁的接管率更低。下半场，比拼谁的派送规模最大，实际里程数最多。毕竟实践是检验真理的唯一标准，自动驾驶也是如此。目前，各级别自动驾驶车辆越来越多，驾考范围越来越广，应用场景越来越丰富。对于车企来说，“车多路多”固然是好事，但由此产生的海量数据却成了新的“头疼”。一般来说，在自动驾驶研发阶段，如果10辆测试车每年累计采集天数估计为300天，单辆车每天可以产生10TB左右的数据，产生的数据总量每年将达到30PB左右。在商业落地阶段，虽然车辆不会像测试车辆那样昼夜不停地奔跑，但车辆总数呈指数级增长。如果按照10万辆来测算，每年累计采集天数为300天，那么未来车企面临的数据总量将达到ZB级别。这里简单介绍一下PB级别和ZB级别的换算关系，1ZB=1024EB，1EB=1024PB，用大家熟悉的TB单位换算，1ZB约等于10亿TB。车企面临的数据压力可想而知。▲商用阶段数据量将达到ZB级别（图片摘自白皮书正文）。现阶段，无论是在建设、运维成本还是信息安全方面，机房建设或扩容的方式显然已经跟不上数据增长的速度。.“传统的数据中心已经不能满足自动驾驶商业化的要求，“上云”是自动驾驶从研发到商用的必由之路。”某高科技公司智能汽车云服务产品部总经理说。可见，在自动驾驶商业化的下半场，数据“上传云端”成为车企的一大诉求，也成为决定其能否实现快速迭代的重要因素。然而，海量数据带来的不仅仅是存储问题，如何高效地利用和处理数据又是一个大问题。因此，数据“上云”只是第一步，智能车云对自动驾驶的意义绝不只是满足数据存储本身。02.感知模型和标签如何践行“入云”是关键如前所述，自动驾驶行业正处于商用落地的下半场。快速迭代能力和解决CornerCase的能力。也就是说，自动驾驶汽车的商业化，离不开持续高效的算法迭代。对于自动驾驶算法的迭代，感知模型训练和仿真测试是重中之重。前者直接关系到自动驾驶系统的安全性，后者则决定着自动驾驶系统能否实现快速迭代。但据部分车企研发人员反馈，感知模型训练和仿真测试也是整个自动驾驶研发过程中的两大痛点。▲自动驾驶相关高频痛点场景（图片摘自白皮书正文）首先是感知模型训练。众所周知，自动驾驶系统在感知方面与人类驾驶员相似。他们通过各种传感器感知外部环境。前者依靠摄像头、激光雷达和毫米波雷达，而人类驾驶员则依靠眼睛、耳朵甚至鼻子。而且，虽然自动驾驶系统和人类驾驶员都相对容易看到，但很难分辨是什么。▲自动驾驶感知解决方案因此，感知模型训练成为自动驾驶研发过程中最基础、最重要的一环。毕竟，只有当你看清楚并认识到它是什么时，你才能计划和做出决定。具体而言，感知模型训练按流程可分为五个主要步骤，即数据存储、数据预处理、难点样本挖掘、数据标注和模型训练。▲自动驾驶研发的关键控制点（图片摘自白皮书正文）5大环节中，数据标注是最耗时耗力的环节，让不少车企直呼这是一个“头痛”。数据标注是指通过人工和智能工具对传感器采集的图像、视频、路牌文字等各类信息进行检测和识别。简单来说，数据标注就是将图像（点云、相机）中的信息一一标注出来。这是一项简单的任务，需要高精度和高效率。▲数据标注因此，人类在处理这项工作时，难免会出现数据筛选耗时、人工标注返工率高、数据格式不一致等问题，导致整体标注效率较低。而国外一家自动驾驶汽车公司也为了提高数据标注的效率，降低了人工标注的比例。人工效率低下，用AI做数据标注如何？通过AI标注数据解决了人工效率问题，但数据积累的深度和广度将直接限制和影响AI的学习能力，基础算法模型的计算能力也难以承受不断增长的数据量。因此，自动驾驶感知模型等训练数据量大、算法精度要求高、训练效率要求快的任务更适合使用汽车云服务进行数据处理。相比人工和本地AI训练的数据处理能力，汽车云服务凭借超强的算力、高效精准的智能策略优势，可以有效缓解自动驾驶数据处理过程中的各种困难和挑战。《白皮书》提到港口、矿山等封闭场景的高级别自动驾驶商用落地时间早于乘用车，汽车云服务也将在“云端大脑”中发挥巨大作用这些工业应用场景。以矿区无人驾驶为例，汽车云服务在感知模型的训练中发挥着至关重要的作用。无人驾驶卡车在矿区经常会遇到非结构化道路、乱落石块、异形车辆等，矿区还存在扬尘、扬土等恶劣环境。对于自动驾驶系统的开发，这是对数据标注准确性和模型训练效率的考验。汽车云服务通过高效的数据处理、疑难案例挖掘、自动标注、模型训练，快速助力自动驾驶。适应矿区复杂作业环境，降低接管率，提高无人作业效率。在数据方面，本地AI训练数据处理效率比人工高3~4倍，并且依托云端更高的算力和更多的经验积累，汽车云服务数据处理的综合处理效率增加了10倍以上。加工成本比人工低50%。▲自动驾驶研发数据处理发展历程（图片摘自白皮书正文）综上所述，在自动驾驶研发数据处理方面，汽车云服务的优势逐渐凸显.不仅可以有效识别高价值数据，优化存储空间，加速疑难案例挖掘，还可以通过深度学习提升自动标注能力，优化标注算法的效率和准确性，降低数据处理成本。03.快速迭代，模拟测试需要借助云端。解决了数据处理问题后，对于持续投入自动驾驶的车企来说，要实现快速迭代，海量测试必不可少。业内普遍认为，自动驾驶系统至少需要100亿英里（约合161亿公里）的试驾数据才能保证车辆在道路上的安全，但仅靠试车运行显然难以完成“日夜”。因此，仿真测试成为自动驾驶研发的重要一环，也是必经之路。据统计，在模拟测试中，车企主要面临四大挑战，即场景库覆盖不足、行业间格式不兼容；整车路试偏差大，置信度低；模拟评价体系不完善，反馈效果差。▲自动驾驶模拟测试系统（图片摘自白皮书正文）另外，模拟测试对技术团队的能力要求很高，必须具备多种跨学科的专业技能，对业务融合度也更高，远超自动驾驶研发的其他业务环节。上述挑战和问题也引发了模拟测试“入云”的迫切需求。那么模拟车云可以解决哪些问题呢？如何解决问题？首先，仿真车云服务通过构建开放的场景库，帮助仿真场景库更加规范和全面。其次，依托云端大规模并行仿真强大的计算能力和高并发处理能力，将单线模式转变为并发模式，支持多场景下同时完成多个仿真任务，大幅提升仿真效率。▲自动驾驶云仿真针对仿真测试与实车路试偏差较大的问题，仿真车云服务可以整合计算机软件、车辆动力工程、交通运输等领域的专业能力，从微观到提高仿真测试的逼真度宏。最后，在仿真测试评估方面，汽车云服务基于汽车行业的经验，结合场景库。仿真测试的算法迭代和场景库优化。所以综上所述，对于整个自动驾驶云服务来说，一个高质量的仿真测试系统犹如皇冠上的明珠，非常具有代表性地体现了自动驾驶研发“入云”的价值。在自动驾驶研发、数据处理和仿真测试这两个关键控制点，智能车云的作用不容小觑。对于涉足自动驾驶的车企来说，智能车云的重要性与传感器、计算平台、整车制造同等重要，成为商用落地下半场降本增效的秘密武器.04.如何提升研发效率工具链渗透是重点当感知模型训练和仿真测试效率提升时，是否意味着整个自动驾驶研发过程的效率可以整体提升？答案是否定的。例如，某车企在自动驾驶研发过程中，由于不同阶段使用的工具分散，数据处理格式不同，需要2个月时间迭代开发模型，效率低且成本高。这也意味着，在没有完整的自动驾驶研发工具链的情况下，仅靠单个研发流程的效率提升，并不能有效提升整体研发效率。最后的结果很可能是1+1<2，整体效率反而会下降。因此，对于车企来说，全栈端到端的自动驾驶研发工具链也非常重要。某汽车技术中心高级总监表示，传统车企需要从原有的车端瀑布式系统集成开发模式，转变为云、管、端一体化的敏捷场景集成开发模式。无独有偶，在底层处理能力方面，云服务让自动驾驶研发工具链更容易实现数据收敛，构建涵盖数据采集、存储、处理、标注、模型训练、仿真、评估等一系列自动化开发工具链。.对于车企来说，当拥有智能车云支撑的研发工具链后，还可以打通全链条“端到端”的开发流程，大大降低开发成本，提高系统迭代和运维能力。维修效率。▲“端到端”工具链赋能自动驾驶研发流程降本增效（图片摘自白皮书正文）。从数据来看，这条“端到端”的自动驾驶研发工具链可以帮助车企节省50%的综合开发成本，综合运维效率提升60%。05.结语：车企与云服务商双管齐下那么，智能汽车云服务除了在自动驾驶研发上大显身手外，还有哪些应用场景呢？事实上，除了上述三大场景，智能汽车云服务已经悄然部署在车辆的全生命周期。目前，汽车云服务在汽车全生命周期新增9个场景，21个更细化维度的具体应用场景，包括研发、销售、使用、售后服务等衍生服务。▲汽车云服务在智能网联汽车中的应用场景展望（图片摘自白皮书正文）总而言之，智能汽车云已经成为智能网联汽车行业不可或缺的一部分，它正在帮助数据发挥最大的作用商业应用价值，为车企在研发到商用的过程中降本增效。而车企也正大踏步迈向与云厂商业务级合作的深水区，逐步形成形式上双向赋能的良好局面，在智能化升级道路上携手并进网络连接。
