技術驅動因素

隨著AI芯片以及激光雷達、毫米波雷達、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始規(guī)模化量產(chǎn)落地。在未來，便會有大量搭載行泊一體方案的新車上路，可以采集到更多有價值的數(shù)據(jù)，然后通過數(shù)據(jù)驅動的方式推動NOA、AVP等高階智能駕駛功能不斷地完善和進化。

法規(guī)政策驅動因素

我國一直高度重視自動駕駛產(chǎn)業(yè)發(fā)展， 國內相關法規(guī)政策不斷推進自動駕駛測試和運營的相關立法，大力支持發(fā)展相關技術和產(chǎn)業(yè)。2022年8月1日，國內首部L3法規(guī)在深圳開始落地實施，開放L3準入，明確事故權責認定，該法規(guī)的實施對于高級智能駕駛功能上車而言是重大利好。

市場驅動因素

在國內乘用車市場，高階智能駕駛輔助功能滲透率不斷提升。據(jù)工信部相關數(shù)據(jù)顯示，2021年中國L2級輔助駕駛乘用車新車市場滲透率達到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。有機構預測，到2025年，中國L2級以上智能汽車的銷量將突破1000萬臺，滲透率將達到50%。

據(jù)麥肯錫調研報告顯示，智能駕駛功能對于消費者購買汽車決策的影響已處于前位。顯而易見，在現(xiàn)階段，沒有豐富的智駕配置和良好的智駕功能體驗的汽車已經(jīng)喪失了部分競爭力。在未來，尤其是對于中高端電動汽車品牌，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爭力。因此，決勝自動駕駛下半場，車企和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

當前，高階智能駕駛功能落地的最大阻礙就是無窮無盡的Corner Case所帶來的安全隱患。解決這些“長尾問題”便需要建立數(shù)據(jù)閉環(huán)體系，不斷收集數(shù)據(jù)，豐富場景庫，通過以道路測試為輔，仿真測試為主的測試方式，不斷地去發(fā)現(xiàn)和攻克一些平時很難遇到的“極端工況”場景。

實現(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，可以進一步獲取更多有價值的數(shù)據(jù)，有了這些數(shù)據(jù)的“喂養(yǎng)”，才能推動數(shù)據(jù)閉環(huán)體系持續(xù)不斷地高效運轉。

1.2 數(shù)據(jù)閉環(huán)的構成

通常來講，一個完整的自動駕駛研發(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)標注、模型訓練和仿真測試等幾個關鍵的環(huán)節(jié)。

首先，企業(yè)通過專業(yè)采集車、測試車或者量產(chǎn)車進行數(shù)據(jù)采集，然后將本地數(shù)據(jù)進行歸類、脫敏、壓縮和打包，通過4G/5G上傳至云端服務器。在云端，進行數(shù)據(jù)標注，把標注好的數(shù)據(jù)放入到訓練平臺進行模型訓練去獲得相應的模型，模型持續(xù)優(yōu)化迭代之后，經(jīng)過嵌入平臺移植到量產(chǎn)車中。

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

當量產(chǎn)車達到一定規(guī)模后，采集的數(shù)據(jù)量會很大。有專業(yè)人士測算：如果按照10萬輛車，每年累計采集300天估算，未來車企所面臨的數(shù)據(jù)總量將會達到ZB級。如此多的數(shù)據(jù)如果不進行有效篩選全部上傳到云端，對傳輸帶寬、云端的數(shù)據(jù)存儲和處理也會帶來很大的壓力。那么，如何從海量數(shù)據(jù)中篩選出有價值的數(shù)據(jù)進行高效回傳，是影響高階智能駕駛系統(tǒng)迭代速度的關鍵。

有以下幾種常見的智能化數(shù)據(jù)采集方式：

A.車端設置Trigger層

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

B.針對特定場景通過智能化打標簽進行數(shù)據(jù)采集

對于一些需要在云端主動積累數(shù)據(jù)進行學習的場景，比如隧道、環(huán)島、無保護左轉等復雜工況場景，開發(fā)人員可以上傳需要車輛獲取的圖片，通過云端下發(fā)指令，車端會采取類似“以圖搜圖”的方式，遇到類似的場景自動截取下來。

2）數(shù)據(jù)回傳

車端采集完數(shù)據(jù)，需要將數(shù)據(jù)進行歸類、脫敏、壓縮和打包，通過4G/5G上傳至云端服務器。但是，數(shù)據(jù)傳輸?shù)纳舷滦墟溌繁容^長，并且車聯(lián)網(wǎng)的鏈路通常不太穩(wěn)定，汽車在快速行駛的過程中可能會跨不同的基站，存在4G-5G切換的情況，會導致信號在傳輸過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)點的數(shù)據(jù)傳輸速度和質量呢？

針對數(shù)據(jù)傳輸?shù)囊恍﹩栴}，部分企業(yè)已采取車云一體傳輸方案，例如智協(xié)慧同通過云端數(shù)據(jù)管理的SDK vCloud進行數(shù)據(jù)切片的組合，對切片采取校驗和補傳機制，對丟失的數(shù)據(jù)切片進行補傳，等數(shù)據(jù)補傳完整之后再進行存儲，保證了數(shù)據(jù)傳輸?shù)耐暾浴?/p>

3）數(shù)據(jù)標注

車端數(shù)據(jù)回傳到云端后，還需要經(jīng)過數(shù)據(jù)標注，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)。標注就是將編碼值分配給原始數(shù)據(jù)的過程，從而將標注好的數(shù)據(jù)作為AI練習認知的訓練數(shù)據(jù)。編碼值包括但不限于分配類標簽、繪制邊界框和標記對象邊界等。

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

預標注算法可以大幅減少每框數(shù)據(jù)標注所需的時間。百度自動駕駛云技術專家曾對外講道：“在標注前，我們會先用算法做一遍預標注，這樣可以大大提高標注員單幀標注的效率。在標注過程中，我們引入了很多智能算法去輔助我們的標注員，比如做區(qū)域分割的時候，會借鑒類似于 photoshop 的貼邊算法，通過算法去達到更好的貼合效果，并且也提升了標注效率?！?/p>

4）模型訓練

在完成數(shù)據(jù)標注之后，需要對打好標簽的數(shù)據(jù)進行訓練、參數(shù)調優(yōu)等。高階智能駕駛所使用大模型的訓練對算力有較高的需求。有些車企專門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。

模型訓練是通過分析手段和方法對數(shù)據(jù)進行探索分析，從中發(fā)現(xiàn)因果關系、數(shù)據(jù)邏輯和業(yè)務規(guī)律。在模型訓練環(huán)節(jié)，可以借助Auto ML 等工具，設計一套自動化訓練引擎，將模型訓練的部分工作自動化。

另外，從數(shù)據(jù)運營的角度也可以提升模型訓練的效率和質量，百度采取了如下措施：

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

針對標注完的數(shù)據(jù)，百度智能云會根據(jù)已有的龐大評測樣本集來幫助企業(yè)去評測它的模型，以及去發(fā)掘當前模型的bad case、或者存在的不足。針對當前模型的不足，去補充足夠的訓練集，幫助企業(yè)去提升它的模型指標以及對模型進行調優(yōu)。

5）仿真測試

自動駕駛仿真測試主要是指以數(shù)學建模的方式將自動駕駛的應用場景進行數(shù)字化還原，建立盡可能接近真實世界的系統(tǒng)模型，無需實車直接通過軟件進行仿真測試便可達到對自動駕駛系統(tǒng)及算法的測試驗證目的。

但是，自動駕駛在不同階段對仿真測試的需求也不同。

A.低階智能駕駛仿真測試：駕駛任務的主要控制者依舊是人，系統(tǒng)所需要獨自應對工況的范圍較小，復雜度相對較低。

算法以感知和控制為主，屬于重感知、輕決策的方案；

算法的測試驗證所使用的場景集主要是以手動編輯為主；

以基于用例的測試方法為主。

B.高階智能駕駛仿真測試：駕駛任務的主要控制者是機器，系統(tǒng)需要獨立面對車上路以后可能會遇到的所有工況。因此，系統(tǒng)需要處理的工況極其復雜且不可預測。

算法的應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；

算法的測試驗證需要豐富的場景庫，需要考慮交通流的真實性和完整性以及復雜的交互博弈等；

以基于場景的測試方法為主。

低階與高階智能駕駛仿真測試特點對比

數(shù)據(jù)閉環(huán)與上云

有業(yè)內專家表示，云是汽車產(chǎn)業(yè)的新生產(chǎn)力，車云一體化的數(shù)據(jù)驅動模式將成為汽車產(chǎn)業(yè)競爭的關鍵。

隨著智能駕駛功能滲透率的不斷提升，車輛產(chǎn)生的數(shù)據(jù)會越來越多，最終將超出本地的數(shù)據(jù)處理能力，必需要上傳至云端。通過上云，利用云計算和大數(shù)據(jù)處理技術在資源管理調度、數(shù)據(jù)批處理、工作流管理、分布式計算、數(shù)據(jù)庫存儲等方面的優(yōu)勢為數(shù)據(jù)閉環(huán)提供堅實的基礎設施支持，最后通過車云一體的數(shù)據(jù)閉環(huán)驅動智能駕駛系統(tǒng)的迭代升級。

未來，云端將成為汽車軟件持續(xù)迭代的基礎。車云一體驅動的數(shù)據(jù)閉環(huán)對上云的需求，不僅僅是在數(shù)據(jù)存儲環(huán)節(jié)，在感知模型訓練、仿真測試等環(huán)節(jié)也有強烈需求。

2.1 感知模型訓練對上云的需求

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

小鵬汽車CEO何小鵬曾在對外采訪中談道：“任何一家智能汽車公司對算力的要求都極高，尤其是自動駕駛模型訓練，在視覺檢測、軌跡預測以及行車規(guī)劃等算法模型上都很‘吃’算力?！?/p>

在之前，CNN是智能駕駛感知中常用的深度學習模型，它的設計基本都是針對INT8；而對于Transformer模型架構，BF16是最適合的格式。有業(yè)內人士坦言：“Transformer屬于暴力美學，相比于CNN，它的模型更大，參數(shù)量動輒十億百億，千億萬億也不罕見，層數(shù)動輒上千層，根本不是老舊數(shù)據(jù)訓練中心能支撐的?！?/p>

自動駕駛感知算法開發(fā)對云計算技術的需求

對于L2、L3級別，如果做 L2、L3 級別的 Demo，只需要百萬級的圖片和幾張GPU卡訓練即可實現(xiàn)。由于數(shù)據(jù)量很小且使用范圍有限，從合規(guī)角度來講，要求也不是很高，大概需要幾百萬的費用投入。如果做 L2、L3 級別的量產(chǎn)，需要上億級的圖片和100+張GPU卡進行訓練調度，資金投入可達幾千萬。

對于L4 級別，如果做L4級別的Demo，所需存儲的數(shù)據(jù)量超過1PB，需要100+張 GPU卡進行訓練調度，投資規(guī)模達到0.5億~2億級別。如果要實現(xiàn) L4 級別的量產(chǎn)，所需存儲的數(shù)據(jù)量將超過50PB，需要500+張GPU卡進行訓練調度，相關的投入將超過5億級別。

2.2 仿真測試對于上云的需求

對于L2及以下的ADAS功能，所需要的測試場景有限，仿真測試的場景庫也比較小，傳統(tǒng)的單機測試完全能夠搞定，但后續(xù)高階智能駕駛則需要海量的測試場景，并且對仿真測試的要求也越來越高。

在此情形下，傳統(tǒng)的單機仿真測試呈現(xiàn)出算力不足、且無法實現(xiàn)加速測試等問題，存在測試周期長，效率低等問題；而云平臺仿真憑借其分布式架構以及并行加速計算能力，可大大提升仿真測試的效率，是實現(xiàn)自動駕駛大規(guī)模仿真場景的有效解決方案。

雖然云仿真可以有效提升仿真測試的效率，但業(yè)內對仿真測試仍存在以下質疑：仿真場景真不真、 仿真場景全不全、迭代速度快不快、仿真評價準不準等問題。

對于這些問題，百度云仿真平臺進行了針對性的改進和解決：

在場景的真實度上，按照合規(guī)標準集成了高精地圖，1:1刻畫物理世界的道路拓撲。針對動態(tài)的交通參與元素，基于真實路采數(shù)據(jù)進行挖掘，并對動態(tài)元素的交互進行精準刻畫。

在場景生成模式上，手動場景編輯模式和基于真實路采數(shù)據(jù)的場景挖掘相結合，據(jù)百度內部人士透露，目前已經(jīng)覆蓋了 98% 的場景（包括城市、高速、停車場、封閉園區(qū)等）。

在迭代速度方面，依賴百度智能云的技術支撐和算力優(yōu)勢，百度的云仿真平臺可實現(xiàn)數(shù)十萬任務的并發(fā)運行，做到日行千萬公里的仿真里程。

在仿真評價標準方面，百度經(jīng)過數(shù)年的經(jīng)驗積累，總結了六大類共200 多項評價指標。除了安全、交規(guī)之外，還將舒適性、智能性等通過規(guī)則加入到評判標準中。

智能駕駛測試核心痛點問題與解決方案

提起上云，對于國內的云服務廠商，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駕駛研發(fā)的公司。

2023年4月，百度發(fā)布了新一代的自動駕駛云產(chǎn)品——Apollo Cloud 2.0（Apollo自動駕駛云2.0版本）?；诎俣确e累10余年的自動駕駛研發(fā)技術和豐富的測繪數(shù)據(jù)處理經(jīng)驗，再加上百度自身的AI云基礎設施，Apollo Cloud 2.0能夠為車企提供自動駕駛量產(chǎn)研發(fā)的能力框架構建，賦能車企進行高效的自動駕駛研發(fā)。

在2023年中國電動汽車百人會論壇上，百度相關負責人曾表示：“自動駕駛在量產(chǎn)階段還面臨合規(guī)、效率、體驗、成本等多方面問題的挑戰(zhàn)。Apollo Cloud 2.0的推出，將助力車企用戶攻堅關鍵的長尾難題，開啟智能駕駛量產(chǎn)時代?！?/p>

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

那么，“工具鏈”和“云服務”兩者有什么區(qū)別呢？百度自動駕駛云技術專家解釋道：“云服務是工具鏈的一種新形態(tài)。如果企業(yè)直接購買相關工具鏈去用，投入比較高。而云服務可以做到輕量化部署，隨時可用、用完即走。比如，在云上，客戶可以直接調用我們的工具和數(shù)據(jù)來做模型訓練和仿真測試，避免了他們搭建復雜的物理環(huán)境和過高的研發(fā)投入，云服務的形式直接降低了企業(yè)使用工具鏈的門檻。”

3.1Apollo Cloud2.0 的三大核心能力

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

1）精準合規(guī)

關于合規(guī)方面，目前還存在兩種不太合理的現(xiàn)象：

第一種是“過度合規(guī)”：這種做法看似“面面俱到”，實則上是因為經(jīng)驗少，不僅造成資源浪費，也會影響研發(fā)效率。

第二種是“按需合規(guī)”：哪里出問題，哪里做合規(guī)，有點“亡羊補牢”的感覺，雖然企業(yè)具備了一定經(jīng)驗，實則并沒有從根本上解決問題。

對于合規(guī)，最完美的做法是能夠做到“恰到好處”的精準合規(guī)，實現(xiàn)合規(guī)需求與業(yè)務發(fā)展之間的平衡，避免“只顧合規(guī)”帶來的效率降低。也就是說，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)務快速發(fā)展的需求。

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

首先，百度具有豐富的測繪地理信息數(shù)據(jù)處理經(jīng)驗 —— 擁有甲級電子導航測繪資質，深度參與多項國家法規(guī)、標準的制定，深刻理解合規(guī)要求的初衷和底線。

其次，百度擁有專業(yè)和豐富自動駕駛數(shù)據(jù)合規(guī)經(jīng)驗的合規(guī)團隊，內部組建了測繪安全團隊、信息安全團隊以及自動駕駛合規(guī)業(yè)務團隊。

“精準合規(guī)”流程

2）多模態(tài)大模型

過去執(zhí)行一次特殊場景挖掘任務，需要先對海量數(shù)據(jù)進行人工標注，然后再進行挖掘。由于傳統(tǒng)的人工標注工序復雜，效率低，進行一次挖掘任務大概需要一周左右的時間。

Apollo Cloud 2.0的“多模態(tài)大模型”，讓數(shù)據(jù)服務從“流程式”升級為“檢索式”，運用文心大模型較強的泛化和語義理解等能力，極大提升了數(shù)據(jù)標注和數(shù)據(jù)挖掘的效率。

a. 精準篩選有價值數(shù)據(jù)，避免無效數(shù)據(jù)標注

做數(shù)據(jù)標注前需要準備數(shù)據(jù)，數(shù)據(jù)準備這個階段往往會耗費大量的時間和精力。如果前期數(shù)據(jù)沒有準備好，后面可能會帶來更大的時間和成本浪費。

多模態(tài)大模型可以幫助企業(yè)在數(shù)據(jù)準備階段做數(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 —— 是否含車道線、環(huán)島、信號燈、環(huán)境天氣、施工狀態(tài)、車輛類型、行人行為等。多模態(tài)大模型可以準確的挑選出符合條件的“價值”數(shù)據(jù)，然后再去送標。據(jù)估計，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)標注量。

b. 提升數(shù)據(jù)挖掘效率

百度自動駕駛云技術專家舉例說：“比如定義行人的某個事件，如果按照傳統(tǒng)的方式，需要開發(fā)一系列算子去匹配道路、行人、車輛以及周邊環(huán)境，通過多種組合條件去尋找到這樣的特定場景，過程很繁雜。如果換了條件，把行人換成動物或非機動車，又需要重新去開發(fā)一套算子。現(xiàn)實中，我們需要挖掘的場景千千萬，按照傳統(tǒng)的挖掘方式，開發(fā)周期長，成本也高。

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

3）城市級仿真

通過城市級云仿真的大規(guī)模測試，可以幫助客戶快速尋找到自動駕駛算法處理不好的場景，來進行針對性的算法完善和測試。

因為虛擬城市仿真是一種隨機的、不確定性的測試。所以在跑測試之前，誰也不清楚車輛會遇到什么樣的狀況。一旦車輛在不停地行駛過程中遇到一個處理不了的場景，系統(tǒng)會識別出來，并把這段數(shù)據(jù)錄下來，轉成一個場景文件，自動補充到場景庫里來。

Apollo Cloud 2.0推出端到端的城市級仿真：

基于百度地圖大規(guī)模路網(wǎng)自動構建孿生城市；

通過Apollo千萬公里路測里程積累了千萬量級的場景。

據(jù)百度對外透露，目前，Apollo Cloud 2.0 已經(jīng)達到上百個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證不同城市場景下的自動駕駛能力。

這種仿真測試方法不僅可以加快自動駕駛測試驗證的速度，還可以避免實道路測試所面臨的測試周期長、成本高、效率低以及遇到極端危險情況下存在安全隱患等問題。

百度Apollo Cloud 2.0 城市級仿真

3.2 靈活的合作模式

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

目前多數(shù)云服務商提供的自動駕駛解決方案主要集中在軟件應用層，并且多為端到端的服務，這與部分車企的模塊化需求產(chǎn)生沖突。相比于為每個客戶去做定制方案，打造一套標準化的平臺解決方案更為合適：底層統(tǒng)一，上層開放，讓自動駕駛行業(yè)內的企業(yè)各取所需。

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

標準化：支持行業(yè)通用性的OpenX系列、FMI、PB、ROS等接口標準，便于用戶做集成適配或者調用。

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仿真測試；

二次開發(fā)：底層架構標準化，支持自定義開發(fā)數(shù)據(jù)處理流程，用戶可以通過百度WebIDE或者自己的編碼環(huán)境來開發(fā)算法。

百度自動駕駛云技術專家介紹說：“我們在標準化和產(chǎn)品兼容性上做了很多工作，并且支持用戶二次開發(fā)，產(chǎn)品上可靈活拆解，滿足客戶不同的研發(fā)需求，服務更多的客戶。針對客戶關心的部署環(huán)境、調度優(yōu)化、系統(tǒng)集成、性比價、二次開發(fā)、團隊協(xié)作、數(shù)據(jù)安全等問題，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)務需求，可以先從點到面分階段建設應用”。 結語

“在2023年，自動駕駛行業(yè)將進入深水區(qū)，留下來的都是有實力的玩家?！蹦匙詣玉{駛企業(yè)負責人認為，經(jīng)歷2022年的資本寒冬之后，2023年仍將是“內卷”之年，高階智能駕駛的量產(chǎn)交付將成為車企和Tier1在自動駕駛發(fā)展到下半場的角逐焦點。

高階智能駕駛的量產(chǎn)化交付能力顯然已成為車企或Tier1之間競爭的關鍵。除了成本管控、供應鏈管理、質量管控以外，是否具備高效的數(shù)據(jù)閉環(huán)體系也是評判量產(chǎn)交付能力的重要參考指標。