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提升，再加上成本的逐漸降低，行泊一體方案逐漸開始規模化量產落地。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據，然后通過數據驅動的方式推動NOA、AVP等高階智能駕駛功能不斷地完善和進化。

法規政策驅動因素

我國一直高度重視自動駕駛產業發展， 國內相關法規政策不斷推進自動駕駛測試和運營的相關立法，大力支持發展相關技術和產業。2022年8月1日，國內首部L3法規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。據工信部相關數據顯示，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的量產研發布局。

規模化量產與數據閉環

1.1 規?；慨a與數據閉環相輔相成

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”便需要建立數據閉環體系，不斷收集數據，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，不斷地去發現和攻克一些平時很難遇到的“極端工況”場景。

實現數據閉環是具備高階智能駕駛量產能力的前提，而高階智能駕駛量產后，可以進一步獲取更多有價值的數據，有了這些數據的“喂養”，才能推動數據閉環體系持續不斷地高效運轉。

1.2 數據閉環的構成

通常來講，一個完整的自動駕駛研發數據閉環包括數據采集、數據回傳、數據標注、模型訓練和仿真測試等幾個關鍵的環節。

首先，企業通過專業采集車、測試車或者量產車進行數據采集，然后將本地數據進行歸類、脫敏、壓縮和打包，通過4G/5G上傳至云端服務器。在云端，進行數據標注，把標注好的數據放入到訓練平臺進行模型訓練去獲得相應的模型，模型持續優化迭代之后，經過嵌入平臺移植到量產車中。

數據閉環流程示意圖 1）數據采集

當量產車達到一定規模后，采集的數據量會很大。有專業人士測算：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據總量將會達到ZB級。如此多的數據如果不進行有效篩選全部上傳到云端，對傳輸帶寬、云端的數據存儲和處理也會帶來很大的壓力。那么，如何從海量數據中篩選出有價值的數據進行高效回傳，是影響高階智能駕駛系統迭代速度的關鍵。

有以下幾種常見的智能化數據采集方式：

A.車端設置Trigger層

根據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 （數據回傳觸發器），再根據場景算法檢測，自動化獲取所需要的場景數據集。

B.針對特定場景通過智能化打標簽進行數據采集

對于一些需要在云端主動積累數據進行學習的場景，比如隧道、環島、無保護左轉等復雜工況場景，開發人員可以上傳需要車輛獲取的圖片，通過云端下發指令，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）數據回傳

車端采集完數據，需要將數據進行歸類、脫敏、壓縮和打包，通過4G/5G上傳至云端服務器。但是，數據傳輸的上下行鏈路比較長，并且車聯網的鏈路通常不太穩定，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生。那么，該如何保證各鏈路節點的數據傳輸速度和質量呢？

針對數據傳輸的一些問題，部分企業已采取車云一體傳輸方案，例如智協慧同通過云端數據管理的SDK vCloud進行數據切片的組合，對切片采取校驗和補傳機制，對丟失的數據切片進行補傳，等數據補傳完整之后再進行存儲，保證了數據傳輸的完整性。

3）數據標注

車端數據回傳到云端后，還需要經過數據標注，這些數據才能變成算法模型能夠使用的樣本數據。標注就是將編碼值分配給原始數據的過程，從而將標注好的數據作為AI練習認知的訓練數據。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模且高質量的數據集去訓練。傳統人工標注在效率和成本方面已經難以滿足模型訓練對海量數據集的需求，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據標注所需的時間。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

在完成數據標注之后，需要對打好標簽的數據進行訓練、參數調優等。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據進行探索分析，從中發現因果關系、數據邏輯和業務規律。在模型訓練環節，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，從數據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：

在模型訓練環節幫助客戶構建最有效的數據集 —— 在前期幫助客戶去規劃哪些數據需要去做標注，標注什么樣的類別，它的分布是什么樣的。

針對標注完的數據，百度智能云會根據已有的龐大評測樣本集來幫助企業去評測它的模型，以及去發掘當前模型的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，幫助企業去提升它的模型指標以及對模型進行調優。

5）仿真測試

自動駕駛仿真測試主要是指以數學建模的方式將自動駕駛的應用場景進行數字化還原，建立盡可能接近真實世界的系統模型，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

數據閉環與上云

有業內專家表示，云是汽車產業的新生產力，車云一體化的數據驅動模式將成為汽車產業競爭的關鍵。

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

未來，云端將成為汽車軟件持續迭代的基礎。車云一體驅動的數據閉環對上云的需求，不僅僅是在數據存儲環節，在感知模型訓練、仿真測試等環節也有強烈需求。

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據體量大、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據處理。

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。有業內人士坦言：“Transformer屬于暴力美學，相比于CNN，它的模型更大，參數量動輒十億百億，千億萬億也不罕見，層數動輒上千層，根本不是老舊數據訓練中心能支撐的?！?/p>

自動駕駛感知算法開發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。由于數據量很小且使用范圍有限，從合規角度來講，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，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，所需存儲的數據量超過1PB，需要100+張 GPU卡進行訓練調度，投資規模達到0.5億~2億級別。如果要實現 L4 級別的量產，所需存儲的數據量將超過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，傳統的單機測試完全能夠搞定，但后續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，傳統的單機仿真測試呈現出算力不足、且無法實現加速測試等問題，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，是實現自動駕駛大規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。針對動態的交通參與元素，基于真實路采數據進行挖掘，并對動態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據的場景挖掘相結合，據百度內部人士透露，目前已經覆蓋了 98% 的場景（包括城市、高速、停車場、封閉園區等）。

在迭代速度方面，依賴百度智能云的技術支撐和算力優勢，百度的云仿真平臺可實現數十萬任務的并發運行，做到日行千萬公里的仿真里程。

在仿真評價標準方面，百度經過數年的經驗積累，總結了六大類共200 多項評價指標。除了安全、交規之外，還將舒適性、智能性等通過規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，其中百度又是其中最早投入做自動駕駛研發的公司。

2023年4月，百度發布了新一代的自動駕駛云產品——Apollo Cloud 2.0（Apollo自動駕駛云2.0版本）。基于百度積累10余年的自動駕駛研發技術和豐富的測繪數據處理經驗，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研發的能力框架構建，賦能車企進行高效的自動駕駛研發。

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：“自動駕駛在量產階段還面臨合規、效率、體驗、成本等多方面問題的挑戰。Apollo Cloud 2.0的推出，將助力車企用戶攻堅關鍵的長尾難題，開啟智能駕駛量產時代。”

Apollo Cloud2.0從研發域的工具鏈升級到量產域的云服務，是一款助力車企和Tier1智能駕駛系統量產的全流程云服務產品。

那么，“工具鏈”和“云服務”兩者有什么區別呢？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。如果企業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據來做模型訓練和仿真測試，避免了他們搭建復雜的物理環境和過高的研發投入，云服務的形式直接降低了企業使用工具鏈的門檻。”

3.1Apollo Cloud2.0 的三大核心能力

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

1）精準合規

關于合規方面，目前還存在兩種不太合理的現象：

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

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

對于合規，最完美的做法是能夠做到“恰到好處”的精準合規，實現合規需求與業務發展之間的平衡，避免“只顧合規”帶來的效率降低。也就是說，既要能保障地理信息數據安全，還要能很好匹配智能駕駛業務快速發展的需求。

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

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

其次，百度擁有專業和豐富自動駕駛數據合規經驗的合規團隊，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業務團隊。

“精準合規”流程

2）多模態大模型

過去執行一次特殊場景挖掘任務，需要先對海量數據進行人工標注，然后再進行挖掘。由于傳統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“多模態大模型”，讓數據服務從“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，極大提升了數據標注和數據挖掘的效率。

a. 精準篩選有價值數據，避免無效數據標注

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

多模態大模型可以幫助企業在數據準備階段做數據篩選工作，比如，在什么樣道路，在什么樣的交通環境下 —— 是否含車道線、環島、信號燈、環境天氣、施工狀態、車輛類型、行人行為等。多模態大模型可以準確的挑選出符合條件的“價值”數據，然后再去送標。據估計，利用文心大模型可以幫助企業節省大約80%的數據標注量。

b. 提升數據挖掘效率

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，如果按照傳統的方式，需要開發一系列算子去匹配道路、行人、車輛以及周邊環境，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，又需要重新去開發一套算子。現實中，我們需要挖掘的場景千千萬，按照傳統的挖掘方式，開發周期長，成本也高。

“我們這套模型是基于文心大模型的自動駕駛‘數據智能搜索引擎’，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據。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據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，極大提高了數據利用率和便捷度。”

3）城市級仿真

通過城市級云仿真的大規模測試，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，系統會識別出來，并把這段數據錄下來，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：

基于百度地圖大規模路網自動構建孿生城市；

通過Apollo千萬公里路測里程積累了千萬量級的場景。

據百度對外透露，目前，Apollo Cloud 2.0 已經達到上百個城市的道路覆蓋里程，可以基于這些數據和數字孿生技術打造高精度仿真還原的數字孿生城市，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

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

目前多數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：底層統一，上層開放，讓自動駕駛行業內的企業各取所需。

Apollo Cloud 2.0采用產品+服務的方式，面向不同客戶群體，提供不同組合的產品形態。既提供標準化產品，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系統環境，支持傳統HIL仿真測試；

二次開發：底層架構標準化，支持自定義開發數據處理流程，用戶可以通過百度WebIDE或者自己的編碼環境來開發算法。

百度自動駕駛云技術專家介紹說：“我們在標準化和產品兼容性上做了很多工作，并且支持用戶二次開發，產品上可靈活拆解，滿足客戶不同的研發需求，服務更多的客戶。針對客戶關心的部署環境、調度優化、系統集成、性比價、二次開發、團隊協作、數據安全等問題，我們提供了差異化的解決方案，以滿足不同階段、不同規模的業務需求，可以先從點到面分階段建設應用”。 結語

“在2023年，自動駕駛行業將進入深水區，留下來的都是有實力的玩家?！蹦匙詣玉{駛企業負責人認為，經歷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交付將成為車企和Tier1在自動駕駛發展到下半場的角逐焦點。

高階智能駕駛的量產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，是否具備高效的數據閉環體系也是評判量產交付能力的重要參考指標。