技術(shù)驅(qū)動(dòng)因素

隨著AI芯片以及激光雷達(dá)、毫米波雷達(dá)、攝像頭等傳感器性能的持續(xù)提升，再加上成本的逐漸降低，行泊一體方案逐漸開(kāi)始規(guī)模化量產(chǎn)落地。在未來(lái)，便會(huì)有大量搭載行泊一體方案的新車(chē)上路，可以采集到更多有價(jià)值的數(shù)據(jù)，然后通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方式推動(dòng)NOA、AVP等高階智能駕駛功能不斷地完善和進(jìn)化。

法規(guī)政策驅(qū)動(dòng)因素

我國(guó)一直高度重視自動(dòng)駕駛產(chǎn)業(yè)發(fā)展， 國(guó)內(nèi)相關(guān)法規(guī)政策不斷推進(jìn)自動(dòng)駕駛測(cè)試和運(yùn)營(yíng)的相關(guān)立法，大力支持發(fā)展相關(guān)技術(shù)和產(chǎn)業(yè)。2022年8月1日，國(guó)內(nèi)首部L3法規(guī)在深圳開(kāi)始落地實(shí)施，開(kāi)放L3準(zhǔn)入，明確事故權(quán)責(zé)認(rèn)定，該法規(guī)的實(shí)施對(duì)于高級(jí)智能駕駛功能上車(chē)而言是重大利好。

市場(chǎng)驅(qū)動(dòng)因素

在國(guó)內(nèi)乘用車(chē)市場(chǎng)，高階智能駕駛輔助功能滲透率不斷提升。據(jù)工信部相關(guān)數(shù)據(jù)顯示，2021年中國(guó)L2級(jí)輔助駕駛乘用車(chē)新車(chē)市場(chǎng)滲透率達(dá)到23.5%，2022年上半年其滲透率增加至30%，并且滲透率還在持續(xù)不斷提升。有機(jī)構(gòu)預(yù)測(cè)，到2025年，中國(guó)L2級(jí)以上智能汽車(chē)的銷(xiāo)量將突破1000萬(wàn)臺(tái)，滲透率將達(dá)到50%。

據(jù)麥肯錫調(diào)研報(bào)告顯示，智能駕駛功能對(duì)于消費(fèi)者購(gòu)買(mǎi)汽車(chē)決策的影響已處于前位。顯而易見(jiàn)，在現(xiàn)階段，沒(méi)有豐富的智駕配置和良好的智駕功能體驗(yàn)的汽車(chē)已經(jīng)喪失了部分競(jìng)爭(zhēng)力。在未來(lái)，尤其是對(duì)于中高端電動(dòng)汽車(chē)品牌，如果不具備高階智能駕駛功能量產(chǎn)能力，很有可能將完全失去競(jìng)爭(zhēng)力。因此，決勝自動(dòng)駕駛下半場(chǎng)，車(chē)企和Tier1必須提前做好高階智能駕駛系統(tǒng)的量產(chǎn)研發(fā)布局。

規(guī)?；慨a(chǎn)與數(shù)據(jù)閉環(huán)

1.1 規(guī)?；慨a(chǎn)與數(shù)據(jù)閉環(huán)相輔相成

當(dāng)前，高階智能駕駛功能落地的最大阻礙就是無(wú)窮無(wú)盡的Corner Case所帶來(lái)的安全隱患。解決這些“長(zhǎng)尾問(wèn)題”便需要建立數(shù)據(jù)閉環(huán)體系，不斷收集數(shù)據(jù)，豐富場(chǎng)景庫(kù)，通過(guò)以道路測(cè)試為輔，仿真測(cè)試為主的測(cè)試方式，不斷地去發(fā)現(xiàn)和攻克一些平時(shí)很難遇到的“極端工況”場(chǎng)景。

實(shí)現(xiàn)數(shù)據(jù)閉環(huán)是具備高階智能駕駛量產(chǎn)能力的前提，而高階智能駕駛量產(chǎn)后，可以進(jìn)一步獲取更多有價(jià)值的數(shù)據(jù)，有了這些數(shù)據(jù)的“喂養(yǎng)”，才能推動(dòng)數(shù)據(jù)閉環(huán)體系持續(xù)不斷地高效運(yùn)轉(zhuǎn)。

1.2 數(shù)據(jù)閉環(huán)的構(gòu)成

通常來(lái)講，一個(gè)完整的自動(dòng)駕駛研發(fā)數(shù)據(jù)閉環(huán)包括數(shù)據(jù)采集、數(shù)據(jù)回傳、數(shù)據(jù)標(biāo)注、模型訓(xùn)練和仿真測(cè)試等幾個(gè)關(guān)鍵的環(huán)節(jié)。

首先，企業(yè)通過(guò)專(zhuān)業(yè)采集車(chē)、測(cè)試車(chē)或者量產(chǎn)車(chē)進(jìn)行數(shù)據(jù)采集，然后將本地?cái)?shù)據(jù)進(jìn)行歸類(lèi)、脫敏、壓縮和打包，通過(guò)4G/5G上傳至云端服務(wù)器。在云端，進(jìn)行數(shù)據(jù)標(biāo)注，把標(biāo)注好的數(shù)據(jù)放入到訓(xùn)練平臺(tái)進(jìn)行模型訓(xùn)練去獲得相應(yīng)的模型，模型持續(xù)優(yōu)化迭代之后，經(jīng)過(guò)嵌入平臺(tái)移植到量產(chǎn)車(chē)中。

數(shù)據(jù)閉環(huán)流程示意圖 1）數(shù)據(jù)采集

當(dāng)量產(chǎn)車(chē)達(dá)到一定規(guī)模后，采集的數(shù)據(jù)量會(huì)很大。有專(zhuān)業(yè)人士測(cè)算：如果按照10萬(wàn)輛車(chē)，每年累計(jì)采集300天估算，未來(lái)車(chē)企所面臨的數(shù)據(jù)總量將會(huì)達(dá)到ZB級(jí)。如此多的數(shù)據(jù)如果不進(jìn)行有效篩選全部上傳到云端，對(duì)傳輸帶寬、云端的數(shù)據(jù)存儲(chǔ)和處理也會(huì)帶來(lái)很大的壓力。那么，如何從海量數(shù)據(jù)中篩選出有價(jià)值的數(shù)據(jù)進(jìn)行高效回傳，是影響高階智能駕駛系統(tǒng)迭代速度的關(guān)鍵。

有以下幾種常見(jiàn)的智能化數(shù)據(jù)采集方式：

A.車(chē)端設(shè)置Trigger層

根據(jù)模型失效分析以及模型決策邊界分析，提前設(shè)定要采集的場(chǎng)景并制定采集邏輯，然后，在車(chē)端設(shè)置trigger層 （數(shù)據(jù)回傳觸發(fā)器），再根據(jù)場(chǎng)景算法檢測(cè)，自動(dòng)化獲取所需要的場(chǎng)景數(shù)據(jù)集。

B.針對(duì)特定場(chǎng)景通過(guò)智能化打標(biāo)簽進(jìn)行數(shù)據(jù)采集

對(duì)于一些需要在云端主動(dòng)積累數(shù)據(jù)進(jìn)行學(xué)習(xí)的場(chǎng)景，比如隧道、環(huán)島、無(wú)保護(hù)左轉(zhuǎn)等復(fù)雜工況場(chǎng)景，開(kāi)發(fā)人員可以上傳需要車(chē)輛獲取的圖片，通過(guò)云端下發(fā)指令，車(chē)端會(huì)采取類(lèi)似“以圖搜圖”的方式，遇到類(lèi)似的場(chǎng)景自動(dòng)截取下來(lái)。

2）數(shù)據(jù)回傳

車(chē)端采集完數(shù)據(jù)，需要將數(shù)據(jù)進(jìn)行歸類(lèi)、脫敏、壓縮和打包，通過(guò)4G/5G上傳至云端服務(wù)器。但是，數(shù)據(jù)傳輸?shù)纳舷滦墟溌繁容^長(zhǎng)，并且車(chē)聯(lián)網(wǎng)的鏈路通常不太穩(wěn)定，汽車(chē)在快速行駛的過(guò)程中可能會(huì)跨不同的基站，存在4G-5G切換的情況，會(huì)導(dǎo)致信號(hào)在傳輸過(guò)程中存在丟失和亂序的情況發(fā)生。那么，該如何保證各鏈路節(jié)點(diǎn)的數(shù)據(jù)傳輸速度和質(zhì)量呢？

針對(duì)數(shù)據(jù)傳輸?shù)囊恍﹩?wèn)題，部分企業(yè)已采取車(chē)云一體傳輸方案，例如智協(xié)慧同通過(guò)云端數(shù)據(jù)管理的SDK vCloud進(jìn)行數(shù)據(jù)切片的組合，對(duì)切片采取校驗(yàn)和補(bǔ)傳機(jī)制，對(duì)丟失的數(shù)據(jù)切片進(jìn)行補(bǔ)傳，等數(shù)據(jù)補(bǔ)傳完整之后再進(jìn)行存儲(chǔ)，保證了數(shù)據(jù)傳輸?shù)耐暾浴?/p>

3）數(shù)據(jù)標(biāo)注

車(chē)端數(shù)據(jù)回傳到云端后，還需要經(jīng)過(guò)數(shù)據(jù)標(biāo)注，這些數(shù)據(jù)才能變成算法模型能夠使用的樣本數(shù)據(jù)。標(biāo)注就是將編碼值分配給原始數(shù)據(jù)的過(guò)程，從而將標(biāo)注好的數(shù)據(jù)作為AI練習(xí)認(rèn)知的訓(xùn)練數(shù)據(jù)。編碼值包括但不限于分配類(lèi)標(biāo)簽、繪制邊界框和標(biāo)記對(duì)象邊界等。

隨著智能駕駛技術(shù)的不斷迭代，智能駕駛系統(tǒng)對(duì)感知模型精度的要求也越來(lái)越高。因此，提升車(chē)輛感知模型的精度需要大規(guī)模且高質(zhì)量的數(shù)據(jù)集去訓(xùn)練。傳統(tǒng)人工標(biāo)注在效率和成本方面已經(jīng)難以滿足模型訓(xùn)練對(duì)海量數(shù)據(jù)集的需求，需要采用新的標(biāo)注方法來(lái)提高標(biāo)注質(zhì)量和效率。

預(yù)標(biāo)注算法可以大幅減少每框數(shù)據(jù)標(biāo)注所需的時(shí)間。百度自動(dòng)駕駛云技術(shù)專(zhuān)家曾對(duì)外講道：“在標(biāo)注前，我們會(huì)先用算法做一遍預(yù)標(biāo)注，這樣可以大大提高標(biāo)注員單幀標(biāo)注的效率。在標(biāo)注過(guò)程中，我們引入了很多智能算法去輔助我們的標(biāo)注員，比如做區(qū)域分割的時(shí)候，會(huì)借鑒類(lèi)似于 photoshop 的貼邊算法，通過(guò)算法去達(dá)到更好的貼合效果，并且也提升了標(biāo)注效率?！?/p>

4）模型訓(xùn)練

在完成數(shù)據(jù)標(biāo)注之后，需要對(duì)打好標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練、參數(shù)調(diào)優(yōu)等。高階智能駕駛所使用大模型的訓(xùn)練對(duì)算力有較高的需求。有些車(chē)企專(zhuān)門(mén)打造了自己的智算中心，比如特斯拉的Dojo、吉利的星睿智算中心、小鵬的“扶搖”、毫末的雪湖·綠洲（MANA OASIS）等。

模型訓(xùn)練是通過(guò)分析手段和方法對(duì)數(shù)據(jù)進(jìn)行探索分析，從中發(fā)現(xiàn)因果關(guān)系、數(shù)據(jù)邏輯和業(yè)務(wù)規(guī)律。在模型訓(xùn)練環(huán)節(jié)，可以借助Auto ML 等工具，設(shè)計(jì)一套自動(dòng)化訓(xùn)練引擎，將模型訓(xùn)練的部分工作自動(dòng)化。

另外，從數(shù)據(jù)運(yùn)營(yíng)的角度也可以提升模型訓(xùn)練的效率和質(zhì)量，百度采取了如下措施：

在模型訓(xùn)練環(huán)節(jié)幫助客戶構(gòu)建最有效的數(shù)據(jù)集 —— 在前期幫助客戶去規(guī)劃哪些數(shù)據(jù)需要去做標(biāo)注，標(biāo)注什么樣的類(lèi)別，它的分布是什么樣的。

針對(duì)標(biāo)注完的數(shù)據(jù)，百度智能云會(huì)根據(jù)已有的龐大評(píng)測(cè)樣本集來(lái)幫助企業(yè)去評(píng)測(cè)它的模型，以及去發(fā)掘當(dāng)前模型的bad case、或者存在的不足。針對(duì)當(dāng)前模型的不足，去補(bǔ)充足夠的訓(xùn)練集，幫助企業(yè)去提升它的模型指標(biāo)以及對(duì)模型進(jìn)行調(diào)優(yōu)。

5）仿真測(cè)試

自動(dòng)駕駛仿真測(cè)試主要是指以數(shù)學(xué)建模的方式將自動(dòng)駕駛的應(yīng)用場(chǎng)景進(jìn)行數(shù)字化還原，建立盡可能接近真實(shí)世界的系統(tǒng)模型，無(wú)需實(shí)車(chē)直接通過(guò)軟件進(jìn)行仿真測(cè)試便可達(dá)到對(duì)自動(dòng)駕駛系統(tǒng)及算法的測(cè)試驗(yàn)證目的。

但是，自動(dòng)駕駛在不同階段對(duì)仿真測(cè)試的需求也不同。

A.低階智能駕駛仿真測(cè)試：駕駛?cè)蝿?wù)的主要控制者依舊是人，系統(tǒng)所需要獨(dú)自應(yīng)對(duì)工況的范圍較小，復(fù)雜度相對(duì)較低。

算法以感知和控制為主，屬于重感知、輕決策的方案；

算法的測(cè)試驗(yàn)證所使用的場(chǎng)景集主要是以手動(dòng)編輯為主；

以基于用例的測(cè)試方法為主。

B.高階智能駕駛仿真測(cè)試：駕駛?cè)蝿?wù)的主要控制者是機(jī)器，系統(tǒng)需要獨(dú)立面對(duì)車(chē)上路以后可能會(huì)遇到的所有工況。因此，系統(tǒng)需要處理的工況極其復(fù)雜且不可預(yù)測(cè)。

算法的應(yīng)用不僅要考慮感知和控制，還要考慮諸如如何避障、如何繞路等路徑規(guī)劃算法；

算法的測(cè)試驗(yàn)證需要豐富的場(chǎng)景庫(kù)，需要考慮交通流的真實(shí)性和完整性以及復(fù)雜的交互博弈等；

以基于場(chǎng)景的測(cè)試方法為主。

低階與高階智能駕駛仿真測(cè)試特點(diǎn)對(duì)比

數(shù)據(jù)閉環(huán)與上云

有業(yè)內(nèi)專(zhuān)家表示，云是汽車(chē)產(chǎn)業(yè)的新生產(chǎn)力，車(chē)云一體化的數(shù)據(jù)驅(qū)動(dòng)模式將成為汽車(chē)產(chǎn)業(yè)競(jìng)爭(zhēng)的關(guān)鍵。

隨著智能駕駛功能滲透率的不斷提升，車(chē)輛產(chǎn)生的數(shù)據(jù)會(huì)越來(lái)越多，最終將超出本地的數(shù)據(jù)處理能力，必需要上傳至云端。通過(guò)上云，利用云計(jì)算和大數(shù)據(jù)處理技術(shù)在資源管理調(diào)度、數(shù)據(jù)批處理、工作流管理、分布式計(jì)算、數(shù)據(jù)庫(kù)存儲(chǔ)等方面的優(yōu)勢(shì)為數(shù)據(jù)閉環(huán)提供堅(jiān)實(shí)的基礎(chǔ)設(shè)施支持，最后通過(guò)車(chē)云一體的數(shù)據(jù)閉環(huán)驅(qū)動(dòng)智能駕駛系統(tǒng)的迭代升級(jí)。

未來(lái)，云端將成為汽車(chē)軟件持續(xù)迭代的基礎(chǔ)。車(chē)云一體驅(qū)動(dòng)的數(shù)據(jù)閉環(huán)對(duì)上云的需求，不僅僅是在數(shù)據(jù)存儲(chǔ)環(huán)節(jié)，在感知模型訓(xùn)練、仿真測(cè)試等環(huán)節(jié)也有強(qiáng)烈需求。

2.1 感知模型訓(xùn)練對(duì)上云的需求

自動(dòng)駕駛感知模型訓(xùn)練所需的數(shù)據(jù)體量大、算法精度和訓(xùn)練效率要求高，適合上云，采用云服務(wù)的方式進(jìn)行數(shù)據(jù)處理。

小鵬汽車(chē)CEO何小鵬曾在對(duì)外采訪中談道：“任何一家智能汽車(chē)公司對(duì)算力的要求都極高，尤其是自動(dòng)駕駛模型訓(xùn)練，在視覺(jué)檢測(cè)、軌跡預(yù)測(cè)以及行車(chē)規(guī)劃等算法模型上都很‘吃’算力。”

在之前，CNN是智能駕駛感知中常用的深度學(xué)習(xí)模型，它的設(shè)計(jì)基本都是針對(duì)INT8；而對(duì)于Transformer模型架構(gòu)，BF16是最適合的格式。有業(yè)內(nèi)人士坦言：“Transformer屬于暴力美學(xué)，相比于CNN，它的模型更大，參數(shù)量動(dòng)輒十億百億，千億萬(wàn)億也不罕見(jiàn)，層數(shù)動(dòng)輒上千層，根本不是老舊數(shù)據(jù)訓(xùn)練中心能支撐的?！?/p>

自動(dòng)駕駛感知算法開(kāi)發(fā)對(duì)云計(jì)算技術(shù)的需求

對(duì)于L2、L3級(jí)別，如果做 L2、L3 級(jí)別的 Demo，只需要百萬(wàn)級(jí)的圖片和幾張GPU卡訓(xùn)練即可實(shí)現(xiàn)。由于數(shù)據(jù)量很小且使用范圍有限，從合規(guī)角度來(lái)講，要求也不是很高，大概需要幾百萬(wàn)的費(fèi)用投入。如果做 L2、L3 級(jí)別的量產(chǎn)，需要上億級(jí)的圖片和100+張GPU卡進(jìn)行訓(xùn)練調(diào)度，資金投入可達(dá)幾千萬(wàn)。

對(duì)于L4 級(jí)別，如果做L4級(jí)別的Demo，所需存儲(chǔ)的數(shù)據(jù)量超過(guò)1PB，需要100+張 GPU卡進(jìn)行訓(xùn)練調(diào)度，投資規(guī)模達(dá)到0.5億~2億級(jí)別。如果要實(shí)現(xiàn) L4 級(jí)別的量產(chǎn)，所需存儲(chǔ)的數(shù)據(jù)量將超過(guò)50PB，需要500+張GPU卡進(jìn)行訓(xùn)練調(diào)度，相關(guān)的投入將超過(guò)5億級(jí)別。

2.2 仿真測(cè)試對(duì)于上云的需求

對(duì)于L2及以下的ADAS功能，所需要的測(cè)試場(chǎng)景有限，仿真測(cè)試的場(chǎng)景庫(kù)也比較小，傳統(tǒng)的單機(jī)測(cè)試完全能夠搞定，但后續(xù)高階智能駕駛則需要海量的測(cè)試場(chǎng)景，并且對(duì)仿真測(cè)試的要求也越來(lái)越高。

在此情形下，傳統(tǒng)的單機(jī)仿真測(cè)試呈現(xiàn)出算力不足、且無(wú)法實(shí)現(xiàn)加速測(cè)試等問(wèn)題，存在測(cè)試周期長(zhǎng)，效率低等問(wèn)題；而云平臺(tái)仿真憑借其分布式架構(gòu)以及并行加速計(jì)算能力，可大大提升仿真測(cè)試的效率，是實(shí)現(xiàn)自動(dòng)駕駛大規(guī)模仿真場(chǎng)景的有效解決方案。

雖然云仿真可以有效提升仿真測(cè)試的效率，但業(yè)內(nèi)對(duì)仿真測(cè)試仍存在以下質(zhì)疑：仿真場(chǎng)景真不真、 仿真場(chǎng)景全不全、迭代速度快不快、仿真評(píng)價(jià)準(zhǔn)不準(zhǔn)等問(wèn)題。

對(duì)于這些問(wèn)題，百度云仿真平臺(tái)進(jìn)行了針對(duì)性的改進(jìn)和解決：

在場(chǎng)景的真實(shí)度上，按照合規(guī)標(biāo)準(zhǔn)集成了高精地圖，1:1刻畫(huà)物理世界的道路拓?fù)?。針?duì)動(dòng)態(tài)的交通參與元素，基于真實(shí)路采數(shù)據(jù)進(jìn)行挖掘，并對(duì)動(dòng)態(tài)元素的交互進(jìn)行精準(zhǔn)刻畫(huà)。

在場(chǎng)景生成模式上，手動(dòng)場(chǎng)景編輯模式和基于真實(shí)路采數(shù)據(jù)的場(chǎng)景挖掘相結(jié)合，據(jù)百度內(nèi)部人士透露，目前已經(jīng)覆蓋了 98% 的場(chǎng)景（包括城市、高速、停車(chē)場(chǎng)、封閉園區(qū)等）。

在迭代速度方面，依賴百度智能云的技術(shù)支撐和算力優(yōu)勢(shì)，百度的云仿真平臺(tái)可實(shí)現(xiàn)數(shù)十萬(wàn)任務(wù)的并發(fā)運(yùn)行，做到日行千萬(wàn)公里的仿真里程。

在仿真評(píng)價(jià)標(biāo)準(zhǔn)方面，百度經(jīng)過(guò)數(shù)年的經(jīng)驗(yàn)積累，總結(jié)了六大類(lèi)共200 多項(xiàng)評(píng)價(jià)指標(biāo)。除了安全、交規(guī)之外，還將舒適性、智能性等通過(guò)規(guī)則加入到評(píng)判標(biāo)準(zhǔn)中。

智能駕駛測(cè)試核心痛點(diǎn)問(wèn)題與解決方案

提起上云，對(duì)于國(guó)內(nèi)的云服務(wù)廠商，大家首先想到的多半是“BATH”（百度、阿里、騰訊、華為）這四家企業(yè)，其中百度又是其中最早投入做自動(dòng)駕駛研發(fā)的公司。

2023年4月，百度發(fā)布了新一代的自動(dòng)駕駛云產(chǎn)品——Apollo Cloud 2.0（Apollo自動(dòng)駕駛云2.0版本）?；诎俣确e累10余年的自動(dòng)駕駛研發(fā)技術(shù)和豐富的測(cè)繪數(shù)據(jù)處理經(jīng)驗(yàn)，再加上百度自身的AI云基礎(chǔ)設(shè)施，Apollo Cloud 2.0能夠?yàn)檐?chē)企提供自動(dòng)駕駛量產(chǎn)研發(fā)的能力框架構(gòu)建，賦能車(chē)企進(jìn)行高效的自動(dòng)駕駛研發(fā)。

在2023年中國(guó)電動(dòng)汽車(chē)百人會(huì)論壇上，百度相關(guān)負(fù)責(zé)人曾表示：“自動(dòng)駕駛在量產(chǎn)階段還面臨合規(guī)、效率、體驗(yàn)、成本等多方面問(wèn)題的挑戰(zhàn)。Apollo Cloud 2.0的推出，將助力車(chē)企用戶攻堅(jiān)關(guān)鍵的長(zhǎng)尾難題，開(kāi)啟智能駕駛量產(chǎn)時(shí)代?！?/p>

Apollo Cloud2.0從研發(fā)域的工具鏈升級(jí)到量產(chǎn)域的云服務(wù)，是一款助力車(chē)企和Tier1智能駕駛系統(tǒng)量產(chǎn)的全流程云服務(wù)產(chǎn)品。

那么，“工具鏈”和“云服務(wù)”兩者有什么區(qū)別呢？百度自動(dòng)駕駛云技術(shù)專(zhuān)家解釋道：“云服務(wù)是工具鏈的一種新形態(tài)。如果企業(yè)直接購(gòu)買(mǎi)相關(guān)工具鏈去用，投入比較高。而云服務(wù)可以做到輕量化部署，隨時(shí)可用、用完即走。比如，在云上，客戶可以直接調(diào)用我們的工具和數(shù)據(jù)來(lái)做模型訓(xùn)練和仿真測(cè)試，避免了他們搭建復(fù)雜的物理環(huán)境和過(guò)高的研發(fā)投入，云服務(wù)的形式直接降低了企業(yè)使用工具鏈的門(mén)檻?！?/p>

3.1Apollo Cloud2.0 的三大核心能力

Apollo Cloud 2.0具有精準(zhǔn)合規(guī)、多模態(tài)大模型、城市級(jí)仿真三大核心能力。

1）精準(zhǔn)合規(guī)

關(guān)于合規(guī)方面，目前還存在兩種不太合理的現(xiàn)象：

第一種是“過(guò)度合規(guī)”：這種做法看似“面面俱到”，實(shí)則上是因?yàn)榻?jīng)驗(yàn)少，不僅造成資源浪費(fèi)，也會(huì)影響研發(fā)效率。

第二種是“按需合規(guī)”：哪里出問(wèn)題，哪里做合規(guī)，有點(diǎn)“亡羊補(bǔ)牢”的感覺(jué)，雖然企業(yè)具備了一定經(jīng)驗(yàn)，實(shí)則并沒(méi)有從根本上解決問(wèn)題。

對(duì)于合規(guī)，最完美的做法是能夠做到“恰到好處”的精準(zhǔn)合規(guī)，實(shí)現(xiàn)合規(guī)需求與業(yè)務(wù)發(fā)展之間的平衡，避免“只顧合規(guī)”帶來(lái)的效率降低。也就是說(shuō)，既要能保障地理信息數(shù)據(jù)安全，還要能很好匹配智能駕駛業(yè)務(wù)快速發(fā)展的需求。

而Apollo Cloud2.0要實(shí)現(xiàn)的就是精準(zhǔn)合規(guī)。為什么Apollo Cloud2.0可以做到精準(zhǔn)合規(guī)？

首先，百度具有豐富的測(cè)繪地理信息數(shù)據(jù)處理經(jīng)驗(yàn) —— 擁有甲級(jí)電子導(dǎo)航測(cè)繪資質(zhì)，深度參與多項(xiàng)國(guó)家法規(guī)、標(biāo)準(zhǔn)的制定，深刻理解合規(guī)要求的初衷和底線。

其次，百度擁有專(zhuān)業(yè)和豐富自動(dòng)駕駛數(shù)據(jù)合規(guī)經(jīng)驗(yàn)的合規(guī)團(tuán)隊(duì)，內(nèi)部組建了測(cè)繪安全團(tuán)隊(duì)、信息安全團(tuán)隊(duì)以及自動(dòng)駕駛合規(guī)業(yè)務(wù)團(tuán)隊(duì)。

“精準(zhǔn)合規(guī)”流程

2）多模態(tài)大模型

過(guò)去執(zhí)行一次特殊場(chǎng)景挖掘任務(wù)，需要先對(duì)海量數(shù)據(jù)進(jìn)行人工標(biāo)注，然后再進(jìn)行挖掘。由于傳統(tǒng)的人工標(biāo)注工序復(fù)雜，效率低，進(jìn)行一次挖掘任務(wù)大概需要一周左右的時(shí)間。

Apollo Cloud 2.0的“多模態(tài)大模型”，讓數(shù)據(jù)服務(wù)從“流程式”升級(jí)為“檢索式”，運(yùn)用文心大模型較強(qiáng)的泛化和語(yǔ)義理解等能力，極大提升了數(shù)據(jù)標(biāo)注和數(shù)據(jù)挖掘的效率。

a. 精準(zhǔn)篩選有價(jià)值數(shù)據(jù)，避免無(wú)效數(shù)據(jù)標(biāo)注

做數(shù)據(jù)標(biāo)注前需要準(zhǔn)備數(shù)據(jù)，數(shù)據(jù)準(zhǔn)備這個(gè)階段往往會(huì)耗費(fèi)大量的時(shí)間和精力。如果前期數(shù)據(jù)沒(méi)有準(zhǔn)備好，后面可能會(huì)帶來(lái)更大的時(shí)間和成本浪費(fèi)。

多模態(tài)大模型可以幫助企業(yè)在數(shù)據(jù)準(zhǔn)備階段做數(shù)據(jù)篩選工作，比如，在什么樣道路，在什么樣的交通環(huán)境下 —— 是否含車(chē)道線、環(huán)島、信號(hào)燈、環(huán)境天氣、施工狀態(tài)、車(chē)輛類(lèi)型、行人行為等。多模態(tài)大模型可以準(zhǔn)確的挑選出符合條件的“價(jià)值”數(shù)據(jù)，然后再去送標(biāo)。據(jù)估計(jì)，利用文心大模型可以幫助企業(yè)節(jié)省大約80%的數(shù)據(jù)標(biāo)注量。

b. 提升數(shù)據(jù)挖掘效率

百度自動(dòng)駕駛云技術(shù)專(zhuān)家舉例說(shuō)：“比如定義行人的某個(gè)事件，如果按照傳統(tǒng)的方式，需要開(kāi)發(fā)一系列算子去匹配道路、行人、車(chē)輛以及周邊環(huán)境，通過(guò)多種組合條件去尋找到這樣的特定場(chǎng)景，過(guò)程很繁雜。如果換了條件，把行人換成動(dòng)物或非機(jī)動(dòng)車(chē)，又需要重新去開(kāi)發(fā)一套算子。現(xiàn)實(shí)中，我們需要挖掘的場(chǎng)景千千萬(wàn)，按照傳統(tǒng)的挖掘方式，開(kāi)發(fā)周期長(zhǎng)，成本也高。

“我們這套模型是基于文心大模型的自動(dòng)駕駛‘?dāng)?shù)據(jù)智能搜索引擎’，具備語(yǔ)義理解的識(shí)別能力，相當(dāng)于多了一個(gè)AI助手，用戶可以一鍵調(diào)用自動(dòng)駕駛數(shù)據(jù)。比如，我們打算找‘車(chē)輛在十字路口通行時(shí)行人突然切入’的場(chǎng)景，通過(guò)大模型就能很容易從我們的數(shù)據(jù)庫(kù)尋找到全部符合要求的場(chǎng)景。它可以支持以文搜圖、以圖搜圖、圖文結(jié)合等多種方式，類(lèi)似于搜索一樣，只需要輸入條件，自動(dòng)幫我們找到結(jié)果，極大提高了數(shù)據(jù)利用率和便捷度?！?/p>

3）城市級(jí)仿真

通過(guò)城市級(jí)云仿真的大規(guī)模測(cè)試，可以幫助客戶快速尋找到自動(dòng)駕駛算法處理不好的場(chǎng)景，來(lái)進(jìn)行針對(duì)性的算法完善和測(cè)試。

因?yàn)樘摂M城市仿真是一種隨機(jī)的、不確定性的測(cè)試。所以在跑測(cè)試之前，誰(shuí)也不清楚車(chē)輛會(huì)遇到什么樣的狀況。一旦車(chē)輛在不停地行駛過(guò)程中遇到一個(gè)處理不了的場(chǎng)景，系統(tǒng)會(huì)識(shí)別出來(lái)，并把這段數(shù)據(jù)錄下來(lái)，轉(zhuǎn)成一個(gè)場(chǎng)景文件，自動(dòng)補(bǔ)充到場(chǎng)景庫(kù)里來(lái)。

Apollo Cloud 2.0推出端到端的城市級(jí)仿真：

基于百度地圖大規(guī)模路網(wǎng)自動(dòng)構(gòu)建孿生城市；

通過(guò)Apollo千萬(wàn)公里路測(cè)里程積累了千萬(wàn)量級(jí)的場(chǎng)景。

據(jù)百度對(duì)外透露，目前，Apollo Cloud 2.0 已經(jīng)達(dá)到上百個(gè)城市的道路覆蓋里程，可以基于這些數(shù)據(jù)和數(shù)字孿生技術(shù)打造高精度仿真還原的數(shù)字孿生城市，幫助用戶在云端去驗(yàn)證不同城市場(chǎng)景下的自動(dòng)駕駛能力。

這種仿真測(cè)試方法不僅可以加快自動(dòng)駕駛測(cè)試驗(yàn)證的速度，還可以避免實(shí)道路測(cè)試所面臨的測(cè)試周期長(zhǎng)、成本高、效率低以及遇到極端危險(xiǎn)情況下存在安全隱患等問(wèn)題。

百度Apollo Cloud 2.0 城市級(jí)仿真

3.2 靈活的合作模式

不同類(lèi)型的企業(yè)或者企業(yè)在不同發(fā)展階段的需求也不盡相同。一個(gè)合適的解決方案，不僅要滿足企業(yè)當(dāng)前需求，還要兼顧后續(xù)擴(kuò)展和彈性能力。

目前多數(shù)云服務(wù)商提供的自動(dòng)駕駛解決方案主要集中在軟件應(yīng)用層，并且多為端到端的服務(wù)，這與部分車(chē)企的模塊化需求產(chǎn)生沖突。相比于為每個(gè)客戶去做定制方案，打造一套標(biāo)準(zhǔn)化的平臺(tái)解決方案更為合適：底層統(tǒng)一，上層開(kāi)放，讓自動(dòng)駕駛行業(yè)內(nèi)的企業(yè)各取所需。

Apollo Cloud 2.0采用產(chǎn)品+服務(wù)的方式，面向不同客戶群體，提供不同組合的產(chǎn)品形態(tài)。既提供標(biāo)準(zhǔn)化產(chǎn)品，也提供技術(shù)服務(wù)；既可以幫助客戶部署完整的平臺(tái)工具鏈，也可以提供單模塊工具；同時(shí)，支持私有云、公有云、混合云多種部署模式。

標(biāo)準(zhǔn)化：支持行業(yè)通用性的OpenX系列、FMI、PB、ROS等接口標(biāo)準(zhǔn)，便于用戶做集成適配或者調(diào)用。

兼容性：兼容CarSim、Sumo、VTD、RoadRunner等常用軟件，支持windows和Linux系統(tǒng)環(huán)境，支持傳統(tǒng)HIL仿真測(cè)試；

二次開(kāi)發(fā)：底層架構(gòu)標(biāo)準(zhǔn)化，支持自定義開(kāi)發(fā)數(shù)據(jù)處理流程，用戶可以通過(guò)百度WebIDE或者自己的編碼環(huán)境來(lái)開(kāi)發(fā)算法。

百度自動(dòng)駕駛云技術(shù)專(zhuān)家介紹說(shuō)：“我們?cè)跇?biāo)準(zhǔn)化和產(chǎn)品兼容性上做了很多工作，并且支持用戶二次開(kāi)發(fā)，產(chǎn)品上可靈活拆解，滿足客戶不同的研發(fā)需求，服務(wù)更多的客戶。針對(duì)客戶關(guān)心的部署環(huán)境、調(diào)度優(yōu)化、系統(tǒng)集成、性比價(jià)、二次開(kāi)發(fā)、團(tuán)隊(duì)協(xié)作、數(shù)據(jù)安全等問(wèn)題，我們提供了差異化的解決方案，以滿足不同階段、不同規(guī)模的業(yè)務(wù)需求，可以先從點(diǎn)到面分階段建設(shè)應(yīng)用”。 結(jié)語(yǔ)

“在2023年，自動(dòng)駕駛行業(yè)將進(jìn)入深水區(qū)，留下來(lái)的都是有實(shí)力的玩家?！蹦匙詣?dòng)駕駛企業(yè)負(fù)責(zé)人認(rèn)為，經(jīng)歷2022年的資本寒冬之后，2023年仍將是“內(nèi)卷”之年，高階智能駕駛的量產(chǎn)交付將成為車(chē)企和Tier1在自動(dòng)駕駛發(fā)展到下半場(chǎng)的角逐焦點(diǎn)。

高階智能駕駛的量產(chǎn)化交付能力顯然已成為車(chē)企或Tier1之間競(jìng)爭(zhēng)的關(guān)鍵。除了成本管控、供應(yīng)鏈管理、質(zhì)量管控以外，是否具備高效的數(shù)據(jù)閉環(huán)體系也是評(píng)判量產(chǎn)交付能力的重要參考指標(biāo)。