Destaques:
1. Tornou-se uma tendência para as montadoras desenvolverem sistemas de direção autônoma autodesenvolvidos.
2. O processo de desenvolvimento baseado em MBD não pode mais atender às necessidades de desenvolvimento de sistemas de direção autônomos , e um processo de desenvolvimento ponta a ponta baseado em dados precisa ser introduzido.
3. A eficiência da cadeia de ferramentas de desenvolvimento determina a eficiência de todo o desenvolvimento do sistema . A cadeia de ferramentas precisa ser combinada com o fluxo de dados do pipeline. Atualmente , a cadeia de ferramentas é geralmente fragmentada e "ilhas de dados".
4. O processamento de dados é a pedra angular da orientação por dados : a coleta inteligente de dados é imperativa, e a terceirização da rotulagem de dados e a busca por alta qualidade e baixo preço também estão se tornando mais óbvias.
5. A simulação de direção autônoma é um acelerador para o desenvolvimento : o software de simulação é necessário para entender a simulação e os carros; as bibliotecas de cenas são consideradas como competitividade central pelas empresas automobilísticas ; a avaliação da simulação enfrenta a tendência de diversificação e personalização ; o OpenX ganhou reconhecimento na indústria É geralmente reconhecido que o software de simulação é gradualmente padronizado .
6. Mapas de alta precisão são uma parte indispensável da cadeia de ferramentas, mas conformidade, precisão de cenas complexas e atualizações dinâmicas ainda são pontos problemáticos do setor.
7. A condução autônoma na nuvem é uma tendência importante.
8. A tendência de desenvolvimento de cadeias de ferramentas de desenvolvimento de condução autônoma é: cooperação eficiente (ponta a ponta), aberta e flexível.
Sob a tendência de desenvolvimento "inteligente" da indústria automotiva, várias funções de direção assistida de nível L2 tornaram-se configurações importantes para atrair consumidores. Por outro lado, na nova era de "carros definidos por software", a condução autônoma tornou-se um importante fator que afeta o futuro das empresas automobilísticas. importante estratégia para o desenvolvimento.
Neste contexto, as empresas automóveis precisam de responder a uma pergunta: Deverão desenvolver os seus próprios sistemas de condução autónoma?
Vamos primeiro fazer um balanço do layout de várias montadoras na área de direção autônoma:
Inventário do layout de direção autônoma das montadoras
Pode-se ver que o desenvolvimento de sistemas de direção autônoma se tornou uma grande tendência para as empresas automobilísticas.Muitas empresas automobilísticas também descobriram que o cerne da direção autônoma é dar pleno uso ao valor dos dados no contexto de "software e desacoplamento de hardware". Algumas montadoras até atribuem grande importância a Para o negócio de condução autônoma, a fim de facilitar o desenvolvimento subsequente do negócio, subsidiárias independentes foram estabelecidas uma após a outra para focar no desenvolvimento da direção inteligente. Por exemplo, o Grupo FAW estabeleceu uma subsidiária de inteligência artificial, FAW (Nanjing) Technology Development Co., Ltd.; a Great Wall Motors estabeleceu Hao Mo Zhixing; o Grupo SAIC estabeleceu um centro de software, SAIC Zero-Shu, etc.
1. Processo de desenvolvimento de condução autônoma – desde o design baseado em modelo até o baseado em dados
No entanto, não é fácil desenvolver um sistema de condução autónoma sozinho, porque o processo de desenvolvimento e a cadeia de ferramentas do sistema de condução autónoma são particularmente complexos.
O desenvolvimento tradicional de software automotivo usa o modelo V, incluindo muitas funções ADAS, que também são desenvolvidas usando esse processo. Para obter detalhes, consulte a figura abaixo: o lado esquerdo é o processo de design e desenvolvimento e o lado direito é o processo de teste e verificação.
V processo de desenvolvimento de modelo
O processo de design e desenvolvimento à esquerda é atualmente baseado no processo de desenvolvimento MBD (Model Based Design). A maioria dos elementos (modelos) são baseados nas caixas de ferramentas e blocos padrão fornecidos pelos produtos MathWorks (MATLAB e Simulink). Agrupar, construir o modelo na interface gráfica e gerar código automaticamente. A quantidade total de código que os engenheiros precisam escrever não é grande, a velocidade de desenvolvimento é rápida e o custo de desenvolvimento também é baixo.
O lado direito é o processo de teste e verificação, ou seja, X no loop, que utiliza diferentes métodos de teste em diferentes estágios, incluindo MIL/SIL/PIL/HIL/DIL/VIL e outros métodos de teste.
A lógica de controle de software automotivo tradicional, incluindo algumas funções ADAS relativamente simples de L2, ainda pode atender às necessidades usando o processo de desenvolvimento in-the-loop MBD + X. No entanto, à medida que as funções do algoritmo de direção autônoma se tornam cada vez mais complexas, o MBD- O processo de desenvolvimento baseado parece um pouco impotente .
Em primeiro lugar, para funções de condução autónoma mais complexas, a quantidade de código de software e a complexidade das funções também aumentaram em várias ordens de grandeza. A caixa de ferramentas estruturada e a modelagem de grupos de blocos também são competentes no desenvolvimento de algoritmos funcionais simples, mas diante de algoritmos complexos de aprendizado profundo, o MBD é um tanto esticado em termos de flexibilidade.
Em segundo lugar, a indústria de inteligência artificial vem se desenvolvendo há muitos anos. Seja arquitetura, cadeia de ferramentas ou várias bibliotecas de funções de código aberto, ela formou uma ecologia forte. A modelagem é muito mais eficiente no Mathworks.
Ao mesmo tempo, o software automóvel tradicional não mudará mais após a produção em massa, o que não é realista para o software de condução autónoma. Por um lado, o ciclo de desenvolvimento da condução autónoma é longo e o tempo de desenvolvimento e teste dentro do ciclo de desenvolvimento do veículo está longe de ser suficiente; por outro lado, a OTA permite a atualização contínua do software, para que a vida útil O ciclo do software também é estendido e com aprendizado profundo O algoritmo de direção autônoma representado pelo modelo precisa coletar continuamente dados de "caso angular" de cauda longa como "combustível" para iterar continuamente o sistema de algoritmo.
Há um ditado que diz que se você quer ir para o espaço não pode construir uma escada, deve construir uma nave espacial. Para desenvolver sistemas de condução autónoma de forma mais eficiente, os especialistas da indústria encontraram um processo adequado de desenvolvimento de condução autónoma baseado em aprendizagem profunda – ou seja, um processo de desenvolvimento ponta a ponta orientado por dados.
As empresas automotivas voltadas para o futuro e a Tier 1 também estão cientes dessa mudança no processo de desenvolvimento de software.
Chen Liming, presidente da Bosch Chassis Control Systems China, mencionou uma vez em público: “A condução autónoma envolve tantos cenários que é impossível continuar da forma tradicional, pelo que os testes reais em estrada devem ser incluídos, especialmente com métodos de verificação baseados em dados. A verificação da segurança da direção autônoma é a combinação do modelo V e do circuito fechado baseado em dados para realizar a verificação da segurança.”
Lu Jianxiang, diretor sênior do Pan Asia Technology Center, disse na recente Conferência Mundial de Inteligência: "As empresas automobilísticas tradicionais precisam se transformar do modelo original de desenvolvimento de integração de sistema em cascata da extremidade do carro para o modelo ágil de desenvolvimento de integração de cena de nuvem, tubo e acabar com a integração.”
É claro que isso não significa que os métodos tradicionais de MBD estejam completamente desatualizados. A ideia do modelo V ainda é muito instrutiva. Por exemplo, a simulação do sistema que desempenha um papel importante no teste do sistema de direção autônoma é na verdade SIL (mudança de software), e o método de desenvolvimento MBD usa os algoritmos lógicos subjacentes do carro, como algoritmos de controle de veículos, ainda serão usados.
Embora o processo de desenvolvimento de software baseado em dados de cada empresa seja diferente em detalhes, a ideia geral é a mesma, que segue basicamente as seguintes ideias: coleta de dados -> armazenamento de dados -> pré-processamento de dados -> mineração de dados -> anotação de dados -> Treinamento de modelo-> teste de simulação-> implantação e lançamento.
Plataforma de circuito fechado de dados da Waymo, citada no artigo Zhihu de Huang Yu
As ferramentas e plataformas utilizadas nos links acima (incluindo, entre outros, coleta de dados, processamento, ferramentas de anotação, plataformas de treinamento de modelos, plataformas de simulação, ferramentas OTA e algumas outras ferramentas de desenvolvimento) são chamadas de "cadeias de ferramentas". A eficiência da cadeia de ferramentas determina a eficiência de todo o desenvolvimento do sistema.
Embora possam não parecer muitas etapas, todo o link é, na verdade, muito complexo.
Tomando o processamento de dados como exemplo, existem muitos tipos de dados únicos, incluindo dados de câmeras, dados de radar de ondas milimétricas e dados de nuvem de pontos lidar.Esses dados precisam ser eliminados primeiro, o que é a chamada "limpeza de dados". Tomando como exemplo as fotos, o processamento de dados precisa primeiro apagar as informações de localização geográfica das fotos, remover informações confidenciais, como rostos e placas de veículos, e depois unificar o formato, para que o processamento seja completo.
Após a conclusão do processamento dos dados, a próxima etapa é iniciar a anotação dos dados. Os tipos de anotação podem ser divididos em 2D, anotação de objeto alvo 3D, anotação conjunta, anotação de linha de pista, segmentação semântica, etc. Também envolve especificações de anotação específicas e processo de inspeção de qualidade de anotação, e todo o processo é extremamente complicado.
Cada elo deste complexo processo requer o apoio de ferramentas e plataformas correspondentes.
Ao contrário do processo de desenvolvimento do MBD, que já possui uma cadeia de ferramentas madura, o processo de desenvolvimento baseado em dados começou tarde e a eficiência da cadeia de ferramentas não é alta, o que tem causado grandes problemas aos desenvolvedores de condução autônoma das montadoras.
Orientada por dados, a fonte são os dados. Confrontadas com o problema do enorme volume de dados, mas com a escassez de dados de alto valor, as empresas automóveis não têm muita experiência a que recorrer.
É claro que diferentes montadoras têm diferentes graus de acumulação no campo da direção autônoma, e os problemas encontrados na cadeia de ferramentas também são diferentes.
Algumas empresas automobilísticas começaram cedo e investiram pesadamente. O pipeline (baseado em dados) foi totalmente executado e eles acumularam muito. Para melhorar ainda mais a eficiência, eles também fizeram um grande desenvolvimento personalizado de cadeias de ferramentas. Um desenvolvedor de uma empresa automobilística disse a "Jiuzhang Zhijia" que, como as cadeias de ferramentas existentes fornecidas por diferentes empresas são "desenvolvimento segmentado", elas se concentram apenas em sua própria parte da função, em vez de prestar atenção à situação geral, resultando em séria fragmentação e “ilhas de dados”. Para satisfazer as suas próprias necessidades de eficiência, têm de desenvolver as suas próprias cadeias de ferramentas ou encontrar empresas no ecossistema que as forneçam.Até mesmo a plataforma de anotação de dados deve ser desenvolvida por eles próprios.
Para as empresas automobilísticas que não acumularam muita experiência neste campo, investir tantas pessoas para desenvolver cadeias de ferramentas nesta fase não é muito "econômico".Por um lado, a base é fraca e a tecnologia ainda não foi desenvolvida até esse ponto. Por outro lado, não é muito rentável. Na verdade, não havia tantas pessoas. Limitados pelo investimento em recursos e pela base técnica, eles ainda esperam integrar cadeias de ferramentas prontas e executar o pipeline (orientado por dados) o mais rápido possível. "As cadeias de ferramentas não são a nossa competitividade. A definição de requisitos, a integração de sistemas e os testes funcionais são a nossa." competitividade", disse o responsável pela condução inteligente de uma empresa automóvel ao "Nine Chapters Intelligent Driving".
Embora diferentes montadoras tenham diferentes estágios de desenvolvimento, elas também apresentam semelhanças, ou seja, todas apresentam o ponto problemático de “fragmentação” das cadeias de ferramentas. A seguir, começaremos a partir dos dois elos de processamento de dados e simulação, respectivamente, e analisaremos detalhadamente a situação atual e os pontos problemáticos da cadeia de ferramentas.
2. Processamento de dados: a pedra angular do data-driven
Orientado por dados, o núcleo são os dados.
O processo tradicional de desenvolvimento baseado em modelo trata mais da otimização do modelo com base na experiência anterior do desenvolvedor, enquanto o processo orientado por dados trata da otimização do modelo com base em grandes quantidades de dados. Para que as empresas automobilísticas possam estabelecer um processo de desenvolvimento baseado em dados, elas devem aprender como lidar com enormes volumes de dados.
O processamento de dados é o primeiro e mais complicado elo de toda a cadeia de desenvolvimento, incluindo coleta de dados, pré-processamento de dados, mineração de dados e anotação de dados.A quantidade de dados e a qualidade dos dados determinam diretamente todo o processo de desenvolvimento.
A imagem abaixo mostra o link para o processamento de dados de direção autônoma da Tesla.
Processo de processamento de dados do Tesla Autopilot (citado no artigo Zhihu de Huang Yu)
A cadeia de ferramentas relacionadas a dados inclui coleta de dados, upload de dados, limpeza de dados, anotação de dados e outros links.
1. Coleta de dados: a inteligência é imprescindível
Vamos falar primeiro sobre a coleta de dados.
Existem alguns conjuntos de dados de código aberto na indústria que podem ser usados para treinamento básico de algoritmos.Atualmente, os conjuntos de dados mais comumente usados incluem KITTI, nuScenes, etc. ainda relativamente poucos conjuntos de dados com características locais na China.
Resumo de conjuntos de dados de código aberto para direção autônoma, citando o artigo de Zhihu "Resumo de conjuntos de dados de código aberto para direção autônoma"
Neste caso, treinar um algoritmo para corresponder a um cenário específico requer a recolha de dados para esse cenário. Somente quando forem recolhidos dados suficientes e de alta qualidade o processo de acompanhamento poderá ser implementado. Quanto a este primeiro elo, a eficiência da actual cadeia de ferramentas não é muito boa.
Um funcionário de uma força líder na fabricação de novos automóveis disse a "Jiuzhang Zhijia" que o gatilho automático de coleta de dados de direção e a estratégia de upload de dados da empresa não podem atender aos requisitos de análise de problemas de acompanhamento. Por exemplo, depois que um usuário bate um carro, os dados retornados não podem ser usados – ou a quantidade de dados está incompleta ou a frequência de coleta está errada, e os desenvolvedores são muito ineficientes na solução de problemas.
De modo geral, diferentes casos extremos exigem diferentes formatos de dados e diferentes períodos de tempo necessários para análise subsequente. Isso é fácil de entender. A aquisição causada por diversos motivos é um problema no módulo de percepção ou tomada de decisão, ou um erro no mapa de alta precisão. É claro que os dados necessários são diferentes. Mesmo para alguns casos especiais, haverá alguns requisitos personalizados de coleta de dados, permitindo que os testadores realizem tarefas de coleta para testes em estradas.
É precisamente porque os requisitos de coleta são complexos e o link é difícil de ser feito.Na realidade, alguns engenheiros encontram problemas e optam por coletar dados por conta própria.
Para evitar os problemas mencionados acima, algumas empresas L4 Robotaxi optam por usar o método mais primitivo de "cópia do disco rígido" para enviar de volta a quantidade total de dados e, em seguida, realizar a mineração de dados.
Desta forma, não há problema quando o número de veículos de teste é pequeno. Quando o número de veículos subsequentes atingir um certo nível, a quantidade de dados coletados pela condução autônoma entrará em breve na era PB. Com esses dados "massivos", é realmente difícil encontrar alguns valiosos e relativamente pequenos. Corner Case, uma verdadeira "agulha no palheiro".
Para coletar dados fragmentados que sejam realmente úteis para a direção autônoma, é necessária uma estratégia de coleta de dados mais inteligente .
O que é uma estratégia inteligente de coleta de dados? É para coletar dados para cenários específicos.
Quando a equipe interna da Huawei se comunicou com "Nine Chapters Smart Driving", eles mencionaram que o "Huawei Octopus" tem a função de rotular cenas de forma inteligente: "Por exemplo, quando ocorre uma tomada manual ou ao encontrar túneis, rotatórias ou transferências à esquerda desprotegidas, etc., bem como cenários como triciclos expressos em que a nuvem precisa coletar e acumular ativamente dados para aprendizagem. Os desenvolvedores podem fazer upload de imagens que precisam ser obtidas pelo veículo e emitir instruções por meio da nuvem. O veículo adotará um método semelhante para 'pesquisar fotos por fotos'. Cenas semelhantes serão interceptadas automaticamente. Dessa forma, você só precisa filtrar os dados marcados como 'valiosos' e carregá-los para a nuvem, o que evita o upload de todos os dados e melhora a eficiência de Mineração de Corner Case."
2. Anotação de dados: Tendências de terceirização e busca por alta qualidade e baixo preço
Depois de encontrar dados valiosos, a limpeza e a anotação dos dados precisam ser realizadas.
No modelo de percepção baseado em aprendizado profundo, o método de treinamento de aprendizado profundo convencional ainda é o aprendizado supervisionado. O treinamento com esse método requer "alimentar" uma grande quantidade de dados com "verdade básica" para o modelo.
Então, de onde vêm esses dados de “valor verdadeiro”? Marcado manualmente.
Portanto, a indústria costuma brincar que inteligência artificial significa "tanta inteligência artificial quanto inteligência", e por causa da demanda por rotulagem massiva de dados, nasceu uma nova profissão - "treinador de inteligência artificial".
Embora o nome da profissão pareça bom, na verdade, a anotação de dados é essencialmente uma indústria que exige muita mão de obra. Para obter mão-de-obra suficientemente barata, as empresas reuniram-se em certas áreas de Xinjiang, Henan e Shanxi, formando clusters industriais para anotação de dados.
Como clientes (demandantes de marcação), o que lhes importa é se a qualidade da marcação é boa o suficiente e se o preço da marcação é barato o suficiente. Em outras palavras, "o cavalo deve correr rápido e o cavalo não comerá grama ".
Em primeiro lugar, o treinamento do modelo requer dados anotados de alta qualidade. A qualidade dos dados determina diretamente a precisão do modelo treinado. Se a qualidade não for alta, é fácil "entra lixo, sai lixo". A qualidade da anotação está intimamente relacionada ao custo da anotação.É uma grande questão se a qualidade da anotação de mão de obra barata em áreas economicamente subdesenvolvidas pode atender às necessidades dos desenvolvedores.
Em segundo lugar, a quantidade de dados que precisam ser anotados é enorme. Por exemplo, um novo algoritmo visual geralmente requer dezenas de milhares a centenas de milhares de imagens anotadas para treinamento. A otimização regular também requer milhares de imagens. O preço de rotular uma única A imagem é um pouco diferente. É um número enorme quando se trata de centenas de milhares de cópias. Portanto, o lado da demanda é muito sensível ao preço.
Os requisitos de rotulagem de alta qualidade conduzirão inevitavelmente a um aumento dos custos laborais, enquanto os preços baixos afectarão a qualidade da rotulagem.Alta qualidade e preço baixo parecem ter-se tornado uma contradição irreconciliável.
Para as montadoras, contratar dezenas de pessoas para fazer anotação de dados parecerá um custo de mão de obra muito pesado. Eles geralmente preferem terceirizar plataformas profissionais de anotação de dados ou equipes de anotação de dados.As plataformas de anotação de dados mais famosas incluem Baidu Zhongchai, JD Zhongzhi, My Neighbor Totoro Data, Datatang, etc.
Porém, a terceirização também se divide em duas categorias: o primeiro tipo é a terceirização humana, ou seja, fornece a própria plataforma de anotação e as ferramentas de anotação, e a empresa terceirizada só precisa fornecer mão de obra; o segundo tipo é a terceirização de serviços, ou seja, ele não fornece a plataforma de anotação e as ferramentas de anotação em si.Fornece diretamente os dados a serem rotulados para a empresa terceirizada, e a empresa terceirizada fornece os dados rotulados.
Algumas empresas automóveis têm requisitos muito elevados em termos de eficiência de etiquetagem e optarão por desenvolver as suas próprias plataformas e ferramentas de etiquetagem, pelo que optarão pela externalização humana; enquanto que para outras empresas automóveis, desenvolver as suas próprias plataformas de etiquetagem não é obviamente rentável. por um lado, não é rentável investir tantos recursos para desenvolver uma plataforma de anotação.Por outro lado, a plataforma de anotação autodesenvolvida não tem vantagem de preço em comparação com as externas.
Devido à explosão da demanda do mercado, muitas empresas iniciantes surgiram no setor de anotação de dados. Data.forge é uma delas. Seu fundador e CEO, Yang Yang, apresentou "Nove Capítulos de Condução Inteligente": O que os clientes estão mais preocupados é a relação qualidade/preço.Para melhorar Em termos de relação qualidade/preço, tomaram diversas medidas, como a anotação auxiliar automatizada e a otimização da comodidade das ferramentas de anotação, o que também constituiu o núcleo de competitividade da empresa.
Quando os membros da Huawei o apresentaram ao "Nine Chapters Smart Driving", eles mencionaram que o "Huawei Octopus" também fornece serviços de anotação de dados:
"Em primeiro lugar, o 'Huawei Octopus' passou muito tempo aprimorando seu próprio algoritmo de pré-anotação. Atualmente, a precisão do algoritmo de pré-anotação da Huawei atingiu o nível líder. Ele foi testado em vários conjuntos de dados públicos internacionais desafios de teste para direção autônoma, como nuScenes, COCO e KITTI. Obtendo o primeiro lugar, o algoritmo de pré-rotulagem pode reduzir significativamente o tempo necessário para rotular cada quadro de dados.
“Em segundo lugar, para optimizar o funcionamento da plataforma de anotação, combinaremos operações comerciais específicas para optimizar o método de interacção humano-computador e melhorar a eficiência operacional do pessoal.
"Em terceiro lugar, temos um sistema de gestão maduro para garantir a qualidade da rotulagem. Depois que o pessoal da rotulagem concluir a rotulagem, ela será entregue ao cliente após o triplo processo de inspeção de qualidade da autoinspeção do rotulador, a inspeção aleatória do inspetor de qualidade e a inspeção aleatória do gerente de rotulagem. Ao contrário de outras equipes de anotação, onde a maioria dos anotadores está localizada em Xinjiang, Henan, Shanxi e outros lugares, a equipe de anotação manual da Huawei está em Shenzhen, bem no escritório da Huawei. A razão para isso é facilitar a comunicação e o gerenciamento, e para garantir melhor a qualidade da anotação.
"Finalmente, para resolver o problema de conjuntos de dados locais de código aberto insuficientes, o 'Huawei Octopus' pode fornecer aos clientes 20 milhões de objetos marcados, além de serviços incrementais de rotulagem de dados, e esse conjunto de dados é Com iteração e expansão contínuas, os clientes podem use esses dados para treinamento e construa modelos rapidamente.”
3. Simulação – um acelerador para o desenvolvimento da condução autônoma
Como uma parte central da cadeia de ferramentas de direção autônoma, o sistema de simulação consiste principalmente em três partes: biblioteca de cenas, plataforma de simulação e sistema de avaliação. A eficiência do sistema de simulação afeta diretamente a eficiência de todo o link de desenvolvimento, por isso sempre tem sido um problema para os clientes. É também um mercado visado por muitos players.
É precisamente pela importância do sistema de simulação e pelo status quo imaturo que se sente profundamente que “o mundo é vasto e há muito o que fazer”, tantos jogadores entraram nesta pista um após o outro. De acordo com o tipo de empresa, esses jogadores podem ser divididos em três categorias: empresas tradicionais de software de simulação, empresas iniciantes de software de simulação e software de simulação gigante da tecnologia.A seguir está uma classificação e inventário.
1. Inventário de jogadores de software de simulação
(1) Empresas tradicionais de software de simulação
O software de simulação tradicional é representado pelo PreScan da Siemens, VTD da alemã VIRES, CarMaker da alemã IPG e CarSim da MSC dos Estados Unidos. Eles são amplamente utilizados pelas montadoras, seja por causa de seu profundo acúmulo em alguns campos ou por causa de suas excelentes funções: CarMaker e CarSim têm o acúmulo mais profundo e a força mais forte no campo de dinâmica de veículos; É famoso por oferecer suporte ao OpenX primeiro; PreScan tem atraiu muitos usuários por sua operação conveniente e facilidade de uso.
Com os recursos e vantagens existentes dos clientes acumulados no passado, eles se tornaram um player importante no campo do software de simulação de direção autônoma.
(2) Empresa de software de simulação inicial
Vendo o enorme espaço de mercado para software de simulação, muitos novos participantes de empresas iniciantes também entraram, na esperança de ganhar um pedaço do bolo. Por exemplo, a startup nacional 51WORLD (anteriormente 51VR) lançou a plataforma de teste de simulação de condução autônoma 51Sim-One; a startup israelense Cognata fornece diferentes soluções de simulação para cada etapa dos produtos de direção inteligente. Para atender às necessidades de diferentes clientes, ainda lançou um local Existem três versões: versão, versão em nuvem e versão de hardware.
As empresas start-up são mais sensíveis ao mercado e não têm bagagem histórica.A plataforma de simulação que fornecem às empresas automóveis começou a abrir conscientemente todos os aspectos da simulação e tornou-se uma força que não pode ser ignorada.
(3) Empresa gigante de software de simulação de tecnologia
NVIDIA: Constelação de Unidades
A NVIDIA lançou o sistema de simulação Drive Constellation em 2018. O sistema de simulação é construído por dois servidores diferentes. O primeiro servidor executa o software NVIDIA DRIVE Sim para simulação de sensores, como câmeras, lidar e radar de ondas milimétricas. O segundo servidor é equipado com a plataforma de computação veicular de inteligência artificial NVIDIA DRIVE Pegasus. Usado para processar dados de sensores simulados.
Drive Sim é baseado na plataforma Omniverse, que, segundo funcionários da NVIDIA, pode obter simulação de sensor “fotorrealista e fisicamente precisa”. Em termos de cenários, o Drive Constellation pode gerar fluxos de dados, criar vários ambientes de teste, simular várias condições climáticas, bem como diferentes superfícies de estradas e terrenos, e também pode simular luzes brilhantes deslumbrantes em diferentes momentos do dia e visão limitada à noite.
Huawei: serviço de nuvem autônomo "Huawei Octopus"
No campo das cadeias de ferramentas de desenvolvimento de condução autônoma, a Huawei lançou um serviço de nuvem de condução autônoma, também conhecido como "HUAWEI Octopus", que fornece serviços em termos de coleta de dados, mineração de casos difíceis, anotação de dados, treinamento de algoritmos e plataformas de simulação. Ele fornece uma solução completa e um grande número de conjuntos de dados e bibliotecas de cenários para uso dos clientes, ajudando as montadoras a construir uma plataforma de desenvolvimento de direção autônoma de circuito fechado baseada em dados.
Além disso, com base no poderoso negócio de nuvem da Huawei, o "Huawei Octopus" integra treinamento em nuvem e simulação paralela em nuvem. Possui cenários de simulação ricos, alta capacidade de processamento de instância simultânea e fornece mais de 200.000 instâncias de cenário de simulação; o sistema é testado diariamente virtualmente. a quilometragem pode exceder 10 milhões de quilômetros e suporta testes simultâneos de 3.000 instâncias.
Baidu : Plataforma Apollo
Baidu Apollo fornece aos desenvolvedores serviços de simulação de sistema de tomada de decisão baseados em nuvem e constrói uma plataforma de simulação em nuvem no Baidu Cloud e Microsoft Azure para construir facilmente uma capacidade operacional virtual de milhões de quilômetros por dia. Em termos de biblioteca de cenários, a biblioteca de cenários fornecida pela plataforma Baidu Apollo cobre cerca de 200 cenários, incluindo cenários legais e padrão, cenários de condições de trabalho perigosas e cenários de avaliação de capacidade.
A Apollo também coopera com a Unity para desenvolver um ambiente de simulação virtual baseado no mecanismo Unity e propõe um sistema de simulação de direção automática de ponta a ponta, sistema de simulação de direção automática de realidade aumentada AADS, que aumenta imagens do mundo real simulando o fluxo de tráfego para criar simulações realistas Cenas.
Baidu abriu o conjunto de dados autônomos ApolloScape, agora abriu 147.000 quadros de imagens semânticas anotadas em nível de pixel, incluindo centenas de milhares de quadros de dados de imagem de alta resolução com anotação de segmentação semântica pixel por pixel, como classificação perceptual e dados da rede rodoviária, bem como sua correspondente anotação semântica pixel por pixel. "
Tencent: TAD Sim
A Tencent lançou a plataforma de simulação TAD Sim em 2018. Esta é uma plataforma de simulação de direção autônoma virtual-real, online e offline, criada pela combinação de motores de jogos profissionais, modelos de dinâmica de veículos de nível industrial, fluxo de tráfego integrado virtual-real e outras tecnologias. realizar cenários Redução geométrica, redução lógica e redução física.
O TAD Sim também oferece suporte à operação em nuvem, incluindo simulação em nuvem baseada em cenários e simulação em nuvem virtual baseada em cidades. A simulação em nuvem do tipo cidade pode realizar simulação acelerada e simulação de alta simultaneidade, satisfazendo vários cenários e possibilidades de direção no mundo real e acelerando o processo de teste de direção automático da empresa. Existem mais de 1.000 tipos de cenas na biblioteca de cenas, com capacidade de teste de mais de 10 milhões de quilômetros por dia.
Esses gigantes da tecnologia constroem plataformas de simulação com base em suas capacidades de renderização existentes, computação em nuvem e outras vantagens para construir processos de simulação de direção autônoma.Todos os links downstream avançam o teste e a verificação de sistemas de direção autônoma um passo adiante.
2. Pontos problemáticos da simulação
( 1 ) Software de simulação: você deve entender tanto a simulação quanto os carros
Como elo na cadeia de desenvolvimento da condução autónoma, a simulação precisa de ser organicamente integrada com outros elos.
Embora o software de simulação tradicional seja muito profissional em certas áreas, é muito problemático conectar-se a links upstream e downstream.
Por exemplo, para problemas descobertos durante o teste de direção, os desenvolvedores certamente esperam incluir a cena na biblioteca de cenas de simulação, para que possam fazer testes de regressão posteriormente.No entanto, muitos softwares tradicionais não suportam essa função e só podem construir a cena biblioteca manualmente. A eficiência de construir manualmente uma biblioteca de cenas é muito baixa e é impossível construir algumas em um dia.
Por exemplo, alguns softwares de simulação tradicionais só podem ser executados no ambiente WINDOWS, mas agora o ambiente para desenvolvimento de direção autônoma é o ambiente Ubuntu.
Outro exemplo é que a função de simulação paralela em nuvem do software de simulação tradicional não é compatível, e alguns deles só são compatíveis com simulação em nuvem em versões recentes. Segundo um especialista do setor, como os softwares de simulação tradicionais vendem licenças, são vendidas diversas licenças para instalação desse software em vários computadores.
Como a simulação paralela em nuvem desempenha um papel cada vez mais importante, o modelo SaaS baseado em taxas de serviço é obviamente mais amigável ao cliente e também é uma tendência de desenvolvimento subsequente.O modelo tradicional de vendas de licenças de software de simulação também precisa ser ajustado em conformidade.
A simulação paralela em nuvem pode, sem dúvida, melhorar muito a eficiência do desenvolvimento de direção autônoma. As plataformas de simulação de gigantes como Huawei, Baidu e Tencent podem se conectar perfeitamente às suas plataformas em nuvem. Os produtos da startup 51WORLD também suportam simulação paralela e podem ser implantados em nuvens privadas e públicas.
Além de fornecer software de simulação, os gigantes ecológicos também integram plataformas de simulação com outras cadeias de ferramentas nas suas soluções full-stack. Por exemplo, "Huawei Octopus" fornece uma cadeia de ferramentas de simulação e avaliação completa na nuvem para realizar DevOps no campo da direção autônoma. Desde o acesso ao armazém de código, gerenciamento de versão, até simulação e avaliação, um circuito fechado automatizado pode ser percebeu. Desta forma, será mais fácil para as montadoras começarem e o custo de adaptação será menor.
No entanto, estes gigantes também enfrentam um grande desafio, ou seja, devido à falta de acumulação suficiente de hardware, tais como modelos de dinâmica de veículos e componentes automóveis essenciais, estas empresas precisam de complementar capacidades relevantes através de auto-investigação ou cooperação. Por exemplo, o Baidu optou por desenvolver seu próprio modelo de dinâmica de veículos, e a Apollo 5.0 adicionou um novo modelo de dinâmica de veículos, o sistema de simulação "Huawei Octopus" cooperou estrategicamente com o VTD e incorporou o modelo de dinâmica de veículos da CarMaker. Entende-se que a Huawei e a Saimu Technology também começaram a estabelecer uma relação de cooperação e desenvolverão esforços no domínio da segurança funcional esperada da condução autónoma (SOTIF).
( 2 ) A biblioteca de cenas é o núcleo
No link de desenvolvimento orientado por dados, orientado por dados equivale a "questionar táticas marítimas", e o que o examinador pode fazer é fazer perguntas cada vez mais difíceis. No link de desenvolvimento do sistema, a biblioteca de cenários equivale às questões de teste dadas pelo examinador para avaliar a qualidade do software, portanto, a quantidade e a qualidade da biblioteca de cenários determinam diretamente o nível do sistema.
As bibliotecas de cenários geralmente vêm de diversas fontes: Bibliotecas de cenários adquiridas de terceiros. A maioria das bibliotecas de cenários de terceiros disponíveis no mercado são baseadas em regulamentos padrão e dados de experiência de especialistas; As bibliotecas de cenários são construídas para cenários, como fazer Para o função de estacionamento, é mais trabalhoso projetar a cena para estacionamento; para o evento de aquisição ou caso de canto encontrado no teste de estrada, a biblioteca de cenas é gerada inversamente, o que equivale ao "livro de perguntas errado" do próprio examinado com base em as perguntas erradas anteriores.
Além dessas bibliotecas de cenas, as montadoras também continuam a “expandir” suas próprias bibliotecas de cenas por meio de casos de canto encontrados em testes de estrada. Em resposta a esta demanda, alguns softwares de simulação, como o "Huawei Octopus", oferecem a função de "converter cenários reais de drive test em cenários de simulação com um clique", podendo ser editados e generalizados nesta base. Por exemplo, alterando o ambiente climático, ambiente circundante, espelhamento e outros meios para generalizar mais cenários, e a Huawei também fornece capacidades de simulação híbrida virtual e real.
A chamada simulação híbrida virtual-real consiste em construir uma cena de teste na nuvem e, em seguida, carregá-la no veículo para rodar, para que o veículo possa simular várias cenas virtuais na estrada aberta ou em campo fechado, especialmente pedestres cruzamento, veículo não motorizado Cenários perigosos como CUT-IN podem testar o algoritmo de condução autônoma e o desempenho da dinâmica do veículo do veículo real, melhorando assim a eficiência do teste.
( 3 ) Avaliação de simulação
A avaliação da simulação pode ser a parte mais negligenciada de todo o sistema de simulação.
A avaliação da simulação inclui principalmente dois aspectos: por um lado, refere-se a se o teste atual pode ser considerado aprovado. Por outro lado, refere-se à consistência e repetibilidade do teste real do veículo na mesma cena correspondente a o teste atual.
Como avaliar se o sistema pode passar com sucesso no teste de uma biblioteca de cenas? As questões do exame acabaram e os examinandos terminaram, então como “cortar o papel” e definir o KPI para o sistema de software de direção autônoma?
Se você fosse um examinador, em quais critérios de avaliação você poderia pensar?
O ponto-alvo foi alcançado? Dirigiu com segurança (sem colisões)? Você passou o sinal vermelho? Você está acelerando ou desacelerando rapidamente? etc.
Existem muitos critérios de avaliação só de pensar nisso. O que é ainda mais problemático é que diferentes cenários têm diferentes ênfases na inspeção de algoritmos, e é muito provável que os critérios de avaliação também sejam diferentes. A biblioteca de cenas está cheia de coisas estranhas e os padrões de avaliação variam muito, naturalmente.
Mas, em geral, os critérios de avaliação podem ser divididos em cinco aspectos principais: conformidade com os padrões (se cumpre os regulamentos padrão), segurança de condução (se é suficientemente seguro) e eficiência de condução (se consegue chegar ao destino com eficiência suficiente, combustível economia), conforto de condução (se é suficientemente confortável) e inteligência de condução (se é suficientemente inteligente).
De acordo com especialistas do setor, cada biblioteca de cenas deve ser “feita sob medida” para passar ou falhar nos critérios de avaliação quando for construída. Neste momento, é necessário que o software de simulação forneça uma variedade de padrões de avaliação de simulação, se não for fornecido, significa que alguns aspectos não podem ser avaliados.
Portanto, cada software de simulação também pré-define os padrões de avaliação da biblioteca de cenas para os clientes com antecedência. Por exemplo, "Huawei Octopus" concentra-se em segurança, conforto, confiabilidade, experiência de interação humano-computador, usabilidade, conformidade, consumo de energia e A foram abertos um total de 200 indicadores de avaliação em termos de eficiência de tráfego e outras dimensões. De acordo com especialistas da Huawei, para tornar a avaliação de simulação mais flexível, também apoiaremos o desenvolvimento de padrões de avaliação de simulação personalizados pelos clientes no futuro.
3. Tendência de desenvolvimento de padronização de software de simulação
A conexão acima mencionada entre a plataforma de simulação e as cadeias de ferramentas upstream e downstream é feita verticalmente.Há outro grande problema na indústria: quando conectado horizontalmente, os formatos de diferentes softwares de simulação são incompatíveis.
A mesma montadora geralmente usa vários softwares de simulação ao mesmo tempo. Por exemplo, ela pode usar Prescan e VTD. Cada software de simulação acumulará uma série de casos de cenários. No entanto, os formatos de bibliotecas de casos de cenários produzidos por diferentes softwares de simulação são incompatíveis entre si. Compatíveis, os arquivos não podem ser usados universalmente.
Na verdade, isso ocorre porque toda a indústria não está suficientemente padronizada.
Para resolver este problema, OpenX, o padrão de campo de simulação lançado pela ASAM, foi reconhecido por muitas empresas automotivas, fornecedores e instituições de pesquisa científica. Atualmente, a maioria dos softwares de simulação também começou a suportar o padrão OpenX. ASAM está desenvolvendo mais padrões.
Padrão de formato de simulação ASAM (citado no Livro Azul de Simulação de Condução Autônoma da China de 2020)
Ainda existem alguns softwares de simulação que atualmente não suportam o formato OpenX. De acordo com especialistas do setor: "Algumas empresas de software de simulação desejam controlar todos os links em suas próprias mãos, tornando-se insubstituíveis e vinculando os clientes a eles, e não podem alterá-los, mesmo que queiram. Este também é o caso de algumas empresas de testes de simulação no passado. Este é um método comum usado por gigantes. Mas é definitivamente inaceitável para as montadoras. Elas realmente não querem ser sequestradas e esperam alcançar a padronização e reduzir os custos de migração."
Afinal, ainda há um pequeno número de pessoas que não suportam o OpenX. Em geral, a padronização é a tendência geral. Acredita-se que com o avanço da padronização, a compatibilidade de arquivos entre diferentes softwares não será mais um problema num futuro próximo.
4. Mapa de alta precisão , uma parte indispensável da cadeia de ferramentas
Como todos sabemos, muitas funções de condução autónoma L2+ utilizam agora mapas de alta precisão. Especialmente para a condução autónoma L4, os mapas de alta precisão tornar-se-ão uma infra-estrutura importante. Para simulação de direção autônoma, mapas de alta precisão também são um elo indispensável e importante. A construção de diversas cenas de simulação, como a conversão da cena de drive test mencionada acima em uma cena de simulação, e a simulação híbrida virtual-real, são inseparáveis do suporte de mapas de alta precisão.
(1) Questões de conformidade
No entanto, os mapas de alta precisão também apresentam muitos pontos problemáticos. A primeira coisa a resolver é o problema de conformidade.
Atualmente, existem apenas mais de 20 empresas nacionais com qualificações de levantamento e mapeamento Classe A. Huawei, Alibaba, Tencent, Baidu, Xiaomi e Didi têm essa qualificação. Entre as empresas automobilísticas, SAIC Zhonghaiting, Geely Yikatong e a recente aquisição da Zhitu Technology Xpeng Motors também possui qualificações de levantamento e mapeamento Classe A.
O CEO da NavInfo, Bai Xinping, disse certa vez à mídia: "Os mapas de alta precisão devem contar com a participação de empresas qualificadas. As qualificações estão relacionadas à conformidade e à segurança. Nos primeiros dias, a supervisão do estado nesta área não era muito rigorosa e se tornará mais e mais rigoroso no futuro."
Neste contexto, a fim de resolver problemas de conformidade dos planos de produção em massa, as empresas automóveis optarão por cooperar com prestadores de serviços de mapas qualificados. Os provedores de serviços de mapas precisam construir uma infraestrutura de alto desempenho e alta confiabilidade que atenda aos requisitos de segurança e conformidade e possa efetivamente suportar o armazenamento seguro de dados cartográficos massivos. Eles também devem ter recursos de computação poderosos e algoritmos inteligentes para dessensibilizar os dados de testes de direção. e o processamento de pedidos de conformidade.Ao mesmo tempo, o sistema também deve apoiar eficazmente parceiros terceirizados para realizar o desenvolvimento de direção inteligente e serviços de aplicativos de dados cartográficos.
(2) Problemas complexos de precisão da cena
Actualmente, os principais fornecedores de serviços de mapas cobriram as principais auto-estradas e vias rápidas em todo o país, mas a qualidade dos mapas ainda não é optimista e ainda haverá marcações em falta ou erradas.
Especialistas da indústria disseram a Jiuzhang Zhijia que a cobertura de mapas de alta precisão de seções de alta velocidade por um provedor líder de serviços de mapas não está completa, especialmente para rampas de entrada e saída da rodovia, bem como postos de pedágio e áreas de serviço, haverá desvios ou subcobertura.
Ao se comunicar com o responsável pelos mapas de alta precisão de uma empresa automobilística, o responsável disse a Jiuzhang Zhijia que quando estavam testando o L4 Robotaxi, o cenário principal eram as estradas urbanas e havia menos provedores de serviços de mapas que pudessem cobrir isso Além disso, a qualidade e a frequência de atualização não são altas, por isso eles próprios têm que coletar e produzir mapas de alta precisão.
Portanto, os mapas de alta precisão não devem apenas fortalecer a cobertura das rodovias, mas também focar na solução do problema de cobertura em cenários de deslocamento urbano e melhorar a precisão das condições complexas das estradas. Só desta forma o papel de suporte dos mapas de alta precisão para a condução autónoma pode ser melhorado e, ao mesmo tempo, apoiar eficazmente a simulação e o teste da condução autónoma em cenários urbanos complexos.
( 3 ) Problema de atualização dinâmica
Mapas de alta precisão também precisam resolver o problema das atualizações dinâmicas, caso contrário, uma vez que os dados percam a atualidade, não só serão incapazes de apoiar eficazmente a condução inteligente, mas também poderão trazer riscos à segurança.
Actualmente, muitos membros da indústria acreditam que o modelo de actualização de crowdsourcing de mapas se tornará o modelo tecnológico dominante no futuro porque tem mais vantagens em termos de taxa de actualização atempada e custo de recolha.Em relação a esta rota técnica, os prestadores de serviços de mapas nacionais relevantes também estão constantemente explorando e realizou testes técnicos relevantes. As atualizações de mapas de crowdsourcing não só enfrentam muitos desafios técnicos, como fontes de dados diversificadas, qualidade desigual, padrões de elementos de coleta inconsistentes, interoperabilidade de link entre dispositivo de nuvem e veículo, etc., mas também enfrentam restrições de leis e regulamentos nacionais, o que envolve riscos como como a filtragem de informações geográficas sensíveis, a encriptação de dados cartográficos e a fuga de privacidade pessoal, e requer um planeamento global adicional por parte dos departamentos nacionais relevantes.
Na verdade, resolver a atualização dinâmica de mapas de alta precisão é um projeto sistemático que requer a agregação e integração de recursos e dados multipartidários, bem como a colaboração de dispositivos de nuvem e de borda. No futuro, será por meio de mapas provedores de serviços, veículos conectados inteligentes, vários participantes do tráfego e estradas. Infraestrutura, computação de ponta e colaboração em nuvem, bem como big data de tráfego, dados de construção e manutenção de estradas, empresas operadoras de estradas e outras partes cooperam para obter atualizações dinâmicas de alta precisão mapas e melhorar a atualização dos dados de mapas de alta precisão.
Na opinião do autor, a produção e atualização de mapas de alta precisão é um grande projeto.Se um padrão unificado de elementos de mapa de alta precisão puder ser formado, vários recursos poderão ser coordenados e coordenados, o trabalho repetitivo poderá ser reduzido e um único mapa do país pode ser desenhado em conjunto, reduzindo assim enormemente o custo da indústria.Será uma bênção reduzir custos, melhorar a eficiência da indústria e a confiabilidade dos dados e reduzir os riscos de segurança de dados.
4. Nuvem ou não nuvem, eis a questão
1. Há muitos benefícios em migrar para a nuvem
No desenvolvimento de sistemas baseados em dados, é necessária uma grande quantidade de recursos de TI, seja para armazenamento de dados massivos, treinamento de modelos ou testes de simulação paralelos.
Especialistas da indústria disseram "Nove Capítulos de Condução Inteligente" que, ao desenvolver sistemas de direção autônomos, eles encontrarão repentinamente alguns requisitos repentinos de poder de computação, como treinamento de modelo. O poder de computação local não pode atender à demanda, e o processo de compra de novos servidores e aprovações deve O processo pode demorar vários meses, o que afecta grandemente o progresso do desenvolvimento. Entende-se que, para atender a essa demanda, a subsidiária de desenvolvimento de direção inteligente de uma determinada montadora planejou um andar inteiro do prédio de escritórios como sala de informática ao planejar um novo prédio de escritórios.
Seja armazenamento ou treinamento, existe uma maneira muito boa de lidar com essa demanda repentina, que é ir para a nuvem.
Há muitas vantagens em mudar para a nuvem. Por exemplo, o ambiente de desenvolvimento em nuvem tem boa compatibilidade e a rápida expansão elástica pode melhorar a eficiência do desenvolvimento. Também é benéfico em termos de custos e segurança de dados.
Em comparação com a construção de uma sala de informática autoconstruída, os benefícios de migrar para a nuvem
No contexto especial da epidemia do novo coronavírus, a transformação digital tornou-se o caminho para a sobrevivência das empresas. Em resposta à epidemia, se as empresas quiserem realizar negócios online em tempo real e mover cenários de serviços de offline para online, devem passar pela transformação digital e integrar funcionários, clientes, serviços e processos através de reuniões na nuvem, aquisição na nuvem, vendas na nuvem, nuvem assinatura, etc. Totalmente online.
Quanto maior for o grau de desenvolvimento digital, mais benéfico será para o desenvolvimento das empresas.De acordo com os dados da investigação da IDC, a viabilidade das empresas com elevado índice de digitalização é até cinco vezes superior ao nível médio.
A indústria geralmente acredita que para alcançar a transformação digital, ir para a nuvem é o único caminho, ou mesmo o primeiro passo: “A digitalização deve primeiro ir para a nuvem”.
Ir para a nuvem é uma opção necessária para estabelecer um link de desenvolvimento de circuito fechado para dados de condução autônoma. Veja o link otimizado do "Huawei Octopus" no Corner Case como exemplo. Depois que o controle manual ocorre no lado do carro, o "Huawei Octopus" é acionado automaticamente e envia feedback on-line para a nuvem. A nuvem rastreará, reproduzirá e diagnosticará a causa Se for confirmado Se a responsabilidade for do próprio veículo (problema do próprio sistema), o serviço de coleta de dados fará o upload dos dados válidos antes e depois da aquisição para a nuvem e entrará no processo de processamento de dados.
Se o link de percepção precisar ser otimizado, os dados serão coletados, limpos e rotulados e, após o processamento, o módulo de percepção será treinado na nuvem; se o módulo de controle de planejamento precisar ser otimizado, o cenário do problema será convertido em uma biblioteca de cenários de simulação com um clique. O sistema de algoritmo otimizado precisa passar por testes de simulação paralelos e testes de regressão. Se a avaliação da simulação também for aprovada, o serviço push OTA será lançado na nuvem e o sistema do lado do veículo será atualizado. Dessa forma, um circuito fechado completo será ser concluído.
Link de circuito fechado de dados "Huawei Octopus"
Ir para a nuvem é a única maneira de a direção autônoma passar do estágio de desenvolvimento e testes até a comercialização.
Actualmente, a maioria das empresas automóveis ainda se concentra no desenvolvimento e teste, com o número de veículos de teste variando de alguns a dezenas.No entanto, à medida que o número de veículos de teste aumenta, dezenas de milhares de veículos serão produzidos após a produção em massa, e o O número de veículos produzidos todos os dias aumentará. A quantidade de dados também aumentará de centenas/milhares de TB para 10 PB, e o poder de computação da GPU necessário para treinamento e simulação paralela também aumentará de dezenas para milhares. Até então, a necessidade de a migração para a nuvem se tornará cada vez mais urgente.
Depois de compreender os benefícios de migrar para a nuvem, vamos dar uma olhada na classificação da computação em nuvem.
As nuvens geralmente se enquadram em três categorias: nuvens públicas, nuvens privadas e nuvens híbridas.
A nuvem pública é construída em uma infraestrutura que não é de propriedade do usuário e pode ser distribuída para vários locatários. A nuvem mais comumente usada é a nuvem pública. Os provedores de serviços de nuvem pública comuns incluem Amazon AWS, Alibaba Cloud e Huawei. Cloud e Tencent Cloud, etc.
A nuvem privada é geralmente criada para um único cliente, e os direitos de acesso são exclusivos do cliente.Os clientes podem optar por construí-la em sua própria sala de informática (implantação privatizada) ou optar por hospedar serviços na sala de informática do provedor de serviços de nuvem (gerenciada). nuvem privada).
A nuvem híbrida geralmente pode ser vista como uma combinação de nuvem privada e nuvem pública, ou uma nuvem pública usando diferentes provedores de serviços.
Geralmente, acredita-se que as nuvens públicas podem ser expandidas rapidamente e são mais adequadas para cargas de trabalho com alta demanda ou flutuações.No entanto, para expandir as nuvens privadas, novos hardwares e recursos devem ser adquiridos ou alugados, o que é muito mais complicado. No processo de desenvolvimento de condução autônoma, por um lado, à medida que o número de veículos aumenta, a demanda por armazenamento aumentará exponencialmente.Por outro lado, há muitas vezes demandas repentinas de grande poder de computação durante o desenvolvimento (treinamento em nuvem ou simulação paralela , etc.) Diante de tais necessidades, a nuvem pública será mais adequada.
A julgar pela tendência de desenvolvimento da computação em nuvem, a proporção do mercado de nuvem pública está aumentando ano a ano, enquanto a proporção de nuvem privada está diminuindo ano a ano. Os dados da iiMedia Consulting mostram que no mercado de computação em nuvem da China em 2020, a escala da nuvem pública ultrapassou a nuvem privada em 2019 e se tornou o primeiro grande mercado.
2. Preocupações com a segurança dos dados
Ao se comunicar com "Nine Chapters Smart Driving", o pessoal da empresa automobilística, embora reconhecendo os benefícios da nuvem pública, também levantou preocupações sobre a segurança dos dados: "Se meus dados forem colocados na nuvem pública, eles serão apropriados indevidamente por terceiros?" Um carro funcionário da empresa disse isso.
É precisamente por causa dessas preocupações que muitas montadoras escolherão construir seus próprios servidores ou escolher nuvens privadas; algumas montadoras escolherão nuvens híbridas, ou seja, as empresas só executam alguns serviços que não envolvem segurança e privacidade de dados no nuvem pública., enquanto executa outros serviços na nuvem privada.
Embora algumas empresas automotivas líderes e novas forças automotivas escolham a nuvem pública, elas escolhem provedores de serviços com os quais tenham um relacionamento de equidade ao escolher provedores de serviços de nuvem pública. "Afinal, eles são seus próprios funcionários, então não precisam se preocupe com a segurança dos dados", explicaram.
A base da confiança é a compreensão mútua e a familiaridade. Muitas vezes, a desconfiança se deve à falta de compreensão, como é o caso da computação em nuvem.
Para as empresas que migram para a nuvem, a proteção adequada de seus dados na nuvem é o requisito de segurança mais importante e básico. Esta é também a "tábua de salvação" para os provedores de serviços em nuvem conquistarem a confiança dos clientes.
De acordo com a introdução em "Alibaba Economy Cloud Native Practice", os requisitos dos clientes para segurança de dados podem ser resumidos pelos três elementos básicos de segurança da informação "CIA", nomeadamente Confidencialidade (Confidencialidade), Integridade (Integridade) e Disponibilidade (Disponibilidade)) .
A confidencialidade significa especificamente que os dados protegidos só podem ser acedidos por utilizadores legítimos (ou esperados), e os seus principais métodos de implementação incluem o controlo de acesso aos dados, a prevenção de fugas de dados, a encriptação de dados e a gestão de chaves;
A integridade garante que apenas usuários legítimos (ou esperados) possam modificar os dados, o que é conseguido principalmente por meio do controle de acesso.Ao mesmo tempo, a integridade dos dados do usuário pode ser garantida por meio de algoritmos de verificação durante a transmissão e armazenamento de dados;
A disponibilidade de dados reflete-se principalmente nas capacidades gerais de segurança, capacidades de recuperação de desastres e confiabilidade do ambiente em nuvem, bem como na garantia normal de funcionamento de vários sistemas relacionados na nuvem (sistemas de armazenamento, acesso à rede, mecanismos de autenticação de identidade, permissão mecanismos de verificação, etc.).
Entre estes três aspectos, o meio técnico mais importante para garantir a confidencialidade (Confidencialidade) é a criptografia de dados, e é uma capacidade de criptografia de dados de link completo.
"Criptografia de link completo" refere-se à capacidade de proteção de criptografia de dados ponta a ponta, bem como à criptografia de todo o ciclo de vida dos dados, referindo-se principalmente ao processo de transmissão fora da nuvem para a nuvem e entre a nuvem unidades, para dados em execução em aplicativos O processo de cálculo (processamento/troca) no momento e a capacidade de criptografia no processo de armazenamento até que os dados sejam finalmente persistidos no disco.
De modo geral, o processo de operação de criptografia de dados consiste no cálculo dos dados em texto simples por meio de algoritmos de segurança reconhecidos internacional e nacionalmente para obter o texto cifrado dos dados. Nas operações criptográficas, chaves protegidas e gerenciadas com segurança são uma condição suficiente e necessária para a proteção criptográfica. Em outras palavras, controlar a chave também controla a iniciativa da operação geral de criptografia. Como o usuário traz sua própria chave mestra como recurso do usuário, e qualquer chamada deve ser autorizada pelo usuário, o usuário tem total controle independente e iniciativa sobre o uso de dados criptografados. Ao mesmo tempo, quaisquer chamadas para recursos do usuário serão totalmente exibidas nas auditorias de log, de modo que a transparência do uso de dados criptografados na nuvem seja melhor garantida.
O ciclo de vida da segurança de dados, extraído de Alibaba Economy Cloud Native Practice
Ao se comunicar com "Nine Chapters Smart Driving", muitas pessoas na indústria também mencionaram um ponto: quem pode garantir que os funcionários internos ou o pessoal de operação e manutenção do provedor de serviços em nuvem não usarão sua própria autoridade para usar secretamente meus dados?
Na verdade, isso envolve conformidade, que precisa ser garantida por meio de processos internos, e esse processo interno é frequentemente confirmado por meio de certificação de conformidade por um terceiro autorizado. Entre eles, a certificação de sistema de segurança da informação mais confiável, amplamente aceita e aplicada no mundo é a ISO27001, e as certificações de conformidade aprovadas por cada uma podem ser encontradas nos sites oficiais dos principais provedores de serviços em nuvem.
A certificação de conformidade externa também deve ser implementada internamente. Tomando a Huawei como exemplo, há uma série de linhas vermelhas de segurança internas, desde o desenvolvimento até o gerenciamento. Uma vez que alguém as viola, a punição será muito rigorosa e eles serão rebaixados, punidos, advertidos , ou até mesmo demitido. Espere. Ao falar sobre questões de conformidade, o insider da Huawei também brincou que depois que os Estados Unidos começaram a sancionar a Huawei, eles têm tentado ao máximo encontrar evidências "verdadeiras" da "não conformidade" da Huawei em escala global. prova do lado de quão rigorosa a Huawei é em termos de conformidade.Há algum tempo, o serviço de nuvem para carros inteligentes da Huawei também passou na certificação de terceiros ASPICE L2 e na auditoria APSICE (KGAS) PN (fornecedor potencial) do Grupo Volkswagen. A qualidade e o processo de desenvolvimento dos serviços em nuvem para carros inteligentes da Huawei foram reconhecidos pelos principais fabricantes de automóveis internacionais.
Talvez seja mais fácil entender do ponto de vista da lógica de negócios. Para os provedores de serviços em nuvem, a segurança dos dados do cliente é vital. Os clientes confiam suas vidas a você. Quando ocorre um problema, essa confiança deixa de existir e a base do negócio é perdida. E do ponto de vista da própria arquitetura da computação em nuvem, os dados na nuvem também serão mais seguros: por um lado, os provedores de serviços em nuvem farão backup de dados para recuperação de desastres fora do local (para evitar a perda de dados causada por desastres naturais, como incêndios), por outro lado, o nível de proteção da segurança também será mais elevado (mais talentos em segurança, mais medidas de segurança).
Embora para as montadoras a tendência geral seja a migração para a nuvem, isso não acontecerá da noite para o dia. As montadoras precisam de um processo para compreender e aceitar a nuvem pública.
Um profissional de marketing de nuvem pública disse ao "Nine Chapters Smart Driving" que, relativamente falando, empresas autônomas e empresas automotivas estrangeiras com experiência na Internet estão mais dispostas a ir para a nuvem. As empresas automobilísticas tradicionais, especialmente as empresas estatais, estão mais preocupadas com dados. .
A julgar pela tendência de desenvolvimento da indústria de computação em nuvem, diferentes indústrias têm diferentes entendimentos da nuvem, e a taxa de penetração da computação em nuvem também é diferente.De acordo com dados da Frost & Sullivan, os principais usuários de computação em nuvem na China estão atualmente concentrados em a Internet, que tem exposição relativamente precoce à nuvem. , finanças, governo e outras áreas, entre as quais as indústrias relacionadas à Internet representam cerca de um terço, e a nuvem governamental atualmente representa cerca de 29%. O nível de aplicação de computação em nuvem em indústrias tradicionais, como transporte, logística e manufatura, estão melhorando rapidamente. Acredito que no futuro, à medida que as empresas automóveis aprofundem a sua compreensão da computação em nuvem e acelerem o processo de transformação digital, a sua aceitação da nuvem será cada vez maior. Num futuro próximo, não conseguir acessar a nuvem poderá não ser mais um problema.
5. Tendência de Desenvolvimento da Cadeia de Ferramentas
1. Eficiente: ponta a ponta
Atualmente, o maior problema para as montadoras no desenvolvimento de sistemas de direção autônoma é a separação mútua de cadeias de ferramentas e silos de dados.
As empresas tradicionais da cadeia de ferramentas e as start-ups geralmente se concentram em um determinado elo da cadeia de ferramentas. Por exemplo, aqueles que fazem simulação fazem simulação e aqueles que fazem anotações fazem anotações. No entanto, quando as montadoras o utilizam, cada peça é usada como uma parte de toda a cadeia de ferramentas de desenvolvimento. Os anéis são usados em série. Se você focar apenas em um determinado link no meio, ele inevitavelmente ficará "desalinhado" com outros links.
Além disso, a atual cadeia de ferramentas carece de padrões da indústria e cada empresa é muito diferente. Os clientes precisam gastar muito tempo para se adaptar. Portanto, as montadoras esperam que um fornecedor possa abrir vários elos na cadeia de ferramentas para reduzir sua própria adaptação. .custo. Vendo esta oportunidade, os gigantes da tecnologia entraram no mercado com “ecologia de cadeia de ferramentas” e forneceram cadeias de ferramentas completas.
Vamos dar uma olhada na ecologia dos gigantes da tecnologia:
( 1 ) NVIDIA: ecologia baseada em chip
A gigante dos chips Nvidia construiu uma arquitetura unificada de hardware GPU e uma arquitetura de software CUDA em torno do carro, do desktop e da nuvem.Os desenvolvedores podem chamar modelos complexos de aprendizado profundo com instruções muito simples. "Nove Capítulos de Condução Inteligente" aprenderam com as trocas com especialistas do setor que a razão importante para eles escolherem a Nvidia é que a Nvidia possui uma cadeia de ferramentas estável e um rico ecossistema de software. A vantagem de uma cadeia de ferramentas madura é que, se algo der errado, você poderá localizar rapidamente o problema.
Em 2017, a NVIDIA lançou a plataforma de direção autônoma NVIDIA DRIVE, que também é equipada com arquiteturas de software autodesenvolvidas Drive AV e Drive IX. Controlador de direção inteligente no veículo para a plataforma NVIDIA DRIVE. A série Xavier está atualmente no mercado, e o Orin mais recente está planejado para ser produzido em massa em 2022 e pode atender ao padrão de segurança funcional da ISO 26262 ASIL-D.
No campo da simulação, a NVIDIA lançou o sistema de simulação Drive Constellation e o Drive Sim em 2018.
Em 2019, a NVIDIA também demonstrou sua solução de posicionamento de alta precisão DRIVE Localization.Além disso, a NVIDIA também está planejando uma solução de crowdsourcing de mapas de alta precisão NVIDIA MapWorks.
Atualmente, a NVIDIA estabeleceu cooperação em P&D de direção autônoma com Mercedes-Benz, Audi, Toyota, Volvo, Bosch, Continental e outras empresas.
( 2 ) Huawei: ecossistema aberto de combinação nuvem-pipe-end-core
A Huawei adere à estratégia de "não construir carros, concentrando-se na tecnologia TIC e ajudando as empresas automobilísticas a construir bons carros", e exerce seus esforços em chips, nuvem, software e hardware, cadeias de ferramentas e mapas de alta precisão, jogando "combinado socos" para formar uma ecologia aberta.
A plataforma de computação de condução inteligente MDC da Huawei integra CPU, chip de IA e outros chips de controle desenvolvidos pela própria Huawei e integra otimização do software e hardware subjacentes para alcançar desempenho geral líder do setor. Além disso, o Huawei MDC também possui uma plataforma de teste completa e uma cadeia de ferramentas, fornecendo uma solução full-stack para o desenvolvimento de MDC. O hardware da plataforma MDC executa o sistema operacional de condução inteligente AOS/VOS e MDC Core. Em outras palavras, o MDC possui software e hardware para automóveis, o que é conveniente para as montadoras escolherem modelos produzidos em massa.
Diagrama de arquitetura geral do MDC - do white paper Huawei MDC
No campo das cadeias de ferramentas de desenvolvimento de condução autônoma, a Huawei lançou serviços em nuvem de condução autônoma. Além disso, a Huawei também lançou serviços em nuvem de Internet de Veículos (condução inteligente, coleta e armazenamento de dados de cockpit inteligente), três serviços de nuvem elétrica (gerenciamento em nuvem e controle de três sistemas elétricos) e serviços de nuvem de mapas de alta precisão. Além disso, a Huawei também “age de forma dura e suave” e implantou sensores de direção autônomos.
( 3 ) Baidu : plataforma aberta Apollo
Em 2017, o Baidu lançou o Apollo, uma plataforma aberta de direção sem motorista, para fornecer aos parceiros da indústria automotiva e de direção autônoma uma plataforma de software aberta, completa e segura. A plataforma Apollo é um conjunto completo de software, hardware e sistemas de serviço, incluindo o plataforma de veículo, plataforma de hardware, plataforma de software e serviço de dados em nuvem são quatro partes principais que podem ajudar os parceiros a combinar veículos e sistemas de hardware para construir rapidamente seu próprio sistema de direção autônoma.
Acompanhamento A Apollo continuou a se atualizar e abriu soluções como direção automática visual de alta velocidade em área limitada, estacionamento autônomo (Valet Parking), veículo operacional não tripulado (MicroCar), ônibus automático (MiniBus) e direção automática em complexo estradas urbanas.Iniciou a construção de frota própria de Robotaxi e a realização de operações de teste em diversos locais sob a marca “Carrot Run”.
Vale ressaltar que a Apollo lançou o middleware Cyber RT para melhorar a segurança do sistema de direção autônoma.
Os desenvolvedores do ecossistema Apollo fornecem serviços de simulação de sistema baseados em nuvem e sistema de simulação de direção autônoma de realidade aumentada AADS.
No início de 2021, Baidu e Geely estabeleceram conjuntamente a Jidu Automobile e anunciaram que construirão carros.Robin Li declarou publicamente que "o objetivo de estabelecer a Jidu Automobile é promover a tecnologia de direção autônoma e a tecnologia de cockpit inteligente da Baidu para o mercado".
( 4 ) Tencent: serviços em nuvem full-link e plataforma de desenvolvimento
A Tencent também está desenvolvendo uma plataforma de desenvolvimento para o ecossistema de nuvem de condução autônoma. A Tencent não fabrica carros ou sensores, apenas fornece software e serviços.
No lado do carro, a Tencent fornece soluções que incluem percepção, posicionamento, planejamento, tomada de decisão e controle; na nuvem, com base no armazenamento em nuvem e suporte de poder de computação, a Tencent construiu gerenciamento de coleta de dados, rotulagem de amostras, treinamento e avaliação de algoritmos , diagnóstico e depuração, simulação em nuvem (plataforma de simulação TAD Sim) e feedback de veículo real, serviços de nuvem de processo completo de circuito fechado fornecem serviços de nuvem de link completo e plataformas de desenvolvimento que suportam pesquisa e desenvolvimento de direção autônoma.
Layout e posicionamento de negócios de direção autônoma da Tencent (citado no compartilhamento público on-line de Su Kuifeng da Tencent)
A cadeia de ferramentas full-stack apresenta melhorias óbvias em eficiência, especialmente porque pode construir rapidamente um pipeline. Os membros do "Huawei Octopus" disseram: Se a solução de cadeia de ferramentas discreta de cada empresa for usada, pode levar vários meses para depurar o link sozinho. No entanto, o "Huawei Octopus" já fez isso para todo o link. A integração e a adaptação estão concluídas, o que reduz a duplicação de trabalho. Além disso, a Huawei também fornece aos clientes um conjunto de algoritmos de referência. Os clientes podem depurar e otimizar com base nisso, o que reduz bastante a dificuldade de começar. Leva apenas alguns dias, no máximo, para executar o todo o processo.Link completo, muito eficiente.
2. Aberto: desacoplamento de cada módulo
A razão pela qual muitas montadoras optam por desenvolver cadeias de ferramentas autodesenvolvidas é, por um lado, por considerações de eficiência e, por outro lado, por considerações de "segurança".As montadoras também desejam continuar seu controle anterior sobre o ecossistema, e instintivamente não quero, gosto do risco potencial de ficar "preso", por isso gosto muitas vezes de cooperar com pequenas empresas na cadeia de ferramentas.
Em termos de abertura, diferentes gigantes da tecnologia têm estratégias diferentes. De acordo com um desenvolvedor de direção autônoma de um determinado fabricante de automóveis, a ecologia da plataforma de desenvolvimento de direção autônoma de uma determinada empresa não está dissociada. "Se você quiser escolher, você deve 'aceitar na íntegra.' Não aceite o uso de um único módulo" para vincular profundamente os clientes; e a Huawei escolheu outra forma - a dissociação dos módulos.
De acordo com especialistas da Huawei, a cadeia de ferramentas do "Huawei Octopus" é dividida em quatro partes: dados, treinamento, simulação e supervisão. Essas quatro partes são completamente abertas, desacopladas e não vinculadas, e podem ser substituídas pelos clientes a qualquer momento.
3. Métodos de cooperação mais flexíveis
Para as empresas automóveis, se as reservas técnicas existentes não puderem apoiar os planos de produção em massa, terão de externalizar a produção em massa, o que parece entrar em conflito com a estratégia de auto-investigação.
Ao se comunicar com "Nove Capítulos de Condução Inteligente", as respostas dadas pelos desenvolvedores das empresas automobilísticas foram surpreendentemente consistentes: por um lado, os carros produzidos em massa são equipados com soluções ADAS adquiridas de fora. Por se tratar de uma compra de caixa preta, o fornecedor é não aberto. Quaisquer dados, mas por uma questão de competitividade e vendas de veículos completos, as montadoras só podem tolerar essa "estagnação imediata", por outro lado, as montadoras também investiram muita mão de obra e recursos materiais em auto- desenvolvi soluções L2+. "Uma vez que as soluções autodesenvolvidas Quando você amadurecer, você gradualmente entrará no ônibus." Então desenvolvi "Poesia e Distância" sozinho.
Levando em consideração essas demandas dos clientes das montadoras, "Huawei Octopus" oferece aos clientes uma variedade de opções de cooperação. Os insiders da Huawei apresentaram: "Na primeira opção, a Huawei é responsável por desenvolver e fornecer soluções completas de produção em massa; na segunda opção, A Huawei é responsável pelo desenvolvimento e os clientes podem configurar livremente alguns parâmetros; na terceira opção, a Huawei fornece uma cadeia de ferramentas de desenvolvimento de condução autônoma, e os clientes fazem suas próprias pesquisas, e a Huawei fornece um conjunto completo de serviços de consultoria de desenvolvimento pós-venda."
6. Resumo
Este artigo analisa o status atual e as tendências de desenvolvimento da indústria sob a perspectiva da cadeia de ferramentas de desenvolvimento de direção autônoma.
Actualmente, o desenvolvimento da indústria da cadeia de ferramentas de desenvolvimento de condução autónoma ainda é imaturo, e a não normalização e os silos de informação são graves.As principais equipas de condução autónoma têm de "inventar as suas próprias rodas" por uma questão de eficiência do desenvolvimento.
No entanto, com a entrada de muitos novos intervenientes na cadeia de ferramentas, a indústria em geral está a desenvolver-se em direcção à maturidade, e as cadeias de ferramentas subsequentes tornar-se-ão gradualmente abertas, normalizadas e padronizadas. Em particular, gigantes como a Huawei e a Nvidia entraram no jogo com os seus ecossistemas, abrindo toda a cadeia de desenvolvimento, trazendo exemplos para a indústria e promovendo o desenvolvimento da indústria. Nas palavras de um membro da Huawei, isto está a "puxar a autonomia autónoma da China". impulsionando a indústria.", continue correndo."
Mover a direção autônoma para a nuvem é uma tendência importante. Com a direção autônoma de alto nível, ela está evoluindo gradualmente do estágio de pesquisa técnica para o estágio comercial em grande escala. Além dos requisitos de armazenamento, poder de computação e outros recursos, é também exige alta confiabilidade e segurança dos serviços de infraestrutura, e a escalabilidade impõe requisitos rigorosos.
O modelo tradicional de construção de data centers trará enormes custos de construção e pressão de operação e manutenção para empresas de desenvolvimento de condução autônoma. Ao suportar múltiplos poderes de computação, a nuvem pública pode atender às necessidades de negócios de extremo poder de computação, segurança, confiabilidade, elasticidade e flexibilidade para recursos de infraestrutura massivos durante o processo de desenvolvimento de direção autônoma, como treinamento de modelo e simulação paralela, alcançando assim o desenvolvimento ágil de algoritmos de direção autônoma com iteração. Portanto, embora a maioria das empresas tenha actualmente dúvidas sobre a abordagem da nuvem pública, acredito que com o rápido desenvolvimento de toda a indústria de condução autónoma e o aprofundamento contínuo da compreensão da nuvem pública, este modelo de serviço será ainda mais promovido.
Artigo de referência:
1. Banho Amarelo: Como criar um circuito fechado de dados para direção autônoma
https://zhuanlan.zhihu.com/p/391629735
2. Pan Asia Lu Jianxiang: Por que as grandes empresas de Internet constroem carros? https://mp.weixin.qq.com/s/R0mHyblCCv1AMHny6go8-A
3. Chen Liming: Desafios da condução autónoma e o caminho da Bosch para a produção em massa
https://www.163.com/dy/article/FKAIHV8705279HKB.html
4. Que tipos de serviços em nuvem existem? Faça um balanço dos conceitos, classificações e características da computação em nuvem https://www.redhat.com/zh/topics/cloud-computing/public-cloud-vs-private-cloud-and-hybrid-cloud
5. Observação sobre a indústria de direção autônoma | Layout da Tencent e competitividade central da direção autônoma https://zhuanlan.zhihu.com/p/132423330
6. Divulgação detalhada: Octopus, serviço de nuvem de condução autônoma da Huawei, a vida passada e presente de um polvo https://mp.weixin.qq.com/s/UXQDQnnJNb-dsc0nfDJHFw
escreva no final
comunicar com o autor
Se quiser se comunicar diretamente com o autor do artigo, você pode digitalizar diretamente o código QR à direita e adicionar a conta WeChat do autor.
Nota: Ao adicionar o WeChat, certifique-se de anotar seu nome real, empresa, cargo atual e outras informações, obrigado!
Sobre o envio
Se você estiver interessado em contribuir com "Nove Capítulos de Direção Inteligente" (artigos do tipo "acumulação e compilação de conhecimento"), digitalize o código QR à direita e adicione o WeChat da equipe.
Observação: certifique-se de anotar seu nome real, empresa e posição atual ao adicionar o WeChat
E informações como intenção de envio, obrigado!
Requisitos de qualidade para manuscritos da categoria “Acumulação de Conhecimento”:
R: A densidade de informações é superior à maioria dos relatórios da maioria das corretoras, e não inferior ao nível médio de “Nove Capítulos de Condução Inteligente”;
B: A informação deve ser altamente escassa e mais de 80% da informação precisa estar indisponível em outros meios de comunicação. Se for baseada em informação pública, precisa ter uma perspectiva particularmente poderosa e exclusiva. Obrigado pela sua compreensão e apoio.
Leitura recomendada:
◆ Nove capítulos – Uma coleção de artigos em 2021
◆ Remova fusíveis e relés para tornar a condução autônoma mais segura
◆ Eliminar o ISP é um passo fundamental para a “rota visual pura” da Tesla
◆ Como as empresas de condução autônoma constroem sistemas de mercado de produtos