基础架构
下图为自动驾驶的基础架构图：
下面根据各个模块的内容，逐个分析下有哪些应用场景，为什么我们需要这些系统。
存储
首先我们看下存储，在自动驾驶中如何应用，有哪些应用场景？
- 文件系统
- 数据库
- 数据meta
自动驾驶每天会产生大量的数据，之所以有这么多数据是因为无人车配置了多种传感器，这些传感器包括摄像头，激光雷达，GPS等。每秒钟会生产大量的数据，30分钟的数据量就有几百G，如果是一天的时间一辆车可能就产生几T的数据。由于数据量太大，我们有3种处理方式，第一种，缓存最近2分钟的数据，其他的数据处理完之后丢弃，这也是无人车正常情况下的做法，但是这种场景只适合正常运行的无人车，如果我的需求是采集地图，或者收集训练数据，那么就不太合适了。为了解决上述问题，后面的2种方法就是考虑如何把数据保存下来。第二种，保存到硬盘，之后再回传到数据中心，这种方法是目前普遍的方法，由于磁盘读写速率要求太大，普通的机械硬盘根本满足不了需求，只能采用SSD硬盘，1T的SSD硬盘1200多块钱，还是很烧钱的。最后一种就是通过网络传输，目前4G的网速肯定是支持不了这么大数据的，5G目前看是有可能，但也禁不起这么大流量，合理的做法是小数据通过网络传输，大数据落盘，把车的位置信息通过网络实时回传到数据中心，实现所有无人车的管理，其他的信息落到硬盘，记录运行情况。、
介绍了自动驾驶的数据生产场景，那么再接下来看我们需要什么样的存储，首先我们需要一个分布式的文件系统，大数据时代已经被广泛证明了分布式文件系统的好处，最主要的好处就是容量可以水平扩展，而且可靠性高。这样每天产生的几十T的数据都可以通过分布式文件系统保存下来。
接下来就是数据库的要求，这里主要分析下自动驾驶场景和传统互联网的区别，
- 互联网的数据生产方式是几亿用户，每人产生几条数据，合起来几个T
- 而无人车是一辆车，每天产生几T数据
这里的差别很大。互联网中针对几亿用户，一般是选择key-value结构的数据库，例如Hbase。但是如果把hbase照搬到自动驾驶的场景就很别扭，因为hbase的单条数据最好是10M以内，否则会影响读写性能。这时候有人说我们可以把数据做拆分，把几个T的数据，根据地理位置信息或者时间做拆分，把地理位置信息或者时间作为key，当时的数据作为value，这样就可以实现一条数据很小，拆分成很多key-value的小数据了。
互联网场景下是拿用户的ID作为key，如果同时频繁的命中相邻的ID，被称为单点问题，即容量上不去，每次访问都到一台机器上面去了。而按照地理位置或者时间的方式刚好又导致了这个问题，因为数据读取的时候就是按照地理位置顺序读取的，每次都命中到一台机器，导致整个系统的容量上不去。如果我们把key做哈希散列，把地理位置信息打散，这样容量是提高上去了。而这恰恰又和我们的应用场景有冲突，我们需要的不是高并发读取，即同时几十万的并发，而是一个用户连续读取大量数据，这样反而是单台读取的性能最高，因为会对数据做预取。
另外有一点我认为很重要，就是元数据，元数据是详细数据的数据，比如采集的时间，地点，天气，采集的人，当时的情况等信息，对数据做分类管理。类似你到了一个图书馆，图书馆的书都是按照类目分门别类，然后你找书的时候直接按照索引来找就行了，试想一下，如果你去了一个图书馆，没有分类，书是按照出版时间来放置的，那么让你找一本烹饪类的但是不知道出版时间的书，试问你如何找到呢？由于自动驾驶的数据极其不具备可视化，就是一大堆二进制文件，没有什么可视化的信息。而且自动驾驶的场景多样，路况，时间，天气都不一样，数据量巨大，版本更新快。如果不分门别类，做好信息的meta，那么后面假如你需要找所有下雨天的数据来进行测试，你如何去找呢？还得每个包确认下是否下雨？另一种应用场景就是测试数据的管理，每天测试的大量数据，什么时候因为什么原因接管的，这在后面回归测试和仿真中很关键，如果没有这些meta信息，假如我需要查找所有红绿灯引起的问题，来回归测试，我怎么怎么去查找呢？数据meta对自动驾驶的数据管理尤为关键，甚至目前我觉得自动驾驶只需要数据meta和文件系统就可以了。
计算
有了数据之后，需要计算才能得到结果，这就要用到计算平台。计算可以分为2块，一块是离线计算，一块是在线计算。
离线计算就是数据的处理，这一块应该是可以完全借鉴互联网的分布式计算平台，因为无人车收集的数据需要分类，清洗，以及一些处理。一部分的应用场景是高精度地图的制作，需要把采集到的地理位置信息离线计算生成高精度地图；另一部分的应用场景是离线计算好一些数据给到在线，利用空间换时间。比如planning模块reference line的生成；routing线路事先计算保存；感知的ROI区域；定位的点云数据处理等。主要的需求是能够更快的处理数据，这一部分用spark就可以解决了。
在线计算主要是无人车的实时计算，感知车当前的环境，控制车辆前进。这一部分目前主要是一些异构计算，通用的计算放在CPU上，神经网络的计算放在GPU上，控制部分有单独拿处理器做的，这一块可以参考下博世等厂家。目前看好的趋势是拿FPGA做一些定制的算法开发，好处是比纯软件快，而且灵活，并且FPGA可以和硬件传感器深度定制。比如4路camera，之前遇到一个问题是关于4个camera如何保持同步，即每个摄像头拍照的时间戳如何同步，看起来很难处理，你怎么保证它们同时拍摄呢，其实摄像头有一个trigger功能，即每次拍照类似按下快门，如果每次拍照的时候同时按下4个摄像头的快门，这样就能保证摄像头的同步了，高级点的摄像头都带有这个功能，可以预见FPGA和硬件算法的融合，会在在线计算中扮演越来越重要的角色。在线计算还需要低时延。
基础服务
有了计算和存储，我们可以搭建基础的自动驾驶服务，但是如果要提供更多的服务，我们还需要以下几个部分。
- RPC
- 消息队列
- 配置中心
- 容器
基本就是互联网服务的编排，部署和运维了。主要的应用场景比如打车服务，需要用到微服务架构，需要消息队列，需要配置中心，需要容器编排等等等、
业务场景
上面主要是分享了一下基础的建设，那么如何和业务场景联系呢，我们接下来看目前的一些业务场景：
- 地图服务 - 主要是提供高精度地图服务。
- 人机交互 - 主要是人和车如何交互，如何知道车当前的状态，所处的环境等。比如坐车的时候可以通过界面知道车当前的状态，自己所处的位置，有没有异常等。不仅仅应用在乘客，还可以应用在内部测试和研发。这一部分我觉得主要是夸平台，免得二次开发，目前来看大部分的公司采用的都是web服务。
- 车辆管理 - 类似现在的美团外卖，实时知道外卖员的位置和派单信息，用算法来动态调度，无人车还需要多一个功能就是实时监控无人车的健康状态，可以理解为监控满大街在跑的服务器？
- 数据采集 - 主要是针对测试和采集地图的场景，需要一套全自动的采集流程，并提供可视化的交互，如果全部手工完成工作量太大了。
- 测试平台 - 主要是针对无人车的各项测试，包括硬件和软件，这涉及到各个模块，我觉得主要是流程的维护和测试项的定义，保证质量。
- 仿真平台，仿真是重点之一，在版本发布之前，都需要在仿真平台测试，目前宣称的测试里程是30W公里，这一块肯定用到了分布式计算，否则没法实现。另外我觉得这个流程也挺有意义，在无人车路测之前进行仿真，可以减少故障，类似发布之前的集成测试。由于不需要真车，可以跑大量的测试，对工程化是很重要的一环。关于仿真还有另外的用途就是复现场景，比如一次撞车或者接管事故，现场不可能再去复现，成本太高，而通过仿真去模拟复现这些问题就变得容易多了，另外一个应用是训练模型，对于需要大量数据的训练，仿真可以虚拟和合成大量的数据，提高效率。关于仿真可以参考。