芯耀
3683
作者 | 張萌宇
近年來，數(shù)據(jù)閉環(huán)成了自動駕駛行業(yè)的一個熱門話題，很多自動駕駛公司都在試圖打造自己的數(shù)據(jù)閉環(huán)系統(tǒng)。
實際上，數(shù)據(jù)閉環(huán)并不是一個新的概念。在傳統(tǒng)軟件工程領(lǐng)域，數(shù)據(jù)閉環(huán)被用來作為改進用戶體驗的一種重要方式。相信大家都有過這樣的經(jīng)歷，在使用軟件時，屏幕上跳出一個彈窗，詢問你“是否允許該軟件收集你的數(shù)據(jù)”，如果你同意相關(guān)條例，那這些數(shù)據(jù)便會被用來改進用戶體驗。
當用戶端軟件捕捉到一個問題時，后臺能抓取相應(yīng)數(shù)據(jù)，然后由開發(fā)團隊分析此問題后對軟件做修復(fù)和完善，交由測試團隊測試好新版本軟件，之后會將新版本軟件放在云端，并由用戶更新到終端，這是軟件工程中數(shù)據(jù)閉環(huán)的流程。
在自動駕駛場景中，問題數(shù)據(jù)通常是在試驗車上收集，極少數(shù)車輛能實現(xiàn)在量產(chǎn)車上收集。收集后需要對數(shù)據(jù)做標注，然后工程師在云端用新的數(shù)據(jù)訓練神經(jīng)網(wǎng)絡(luò)模型，重新訓練后的模型通常會通過OTA的方式部署到車端。
一個完整的數(shù)據(jù)閉環(huán)通常包括數(shù)據(jù)采集、數(shù)據(jù)回流、數(shù)據(jù)處理、數(shù)據(jù)標注、模型訓練、測試驗證這幾個環(huán)節(jié)。
△Momenta數(shù)據(jù)閉環(huán)流程示意
以特斯拉為例，配置了自動駕駛硬件的車隊采集通過規(guī)則及影子模式下的觸發(fā)器篩選的數(shù)據(jù)，經(jīng)過語義篩選后的數(shù)據(jù)被回傳到云端。此后，工程師在云端用工具對數(shù)據(jù)做一些處理，再把處理好的數(shù)據(jù)放入數(shù)據(jù)集群，然后利用這些有效數(shù)據(jù)訓練模型。模型訓練好之后，工程師會把訓練好的模型部署回車端做一系列的指標檢測，經(jīng)過驗證的新模型會被部署到車端供駕駛員使用。
在這種模型下，會有新的數(shù)據(jù)源源不斷被觸發(fā)回傳，從而形成循環(huán)。此時，一個完整的由數(shù)據(jù)驅(qū)動的迭代開發(fā)循環(huán)便形成了。
目前，采用數(shù)據(jù)閉環(huán)來驅(qū)動算法迭代，幾乎已經(jīng)被公認為是提升自動駕駛能力的必由之路。很多主機廠和自動駕駛Tier1都在搭建自己的數(shù)據(jù)閉環(huán)系統(tǒng)，甚至還專門設(shè)置了數(shù)據(jù)閉環(huán)架構(gòu)師的職位。
數(shù)據(jù)閉環(huán)的意義是什么？數(shù)據(jù)閉環(huán)能夠在量產(chǎn)車上落地的背景是什么？數(shù)據(jù)閉環(huán)在量產(chǎn)車上落地的過程中有哪些痛點以及如何應(yīng)對？
接下來，本文將圍繞這些話題逐一討論。
1. 數(shù)據(jù)閉環(huán)的意義
根據(jù)智駕科技MAXIEYE的介紹，“數(shù)據(jù)閉環(huán)對于產(chǎn)品的性能，不僅僅是某個功能的性能提高，還能以影子模式的形式驗證新功能。同時根據(jù)數(shù)據(jù)觸發(fā)的類別，對于系統(tǒng)的其他方面也可以幫助優(yōu)化，比如radar/camera blockage 的檢測，可以根據(jù)回傳數(shù)據(jù)優(yōu)化閾值。在性能層面，數(shù)據(jù)回傳基本上可以優(yōu)化所有的性能，比如AEB，LKA，ELK，ACC，TJA，NOA等。MAXIEYE已通過數(shù)據(jù)回傳OTA不斷升級AEB, ACC, TJA 等系統(tǒng)功能，而且預(yù)埋了新功能的影子模式?！?/p>
如今，各家公司紛紛打造自己的數(shù)據(jù)閉環(huán)系統(tǒng)，主要希望實現(xiàn)的效果包括提升corner case數(shù)據(jù)采集效率、提高模型的泛化能力以及驅(qū)動算法的迭代。
1.1 搜集corner case的數(shù)據(jù)
只要是L2及L2以上的產(chǎn)品，都需要具備持續(xù)進化的能力。要讓自動駕駛系統(tǒng)持續(xù)地進化，就需要不斷獲得corner case的數(shù)據(jù)。而隨著越來越多的corner case從“未知”轉(zhuǎn)換成“已知”，通過數(shù)量有限、形式路線也有限的測試車輛挖掘出新的corner case的難度越來越大。
通過在場景覆蓋度更廣的量產(chǎn)車上部署數(shù)據(jù)采集系統(tǒng)，在遇到當前的自動駕駛系統(tǒng)處理地得不夠好的情形時，觸發(fā)數(shù)據(jù)回傳，是一種比較好的獲取corner case的方法。
例如，可以在搭載L2輔助駕駛的量產(chǎn)車上部署AEB系統(tǒng)，然后收集駕駛員猛踩剎車、猛踩油門、猛打轉(zhuǎn)向、猛打方向盤等的數(shù)據(jù)，分析為什么駕駛員在做這些操作的時候AEB系統(tǒng)沒有任何響應(yīng)。針對AEB系統(tǒng)應(yīng)對地不夠好的問題做相應(yīng)改進，提高AEB系統(tǒng)的能力。
1.2 提高模型的泛化能力
當前，高等級的輔助駕駛正在從高速向城市進軍。要解決高速這樣相對簡單的場景，基本上，僅靠測試車采集的數(shù)據(jù)來訓練模型就夠了，而不是一定要回傳量產(chǎn)車的數(shù)據(jù)；然而，城市場景的復(fù)雜度大幅提升了，而且不同城市的路況也有很多差異。例如，在廣州，隨處可見拉著貨物的三輪車在道路上疾馳，而在上海就很少會見到這種情形。
因此，很多自動駕駛Tier1以及車企對場景打通的訴求很強烈——即車輛的輔助駕駛系統(tǒng)可妥善應(yīng)對各主流城市的各種路況。因為車企無法限制用戶的行駛范圍，假如只針對很小的區(qū)域做好輔助駕駛功能，會大大縮小用戶群的范圍，這顯然不是車企希望看到的。
要實現(xiàn)場景打通的目標，模型的泛化能力就需要大幅提高。要大幅提高模型的泛化能力，就要盡可能地把各種各樣的場景對應(yīng)的數(shù)據(jù)都采集到。而只有基于大規(guī)模真實人駕數(shù)據(jù)的乘用車輔助駕駛才有能力積累到足夠規(guī)模和足夠多樣的數(shù)據(jù)。
1.3 驅(qū)動算法迭代
前文提到，基于深度學習的人工智能算法發(fā)展已經(jīng)超過十年。這期間，隨著模型的演進以及算力的發(fā)展，自動駕駛系統(tǒng)對大數(shù)據(jù)的消化成為可能。此外，自動駕駛系統(tǒng)要升級，感知、規(guī)劃等環(huán)節(jié)都需要在能力上有相應(yīng)的提升，而采用數(shù)據(jù)驅(qū)動，讓算法持續(xù)不斷地進化，是提升感知、規(guī)劃等環(huán)節(jié)能力的一個高效的方式。
城市NOA——即城市內(nèi)的點對點導(dǎo)航輔助功能是很多主機廠以及自動駕駛Tier1接下來的發(fā)力點，要實現(xiàn)點對點的導(dǎo)航輔助駕駛功能，感知系統(tǒng)的語義識別、障礙物識別、可行駛區(qū)域的識別都需要具備一定的精度，然而目前這一標準尚未實現(xiàn)。
目前主流的感知系統(tǒng)網(wǎng)絡(luò)架構(gòu)是基于BEV+Transformer模型，單純依靠軟件工程師或者算法架構(gòu)師來優(yōu)化，模型可以提升的空間不太多，而BEV+Transformer的架構(gòu)可以容納大量的數(shù)據(jù)，進而有望讓模型效果得到提升。
在規(guī)劃層面，數(shù)據(jù)驅(qū)動也可以發(fā)揮作用。特斯拉早先使用部分約束下的最優(yōu)方案作為初值，然后采用遞增的方式不斷加入新的約束，再求解增加約束后的優(yōu)化問題，最終得到規(guī)劃問題的最優(yōu)。特斯拉工程師針對此方法離線做了很多預(yù)生成，并在在線做了并行優(yōu)化，這樣每個候選路徑的計算時間仍然長達1～5ms。而根據(jù)特斯拉在2022年9月30日的AI day上披露的內(nèi)容，特斯拉的工程師現(xiàn)在使用了一套數(shù)據(jù)驅(qū)動的決策樹生成模型來幫助自動駕駛系統(tǒng)快速生成規(guī)劃路徑。這個數(shù)據(jù)驅(qū)動的決策樹生成模型使用特斯拉車隊中人類駕駛員駕駛數(shù)據(jù)和無時間約束下的最優(yōu)路徑作為真值進行訓練，能夠在100us內(nèi)生成一個候選規(guī)劃路徑，大大縮短了生成候選規(guī)劃路徑的時間。
綜上可見，搭建好數(shù)據(jù)閉環(huán)系統(tǒng)是自動駕駛系統(tǒng)能力提升的一個重要方式。
2. 數(shù)據(jù)閉環(huán)的背景
當前，許多量產(chǎn)車上都搭載了輔助駕駛系統(tǒng)，人們可以在量產(chǎn)車上采集數(shù)據(jù)，自動駕駛系統(tǒng)的路測里程超過1億公里已非難事。此外，芯片算力進一步增強——例如英偉達的OrinX芯片算力可達254TOPS，因此大模型開始被應(yīng)用于感知系統(tǒng)，自動駕駛系統(tǒng)對大數(shù)據(jù)的消化成為可能。另一方面云端技術(shù)較為成熟，自動駕駛開始慢慢進入數(shù)據(jù)驅(qū)動的時代。
MAXIEYE公司方面的解釋是：“確切地來說，現(xiàn)在不僅僅是數(shù)據(jù)驅(qū)動，而是AI算法和數(shù)據(jù)共同驅(qū)動。AI算法解決的是學習效率的問題，數(shù)據(jù)解決的是學習內(nèi)容的問題，算法和數(shù)據(jù)是共生關(guān)系?！?/p>
“基于深度學習的人工智能算法的發(fā)展已經(jīng)超過了十年，在這十年間的早期階段，監(jiān)督學習是學術(shù)界和工業(yè)界的主流，而監(jiān)督學習有一個致命的缺陷，就是需要大量的人工標注，這大大的限制了AI的進步空間，但在近幾年，無監(jiān)督和半監(jiān)督學習算法慢慢地開始興起，計算機可以通過自學習的方式不斷地對數(shù)據(jù)進行清洗以及對算法進行自我迭代，因此，通過數(shù)據(jù)驅(qū)動的方式開發(fā)自動駕駛技術(shù)的條件已經(jīng)成熟。”
長沙龍智能化中心負責人楊繼峰在一次演講中提到：“從整車角度上，2022年完成了L2到L4的架構(gòu)閉環(huán)和數(shù)據(jù)閉環(huán)，車端架構(gòu)和云端架構(gòu)的進一步統(tǒng)一。接下來的競爭是數(shù)據(jù)挖掘、數(shù)據(jù)的有效利用以及整個技術(shù)棧對數(shù)據(jù)的理解，以及如何在大規(guī)模的基礎(chǔ)設(shè)施上平衡整個計算效率?！?/p>
3. 數(shù)據(jù)閉環(huán)落地的痛點及對策
目前，大家關(guān)于數(shù)據(jù)閉環(huán)對于自動駕駛系統(tǒng)的意義已達成共識，數(shù)據(jù)閉環(huán)在量產(chǎn)車上的落地的時機也基本成熟。那么，各家的數(shù)據(jù)閉環(huán)實際落地的情況如何？我們?nèi)绾稳ピu判一家公司數(shù)據(jù)閉環(huán)系統(tǒng)搭建的效果呢？
筆者從智駕科技MAXIEYE了解到，對于自動駕駛Tier1來講，技術(shù)上實現(xiàn)數(shù)據(jù)閉環(huán)其實不是難題，本質(zhì)上看的是該Tier1的產(chǎn)品實力——是否能通過數(shù)據(jù)閉環(huán)賦能車廠。其次，數(shù)據(jù)閉環(huán)的效果還要看產(chǎn)品的迭代是否由數(shù)據(jù)閉環(huán)驅(qū)動，是否能基于回傳數(shù)據(jù)實現(xiàn)軟件及算法的優(yōu)化，并定期通過OTA部署到終端。
當前，根據(jù)數(shù)據(jù)閉環(huán)能力的高低，自動駕駛Tier 1可劃分為三類：第一種是已經(jīng)實現(xiàn)規(guī)?；慨a(chǎn)的數(shù)據(jù)閉環(huán)，第二種是通過采集車實現(xiàn)閉環(huán)，第三種是還沒有實現(xiàn)數(shù)據(jù)閉環(huán)的能力。目前來看，第一種還屬于少數(shù)派。
根據(jù)筆者和業(yè)內(nèi)人士交流得到的信息，目前大部分公司的數(shù)據(jù)來源都是采集車。由于用戶隱私、基礎(chǔ)設(shè)施、成本等種種因素，在量產(chǎn)車上大規(guī)模采集數(shù)據(jù)用于自動駕駛系統(tǒng)的迭代升級尚未實現(xiàn)。有的公司尚未搭建好在量產(chǎn)車上采集數(shù)據(jù)用于數(shù)據(jù)閉環(huán)的流程，有的公司雖然搭建好了流程，也采集了一些數(shù)據(jù)，但尚未將數(shù)據(jù)很好地用起來。
據(jù)悉，少數(shù)公司會從量產(chǎn)車上采集一些數(shù)據(jù)，但業(yè)內(nèi)人士反映目前采集這些數(shù)據(jù)主要是用來診斷當前的自動駕駛系統(tǒng)存在的故障等，而非用于深度學習模型的迭代。
也即是說，目前很少有公司真正實現(xiàn)了規(guī)?；慨a(chǎn)的數(shù)據(jù)閉環(huán)——即用好從大規(guī)模量產(chǎn)車上采集的數(shù)據(jù)來實現(xiàn)自動駕駛系統(tǒng)能力的提升。那么，數(shù)據(jù)閉環(huán)的量產(chǎn)落地究竟有哪些痛點？針對這些痛點，有什么樣的應(yīng)對策略呢？
量產(chǎn)落地的實踐中需要考慮的問題包括但不限于：如何保證數(shù)據(jù)采集和使用的合規(guī)性、數(shù)據(jù)確權(quán)問題如何解決、數(shù)據(jù)采集功能如何與自動駕駛系統(tǒng)共存、數(shù)據(jù)處理難度大、數(shù)據(jù)驅(qū)動的軟件系統(tǒng)復(fù)雜度高、模型訓練難度大等。
3.1 數(shù)據(jù)采集和使用的合規(guī)性問題
合規(guī)分為測繪合規(guī)和隱私合規(guī)：測繪合規(guī)主要涉及到采集國家地理信息時的合規(guī)，隱私合規(guī)主要涉及到采集用戶隱私相關(guān)數(shù)據(jù)的合規(guī)。
測繪合規(guī)方面，近幾年，國家對數(shù)據(jù)安全的管理趨嚴，出臺了相關(guān)法律法規(guī)來對回傳數(shù)據(jù)的范圍進行限制。2022 年 “830 新規(guī)”之后，車輛在道路上采集的數(shù)據(jù)都屬于測繪數(shù)據(jù)。企業(yè)要使用測繪數(shù)據(jù)，后續(xù)的數(shù)據(jù)加密、數(shù)據(jù)合規(guī)的環(huán)節(jié)必不可少。
首先，在道路上采集數(shù)據(jù)的時候，企業(yè)需要具備國家測繪資質(zhì)，并且要做相應(yīng)的備案，否則采集過程中會被國安等部門阻止。目前，國內(nèi)總共有約30家機構(gòu)具備相關(guān)資質(zhì)，有的企業(yè)具備國家電子導(dǎo)航甲級資質(zhì)，適用范圍較廣，在國內(nèi)多個城市都可以采集，而有的企業(yè)具備乙級資質(zhì)，適用范圍就會更小，只能在特定的城市采集。
由于測繪資質(zhì)很難獲取，需要有長期的業(yè)務(wù)積累，并且，要保有測繪資質(zhì)，企業(yè)就需要有相應(yīng)的測繪業(yè)務(wù)。因此，主機廠以及自動駕駛Tier1一般會委托帶有資質(zhì)的供應(yīng)商或單位，例如現(xiàn)在有些云廠商會幫助客戶圍繞數(shù)據(jù)的獲取、加工、使用來設(shè)計一個合規(guī)方案。
采集到數(shù)據(jù)后，還需要在車端脫敏、加密，上云之后（一般來講是私有云），還需要做一些合規(guī)工作，這一部分會由有資質(zhì)的供應(yīng)商或者單位來幫忙做測繪的合規(guī)。對于部分很敏感的數(shù)據(jù)，需要由圖商來做采集，而且數(shù)據(jù)需要在脫敏之后存儲在圖商監(jiān)管的服務(wù)器里。
另外，測繪的數(shù)據(jù)不得泄漏，尤其是不得將數(shù)據(jù)挪到國外，非中國國籍的人既不能獲取測繪數(shù)據(jù)，也不能在公司內(nèi)操作測繪數(shù)據(jù)。
一般來說，主機廠和自動駕駛Tier1會建立自己的數(shù)據(jù)中心，出于安全考慮，這些數(shù)據(jù)中心都比較封閉。主機廠和自動駕駛Tier1需要使用這些數(shù)據(jù)中心存儲的數(shù)據(jù)來做一些訓練、仿真等工作的時候，基于合規(guī)要求，需要將相關(guān)模型部署到數(shù)據(jù)中心來使用。
有業(yè)內(nèi)專家表示，“測繪的合規(guī)流程太復(fù)雜，資質(zhì)也很難獲取，大家希望盡可能減少對高精地圖的依賴，這是目前業(yè)界流行‘重感知輕地圖’方案的一部分原因。但實際上，輕地圖不一定就是‘更好’，因為有地圖數(shù)據(jù)效果肯定比沒有好。目前這個趨勢不一定是最終的形態(tài)，也不一定是最好的，只是大家希望能做得更簡單一點?！?/p>
隱私合規(guī)方面，企業(yè)在量產(chǎn)車上采集數(shù)據(jù)，需要用戶授權(quán)。類似于用微信的時候，企業(yè)需要用戶在一開始簽署授權(quán)協(xié)議，并告知用戶哪些數(shù)據(jù)會被采集，哪些使用行為會被記錄。
目前在隱私合規(guī)方面，國家尚未出臺特別具體的方案規(guī)定哪些數(shù)據(jù)可以采哪些不可以，而是僅有一個相對寬泛的條款來規(guī)定數(shù)據(jù)采集方“不得泄漏用戶隱私”。
實際操作中，涉及到用戶信息的數(shù)據(jù)需要做脫敏，例如車牌號需要隱去等。九章在“一文讀懂數(shù)據(jù)脫敏技術(shù)在智能汽車中的應(yīng)用”中有關(guān)于這部分具體的介紹，此處不再贅述。
3.2 數(shù)據(jù)確權(quán)問題
我們是否可以在車上采集自動駕駛行業(yè)需要的攝像頭、激光或毫米波形成的數(shù)據(jù)呢？
魔視智能產(chǎn)品經(jīng)理蘇林飛介紹道：“按照中國的《個人信息保護法》相關(guān)規(guī)定，非法律允許的數(shù)據(jù)采集受到隱私保護。在德國，原德國聯(lián)邦信息保護局有這樣的規(guī)定，如果司機不是受害者，未經(jīng)對方同意就記錄其他司機的臉和車輛，是違反個人信息保護法的。也就是說，即使是車主記錄別人信息也可能屬于違法。但由于和新能源車伴生的自動駕駛行業(yè)很新，法律規(guī)定目前尚屬空缺，所以我們按照基本法學理念推導(dǎo)，量產(chǎn)車采集的數(shù)據(jù)應(yīng)該由車主所有?！?/p>
那車主使用自己的車輛采集的數(shù)據(jù)是否可以授權(quán)給其他單位使用呢？
目前并沒有相關(guān)法律規(guī)定與約束。但是在其他行業(yè)，比如手機、互聯(lián)網(wǎng)領(lǐng)域，是廣泛允許的。
誰可以拿到車主上傳的數(shù)據(jù)？
從汽車產(chǎn)業(yè)鏈分工看，2種主體可以拿到，第1種是無人車隊運營公司，比如百度的無人駕駛出租車，第2種是主機廠。但由于前者規(guī)模較小，所以我們重點介紹后者。
由于主機廠離用戶最近，所以最容易拿到用戶上傳的數(shù)據(jù)。在全球范圍看，Tesla是在這方面做地最好的主機廠。
目前，主機廠很少對外開放數(shù)據(jù)，導(dǎo)致自動駕駛Tier1在幫助主機廠實現(xiàn)了主機廠定制的功能后，很難收集到用戶在使用這些功能時的反饋數(shù)據(jù)，除非Tier1自己有很多測試車。那么，自動駕駛Tier1就難以根據(jù)用戶反饋的數(shù)據(jù)對相關(guān)功能做后續(xù)的優(yōu)化，數(shù)據(jù)閉環(huán)就難以實現(xiàn)。
魔視智能產(chǎn)品經(jīng)理蘇林飛告訴筆者：“我們在幫主機廠做完一個項目之后，假如主機廠不開放數(shù)據(jù)接口，我們就很難拿到用戶的反饋數(shù)據(jù)，進而針對此車型進一步迭代產(chǎn)品性能。最后大部分自動駕駛系統(tǒng)供應(yīng)商成為了以項目運作為核心的公司，進而隨著產(chǎn)品性能的落后慢慢被淘汰。
更糟糕的是，由于自動駕駛系統(tǒng)源代碼開源的趨勢已經(jīng)顯現(xiàn)，有的主機廠會希望自己搭建數(shù)據(jù)閉環(huán)系統(tǒng)來實現(xiàn)自動駕駛的功能，因而也不愿意把數(shù)據(jù)分享給供應(yīng)商。但主機廠這樣做我認為并不合理，我認為從自動駕駛整體的生態(tài)來講，最好還是大家各司其職，專業(yè)的人做專業(yè)的事。只是目前行業(yè)還處于比較早期的發(fā)展階段，可能大家都會想要嘗試，從而把握更大的主動權(quán)?！?/p>
某新能源主機廠專家表示：“以前主機廠不愿意把數(shù)據(jù)給供應(yīng)商是沒想明白供應(yīng)商可以怎么回饋自己，可能給了數(shù)據(jù)之后對方也不知道要如何使用。但是現(xiàn)在，對于合作的供應(yīng)商，比如給主機廠提供自動駕駛解決方案的，主機廠是可以開放數(shù)據(jù)使用權(quán)的。當然了，開放數(shù)據(jù)使用權(quán)的前提是合規(guī)，供應(yīng)商在接收主機廠提供的數(shù)據(jù)以及在使用數(shù)據(jù)時都需要保證整個流程是合規(guī)的?！?/p>
對于主機廠來說，假如不把數(shù)據(jù)開放給供應(yīng)商，那么就自己發(fā)掘這些數(shù)據(jù)的價值。早期的時候，大家都不太知道這些數(shù)據(jù)具體有什么價值，需要用起來才能慢慢發(fā)現(xiàn)價值。主機廠可以把數(shù)據(jù)先給供應(yīng)商使用，同時自己留存一份，供應(yīng)商發(fā)掘出數(shù)據(jù)的價值之后再回饋主機廠。
現(xiàn)在有的主機廠會要求供應(yīng)商在sop之后仍能持續(xù)地幫助他們迭代軟件，而供應(yīng)商也可以以此為契機獲得數(shù)據(jù)，如此一來主機廠和供應(yīng)商可以實現(xiàn)雙贏。當然了，站在主機廠的角度，目前這種方式仍然存在一些瑕疵，因為供應(yīng)商很難保證迭代后效果一定會變好。主機廠也很難驗證迭代效果，所以主機廠常常反向要求供應(yīng)商開放中間結(jié)果（例如感知目標識別結(jié)果）數(shù)據(jù)的接口，這樣主機廠就可以通過針對中間結(jié)果的統(tǒng)計指標來驗證供應(yīng)商的迭代效果。
目前，主要需要雙方本著互相信任，真誠合作的心態(tài)，主機廠開放數(shù)據(jù)使用權(quán)給供應(yīng)商，然后供應(yīng)商定期更新軟件，并且能看到相應(yīng)的效果，這樣合作就能持續(xù)下去。只是目前這個模式尚未被廣泛接受，因為大家尚未看到明顯的效果。
3.3 數(shù)據(jù)采集會占用系統(tǒng)資源
在量產(chǎn)車上采集數(shù)據(jù)會占用一些系統(tǒng)資源，比如計算、存儲等。理論上，可以假設(shè)計算資源、網(wǎng)絡(luò)帶寬等都不受限制，但在實際落地過程中，如何保證采集數(shù)據(jù)不影響量產(chǎn)車上自動駕駛系統(tǒng)的正常運行，例如，如何不影響自動駕駛系統(tǒng)的延遲等，這是一個需要解決的問題。
當然了，有的公司會在自動駕駛系統(tǒng)不運行的時候再上傳數(shù)據(jù)，這樣就不存在資源占用的問題。但是也有業(yè)內(nèi)人士認為，僅在自動駕駛系統(tǒng)不運行的時候上傳數(shù)據(jù)就會限制數(shù)據(jù)的采集量，現(xiàn)階段還是要盡可能多地采集數(shù)據(jù)。那么，在設(shè)計的時候，就需要考慮到采集數(shù)據(jù)等對自動駕駛系統(tǒng)運行的影響。
3.4 數(shù)據(jù)標注及后續(xù)處理的難度大
據(jù)估計，從量產(chǎn)車回傳數(shù)據(jù)后，單車每日回傳的數(shù)據(jù)量大概為百兆級。研發(fā)階段，車輛總數(shù)可能只有幾十輛或者幾百輛。但是到了量產(chǎn)階段，車輛數(shù)目的量級可以達到上萬、幾十萬甚至更多。那么，量產(chǎn)階段，整個車隊日產(chǎn)生的數(shù)據(jù)量就是很大的數(shù)字。
急劇增加的數(shù)據(jù)量給存儲空間以及數(shù)據(jù)處理的速度都帶來了挑戰(zhàn)。量產(chǎn)之后，數(shù)據(jù)處理的延遲需要和研發(fā)階段保持在同一個量級。但如果底層的基礎(chǔ)設(shè)施跟不上，數(shù)據(jù)處理的延遲就會隨著數(shù)據(jù)量的增長而相應(yīng)地增加，這樣會極大地拖慢研發(fā)流程的進度。對于系統(tǒng)迭代來講，這種效率的降低是不可接受的。
一位業(yè)界專家告訴筆者，“目前，我們還沒有看到哪家公司具備處理量產(chǎn)車上回傳的大規(guī)模數(shù)據(jù)的能力。即使是某家在數(shù)據(jù)閉環(huán)層面做得比較前沿的造車新勢力，即便是每輛量產(chǎn)車每天只回傳5分鐘的數(shù)據(jù)，他們也難以應(yīng)對這樣的數(shù)據(jù)量，因為當前的存儲設(shè)備、文件讀取系統(tǒng)、計算工具等都還無法應(yīng)對極大的數(shù)據(jù)量?！?/p>
要應(yīng)對越來越大的數(shù)據(jù)量，底層的基礎(chǔ)設(shè)施以及平臺的設(shè)計都需要相應(yīng)升級。
工程團隊需要開發(fā)完善的數(shù)據(jù)訪存SDK。由于視覺數(shù)據(jù)、雷達數(shù)據(jù)的文件尺寸都非常大，數(shù)據(jù)的訪問、查詢、跳轉(zhuǎn)、解碼過程都需要效率足夠高，否則會大大拖慢研發(fā)進度。
車端數(shù)據(jù)回傳到云端后，工程團隊需要及時給大量數(shù)據(jù)做好標注。業(yè)界目前會借助預(yù)訓練模型來做輔助標注，但是數(shù)據(jù)量很大時，標注仍然需要很大的工作量。
在做數(shù)據(jù)標注的時候，還需要確保標注結(jié)果的一致性。目前，業(yè)界尚未實現(xiàn)全自動數(shù)據(jù)標注，仍然需要人工完成一部分工作量。在人工操作的時候，如何在數(shù)據(jù)量極大的情況下，保證標注結(jié)果的一致性也是一大挑戰(zhàn)。
此外，自動駕駛相關(guān)的數(shù)據(jù)不僅量大，而且種類龐雜，這也給數(shù)據(jù)處理增加了難度。數(shù)據(jù)類型按照來源劃分包括車輛數(shù)據(jù)、位置數(shù)據(jù)、環(huán)境感知數(shù)據(jù)、應(yīng)用數(shù)據(jù)、個人數(shù)據(jù)等等，按照格式劃分包括結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)的服務(wù)類型又涵蓋文件、對象等，如何統(tǒng)一標準，協(xié)調(diào)不同類型的存儲、訪問接口也是一大難題。
3.5 數(shù)據(jù)驅(qū)動的軟件系統(tǒng)復(fù)雜度高
傳統(tǒng)的V字型開發(fā)模式很難適用于數(shù)據(jù)閉環(huán)。而且，目前行業(yè)中還沒有形成統(tǒng)一的面向高等級自動駕駛的軟件開發(fā)平臺及中間件。
某公司自動駕駛部門的技術(shù)專家告訴筆者，“以數(shù)據(jù)和深度學習模型驅(qū)動的自動駕駛功能迭代體系可以稱之為軟件2.0。在這樣的模式下，整個體系，包括團隊的構(gòu)建、研發(fā)流程、測試方法、工具鏈都是圍繞數(shù)據(jù)構(gòu)建的?！?/p>
在軟件1.0時代，每個人提交了什么代碼，預(yù)期的效果都是很容易評估的。但是，在軟件2.0時代，每個人貢獻的部分對整體效果的影響的衡量難度變大了，而且也很難事先預(yù)期，因為大家相互交流的不再是清晰可見的代碼，而是數(shù)據(jù)以及根據(jù)數(shù)據(jù)更新的模型。
在數(shù)據(jù)量很少的時候，例如我們之前做移動互聯(lián)網(wǎng)應(yīng)用的AI視覺算法，由于數(shù)據(jù)量很少，涉及的視覺模型工程師，大家基本上是Windows或Ubuntu的文件夾各自管理，團隊成員互相之間直接用各種重新命名的文件夾來回傳輸，非常低效進行數(shù)據(jù)交換或合作。
但是涉及到自動駕駛?cè)蝿?wù)時，我們面臨的是幾十萬張圖片，而且是幾百人共同研發(fā)一個系統(tǒng)，每次改動涉及到的的模塊可能都是上百乃至上千。如何評測每個模塊的代碼質(zhì)量，如何檢驗各模塊之間是否有沖突，這些都是較為復(fù)雜的任務(wù)。迄今為止，我認為這套系統(tǒng)仍較為糟糕，工程化部分還不夠成熟。
到了軟件2.0階段，還需要應(yīng)對的問題是：如何衡量新增的數(shù)據(jù)對特定的場景和對全局的影響分別是什么，如何避免基于新增數(shù)據(jù)重新訓練的模型在一些特定任務(wù)上效果變好但總體上效果下降。要解決這些問題，我們需要做單元測試，來檢驗新增部分數(shù)據(jù)后，對我們希望解決的細分場景有沒有幫助以及對全局有沒有幫助。
舉例來講，假如針對某個特定的任務(wù)，原始的數(shù)據(jù)集是2000萬張圖片，然后新增500張圖片，解決這個特定任務(wù)的能力提升了，但有時候這也同時意味著模型在應(yīng)對全局任務(wù)時得分降低。
此外，針對視覺任務(wù)，除了根據(jù)指標來判斷新增數(shù)據(jù)對模型的影響，我們還需要實際去看具體的影響是什么，這樣才能知道優(yōu)化是否符合預(yù)期。僅僅通過指標來看可能會出現(xiàn)雖然指標提升了但實際效果仍然不符合預(yù)期的情況。
我們還需要有一套基礎(chǔ)設(shè)施，來保證每次做的更新是全局最優(yōu)的。這套基礎(chǔ)設(shè)施會涉及到數(shù)據(jù)的管理、訓練的評測等。特斯拉在這個方面是走在行業(yè)前列的，它關(guān)于數(shù)據(jù)驅(qū)動的整條鏈路從一開始的設(shè)計上就是領(lǐng)先全行業(yè)而且從2019到2022年，不需要太大的改變就能支撐產(chǎn)品的迭代。
3.6 模型訓練難度增加
解決了數(shù)據(jù)采集、存儲、標注等問題后，后續(xù)的模型訓練、功能迭代仍然是挑戰(zhàn)。
訓練量產(chǎn)車上回傳的大量數(shù)據(jù)，需要有高效的文件傳輸系統(tǒng)，保證訓練時不被I/O“卡脖子”。
同時，還要有充足的算力。提高算力的方式通常是打造多卡并行的集群，那么，如何在訓練時保持高效的卡間通信來減少數(shù)據(jù)傳輸的延遲從而充分有效地利用每張卡的算力也是需要考慮的問題。
為應(yīng)對模型訓練對算力的需求，有主機廠專門打造了自己的智算中心。然而，打造智算中心的成本很高，對于中小企業(yè)來說，這幾乎是一件不可能的事情。
盡管當前仍存在諸多痛點，但我們?nèi)匀豢梢灶A(yù)期，假以時日，目前存在的問題會被逐個解決。屆時，數(shù)據(jù)閉環(huán)能在量產(chǎn)車上真正落地，在量產(chǎn)車上落地后采集的數(shù)據(jù)將反哺數(shù)據(jù)閉環(huán)系統(tǒng)，推動自動駕駛系統(tǒng)走向更高階。
