硬件预置是汽车主机厂在自动驾驶趋势下采用的一种新模式。即通过在车内预置硬件，用户可以通过不断升级后续汽车的软件来获得更好的体验。同时减轻了代工车型上市时间的压力。硬件预嵌入与OTA远程升级之间存在必然联系。说完硬件预嵌，我们再来说说OTA的原理。在此之前，我们先聊一个即使通过硬件预嵌和OTA也无法回避的话题——车企研发中的数据闭环是如何实现的？硬件预嵌和OTA，出门左转，可以看到船尾前整理好的内容。言归正传，回到本期主题：自动驾驶硬件预置后，车企如何实现数据闭环？只需5步实现数据闭环NI提出5步数据采集/处理方法打造数据闭环：路考大数据管理场景虚拟化数据开环充值数据闭环从数据采集到数据闭环，有仅需5步1.路测——数据记录系统AD路测是实景数据采集的重要来源。无论是车内通信还是车路通信，都需要处理大量的数据。自动测试系统一般需要配备数据采集同步和存储设备。自动驾驶汽车需要哪些类型的传感器？自动驾驶汽车是集感知、决策、控制等功能为一体的自动驾驶汽车。识别各种交通要素，为自动驾驶车辆决策系统提供支持。1、摄像头摄像头按视频采集方式分为两大类：数字摄像头和模拟摄像头。车载上普遍使用的是数码相机，它可以将视频采集设备产生的模拟视频信号转换成数字信号，然后存储在电脑中。模拟摄像机只能通过特定的视频采集卡将采集到的视频信号转换为数字方式，并进行压缩后再转换为计算机使用。例如，我们使用的固定电话是模拟信号，在通话过程中容易出现噪音（电流声或听不见）。我们的手机为了保持良好的通话质量，将手机的模拟信号数字化，手机之间的通话质量非常清晰。利用同样的原理，使用数码相机可以有效降低图像中的噪点，提高成像效果。一句话：模拟视频信号在一定的时间范围内可以有无穷多个不同的值。数字视频信号是在模拟信号的基础上进行采样、量化和编码而形成的。模拟信号容易产生信号噪声和干扰，已逐渐被数字信号所取代。图片来源：博世官网2.雷达雷达能主动探测周围环境，比视觉传感器受外界环境影响小。它是自动驾驶汽车的重要传感器之一。雷达向目标发射电磁波，接收回波，获得目标距离、方位角、距离变化率等数据。根据电磁波波段，雷达可细分为激光雷达、毫米波雷达和超声波雷达三大类。NI提供的基于PXI平台的模块化数据采集解决方案，可以满足多摄像头、车载以太网、CAN/CANFD、GPS等的数据采集，也可以满足连续赛段的数据采集需求。比如ADAS域控制器，基本处于研发迭代阶段。通过数据旁路采集方式，可以将NI测试设备作为中间件从中间采集数据，以免破坏传感器到ECU。数据链接。此外，NI的解决方案支持从15TB到200TB的数据存储容量。为了保证采集数据的准确性，用于记录数据的车辆需要配备满足其特定智能驾驶水平的传感器和测量技术。主要的传感器类型包括摄像头、毫米波雷达和激光雷达。该系统的核心是一个融合控制器，它从所有传感器获取数据并实时计算当前环境的模型，然后用于控制驱动、转向和制动系统。满足各种传感器、ECU、通信数据记录需要的高性能数据采集系统需要专门设计用于连续运行，提供高可靠的RAID存储设备，可以测量来自摄像头、毫米波雷达的原始数据，和激光雷达，并有一个测试融合控制器，还包括额外的参考摄像头视频数据和惯性导航系统数据，提供车辆的精确位置和车辆以太网、CAN、CANFD、FlexRay和许多其他总线数据。2、大数据管理——从DIAdem的流程来看，大数据管理分为三个部分：车队管理、数据中心、终端数据使用。在车辆端向数据中心传输数据的过程中，一般采用数据中转等回传方式，数据量可达10-100TB/辆/天。反过来，数据中心也可以对车辆进行实时监控，这主要是通过车载4G或5G网络完成的。车辆在不同阶段需要采集的数据量也呈几何级数增长。以目前常见的L3阶段为例，随着4K超高清摄像头、128线激光雷达等传感器的引入，数据采集系统每天8小时记录的数据量高达30TB.采集系统需要提供高带宽、大容量的数据存储，还需要考虑如何方便地将数据传输到数据中心。例如，通过专门的数据上传器将数据传输到PB容量的数据中心。除了这些基于云端的工具，这里还有另一款数据挖掘神器——DIAdem。可部署在云端，对路试数据、多源数据图像、点云和部分公交数据实现相应的数据可视化和数据挖掘。DIAdem可提供200+数据插件，兼容ASC、MDF4、TTL、MAT等各类测试厂商的数据格式。3.场景虚拟化——monoDrive通过路测采集数据后，需要对数据进行清洗分类，选择场景，最后将真实路测与虚拟仿真测试相结合。monoDrive就是这样一款工具，可以实现高保真传感器物理建模、场景语义分割，还支持云端仿真功能，可以将大量测试用例部署到云端，加快仿真进度。monoDrive的另一个重要优势是自动生成真实到虚拟场景的扩展功能。值得一提的是，在场景重建或传感器建模过程中，NI可以对真实传感器数据和虚拟传感器数据进行相应标记。一种将实车数据转化为仿真场景的工具，基于大量实车数据的积累，实现数据驱动的研发模式。▲??采集场景转换效果工具链支持海量动态数据和静态数据的编排组合，解决了案例设计与实际情况偏差较大的问题，让自动驾驶模拟更接近真实世界。▲??语义场景转换工具链4.数据开环填充——基于PXI平台的系统架构这一步是将原始数据重新填充到ADAS感知软件中，一部分是直接重新填充软件栈做一些软件回填主要针对部分机型的测试部分。另一部分直接反馈给真实的ECU，可以更真实地再现我们在路试中发现的一些情况。NI系统架构组成：用户数据中心、基于Linux平台的ReplayPC、NIPXI平台为了形成数据闭环，充分利用原始数据的价值，越来越多的车企正在建设这样的集群数据回灌系统。很多车企在定义AEB功能的时候，通常会要求AEB功能是10万公里或者20万公里无误触发。举个例子——路试跑了8万公里，突然出现误触发，这时候你得回去修改相应的软件。修改软件后，还需要再跑10万公里吗？显然重新来过会浪费很多时间和精力。面对这样的挑战，有效的方法是什么？王帅解释道：“如果第一次路试时8万公里有问题，但可以保证记录之前里程的数据。一旦发现问题，我们就迭代修改软件。”修改软件后，我们利用采集到的原始数据做回归测试，测试修改后的软件能否在原始数据上正常运行。这减少了我们对道路测试的投资，从而加快了开发速度。》5.闭环测试——SIL和HIL闭环测试通常包括软件在环（SIL）和硬件在环（HIL）。就软件在环而言，NI的解决方案是使用monoDrive平台，在云端提供批量测试部署环境。硬件在环方面，NI的解决方案是使用PXI平台，利用NI在摄像头、车载总线、数据方面的优势实现各种类型传感器数据注入功能的闭环系统。
