車端目前產生大量的數據之中，各種數據來自于不同的傳感器、不同的域，自動駕駛域控制器基本已經實現了算力超過百T的資源配置，這就催生了車端數據庫的需求。

智協慧同是一家聚焦汽車數據鏈路打造和價值挖掘的公司，擁有以車端數據庫為核心的車云全棧產品，通過車云同構框架，實現結構化和非結構化數據的融合采集。智協慧同產品可輕量化部署到車端各大域控制器，實現跨域的數據采存，高效推進產品的優化迭代。

大算力催生跨域數據庫需求

隨著各種駕駛操控行為的信號數據需求逐漸增加，多種傳感器上產生海量感知數據，車端數據價值點挖掘的需求也日漸強烈。在此背景下，智協慧同認為，存算分離的車端數據庫是邊緣計算的基石。

車端目前產生的大量數據來自于不同的傳感器、不同的域，自動駕駛域控制器基本已經配置了算力超過百T的資源。高算力的資源以及強大的CPU是實現更多車端計算分析能力的前提，同時也催生了車端數據庫的需求。

車端數據庫具有降低數據存儲和傳輸流量成本、確保數據高質量、高容錯性等諸多的優點。然而，目前市場上并沒有成熟的車端數據庫方案，雖然有類似的產品，但都并未真正實現在量產車上的落地。

圖片來源：智協慧同

目前，自動駕駛已經進入大批量量產的階段，各大主機廠都推出了自己的數據閉環解決方案。從過去單目的純視覺方案發展至今天多攝像頭、多傳感器融合的自動駕駛解決方案，部署在自動駕駛域控制器上的數據閉環解決方案能夠幫助主機廠采集到車端各個與自動駕駛相關的數據。

其中的數據覆蓋攝像頭、毫米波雷達、激光雷達、總線等方面，涵蓋了從整車測試到量產的各個階段。同時，與智能駕駛相關的數據不僅來源于自動駕駛域，還有更多的數據來自底盤動力域、智能座艙域及網關域。

相比燃油車，電動汽車帶來的是更高維度、更全方位的駕控體驗，正因如此，自動駕駛數據涉及到多場景、多維度，市場需要的數據庫產品必須覆蓋到各個場景和維度，才能夠實現數據的跨域靈活采集。

車端數據采集面臨難題

自動駕駛的數據采集，目前仍面臨著不少難題。

首先，在量產前測試車輛數據的獲取過程中，傳統的數據記錄儀數據采集效率低下，同時儀器的成本非常高，采集到的數據大多是整車的全量數據。無論是流量還是云端的存儲費用，以及對數據的清洗、處理、關鍵數據的提取、建模分析，整個流程效率以及成本都為研發團隊帶來困擾。

在量產車上，大規模結構化數據的獲取則涉及到如何將車端高精度高質量的數據進行靈活采集，以及降低上傳和存儲處理的成本，這也是當前各大主機廠數據相關部門都在面臨的一大痛點。

自動駕駛的第二大數據采集難點是非結構化數據獲取。自動駕駛NOA、NOP方案的落地，需要不斷對Corner cases（邊界化難題）進行優化。對于自動駕駛而言，倘若系統沒有感知出遇到了Corner cases，會帶來嚴重的安全隱患。然而解耦一個Corner case涉及到數采復雜度、多流程、成本等多個方面的問題，往往需要以月為單位進行開發，數據層面則需要近萬張訓練樣本和標注數據集。這些Corner case數據的采集和獲取，有非常高的時間成本以及采集難度。

圖片來源：智協慧同官網

智協慧同看到了車端數據采集的關鍵痛點，打造了低代碼開發工具-算法直接下發-車端秒級運行-靈活數據采集/上傳/存儲的閉環方案，幫助主機廠進行大維度、高精度、低成本、高質量的數據采集。

針對時間成本和采集難度的痛點，智協慧同提出了一種基于車端的靈活觸發機制，可以按照Corner case的具體場景來靈活定義，對數據進行從采集到應用的全流程管理，由此加速神經網絡的迭代。

智協慧同的自動駕駛數據閉環解決方案會對所有的總線結構化數據、圖像等非結構化數據進行共同采集，能夠幫助主機廠快速提取場景化的關鍵數據、進行場景復現，找到神經網絡算法中需要的關鍵迭代點以及有價值的數據。

車云鏈路賦能數據采存

智協慧同自動駕駛數據閉環的解決方案可以看作是一條輕量化的車云鏈路，得益于這一方案的眾多優勢，主機廠能夠實現更好的關鍵數據抓取、數據預處理、數據標注、AI模型創建、模型訓練、仿真測試等。

圖片來源：智協慧同

首先，該數據閉環方案最大的優勢，就是前文提到的，在不額外增加硬件的情況下能夠實現量產車的結構化和非結構化數據采存融合。面對數十萬輛級別量產智能車產生的海量多類型數據，智協慧同的方案能夠對接攝像頭、激光雷達、毫米波雷達、各種類型的傳感器，處理圖像、視頻、雷達點云數據、車輛總線數據等不同類型的數據。這些數據在車端就能根據時間、場景等多維度進行系統化的管理，按照自定義的智能數據算法靈活篩選上傳。使量產車的智駕數據采集，鏈路傳輸，數據計算等成本大幅降低，同時還能保證數據質量和精度。

其次，該方案能靈活定義算法與Corner cases。主機廠可以通過多次持續、快速的更新迭代來靈活響應Corner case的數據需求，其計算引擎可以實現超過數萬個信號毫秒級的實時數據采集，云端開發工具生成的算法可以根據不同的車輛、場景、地域來快速下發。

第三，智協慧同的整體解決方案非常輕量化，該產品只占用自動駕駛域控制器CPU大約500兆左右的算力，以及幾百兆左右的內存，能夠適配不同算力的CPU。

第四點優勢是觸發式的圖像采集。封裝在車端的算子庫能進行多種觸發機制的前置，在觸發機制條件滿足的情況下，整車中來自各個部件、各個域以及各個不同的維度、不同數據類型的信號，都能通過該方案進行靈活的采集。

影子模式的觸發機制是又一大優勢。除了通過算法觸發，數據采集還可以通過影子模式（Shadow mode）觸發。換言之，在有人駕駛的情況下，車端仍會持續進行實時計算、模擬決策，并能讓計算結果實時上傳到云端。基于AB模式下的結果計算分析，支持主機廠車端影子模式進行場景數據的靈活采集觸發。

圖片來源：智協慧同官網

還有一個優勢是數據分段上傳。自動駕駛中圖像數據、視頻數據的數據量十分龐大，而車輛在不同的場景、路段中網絡情況往往是不穩定的，難以實現數據實時上傳。此時就可以通過預先設定的分段上傳機制，對于相應的數據進行車端緩存、補傳。這一機制極大地確保了關鍵數據從采集到上傳至云端的過程中的安全問題。

軟硬協同助力域控發展

電動汽車的滲透率上升，隨之而來的是應用場景的增多、需求的多元化。在自動駕駛技術快速發展的同時，其中的安全性問題始終是技術發展的掣肘，Corner cases的存在更是一大安全隱患。

針對目前的Corner case，智協慧同已經實現了雨雪、Cut in/out、急加速、急轉彎、隧道口等多種極限場景下的觸發機制。在與客戶進行共同開發和量產的實踐過程中，智協慧同也鎖定了后續更多的觸發機制，其中覆蓋了高速上急剎車、罕見的急轉彎路、剎車燈亮但車輛有正向加速度等更多特殊場景。

根據智協慧同的規劃，將會有上百個左右的靈活觸發機制，在整車的各個場景、時段、路段，采集主機廠所需要的Corner cases數據。智協慧同將在高效率模型搭建、快速車端部署、低成本驗證、靈活實現等方面持續發力，高效推進Corner cases優化迭代。

據悉，目前智協慧同是第一家能夠真正實現通過車端數據庫和邊緣計算，完成自動駕駛數據閉環解決方案的企業。在自動駕駛數據閉環方案的量產實踐中，智協慧同也積累了大量的經驗，以幫助用戶調整、提升在數據閉環過程中的效率。

簡而言之，其經驗可以總結為：輕量化數采方案降低自動駕駛域控制器負載；通過場景化的靈活數據采集和智能化的觸發機制，加速自動駕駛感知算法的迭代過程；最終可根據批量下發算法功能，靈活排查問題車輛。

圖片來源：智協慧同官網

作為未來汽車運算決策的中心，域控制器功能的實現不僅依賴于芯片，也需要軟件操作系統、中間件、算法等多層次軟硬件的協同升級。智協慧同認為，數據庫作為一個效率工具，可以應用于自動駕駛以及車端的各個域控制器上，為主機廠提高數據采集、問題解耦和處理效率，為用戶帶來更多的體驗及更好的安全。

在克服了諸多技術挑戰后，智協慧同的解決方案目前已經能夠從容面對行業內各大主機廠的更多需求、更多場景。當然，技術的變更總得經過市場檢驗。EXD自動駕駛數據閉環方案的實際表現如何，還需在搭載這一技術的車型上市后才能印證。

（以上內容來自智協慧同合伙人兼副總裁牛國浩于2022年6月29日由蓋世汽車主辦的2022第二屆智能汽車域控制器創新-云論壇發表的《車端數據庫在自動駕駛域控制器上的量產實踐》主題演講。）

返回第一電動網首頁 >