日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

閑話自動駕駛的工程化落地

2022-02-15 19:11:58·  來源：汽車ECU開發(fā)  作者：黃裕  
　
引言大家有一種認(rèn)知，覺得自動駕駛進(jìn)入了“下半場”。類似demo或者POC的早期工作已經(jīng)不是人們關(guān)心的，這里所謂“上半場”大多是解決常見的問題，比如感知、定位
引言
大家有一種認(rèn)知，覺得自動駕駛進(jìn)入了“下半場”。類似demo或者POC的早期工作已經(jīng)不是人們關(guān)心的，這里所謂“上半場”大多是解決常見的問題，比如感知、定位、預(yù)測、規(guī)劃決策和控制在典型場景（即高速、街道和停車場等）的解決算法和執(zhí)行方案（線控底盤技術(shù)）。
另外，在“上半場”期間，計算平臺（AI芯片及其SOC）和傳感器技術(shù)的研發(fā)進(jìn)程也初現(xiàn)成果，比如英偉達(dá)的Xavier和Orin（見附錄）、HDR攝像頭、固態(tài)激光雷達(dá)和4D毫米波雷達(dá)等。
而“下半場”意味著要解決罕見的“長尾”場景，同時構(gòu)建數(shù)據(jù)閉環(huán)的持續(xù)高效研發(fā)框架，也已經(jīng)成為行業(yè)的共識。在這個過程中，如何實現(xiàn)自動駕駛的技術(shù)工程化落地才是關(guān)鍵，包括開發(fā)標(biāo)準(zhǔn)化和平臺化、量產(chǎn)規(guī)?；吐涞厣虡I(yè)化（成本、車規(guī)和OTA）的工作。
01.自動駕駛工程化的一些要素
線控底盤
底盤系統(tǒng)約占整車成本的10%，而線控底盤是自動駕駛的關(guān)鍵部件，因為如果不能它的支持，自動駕駛最終輸出的控制信號不一定能夠真正得到正確執(zhí)行。
線控（Drive-by-wire 或 X-by-wire），即用電線（電信號）的形式來取代機(jī)械、液壓或氣動等形式的連接，從而不需要依賴駕駛員的力或扭矩輸入。
線控底盤主要包括制動系統(tǒng)、轉(zhuǎn)向系統(tǒng)、驅(qū)動系統(tǒng)和懸架系統(tǒng)。其具備響應(yīng)速度快、控制精度高、能量回收強(qiáng)的特點，是實現(xiàn)自動駕駛不可缺少的零部件。
線控底盤技術(shù)的安全性對于自動駕駛來說，是最基礎(chǔ)最核心的要素。曾經(jīng)的純機(jī)械式控制雖然效率低，但可靠性高；線控技術(shù)雖然適用于自動駕駛，但同時也面臨電子軟件的故障所帶來的隱患。只有實現(xiàn)功能雙重甚至多重冗余，才能保證在故障情況下仍可實現(xiàn)其基本功能。
E2A（電子電氣架構(gòu)）
伴隨著汽車行業(yè)“網(wǎng)聯(lián)化、智能化、共享化和電動化（CASE）”趨勢推動下的智能化發(fā)展，促使汽車分布式架構(gòu)向著集中式架構(gòu)轉(zhuǎn)變。E2A是整合汽車各類傳感器、處理器、電子電氣分配系統(tǒng)和軟硬件的總布置方案（包括數(shù)據(jù)中心平臺和高性能計算平臺）。
通過E2A，可以將動力總成、驅(qū)動信息以及娛樂信息等，轉(zhuǎn)化為實際電源分配的物理布局、信號網(wǎng)絡(luò)、數(shù)據(jù)網(wǎng)絡(luò)、診斷、容錯、功耗管理等電子電氣解決方案。
汽車E2A基本劃分為三個時代：分布式多MCU組網(wǎng)架構(gòu)、功能集群式域控制器（Domain Controller）和區(qū)域連接域控制器（Zone Controller）及中央平臺計算機(jī)（CPC）。
自動駕駛汽車需要使用大量傳感器，車內(nèi)線束也在迅速增長。車內(nèi)需要傳輸?shù)臄?shù)據(jù)量激增，同時線束不僅承載的信號更多，而且數(shù)據(jù)傳輸速率要求更快。
自動駕駛在新一代E2A平臺下，通過標(biāo)準(zhǔn)化API接口實現(xiàn)了軟硬件的真正解耦，可以更加獲得更強(qiáng)算力的支持，同時數(shù)據(jù)通信的帶寬也得到增強(qiáng)，資源分配和任務(wù)調(diào)度更加靈活，另外也方便OTA（over-the-air）。
針對智能汽車電子電氣架構(gòu)，Aptiv提出“大腦”與“神經(jīng)”結(jié)合的方案，包括三個部分：中央計算集群、標(biāo)準(zhǔn)電源和數(shù)據(jù)主干網(wǎng)絡(luò)以及電源數(shù)據(jù)中心。這個智能汽車架構(gòu)關(guān)注三大特性：靈活性、生命周期內(nèi)持續(xù)更新性和系統(tǒng)架構(gòu)相對容錯性和魯棒性。
特斯拉Model3的E2A分為域控制架構(gòu)和電源電源分配架構(gòu)。駕駛輔助與娛樂系統(tǒng)AICM控制合并到CCM中央計算模塊當(dāng)中，而電源分配架構(gòu)則考慮自動駕駛系統(tǒng)所需要的電源冗余要求。
Middleware（中間件）軟件平臺
中間件是基礎(chǔ)軟件的一大類，在操作系統(tǒng)、網(wǎng)絡(luò)和數(shù)據(jù)庫之上，應(yīng)用軟件的下層，其作用是為應(yīng)用軟件提供運行與開發(fā)的環(huán)境，便于靈活、高效地開發(fā)和集成復(fù)雜的應(yīng)用軟件。在不同的技術(shù)之間共享資源并管理計算資源和網(wǎng)絡(luò)通信。
另外中間件的定位不是操作系統(tǒng)，而是一套軟件框架，雖然包括了RTOS、MCAL、服務(wù)通信層等協(xié)議和服務(wù)。
中間件的核心是“統(tǒng)一標(biāo)準(zhǔn)、分散實現(xiàn)、集中配置”。其具備如下功能：解決汽車功能的可用性和安全性需求；保持汽車電子系統(tǒng)一定的冗余；移植不同平臺；實現(xiàn)標(biāo)準(zhǔn)的基本系統(tǒng)功能；通過網(wǎng)絡(luò)共享軟件功能；集成多個開發(fā)商提供的軟件模塊；在產(chǎn)品生命期內(nèi)更好地進(jìn)行軟件維護(hù)；更充分利用硬件平臺處理能力；實現(xiàn)汽車電子軟件的更新和升級等。
面向服務(wù)的軟件架構(gòu)SOA（Service-Oriented Architecture） 具有松耦合的系統(tǒng)，即有著中立的接口定義，這意味 著應(yīng)用程序的組件和功能沒有被強(qiáng)制綁定，應(yīng)用程序的不同組件和功能 于結(jié)構(gòu)的聯(lián)系并不緊密。應(yīng)用程序服務(wù)的內(nèi)部結(jié)構(gòu)和實現(xiàn)逐漸改變時， 軟件架構(gòu)并不會受到過大的影響。
“接口標(biāo)準(zhǔn)可訪問”和“拓展性優(yōu)秀”的 SOA 使得服務(wù)組件的部 署不再依賴于特定的操作系統(tǒng)和編程語言，一定程度上實現(xiàn)軟硬件的分 離。SOA 軟件架構(gòu)開發(fā)從用戶的角度進(jìn)行功能考慮，以業(yè)務(wù)為中心，將業(yè)務(wù) 邏輯進(jìn)行抽象和封裝。
新一代中間件平臺支持的自動駕駛軟件，通過SOA進(jìn)行適當(dāng)顆粒度的功能抽象、軟件代碼插件化（獨立的開發(fā)、測試、部署及發(fā)布） 、軟件功能服務(wù)化以及功能之間松耦合。
AI模型壓縮和加速
AI模型壓縮和加速是兩個不同的話題，壓縮重點在于減少網(wǎng)絡(luò)參數(shù)量，加速目的在降低計算復(fù)雜度、提升并行能力等。
目前壓縮和加速AI模型的技術(shù)大致分為四種方案如下。
1) 參數(shù)修剪和共享：探索模型參數(shù)中的冗余，并嘗試去除冗余和不重要的參數(shù)；
2) 低秩分解：使用矩陣/張量分解來估計深度CNN模型的信息參數(shù)；
3) 遷移/緊致卷積濾波器：設(shè)計特殊的結(jié)構(gòu)卷積濾波器，以減少參數(shù)空間并節(jié)省存儲/計算；
4) 知識蒸餾：學(xué)習(xí)蒸餾模型并訓(xùn)練更緊湊的神經(jīng)網(wǎng)絡(luò)以再現(xiàn)更大網(wǎng)絡(luò)的輸出。
通常，參數(shù)修剪和共享、低秩分解和知識蒸餾方法可以用于具有全聯(lián)接層和卷積層的深度神經(jīng)網(wǎng)絡(luò)模型；另一方面，使用遷移/緊致濾波器的方法僅適用于具有卷積層的模型。低秩分解和基于遷移/緊致濾波器的方法提供了端到端流水線，可在CPU / GPU環(huán)境中輕松實現(xiàn)。參數(shù)修剪和共享會使用不同的方法，如矢量量化，二進(jìn)制編碼和稀疏約束等?？傊?，實現(xiàn)壓縮和加速需要多個步驟來進(jìn)行。
至于訓(xùn)練方式，可以從預(yù)訓(xùn)練方式中提取基于參數(shù)修剪/共享低秩分解的模型，或者從頭開始訓(xùn)練（train from scratch）。遷移/緊致卷積濾波器和知識蒸餾模型只能從頭開始訓(xùn)練。這些方法是獨立設(shè)計的，相互補充。例如，可以一起使用遷移網(wǎng)絡(luò)層以及參數(shù)修剪和共享，也可以將模型量化和二值化與低秩分解近似一起使用。
知識蒸餾將深度寬度網(wǎng)絡(luò)壓縮成較淺網(wǎng)絡(luò)，其中壓縮模型模擬了復(fù)雜模型所學(xué)習(xí)的函數(shù)。基于蒸餾方法的主要思想是通過學(xué)習(xí)得到softmax輸出的類分布，將知識從大教師模型轉(zhuǎn)變?yōu)樾W(xué)生模型。一種蒸餾框架通過遵循“學(xué)生-教師”范式來簡化深度網(wǎng)絡(luò)的訓(xùn)練，其中學(xué)生根據(jù)教師輸出的軟版本受到懲罰；該框架將教師網(wǎng)絡(luò)（teacher network）集成到一個有類似深度的學(xué)生網(wǎng)絡(luò)（student network）中，訓(xùn)練學(xué)生預(yù)測輸出和分類標(biāo)簽。
車載自動駕駛芯片
自動駕駛芯片以及SOC（system on chip），目的是實現(xiàn)高效、低成本、低功耗的自動駕駛計算平臺。而工控機(jī)實現(xiàn)的自動駕駛平臺，是很難實現(xiàn)量產(chǎn)規(guī)?；涂刂瞥杀镜?。
一個SOC可能會包括自動駕駛芯片（深度學(xué)習(xí)模型實現(xiàn)）、CPU/GPU、DSP芯片、ISP芯片和CV（計算機(jī)視覺）芯片等。在芯片基礎(chǔ)上，還有一個支持深度學(xué)習(xí)模型實現(xiàn)的編譯器需要開發(fā)來最大效率地提高芯片的利用率，避免處理器等待或者數(shù)據(jù)瓶頸堵塞。
其中算法的適配性（模塊和進(jìn)程分解）、自動駕駛軟件的高效運行（包括進(jìn)程數(shù)據(jù)通信、深度學(xué)習(xí)模型加速、任務(wù)調(diào)度和資源管理等）及其安全（功能安全/預(yù)期功能安全）保障，都是需要很多工程性的艱苦努力和必要付出的代價（比如系統(tǒng)冗余）。
數(shù)據(jù)閉環(huán)平臺
AI的最挑戰(zhàn)應(yīng)用之一，自動駕駛，是一個長尾效應(yīng)的典型。大量少見的極端情況（corner case）往往是缺乏搜集的訓(xùn)練數(shù)據(jù)，這樣要求我們在一個閉環(huán)中不斷地發(fā)現(xiàn)這些有價值的數(shù)據(jù)，標(biāo)注后放入訓(xùn)練集中，同時也放入我們的測試集或者仿真場景庫；在NN模型得到迭代升級后，會再交付到自動駕駛車進(jìn)入新的循環(huán)，即數(shù)據(jù)閉環(huán)。
如圖就是特斯拉的數(shù)據(jù)閉環(huán)框架：確認(rèn)模型誤差、數(shù)據(jù)標(biāo)注和清洗、模型訓(xùn)練和重新部署/交付。
如圖是谷歌waymo的數(shù)據(jù)閉環(huán)平臺：數(shù)據(jù)挖掘、主動學(xué)習(xí)、自動標(biāo)注、自動化模型調(diào)試優(yōu)化、測試校驗和部署發(fā)布。
數(shù)據(jù)閉環(huán)需要一個云計算/邊緣計算平臺和大數(shù)據(jù)的處理技術(shù)，這個不可能在單車或單機(jī)實現(xiàn)的。大數(shù)據(jù)云計算發(fā)展多年，在數(shù)據(jù)批處理/流處理、工作流管理、分布式計算、狀態(tài)監(jiān)控和數(shù)據(jù)庫存儲等方面提供了數(shù)據(jù)閉環(huán)的基礎(chǔ)設(shè)施支持。
模型訓(xùn)練平臺，主要是機(jī)器學(xué)習(xí)（深度學(xué)習(xí)）而言，開源的最早有Caffe，目前最流行的是Tensorflow和Pytorch（Caffe2并入）。在云平臺部署深度學(xué)習(xí)模型訓(xùn)練，一般采用分布式。按照并行方式，分布式訓(xùn)練一般分為數(shù)據(jù)并行和模型并行兩種。當(dāng)然，也可采用數(shù)據(jù)并行和模型并行的混合。
  • 模型并行：不同GPU負(fù)責(zé)網(wǎng)絡(luò)模型的不同部分。例如，不同網(wǎng)絡(luò)層被分配到不同的GPU，或者同一層不同參數(shù)被分配到不同GPU。
  • 數(shù)據(jù)并行：不同GPU有模型的多個副本，每個GPU分配不同的數(shù)據(jù)，將所有GPU計算結(jié)果按照某種方式合并。
模型并行不常用，而數(shù)據(jù)并行涉及各個GPU之間如何同步模型參數(shù)，分為同步更新和異步更新。同步更新等所有GPU的梯度計算完成，再計算新權(quán)值，同步新值后，再進(jìn)行下一輪計算。異步更新是每個GPU梯度計算完無需等待，立即更新權(quán)值，然后同步新值進(jìn)行下一輪計算。
分布式訓(xùn)練系統(tǒng)包括兩種架構(gòu)：Parameter Server Architecture（PS，參數(shù)服務(wù)器）和Ring -AllReduce Architecture（環(huán)-全歸約）。
主動學(xué)習(xí)（active learning）的目標(biāo)是找到有效的方法從無標(biāo)記數(shù)據(jù)池中選擇要標(biāo)記的數(shù)據(jù)，最大限度地提高準(zhǔn)確性。主動學(xué)習(xí)通常是一個迭代過程，在每次迭代中學(xué)習(xí)模型，使用一些啟發(fā)式方法從未標(biāo)記數(shù)據(jù)池中選擇一組數(shù)據(jù)進(jìn)行標(biāo)記。因此，有必要在每次迭代中為了大子集查詢所需標(biāo)簽，這樣即使對大小適中的子集，也會產(chǎn)生相關(guān)樣本。
機(jī)器學(xué)習(xí)模型往往會在out-of-distribution（OOD) 數(shù)據(jù)上失敗。檢測OOD是確定不確定性（Uncertainty）的手段，既可以安全報警，也可以發(fā)現(xiàn)有價值的數(shù)據(jù)樣本。
不確定性有兩種來源：任意（aleatoric）不確定性和認(rèn)知（epistemic）不確定性。導(dǎo)致預(yù)測不確定性的數(shù)據(jù)不可減（Irreducible）不確定性，是一種任意不確定性（也稱為數(shù)據(jù)不確定性）。另一類不確定性是由于知識和數(shù)據(jù)不適當(dāng)造成的認(rèn)知不確定性（也稱為知識/模型不確定性）。
最常用的不確定性估計方法是貝葉斯近似（Bayesian approximation）法和集成學(xué)習(xí)（ensemble learning）法。
一類 OOD 識別方法基于貝葉斯神經(jīng)網(wǎng)絡(luò)推理，包括基于 dropout 變分推理（variational inference）法、馬爾可夫鏈蒙特卡羅 (MCMC) 和蒙特卡羅 dropout法等。另一類OOD識別方法包括 (1) 輔助損失或NN 架構(gòu)修改等訓(xùn)練方法，以及 (2) 事后統(tǒng)計（post hoc statistics）方法。
數(shù)據(jù)樣本中有偏離正常的意外情況，即所謂的極端情況（corner case）。在線檢測可以用作安全監(jiān)控和警告系統(tǒng)，在corner case情況發(fā)生時進(jìn)行識別。線下檢測可應(yīng)用于大量收集的數(shù)據(jù)，選擇合適的訓(xùn)練和相關(guān)測試數(shù)據(jù)。
DevOps
DevOps，簡單地來說，就是更好的優(yōu)化開發(fā)(DEV)、測試(QA)、運維(OPS)的流程，開發(fā)運維一體化，通過高度自動化工具與流程，使得軟件構(gòu)建、測試、發(fā)布更加快捷、頻繁和可靠。
DevOps 是一個完整面向IT運維的工作流，IT 自動化以及持續(xù)集成（CI）/持續(xù)部署（CD）作為基礎(chǔ)，來優(yōu)化程式開發(fā)、測試、系統(tǒng)運維等所有環(huán)節(jié)。
主干開發(fā)是CI前提，自動化以及代碼集中管理是實施CI的必要條件。DevOps是CI思想的延伸，CD/CI是 DevOps 的技術(shù)核心。
MLOps
MLOps的核心目標(biāo)是使得AI模型從訓(xùn)練到布署的整條端到端鏈路能夠穩(wěn)定，高效地運行在生產(chǎn)環(huán)境中，滿足客戶的終端業(yè)務(wù)需求。
為了達(dá)到這個目標(biāo)，其對AI系統(tǒng)核心技術(shù)也提出了相應(yīng)的需求。比如布署自動化，對AI框架的前端設(shè)計會提出明確的需求，如果AI框架的前端設(shè)計不利于導(dǎo)出完整的模型文件，會使得大量的下游不得不在布署環(huán)節(jié)引入針對各自業(yè)務(wù)場景需求的”補丁”。
布署自動化的需求，也會催生一些圍繞AI核心系統(tǒng)的軟件組件，比如模型推理布署優(yōu)化、模型訓(xùn)練預(yù)測結(jié)果的可復(fù)現(xiàn)性和AI生產(chǎn)的系統(tǒng)可伸縮性。
場景庫建設(shè)和測試
基于場景的自動駕駛汽車測試方法是實現(xiàn)加速測試、加速評價的有效途徑。
“場景作為行駛環(huán)境與汽車駕駛情景的一種綜合體現(xiàn)，描述了車輛外部行駛環(huán)境的道路場地、周邊交通、氣象(天氣和光照)和車輛自身的駕駛?cè)蝿?wù)和狀態(tài)等信息，是影響和判定智能駕駛功能與性能因素集合的一種抽象與映射，具有高度的不確定、不可重復(fù)、不可預(yù)測和不可窮盡等特征”。
測試場景的分類方法有所不同：
1）按照場景的抽象程度，可分為功能場景、邏輯場景、具體場景；
2）按照測試場景數(shù)據(jù)來源，可分為自然駕駛場景、危險工況場景、標(biāo)準(zhǔn)法規(guī)場景和參數(shù)重組場景。
一個場景庫的維度包括：
  • 場景：靜態(tài)部分和動態(tài)部分
  • 交通：駕駛行為和VRU（行人、自行車）等非機(jī)動行為
  • 天氣：傳感器（攝像頭、雷達(dá)、激光雷達(dá)）和干擾
場景庫建設(shè)，基本上基于真實、虛擬以及專家數(shù)據(jù)等不同的數(shù)據(jù)源，通過場景挖掘、場景分類、場景演繹等方式分層構(gòu)建成一個完整的體系。
德國PEGASUS項目（2016~2019年5月）聚焦于高速公路場景的研究和分析，基于事故以及自然駕駛數(shù)據(jù)建立場景數(shù)據(jù)庫，以場景數(shù)據(jù)庫為基礎(chǔ)對系統(tǒng)進(jìn)行驗證。
該研究定義了場景（scenario）“功能—邏輯—具體”（functional-logical-concrete）三級分層體系，以及面向概念—開發(fā)—測試—標(biāo)定 (concept-development-testing-calibration) 的場景庫構(gòu)建流程及智能駕駛測試方法。
PEGASUS通過開發(fā)OpenScenario接口試圖建立可用于模擬仿真、試驗場和真實環(huán)境中測試和試驗高級智能駕駛系統(tǒng)的標(biāo)準(zhǔn)化流程。
該項目分四個階段：1）場景分析&質(zhì)量評估，定義一種系統(tǒng)的場景生成方法以及場景文件的的語法結(jié)構(gòu)，計算場景的KPI，定義一套基于專家經(jīng)驗的場景困難（危險）程度評價方法；2）實施流程，以安全為基礎(chǔ)，設(shè)計一套足夠靈活的、魯棒性強(qiáng)的適用于自動駕駛功能的設(shè)計實施流程；3）測試，輸出為一套用于實驗室（仿真軟件，臺架等）以及真實交通場景的方法和工具鏈；4）結(jié)果驗證&集成，對前三個階段的結(jié)果進(jìn)行分析。
PEGASUS建立三種測試場景格式標(biāo)準(zhǔn)，即OpenCRG、OpenDRIVE和OpenSCENARIO，定義了測試場景的六層模型：道路層、交通基礎(chǔ)設(shè)施、前兩層的臨時操作（如道路施工現(xiàn)場）、對象、環(huán)境和數(shù)字信息。
02.結(jié)束語
自動駕駛進(jìn)入一個工程化落地的時期，這里提到了一些必要的工程化要素，如線控底盤、電子電氣架構(gòu)、中間件軟件平臺、模型壓縮加速、車載自動駕駛芯片（計算平臺）、數(shù)據(jù)閉環(huán)、DevOps/MLOps和場景庫建設(shè)及其測試等。
另外，這里還有沒提到的工程問題，比如傳感器清洗、計算平臺的內(nèi)存/指令優(yōu)化和安全冗余設(shè)計等等。
附錄A：自動駕駛工程化舉例
Pony AI（小馬科技）
2021 年 2 月，小馬宣布最新一代的自動駕駛車輛從一套標(biāo)準(zhǔn)化產(chǎn)線正式下線，開啟全天候自動駕駛的公開道路測試，并加入到各地的 Robotaxi 車隊中做規(guī)模化的運營。
這批車輛從設(shè)計、開發(fā)到產(chǎn)線生產(chǎn)、標(biāo)定和驗證，經(jīng)歷非常嚴(yán)格的標(biāo)準(zhǔn)化流程。整個流程里面大概涉及 40 多道工序（如攝像頭和激光雷達(dá)清洗、震動和防水等）200多項質(zhì)檢項目，盡可能保證整個系統(tǒng)的一致性。
比起以前的系統(tǒng)，在硬件穩(wěn)定性方面大概有 30 倍到 50 倍提升的效果，整個自動駕駛系統(tǒng)的生產(chǎn)效率和前一年相比大概能夠提升 6 倍。
AutoX（安途）
2021年12月22日，AutoX（安途）對外揭曉AutoX RoboTaxi超級工廠的內(nèi)部視頻。該超級工廠由Auto X獨立設(shè)計、投建。而RoboTaxi則是AutoX與克萊斯勒FCA集成合作打造，具備車規(guī)級冗余線控，支持量產(chǎn)。
AutoX無人車零部件進(jìn)入倉庫后，先進(jìn)行質(zhì)量檢測，通過檢測的零件走上部裝線，進(jìn)行局部集成。
總裝線由半自動化滑板傳輸線和吊裝輸送線組成，采用ABB 7軸機(jī)器人。電控系統(tǒng)與傳動系統(tǒng)則是由西門子、歐姆龍、施耐德、飛利浦、三菱、SEW等提供。從車內(nèi)操作界面可以對系統(tǒng)的全部軟硬件模塊進(jìn)行質(zhì)檢。
下線時，車間內(nèi)自動化多傳感器在轉(zhuǎn)盤、四輪定位等方面進(jìn)行標(biāo)定，并在廠內(nèi)完成恒溫房、噴淋房等車規(guī)級檢測，在出廠時即可進(jìn)入無人駕駛狀態(tài)。
附錄B：英偉達(dá)自動駕駛芯片
Xavier
Xavier被NVIDIA稱作為“世界上最強(qiáng)大的SoC（片上系統(tǒng)）”，有高達(dá) 32 TOPS的峰值計算能力和 750 Gbps 的高速 I/O 性能。
Xavier SoC基于臺積電12nm工藝， CPU采用NVIDIA自研8核ARM64架構(gòu)（代號Carmel），GPU采用512顆CUDA的Volta，支持FP32/FP16/INT8，20W功耗下單精度浮點性能1.3TFLOPS，Tensor核心性能20TOPs，解鎖到30W后可達(dá)30TOPs。
Xavier 內(nèi)有六種不同的處理器：Volta TensorCore GPU，八核ARM64 CPU，雙NVDLA 深度學(xué)習(xí)加速器（DLA），圖像處理器，視覺處理器和視頻處理器。
Orin
和Xavier相比，Orin的算力提升到接近7倍，從30TOPS提升到了200TOPS。CPU部分從ARM Cortex A57到A78。Xavier的功耗大概30W，Orin功耗僅為45W左右。
Orin多芯片方案版本用兩個Orin + 兩個7nmA100 GPU，算力達(dá)到2000TOPS。Orin 系統(tǒng)級芯片集成NVIDIA 新GPU 架構(gòu)Ampere、Arm Hercules CPU 內(nèi)核、新深度學(xué)習(xí)加速器（DLA）和計算機(jī)視覺加速器（PVA），每秒運行200萬億次計算。
DRIVE AGX系列推出一款新型Orin SoC。其功率僅為5瓦，但性能卻可達(dá)到10 TOPS。
Hyperion
NVIDIA 構(gòu)建并開放 DRIVE Hyperion 平臺。該平臺配置高性能計算機(jī)和傳感器架構(gòu)，滿足自動駕駛汽車的安全要求。DRIVE Hyperion 采用適用于軟件定義汽車的冗余 NVIDIA DRIVE Orin 系統(tǒng)級芯片，持續(xù)改善和創(chuàng)建各種基于軟件和服務(wù)的新業(yè)務(wù)模式。
新平臺采用 12 個環(huán)繞攝像頭、12 個超聲波模塊、9 個普通雷達(dá)、3 個內(nèi)部感知攝像頭和 1 個前置激光雷達(dá)打造。是有功能安全的架構(gòu)設(shè)計，具備故障備份。
不少汽車制造商、卡車制造商、一級供應(yīng)商和無人駕駛出租車服務(wù)公司采用了此 DRIVE Hyperion 架構(gòu)。
附錄C：車載中間件AUTOSAR
AUTOSAR (AUTomotive Open System ARchitecture) 由各大整車廠商和零部件廠商聯(lián)合制定軟件的標(biāo)準(zhǔn)化接口，由BMW、BOSCH、Continental、DAIMLER、Ford、OPEL、PSA、TOYOTA、VW等共同制定，俗稱AUTOSAR Classic （CP），基本上做為MCU/ECU的標(biāo)準(zhǔn)，包 括發(fā)動機(jī)控制機(jī)和電機(jī)控制器。
CP主要包含微控制器層（Microcontroller）、基礎(chǔ)軟件層（Basic Software）、中間件層（Runtime Environment，RTE）以及應(yīng)用層（Application）?；A(chǔ)軟件層再分為服務(wù)層（Services Layer）、ECU抽象層（ECU Abstraction Layer）、微控制器抽象層（Microcontroller Abstraction Layer）和復(fù)雜驅(qū)動（Complex Device Drivers）。
具體講，服務(wù)層主要提供各類維持系統(tǒng)運行的基礎(chǔ)服務(wù)，如監(jiān)控，診斷，通信，以及實時操作系統(tǒng)等；ECU抽象層主要功能是封裝微處理器及其外圍設(shè)備；微處理器抽象層主要功能是對微控制器進(jìn)行分裝，例如I/O、ADC、SPI等；復(fù)雜驅(qū)動用于那些不能進(jìn)行統(tǒng)一封裝的復(fù)雜硬件，為上層RTE訪問硬件提供支持。
AUTOSAR Adaptive platform （AP），更多的應(yīng)用于 ADAS 和自動駕駛等對于計算能力和帶寬通信要求更高的領(lǐng)域中，盡可能從其他領(lǐng)域 (如消費電子產(chǎn)品) 的發(fā)展中獲益，同時仍然考慮汽車的特定要求，如功能安全。
AP平臺主要提供高性能計算與通訊機(jī)制，并且提供靈活的軟件配置，例如軟件遠(yuǎn)程更新（OTA）等，包括如下主要部分：（1）用戶應(yīng)用，一個應(yīng)用可以為其他應(yīng)用提供服務(wù)，這樣的服務(wù)稱為非平臺服務(wù)；（2）支持用戶應(yīng)用的AUTOSAR Runtime（ARA，Autosar Runtime for Adaptive Application），其由功能集群提供的一系列應(yīng)用接口組成，其中有兩種類型的功能集群，即自適應(yīng)平臺基礎(chǔ)功能和自適應(yīng)平臺服務(wù)；（3）硬件視作機(jī)器（Machine），可以通過各種管理程序相關(guān)技術(shù)虛擬化，并且可以實現(xiàn)一致的平臺視圖。
AP需要支持E2A的兩個關(guān)鍵特征：異構(gòu)軟件平臺的集成和面向服務(wù)的通信。AP組件封裝面向服務(wù)SOA軟件底層的通訊細(xì)節(jié) (包括SOME/IP協(xié)議，IPC等)，同時提供代理(Proxy)-骨架(Skeleton)模型，方便應(yīng)用開發(fā)人員調(diào)用標(biāo)準(zhǔn)服務(wù)接口(API)進(jìn)行開發(fā)。
AP選擇POSIX PSE 51作為OS要求，避免底層OS過于復(fù)雜，上層應(yīng)用限制使用一些復(fù)雜功能，避免overspec。
作者 | 計算機(jī)視覺深度學(xué)習(xí)和自動駕駛
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25