ハイライト:
1. 自動車会社が自社開発の自動運転システムを開発する傾向になっています。
2. MBD ベースの開発プロセスは自動運転システムの開発要件を満たすことができなくなり、データ駆動型のエンドツーエンド開発プロセスを導入する必要があります。
3.開発ツール チェーンの効率は、システム開発全体の効率を決定します。ツール チェーンは、パイプラインデータ フローと組み合わせる必要があります。現在、ツール チェーンは一般的に断片化されており、「データ アイランド」になっています。
4.データ処理はデータドリブンの基礎です。インテリジェントなデータ収集が不可欠であり、データアノテーションのアウトソーシングや高品質と低価格の追求も明らかになってきています。
5.自動運転シミュレーションは開発のアクセラレータです:シミュレーションと自動車の両方を理解するにはシミュレーション ソフトウェアが必要です; シーン ライブラリは自動車会社によってコア競争力とみなされています;シミュレーションの評価は多様化とカスタマイズの傾向に直面しています; OpenX は世界的に認められています業界シミュレーション ソフトウェアは徐々に標準化されていることは一般に認識されています。
6.高精度マップはツール チェーンに不可欠な部分ですが、コンプライアンス、複雑なシーンの精度、動的な更新は依然として業界の課題となっています。
7.クラウド上の自動運転は大きなトレンドです。
8.自動運転開発ツールチェーンの開発トレンドは、効率的（エンドツーエンド）、オープンで柔軟な協力です。
自動車業界の「インテリジェント」化の流れのもと、消費者を魅了するさまざまなL2レベルの運転支援機能が重要な構成となっている一方、「ソフトウェア・デファインド・カー」の新時代では自動運転が重要な要素となっている自動車会社の将来を左右する重要な開発戦略。
このような背景から、自動車会社は独自の自動運転システムを開発するかどうかという質問に答える必要があります。
まず、自動運転分野におけるいくつかの自動車会社のレイアウトを見てみましょう。
自動車メーカーの自動運転レイアウト一覧
自動車会社の自社開発による自動運転システムが大きなトレンドとなっていることが分かりますが、自動運転の核心は「ソフトウェアとデータの価値を最大限に発揮すること」であると多くの自動車会社が認識しています。自動運転事業では、その後の事業展開を容易にするため、インテリジェント運転の開発に注力する独立子会社を次々と設立しています。たとえば、第一汽車グループは人工知能子会社の一汽（南京）技術開発有限公司を設立し、長城汽車はHaomo Zhixingを設立した。
1. 自動運転開発プロセス ～モデルベース設計からデータドリブンまで～
しかし、自動運転システムの開発プロセスやツールチェーンは特に複雑であるため、自動運転システムを単独で開発することは容易ではありません。
従来の自動車ソフトウェア開発では、多くの ADAS 機能を含む V モデルが使用されており、これらもこのプロセスを使用して開発されています。詳細は下図をご参照ください、左側が設計・開発プロセス、右側がテスト検証プロセスです。
Vモデルの開発プロセス
左側の設計および開発プロセスは、現段階では主に MBD (Model Based Design) の開発プロセスに基づいており、ほとんどの要素 (モデル) は MathWorks 製品 (MATLAB および Simulink) によって提供される標準ツールボックスおよびブロックに基づいています。 ). グループ化し、グラフィカル インターフェイス上でモデルを構築し、コードを自動的に生成します。エンジニアが記述する必要のあるコード全体の量は多くなく、開発スピードが速く、開発コストも低くなります。
右側はテストおよび検証プロセス、つまり X イン ザ ループであり、MIL/SIL/PIL/HIL/DIL/VIL およびその他のテスト方法を含む、さまざまな段階で異なるテスト方法を使用します。
L2 の比較的単純な ADAS 機能を含む従来の自動車ソフトウェア制御ロジックは、MBD+X インザループ開発プロセスを使用してニーズを満たすことができますが、自動運転アルゴリズム機能がますます複雑になるにつれて、以前のMBD-ベースの開発プロセスは少し無力に思えます。
まず、自動運転機能がより複雑になると、ソフトウェアコードの量と機能の複雑さも数桁増加します。構造化ツールボックスとブロック グループ モデリングは、単純な関数アルゴリズムの開発にも適していますが、複雑な深層学習アルゴリズムに直面すると、MBD は柔軟性の点で多少限界があります。
第二に、人工知能産業は長年にわたり発展してきました。アーキテクチャ、ツールチェーン、さまざまなオープンソース関数ライブラリのいずれであっても、強力なエコシステムが形成されています。今日の自動運転実務者にとって、それを直接実装することはより困難です。 Mathworks ではモデリングがはるかに効率的になります。
同時に、従来の自動車ソフトウェアは量産後も変更されなくなりますが、これは自動運転ソフトウェアでは非現実的です。自動運転の開発サイクルは長く、車両開発サイクル内の開発とテストの時間は決して十分ではありませんが、一方で、OTA によりソフトウェアの継続的なアップグレードが可能になるため、車両の寿命は長くなります。ソフトウェアのサイクルも延長され、深層学習によりモデルで表される自動運転アルゴリズムは、アルゴリズム システムを継続的に反復するための「燃料」としてロングテールの「コーナー ケース」データを継続的に収集する必要があります。
宇宙に行きたければ、はしごを作ることはできず、宇宙船を作らなければならないというよくあることわざがあります。自動運転システムをより効率的に開発するために、業界の専門家は、適切な深層学習ベースの自動運転開発プロセス、つまりデータ駆動型のエンドツーエンド開発プロセスを発見しました。
先進的な自動車会社とティア 1 は、ソフトウェア開発プロセスにおけるこの変化に長い間気づいていました。
ボッシュ シャシー コントロール システムズ中国の社長、チェン リーミン氏はかつて公の場で次のように述べました。「自動運転には非常に多くのシナリオが含まれているため、従来の方法で継続するのは不可能です。そのため、特にデータ駆動型の検証方法を使用して、実際の路上テストを含める必要があります。」自動運転の安全性を検証するということは、V モデルとデータ駆動型の閉ループを組み合わせて安全性を検証することを意味します。」
汎アジア技術センターのシニアディレクターであるルー・ジャンシャン氏は、最近のワールド・インテリジェンス会議で次のように述べた：「従来の自動車会社は、自動車エンドの元のウォーターフォール・システム統合開発モデルから、クラウド、パイプのアジャイル・シーン統合開発モデルに転換する必要がある」そして統合を終了します。」
もちろん、これは従来の MBD アプローチが完全に時代遅れだという意味ではありません。V モデルの考え方は今でも非常に参考になります。たとえば、自動運転システムのテストで重要な役割を果たすシステム シミュレーションは、実際には SIL (ソフトウェア チェンジング) であり、MBD 開発手法は、その基礎となる論理アルゴリズムを使用します。車両制御アルゴリズムなどの自動車は引き続き使用されます。
各社のデータ駆動型ソフトウェア開発プロセスは細部は異なりますが、大まかな考え方は同じで、基本的にはデータ収集→データ保存→データ前処理→データマイニング→データアノテーション→という流れになります。モデルのトレーニング -> シミュレーション テスト -> デプロイとリリース。
Waymo のデータ閉ループ プラットフォーム、Huang Yu の Zhihu 記事より引用
上記のリンクで使用されるツールとプラットフォーム(データ収集、処理、ラベル付けツール、モデル トレーニング プラットフォーム、シミュレーション プラットフォーム、OTA ツール、およびその他のリンク開発ツールを含むがこれらに限定されない) は、「ツール チェーン」と呼ばれます。ツールチェーンの効率は、システム開発全体の効率を決定します。
手順はそれほど多くないように見えますが、リンク全体は実際には非常に複雑です。
データ処理を例にとると、カメラデータ、ミリ波レーダーデータ、LIDAR点群データなど、さまざまな種類のデータが存在しますが、これらのデータをまずノイズ除去する、いわゆる「データクリーニング」が必要になります。写真を例にとると、データ処理では、まず写真の地理的位置情報を消去し、顔やナンバープレートなどの機密情報を削除し、その後、処理が完了する前にフォーマットを統一する必要があります。
データ処理が完了したら、次のステップはデータ アノテーションを開始することです。アノテーションの種類は、2D、3Dの対象物アノテーション、ジョイントアノテーション、車線線アノテーション、セマンティックセグメンテーションなどに大別されます。また、アノテーションの具体的な仕様やアノテーションの品質検査プロセスも必要となり、プロセス全体が非常に煩雑です。
この複雑なプロセスの各リンクには、対応するツールとプラットフォームのサポートが必要です。
すでに成熟したツールチェーンを備えたMBD開発プロセスとは異なり、データ駆動型開発プロセスの開始が遅く、ツールチェーンの効率も高くないため、自動車会社の自動運転開発者は多大な迷惑を被っています。
データ駆動型、つまりソースはデータですが、自動車会社は膨大なデータ量があるにもかかわらず価値の高いデータが不足しているという問題に直面しており、活用できる経験があまりありません。
もちろん、自動車会社が異なれば自動運転分野における蓄積の度合いも異なり、ツールチェーンで直面する問題も異なります。
一部の自動車会社は早期に事業を開始し、多額の投資を行っています。(データ駆動型) パイプラインは完全に稼働しており、多くのデータが蓄積されています。効率をさらに向上させるために、ツール チェーンのカスタマイズ開発も数多く行っています。ある自動車会社の開発者は「九張志家」に対し、さまざまな企業が提供する既存のツールチェーンは「分割開発」であるため、全体の状況に注意を払うのではなく、自社の機能部分のみに焦点を当てており、その結果、深刻な断片化が生じていると語った。そして「データアイランド」。自社の効率化ニーズを満たすためには、独自のツールチェーンを開発するか、エコシステム内でツールチェーンを提供してくれる企業を見つける必要があり、データアノテーションプラットフォームさえも自社で開発する必要があります。
この分野で多くの経験を蓄積していない自動車会社にとって、現段階でツールチェーンの開発にこれほど多くの人員を投資することはあまり「費用対効果」が高くありません。一方で、基盤が弱く、技術もまだ確立されていません。一方で、費用対効果はあまり高くなく、実際にはそれほど多くの人がいませんでした。リソース投資と技術基盤によって制限されているが、彼らは依然として既製のツールチェーンを統合し、できるだけ早く(データ駆動型の)パイプラインを実行したいと考えている。「ツールチェーンは当社の競争力ではない。要件定義、システム統合、機能テストは重要である」自動車会社のインテリジェント運転担当者は「9章インテリジェント運転」でこう語った。
自動車会社ごとに開発段階は異なりますが、類似点もあります。つまり、どの自動車会社もツール チェーンの「断片化」という問題点を抱えています。次に、データ処理とシミュレーションの 2 つのリンクからそれぞれ開始し、ツールチェーンの現状と問題点を詳細に整理します。
2. データ処理: データドリブンの基礎
データドリブン、中心となるのはデータです。
従来のモデルベースの開発プロセスは、開発者の過去の経験に基づいてモデルを最適化することを目的としていますが、データ駆動型プロセスは、大量のデータに基づいてモデルを最適化することを目的としています。自動車会社にとって、データ駆動型の開発プロセスを確立するには、膨大な量のデータの扱い方を学ばなければなりません。
データ処理は、データ収集、データ前処理、データ マイニング、データ アノテーションなど、開発チェーン全体の最初で最も複雑なリンクです。データの量とデータの品質は、開発プロセス全体のモデル レベルを直接決定します。
下の図は、テスラの自動運転データ処理へのリンクを示しています。
Tesla Autopilot データ処理プロセス (Huang Yu の Zhihu 記事から引用)
データ関連のツール チェーンには、データ収集、データ アップロード、データ クリーニング、データ アノテーション、その他のリンクが含まれます。
1. データ収集: インテリジェンスは不可欠です
まずデータ収集について話しましょう。
業界には、基本的なアルゴリズムのトレーニングに使用できるオープン ソース データ セットがいくつかあります。現在、最も一般的に使用されているデータ セットには、KITTI、nuScenes などが含まれます。ただし、これらのデータのほとんどは海外の公開テスト セットからのものであり、中国では地域的な特徴を持つデータセットはまだ比較的少ない。
自動運転用オープンソース データセットの概要 (Zhihu の記事「自動運転用オープンソース データセットの概要」を引用)
この場合、特定のシーンに一致するようにアルゴリズムをトレーニングするには、そのシーンのデータを収集する必要があります。十分な高品質のデータが収集された場合にのみ、フォローアップ プロセスを実行できますが、現在のツール チェーンの効率は、この最初のリンクではあまり良くありません。
大手新車製造部門の従業員は「Nine Chapters Smart Driving」に対し、同社の自動運転データ収集のトリガーとデータアップロード戦略はその後の問題分析の要件をまだ満たしていないと語った。たとえば、ユーザーが車を衝突させた後、返されたデータは使用できません。データの量が不完全であるか、収集頻度が正しくないため、開発者は問題のトラブルシューティングにおいて非常に非効率的になります。
一般に、コーナーケースが異なれば、その後の分析に必要なデータ形式も異なり、前後に必要な時間も異なります。これは理解するのが簡単ですが、知覚や意思決定モジュールの問題、高精度地図のエラーなど、さまざまな理由によって引き起こされる乗っ取りでは、当然異なるデータが必要になります。一部の特殊なコーナー ケースでも、カスタマイズされたデータ収集要件があり、テスターは路上テストの収集タスクを実行できます。
収集要件が複雑でリンクがつながりにくいからこそ、問題が発生して自らデータ収集を選択するエンジニアもいるのが現実です。
上記の問題を回避するために、一部の L4 ロボタクシー会社は、最も原始的な「ハードディスク コピー」方法を使用して、全量のデータを送り返してからデータ マイニングを行うことを選択しています。
このように、実験車両の台数が少ないうちは問題ありませんが、後続車両の台数が一定以上になると、自動運転で収集されるデータ量はやがてPB時代に突入します。価値があり、比較的小さいものを見つけるのは非常に困難です。コーナーケース、まさに「干し草の山の中の針」です。
自動運転に本当に役立つフラグメントデータを収集するには、よりインテリジェントなデータ収集戦略が必要です。
インテリジェントなデータ収集戦略とは何ですか? 特定のシナリオのデータを収集するためです。
ファーウェイの社内スタッフが「ナイン・チャプターズ・スマート・ドライビング」と通信した際、「ファーウェイ・オクトパス」にはシーンをインテリジェントにラベル付けする機能があると述べた。高速三輪車などの学習用データをクラウドが積極的に収集・蓄積するシナリオだけでなく、開発者は車両が取得する必要のある画像をアップロードし、クラウド経由で指示を出すことができ、車両も同様の方式を採用します。これにより、タグ付けされた「貴重な」データだけをフィルタリングしてクラウドにアップロードするだけで済み、データ全体のアップロードが回避され、データの効率が向上します。コーナーケースマイニング。」
2. データアノテーション：アウトソーシングの動向と高品質・低価格の追求
貴重なデータを見つけたら、データのクリーニングとデータの注釈を実行する必要があります。
ディープラーニングに基づく知覚モデルでは、ディープラーニングのトレーニング手法として依然として教師あり学習が主流であり、この手法でトレーニングするには大量の「グラウンドトゥルース」データをモデルに「フィード」する必要があります。
では、これらの「真実の値」データはどこから来るのでしょうか? 手動でマークされます。
そのため、業界では人工知能とは「人工知能の数だけ知能がある」という意味だとよく冗談を言いますが、大規模なデータへの注釈の需要により、「人工知能トレーナー」という新しい職業が誕生しました。
職業名は聞こえはいいですが、実際、データ アノテーションは本質的に労働集約的な産業です。十分に安価な労働力を獲得するために、企業は新疆、河南、山西省の特定地域に集まり、データアノテーション用の産業クラスターを形成した。
顧客（表示を需要する側）としては、表示品質は十分か、表示価格は十分安いか、つまり「馬が速く走れるか、馬が草を食べないか」が気になります。
まず、モデルのトレーニングには、アノテーション付きデータの高品質が必要です。データの品質は、トレーニングされたモデルの精度に直接影響します。品質が高くないと、「ゴミが入ったりゴミが出たり」が起こりやすくなります。アノテーションの品質はアノテーションのコストと密接に関係しており、経済発展途上地域の安価な労働力によるアノテーションの品質が開発者のニーズを満たせるかどうかは大きな問題です。
第 2 に、注釈を付ける必要があるデータの量が膨大です。たとえば、新しいビジュアル アルゴリズムでは、通常、トレーニングに数万から数十万の注釈付き画像が必要です。定期的な最適化にも数千の画像が必要です。単一のラベル付けの代償は、イメージは少し違いますが、数十万部となると膨大な数になるため、需要側は価格に非常に敏感です。
高品質のラベルを貼れば人件費は必然的に上昇し、低価格はラベルの品質に影響を及ぼし、高品質と低価格は相容れない矛盾となっているようです。
自動車会社にとって、データの注釈付けを行うために数十人を雇用するのは、人件費が大きすぎるように思えます。彼らは通常、プロのデータ アノテーション プラットフォームまたはデータ アノテーション チームにアウトソーシングすることを好みます。より有名なデータ アノテーション プラットフォームには、Baidu Zhongchai、JD Zhongzhi、My Neighbor Totoro Data、Datatang などが含まれます。
ただし、アウトソーシングも 2 つのカテゴリに分類されます。1 つは人的アウトソーシング、つまりアノテーション プラットフォームとアノテーション ツール自体を提供し、アウトソーシング会社は人的資源を提供するだけで済みます。2 つ目はサービス アウトソーシング、つまり、サービス アウトソーシングです。アノテーションプラットフォームやアノテーションツールそのものを提供するのではなく、ラベルを付けるデータを委託会社に直接提供し、委託会社がラベル付きデータを提供します。
一部の自動車会社は、ラベリングの効率性について非常に高い要件を持っており、独自のラベリング プラットフォームとラベリング ツールを開発することを選択するため、人的資源を外部委託することを選択しますが、他の自動車会社にとって、独自のラベリング プラットフォームの開発は明らかに費用対効果が高くありません。一方で、ラベリングプラットフォームの開発には非常に多くのリソースの投資が必要ですが、他方では、自社開発のラベリングプラットフォームには外部価格と比較して何の利点もなく、費用対効果が高くありません。
市場需要の爆発的な増加により、データ アノテーション業界では多くの新興企業が出現しており、Data.forge もその 1 つであり、その創設者兼 CEO のヤン ヤン氏が「9 章のスマート ドライビング」で紹介したもの: 顧客が最も懸念していること品質と価格の比率を改善するために、補助アノテーションの自動化やアノテーションツールの利便性の最適化など、多くの対策を講じており、これが同社の中核的な競争力を形成している。
ファーウェイの内部関係者がそれを「ナイン・チャプターズ・スマート・ドライビング」で紹介したとき、「ファーウェイ・オクトパス」はデータ注釈サービスも提供していると述べました。
「まず第一に、『Huawei Octopus』は独自のプレアノテーションアルゴリズムの磨き上げに多くの時間を費やしてきました。現在、ファーウェイのプレアノテーションアルゴリズムの精度は最高レベルに達しています。それは複数の国際公開データセットでテストされています」 nuScenes、COCO、KITTI などの自動運転のテスト課題 まず、事前ラベリング アルゴリズムにより、データ ラベリングの各フレームに必要な時間を大幅に短縮できます。
「第二に、アノテーションプラットフォームの運用を最適化するために、特定の業務を組み合わせて人間とコンピュータの対話方法を最適化し、スタッフの業務効率を向上させます。
「繰り返しになりますが、当社にはアノテーションの品質を保証するための成熟した管理システムがあります。アノテーターがアノテーションを完了した後、アノテーターによる自己検査、品質検査員による抜き打ち検査という三重の品質検査プロセスを経て顧客に納品されます」 、注釈マネージャーによるランダムな検査と、ほとんどの注釈担当者が新疆、河南、山西省などに配置されている他の注釈チームとは異なり、ファーウェイの手動注釈チームは深センにあり、ファーウェイのオフィス内にあります。この理由は、コミュニケーションを促進するためです。と管理を強化し、アノテーションの品質をより確実に確保します。
「最後に、不十分なローカルオープンソースデータセットの問題を解決するために、『Huawei Octopus』は顧客に増分データ注釈サービスを提供するだけでなく、2,000万個のラベル付きオブジェクトも顧客に提供できます。このデータセットは継続的に反復されます。継続的な拡張により、顧客はこれらのデータをトレーニングに使用し、モデルを迅速に構築できます。」
3. シミュレーション – 自動運転開発のアクセラレータ
自動運転ツールチェーンの非常に中核的な部分であるシミュレーション システムは、主にシーン ライブラリ、シミュレーション プラットフォーム、評価システムの 3 つの部分で構成されており、シミュレーション システムの効率は開発リンク全体の効率に直接影響するため、常に顧客にとっては悩みの種であり、多くのプレーヤーがターゲットにしている市場でもあります。
シミュレーションシステムの重要性と未熟さを目の当たりにし、「世界は広く、やるべきことはたくさんある」と痛感しているからこそ、多くのプレイヤーがこのコースに参入しているのである。これらのプレーヤーは企業の種類によって、伝統的なシミュレーション ソフトウェア企業、新興シミュレーション ソフトウェア企業、テクノロジー大手シミュレーション ソフトウェア企業の 3 つのカテゴリに大別できます。
1. シミュレーションソフトプレイヤーの在庫
(1) 従来のシミュレーションソフトウェア会社
従来のシミュレーション ソフトウェアとしては、Siemens 社の PreScan、独 VIRES 社の VTD、独 IPG 社の CarMaker、米国 MSC 社の CarSim が代表的です。これらは、特定の分野での深い蓄積、または特定の機能での優れたパフォーマンスのため、自動車会社によって広く使用されています: CarMaker と CarSim は車両ダイナミクスの分野で最も深い蓄積と最強の強みを持っています; VTD は高いシーンレンダリング能力を持っていますOpenX を最初にサポートしたことで有名で、PreScan はその便利な操作性と使いやすさで多くのユーザーを魅了しています。
既存の顧客リソースと過去に蓄積された利点により、同社は自動運転シミュレーション ソフトウェアの分野で重要なプレーヤーとなっています。
(2) スタートアップシミュレーションソフト会社
シミュレーション ソフトウェアの巨大な市場空間を見て、パイの一部を手に入れようと、新興企業からの多くの新規参入者も参入しています。たとえば、国内のスタートアップ企業 51WORLD (旧 51VR) は、51Sim-One 自動運転シミュレーション テスト プラットフォームを立ち上げ、イスラエルのスタートアップ企業 Cognata は、インテリジェント運転製品の各段階に異なるシミュレーション ソリューションを提供しており、さまざまな顧客のニーズを満たすために、ローカル版、クラウド版、ハードウェア版の 3 つのバージョンがあります。
新興企業は市場に対してより敏感で歴史の重荷を持たず、彼らが自動車会社に提供するシミュレーション プラットフォームはシミュレーションのあらゆる側面を意識的にオープンにし始めており、無視できない勢力となっています。
(3) テクノロジー大手シミュレーションソフト会社
NVIDIA: ドライブ コンステレーション
NVIDIA は、2018 年に Drive Constellation シミュレーション システムを発売しました。シミュレーション システムは 2 つの異なるサーバーで構築されており、最初のサーバーはカメラ、ライダー、ミリ波レーダーなどのセンサー シミュレーション用の NVIDIA DRIVE Sim ソフトウェアを実行し、2 番目のサーバーは NVIDIA DRIVE Pegasus 人工知能車両コンピューティング プラットフォームを搭載しています。シミュレートされたセンサー データ。
Drive SimはOmniverseプラットフォームをベースにしており、Nvidia関係者によると、「写真のようにリアルで物理的に正確な」センサーシミュレーションを実現できるという。シナリオに関して言えば、Drive Constellation はデータ ストリームを生成し、さまざまなテスト環境を作成し、さまざまな気象条件やさまざまな路面や地形をシミュレートできます。また、日中のさまざまな時間帯のまばゆい光や夜間の限られた視界をシミュレートすることもできます。
ファーウェイ：自動運転クラウドサービス「Huawei Octopus」
自動運転開発ツールチェーンの分野で、ファーウェイは「HUAWEI Octopus」としても知られる自動運転クラウドサービスを開始し、データ収集、ハードケースマイニング、データ注釈、アルゴリズムトレーニング、シミュレーションプラットフォームに関するサービスを提供する。完全なソリューションを提供し、顧客が使用できる多数のデータ セットとシナリオ ライブラリを提供し、自動車会社がデータ駆動型の閉ループ自動運転開発プラットフォームを構築できるように支援します。
さらに、ファーウェイの強力なクラウド ビジネスに基づいて、「ファーウェイ オクトパス」はクラウド トレーニングとクラウド並列シミュレーションを統合し、豊富なシミュレーション シナリオ、高い同時インスタンス処理能力を備え、200,000 を超えるシミュレーション シナリオ インスタンスを提供し、システムは毎日仮想的にテストされます。走行距離は 1,000 万キロメートルを超える場合があり、3,000 件の同時テストがサポートされています。
百度：アポロプラットフォーム
Baidu Apollo は、開発者にクラウドベースの意思決定システム シミュレーション サービスを提供し、Baidu Cloud と Microsoft Azure 上にクラウド シミュレーション プラットフォームを構築し、1 日に数百万キロメートルを移動できる仮想操作機能を簡単に作成します。シナリオライブラリに関しては、Baidu Apolloプラットフォームが提供するシナリオライブラリは、規制標準シナリオ、危険労働条件シナリオ、能力評価シナリオをカバーしており、合計約200種類あります。
Apollo はまた、Unity と協力して、Unity エンジンに基づく仮想シミュレーション環境を開発し、交通の流れをシミュレートして現実世界の画像を強化し、エンドツーエンドの自動運転シミュレーション システムである拡張現実自動運転シミュレーション システム AADS を提案しました。リアルなシミュレーションシーンを作成します。
Baidu は自動運転データセット ApolloScape を公開し、知覚分類などのピクセル単位のセマンティック セグメンテーション アノテーションを備えた数十万フレームの高解像度画像データを含む、ピクセル レベルのセマンティック アノテーション付き画像 147,000 フレームをオープンしました。道路ネットワーク データと、それに対応するピクセル単位のセマンティック アノテーション。」
テンセント: TAD シム
Tencent は、2018 年にシミュレーション プラットフォーム TAD Sim をリリースしました。これは、プロのゲーム エンジン、産業グレードの車両ダイナミクス モデル、仮想現実の統合交通流などのテクノロジーを組み合わせて作成された、仮想現実、オンラインおよびオフラインの自動運転シミュレーション プラットフォームです。幾何学的縮小、論理的縮小、物理的縮小のシナリオを実現します。
TAD Sim は、シーン クラウド シミュレーションや仮想都市クラウド シミュレーションなどのクラウド操作もサポートしています。都市型クラウドシミュレーションは、シミュレーションの高速化と同時実行性の高いシミュレーションの両方を実現し、現実世界でのさまざまなシナリオと運転の可能性に対応し、企業の自動運転テストのプロセスを加速します。シーン ライブラリには 1,000 を超えるシーン タイプがあり、1 日あたり 1,000 万キロメートルを超えるテスト能力があります。
これらの大手テクノロジー企業は、既存のレンダリング機能、クラウド コンピューティング、その他の利点に基づいて、シミュレーション プラットフォームを構築し、自動運転シミュレーション プロセスを構築しています。クラウドの並列シミュレーションにさらに注意を払い、シーン ライブラリにさらに注意を払い、より意識的にすべてのダウンストリームをオンラインで公開しています。リンクスは自動運転システムのテストと検証を一歩前進させました。
2.シミュレーションの問題点
( 1 ) シミュレーション ソフトウェア: シミュレーションと自動車の両方を理解する必要があります
自動運転開発チェーンのリンクとして、シミュレーションは他のリンクと有機的に統合される必要があります。
従来のシミュレーション ソフトウェアは特定の分野では非常に専門的ですが、上流と下流のリンクに接続するのは非常に面倒です。
たとえば、ドライブ テスト中に問題が発見された場合、開発者は、後で回帰テストを実行できるように、そのシーンをシミュレーション シーン ライブラリに含めたいと考えていますが、多くの従来のソフトウェアはこの機能をサポートしておらず、シーンを構築することしかできません。シーン ライブラリを手動で構築する効率は非常に低く、1 日にいくつかを構築することはできません。
例えば、従来の一部のシミュレーションソフトウェアはWINDOWS環境でしか動作できませんでしたが、現在では自動運転開発環境はUbuntu環境となっています。
別の例として、従来のシミュレーション ソフトウェアのクラウド並列シミュレーション機能は互換性が低く、最近のバージョンではクラウド シミュレーションにしか対応していないものもあります。業界の専門家によると、従来のシミュレーション ソフトウェアはライセンスを販売するため、複数のコンピュータにソフトウェアをインストールするには複数のライセンスが必要です。
クラウド並列シミュレーションの役割がますます重要になるにつれ、サービス料金に基づいた SaaS モデルがより顧客に優しいのは明らかであり、その後の開発トレンドでもあり、従来のシミュレーション ソフトウェア ライセンスの販売モデルもそれに応じて調整する必要があります。
クラウド並列シミュレーションは、間違いなく自動運転開発の効率を大幅に向上させることができます。ファーウェイ、バイドゥ、テンセントなどの大手企業のシミュレーション プラットフォームは、クラウド プラットフォームにシームレスに接続できます。スタートアップ 51WORLD の製品も並列シミュレーションをサポートしており、プライベートクラウドとパブリッククラウド。
環境大手企業は、シミュレーション ソフトウェアの提供に加えて、シミュレーション プラットフォームと他のツール チェーンを自社のフルスタック ソリューションに統合しています。例えば、「Huawei Octopus」は、自動運転分野におけるDevOpsを実現するためのワンストップのシミュレーション・評価ツールチェーンをクラウド上で提供し、コードウェアハウスへのアクセス、バージョン管理からシミュレーション、評価まで自動化されたクローズドループを実現します。 。このようにして、自動車会社は事業を開始しやすくなり、適応コストも低くなります。
しかし、これらの大手企業は大きな課題にも直面しています。つまり、車両ダイナミクスモデルや自動車の中核コンポーネントなどのハードウェアが十分に蓄積されていないため、これらの企業は自主研究や協力を通じて関連機能を補う必要があります。たとえば、Baidu は独自の車両ダイナミクス モデルを開発することを選択し、Apollo 5.0 では新しい車両ダイナミクス モデルが追加されました。「Huawei Octopus」シミュレーション システムは VTD と戦略的に連携し、CarMaker の車両ダイナミクス モデルが組み込まれています。ファーウェイとSaimu Technologyも協力関係を築き始めており、自動運転期待機能安全（SOTIF）分野での取り組みを展開していくことが分かった。
( 2 ) シーンライブラリが核となる
データ駆動開発リンクにおけるデータ駆動とは「質問海戦法」に相当し、試験官ができることは、どんどん難しい質問をすることだけです。システム開発において、シナリオライブラリはソフトウェアの品質を評価するために試験官が与える試験問題に相当するものであり、シナリオライブラリの量と質がシステムのレベルに直結します。
シナリオ ライブラリは通常、いくつかのソースから取得されます: サード パーティから購入したシーン ライブラリ。市場で入手可能なサード パーティのシーン ライブラリのほとんどは、標準的な規制と専門家の経験データに基づいています。たとえば、シナリオ用のシーン ライブラリを構築するためです。駐車機能は、より労働集約的な駐車シナリオ向けに設計されており、路上テスト中に発見された乗っ取りイベントやコーナーケースについては、シナリオ ライブラリが逆生成され、受験者が独自の「間違った問題集」を作成するのと同じです。 「以前の間違った質問に基づいています。
これらのシーン ライブラリに加えて、自動車会社は、路上テストで遭遇した例外的なケースを通じて、独自のシーン ライブラリを「拡張」し続けています。この需要に応えて、「Huawei Octopus」などの一部のシミュレーションソフトウェアは、「ワンクリックで実際のドライブテストシナリオをシミュレーションシナリオに変換する」機能を提供し、これに基づいて編集および一般化することができます。たとえば、気象環境、周囲環境、ミラーリングなどの手段を変更して、より多くのシナリオを一般化します。また、ファーウェイは仮想および現実のハイブリッド シミュレーション機能も提供します。
いわゆる仮想現実ハイブリッド シミュレーションでは、クラウド上にテスト シナリオを構築し、それを車両にロードして走行することで、車両はオープンな道路や閉鎖された場所、特に横断歩道や非道路上でさまざまな仮想シナリオをシミュレートできます。 CUT-INなどの危険なシナリオにより、自動運転アルゴリズムや実車の車両運動性能をテストできるため、テスト効率が向上します。
( 3 ) シミュレーション評価
シミュレーション評価は、シミュレーション システム全体の中で最も見落とされている部分かもしれません。
シミュレーション評価には主に 2 つの側面が含まれており、一方では現在の試験が合格と判断できるかどうかを指し、もう一方では、同じ場面で対応する実車試験の一貫性と再現性を指します。現在のテスト。
システムがシーン ライブラリの試験に合格できるかどうかを評価するにはどうすればよいですか? テスト問題は公開されており、受験者は回答を完了していますが、自動運転ソフトウェア システムの KPI を「マーク」して設定するにはどうすればよいでしょうか?
あなたが試験官だったら、どのような評価基準が思いつきますか?
目標ポイントに到達しましたか？安全に運転できましたか（衝突はありませんでした）？赤信号を無視したことがありますか？急激に加速または減速していますか? 等
考えただけでも評価基準はたくさんありますが、さらに厄介なのは、シナリオによってアルゴリズムの検査に重点が置かれており、評価基準も異なる可能性が高いことです。シーンライブラリーは不思議なものばかりで、当然評価基準も千差万別です。
しかし、一般的に評価基準は、基準適合性（規格基準を満たしているか）、走行安全性（安全性が十分であるか）、走行効率性（目的地まで十分に効率よく到着できるか、燃料は十分であるか）という大きく5つの側面に分けることができます。経済性）、運転快適性（十分に快適かどうか）、運転インテリジェンス（十分にスマートかどうか）。
業界の専門家によると、各シーン ライブラリには、ビルド時に合格または不合格となる「オーダーメイドの」評価基準が必要です。このとき、シミュレーションソフトは多様なシミュレーション評価基準を提供する必要があり、それが提供されていない場合、評価できない部分があることを意味します。
したがって、各シミュレーション ソフトウェアも、顧客向けにシーン ライブラリの評価基準を事前に定義しており、たとえば、「Huawei Octopus」では、安全性、快適性、信頼性、人間とコンピュータのインタラクション エクスペリエンス、使いやすさ、コンプライアンス、エネルギー消費、および A に焦点を当てています。交通効率などの観点から、合計200の評価指標が公開されています。ファーウェイ内部関係者によると、シミュレーション評価をより柔軟にするため、将来的には顧客によるカスタマイズされたシミュレーション評価基準の開発もサポートする予定だという。
3.シミュレーションソフトウェアの標準化開発動向
前述のシミュレーション プラットフォームと上流および下流のツール チェーン間の接続は垂直方向に行われますが、水平方向に接続する場合、異なるシミュレーション ソフトウェアの形式に互換性がないという業界のもう 1 つの大きな問題点があります。
同じ自動車会社では、複数のシミュレーション ソフトウェアを同時に使用することがよくあります。たとえば、プレスキャンと VTD の両方を使用する場合があります。各シミュレーション ソフトウェアは一連のシナリオ ケースを蓄積します。ただし、異なるシミュレーション ソフトウェアによって生成されるシナリオ ケース ライブラリの形式は次のとおりです。互換性がありますが、ファイルを汎用的に使用することはできません。
これは実際には、業界全体が十分に標準化されていないためです。
この問題を解決するために、ASAM が発表したシミュレーション分野の標準 OpenX は、多くの自動車会社、サプライヤー、科学研究機関に認められ、現在、ほとんどのシミュレーション ソフトウェアが OpenX 標準をサポートし始めています。ASAM はさらに多くの標準を開発しています。
ASAMシミュレーションフォーマット標準（2020年中国自動運転シミュレーションブルーブックより引用）
現在 OpenX 形式をサポートしていないシミュレーション ソフトウェアがまだいくつかあります。業界関係者によると、「一部のシミュレーション ソフトウェア会社は、すべてのリンクを自分の手で制御し、自社をかけがえのないものにし、顧客をリンクに縛り付けようとしていますが、変更したくても変更することはできません。これは一部のシミュレーション テスト会社にも当てはまります」 」
結局のところ、OpenX をサポートしていない人はまだ少数ですが、全体としては標準化が一般的な傾向です。標準化が進めば、近い将来、異なるソフトウェア間のファイルの互換性は問題ではなくなると思います。
4.ツールチェーンに欠かせない高精度マップ
ご存知のとおり、現在、L2+の自動運転機能の多くでは高精度地図が使用されており、特にL4自動運転では高精度地図が重要なインフラとなります。自動運転シミュレーションには、高精度地図も不可欠かつ重要なリンクです。前述の走行テストシーンのシミュレーションシーンへの変換や、バーチャルとリアルのハイブリッドシミュレーションなど、多くのシミュレーションシーンの構築は、高精度マップのサポートと切り離すことができません。
(1)コンプライアンスの問題
しかし、高精度地図には多くの問題点もあり、まず解決しなければならないのはコンプライアンスの問題です。
現在、クラスAの測量・地図作成の資格を持つ国内企業は20社余りにとどまり、ファーウェイ、アリババ、テンセント、百度、小米科技、滴滴出行などがこの資格を保有しており、自動車会社では上汽中海亭、吉利宜華通、そして最近買収した自動車会社などがある。 Zhitu Technology の Xpeng Motors は、クラス A の測量および地図作成の資格も持っています。
NavInfo の常務社長である Bai Xinping 氏はかつてメディアに次のように語った。「高精度地図の開発には、資格のある企業が参加しなければなりません。資格はコンプライアンスと安全に関係しています。初期段階では、この分野における国家の監督はそれほど厳しくありませんでした。今後はさらに厳しくなるだろう。」
これに関連して、自動車会社は、量産計画のコンプライアンス問題を解決するために、認定された地図サービスプロバイダーと協力することを選択することになります。地図サービス プロバイダーは、安全性とコンプライアンスの要件を満たし、大規模な地図データの安全な保存を効果的にサポートできる高性能で信頼性の高いインフラストラクチャを構築する必要があり、また、運転テスト データの感度を下げるための強力なコンピューティング リソースとインテリジェントなアルゴリズムも必要です。同時に、システムは、インテリジェントな運転開発と地図データ アプリケーション サービスを実行するサードパーティ パートナーを効果的にサポートする必要もあります。
(2) 複雑なシーンの精度の問題
現在、トップクラスの地図サービスプロバイダーは国内の主要幹線道路と高速道路をカバーしていますが、地図の品質は依然として楽観視できるものではなく、ラベルが欠落していたり間違っていたりするケースが依然としてあります。
業界関係者は九張志佳に対し、大手地図サービスプロバイダーによる高速区間の高精度地図のカバー範囲は完全ではなく、特に高速道路に出入りするランプ、料金所やサービスエリアでは逸脱や誤差が生じる可能性があると語った。取材対象外。
自動車会社の高精度地図の担当者とやりとりした際、担当者は九張志佳氏に対し、L4ロボタクシーをテストしていたときの主なシーンは都市部の道路であり、これをカバーできる地図サービスプロバイダーは少なかったと語った。また、品質や更新頻度も高くないため、高精度な地図を自社で収集、作成する必要があります。
したがって、高精度地図は高速道路のカバー範囲を強化するだけでなく、都市部の通勤シナリオにおけるカバー範囲の問題の解決に重点を置き、複雑な道路状況の精度を向上させる必要があります。この方法によってのみ、自動運転のための高精度マップのサポート機能を向上させることができ、同時に、複雑な都市シーンにおける自動運転のシミュレーションとテストを効果的にサポートすることができます。
( 3 ) 動的更新の問題
高精度地図には動的更新の問題も解決する必要がありますが、そうしないと、データの適時性が失われると、インテリジェント運転を効果的にサポートできなくなるだけでなく、安全上の問題を引き起こす可能性があります。
現在、多くの業界関係者は、タイムリーな更新速度と収集コストの点でより多くの利点があるため、地図クラウドソーシング更新モデルが将来の主流の技術モデルになると考えており、この技術的ルートについては、国内の関連地図サービスプロバイダーも常に検討しています。を調査し、関連する技術テストを実施しました。クラウドソーシングによる地図更新は、データソースの多様化、不均一な品質、一貫性のない収集要素の標準、クラウドとデバイスと車両のリンクの相互運用性など、多くの技術的課題に直面するだけでなく、国内の法律や規制による制約にも直面し、次のようなリスクを伴います。これには、機密地理情報のフィルタリング、地図データの暗号化、個人プライバシーの漏洩などが含まれており、国内の関連部門によるさらなる全体的な計画が必要です。
実際、高精度地図の動的な更新を解決するには、複数のパーティのリソースとデータの集約と統合、およびクラウドとエッジ デバイスのコラボレーションが必要な体系的なプロジェクトです。サービスプロバイダー、インテリジェントコネクテッドビークル、さまざまな交通参加者、道路インフラ、エッジコンピューティング、クラウド連携に加え、交通ビッグデータ、道路建設・維持管理データ、道路運営会社などが連携し、高精度なデータの動的な更新を実現します。地図を作成し、高精度地図データの鮮度を向上させます。
著者の意見では、高精度地図の作成と更新は巨大なプロジェクトであるが、高精度地図要素の統一標準を形成することができれば、複数のリソースを調整して調整することができ、冗長な作業が削減され、単一の国の地図を共同で作成できるため、業界のコストが大幅に削減され、コストが削減され、業界の効率とデータの信頼性が向上し、データ セキュリティのリスクが軽減されるのはありがたいことです。
4.曇らせるか曇らせないか、それが問題です
1.クラウドに移行すると多くのメリットがあります
データドリブンなシステム開発では、大量のデータの保存、モデルのトレーニング、並列シミュレーションのテストなど、大量の IT リソースが必要になります。
業界関係者らは「Nine Chapters Smart Driving」に対し、自動運転システムを開発する際、モデルのトレーニングなど、突発的なコンピューティング能力の要件に突然遭遇することになると語った。ローカルのコンピューティング能力では需要を満たすことができず、新しいサーバーの購入や承認のプロセスが必要となる。このプロセスには数か月かかる場合があり、開発の進捗に大きな影響を与えます。この需要に対応するため、某自動車会社の知能運転開発子会社は、新しいオフィスビルを計画する際、オフィスビルのフロア全体をコンピュータ室として計画したことがわかった。
ストレージであれトレーニングであれ、この突然の需要に対処する非常に良い方法が実はあります。それはクラウドを利用することです。
クラウド開発環境の互換性の良さ、迅速な拡張による開発効率の向上、コストやデータセキュリティの面でのメリットなど、クラウドに移行するメリットは数多くあります。
自作のコンピュータ室と比較したクラウド移行のメリット
新型コロナウイルスの流行という特殊な背景の下、デジタルトランスフォーメーションは企業が生き残るための手段となっている。疫病に対処するために、企業はリアルタイムのオンライン ビジネスを実現し、サービス シナリオをオフラインからオンラインに移行する必要があるため、デジタル変革を行う必要があります。
デジタル化の度合いが高いほど企業の発展に有利であり、IDC の調査データによると、デジタル化指数が高い企業の存続可能性は平均レベルの 5 倍以上であることが判明しています。
業界は一般に、デジタル変革を達成するにはクラウドへの移行が唯一の方法、あるいはその第一歩であると考えており、「デジタル化はまずクラウドへ移行する必要がある」と述べています。
クラウドへの移行は、自動運転データの閉ループ開発リンクを確立するために必要なオプションです。コーナーケースの「Huawei Octopus」の最適化されたリンクを例にとると、車側で手動テイクオーバーが発生した後、「Huawei Octopus」が自動的に起動され、オンラインでクラウドにフィードバックされ、クラウドが追跡して再生し、原因を診断します。確認された場合 車両自身の責任（車両自体のシステムの問題）である場合、データ収集サービスは引き継ぎ前後の有効なデータをクラウドにアップロードし、データ処理プロセスに入ります。
認識リンクを最適化する必要がある場合は、データ収集、クリーニング、ラベル付けが実行され、処理後に認識モジュールがクラウド上でトレーニングされます。計画制御モジュールを最適化する必要がある場合は、問題シナリオがシミュレーションに変換されます。ワンクリックでシナリオライブラリを作成できます。最適化されたアルゴリズムシステムは、並列シミュレーションテストと回帰テストが必要で、シミュレーション評価にも合格すると、クラウドがOTAプッシュサービスを開始して車両エンドシステムをアップグレードし、完全な閉ループが完成します。
「Huawei Octopus」データ閉ループリンク
クラウドへの移行は、自動運転が開発およびテスト段階から商用化に移行する唯一の方法です。
現時点では、ほとんどの自動車会社は依然として開発とテストに重点を置いており、テスト車両の数は数台から数十台ですが、テスト車両の数が増加すると、量産後に数万台の車両が生産され、毎日生産される車両の数は増加し、データ量も数百～数千 TB から 10PB に増加し、トレーニングや並列シミュレーションに必要な GPU コンピューティング能力も数十から数千に拡大します。クラウドへの移行はますます急務となるでしょう。
クラウドへの移行のメリットを理解した後、クラウド コンピューティングの分類を見てみましょう。
クラウドは一般に、パブリック クラウド、プライベート クラウド、ハイブリッド クラウドの 3 つのカテゴリに分類されます。
パブリック クラウドとは、ユーザーが所有していないインフラストラクチャ上に構築され、複数のテナントに割り当てることができるクラウドです。最も一般的に言及されるクラウドはパブリック クラウドを指します。一般的なパブリック クラウド サービス プロバイダーには、Amazon AWS、Alibaba Cloud、Huawei などがあります。クラウドやテンセントクラウドなど
プライベート クラウドは通常、1 人の顧客向けに作成され、アクセス権はその顧客に限定されます。顧客は自分のコンピュータ ルームに構築する (プライベート展開) か、クラウド サービス プロバイダーのコンピュータ ルームでサービスをホストするかを選択できます。 (ホスト型プライベート クラウド)。
ハイブリッド クラウドは一般に、プライベート クラウドとパブリック クラウドの組み合わせ、または異なるサービス プロバイダーを使用したパブリック クラウドと見なすことができます。
一般に、パブリック クラウドは迅速に拡張でき、需要が高いまたは変動するワークロードにより適していると考えられていますが、プライベート クラウドを拡張するには、新しいハードウェアとリソースを購入またはリースする必要があり、これははるかに複雑です。自動運転開発のプロセスでは、車両の数が増加するにつれてストレージの需要が指数関数的に増加する一方で、開発中に突然大規模なコンピューティング能力（クラウド トレーニングや並列シミュレーション）が必要になることがよくあります。このようなニーズには、パブリック クラウドが適しています。
クラウドコンピューティングの発展傾向を見ると、パブリッククラウド市場の割合は年々増加しており、プライベートクラウドの割合は年々減少しています。iiMedia Consultingのデータによると、2020年の中国のクラウドコンピューティング市場では、パブリッククラウドの規模が2019年にプライベートクラウドを上回り、初の主要市場となった。
2.データセキュリティに関する懸念
「9 章のスマート ドライビング」と通信する際、自動車会社の担当者は、パブリック クラウドのメリットを認識しながらも、「自分のデータをパブリック クラウドに置いたら、他人に悪用されるのではないか?」とデータのセキュリティについての懸念も表明しました。会社員がこう言った。
まさにそのような懸念があるからこそ、多くの自動車会社は独自のサーバーを構築するか、プライベート クラウドを選択することになるでしょう。一部の自動車会社はハイブリッド クラウドを選択するでしょう。つまり、企業はデータ セキュリティとデータ プライバシーに関係しない一部のサービスのみをシステム上で実行するでしょう。パブリック クラウド。プライベート クラウドで他のサービスを実行しながら。
一部の大手自動車会社や新車製造勢力はパブリック クラウドを選択しますが、パブリック クラウド サービス プロバイダーを選択する際には、資本関係にあるサービス プロバイダーを選択します。データのセキュリティが心配だ」と彼らは説明した。
信頼の基礎は相互理解と親しみやすさです。多くの場合、不信感の原因はクラウド コンピューティングなどの理解不足にあります。
クラウドに移行する企業にとって、クラウド データを適切に保護することは最も重要かつ基本的なセキュリティ要件であり、クラウド サービス プロバイダーにとって顧客の信頼を勝ち取るための「生命線」でもあります。
「Alibaba Economy Cloud Native Practice」の紹介によれば、データセキュリティに対する顧客の要件は、情報セキュリティの3つの基本要素「CIA」、つまり機密性（Confidentiality）、完全性（Integrity）、可用性（Availability）によって要約されます。 。
機密性とは、具体的には、保護されたデータに正当な (または期待される) ユーザーのみがアクセスできることを意味し、その主な実装方法には、データ アクセス制御、データ漏洩防止、データ暗号化、キー管理が含まれます。
整合性は、正当な (または期待される) ユーザーのみがデータを変更できることを保証し、これは主にアクセス制御によって実現されますが、同時に、データの送信および保存中の検証アルゴリズムを通じてユーザー データの整合性も確保できます。
データの可用性は主に、全体的なセキュリティ機能、災害復旧機能、クラウド環境の信頼性、およびクラウド上のさまざまな関連システム (ストレージ システム、ネットワーク アクセス、ID 認証メカニズム、権限など) の正常な動作保証に反映されます。検証メカニズムなど）。
これら 3 つの側面の中で、機密性 (Confidentiality) を確保するための最も重要な技術手段はデータ暗号化であり、それがフルリンク データ暗号化機能です。
「フルリンク暗号化」とは、エンドツーエンドのデータ暗号化保護機能とデータのライフサイクル全体の暗号化を指し、主にオフクラウドからオンクラウドへ、およびオンクラウド間の送信プロセスを指します。アプリケーション内で動作するデータへの単位、その時の計算プロセス（加工・交換）、そして最終的にデータがディスクに永続化されるまでの保存プロセスにおける暗号化機能。
全体として、データ暗号化操作プロセスは、国際的および国内的に認められたセキュリティ アルゴリズムを通じて平文データからデータ暗号文を計算することです。暗号化操作では、キーが安全に保護および管理されていることが、暗号化保護の十分かつ必要な条件です。言い換えれば、キーを制御することは、暗号化操作全体の主導権も制御します。ユーザーは自分のマスター キーをユーザー リソースとして持ち込んでおり、すべての呼び出しはユーザーによって承認される必要があるため、ユーザーは暗号化されたデータの使用に関して完全に独立した制御と主導権を持ちます。同時に、ユーザー リソースへの呼び出しはすべてログ監査に完全に表示されるため、暗号化されたデータのクラウド使用の透明性がより確実に保証されます。
データセキュリティのライフサイクル（Alibaba Economy Cloud Native Practiceから抜粋）
業界関係者の多くも、「9 章スマート ドライビング」に関するコミュニケーションの際に、社内の従業員やクラウド サービス プロバイダーの運用保守担当者が自分の権限を使用して私のデータを密かに使用しないことを誰が保証できるのか、という 1 つの点について言及しました。
これには実際にはコンプライアンスが関係しており、内部プロセスを通じて保証する必要があり、この内部プロセスは多くの場合、権威ある第三者によるコンプライアンス認証を通じて確認されます。その中でも、世界で最も権威があり、広く受け入れられ、適用されている情報セキュリティ システム認証は ISO27001 であり、各大手クラウド サービス プロバイダーが通過するコンプライアンス認証は、公式 Web サイトでも確認できます。
外部のコンプライアンス認証は内部でも実施する必要があります。ファーウェイを例にとると、開発から管理に至る一連の内部安全上のレッドラインがあります。違反者がいると、処罰は非常に厳しく、降格、処罰、警告、警告、警告が与えられる可能性があります。あるいは解雇されることさえある。ファーウェイのインサイダーは、コンプライアンス問題について話す際、米国がファーウェイへの制裁を開始して以来、世界中でファーウェイの「不遵守」の「確実な」証拠を見つけるために全力を尽くしてきたが、それ以上のものはないと冗談を言った。 「発見から2年。発見されてから、これはファーウェイがコンプライアンスに関してどれほど厳格であるかを側面から証明するものでもあります。少し前に、ファーウェイのスマートカークラウドサービスもASPICE L2サードパーティ認証とフォルクスワーゲングループAPSICE（KGAS）を通過しました」 PN (潜在的なサプライヤー) のレビュー これは、ファーウェイのスマート カー クラウド サービスの研究開発の品質と開発プロセスが、国際的な主流の自動車メーカーによって認められていることを示しています。
おそらくビジネスロジックの観点から理解する方が簡単でしょう。クラウド サービス プロバイダーにとって、顧客データのセキュリティは生命線であり、顧客は命を預けていますが、ひとたび問題が発生すると、その信頼は失われ、ビジネスの足場が失われます。また、クラウド コンピューティング自体のアーキテクチャの観点から見ると、クラウド上のデータもより安全になります。一方で、クラウド サービス プロバイダーは、オフサイトの災害復旧 (災害などの自然災害によるデータ損失を防ぐため) のためにデータのバックアップを行います。一方、セキュリティ保護のレベルも高くなります (セキュリティ人材の増加、セキュリティ対策の強化)。
自動車会社にとってクラウドへの移行は一般的な傾向ですが、一夜にして実現するものではなく、パブリック クラウドを理解し、受け入れるプロセスが必要です。
あるパブリック クラウド マーケティング担当者は、「Nine Chapters Smart Driving」で、比較的、自動運転会社やインターネットの背景を持つ外資系自動車会社がクラウドへの移行に前向きであると語った。データです。
クラウドコンピューティング業界の発展傾向から判断すると、業界ごとにクラウドに対する理解が異なり、クラウドコンピューティングの普及率も異なります。フロスト＆サリバンのデータによると、現在中国におけるクラウドコンピューティングの主なユーザーは次のとおりです。クラウドへの普及が比較的早く進んでいるインターネット、金融、政府などの分野で、インターネット関連産業が約 3 分の 1 を占め、現在、政府クラウドが約 29% を占めています。運輸、物流、製造などの伝統産業は急速に進歩しています。将来的には、自動車会社がクラウド コンピューティングへの理解を深め、デジタル変革のプロセスを加速するにつれて、クラウドの受け入れがますます高まっていくと私は考えています。近い将来、クラウドにアクセスできないことは問題ではなくなるかもしれません。
5. ツールチェーンの開発動向
1.効率的: エンドツーエンド
現在、自動車会社が自動運転システムを開発する際の最大の問題点は、ツールチェーンとデータサイロの相互分離です。
従来のツールチェーン企業や新興企業では、シミュレーションをする人はシミュレーションをし、アノテーションをする人はアノテーションをするというように、ツールチェーンの特定のリンクに注目することが多いのですが、自動車会社が使う場合には、それぞれの部分が「アノテーション」として使われます。開発ツール チェーン全体の一部。リングは連続して使用されます。中央の特定のリンクだけに注目すると、必然的に他のリンクと「ずれ」が生じます。
さらに、現在のツール チェーンには業界標準が欠如しており、各企業は大きく異なっており、顧客は適応するのに多くの時間を費やす必要があるため、自動車会社は、1 つのサプライヤーがツール チェーンの複数のリンクを接続して自社の適応を減らすことができることを望んでいます。料金。この機会を見て、テクノロジー大手は「ツール チェーン エコロジー」で市場に参入し、フルスタック ツール チェーンを提供しています。
テクノロジー巨人の生態を見てみましょう。
( 1 ) NVIDIA: チップベースのエコロジー
チップ大手の NVIDIA は、自動車、デスクトップ、クラウドを中心に統合された GPU ハードウェア アーキテクチャと CUDA ソフトウェア アーキテクチャを構築しており、開発者は非常にシンプルな命令を使用して複雑な深層学習モデルを呼び出すことができます。「Nine Chapters Smart Driving」は、業界専門家との意見交換から、NVIDIA を選択した重要な理由は、NVIDIA が安定したツール チェーンと豊富なソフトウェア エコシステムを備えていることであることを学びました。成熟したツールチェーンの利点は、何か問題が発生した場合に、問題をすぐに特定できることです。
2017 年、NVIDIA は自動運転プラットフォーム NVIDIA DRIVE をリリースしました。これには、自社開発のソフトウェア アーキテクチャである Drive AV と Drive IX も搭載されています。NVIDIA DRIVE プラットフォーム用の車載インテリジェント ドライビング コントローラー。現在、Xavierシリーズが販売されており、最新のOrinは2022年に量産される予定で、ISO 26262 ASIL-Dの機能安全規格を満たすことができます。
シミュレーションの分野では、NVIDIA は 2018 年に Drive Constellation シミュレーション システムと Drive Sim を発売しました。
2019 年には、NVIDIA は高精度測位ソリューション DRIVE Localization のデモを行ったほか、高精度地図クラウドソーシング ソリューション NVIDIA MapWorks の提供も計画しています。
現在、NVIDIA は、メルセデスベンツ、アウディ、トヨタ、ボルボ、ボッシュ、コンチネンタルなどの企業と自動運転の研究開発協力を確立しています。
( 2 ) ファーウェイ：クラウド、パイプ、エンドコアの組み合わせのオープンエコシステム
ファーウェイは、「自動車を製造するのではなく、ICT技術に重点を置き、自動車会社が良い自動車を製造するのを支援する」という戦略を堅持しており、チップ、クラウド、ソフトウェアとハードウェア、ツールチェーン、高精度地図など、さまざまな側面で努力を続けている。オープンな「コンビネーションパンチ」を生み出す。
ファーウェイのインテリジェントドライビングコンピューティングプラットフォームMDCは、ファーウェイが自社開発したCPU、AIチップ、その他の制御チップを統合し、基盤となるソフトウェアとハードウェアの最適化を統合して、業界をリードする全体的なパフォーマンスを実現します。さらに、ファーウェイ MDC には完全なテスト プラットフォームとツール チェーンもあり、MDC 開発のためのフルスタック ソリューションを提供します。MDC プラットフォーム ハードウェアは、インテリジェント ドライビング オペレーティング システム AOS/VOS および MDC コアを実行します。言い換えれば、MDC は自動車グレードのソフトウェアとハードウェアを備えており、自動車会社が量産モデルを選択するのに便利です。
MDC の全体的なアーキテクチャ図 - Huawei MDC ホワイトペーパーより
自動運転開発ツールチェーンの分野では、ファーウェイが自動運転クラウドサービスを開始した。さらに、ファーウェイは、車両のインターネットクラウドサービス（インテリジェント運転、スマートコックピットのデータ収集と保存）、スリーパワークラウドサービス（クラウド管理と3つの電力システムの制御）、および高精度地図クラウドサービスも開始しました。これらに加えて、ファーウェイは自動運転センサーの導入に向けたソフト面とハード面の両方の対策を講じている。
( 3 ) Baidu : Apollo オープン プラットフォーム
2017 年、Baidu は、自動運転用オープン プラットフォームである Apollo をリリースし、自動車業界および自動運転分野のパートナーにオープンで完全かつ安全なソフトウェア プラットフォームを提供しました。Apollo プラットフォームは、ソフトウェア、ハードウェア、サービス システムの完全なセットであり、車両プラットフォーム、ハードウェア プラットフォーム、ソフトウェア プラットフォーム、クラウド データ サービスを含む 4 つの主要な部分により、パートナーは車両とハードウェア システムを組み合わせて独自の自動運転システムを迅速に構築できます。
その後、Apollo はアップグレードを続け、限られたエリアの視覚的高速自動運転、自動駐車 (バレーパーキング)、無人運行車両 (MicroCar)、自動シャトルバス (MiniBus)、複雑な都市道路での自動運転などのソリューションを開拓しました。 、独自のロボタクシー車両を構築し、「キャロットラン」ブランドの下で各地でテスト運行を開始しました。
Apolloが自動運転システムの安全性を向上させるミドルウェアCyber RTをリリースしたことは注目に値します。
Apollo エコシステムの開発者は、クラウドベースのシステム シミュレーション サービスと拡張現実自動運転シミュレーション システム AADS を提供します。
2021年初め、百度と吉利は共同で九度汽車を設立し、自動車製造の終了を発表したが、ロビン・リー氏は「九度汽車設立の目的は百度の自動運転技術とスマートコックピット技術を市場に広めることだ」と公言した。
( 4 ) Tencent: フルリンククラウドサービスと開発プラットフォーム
テンセントは自動運転クラウドエコシステムの開発プラットフォームも展開している。Tencent は自動車やセンサーの製造は行っておらず、ソフトウェアとサービスの提供のみを行っています。
テンセントは、自動車側では、認識、測位、計画、意思決定、制御を含むソリューションを提供し、クラウドでは、クラウド ストレージとコンピューティング能力サポートに基づいて、データ収集管理、サンプルのラベル付け、アルゴリズムのトレーニングと評価を構築しました。 、診断・デバッグ、クラウドシミュレーション（シミュレーションプラットフォームTAD Sim）、実車フィードバッククローズドループフルプロセスクラウドサービスは、自動運転の研究開発を支援するフルリンクのクラウドサービスと開発プラットフォームを提供します。
Tencent の自動運転ビジネスのレイアウトと位置付け (Tencent の Su Kuifeng 氏のオンライン公開情報から引用)
フルスタック ツール チェーンは、特にパイプラインを迅速に構築できるという点で効率が明らかに向上しています。「ファーウェイ・オクトパス」関係者は「各社の個別のツールチェーン・ソリューションを使用すると、リンクだけのデバッグに数か月かかる可能性がある。しかし、「ファーウェイ・オクトパス」はすでにリンク全体でデバッグを行っている。統合と適応は完了している。作業の重複を削減します。さらに、ファーウェイは顧客にリファレンスアルゴリズムのセットも提供します。顧客はこれに基づいてデバッグと最適化ができるため、開始の難しさが大幅に軽減されます。プロセス全体。完全なリンクで、非常に効率的です。
2.オープン: 各モジュールのデカップリング
多くの自動車会社が自社開発ツールチェーンの開発を選択する理由は、一方では効率性を考慮するため、他方では「安全性」を考慮するためであり、自動車会社はまた、これまでのエコシステムに対する支配を継続したいと考えており、私は「行き詰まり」の潜在的なリスクを好むので、ツールチェーン内の中小企業と協力することを好むことがよくあります。
オープン性という点では、テクノロジー大手はそれぞれ異なる戦略を持っているが、ある自動車メーカーの自動運転開発者によると、ある企業の自動運転開発プラットフォームのエコロジーは切り離されていないという。 「単一モジュールの使用を認めない」ことで顧客を深く拘束し、ファーウェイは別の道、つまり各モジュールを切り離すことを選択した。
ファーウェイの内部関係者によると、「ファーウェイ・オクトパス」のツールチェーンはデータ、トレーニング、シミュレーション、監視の4つの部分に分かれており、これら4つの部分は完全にオープン、切り離され、拘束されておらず、顧客がいつでも置き換えることができるという。
3.より柔軟な連携方法
自動車会社にとって、既存の技術埋蔵量では量産計画を支えられない場合には、量産を外部委託する必要があり、これは自主研究戦略と矛盾するように思われる。
「9 章のスマート ドライビング」とやり取りした際、自動車会社の開発者から得られた答えは驚くほど一貫していました。一方で、量産車には外部から購入した ADAS ソリューションが搭載されています。ブラックボックス購入であるため、サプライヤーはデータは非公開だが、自動車会社は競争力と完成車の販売のために、この「当面の停滞」を容認するしかないが、その一方で、自動車会社は自社の開発に多くの人的資源と物的資源を投資してきた。 「自分で開発したソリューションは大人になれば、だんだんバスに乗れるようになる」ということで、「詩と距離」を自分で開発しました。
自動車会社の顧客のこうした要求を考慮して、「ファーウェイ・オクトパス」は顧客にさまざまな協力オプションを提供しており、ファーウェイ関係者は「最初のオプションでは、ファーウェイが完全な量産ソリューションの開発と提供を担当し、2番目のオプションでは、ファーウェイが開発を担当し、顧客は一部のパラメータを自由に設定できます。3番目のオプションでは、ファーウェイが自動運転開発ツールチェーンを提供し、顧客は独自の調査を行い、ファーウェイはフルセットのアフターセールス開発コンサルティングサービスを提供します。」
6. まとめ
この記事では、自動運転開発ツールチェーンの観点から業界の現状と開発動向を分析します。
現在、自動運転開発ツールチェーン業界の発展はまだ未熟で、非標準化と情報のサイロ化が深刻で、主要な自動運転チームは開発効率を高めるために「自らの車輪を発明」する必要がある。
しかし、ツールチェーンに多くの新規プレイヤーが参入することで、業界全体が成熟に向けて発展しており、後続のツールチェーンも徐々にオープン化、標準化され、標準化されていくでしょう。特に、ファーウェイやエヌビディアなどの巨大企業は、自社のエコシステムを持ってこのゲームに参入し、開発チェーン全体を開放し、業界に事例をもたらし、業界の発展を促進している。ファーウェイ関係者の言葉を借りれば、これは「中国の自主性を引き上げている」という。産業を牽引する。」、前へ走り続けます。
自動運転のクラウドへの移行は大きなトレンドです。高度な自動運転では、技術研究段階から大規模商用段階へと徐々に進化しています。ストレージ、コンピューティング能力、その他のリソースの要件に加えて、また、インフラストラクチャ サービスの高い信頼性とセキュリティも必要であり、拡張性についても厳しい要件が課せられます。
従来のデータセンター構築モデルは、自動運転開発企業に莫大な建設コストと運用・保守のプレッシャーをもたらすことになる。パブリック クラウドは、複数のコンピューティング能力をサポートすることで、自動運転の開発プロセスにおけるモデル トレーニングや並列シミュレーション中に、大規模なインフラストラクチャ リソースに対する高度なコンピューティング能力、安全性、信頼性、柔軟性といったビジネス要件を満たすことができ、それによってアジャイルな運転を実現します。反復による自動運転アルゴリズムの開発。したがって、ほとんどの企業は依然としてパブリッククラウドのあり方に疑問を抱いていますが、自動運転業界全体の急速な発展とパブリッククラウドへの理解の継続的な深化に伴い、このサービスモデルはさらに推進されると考えられます。
参考記事：
1. Yellow Bath: 自動運転のためのデータ閉ループを作成する方法
https://zhuanlan.zhihu.com/p/391629735
2. Pan Asia Lu Jianxiang: なぜ大手インターネット企業は自動車を製造するのでしょうか? https://mp.weixin.qq.com/s/R0mHyblCCv1AMHny6go8-A
3. チェン・リーミン: 自動運転の課題とボッシュの量産への道のり
https://www.163.com/dy/article/FKAIHV8705279HKB.html
4. クラウド サービスにはどのような種類がありますか? クラウド コンピューティングの概念、分類、特性を把握する https://www.redhat.com/zh/topics/cloud-computing/public-cloud-vs-private-cloud-and-hybrid-cloud
5. 自動運転業界の観察 | Tencent の自動運転のレイアウトと核となる競争力 https://zhuanlan.zhihu.com/p/132423330
6. 詳細な開示: ファーウェイの自動運転クラウド サービス Octopus、タコの過去と現在の生活 https://mp.weixin.qq.com/s/UXQDQnnJNb-dsc0nfDJHFw
最後に書きます
著者とコミュニケーションをとる
記事の著者と直接通信したい場合は、右側の QR コードを直接スキャンして、著者の WeChat アカウントを追加できます。
注: WeChat を追加するときは、必ず本名、会社、現在の役職、その他の情報をメモしてください。ありがとうございます。
寄付について
「インテリジェント運転9章」（「知識の蓄積と集大成」系記事）への寄稿にご興味のある方は、右のQRコードをスキャンしてスタッフWeChatを追加してください。
注: WeChat を追加するときは、必ず本名、会社名、現在の役職をメモしてください。
そして提出意向などの情報、ありがとうございます！
「知識の蓄積」原稿の品質要件:
A: 情報密度は、ほとんどの証券会社のほとんどのレポートよりも高く、「9 章スマート ドライビング」の平均レベルを下回っていません。
B: 情報の希少性が高く、他の媒体では入手できない情報が 80% 以上であること、公開情報に基づくものである場合には、特に強力かつ独占的な視点が必要であること。ご理解とご支援をよろしくお願いいたします。
推奨読書:
◆候補者が「自動運転業界の将来性について楽観的」と言ったら、私は警戒する――九張志佳氏の起業1周年を振り返る（前編）
◆データが十分に収集されず、アルゴリズムが十分に速く反復されなければ、「誰も私を好きではない」——Jiuzhang Zhijia 1 周年記念レビュー (後編)