汽車智能化大趨勢下，“軟件定義汽車”成為行業(yè)共識，軟件將深入汽車開發(fā)、驗(yàn)證、銷售和服務(wù)全過程，并不斷改進(jìn)和優(yōu)化該過程，以實(shí)現(xiàn)體驗(yàn)持續(xù)優(yōu)化、過程持續(xù)優(yōu)化、價值持續(xù)創(chuàng)造。“軟件定義汽車”正在重塑汽車產(chǎn)業(yè)生態(tài)，構(gòu)建汽車行業(yè)發(fā)展新格局。

在上周舉行的 2022 年騰訊全球數(shù)字生態(tài)大會中，NVIDIA 中國區(qū)工程和解決方案高級總監(jiān)賴俊杰博士在“智慧出行專場”分享了 NVIDIA DRIVE 端到端自動駕駛平臺，探討了軟件定義汽車的持續(xù)創(chuàng)新。以下為內(nèi)容概要。

“軟件定義汽車”蓄勢待發(fā)

當(dāng)前，軟件定義汽車成為行業(yè)共識。每輛汽車都將具有一個強(qiáng)大的計(jì)算平臺，結(jié)合復(fù)雜的軟件棧，可以支持汽車出廠時配置的各種功能，并且能夠?yàn)閷淼母鞣N擴(kuò)展和升級預(yù)留空間。同時，集中式處理將成為主流。車內(nèi)的各種計(jì)算任務(wù)，包括自動駕駛以及智慧座艙、人機(jī)交互等 AI 功能，都將由一個統(tǒng)一的計(jì)算平臺來完成。

借此，數(shù)據(jù)中心內(nèi)不斷迭代的算法模型，就可通過 OTA（無線更新）方式，對汽車的各項(xiàng)功能進(jìn)行便捷且持續(xù)性的更新。在汽車的整個生命周期內(nèi)，汽車的易用性和安全性將會得到不斷提升，這便是軟件和算法的價值。

車載 SoC 迭代推新，

助力自動駕駛汽車“全速前進(jìn)”

以上的愿景和預(yù)期，勢必對車載計(jì)算平臺提出極高要求。首先，車載計(jì)算平臺需要能夠完成當(dāng)前各種的復(fù)雜計(jì)算任務(wù)，還要為將來的功能升級留出足夠的余量，并且需要保證在車載環(huán)境下，能滿足不同類型的計(jì)算任務(wù)對實(shí)時性和安全性的苛刻需求。

上圖展示的是 NVIDIA 車載芯片的幾代產(chǎn)品，從最初的 Parker，Xavier，到如今已經(jīng)實(shí)現(xiàn)量產(chǎn)的 DRIVE Orin，和剛剛發(fā)布的面向未來的 DRIVE Thor，可以很明顯看出各代產(chǎn)品在能力上的不斷提升。借助 DRIVE Thor 的強(qiáng)大性能，智能座艙、儀表顯示、車載人機(jī)交互娛樂系統(tǒng)、泊車以及自動駕駛功能，就可以由單一的架構(gòu)實(shí)現(xiàn)。從車企角度，集中式的車載計(jì)算平臺，可以顯著簡化設(shè)計(jì)開發(fā)，并降低供應(yīng)鏈緊張的潛在風(fēng)險，在成本、功耗及設(shè)備重量上都有很大優(yōu)勢。

從硬件到軟件、工作流，

基于統(tǒng)一計(jì)算架構(gòu)下的端到端開發(fā)流程

通過梳理自動駕駛算法的開發(fā)過程，可知整個流程其實(shí)是相當(dāng)復(fù)雜的。不管是從前期的數(shù)據(jù)采集、打標(biāo)、清理，還是到后期的算法驗(yàn)證及測試，以及中間各種功能模型的訓(xùn)練和開發(fā)，不同的階段，涉及到不同的復(fù)雜工具和框架。

對于自動駕駛的算法設(shè)計(jì)者而言，端到端的、無縫流暢的開發(fā)環(huán)境，能大大提高研發(fā)效率。NVIDIA 在自動駕駛開發(fā)全流程都提供了相應(yīng)的工具軟件的支持。

舉幾個簡單的例子：

• 在模型驗(yàn)證階段的數(shù)據(jù)回放（Replay）階段，需要將自動駕駛模型算法在真實(shí)數(shù)據(jù)上做測試，并且需要跟真值數(shù)據(jù)進(jìn)行比對。為了提高整個系統(tǒng)的吞吐，NVIDIA 提供了 TensorRT、Triton 來加速模型推理的性能，并提供了 DeepStream SDK 來處理視頻流的解碼和編碼，以及跟模型計(jì)算的銜接。

• 在智慧座艙場景下，NVIDIA 提供了語音識別及合成技術(shù)，例如自然語言處理、手勢、視頻會議等多種功能的預(yù)訓(xùn)練模型。

• 自動駕駛技術(shù)要求車輛實(shí)現(xiàn)實(shí)時精準(zhǔn)的定位，并獲取反映當(dāng)前道路狀況的高清地圖信息。NVIDIA 通過收購、整合 DeepMap 的技術(shù)，賦能車輛在道路上擁有更強(qiáng)的自我定位能力。

接下來一起看看另一個維度。一支包含 50 臺數(shù)據(jù)采集車輛的車隊(duì)，大約每天會產(chǎn)生 1.6PB 的數(shù)據(jù)。這些數(shù)據(jù)經(jīng)過清洗、打標(biāo)后，將進(jìn)入模型訓(xùn)練步驟，然后基于真實(shí)數(shù)據(jù)和仿真數(shù)據(jù)來進(jìn)行模型效果驗(yàn)證。整個流程會涉及到大量的數(shù)據(jù)處理、數(shù)據(jù)傳輸以及復(fù)雜的計(jì)算過程。并且，這個過程需要日復(fù)一日反復(fù)進(jìn)行，以期能夠不斷提升模型的效果，從而提高自動駕駛的安全性和可靠性。

未來的數(shù)據(jù)中心和自動駕駛

前面提到的這些現(xiàn)實(shí)需求，對數(shù)據(jù)中心的架構(gòu)提出了較高挑戰(zhàn)。為了能夠?qū)崿F(xiàn)計(jì)算性能的高擴(kuò)展性，數(shù)據(jù)中心的設(shè)計(jì)非常復(fù)雜。另外，從設(shè)計(jì)到真正完成部署，中間涉及到的采購和安裝調(diào)試，也會花費(fèi)大量的時間及人力；數(shù)據(jù)中心上線之后，日常的運(yùn)維管理同樣需要付出很多精力。

為了應(yīng)對前面提到的端到端開發(fā)環(huán)境、海量數(shù)據(jù)處理、數(shù)據(jù)中心部署運(yùn)維等多方面的需求，在系統(tǒng)層面，NVIDIA 結(jié)合自己以及與客戶合作的經(jīng)驗(yàn)，針對數(shù)據(jù)中心的底層架構(gòu)提出了基于 NVIDIA DGX 的參考架構(gòu)實(shí)現(xiàn)；在平臺運(yùn)行管理層面，提供了 BaseCommand；在框架和工具層面，提供了 NVDIA AI Enterprise 一整套方案，其中包含優(yōu)化的訓(xùn)練框架、部署軟件和預(yù)訓(xùn)練模型等等。另外，還提供了用于模擬仿真的 DRIVE Replicator 和 DRIVE Sim 平臺。

借助這些從系統(tǒng)、運(yùn)維到框架工具等一整套的軟硬件方案，自動駕駛技術(shù)的開發(fā)者們可以方便高效地完成算法開發(fā)、模型訓(xùn)練驗(yàn)證及部署的全流程。

騰訊云和 NVIDIA 圍繞云上 GPU 相關(guān)產(chǎn)品，在 TI 平臺和 TACO 平臺展開了深入合作。這些平臺提供了企業(yè)級的模型訓(xùn)練優(yōu)化，以及模型推理部署的支持。另外雙方也正在自動駕駛仿真方向進(jìn)行合作及探索。NVIDIA 希望能和騰訊智能汽車云一起，打造強(qiáng)大的軟硬件生態(tài)，為自動駕駛的客戶在云端提供豐富的一站式的選擇。