{{detailStore.author.is_follow?'已关注':'关注'}}
话题文章
管理
从 0 到 1 再到 ∞ | 得数据者,得自动驾驶天下
话题文章
冷淡的市场大环境让车企们的日子并不好过,但好在,接下来会有新的增长极出现。很快,从 2020 年开始,过去积累的自动驾驶技术科研成果及工程进步都将成为现实。自动驾驶汽车即将进入 10-20 年混合模式的时代,而随着 5G 技术的成熟应,一块市值巨大的“蛋糕”即将摆在我们面前。
大众集团 CEO 赫伯特·迪斯表示:未来汽车创新中,软件将占到 90%。目前大众有 2 万名研发人员,其中 90% 做硬件开发。到 2030 年,研发成本中软件将占到一半,也就是软件工程师将达到 1 万人左右。

自动辅助驾驶背后:对数据的分析无处不在
只要拥有足够多的数据,我们可以变得更聪明”是大数据时代的一个新认识。“大数据”就是一种规模大到在获取、管理、分析方面大大超出传统数据库软件工具能力范围的数据集合。它的运用场景相当广泛。
随着大数据应用范围的不断扩大,大数据所形成的价值正在快速提升。这是一个当之无愧的朝阳行业。主要包括互联网、软件及信息技术服务业、高端制造等行业。与你手中正在刷的抖音偏好推荐相类似,自动驾驶技术也离不开庞大数据的支撑。

因此,在大数据时代,原本复杂的“智能问题”可以简化为“数据问题”——只要对大数据的进行简单查询就可以达到“基于复杂算法的智能计算的效果”。为此,很多学者曾讨论过一个重要话题:“大数据时代需要的是更多数据还是更好的模型(moredata or better model)?”。在自动驾驶技术加持下,每辆车承载的数据量将是 TB 级的,玩转数据者将独占鳌头,实时交通中机器学习的体现是无人驾驶时代一个关键节点。这意味着并不是简单的将路上发挥的某一路况反馈给无人驾驶车辆即可,而是要将历史数据和当前收集到的整体路网数据结合分析,通过机器学习进行判断。
以特斯拉为例
特斯拉曾在 2018 年 11 月公布过一个数据:全球所有的特斯拉车主在自动驾驶 Autopilot 启动下驾驶的总里程数已经突破 10 亿英里(约 16 亿公里)。同年,Waymo 仅收集了大约 2400 万公里。据知名投资公司 Ark 分析师塔莎•基尼称,当你观察特斯拉汽车上行驶的所有里程数时(无论自动驾驶系统是否启动),记录的总里程数都要超过其他公司。
特斯拉 FSD 视觉传感识别画面
毫无疑问,特斯拉的 16 亿公里是一个笑傲江湖的数值。随着 2019 年 Model 3 全球销量突破 30 万辆,这一数值明显还会有大幅的增长。特斯拉利用数据、人工智能和机器学习构建了一个神经网络,这是一个由传感器、数据、通信、CPU、外围硬件和软件组成的系统,它们像人类大脑一样同时处理信息、适应和学习,这才是该公司真正的亮点。
而最近一位来自日本汽车巨头的工程师在拆解 Model 3 后分析 HW 3.0 时震惊地感叹道:“我们做不到”。期间的原因在于 HW 3.0 中包含有两块由特斯拉自主研发的 AI 芯片,并设计了专门的软件来做支持,以超强的计算能力为核心,为的就是能够承接即将到来的更智能、更自动化、更海量的汽车传感与处理数据。

眼下,特斯拉在全球有接近 100 万辆车在路上行驶,它把每辆车、每一个传感器、每一个“事件”(即人与方向盘、制动踏板等的相互作用)作为数据点。获取这些数据,对其进行分析,并利用这些数据改进算法,创建新的算法,并将这些改进通过空中升级 OTA 传送到车辆上。
简单来说,特斯拉车主开着车上班或旅游的同时,也在帮助训练特斯拉的人工智能和机器学习大脑网络。
对于掌握自动辅助驾驶数据的能力来说,目前来看,在特斯拉之后,差距比较小的是同样在 ADAS 领域采取自研为主策略的蔚来和小鹏,而其他采取委托集成策略的主机厂们,差距可能达到 5 年之久了。
小鹏 Xpliot 3.0 视觉传感识别画面
做好准备迎接海量数据的“洗礼”
我们知道,自动驾驶汽车在进行工作时会产生大量数据,每辆汽车每秒就会产生 6--8GB 的数据。据统计,仅仅在 2017 年,该领域就创造了大约 250EB 的大数据(1 EB= 1024PB,1PB=1024TB)。而这仅仅还是两年前的数据,所以,从 21 世纪 20 年代开始,每个主机厂都会有几十 PB 的数据,这就需要有先进的概念来处理这些数据并从中获取价值。

其次,在汽车研发与计算机和数据科学之间搭建一座桥梁。工程制造是汽车厂商的强项,但他们对于数据科学可能并不太熟悉。这些学科的交融,可以帮汽车厂商打开新大门,加快其创新和研发。虽然车企研发部门也有专门的数据工程团队,但他们经常还是需要借助数据科学以及人工智能领域专家的力量,以实现最好的研发效果。
第三,高效处理和分析数据。当自动驾驶汽车进行测试时,LiDAR、视觉相机和雷达等部件会生产大量以 ADTF、ROSbag 和 MDF4 等格式呈现的专业化数据。现在已经有可以对这些海量数据以 PB 为单位进行快速访问的工具了。在过去,通常需要好几天的时间来提取和分析数据,而现在只需要几分钟或几秒钟就可以得到结果。

第四,做一整套测试验证流程需要多种能力,除了基本的数据采集外,还要对数据采集有经验,建环境真值,对数据算法要有理解;做测试验证流程,对传统汽车行业测试工具链要掌握,最后面对海量数据,要有大数据分析能力。
最后,优化自动生成数据。当一个自动驾驶系统作出一个不同于人类驾驶者的决策,肯定需要被记录下来。同样,当半自动驾驶汽车发生决策错误而被人类驾驶者纠正时,也要加以重视,这样工程师可以对系统进行优化。如果自动驾驶系统可以持续优化和改进,那么消费者对于自动驾驶汽车也会更放心。
在未来,支撑特斯拉 3000 亿市值的或许会有很多因素,而这些年,他们自动辅助驾驶积累的海量数据以及处理数据的能力必定是其中含金量最高的之一。

编辑总结 /

自动辅助驾驶发展如火如荼,诸多领域即将步入从 0 到 1 的质变过程,当然,如果做成了,接下来便是星辰大海。只有那些掌握了背后大数据的车企,基于自身优势深入专研这一块,慢慢形成技术壁垒,建立起护城河,或许就可以在诺大的自动驾驶产业中站稳自己的脚跟。

写评论
积分赞赏
点赞
评论区
  • 编辑
  • {{is_favourite ? '已收藏' : '收藏'}}
  • {{is_personal_top ? '取消主页置顶' : '个人主页置顶'}}
  • 举报
  • 加入黑名单
  • 删除
  • 取消置顶
  • 置顶推荐
    • 6小时
    • 12小时
    • 24小时
    • 3天
    • 一周
    • 长期
  • {{digest?'撤销精华':'设为精华'}}
回到顶部
  • 全部评论{{detailStore.commentnum}} 条
  • 只看作者
  • 最热
  • 最新
  • 最早

「待审核」

{{ comment.relativeTime }} 已被赞赏 {{comment.integral}} 积分 回复

暂无相关评论

发表一下个人看法吧