几个主流的自动驾驶平台.docVIP

几个主流的自动驾驶平台 随着自动驾驶技术的快速发展，汽车对软件特别是操作系统的变革需求越来越高，主机厂、Tier1 供应商和自动驾驶软硬件技术方案提供商纷纷投入大量的人力、物力和财力进行车控操作系统的研发，希望在软件定义汽车的时代能够占据一席之地。下面将对目前国内外主流车控操作系统的开发和应用情况进行简单介绍。 1、特斯拉Autopilot 自动驾驶软件架构 众所周知，特斯拉是自动驾驶技术和产业化的领跑者，其优势在于以计算平台为核心，自研并领先芯片硬件、操作系统平台软件等。特斯拉自动驾驶软件架构如图11 所示，主要特点是其操作系统基于单一Linux 内核，打造了整套自动驾驶的软件方案，分别完成了从感知、决策规划和控制系统解决方案。从现在公开的信息可知，系统基于Ubuntu 进行裁剪，对Linux 内核进行了实时性改造，这个内核也开源在github 上，深度学习框架基于PyTorch，实时数据处理基于开源流处理平台Kafka，拥有48 个独立的神经网络进行多维度数据处理，并且具备强大的OTA 升级能力。其FSD（Full Self-Driving）计算平台硬件集成了智能座舱域和自动驾驶域，操作系统通过OTA 软件升级，充分利用数据、云计算生态，开创汽车产品价值和服务的新模式。 图9 特斯拉Autopilot 软件架构（来源于网络） Autopilot 与娱乐控制层掌控了所有的摄像头和雷达传感器。在模块内部，Autopilot 系统和娱乐系统这两大部分通过CAN 和高速串行总线FPD-Link 打通，两者之间甚至可以传递视频数据。Autopilot 数据流处理机制如图10 所示，融合自动驾驶与车内感知，实现服务驾驶闭环。 图10 Tesla Autopilot 数据流处理机制 通过E/E 架构的集中化，特斯拉将汽车的软件开发内化，将汽车底层硬件标准化和抽象化，此举让特斯拉通过软件定义汽车和创新变得更容易。特斯拉的Autopilot 进化沿着功能集中化、资源共享化的道路前进，体现了特斯拉软硬件解耦，通过软件定义汽车的实践。 图11 特斯拉全栈AI 架构（来源于网络） 特斯拉在打造Autopilot 整体软件栈时采用的理念（参见图11）：站在巨人肩膀上进行创新，充分利用开源项目进行全栈开发，从开发（比如UI 框架基于QT，前端也基于一些开源的库）、构建、到部署都采用了开源的方案，推动车端算力服务、调度机制，以及云端算力资源优化布局，培育智能驾驶新业务模式。 最底层的是数据、GPU 集群以及Dojo 计算集群，这一层主要进行数据采集、标注和训练，生成算法模型；采用基于PyTorch 开源框架的深度神经网络对模型进行分布式训练；用损失函数对模型进行评估；在评估层之上，是云端推理和车端FSD 芯片推理，到这一层，意味着算法模型走完了大部分流程，然后就是部署到车端；在车端，这是车控操作系统运行范围，特斯拉通过影子模式将这些算法模型与人类驾驶行为进行比对，检测是否存在异常。 这样从数据采集到算法部署的闭环，随着更多汽车上路展开数据收集，可实现基于海量数据的驱动，让系统性能不断迭代，更加优秀。在这个闭环当中，涉及到数据集、模型训练神经网络、云端和车端推理算法等要素。 总结来看，软件定义汽车深刻地改变了汽车行业的盈利模式，将高性能的硬件预埋作为投资，通过软件更新服务盈利，已经成为特斯拉为代表的新造车势力的标准操作。 2、大众中央集中式软件参考架构 大众汽车为了加速自动驾驶技术的应用，组建了庞大队伍自主开发汽车操作系统vw.OS。vw.OS 采用的是基于Adaptive AUTOSAR面向服务的软件架构，其中，中央集中式软件参考架构如图12 所示。大众新一代EE架构的设计特点主要有： 1）采用高性能处理器、高速网络； 2）兼容POSIX 的内核（Linux/QNX 等）Linux + Adaptive?AUTOSAR 操作系统； 3）应用软件和I/O 功能解耦，减少整个系统的复杂性和应用之间的依赖性； 4）高效、快速地开发用户功能； 5）采用面向服务的通信。 图12 大众中央集中式软件参考架构（来源于网络） 3、华为MDC 智能驾驶计算平台架构 华为MDC（Mobile Data Center：移动数据中心）定位为智能驾驶的计算平台。此平台集成华为在ICT 领域30 多年的研发与生产制造经验，基于CPU 与AI 处理器芯片，搭载智能驾驶OS，兼容AUTOSAR，支持L2~L5 平滑演进，结合配套的完善工具链，客户或生态合作伙伴可灵活快速的开发出针对不同应用场景的智能驾驶应用。华为MDC 智能驾驶计算平台（以下简称华为MDC 平台），性能强劲、安全可靠，是实现智能驾驶全景感知、地图传感器融合定位、决策、规划、控制等功能的汽车“大脑”。适用于乘用车（如拥