新背景下的全棧

自動(dòng)駕駛?cè)珬＃粋€(gè)狹義的解讀就是：高精地圖、定位、融合、決策、控制都懂的人。在強(qiáng)調(diào)算法/功能的早期階段，是比較common sense的。但隨著量產(chǎn)的節(jié)奏越來(lái)越近，只提供純算法解決方案已不能滿(mǎn)足需求。

回過(guò)頭看，狹義的解讀圍繞的只是“大系統(tǒng)”中的一個(gè)核心模塊：ads core。一個(gè)更廣義的“自動(dòng)駕駛?cè)珬?rdquo;，則涵蓋了更多非功能的模塊/服務(wù)，自動(dòng)駕駛仿真會(huì)覆蓋一些非核心模塊，是比較合適切入“自動(dòng)駕駛?cè)珬?rdquo;的節(jié)點(diǎn)。

新背景下的自動(dòng)駕駛仿真“后臺(tái)”

一些大廠(chǎng)的自動(dòng)駕駛仿真后臺(tái)在做什么？為什么大廠(chǎng)都會(huì)嘗試切入自動(dòng)駕駛仿真后臺(tái)？各家服務(wù)的區(qū)別點(diǎn)在哪里？

騰訊
·  數(shù)據(jù)采集
·  數(shù)據(jù)管理， 定義數(shù)據(jù)接口，數(shù)據(jù)dashboard，同時(shí)接入騰訊云(存儲(chǔ)/計(jì)算)
·  數(shù)據(jù)應(yīng)用，數(shù)據(jù)診斷、 ads core迭代
·  回歸測(cè)試，數(shù)據(jù)注入仿真引擎
·  仿真kpi

cognata/經(jīng)緯恒潤(rùn)
·  場(chǎng)景庫(kù), 在線(xiàn)編輯、第三方導(dǎo)入
·  仿真引擎，包括場(chǎng)景生成、交通流、傳感器模型、車(chē)輛動(dòng)力學(xué)模型、仿真評(píng)價(jià)系統(tǒng)。實(shí)現(xiàn)熱插拔，所述模塊都可以通過(guò)sdk導(dǎo)入引擎，配置非常靈活，配置ui也非常美觀(guān)。單從用戶(hù)操作上，是體驗(yàn)和設(shè)計(jì)感最好的一款吧。
·  數(shù)據(jù)kpi分析

百度
·  vehicle log
·  場(chǎng)景集合，實(shí)現(xiàn)場(chǎng)景重現(xiàn)、動(dòng)態(tài)參與物、自車(chē)manuver提取
·  仿真引擎，基本模塊都類(lèi)似，也定義了自己的場(chǎng)景評(píng)價(jià)系統(tǒng)。分別對(duì)理想完美仿真和真實(shí)數(shù)據(jù)回放定義了：worldsim，logsim。是國(guó)內(nèi)有產(chǎn)品也有工具鏈的團(tuán)隊(duì)。主觀(guān)感受比騰訊靠譜。

華為
·  數(shù)據(jù)采集，華為的（tbox)硬件方案
·  數(shù)據(jù)傳輸, 華為的5g車(chē)路協(xié)同網(wǎng)絡(luò)
·  數(shù)據(jù)處理
·  dashboard， 定義 corner case, 場(chǎng)景統(tǒng)計(jì)，回放等功能
·  數(shù)據(jù)接口，可以接AI訓(xùn)練、仿真、以及第三方(政府、保險(xiǎn))等

如上，百度、華為、騰訊，還有阿里、滴滴、美團(tuán)等，大廠(chǎng)都較快的基于其”大后臺(tái)“去構(gòu)建/拓展了自動(dòng)駕駛仿真流程。大廠(chǎng)的優(yōu)勢(shì)是，軟件棧，包括中間件、大數(shù)據(jù)、AI等棧都是ready-to-go的，云服務(wù)也是成熟的。而且大廠(chǎng)都有意識(shí)打通各個(gè)業(yè)務(wù)模塊(AI、算法模型、仿真等），沒(méi)有孤島。其實(shí)想想，騰訊沒(méi)幾輛自動(dòng)駕駛車(chē)，可以快速推出一套自動(dòng)駕駛仿真PaaS，可想其中多少是源自自動(dòng)駕駛業(yè)務(wù)需求，而多少是源自騰訊在游戲領(lǐng)域的積累和成熟。

各家的仿真PaaS所提供的服務(wù)/功能都很類(lèi)似。最定制化的細(xì)節(jié)，都是在業(yè)務(wù)中反復(fù)實(shí)踐出來(lái)的。傳統(tǒng)汽車(chē)主機(jī)廠(chǎng)，缺乏成熟可用的”大后臺(tái)“積累，各個(gè)組件相對(duì)孤立的。一方面是可以考慮購(gòu)買(mǎi)大廠(chǎng)基于自家公有云的PaaS服務(wù)，但難免跟原來(lái)的開(kāi)發(fā)實(shí)踐不能很好的融合。引入了一些新問(wèn)題。另外，就是迅速轉(zhuǎn)變，提高自己“大后臺(tái)”構(gòu)建的能力。

我們需要什么技術(shù)棧

大廠(chǎng)里面對(duì)“大后臺(tái)”有不少成熟的實(shí)踐了。諸如，微服務(wù)，DevOps。各家也有不少開(kāi)源的框架、中間件。下面可以從自動(dòng)駕駛仿真的幾個(gè)環(huán)境，簡(jiǎn)單總結(jié)下所依賴(lài)的技術(shù)棧。

場(chǎng)景庫(kù)

真實(shí)數(shù)據(jù)在自動(dòng)駕駛領(lǐng)域場(chǎng)景的使用包括：數(shù)據(jù)服務(wù)，包括大數(shù)據(jù)挖掘、傳感器驗(yàn)證、數(shù)據(jù)診斷等；仿真服務(wù)，生成場(chǎng)景，即建立場(chǎng)景庫(kù)；AI訓(xùn)練

對(duì)于生成場(chǎng)景，技術(shù)棧主要圍繞真實(shí)數(shù)據(jù)解構(gòu)展開(kāi)，包括清洗、分類(lèi)、標(biāo)簽、入庫(kù)、檢索、回放、數(shù)據(jù)可視化、數(shù)據(jù)資源url訪(fǎng)問(wèn)、真值系統(tǒng)計(jì)算等。

需求層面的細(xì)節(jié)問(wèn)題較多，諸如，數(shù)據(jù)如何采集、采集車(chē)隊(duì)管理監(jiān)控、數(shù)據(jù)如何回傳本地?cái)?shù)據(jù)中心/遠(yuǎn)程數(shù)據(jù)中心、數(shù)據(jù)格式、存儲(chǔ)系統(tǒng)(nfs, ceph, s3)、數(shù)據(jù)備份恢復(fù)、數(shù)據(jù)安全等。

也有一些很大廠(chǎng)的技術(shù)實(shí)踐：大規(guī)模圖片數(shù)據(jù)分布式存取的緩存設(shè)計(jì)，大數(shù)據(jù)io的批處理設(shè)計(jì)，基于AI的場(chǎng)景推理/提取/生成等技術(shù)(roman roads)。

實(shí)現(xiàn)上述場(chǎng)景業(yè)務(wù)需要的“大后臺(tái)”包括：分布式數(shù)據(jù)存儲(chǔ)訪(fǎng)問(wèn)、數(shù)據(jù)庫(kù)、web服務(wù)開(kāi)發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)接口設(shè)計(jì)、服務(wù)監(jiān)控管理、包括分布式運(yùn)維等。

仿真引擎

引擎的開(kāi)發(fā)，在前面提到了很多，cognata的實(shí)踐是很好的參考。需要強(qiáng)調(diào)，仿真引擎的評(píng)價(jià)能力，尤其對(duì)于自動(dòng)化測(cè)試，非常需要；sdk接口的設(shè)計(jì)，對(duì)ads core一般采用ros協(xié)議，對(duì)第三方動(dòng)力學(xué)一般采用fmi；對(duì)數(shù)據(jù)注入的支持，也逐漸成為考量仿真引擎的指標(biāo)。

還有一類(lèi)仿真引擎，更像是數(shù)據(jù)批處理業(yè)務(wù)：數(shù)據(jù)回放，然后分析，統(tǒng)計(jì)。

這些業(yè)務(wù)需要的“大后臺(tái)”包括：分布式DevOps, docker 化，運(yùn)行管理k8s、工作狀態(tài)監(jiān)控、任務(wù)/消息隊(duì)列、配置管理、數(shù)據(jù)接口、通信協(xié)議、數(shù)據(jù)流業(yè)務(wù)緩存、批處理等。

KPI

數(shù)據(jù)呈現(xiàn)、回放、問(wèn)題診斷、corner case分析提取、評(píng)價(jià)指標(biāo)統(tǒng)計(jì)等。需要的“大后臺(tái)”包括：大數(shù)據(jù)套件、數(shù)據(jù)可視化套件等。

開(kāi)發(fā)階段。在傳統(tǒng)主機(jī)廠(chǎng)的v-型開(kāi)發(fā)思路下，引入一些agile的思想：快速迭代，持續(xù)集成，持續(xù)部署。采用gitlab/jekins/jira等DevOps生態(tài)，打通生產(chǎn)環(huán)境中的各個(gè)節(jié)點(diǎn)。通過(guò)快速試錯(cuò)，小步快跑，最終給用戶(hù)提供持續(xù)的小驚喜。特斯拉就是這樣子嘛。當(dāng)然，最難的是改變團(tuán)隊(duì)的文化。扁平化管理、提高個(gè)人主觀(guān)能動(dòng)性、提倡分享、充分信任等等。

量產(chǎn)階段。在量產(chǎn)階段，需要的“后臺(tái)”是車(chē)-云方案。仍然要解決：車(chē)端數(shù)據(jù)收集、數(shù)據(jù)診斷、系統(tǒng)(仿真)驗(yàn)證等，在研發(fā)階段的數(shù)據(jù)鏈路，仍然是有效的。但是，規(guī)模成本、系統(tǒng)穩(wěn)定性、用戶(hù)可用性等因素也必將考量，需要更深的后臺(tái)技術(shù)棧。

總結(jié)

從“狹義全棧“自動(dòng)駕駛到“廣義全棧”，圍繞核心功能模塊，拓展了更多外圍非功能模塊/服務(wù)。強(qiáng)調(diào)“大后臺(tái)”并不是簡(jiǎn)單的邯鄲學(xué)步：把互聯(lián)網(wǎng)的成熟經(jīng)驗(yàn)簡(jiǎn)單套用到自動(dòng)駕駛的開(kāi)發(fā)運(yùn)維上。而是自動(dòng)駕駛發(fā)展到了一個(gè)需要全盤(pán)規(guī)劃非功能性業(yè)務(wù)的階段了。在當(dāng)今的微服務(wù)架構(gòu)下，強(qiáng)調(diào)可用性，高拓展性，這樣的推進(jìn)是自然又必然的。另外，數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)駕駛隊(duì)伍，也會(huì)越來(lái)越加強(qiáng)“后臺(tái)”的建設(shè)。