智能汽车时代的三个变化

一、 从小数据到大数据的转变

在过去的小数据时代，车辆数据仅限于整车厂的研发和测试团队在小范围内被应用，比如通过专业的数据采集设备在几百台规模的试验车上采集几个小时的信号数据（GB规模）用作整车和零部件的研发与测试，数据量不大，但采集和分析的成本都很高，而且需要的时间积累也很长。而随着网联技术的升级，车辆需要通过车联网回传大量的数据。

• 数据规模：部分信号→全车信号，数百辆→万辆→百万辆（GB→PB→ZB）

• 数据精度：采集频率从秒级→毫秒级转变

• 数据维度：驾驶行为特征数据，道路和环境特征等数据等等，维度越来越多

一个典型的具有机器数据特征的新的大数据集正在整车厂的数据中心里出现，理解和处理新数据时代需要具备现代大数据处理的能力和技术，比如：分布式计算、时序数据分析、机器学习、神经网络等新的数据技术。

二、架构的变化：SOA与车云协同

SOA设计理念逐步融入EEA，使得汽车具备软硬分离和服务原子化的能力，而智能汽车的“智”还在于数据驱动，搭载数据闭环的SOA才意味着有灵魂的智能。数据闭环的关键在于两点：

• 车端高精度场景数据的利用

• 车端计算与云端计算的协同

边缘计算凭借实时分析车端高精原始信号的能力，在智能汽车领域扮演越来越重要的角色。通过云计算+边缘计算来构建车云协同的数据闭环，利用整车、环境、用户等多维度的高精数据来打造千人千面的智能移动空间，已经成为智能汽车新的趋势。正如博世对EEA演进路线的预测（分布式→域集中→中央计算→车云计算），EEA最终会走向车云计算的协同模式。

三、软件占比与迭代速度发生巨大变化

智能汽车的软件将占未来新功能的90%；根据NXP预测，2015-2025年汽车中代码量将呈指数级增长，其年均复合增长率达到21%；现在一辆智能汽车的代码量已经过亿行。汽车的快速软件化带来两个变化：

• 软件bug占比激增，2019年因软件问题的召回已经从2010年的10%增长到40%（据IHS统计）；

• 汽车迭代速度提升，汽车中软件系统的迭代速度比电子系统快1.5倍，比机械系统快6倍（据Mentor Embedded分析）。

可见，汽车软件化不仅让汽车需要具备更快的进化能力，而且软件化也带来了大量的bug，特斯拉通过影子模式不断地完善FSD（全自动驾驶系统），使得进入市场后的车辆的FSD都具备快速进化的能力。其实特斯拉的影子模式理念也完全可以用于除自动驾驶以外的场景，通过触发式的收集车辆运行数据，通过OTA不断修复软件和新增功能，形成快速迭代的闭环。

1、  数据驱动的闭环尚未实现。车企在云端存储了海量的车联网数据，但是由于欠缺海量数据的分析能力，再加上没有目的性的数据采集，导致海量数据难以成为数据资产。如何实现数据驱动？

今天主机厂尝试打通并融合 Matlab + Canoe + Hadoop + Python+ 容器等多种复杂各自不兼容的开发环境、语言、分布式/嵌入式运行环境，以及云端后台与车端的大量架构性差异，导致非常高的团队沟通成本和时间成本，是车企在智能汽车时代面临的主要挑战之一。

2、 汽车上毫秒级的高精原始信号蕴含着巨大的价值（如驾驶行为模型、精准续航里程预估、精准的故障诊断等都需要毫秒级高精数据），但通过车联网对于毫秒级数据回传的采集方法，将会付出巨大的流量成本和存储成本，数据的高精度与成本之间存在很大的矛盾；

3、 智能汽车的软件变得越来越复杂，用HIL加道路试验的数据解决SOP前的bug面临越来越大的挑战，如何在SOP后快速发现并修复bug？如何让智能汽车更快更好地进行功能迭代和功能增加？自动驾驶场景背后有个影子模式在支撑功能迭代，那整车的影子模式又该如何构建？

4、 如何用数据驱动千人千面的驾乘体验？使得不同的车主在不同地域、不同季节都会有最舒适的体验。

基于这样的时代背景，EXD团队凭借IT、DT与汽车的跨界思维、基于基础软件开发和数据底层分析技术打造了EXD车云计算解决方案。旨在赋能OEM的数字化转型，通过快速打造数据闭环，实现数据驱动的业务模式。

EXD产品本身采用了SOA理念进行设计，通过灵活组合适配不同的架构和操作系统，满足不同车企不同阶段的发展需求。产品包括以下五个组成部分：

图1：EXD车云计算产品组成

vStudio将汽车领域常用到的算法封装成算子，有Know How的汽车工程师通过拖拉拽百种以上的数据处理与机器学习算子来组合生成新的算法模型，实现快速建模。由于低代码和图形化，零基础的汽车工程师可1-2周掌握，大幅提升汽车工程师用算法解决问题的效率。vStudio为行业通用的B/S架构，用户通过支持跨操作系统和浏览器的HTML5/JS界面与API来进行大数据分析算法探索与边缘计算部署。

通过vStudio设计的算法模型可直接在vAnalyze上运行，无需重新编译、高效灵活更新，通过分布式计算对云端/本地的海量大数据进行分析。vAnalyze建立在常见的开源大数据平台之上，包括离线和实时数据处理，如Hadoop、Spark等，可以进行简单方便的扩展。

在算法下发到车端之前，需先在云端vFlow进行车辆环境的仿真测试，测试OK后方可部署发至车端。vFlow支持车与云的灵活算子任务协同，多节点负载均衡，多算法按优先级并行调度。无需重新编译、高效灵活更新，车端与云端同数据同结果。

vStudio开发的算法经vFlow仿真测试后部署到车端的vCompute，通过流计算对车端毫秒级的原始信号进行实时计算。vCompute可部署在域控制器/智能Tbox/车机上，支持算法的动态加载，多算法按优先级并行调度，无需重新编译、高效灵活更新，车端与云端同构，云端大数据测试后即可下发运行。

vData对车端原始信号进行高比率无损压缩和存储，压缩比率超百倍（对CSV文件的压缩率达到99%以上）。vData提供增量式存储，接收的数据摆在内存里，到达一定量后才整个写出（减少刷写次数/车载件的寿命），同时应用4层压缩技术实现高比率压缩(减少刷写量/同空间存更多数据)，包括：

①列存储信号按序差差压缩（delta of delta）；

②XOR压缩；

③encoding压缩；

④全局压缩。

图2. 基于EXD车云计算打造的数据闭环

问题1：汽车车联网大数据时代，数据如何到资产的转变？

vStudio + vAnalyze，图形化、低代码建模工具vStudio赋能有Know How的汽车工程师，降低其使用算法解决问题的门槛，不用通过IT工程师就可以实现快速建模、快速部署到云端，通过vAnalyze的分布式计算对海量数据进行快速分析。

只有当有know how的汽车工程师具备建模分析的能力，才能从根本上实现数据驱动的业务模式。

问题2：高精度数据与成本之间的矛盾如何解决？

基于vCompute+vData边缘计算打造灵活的数据采集方案，在T-box和域控制器上均可部署，无需配置新的硬件。通过在vCompute上部署灵活算法对车端全量高精度信号进行实时采集和计算，根据需求设置触发条件，vData对规定事件段的原始信号进行切片和压缩，通过T-box上传至云端，送到工程师桌面进行处理。

这样不仅实现了流量、存储、数据采集等成本的大幅降低，也大幅提升了云端工程师的工作效率，再也不用在海量数据中大海捞针。

问题3：如何实现智能汽车软件bug的快速修复？

正如上文所提，特斯拉通过影子模式，大幅加速了自动驾驶的进化速度。而通过EXD vCompute+vData打造了基于数字信号的EXD影子模式，让智能汽车具备快速进化的能力。流程简述：

1. vCompute+vData同步通过AP SOA服务订阅SOME/IP数据；

2. 在云端根据需求设计触发算法，将算法部署在车端vCompute，对全量原始信号进行实时计算；

3. 当出现触发事件后，vData对设定时间段的信号进行切片、压缩后传输至T-box，随后通过T-box上传至云端；

4. 云端解析后可获得事件相关的数据，云端工程师对数据的分析后进行软件优化，并通过OTA更新软件版本，实现汽车软件的快速迭代。

问题4：如何基于数据驱动千人千面的个性化智能体验？

千人千面落地有两个前提：

① 需要场景进化所需的足够多的高精度有效数据

② 基于这个场景的高效的数据闭环，高效地迭代加速，能灵活地构建各种场景所需要的“影子”

EXD解决方案：

vStudio + vAnalyze + vCompute

1. 通过vCompute采集车端传感器和执行器的状态数据，在云端vStudio + vAnalyze用机器学习训练用户在不同场景下的个性化喜好或习惯；

2. 在车端增加“智能功能”选项，在用户选择智能功能时，通过T-box或域控制器上用EXD边缘计算实时预测用户喜好，并向用户推送云端训练好的模式；

3. 通过采集用户是否手工介入或发出不满指令来形成软件化的数据反馈闭环，使用线性回归算法进行训练，最终越来越精准地满足用户不同场景下的个性化的需求。

图3. 百倍于传统开发效率

一方面，EXD是一个效率工具，通过将程序员的能力封装到vStudio里，成为一个个的工具箱，赋能汽车工程师能快速用算法解决数据分析问题，助力车企开启数据驱动的业务模式。

一方面，EXD也是一种部署在云端和车端OS上的软件架构，通过构建跨车云的同构环境，实现算法在云端和车端的快速部署和迭代，形成高效的数据闭环，大幅加速了汽车的迭代速度，以及千人千面的个性化智能的实现。

当下，EXD正在与头部OEM深度合作，推动基于车云计算的多个创新功能的量产落地，以及助力车企打造开发者平台，推动着智能汽车浪潮滚滚向前！