大數(shù)據(jù),、人工智能,、云計(jì)算,、物聯(lián)網(wǎng),、移動(dòng)互聯(lián)網(wǎng)風(fēng)起云涌,,各以不同的姿態(tài)殺入并改造著傳統(tǒng)領(lǐng)域,。車聯(lián)網(wǎng)作為物聯(lián)網(wǎng)的一部分,,在傳統(tǒng)汽車上加入其車載智能硬件的端系統(tǒng)、管系統(tǒng)以及云系統(tǒng)的本地或后臺(tái)計(jì)算等,,再結(jié)合著其他技術(shù)方向的發(fā)展成果,,同樣在高歌猛進(jìn)。
目前國內(nèi)ADAS智能硬件產(chǎn)品發(fā)展如火如荼,,無人駕駛的L2,、L3等級(jí)的演示產(chǎn)品也屢見不鮮,我們結(jié)合其形態(tài)特征簡單看車載智能硬件及車聯(lián)網(wǎng)產(chǎn)品的發(fā)展趨勢,。
一,、硬件篇(CPU):
車載智能終端的CPU需要滿足車規(guī)要求,Qualcomm,、nVidia,、Infineon等都推出了各自車規(guī)級(jí)芯片,這是物理層最直接的需求,。另一方面,,為更高的工作效果,硬件層面上直接適配算法需求的新型芯片也是各家積極努力的方向,,都在其上演示這各自有獨(dú)自特色的算法demo,。但ARM架構(gòu)的主流CPU的最高主頻近年發(fā)展有限,一直停留在3GHz以內(nèi),,不像硬盤存儲(chǔ)速度,、網(wǎng)絡(luò)帶寬等過去幾年已然成倍上升。有限的主頻,,限制了算法或者還有操作系統(tǒng)無限橫向拓展的可能性,,而網(wǎng)絡(luò)的高速卻反過來給終端處理帶來了后臺(tái)在線實(shí)時(shí)處理的可能,不必限于離線下的端系統(tǒng),、管系統(tǒng)運(yùn)算,,可節(jié)省本地離線計(jì)算時(shí)CPU的壓力。
二,、操作系統(tǒng):
實(shí)時(shí)性嵌入式操作系統(tǒng)的需求勢在必行,。可靠性,、處理能力的穩(wěn)定性,、功耗低是必須的。車載環(huán)境的復(fù)雜(機(jī)械振動(dòng),、EMI,、高低溫、實(shí)時(shí)工況的高速傳輸以及復(fù)雜性等)以及整車測試的嚴(yán)酷讓汽車電子產(chǎn)品的由原來頭腦簡單的處理邏輯走向復(fù)雜算法的智能硬件的系統(tǒng)平臺(tái)時(shí),,經(jīng)歷著嚴(yán)酷考驗(yàn),。而作為處理結(jié)果輸出的實(shí)時(shí)性就要求首先系統(tǒng)的時(shí)延必須足夠小到毫秒級(jí),。原先汽車電子設(shè)備各控制單元ECU是沒有系統(tǒng)的單片機(jī)嵌入式方案尚能表現(xiàn)良好,但已然不能滿足日益增長的大批量任務(wù)的對(duì)操作系統(tǒng)需求,,但有了操作系統(tǒng),,卻對(duì)時(shí)延提出了對(duì)應(yīng)的要求。
三,、終端算法篇:
基于視覺的或雷達(dá)的ADAS算法,,或者涉及執(zhí)行層面的無人駕駛更高Level的融合算法以及控制策略等本就是智能終端的核心所在。無數(shù)的模型訓(xùn)練,、樣本積累只為更高效有用的算法庫,。深度學(xué)習(xí)(deeplearning)深入人工智能各個(gè)領(lǐng)域,也為車載算法帶來新的發(fā)展思路,。甚或認(rèn)為基于視覺的ADAS能超越mobileye也就在此了——因?yàn)楫?dāng)硬件,、軟件、數(shù)據(jù)源的技術(shù)積累已然落后,,借助新工具做新角度的挖掘也許是個(gè)方向,。
而從本地與在線計(jì)算來說,算法本地運(yùn)算的好處在于實(shí)時(shí),,不需要網(wǎng)絡(luò)環(huán)境,可以自在自為,,獨(dú)立工作于各種場景,,雖然好壞不定,但沒有聯(lián)網(wǎng)過程中的種種可能不確定性導(dǎo)致的工作不可評(píng)估,。在線的好處是有強(qiáng)大的后臺(tái)做背景依靠,,除了縱向深入計(jì)算,甚至可以橫向比較,,用平行的大量數(shù)據(jù)帶來統(tǒng)計(jì)上處理意見,,是本地運(yùn)算的單一設(shè)備所不具備的,可以從系統(tǒng)走向系綜,。
四,、網(wǎng)絡(luò)篇:
作為出行的基本需求,一臺(tái)車輛是否開始出門行駛難道要依賴于其他車輛的行駛狀態(tài),? 單一車輛本就應(yīng)該是自由而獨(dú)立的存在,。但是在必須依賴道路路況、交通環(huán)境下才可能有正常的駕駛行為時(shí),,我們才發(fā)現(xiàn)原來V2I,,V2V早就是客觀的存在,只是大家不知道將它們放到一個(gè)網(wǎng)絡(luò)環(huán)境里來進(jìn)行主動(dòng)干預(yù),、集體控制而已,。Telematics是簡單的對(duì)單車的作用,,V2X是在復(fù)雜交通下無人駕駛的需求。
目前的智能硬件聯(lián)網(wǎng)可以面向云端做更大的數(shù)據(jù)雙向交流,,這是移動(dòng)互聯(lián)網(wǎng)的范疇,。而本地算法對(duì)局部環(huán)境的需求可能要大于對(duì)移動(dòng)互聯(lián)的需求,也因?yàn)樵谝苿?dòng)互聯(lián)基礎(chǔ)上的局部交流可能的時(shí)效性以及穩(wěn)定性還不及局域網(wǎng)絡(luò),。從無人駕駛的需求角度說,,高精度地圖需求的路線是移動(dòng)互聯(lián)數(shù)據(jù),只是更加實(shí)時(shí)準(zhǔn)確,;V2X更強(qiáng)調(diào)局域網(wǎng)絡(luò)環(huán)境,,可以實(shí)現(xiàn)本地局部小環(huán)境的互聯(lián),比單車的傳感范圍大,,但不必整個(gè)全局網(wǎng)絡(luò),。由此需求而衍生的通訊協(xié)議如LTE-V、DSRC等也是一直在移動(dòng)運(yùn)營商與汽車主機(jī)廠的不同角度的優(yōu)劣爭論中,。
五,、大數(shù)據(jù)的應(yīng)用:
云計(jì)算平臺(tái)上的大數(shù)據(jù)更多反映數(shù)據(jù)并行處理的分類、存儲(chǔ),、查詢等操作行為,,偏向數(shù)據(jù)處理方式。但對(duì)于數(shù)據(jù)內(nèi)容的分析挖掘,,發(fā)現(xiàn)數(shù)據(jù)內(nèi)容的本身價(jià)值,,確是云系統(tǒng)上收集數(shù)據(jù)后所要做到的輸出。像智能家居,、或航空發(fā)動(dòng)機(jī)以及飛機(jī)整機(jī)收集數(shù)據(jù)后后臺(tái)直接診斷一樣,,ADAS的車聯(lián)網(wǎng)系統(tǒng),除了像傳統(tǒng)的OBD端子或T-BOX等telematics產(chǎn)品主要直接采集上傳實(shí)時(shí)車況信息,,更多可以分析路況,、駕駛場景等特征,以處理結(jié)果提取上傳,,增加了信息來源的維度,,數(shù)據(jù)量與分析內(nèi)容也發(fā)生了量變到質(zhì)變。另外由于網(wǎng)絡(luò)的雙向傳輸,,除了原有的手機(jī)APP可以通過網(wǎng)絡(luò)基于CAN BUS對(duì)車輛可以遠(yuǎn)程控制,,更有可能將LBS的各種信息(天氣、交通路況等)結(jié)合車況,、智能硬件狀態(tài)診斷等傳到本地,,用于進(jìn)行整個(gè)車輛狀態(tài)設(shè)置與駕駛行為設(shè)置或建議等。
六,、與車的關(guān)系:
當(dāng)車與外部,、與局部環(huán)境的互聯(lián)發(fā)展后,,回頭看才發(fā)現(xiàn)車內(nèi)電子設(shè)備的聯(lián)網(wǎng)技術(shù)還一直處在對(duì)現(xiàn)有CAN BUS的突破中,雖然以太網(wǎng)取代CAN BUS在車內(nèi)進(jìn)行各器件互聯(lián)已有Tesla在實(shí)踐中先行,,但在行業(yè)內(nèi)整體的突破卻還未到來,。車載智能硬件還都是強(qiáng)行加入到現(xiàn)有車輛各電子設(shè)備中的另一個(gè)元器件存在,參與了CAN BUS的網(wǎng)絡(luò)卻深受傳輸數(shù)據(jù)量級(jí)不對(duì)等,、傳輸效率不高等困擾,。當(dāng)整車總線網(wǎng)絡(luò)能夠?qū)崿F(xiàn)到以太網(wǎng)或類似網(wǎng)絡(luò)的傳輸水平,智能終端也就能自由表現(xiàn)到與ESP,、EPS,、BCU等傳統(tǒng)控制單元同等水平的一個(gè)終端存在;同時(shí)反過來,,傳統(tǒng)控制單元的數(shù)據(jù)形式與內(nèi)容將可以實(shí)現(xiàn)在新總線網(wǎng)絡(luò)上有新的規(guī)劃,,以便已完成更深的分析、交互以及協(xié)同控制等,。
七,、與萬物的關(guān)系:
車聯(lián)網(wǎng)作為IoT的一部分,自然可以期待在車聯(lián)之外對(duì)其他事物的互聯(lián),。除了利用其他事物的信息,,其本身聯(lián)系的基礎(chǔ)還在于智能硬件識(shí)別的數(shù)據(jù)可以滿足另外事物的需求。像傳統(tǒng)的有些telematics設(shè)備在發(fā)生事故進(jìn)行報(bào)警后可以貢獻(xiàn)對(duì)交通路況的判斷,,以及車輛GPS位置實(shí)時(shí)數(shù)據(jù)信息對(duì)道路紅綠燈設(shè)置的作用已經(jīng)是經(jīng)常被提及的了,。從視頻方面說,最直接原始的就是DVR視頻對(duì)于事故等還原的作用,。
事上實(shí)基于視覺ADAS的分析結(jié)果,還可以挖掘的更多,。比如交通事故中肇事車輛的車速判斷,,除了路段上的測速裝置、事故車輛自身若干電子器件的ECU中會(huì)有記錄,,如果二者皆無,,基于相關(guān)視頻的分析出的可以認(rèn)為是獨(dú)立的信息來源。實(shí)現(xiàn)方式可以是事故中車輛的前后左右攝像頭視頻,,也可以是基于聯(lián)網(wǎng)數(shù)據(jù)尋找在當(dāng)時(shí)當(dāng)?shù)氐耐緩杰囕v上的視頻,。另一個(gè)例子可能更能體現(xiàn)車輛天生的在行駛中的特性與智能硬件分析結(jié)果的聯(lián)合作用。傳統(tǒng)地圖的數(shù)據(jù)采集有一部分實(shí)現(xiàn)方式就是用實(shí)車加上較高成本的專業(yè)數(shù)據(jù)采集裝置在陌生路段或更新路段進(jìn)行實(shí)地采集,,但此方式也很難全面覆蓋到較偏僻但對(duì)其數(shù)據(jù)有需求的路段,。基于有車輛行駛經(jīng)過此路段時(shí)的GPS數(shù)據(jù)信息那只是單純路線信息,,但基于ADAS視頻識(shí)別卻可以是車道線,、路牌,、紅綠燈等交通信息的識(shí)別結(jié)果。在聯(lián)網(wǎng)的基礎(chǔ)上,,低成本的智能終端與有選擇性的當(dāng)?shù)剀囕v結(jié)合作為采集源可以更高效地進(jìn)行基礎(chǔ)地圖數(shù)據(jù)收集,。
結(jié)語:
作為手機(jī)之后最被看好的網(wǎng)絡(luò)服務(wù)新載體,車輛承擔(dān)著開拓新的服務(wù)形式與內(nèi)容的重要使命,。移動(dòng)互聯(lián)網(wǎng),、物聯(lián)網(wǎng)賦予其聯(lián)網(wǎng)特性,人工智能賦予其邁向無人駕駛的可能性,,兩個(gè)方向都帶來了其本身大數(shù)據(jù)的產(chǎn)生與其對(duì)大數(shù)據(jù)的需求,。目前的智能硬件以及其對(duì)關(guān)聯(lián)的車聯(lián)網(wǎng)都還可以認(rèn)為處在初級(jí)階段,完成傳統(tǒng)改造以及新功能,、新內(nèi)容增加的車將會(huì)是個(gè)怎樣豐富多彩的存在,,我們在實(shí)踐中期待。