自動運転開発ツールチェーンの現状と動向を20,000語で解説

要点:

1. 自動車会社が独自の自動運転システムを開発することがトレンドとなっている。

2. MBDベースの開発プロセスでは自動運転システムの開発ニーズ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の開発プロセスを導入する必要があります。

3. 開発ツール チェーンの効率が、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。現在のツール チェーンには、一般に断片化と「データ アイランド」現象があります。

4. データ処理はデータ駆動の要です。インテリジェントなデータ収集が不可欠であり、データラベリングのアウトソーシングと高品質と低価格の追求もますます顕著になっています。

5. 自動運転シミュレーションは開発の加速器です。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。シナリオライブラリは自動車会社にとってコア競争力とみなされています。シミュレーション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は業界で広く認知され、シミュレーションソフトウェアは徐々に標準化されてきました。

6. 高精度マップはツール チェーンに不可欠な要素です。コンプライアンス、複雑なシナリオでの精度、動的な更新は、依然として業界の悩みの種となっています。

7. クラウド上で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動向は、効率性（エンドツーエンド）、オープン性、柔軟な連携です。

自動車業界の「インテリジェント化」の発展傾向の下で、さまざまなL2レベルの運転支援機能が消費者を引き付ける重要な構成になっています。一方、「ソフトウェア定義車」の新時代では、自動運転は自動車会社の将来の発展に影響を与える重要な戦略となっています。

このような背景から、自動車メーカーは「独自の自動運転システムを開発すべきか？」という疑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状況を見てみましょう。

自動車会社の自動運転レイアウトを一覧にすると、自社開発の自動運転システムが大きなトレンドになっていることがわかります。多くの自動車会社も、自動運転の核心は「ソフトウェアとハ​​ードウェアの分離」を背景にデータの価値を最大限に発揮することにあることを発見しました。一部の自動車会社は、自動運転事業を重視し、その後の事業の発展を促進するために、スマート運転の開発に重点を置く独立した子会社を設立しました。例えば、FAWグループは人工知能子会社であるFAW（南京）テクノロジー開発有限公司を設立し、Great Wall MotorsはMomentum Intelligent Drivingを設立し、SAICグループはソフトウェアセンターSAIC Zero-Brainの構築を計画しました。

1. 自動運転開発プロセス - モデルベース設計からデータ駆動型へ

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、自力で自動運転システムを開発するのは簡単ではありません。

従来の自動車ソフトウェア開発では V モデルが使用され、多くの ADAS 機能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 モデル開発プロセス 左側の設計・開発プロセスは現在、モデルベース設計 MBD (Model Based Design) 開発プロセスに基づいています。要素 (モデル) のほとんどは、MathWorks 製品 (MATLAB および Simulink) が提供する標準ツールボックスとブロック グループに基づいています。モデルはグラフィカル インターフェイス上に構築され、コードは自動的に生成されます。エンジニアが書く必要のあるコードの総量は多くなく、開発速度が速く、開発コストが低くなります。

右側はテスト検証プロセス、つまりループ内の X で、MIL/SIL/PIL/HIL/DIL/VIL やその他のテスト方法など、さまざまな段階でさまざまなテスト方法を使用します。

従来の自動車ソフトウェア制御ロジックは、L2の比較的単純なADAS機能も含めて、MBD+Xインザループ開発プロセスを使用することで依然としてニーズを満たすことができます。しかし、自動運転アルゴリズムの機能がますます複雑になるにつれて、これまでのMBDベースの開発プロセスでは少々不十分になってきました。まず、自動運転機能が複雑になるほど、必要なソフトウェア コードと機能も数桁増加します。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、単純な機能アルゴリズムの開発には適していますが、複雑なディープラーニング アルゴリズムの場合、MBD の柔軟性は多少制限されます。

第二に、人工知能業界は長年にわたって発展しており、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面で強力なエコシステムが形成されています。今日の自動運転の実践者にとって、プログラミングを直接使用して実装する方が、Mathworks でモデリングするよりもはるかに効率的です。 同時に、従来の自動車ソフトウェアは大量生産後は変更できなくなり、これは自動運転ソフトウェアにとっては非現実的です。一方では、自動運転の開発サイクルは長く、車両開発サイクル全体の中で開発とテストに費やす時間は十分ではありません。一方、OTA は継続的なソフトウェア アップグレードを可能にするため、ソフトウェアのライフサイクルも延長されます。ディープラーニング モデルに代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。

宇宙に行きたいなら、はしごを使うのではなく、宇宙船を作らなければならない、という格言があります。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、ディープラーニングベースの自動運転に適したデータ駆動型のエンドツーエンドの開発プロセスを見つけました。先見性のある自動車メーカーやティア 1 サプライヤーは、ソフトウェア開発プロセスにおけるこの変化を以前から認識していました。

ボッシュ・シャシー・コントロール・システムズ・チャイナの社長である陳立明氏はかつて公の場でこう述べた。「自動運転には多くのシナリオが含まれており、従来のやり方で続けることは不可能です。そのため、実際の路上テストを追加し、特にデータ駆動型の検証方法を使用して自動運転の安全性を検証する必要があります。つまり、Vモデルとデータ駆動型クローズドループを組み合わせて安全性の検証を実現します。」

パンアジア技術センターのシニアディレクターである陸建祥氏は、最近の世界インテリジェンス会議で次のように述べた。「従来の自動車メーカーは、車両側の従来のウォーターフォール型のシステム統合開発モデルから、クラウド、パイプ、ターミナルを統合するアジャイルなシナリオ統合開発モデルへと変革する必要がある。」

もちろん、これは従来の MBD 手法が完全に時代遅れになったことを意味するものではありません。 Vモデルの考え方は今でも非常に有益です。例えば、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、実はSIL（進行中のソフトウェア）であり、車両制御アルゴリズムなど自動車の基盤となるロジックアルゴリズムでは、MBD開発手法が今でも使われています。

各社のデータ駆動型ソフトウェア開発プロセスは細部では異なりますが、基本的な考え方は同じで、データ収集 -> データ保存 -> データ前処理 -> データマイニング -> データラベリング -> モデルトレーニング -> シミュレーションテスト -> 展開とリリースという考え方に従います。

ウェイモのデータクローズドループプラットフォーム、黄宇氏の知乎の記事より引用

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、注釈ツール、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、その他のリンクの開発ツールなど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が、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るかもしれませんが、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ポイントクラウドデータなど、さまざまな種類のデータがあります。これらのデータは、まずノイズを除去する必要があり、いわゆる「データクリーニング」が必要です。写真の場合、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、フォーマットを統一する必要があります。そうして初めて処理が完了したとみなされます。

データ処理が完了したら、次のステップはデータのラベル付けです。注釈の種類は、2D、3Dオブジェクト注釈、ジョイント注釈、車線注釈、セマンティックセグメンテーションなどに大別され、それぞれに具体的な注釈仕様と注釈品質検査手順が伴い、全体のプロセスは非常に面倒です。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持つMBD開発プロセスとは異なり、データ駆動型開発プロセスは遅れて開始され、非効率的なツールチェーンを持っているため、自動車会社の自動運転開発者に大きな問題を引き起こしています。データ駆動型、その源はデータです。膨大な量のデータ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いる自動車会社は、活用できる経験があまりありません。

もちろん、自動車会社によって自動運転の分野での蓄積レベルは異なり、ツールチェーンで遭遇する問題も異なります。

一部の自動車会社は早くから着手し、多額の投資を行ってきました。彼らの（データ駆動型の）パイプラインはすでに十分に稼働しており、多くの経験を積んでいます。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、各社が提供するツールチェーンが「細分化された開発」であるため、自社の機能にのみ焦点を当て、全体の状況を無視しており、深刻な断片化と「データアイランド」現象につながっていると九張志佳に語った。自社の効率化ニーズを満たすには、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 チェーンを提供する企業を探す必要があり、さらには独自のデータ ラベリング プラットフォームを開発する必要もあります。

この分野での蓄積があまり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を投入することは、それほど「費用対効果」が高いとは言えません。一方では、基盤が弱く、技術がそのレベルまで開発されていません。他方では、確かにそれほど多くの人材がいません。リソース投資と技術基盤の制限はあるものの、既存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同社は考えている。「ツールチェーンは当社の競争力ではありません。要件定義、システム統合、機能テストが当社の競争力です」と、ある自動車会社のインテリジェント運転部門の責任者は九張知佳に語った。

自動車会社によって開発段階は異なりますが、共通点もあります。つまり、どの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るのです。次に、データ処理とシミュレーションという2つの側面から始めて、ツールチェーンの現状と問題点を詳しく整理します。

2. データ処理: データ駆動型開発の基盤

データ駆動型、その中心はデータです。従来のモデルベース開発プロセスは、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に重点が置かれていますが、データ駆動型開発は、大量のデータに基づいてモデルを最適化することに重点が置かれています。自動車会社がデータ駆動型の開発プロセスを確立するには、大量のデータの処理方法を学ぶ必要があります。

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、データラベル付けを含む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が、モデル全体の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のリンクを示しています。

データ関連のツール チェーンには、データ収集、データのアップロード、データのクリーニング、データのラベル付け、その他のリンクが含まれます。

1. データ収集: インテリジェント化が必須

まずデータ収集についてお話しましょう。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のデータセットがいくつかあります。現在、最もよく使用されているデータセットは、KITTI、nuScenesなどです。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、中国の特徴を持つデータセットは比較的少ないです。

自動運転のためのオープンソースデータセットの概要。Zhihu の記事「自動運転のためのオープンソースデータセットの概要」を引用。

この場合、特定のシナリオ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、そのシナリオに関するデータを収集する必要があります。十分な高品質データが収集されて初めて、後続のプロセスを実行できます。ただし、この最初のリンクに対する現在のツール チェーンの効率はあまり良くありません。

大手新車メーカーの従業員は九張知佳に対し、同社の自動運転データの収集を開始し、データをアップロードする戦略は、その後の問題分析の要件を満たしていないと語った。たとえば、ユーザーが自動車事故を起こした後、送り返されたデータは使用できず、データが不完全であるか、収集頻度が正しくないため、開発者はトラブルシューティングを非常に非効率的に行うことになります。

一般的に、コーナーケースが異なれば、その後の分析には異なるデータ形式と異なる期間が必要になります。これは理解しやすいです。乗っ取りが発生する原因が、認識や意思決定モジュールの問題なのか、高精度マップのエラーなのかによって、必要なデータも当然異なります。特殊なコーナーケースではカスタマイズされたデータ収集要件もあり、テスターが収集タスクのために外出する必要があります。

収集要件が複雑でリンクを確立するのが難しいため、実際には問題に遭遇したときにエンジニア自身がデータを収集することを選択する人もいます。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」方式を使用し、すべてのデータを送信してからデータ マイニングを行うことを選択しています。

試験車両の台数が少ないうちは、そうしても問題ない。しかし、後続の車両台数が一定レベルに達すると、自動運転で収集されるデータ量はPB時代に入る。このような「大量」なデータの中で、本当にわずかな割合を占める貴重なコーナーケースを見つけるのは、まさに「干し草の山から針を探す」ようなものだ。

自動運転に本当に役立つ断片化された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ことです。ファーウェイの関係者は、九張志佳氏とのやり取りの中で、「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言及した。「例えば、手動による乗っ取りが発生したとき、あるいはトンネル、ラウンドアバウト、保護されていない左折、急行三輪車などのシーンに遭遇したとき、クラウドは学習のためにデータを積極的に収集して蓄積する必要があります。開発者は、車両が取得する必要がある写真をアップロードし、クラウドを通じて指示を出すことができます。車両側は同様の「画像検索」方式を採用し、同様のシーンを自動的にキャプチャします。このようにして、これらのラベル付けされた「価値のある」データ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ます。これにより、データ全体をアップロードする必要がなくなり、コーナーケースマイニングの効率が向上します。」

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ラベル付けが必要です。

ディープラーニングに基づく知覚モデルでは、主流のディープラーニングトレーニング方法は依然として教師あり学習です。この方法でトレーニングするには、モデルに「グラウンドトゥルース」を含む大量のデータを「フィード」する必要があります。

では、この「真の価値」データはどこから来るのでしょうか?手動でマークされています。そのため、業界の人々はよく、人工知能とは「手作業の面でどれだけの知能があるか」を意味すると冗談を言います。また、膨大な量のデータにラベルを付ける必要があるため、「人工知能トレーナー」という新しい職業が生まれました。

職業名は聞こえはいいですが、実際には、データラベリングは本質的に労働集約的な業界です。十分に安価な労働力を得るために、企業は新疆、河南、山西の特定の地域に集まり、データラベリングの産業クラスターを形成している。  

顧客（マーキングを求める側）が気にするのは、マーキングの品質が十分良いか、マーキング価格が十分安いかです。つまり、馬が速く走ってほしいが、草を食べたくないのです。

まず、モデルのトレーニングでは、ラベル付けされたデータの品質に対する要件が非常に高くなります。データの品質は、トレーニングされたモデルの精度を直接決定します。品質が高くないと、「ゴミを入れればゴミが出る」という状況になりやすくなります。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、経済的に発展していない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すことができるかどうかは大きな問題です。

第二に、ラベル付けが必要なデータの量が膨大です。例えば、新しい視覚アルゴリズムは通常、トレーニングのために数万から数十万のラベル付き画像を必要とし、通常の最適化にも数千の画像が必要です。1枚の画像にラベルを付ける価格は多少異なりますが、数十万枚の画像にかけると非常に大きな数字になります。そのため、需要側は価格に非常に敏感です。

高品質のラベル付けが求められると必然的に人件費が上昇し、低価格はラベル付けの品質に影響を及ぼします。高品質と低価格は相容れない矛盾になっているようです。

自動車会社にとって、データのラベル付けを行うために何十人もの人を雇うのは、人件費があまりにも高額になってしまうでしょう。通常、専門的なデータラベリングプラットフォームまたはデータラベリングチームにアウトソーシングすることを好みます。有名なデータラベリングプラットフォームには、Baidu Crowd Testing、JD Crowd Intelligence、Totoro Data、Data Hall などがあります。

ただし、アウトソーシングは 2 つのカテゴリに分けられます。1 つ目は人材アウトソーシングです。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 ツールを自分で提供し、アウトソーシング会社は人材のみを提供する必要があります。2 つ目はサービス アウトソーシングです。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 ツールを自分で提供するのではなく、ラベル付けするデータをアウトソーシング会社に直接提供し、アウトソーシング会社がラベル付けされた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対する要求が非常に高く、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、人材をアウトソーシングすることを選択します。一方、他の自動車会社にとって、独自のラベリング プラットフォームを開発すること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多くのリソースを投資する必要があり、他方では、自社で開発するラベリング プラットフォームは外部のラベリング プラットフォームと比較して価格面で優位性がないため、費用対効果が高くありません。

市場の需要の爆発的な増加により、データラベリング業界では多くの新興企業が出現しました。Data.forgeもその1つです。同社の創業者兼CEOの楊洋氏は「九樓知佳」紙に次のように語りました。「顧客が最も気にするのは品質と価格の比率です。品質と価格の比率を高めるために、自動化されたアシストラベリングやラベリングツールの利便性の最適化など、多くの対策を講じており、これも同社の中核的な競争力を形成しています。」

Huaweiの社内スタッフが九章志佳氏に紹介した際、Huawei Octopusはデータラベリングサービスも提供していることに言及した。「まず、Huawei Octopusはプレラベリング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、Huaweiのプレラベリングアルゴリズムは精度においてトップレベルに達しており、nuScenes、COCO、KITTIなど、自動運転に関する複数の国際公開データセットテストチャレンジで1位を獲得しています。プレラベリングアルゴリズムは、データの各フレームにラベルを付けるため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、具体的な業務運営に基づいて人間とコンピュータのインタラクション方式を最適化し、スタッフの業務効率を向上させます。

「第二に、当社はアノテーションの品質を確保するための成熟した管理システムを持っています。アノテーションが完了したら、アノテーターによる自己検査、品質検査員によるランダム検査、アノテーションマネージャーによるランダム検査の3段階の品質検査プロセスを経て初めて顧客に納品されます。アノテーション要員のほとんどが新疆、河南、山西などの場所に分散している他のアノテーションチームとは異なり、Huaweiの手動アノテーションチームは深センのHuaweiオフィス内にあります。これを行う理由は、コミュニケーションと管理を容易にし、アノテーションの品質をより確実にするためです。

「最後に、ローカルのオープンソースデータセットが不十分であるという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、2,000万のラベル付きオブジェクトも提供します。さらに、このデータセットは継続的に反復され、拡張されます。顧客はこ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：自動運転開発の加速器

自動運転ツールチェーンの中核部分であるシミュレーションシステムは、主にシナリオライブラリ、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います。シミュレーションシステムの効率は開発チェーン全体の効率に直接影響するため、常に顧客にとっての悩みの種であり、多くのプレーヤーがターゲットとす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成熟さ、そして「大きな可能性を秘めた広大な世界がある」という実感があるからこそ、多くのプレイヤーがこの分野に参入してきたのです。企業の種類に基づいて、これらの企業は、従来のシミュレーション 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 ソフトウェアの 3 つのカテゴリに大まかに分類できます。以下でそれぞれを見てみましょう。

1. シミュレーションソフトウェアプレーヤーのインベントリ

（１）従来のシミュレーションソフトウェア企業

従来のシミュレーション ソフトウェアとしては、シーメンスの PreScan、ドイツの VIRES の VTD、ドイツの IPG の CarMaker、米国の MSC の CarSim などが挙げられます。これらは、特定の分野における深い蓄積や優れた機能により、多くの自動車会社で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、高度なシーン レンダリング機能と OpenX の最初のサポートでよく知られています。PreScan は、操作が簡単で使いやすいため、多くのユーザーを魅了しています。

同社は、既存の顧客リソースと過去に蓄積された利点を活かし、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）新興シミュレーションソフトウェア企業

シミュレーション ソフトウェアの巨大な市場の可能性を見て、多くのスタートアップ企業や新規参入企業がこの市場に参入し、シェアを獲得しようとしています。例えば、国内の新興企業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リリースしました。イスラエルの新興企業Cognataは、スマー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、ローカルバージョン、クラウドバージョン、ハードウェアバージョンの3つのバージョンもリリースしています。

スタートアップ企業は市場に対してより敏感であり、過去のしがらみもありません。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結び付け始めており、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ウェア会社

Nvidia: ドライブ コンステレーション

NVIDIA   2018年にDrive Constellationシミュレーションシステムがリリースされました。シミュレーション システムは 2 つの異なるサーバー上に構築されています。最初のサーバーは NVIDIA DRIVE Sim ソフトウェアを実行し、カメラ、LIDAR、ミリ波レーダーなどのセンサーをシミュレートします。2 番目のサーバーには、シミュレートされたセンサー データを処理するための NVIDIA DRIVE Pegasus 人工知能車載コンピューティング プラットフォームが搭載されています。

Drive Sim は Omniverse プラットフォームをベースにしています。NVIDIA によれば、このプラットフォームは「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のことです。シナリオの面では、Drive Constellation はデータ ストリームを生成してさまざまなテスト環境を作成し、さまざまな気象条件、さまざまな路面や地形をシミュレートし、一日のさまざまな時間帯のまぶしさや夜間の視界の制限をシミュレートできます。

ファーウェイ：「ファーウェイ・オクトパス」自動運転クラウドサービス

自動運転開発ツールチェーンの分野では、ファーウェイは「HUAWEI Octopus」とも呼ばれる自動運転クラウドサービスを開始しました。このサービスは、データ収集、難解な事例のマイニング、データのラベリング、アルゴリズムのトレーニング、シミュレーションプラットフォームなどの側面から完全なソリューションを提供し、顧客が使用できる大量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クローズドループ自動運転開発プラットフォームを構築するのを支援します。

さらに、「Huawei Octopus」は、ファーウェイの強力なクラウドビジネスを基盤として、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、20万以上のシミュレーションシナリオインスタンスを提供します。システムの毎日の仮想テスト走行距離は1,000万キロメートルを超え、3,000インスタンスの同時テストをサポートします。

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ており、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て、1 日 100 万キロメートルの仮想運用能力を簡単に作成できます。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には、規制標準シナリオ、危険な作業条件シナリオ、能力評価シナリオなど、合計約 200 種類が含まれています。

アポロは、Unity と協力して、Unity エンジンをベースとした仮想シミュレーション環境を開発し、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。これは、交通の流れをシミュレートして現実世界のイメージを強化し、リアルなシミュレーションシーンを作成します。

Baidu は ApolloScape 自動運転データセットを公開しました。このデータセットには現在、ピクセルレベルで意味的に注釈が付けられた画像が 147,000 フレーム含まれています。これには、認識分類や道路ネットワーク データなどのピクセル単位の意味的セグメンテーションと注釈が付いた高解像度画像データの数十万フレームと、それに対応するピクセル単位の意味的注釈が含まれます。 ”

テンセント：TAD Sim

テンセントは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。これは仮想と現実、オンラインとオフラインを組み合わせた自動運転シミュレーションプラットフォームであり、専門的なゲームエンジン、産業グレードの車両ダイナミクスモデル、仮想と現実の交通流などの技術を組み合わせて構築されており、シーンの幾何学的復元、論理的復元、物理的復元を実現できます。

TAD Sim は、シナリオベースのクラウド シミュレーションや仮想都市ベースのクラウド 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。都市クラウドシミュレーションは、加速シミュレーションと高並行シミュレーションの両方を実現し、現実世界のさまざまなシナリオと運転の可能性に対応し、同社の自動運転テストプロセスを加速します。シナリオライブラリには 1,000 種類以上のシナリオがあり、1 日あたり 1,000 万キロメートル以上のテスト能力を備えています。 これらのテクノロジー大手は、シミュレーションプラットフォームを構築し、既存のレンダリング機能、クラウドコンピューティングなどの優位性に基づいて、自動運転シミュレーションプロセスを構築しています。クラウドベースの並列シミュレーションとシーンライブラリを重視し、上流と下流のリンクの接続をより意識して、自動運転システムのテストと検証をさらに一歩前進させています。

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る

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組み合わせる必要があります。

従来のシミュレーション ソフトウェアは特定の領域では非常に専門的ですが、上流リンクと下流リンクを接続するときには非常に面倒です。

たとえば、ロードテストで見つかった問題について、開発者は、後で回帰テストを実行できるように、そのシナリオをシミュレーション シナリオ ライブラリに含めたいと考えています。しかし、従来のソフトウェアの多くはこの機能をサポートしておらず、シナリオ ライブラリを手動で構築することしかできません。シナリオ ライブラリを手動で構築する効率は非常に低く、1 日に構築できるのは数個だけです。

例えば、従来のシミュレーションソフトウェアの中にはWINDOWS環境でしか動作しないものもありますが、現在の自動運転開発環境はUbuntu環境です。

たとえば、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、最新バージョンでのみクラウドシミュレーションと互換性があるものもあります。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単位で販売されるため、ソフトウェアがインストールされているコンピューターごとに複数のライセンスが販売されます。

クラウドベースの並列シミュレーションがますます重要な役割を果たすにつれて、サービスに対して料金を請求する SaaS モデルは明らかにより顧客フレンドリーであり、その後の開発トレンドでもあります。従来のシミュレーション ソフトウェアのライセンス販売モデルもそれに応じて調整する必要があります。

クラウドベースの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。Huawei、Baidu、Tencentなどの大手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。新興企業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に展開できます。

シミュレーションソフトウェアの提供に加えて、Ecosystem Giantsはシミュレーションプラットフォームやその他のツールチェーンを接続し、それらをフルスタックソリューションに統合します。たとえば、「Huawei Octopus」は、コードリポジトリのアクセスとバージョン管理からシミュレーションと評価まで、クラウドでワンストップシミュレーションと評価ツールチェーンを提供します。このようにして、自動車会社がそれを使用する方が簡単で、適応コストは低くなります。

ただし、これらの巨人は、車両のダイナミクスモデルやコア自動車コンポーネントなどのハードウェアに十分な蓄積がないため、かなりの課題に直面しているため、これらの企業は自己研究や協力を通じて関連する機能を補完する必要があります。たとえば、Baiduは独自の車両のダイナミクスモデルを開発することを選択し、Apollo 5.0は「Huawei Octopus」のシミュレーションシステムをVTDと埋め込まれた車両ダイナミクスモデルと戦略的に協力しました。 HuaweiとSaimuの技術も協同組合関係を確立し始めており、自律運転の意図された機能（SOTIF）の安全分野に焦点を当てていることが理解されています。

（2）シーンライブラリがコアです

データ駆動型の開発チェーンでは、データ駆動型は「質問の海」戦術に相当します。システム開発チェーンでは、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使用される審査官によって与えられたテストの質問に相当します。

シナリオライブラリは、いくつかのソースから来ています。以前の間違った質問に基づいて、自分の「間違った質問帳」を組織する候補者に同等です。

これらのシナリオライブラリに加えて、自動車会社は、道路試験中に遭遇するコーナーケースを通じて、独自のシナリオライブラリを「拡大」し続けています。この需要を満たすために、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道路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」という機能を提供し、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、周囲の環境、ミラーリング、その他の手段を変更すると、より多くのシナリオを一般化することができ、Huaweiは仮想現実ハイブリッドシミュレーション機能も提供します。

いわゆる仮想現実のハイブリッドシミュレーションは、クラウドでテストシナリオを構築し、この方法で車両にロードすることです。

（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最も見過ごされがちな部分です。

シミュレーションの評価には、主に2つの側面が含まれています。1つは、現在のテストが渡されたと判断できるかどうかです。

システムがシナリオライブラリのテストに正常に合格できるかどうかを評価する方法は？テストの質問が与えられており、候補者はテストを終了しました。そのため、自律運転ソフトウェアシステムに「論文をマーク」し、KPIを設定するにはどうすればよいですか？

あなたが審査官であった場合、どのような評価基準に到達できますか？車両は安全に運転されていましたか（衝突は発生しませんでした）？赤信号を走らせましたか？突然加速または減速しますか？等

さらにイライラすることができることは、さまざまなシナリオがアルゴリズムの評価に焦点を当てており、評価基準も異なる可能性があることです。シーンライブラリはさまざまであり、評価基準も自然に異なります。

しかし、一般的に、評価基準は、標準マッチング（標準規制を満たすかどうか）、安全性（十分に安全であるかどうか）、運転効率（適切に効率的に到達できるかどうか、燃費に到達できるかどうか、快適さ）、快適さ（十分に快適であるかどうか）（十分に賢いかどうか）の5つの側面に分けることができます。

業界の専門家によると、各シーンライブラリには、構築されているときに合格または失敗するための独自の「テーラメイド」評価基準が必要です。現時点では、さまざまなシミュレーション評価標準を提供するためにシミュレーションソフトウェアが必要です。

したがって、各シミュレーションソフトウェアは、たとえば、顧客向けのシナリオライブラリの評価基準を事前に定義しています。 Huawei Insiderによると、シミュレーション評価をより柔軟にするために、同社は顧客をサポートし、将来シミュレーション評価基準をカスタマイズおよび開発します。

3。シミュレーションソフトウェアの標準化開発動向

上記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は、垂直に接続されています。  業界のもう1つの大きな問題点は、水平に接続する場合、異なるシミュレーションソフトウェアの形式が互換性がないことです。

同じ自動車会社は、たとえば、いくつかのシミュレーションソフトウェアを使用します。

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がリリースしたシミュレーションフィールド標準は、多くの自動車会社、サプライヤー、科学研究機関によって認識されています。 ASAMはより多くの基準を開発しています。

ASAMシミュレーション形式の標準（2020年の中国自律運転シミュレーションブルーブックから引用）

現在、一部のシミュレーションソフトウェアはまだOpenX形式をサポートしていません。業界のインサイダーによると、「一部のシミュレーションソフトウェア企業は、自分の手に取って代わり、顧客を拘束したいと考えています一般的な傾向です。標準化の進歩により、異なるソフトウェア間のファイルの互換性は、近い将来にもはや問題にならないと思います。

4.  高精度マップ、ツールチェーンの不可欠な部分

私たち全員が知っているように、多くのL2+自律運転機能は、特にL4自律運転に高精度マップを使用しています。自律運転シミュレーションの場合、高精度マップは不可欠で重要なリンクでもあります。上記の道路試験シナリオのシミュレーションシナリオへの変換、仮想現実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ナリオの構築は、高精度マップのサポートから分離することはできません。

（1）コンプライアンスの問題

ただし、高精度マップには多くの問題点があり、最初に解決すべきことはコンプライアンスの問題です。

現在、クラスAのマッピング資格を持っている中国には20社以上の企業があります。

NavinfoのエグゼクティブプレジデントであるBai Xinpingは、かつてメディアに次のように語っています。「資格のある企業は、高精度マップを参加する必要があります。資格はコンプライアンスと安全性に関連しています。初期段階では、この分野での州の監督はあまり厳しくありませんでしたが、将来はますます厳格になります。」

これに関連して、大量生産計画のコンプライアンスの問題を解決するために、自動車会社は資格のある地図サービスプロバイダーと協力することを選択します。マップサービスプロバイダーは、セキュリティとコンプライアンスの要件を満たす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す。

（2）複雑なシナリオの精度の問題

現在、主要なマップサービスプロバイダーは、全国のすべての主要な高速道路と高速道路をカバーしていますが、マップの品質はまだ楽観的ではなく、まだ間違ったラベルがあります。

業界のインサイダーは、柔術Zhijiaに、特に高速道路に入ったり出口を出たりするための高速道路セクションの高精度マップカバレッジが完全にないこと、および逸脱またはカバレッジの不足がある有料放送局やサービスエリアのために、高速道路セクションの完全な高精度マップカバレッジはないと柔術Zhijiaに語った。

自動車会社の高精度マップを担当する人と通信したとき、担当者は柔術Zhijiaに、L4 Robotaxiテストを行っているとき、メインシーンは都市道路であり、この部分はより少ないマップサービスプロバイダーをカバーでき、品質と更新の頻度は高くないため、高精度のマップを収集して生産する必要がありました。

したがって、高精度マップは、高速道路のカバレッジを強化するだけでなく、都市の通勤シナリオのカバレッジを解決し、複雑な道路状況の正確性を改善することにも焦点を当てる必要があります。これにより、自律運転に関する高精度マップのサポート役割が改善され、同時に複雑な都市シナリオの自律運転シミュレーションとテストを効果的にサポートします。

（3）動的更新の問題

高精度マップは、動的な更新の問題を解決する必要があります。それ以外の場合、データが適時性を失うと、インテリジェントな運転を効果的にサポートするだけでなく、安全上の危険をもたらす可能性があります。

現在、多くの業界関係者は、マップクラウドソーシングの更新モデルが、更新の適時性と収集コストの面でより多くの利点があるため、この技術ルートの主流の技術モデルになると考えています。多様化されたデータソース、不均一な品質、収集因子の基準の統一、クラウドエンド車両リンクの相互運用性など、多くの技術的課題が直面している技術的課題に加えて、地図のクラウドソーシングアップデートは、国家法や規制の制約にも直面しています。

実際、高速マップの動的な更新を解決することは、複数のリソース、データ、およびクラウドエッジの調整を必要とする体系的なプロジェクトであり、地図サービスプロバイダー、インテリジェント接続車両、さまざまな交通参加者、道路局の操業施設、およびエッジコンピューティングの操業施設と交通局との交通局の維持データとの協力を通じて、高精度マップのダイナミックな更新を実現します。高精度マップデータの動的更新を実現します。

私の意見では、高精度マップの制作と更新は、統一された高精度マップ要素標準を形成し、複数のリソースと調整し、繰り返しの作業を削減し、業界のコストを大幅に削減し、業界の効率とデータの関連性を大幅に削減し、データセキュリティのリスクを削減することは祝福です。

4。クラウドに行くかどうかにかかわらず、これは問題です

1.クラウドに行くことには多くの利点があります

データ駆動型のシステム開発では、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テストのために、大量のITリソースが必要です。

業界のインサイダーは、自律的な運転システムを開発するとき、モデルトレーニングなどの突然のコンピューティングパワーニーズに突然遭遇すると、新しいサーバーを購入することができます。この需要を満たすために、自動車会社のインテリジェントな運転開発の子会社は、新しいオフィスビルを計画する際にコンピュータールームとしてオフィスビルのフロア全体を計画していることが理解されています。

ストレージであろうとトレーニングであろうと、実際にこの突然のニーズ、つまりクラウドに行くことに対処する非常に良い方法があります。

クラウド開発環境は互換性が良好であり、迅速かつ柔軟な拡大が開発効率を向上させるなど、クラウドに行くことには多くの利点があります。また、コストとデータのセキュリティにも利点があります。自立したコンピュータールームと比較して、クラウドに行くことの利点

新しいクラウンの流行の特別な背景に対して、デジタル変革は企業が生き残る方法となっています。流行に対処するために、企業はリアルタイムのオンラインビジネスを実現し、オフラインからオンラインにサービスシナリオを移動し、クラウドミーティング、クラウド調達、クラウド販売、クラウド署名などを通じて、デジタルでオンラインの従業員、顧客、サービスとプロセスを包括的に変換する必要があります。

デジタル開発の程度が高いほど、IDC調査データの開発により、デジタルインデックスが高い企業は平均レベルよりも5倍以上高いことがわかりました。

業界は一般に、デジタル変換を達成するためには、クラウドに行くことが唯一の方法であるか、最初のステップでさえ、「デジタル化は最初にクラウドに行かなければならない」と考えています。

クラウドに行くことは、自律運転データのために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。 「Huawei Octopus」の最適化リンクは、車両の端で手動の買収が発生した後、「Huawei Octopus」を自動的にトリガーし、クラウドにオンラインでフィードバックし、クラウドを追跡して再生し、原因を確認した場合（独自の責任を処理します）。

認識リンクを最適化する必要がある場合、データの収集、クリーニング、ラベリングが実行され、処理後、プランニングコントロールモジュールが必要な場合、問題シナリオはワンクリックでシミュレーションシナリオライブラリに変換されます。最適化されたアルゴリズムシステムは、シミュレーションの評価も合格した場合、OTAプッシュサービスを開始し、この完全なクローズドループをアップグレードします。 「Huawei Octopus」データクローズドループリンク

クラウドに行くことは、開発やテスト段階から商業化までの自律的な運転の唯一の方法です。

現在、ほとんどの自動車会社は、数千のテスト車両として、数千の大量生産に加えて、数百/千TBから10pbに増加し、トレーニングに必要なGPUコンピューティングパワーと並列模倣の増加にも拡大するために、数百/千TBから数千のテスト車両を使用して、開発とテストに依然として焦点を当てています。

クラウドに行くことの利点を理解した後、クラウドコンピューティングの分類を見てみましょう。クラウドは通常、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つのカテゴリに分かれています。

パブリッククラウドは、非ユーザーのインフラストラクチャを備えたクラウドであり、クラウドアクセスと呼ばれる最も一般的なパブリッククラウドを指します。

プライベートクラウドは一般に単一の顧客を指し、アクセス権は顧客専用です（プライベート展開）、またはクラウドサービスプロバイダーのコンピュータールームでサービスをホストすることを選択できます（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、またはさまざまなサービスプロバイダーを使用したパブリッククラウドの組み合わせ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大できると考えられています。これは、プライベートクラウドを拡張するには、より複雑な新しいハードウェアとリソースを購入またはレンタルする必要があります。一方では、自動運転の開発の数が増えると、ストレージの需要は指数関数的に増加します。

クラウドコンピューティングの開発動向から判断すると、パブリッククラウド市場の割合は年々増加していますが、プライベートクラウドの割合は年々減少しています。 IMEDIAコンサルティングデータによると、2020年には、中国のクラウドコンピューティング市場における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の規模を超え、最初の主要市場になりました。

2。データセキュリティに関する隠された心配

パブリッククラウドの利点を認めながら、「柔術Zhihua」と通信したとき、自動車会社のスタッフが公開されたとき、私のデータは他の人に盗まれますか？」と述べました。

これは、多くの自動車会社が独自のサーバーまたはプライベートクラウドを構築することを選択するという懸念事項です。

一部の主要な自動車会社と新しい自動車メーカーは、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、彼らとの株式関係を持つサービスプロバイダーを選択します。

信頼の基礎は、相互理解と親しみやすさです。多くの場合、不信とは、クラウドに行くなど、理解していないためです。クラウドベースのエンタープライズの場合、クラウドデータを適切に保護することが最も重要で基本的なセキュリティ要件であり、これはクラウドサービスプロバイダーが顧客の信頼を獲得するための「ライフライン」でもあります。

「Alibaba Economy Cloud Native Practice」の紹介によると、顧客はデータセキュリティを要求する際にデータセキュリティの情報セキュリティの基本的な3つの要素を使用できます。   「CIA」、すなわち機密性、整合性、可用性として要約する。

機密性は、保護されたデータには、法的な（または予想される）ユーザーがのみアクセスできることを意味します。

整合性は、主にアクセス制御を通じて、データの送信とストレージの検証アルゴリズムを通じて保証できる、法的（または予想される）ユーザーのみがデータを変更できるようにすることです。

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の通常の動作保証（ストレージシステム、ネットワークチャネル、アイデンティティ検証メカニズム、許可確認メカニズムなど）に反映されています。

これらの3つの側面の中で、機密性を確保するための最も重要な技術的手段は、データ暗号化とリンク全体の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ます。主にクラウドとクラウドユニットへの伝送プロセス、アプリケーションランタイム中のデータのコンピューティングプロセス（処理/交換）、およびデータが最終的に停止した場合の暗号化能力を指します。

全体として、データ暗号化操作プロセスは、国際的に認識されているセキュリティアルゴリズムを介してプレーンテキストデータによって計算されたデータ暗号文です。暗号化操作では、安全に保護および管理されたキーは、暗号化保護のために十分で必要な条件です。言い換えれば、キーを制御することは、全体的な暗号化操作のイニシアチブも制御します。ユーザーはユーザーのリソースとしてマスターキーを搭載し、ユーザーが通話を許可する必要があるため、ユーザーは暗号化されたデータの使用に完全に独立した制御とイニシアチブを持っています。同時に、ユーザーリソースへの呼び出しはログ監査で完全に表示されるため、暗号化されたデータの透明性がより適切に保証されます。

データセキュリティのライフサイクルは、多くの業界インサイダーが「柔術Zhihua」と通信していたとき、クラウドのインサイダーが1つのことに言及していた場合、誰が私のデータを使用しないことを保証することができます。  

これには実際にはコンプライアンスが含まれ、内部プロセスを通じて保証される必要があります。内部プロセスは、権威ある第三者によるコンプライアンス認定を通じて確認されることがよくあります。その中で、世界で最も権威ある、広く受け入れられ、適用された情報セキュリティシステムの認定は、彼らが合格するコンプライアンス認定もあります。

外部コンプライアンス認証は、内部でも実装する必要があります。コンプライアンスの問題について、Huaweiは、米国がHuaweiを制裁し始めた後、世界中のHuaweiの「コンプライアンス」の「真の」証拠を見つけるために懸命に働いています。 Arty Certification and Volkswagen Group Apsic​​e（KGAS）PN（潜在的なサプライヤー）レビューは、HuaweiのスマートカークラウドサービスのR＆D品質と開発プロセスが主流の国際自動車メーカーによって認識されていることも示しています。

おそらく、ビジネスロジックの観点から理解しやすいでしょう。クラウドサービスプロバイダーにとって、顧客データセキュリティはライフブラッドです。さらに、クラウドコンピューティング自体の観点から見ると、クラウド上のデータが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他の場所での災害復旧のためにデータをバックアップします（火災やその他の自然災害などのデータ損失を防ぎます）。

自動車会社がクラウドに行くことは一般的な傾向ですが、自動車会社のパブリッククラウドの認識と受け入れはプロセスになりません。

パブリッククラウドマーケティングのプロモーションスタッフは、柔術Zhihuaに、比較的言えば、インターネットのバックグラウンドを持つ自動運転型の運転会社や外国人が資金提供する自動車会社がクラウドに行くことをいとわないと語り、従来の自動車会社、特に国営企業はデータについてより多くの懸念を抱くと語った。

クラウドコンピューティングの業界開発動向は、クラウドの浸透率も異なります輸送、物流、製造などのIEは急速に改善されています。将来的には、自動車会社がクラウドコンピューティングの理解を深め、デジタル変革プロセスを加速するにつれて、クラウドアクセスの受け入れがますます高くなると信じています。近い将来、クラウドに到達するかどうかは問題ではなくなる可能性があります。

5。ツールチェーンの開発動向

1。効率：エンドツーエンド

現在、自動車会社は自動運転システムを開発しています。最大の問題点は、ツールチェーンとデータ島の相互の分割です。従来のツールチェーンとスタートアップは、たとえば、シミュレーションを行う場合、アノテートを行うと、それを使用すると、特定のリンクのみに焦点を当てている場合は、それぞれのリンクに焦点を当てます。

さらに、現在のツールチェーンには業界の基準がなく、それぞれが大きく異なり、顧客は多くの時間を費やす必要があります。テクノロジーの巨人が「ツールチェーンエコシステム」に参加し、フルスタックツールチェーンを提供したのは、まさにこの機会のためです。

テクノロジーの巨人の生態学を見てみましょう。

（1）Nvidia：チップベースのエコシステム

Chip Giant Nvidiaは、車両、デスクトップ、クラウドの周りに統一された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ました。 「インテリジェントドライブの9つの章」は、業界の専門家との交換から、彼らがNvidiaを選んだ重要な理由は、Nvidiaには安定したツールチェーンと豊富なソフトウェアのエコシステムがあ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、何かがうまくいかない場合、問題が何であるかをすばやく見つけることができることです。

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、独自のソフトウェアアーキテクチャドライブAVとドライブIXも装備されています。 Nvidia Drive Platformのオンボードインテリジェントな運転コントローラー。現在、市場に出回っているのは、最新のOrinが2022年に大量生産される予定であり、ISO 26262 ASIL-Dの機能的安全基準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   2018年、Drive Constellation Simulation SystemとDrive Simが起動しました。 2019年、Nvidiaは、高精度の位置決めソリューションのローカリゼーションも実証しました。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、本土などの企業との自律運転研究開発協力を確立しています。

（2）Huawei：クラウドチューブエンドコアの組み合わせのオープンエコシステム

Huaweiは、「自動車を建設せず、ICTテクノロジーに焦点を当て、自動車会社が優れた車を建設するのを支援するのを支援する」という戦略を順守し、チップ、クラウド、ソフトウェア、ハードウェア、ツールチェーン、高精度マップで努力し、オープンなエコシステムを形成する「組み合わせパンチ」を起動します。

Huawei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、Huaweiの自己開発CPU、AIチップ、その他のコントロールチップを統合し、基礎となるハードウェアとソフトウェアの統合チューニングを通じて、業界をリードするレベルに達します。さらに、Huawei 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開発のための完全なスタックソリューションを提供します。 MDCプラットフォームは、ハードウェアでインテリジェントな駆動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には自動車用グレードのソフトウェアとハ​​ードウェアがあります。これは、自動車会社が大量生産された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-HuaweiMDCホワイトペーパーから

自律運転開発ツールチェーンの分野では、Huaweiは自律運転クラウドサービスを開始しました。さらに、Huaweiは、インターネットのクラウドサービス（インテリジェントドライビング、​​スマートコックピットデータ収集とストレージ）、3電気クラウドサービス（3電気システムのクラウド制御）、高精度マップクラウドサービスを開始しました。これらに加えて、Huaweiは「ソフトとハードの両方を使用」し、自律運転センサーを展開しています。

（3）Baidu：Apollo Open Platform

2017年，百度发布了无人驾驶开放平台阿波罗，向汽车行业及自动驾驶领域的合作伙伴提供一个开放、完整、安全的软体平台，阿波罗平台是一套完整的软硬件和服务系统，包括车辆平台、硬体平台、软体平台、云端数据服务等四大部分，可以帮合作伙伴结合车辆和硬体系统，快速搭建一套属于自己的自动驾驶系统。

后续阿波罗持续升级，分别开放了限定区域视觉高速自动驾驶、自主泊车（Valet Parking）、无人作业小车（MicroCar）、自动接驳巴士（MiniBus）、复杂城市道路的自动驾驶等方案，并开始自建Robotaxi车队，以“萝卜快跑”品牌在各地进行测试运营。

值得一提的是，Apollo发布了中间件Cyber RT，提升了自动驾驶系统的安全性。

Apollo生态开发者提供基于云端的系统仿真服务和增强现实的自动驾驶仿真系统AADS。

2021年初，百度和吉利合资成立集度汽车，宣布下场造车，李彦宏公开表示“成立集度汽车的目的，就是把百度的自动驾驶技术、智能座舱技术推广到市场”。

（4）腾讯：全链路云服务和开发平台

腾讯也在布局自动驾驶云生态的开发平台。腾讯不造车，也不造传感器，仅提供软件和服务。

在车端，腾讯提供包含了感知、定位、规划、决策、控制的的解决方案；在云端，基于云端存储及算力支撑，腾讯构建了数据采集管理、样本标注、算法训练评测、诊断调试、云端仿真（仿真平台  TAD Sim）、实车反馈闭环全流程云服务，提供支撑自动驾驶研发的全链路云服务和开发平台。

腾讯自动驾驶业务布局和定位（引用自腾讯苏奎峰的线上公开分享）

全栈工具链对于效率的提升是很明显的，尤其是可以快速搭建Pipeline。“华为八爪鱼”内部人员介绍道：  如果采用各家公司离散的工具链方案，光调试链路，可能要花几个月的时间，而“华为八爪鱼”，已经针对整个链路做好了集成和适配，减少了重复工作，此外华为还提供给客户一套参考算法，客户可以在此基础上调试优化，大大降低了上手的难度，最快只需要几天就可以跑通整个完整链路，效率很高。

2.开放：各模块解耦

很多车企之所以会选择自研工具链，一方面是出于效率考虑，另一方面还出于“安全”的考虑，车企还想延续自己过去在生态中的掌控地位，而本能地不喜欢潜在的被“卡脖子”的风险，所以往往喜欢和工具链上的小公司合作。

在开放性上，不同的科技巨头策略也不尽相同，据某车厂自动驾驶开发人员透露，某企业自动驾驶开发平台的生态是不解耦的，“如果要选用，就必须'全盘接受'，不接受单模块使用”，籍此来深度绑定客户；而华为选择了另一条路——各模块解耦。

据华为内部人员介绍，“华为八爪鱼”的工具链分为数据、训练、仿真、监管四部分，这四部分完全开放解耦、不绑定，客户随时可以替换。

3.合作方式更灵活

对车企来说，如果已有的技术储备不能支持量产方案，要量产就只能外购，这似乎和自研的策略产生了冲突。

在和《九章智驾》交流时，车企开发人员给出的答案出奇的一致：一方面，量产车装的是外采的ADAS解决方案，由于是黑盒采购，供应商并不开放任何数据，但是为了整车的竞争力和销量，车企只能容忍下这“眼前的苟且”；另一方面，车企们同时投入大量人力物力在自研L2+方案上，“一旦自研方案成熟，就会逐步替换上车”，于是自研成了“诗和远方”。

考虑到车企客户的这些诉求，“华为八爪鱼”提供给客户多种合作方案，华为内部人员介绍道：“第一种方案，华为负责开发并提供完整量产解决方案；第二种方案，华为负责开发，客户可自由配置部分参数；第三种方案，华为提供自动驾驶开发工具链，客户自研，华为提供全套售后开发咨询服务。”

VI. 結論

本文从自动驾驶开发工具链的角度分析了行业现状和发展趋势。

当前自动驾驶开发工具链行业发展仍不成熟，非标准化和信息孤岛现象比较严重，头部的自动驾驶团队为了开发效率，不得不各自“造轮子”。

不过，随着众多工具链新玩家的进入，整体行业在朝着成熟发展，后续工具链会逐渐开放、标准、规范。尤其是像华为、英伟达等巨头携生态入局，打通了整个开发链路，给行业带来了范例，促进了行业发展，用华为内部人员的话说，这么做是在“拉着中国的自动驾驶产业，不停地往前跑”。

自动驾驶上云是大趋势，随着高等级自动驾驶，正逐渐从技术研究阶段向规模商用阶段演进，除了对存储、算力等资源的要求，还对基础设施服务的高可靠性、安全性以及可拓展性提出了严苛的要求。

传统的数据中心建设模式将为自动驾驶开发企业带来巨大的建设成本和运营维护压力。而公有云通过对多元算力的支持，可满足自动驾驶开发过程中，模型训练和并行仿真对海量基础设施资源极致算力、安全可靠和弹性灵活的业务需求，进而实现自动驾驶算法的敏捷开发与迭代。因此，尽管当前多数企业对公有云的方式还心存疑虑，不过相信随着整个自动驾驶行业的快速发展，以及对公有云认识的持续加深，这种服务模式将会得到进一步推广。