智能驾驶的数据驱动
智能驾驶的数据驱动
智能驾驶技术正从场景驱动向数据驱动转变。随着对全场景覆盖的要求不断提高，如何通过数据驱动提升智能驾驶的性能成为行业关注的焦点。本文将探讨数据驱动在智能驾驶中的应用，以及如何构建高效的数据闭环系统。
在智驾的功能定义时，首先是从场景定义入手，做对功能产品的需求分析。在实际功能上线时，智驾功能需求覆盖的场景越来越多，甚至需要做到全场景覆盖的全自动驾驶。当前比较有共识的认知是：“在普通场景下的智能驾驶已经相对很成熟、也很稳定。难点在于各种corner case”。
前一阶段，智驾主要考验场景定义能力。能覆盖的场景越多，功能表现越好。随着智驾对全场景的要求转变，原来的场景定义越来越不适用。那如何进一步提高智驾在全场景下的智能表现呢？
为了应对全场景智驾，智驾就从场景驱动，逐渐过渡到数据驱动。获取到的真实数据越多，对真实场景的覆盖越多，功能表现、客户满意度也就越来越好。
数据驱动，数据通过研发团队人工采集，解决问题，验证，上线，远远达不到实际需求，样本量太小了。为应对这个问题，出现了数据自动化处理的方式，通过自动化流水线处理数据，来解决复杂性问题。就是我们常说的数据闭环。
数据驱动的问题
自动化数据闭环，要解决数据的主要问题，是数据自动流转，自动生产新的场景和规则，自动进行模型优化，自动仿真验证，再通过实车验证。
数据本身的问题，都是待解决的，比如，不同车型的传感器配置不同，装配位置不同，数据格式不同，软件迭代后的数据格式版本变化，数据的可视化解析不同，同场景下的数据缺失，数据错误和识别等等。
如何做数据闭环，以及评估数据的成本
数据的传输和存储。数据在车端收集，如何压缩数据、减少传输成本是关键。数据传输到云端后，数据的存储，以及对数据的有效分类和处理是关键。比如需要对数据的时间、地点、软件版本、传感器的配置、天气情况等信息做同步记录。
数据的处理。包括自动标注，机器学习模型训练，在线的实时流式计算，仿真计算，离线计算等。离线计算，可以用于生成车道级高精地图等信息。通过对数据的数据和机器学习，不断迭代算法，在老数据上验证、实车验证后实现软件迭代，并在实车上再收集数据，形成数据闭环。在数据处理过程中，如何实现数据的品控，通过有效的仿真计算，拦截90%以上的问题，是智驾的关键。
数据的可视化。数据可视化主要是解决研发人员的问题分析和调试。好的可视化工具，可以高效提升研发效能。
随着OEM的车型销量逐步提升，数据量也会逐步攀升，如何及时做好数据存储、数据的流水线处理平台、仿真平台、数据可视化平台的扩展，应对不断增加的数据需求，也是关键点。
智驾的数据驱动和数据闭环，对资源的投入需求会越来越高，需要做好预期管理，持续迭代优化智驾功能。