硬件預埋是自動駕駛趨勢下車企主機廠采取的新模式，即通過在車內進行硬件預埋，后續汽車只需通過不斷地升級軟件，用戶就可以獲得更好的使用體驗，同時降低主機廠車型上市時間的壓力。硬件預埋與OTA遠程升級有著必要性的聯系，說完硬件預埋，會再聊聊OTA的原理。

在此之前，我們先把硬件預埋、OTA都擺脫不了的一個話題——車企研發時的數據閉環是如何實現的？

硬件預埋與OTA那點事，出門左拐，可以看到船尾之前梳理的內容。

言歸正傳，回到本期主題：自動駕駛硬件預埋之后，車企如何實現數據閉環？

只需5步，實現數據閉環

NI提出數據采集/處理5步法，打造數據閉環：

• 道路測試
• 大數據管理
• 場景虛擬化
• 數據開環回灌
• 數據閉環

從數據采集到數據閉環，就5步

一、道路測試——Data Record System AD

道路測試是收集真實場景數據的重要來源，無論是車內通信還是車路通信，都需要處理大批量的數據，自動測試系統中一般需要配備數據采集同步和存儲設備。

自動駕駛汽車到底需要哪些類型的傳感器？

自動駕駛汽車是集感知、決策和控制等功能于一體的自主交通工具，其中，感知系統代替人類駕駛人的視、聽、觸等功能，融合攝像機、雷達等傳感器采集的海量交通環境數據，精確識別各類交通元素，為自動駕駛汽車決策系統提供支撐。

1、攝像頭

攝像頭按視頻采集方式分為：數字攝像頭和模擬攝像頭兩大類。

車載上一般使用的是數字攝像頭，它可以將視頻采集設備產生的模擬視頻信號轉換成數字信號，進而將其儲存在計算機里。

模擬攝像頭只能將捕捉到的視頻信號，經過特定的視頻捕捉卡將模擬信號轉換成數字模式，并加以壓縮后才可以轉換到計算機上運用。

舉個例子來，我們使用的固定電話就屬于模擬信號，它在通話過程中容易產生噪音（電流聲或聽不清）的情況。而我們的手機為了保持很好的通話質量，就將電話的模擬信號進行了數字化，手機之間的通話質量就非常清晰，同樣原理使用數字攝像頭能有效減少圖像中的噪點和提升成像效果。

一句話概括：模擬視頻信號是在一定的時間范圍內可以有無限多個不同的取值。而數字視頻信號是在模擬信號的基礎上經過采樣、量化和編碼而形成的。模擬信號容易產生信號噪音和干擾，已逐步被數字信號取代。

圖片來源：博世官網

2、雷達

雷達能夠主動探測周邊環境，比視覺傳感器受外界環境影響更小，是自動駕駛汽車的重要傳感器之一。雷達通過向目標發射電磁波并接收回波，從而獲取目標距離、方位、距離變化率等數據。根據電磁波波段，雷達可細分為激光雷達、毫米波雷達和超聲波雷達等3類。

NI提供的基于PXI平臺的模塊化數據采集方案，可以滿足多路攝像頭、車載以太網、CAN/CANFD、GPS等的數據采集，還能滿足不斷階段的數據采集需求。比如，ADAS域控制器已經基本在研發和迭代的階段，可以通過數據旁通采集的方法，將NI測試設備作為一個中間件，從中間把數據采集回來，這樣就不會破壞掉傳感器到ECU的數據鏈路。此外，NI的解決方案支持15TB~200TB的數據存儲容量。

為了保證采集數據的準確性，用于記錄數據的車輛，需要配備滿足其智能駕駛特定等級的傳感器和測量技術。主要的傳感器類型包括攝像頭、毫米波雷達和激光雷達。系統的核心是融合控制器，它獲取所有傳感器的數據并實時計算當前環境模型，然后用于控制驅動、轉向和制動系統。

滿足各種傳感器、ECU和通信數據記錄的高性能數據采集系統需要專門為連續運行而設計，提供高可靠的RAID存儲設備，可以測量攝像頭、毫米波雷達，激光雷達原始數據，具備測試融合控制器，還包括附加的參考攝像頭視頻數據以及提供車輛精確位置的慣性導航系統數據和車載以太網、CAN、CANFD、FlexRay等眾多總線數據。

二、大數據管理——DIAdem

從流程上說，大數據管理分為車隊管理、數據中心、終端數據使用三部分。從車端向數據中心傳輸數據的過程中，普遍采用的是數據搬移等回傳方式，數據量可達到10-100TB/每輛車/每天。反過來，數據中心還能對車端實時監測，這部分主要是通過車載4G 或者5G網絡完成。

不同等級階段的車輛，需要采集的數據量也呈現幾何級增長。以目前常見的L3階段為例，隨著4K超高清攝像頭、128線激光雷達等傳感器引入，每天8小時數據采集系統記錄的數據量高達30TB。

采集系統需要提供高帶寬、高容量的數據存儲，同時還需要考慮如何將數據簡便的方式將數據傳輸到數據中心。比如通過專門的數據上傳機將數據傳輸到容量為PB級別的數據中心。

除了這些基于云的工具之外，這里再強調一個數據挖掘神器——DIAdem。它可以部署在云端，針對路試數據、多源的數據圖像、點云的以及一些總線的數據實現相應的數據可視化和數據挖掘的工作。DIAdem可提供200+數據插件，兼容多種類型的測試廠商的數據格式，比如說ASC， MDF4、TTL、MAT 等。

三、場景虛擬化——monoDrive

通過道路試驗采集數據之后，就要對數據進行清洗分類、場景選擇，最后將真實道路試驗和虛擬仿真試驗結合在一起。monoDrive就是這樣的工具，可以實現高保真的傳感器物理建模，場景語義分割，同時還支持云仿真的功能，可以把大量的測試用例，部署到云上面，來加速仿真的進度。monoDrive的另外一個重要優勢是realto virtual場景自動生成的擴展功能。

值得一提的是，在場景重建或者是傳感器建模的過程中，NI可以把真實的傳感器數據跟虛擬的傳感器數據做相應的標注。

實車數據轉化為仿真場景的工具，基于大量實車數據積累，實現數據驅動的研發模式。

▲ ??采集場景轉換效果

工具鏈支持將巨量動態數據和靜態數據排列組合，解決了案例設計跟實際情況偏差較大的問題，讓自動駕駛的模擬仿真更貼近真實世界。

▲ ??語義場景轉換工具鏈

四、數據開環回灌——基于PXI平臺的系統架構

這個步驟要做的是把原始數據回灌到ADAS感知軟件中，一部分是直接回灌到software stack 去做一些軟件回灌，主要是針對一些模型的測試部分。還有一部分是直接回灌到真實的ECU，這可以更真實地復現我們在路試過程中去發現的一些情況。

NI系統架構的組成：用戶數據中心、基于Linux 平臺的Replay PC、NI PXI 平臺

為了形成一個數據閉環，充分利用原始數據的價值，越來越多的車企都在構建這樣的一個集群式數據回灌系統。很多車企在定義AEB功能的時候，通常他們會要求AEB 功能是10萬公里或者 20萬公里不能產生誤觸發。

舉一個例子——

假如在路試的過程中跑了8萬公里，突然產生了一次誤觸發，這個時候就要回去修改相應的軟件。修改軟件之后，是否還需要再重新跑一個10 萬公里呢？顯然重頭來做會浪費大量的額時間和經歷。

面對這樣的挑戰，有什么有效的方法呢？

王帥解釋道：“如果在第一次路試時候跑到8萬公里發生了問題，但是能保證前面的里程的數據都被記錄下來了。那么一旦發現了問題之后，我們去迭代修改軟件。修改軟件之后，我們就利用原來采集的原始數據去做一個回歸測試，測試一下軟件修改之后在原來的這些數據上面能不能正常的運行。這就減少了我們在路試上的投入，從而加快開發速度。”

五、閉環測試——SIL和HIL

閉環測試通常包括軟件在環（SIL）和硬件在環（HIL）。在軟件在環這塊，NI的方案是利用monoDrive平臺提供一個可以實現在云上批量部署的環境。在硬件在環這塊，NI的方案是利用PXI平臺，同時利用NI在攝像頭、車載總線，及數據同步等方面的優勢實現多種類型傳感器的帶有數據注入功能的閉環系統。