胡偉懿
戴爾易安信中國研發(fā)集團非結構化數(shù)據(jù)部門全球汽車解決方案架構師，著力于幫助全球客戶設計和咨詢ADAS和自動駕駛解決方案的基礎架構。
最近幾年，自動駕駛車一直是傳統(tǒng)汽車廠商、一級零配件供應商孜孜探索的領域，也是包括IT公司和互聯(lián)網(wǎng)公司在內都很關注的風口。
雖然大家一直都在討論這個熱點，但是關于“自動駕駛何時能量產?全自動駕駛什么時候實現(xiàn)?”說了這么多年，似乎依然是個未知數(shù)。
有人說：“自動駕駛汽車是活在夢里，不可能實現(xiàn)。”
如果說的這個人是按照L5級別來要求的話，那確實還有很長的路要走，因為今天關于完全自動駕駛汽車還存在許多爭議，不僅是技術上的，還包括法律、倫理等方面的界定。
但羅馬不是一天建成，飯也不是一口吃大，如果我們適當降低標準，以有限的自動駕駛來看，比如L2-L3級別，那么我們已經看到有很多公司在這樣做，而且已經離我們很近了。
說到這兒，也許你還有點云里霧里：“L2、L5這些術語代表什么?”
為了方便您了解自動駕駛汽車，我們先來一個簡單科普。
1什么是自動駕駛?
有關自動駕駛，美國汽車工程師協(xié)會(SAE)已經對其技術定義了六級自動化級別。
從圖中可以看到，L2級和L3級之間有條分界線：L2級及以下，由駕駛員主導監(jiān)視環(huán)境;L3級及以上，由系統(tǒng)監(jiān)視環(huán)境。
所以，可以說L2級到L3級是一個明顯的分界點——從ADAS(高級輔助駕駛)向AD(自動駕駛)過渡。
通俗來講，L3級以下和L3級以上最大區(qū)別就是，汽車能否像人一樣感知周圍環(huán)境并做出決策。
而在現(xiàn)階段，L5級存在著巨大爭議，盡管很多創(chuàng)業(yè)公司、IT公司以及車企都把L5視作終極目標，但無論是法律、法規(guī)方面的阻礙，還是技術成熟度上的局限，都使人們意識到實現(xiàn)L5還需要很長時間。
所以在現(xiàn)階段的市場上，大多數(shù)傳統(tǒng)車企更著力于研發(fā)L2/L3級別的自動駕駛技術，并行研究封閉場景內的L4級自動駕駛系統(tǒng)。
2實現(xiàn)自動駕駛的難點在哪?
那么，當前階段實現(xiàn)自動駕駛的難點在哪呢?
這里我們就要討論自動駕駛的三大要素——感知層、決策層和執(zhí)行層。
●自動駕駛的三大要素●
感知層
相當于駕駛員的眼睛和耳朵，由各種各樣的傳感器來完成對外部環(huán)境的判斷和識別。
考慮到復雜的外界場景，多傳感器的融合技術是一個趨勢。目前主流的有兩套傳感器系統(tǒng)，一套以雷達和攝像頭為主的感知系統(tǒng)，和一套以激光雷達為主的感知系統(tǒng)，兩套系統(tǒng)互為備份提供冗余性、覆蓋范圍和精度上的需求。
決策層
相當于駕駛員的大腦，通過控制器對環(huán)境的認知以及路徑規(guī)劃進行決策判斷。
L2級別以下的ADAS系統(tǒng)，主要對傳感器收集的數(shù)據(jù)進行篩選和分析;而L3級別以上，需要系統(tǒng)對環(huán)境進行認知，參與到路徑規(guī)劃和決策判斷中來。
在此場景下，深度學習算法、大量算力以及存儲海量數(shù)據(jù)的價值就凸顯出來了，決策層的關鍵點就在于車載芯片和算法。
執(zhí)行層
相當于駕駛員的手和腳，來完成車輛制動、轉向和驅動。
自動駕駛的算法和芯片依賴于機械特性強有力的執(zhí)行來完成決策層的指令，包括以電機為核心驅動的電子轉向和電子制動等核心部件。
在自動駕駛場景下，有關制動系統(tǒng)的要求會更高，自動駕駛需要更快地線控車輛系統(tǒng)，包括電子油門、線控轉向以及電子機械制動系統(tǒng)。
這三個要素中，每個要素都至關重要，缺一不可。
其中，核心決策層的研發(fā)尤為關鍵。
傳感器和執(zhí)行層，可以配置多套冗余系統(tǒng)進行保護。但是決策層的核心算法如何保證可靠性和安全性，是自動駕駛研發(fā)中最為關鍵的核心討論點。
很多IT跨國公司、車企、創(chuàng)業(yè)者都把目光聚焦到這個核心算法領域。
3自動駕駛行業(yè)格局
最近，資訊機構Navigant Research公布了2019自動駕駛領導力排行榜，谷歌母公司Alphabet旗下的Waymo公司拔得頭籌。
至于評判標準，是根據(jù)每家公司在「愿景」、「商業(yè)化策略」、「合作方」、「量產計劃」、「技術」以及「產品持久力」這幾個方面的綜合表現(xiàn)進行打分排名。
來源：Navigant Research
Waymo從2018年的第七位一躍成為今年的第一，從去年開始的大規(guī)模商業(yè)化試運營應該是其領先的重要原因。
既然決策層對于自動駕駛技術如此重要，難道一馬當先的Waymo公司背后，都是算法工程師嗎?
數(shù)字媒體公司The Information對Waymo的組織架構進行了梳理。
在Waymo的950名員工中，工程研發(fā)團隊一共610人，其中340人屬于軟件團隊，260人屬于硬件工程團隊。而在340人的軟件團隊中，劃分是這樣的：
從軟件團隊的人員結構可以看出，Waymo最重視基礎架構，研發(fā)自動駕駛主要依靠的是基礎架構設施。這是因為，無論是深度學習還是仿真驗證，都需要大量的IT基礎架構提供支持。
4 Waymo為何重視IT基礎架構?
為什么基礎架構設施這么關鍵呢?這就要從自動駕駛研發(fā)平臺遇到的一些挑戰(zhàn)說起了。
.ADAS研發(fā)基礎架構挑戰(zhàn)之一：海量非結構化數(shù)據(jù)
ADAS/AD的研發(fā)需要基礎架構提供海量數(shù)據(jù)和高帶寬的性能。傳感器的數(shù)據(jù)大多是非結構化數(shù)據(jù)，以圖像、視頻、點云文件、日志文件為主。面對不同的SAE級別，數(shù)據(jù)量的要求如下：
· L2級別的ADAS系統(tǒng)，需要4-10PB的數(shù)據(jù)和1,000-5,000核的計算資源;
· L3級別的ADAS系統(tǒng)，需要50-100PB的海量數(shù)據(jù)和5,000-25,000核的計算資源;
· 到了L5級別實現(xiàn)完全自動駕駛，需要超過2EB級別的數(shù)據(jù)量。如果按照1TB的硬盤來計算的話，2EB的數(shù)據(jù)量相當于200萬個1TB的移動硬盤。
Q為什么需要這么多數(shù)據(jù)?
因為要訓練和測試足夠多的復雜場景。
Waymo首席科學家DargoAnguelov在MIT的深度學習課程中第一次分享了自動駕駛研發(fā)遇到的一些挑戰(zhàn)和最佳實踐。
其中有幾個比較有趣的場景。
來源：Waymo
左圖一有幾個行人背著木板在行走，圖二是一個鏡面反射問題，圖三是一個人在騎馬。在這樣的場景下，深度學習如何更好地判斷周圍環(huán)境，不僅僅要求算法對物體進行識別，更要求識別復雜場景的能力。
Q面對這樣的復雜場景，如何保證算法的可靠性呢?
使用大量標注過的數(shù)據(jù)對深度學習網(wǎng)絡進行監(jiān)督訓練，使得物體感知甚至到對于復雜場景的識別成為可能，這些技術在Waymo自動駕駛研發(fā)過程中得到了大規(guī)模的應用。
Dargo也提出，隨著Waymo采集數(shù)據(jù)的場景增多，深度學習的算法也有了更頻繁的用處。
有了這么多數(shù)據(jù)，如何對其進行管理?如何保證持續(xù)增長的數(shù)據(jù)量能夠被研發(fā)團隊最高效地使用?
這就是IT技術架構能為ADAS/AD提供的核心競爭力。
來源：Waymo
Q研發(fā)基礎架構挑戰(zhàn)之二——高性能和高帶寬的要求
眾所周知，深度學習需要對數(shù)據(jù)進行訓練，而且是多次重復調參的訓練。
要實現(xiàn)成熟的模型算法，僅有算法和數(shù)據(jù)是不夠的，更重要的要達到大量的算力性能要求，一個深度學習模型需要經過多少次計算才能完成一次前饋啊!
除了大量GPU算力要求，我們還需要利用大量高帶寬性能讀取真實環(huán)境數(shù)據(jù)，以進行仿真測試。Waymo研發(fā)部門每天會進行大量的仿真測試，回放真實采集的環(huán)境數(shù)據(jù)，24×7地進行仿真測試，驗證算法的可靠性，確保系統(tǒng)的準確性。
這些真實環(huán)境數(shù)據(jù)每天都會被分類成不同的場景，從存儲中高帶寬地讀取到HPC服務器上，進行大量的仿真測試。
除了軟件在環(huán)(SiL)，還有硬件在環(huán)的仿真測試。將真實的車載硬件設備加載算法，回放數(shù)據(jù)，進行硬件在環(huán)的仿真測試。
硬件在環(huán)測試平臺(HiL)對于數(shù)據(jù)讀取的延遲要求非常高，需要在數(shù)百納秒和數(shù)微秒之間。如此小的延遲讓硬件在環(huán)仿真的實現(xiàn)變得非常具有挑戰(zhàn)性，也很難將仿真測試放到公有云上來實現(xiàn)。
在我們看到的仿真測試場景中，存儲帶寬要求竟高達800GB/s，這是因為研發(fā)團隊需要對數(shù)據(jù)進行并發(fā)讀取和回寫，才能保證研發(fā)周期。
來源：Waymo
Q研發(fā)基礎架構挑戰(zhàn)之三—— 長期歸檔
自動駕駛汽車對安全性要求非常嚴苛，大多數(shù)汽車制造商不僅要求工程數(shù)據(jù)必須保留幾十年，還要求在必要的時候，數(shù)據(jù)可以隨時恢復到生產環(huán)境。
例如，ADAS系統(tǒng)更新、涉及法律訴訟甚至是召回問題，制造商可以按需獲取所需數(shù)據(jù)，以確定責任劃分。
因此，這些汽車制造商都要求在幾天內可以快速恢復PB級別的模擬環(huán)境數(shù)據(jù)。此時，傳統(tǒng)的磁帶存儲歸檔顯然無法勝任，因為數(shù)據(jù)無法在所需時間內恢復，同時也不太可靠。
同樣地，云存儲也無法滿足自動駕駛的歸檔條件。盡管云存儲提供了廉價的對象存儲，但是在如此巨大的規(guī)模上，數(shù)據(jù)上云的成本就令人望而卻步了。
5 戴爾易安信幫助客戶加速ADAS和自動駕駛創(chuàng)新
面對如此復雜的基礎架構要求，突破傳統(tǒng)的存儲架構將變得非常必要。
ADAS驗證體系結構需要面向未來，這對存儲系統(tǒng)提出以下要求：
· 能夠保存海量非結構化的大數(shù)據(jù)系統(tǒng);
· 無縫擴展?jié)M足PB級別的數(shù)據(jù)需求;
· 提供深度學習和數(shù)據(jù)準備中數(shù)據(jù)處理的計算性能需求;
· 滿足AI和仿真測試的高帶寬技術，幫助客戶從數(shù)據(jù)中挖掘更多商業(yè)價值。
針對這一系列的要求，戴爾易安信有能力為客戶提供一個完整的端到端的ADAS研發(fā)解決方案：
從邊緣計算到核心數(shù)據(jù)中心的數(shù)據(jù)湖、戴爾易安信完整的網(wǎng)絡資源、整合的AI就緒一體機解決方案、仿真平臺和代碼管理的CI/CD平臺、VMware和VxRail的虛擬桌面平臺以及針對ADAS研發(fā)的元數(shù)據(jù)管理平臺，戴爾易安信可以為提供客戶一個完整的端到端的解決方案來加速ADAS研發(fā)。
其中，戴爾易安信在業(yè)界處于領先地位的非結構化數(shù)據(jù)存儲系統(tǒng)——Isilon，能夠充分滿足ADAS研發(fā)的基礎架構需求。
針對海量非結構化數(shù)據(jù)存儲，Isilon可在單個文件系統(tǒng)中將容量從TB級別擴展到PB級別，容量可以在幾分鐘內添加到現(xiàn)在的Isilon文件系統(tǒng)中，沒有停機時間，不會中斷數(shù)據(jù)可用性，也不會降低性能。
對于高帶寬性能需求，在Isilon的橫向擴展技術擴展容量的同時，帶寬性能也會實現(xiàn)相應提升，完美滿足了ADAS研發(fā)團隊的需求。
歸檔問題上，Isilon的SmartPool功能能夠支持數(shù)據(jù)分層，這個策略決定的自動分層解決方案可以根據(jù)項目所處的不同階段，將數(shù)據(jù)與最佳價格/性能的存儲層進行匹配，把關鍵熱數(shù)據(jù)保存在性能更高的存儲上，冷數(shù)據(jù)放在更經濟高效、密度更高的歸檔層上。由此滿足自動駕駛相關數(shù)據(jù)的歸檔需要。
Isilon滿足了顛覆性的汽車行業(yè)客戶的研發(fā)需求，同時其高性能、高并發(fā)性和大規(guī)?？蓴U展性得到了客戶認可，幫助其降低了基礎架構的試錯成本，在無人駕駛汽車研發(fā)的進程中發(fā)揮著關鍵作用。
如果你想了解更多關于
自動駕駛汽車領域的最新技術進展
我們誠邀您參加
5月6日-7日的
“AutomotiveTech.AD China”大會
屆時，戴爾易安信將在會上分享
客戶真實案例、具體的技術細節(jié)和完整解決方案
誠邀您的參加!
Automotive Tech.AD China
AutomotiveTech.AD China是亞洲汽車自動化的創(chuàng)新知識交流平臺，會議將有150多位與會者出席，包括工程師、產品經理、高級駕駛員輔助系統(tǒng)(ADAS)專家、車輛控制、動力學底盤系統(tǒng)主管人員、V2X與傳感器融合工程師、軟件開發(fā)人員、機器學習大師級人物、模擬以及功能安全專家等。
在這里，行業(yè)驅動用例、解決方案研究和交互式研討會，將為您提供有關自動駕駛測試和驗證、傳感器融合、深度驅動、操作安全系統(tǒng)、認知載體、軟件架構等方面的深度見解。
加入Tech.AD，了解更多客戶真實案例、具體技術細節(jié)以及完整的戴爾易安信自動駕駛解決方案，報名Tech.AD，一起交流您的自動駕駛路線圖!
時間
2019年5月6日-7日
地點
上海虹橋元一希爾頓酒店
報名方式
長按下方二維碼即可報名
京公網(wǎng)安備 11010502049343號