2019年4月，特斯拉首次发布“影子模式”（shadow mode），这是一种全新的车端数据触发采集方式。不同于谷歌的Waymo公司通过自建庞大的车队来采集自动驾驶数据，特斯拉的自动驾驶模型作为“影子模式”，运行在车辆后台，但不参与控车，通过对模型的结果数据与驾驶员的行为数据分析，从而判断自动驾驶模型的“短板”，并上传对应的数据到云端。这样采集到的高价值数据，无疑是在海量自动驾驶数据中，工程师们所迫切需要的。而且，特斯拉的影子模式支持量产车上运行并采集数据，等同于将自己卖出的每一辆车，都能够化身为“数采车”，充分发挥量产车覆盖场景广、成本低的优势。

根据已有数据显示，特斯拉基于影子模式，已经在2021年累计行驶了超过60亿英里，谷歌的Waymo通过自建庞大的自动驾驶车队，也累计了约2亿英里的自动驾驶行驶数据。国内的造车新势力也紧随其后，蔚来与小鹏的自动驾驶路测里程也达到了近亿英里级别。很明显，具备影子模式的特斯拉在该项指标上，与潜在的竞争对手拉开了巨大的差距。

影子模式的优势

一、量产车即等同于“数采车”，所有上路车辆均可进行模型测试与数据搜集

影子模式适用于量产车，自动驾驶模型运行在车辆后台，只参与决策与模拟运行，实际不控车，也不会对驾驶者及车辆产生任何干扰。在有异常场景或模型与人的决策明显不同时，触发数据采集；这种方式与组建庞大的自动驾驶测试车队相比，实现了成本的大幅降低。

二、覆盖场景广泛

影子模式使得我们的量产车变身为“数采车”，量产车覆盖的路况、场景的广度等是小规模的数采车队/自动驾驶车队无法比拟的。传统方式中，我们通过设计场景进行专门的测试与数采，而使用影子模式的量产车所投身的是“实战环境”，通过安全的策略使得量产车既能兼顾行车安全，又可以探索无穷的场景。

三、使自动驾驶模型学习到真实人类的驾驶行为习惯

影子模式在执行过程中，也会实时的与驾驶员的驾驶行为数据进行比对，当差异的数据被送到自动驾驶模型中进行模型的训练迭代时，产生的新的模型会趋向于驾驶员的驾驶风格，从而使得自动驾驶模型更加偏向人类的驾驶风格。

四、可短时间内积累海量的自动驾驶行驶里程数据

正如前面的数据显示，特斯拉使用影子模式积累了海量的自动驾驶路测数据，这是传统的方式无法在短时间内达到的。

五、可实现新功能在量产车上的验证

传统车辆在新旧功能交替这一过程中，必须进行大量的功能测试以确保新功能的安全性与平稳运行。这一过程可能会由于场景设计不完备导致新功能在某些场景下失效。现在，可以在车端将新功能部署于影子模式内，与旧功能进行功能性能比对，从而实现在全场景下功能的验证与测试。

实现影子模式的瓶颈

然而，业界在探索实现影子模式的过程中，大都会碰到以下问题：

一、车端数据接入比对分析困难

OEM自建的自动驾驶算法等作为影子模式运行在车辆后台，与车端实际运行过程中产生的数据如何接入、解析、对比分析，以及比对结果如何触发数据上传等，是目前市面上传统方式难以实现的。这也限制了影子模式真正上车落地实现。

二、未知场景探索困难

自动驾驶模型研发过程中，会碰到无穷无尽的Corner Case，这些Corner Case会造成极大的安全隐患。目前我们只能解决有限的已知极限场景的处理，而隐藏在海面下的“冰山”还无法使用传统的方式高效挖掘。只有利用影子模式在量产车端覆盖更广的场景的时候，才可以发掘更多的Corner Case，提高自动驾驶的安全性。

三、好的驾驶员挑选困难

影子模式这一策略会趋向于学习驾驶员的驾驶行为，但如何判断驾驶员是否是“好”的驾驶员？如何让影子模式向安全的驾驶行为学习，这其中涉及到整套的驾驶员评价体系的搭建，极具挑战。

EXD影子模式数据闭环

基于以上的行业现状，EXD结合自身的产品矩阵，推出了“影子模式数据闭环解决方案”。

一、EXD提供车云全栈数据产品

智协慧同数据产品矩阵包括：

--vStudio 云端算法开发平台

--vAnalyze 云端计算引擎

--vCloud 云端数据管理平台

--vCompute 车端计算引擎

--vData 车端时序数据库

--vADS 车端智驾数据引擎（处理结构化数据与非结构化数据）

二、EXD影子模式数据闭环优势

1，数据接入比对能力

EXD基于车端产品组件，可实现车端全维度数据接入，包括结整车CAN总线数据、车端多传感器数据例如摄像头图片数据、雷达点云数据等，囊括结构化数据与非结构化数据的接入处理。这也是“影子模式”可以在车端运行的前置条件。

2，边缘计算能力

EXD提供的vADS智驾数据引擎，实现车端比对分析模型的运行，异常场景的数据触发上传能力，可以支持当“影子模式”发现不一致的场景后，以灵活的数采方式，获取和上传有价值的场景数据，从而提升高价值高维度数据获取的效率。

3，未知异常场景发现能力

当OEM的影子模式在车辆后台运行时，通过使用EXD的车载组件，接入影子模式的结果数据与车辆运行的实际数据，进行一些基本信号数据的比对。若差异过大，比如驾驶员踩刹车的情况下，影子模式判断踩油门，则上传该时间点前后N秒的数据到云端用于异常场景分析和提取，从而可以发掘未知的Corner Case，用于完善自动驾驶模型。

4，新功能高效验证与比对

EXD支持在车端进行新功能的验证对比，将新功能作为车端后台的影子模式，持续输出执行结果；另一方面，EXD的产品组件接收对应的旧功能执行结果，用于两者的分析比对，从而实现了量产车上新功能的快速全场景能力验证。

5，驾驶员评价体系搭建能力

EXD基于云端拖拉拽式的模型搭建方式，通过与主机厂联合设计驾驶员评价的逻辑规则，选择合适的模型实现后，下发至车端进行驾驶员驾驶行为的实时评分，根据评分结果判断是否需要给该驾驶员开通影子模式，从而确保影子模式的学习目标拥有良好的安全驾驶习惯。

影子模式是一种全新的数据获取方式。随着车端算力的增长，车端传感器的增多，车端数据量的暴增等，越来越多的主机厂会采取这种高效的数采方式来进行数据获取。在后续的自动驾驶技术研发与整车研发过程中，影子模式对应的数采模式会占据越来越重要的地位。EXD愿与主机厂在这一进程中，共同协作，打造数据底座，实现影子模式快速落地。