自动驾驶量产阶段所面临的问题

hudaren43

作者 / 小瑜???

”如果将自动驾驶看做一套满汉全席，只有将席间的每一道菜都做好，才可能实现量产。

不然的话，就算模型表现得再完美再好，距离落地到应用端，还是隔着一条天然的巨大鸿沟。”

在毫末智行与清华AIR联合举办的第四期自动驾驶公开课上，毫末智行首席交付官甄龙豹全面解析了自动驾驶从概念到量产的具体挑战。

RoboX提炼出了其中的内容要点：

为何“鸿沟”天然存在？自动驾驶需要强软硬结合，包括半导体，再加上通讯、卫星等等不同的领域，所以它的大规模量产，势必会引发大量变化和讨论。
在系统研发第一阶段，是围绕终端需求，设计方案；第二个则是DEMO阶段，也是把理论初步变为应用现实的阶段。

这其中的工程、样件、测试等工作，都是指向可行方案的验证和修正。

但在DEMO阶段，可以不计成本，不计规格，不计算力，不计投入，因为其主要目标是要证明技术可以变为看得见摸得着的功能。

但如果DEMO的内容如果与后续阶段是脱节的，那就永远无法转向为量产——它与大规模量产之间的鸿沟极易形成。

“例如在做DEMO的时候，可能会用工控机来做，其GPU、运行频率，和对任务的调度远高于量产实际使用的域控制器。”

SOP能力补齐

“如果说从概念到DEMO是从0到1，那从DEMO到量产就是从1到100。量产阶段要做的，就是补齐原来缺失的那99。”

到了大规模量产阶段，应用环境和应用条件都需要考虑。包括振动、天气、高原、高湿等因素，以及车辆通讯的跳变，电源跳变等等。

同时，不管是ASPICE流程要求，还是体系的安全要求，在量产阶段时，都需要自上而下以标准化的流程来约束。



“工况环境的累积，能够不断反哺流程和设计标准。所以我们会看到做的SOP的项目越多，积累的工程经验就越多；你的市场应用越多，流程完备性，系统完备性都会呈螺旋式上升。”

甄龙豹认为，这是一个互相促进的过程。不单是汽车行业，这是生产制造业本身的天性。

量产验证的主要阶段

1、平台项目阶段：该阶段是指在没有外部客户和项目的时候，自动驾驶公司自己所做的内部平台定义的开发。此类研发立项需要做到准SOP的阶段，以求未来能在客户的车上快速进行量产适配。

2、领航项目阶段：产生进一步的各种规范要求。包括通讯规范，出口区域的安全标准等等。另外，功耗，上下电模式，性能要求等，也需要在此阶段明确。

3、应用项目阶段：每年整车产品都会有不同的改款，这些改动涉及造型、底盘、传感器等等。这反映到自动驾驶来说，要用到不同的验证形式。

不过，由于在上版量产系统上，已经做过了针对性的变更和开发验证，这一阶段所需的周期会比整个自动驾驶项目要快很多。

4、验证阶段：针对项目中的变化进行验证实验，从而满足快速上车的需求。

自动驾驶系统开发流程

整体来说，自动驾驶的开发必须按照ASPICE（汽车软件过程改进及能力评定模型框架）的要求来进行。

在自动驾驶系统开发需求中，功能需求只占50%，另外还有硬件开发需求，安全需求等等。

在开发过程中，任务包括需求分解，系统功能分解，软件功能分解，也包括售后管理等整个生命周期管理。

“这是一个完整的自循环和自生长的流程。”甄龙豹说道。???



（图源：文心一言）

?自动驾驶硬件的开发流程：

硬件开发流程的内容包括功耗、内部算法、操作系统和电源数的设计，再到关键BOM的生成，这里还会结合到不同主机厂的需求。

在这些目标都达成之后，才会进行硬件PCB（印刷电路板）的生产和SMP的贴片。贴片完成之后，就又会对针对设计内容在实际样件里面的完整性和一致性进行验证。

这些验证属于DV（设计验证）阶段的测试，之后还会进行大规模生产的PV（产品验证），其中包括环境仓实验、跌落实验、冲击实验等。

另外，在自动驾驶硬件测试内容中，包括了建模，CART、散热仿真，机械外壳强度分析，PCB内部信息验证等等。

而手板样的制作，以及样机的测试，都是围绕着上述内容来一一进行的。

通过这些测试，需要得出可行结果，然后下一步还要得出标准，也就是测试需要满足的内容是什么。

据此，还需要进行电源、信号的稳定性测试，以及内部设计的系统测试。

例如，在进行自动驾驶的多视觉系统测试时，要对视觉链路经过内部的解并串，再加上密闭输入，得出演图的完整性以及S参数，从而确认硬件设计可行，可以进行规模量产。

自动驾驶软件开发流程：

软件开发需要考虑的内容包括：通讯、诊断、安全，底层驱动（相机驱动、以太网的驱动、系统层级驱动，GPU或AI层级驱动等等）。   

“一个模型如何从云端走向车端，或者说从云端走到芯片端，这才是制约模型上车量产的关键。”

一个云端效果比较好的模型，实际上距离车端应用，还有很远的距离。因为云端GPU的资源是无穷无尽的，要远远要高于车端，也远远高于芯片端的能力。

所以在芯片端还要解决本身行为的分析、模型的编译，模型的模拟，以及工具链和模型整体的减帧和减量化。



在感知中，只看准召率（精确率+召回率）远远不够。只有看得越远，看得越精，后端PnC的发挥空间才会越大，系统功能也会越强。

所以除了准召率，还需要看检测稳定性、速度稳定性、收敛速度，以及对白天夜晚的适应度等等，这些都是感知从训练到量产的基础化内容。

因此，一个好的感知开发，一定是从后端推导到前端来进行的。

在模型训练、编译和部署的3个阶段中，模型编译重点围绕的是芯片，它做的其实就是这个模型真正的能不能在这个芯片上编译成功，所以它主要的卡点是算子支持，包括模型结构等等。

到了最后阶段——模型部署时，需要保证的内容相对繁杂：例如CPU、帧率，内存、量化掉点，还有稳定性，一致性等等，这也是在板上实现感知模型应用的最重要的环节。

从滚动式开发，到并行开发

“上述这些内容，其实距离量产还只能说完成了50%。”甄龙豹说道。

因为海量数据的价值点都在于后期的长尾分布上：一些可遇不可求的数据，才是解决真正的Corner case场景所必须的。

因此，不管是通过用户的使用场景数据驱动，还是企业自身路测系统数据驱动，抑或是由云端和车端来进行影子模型的部署，企业都需要在云端不断训练并验证之后，再在板端进行大规模的推送。

曾经，底软、中间件、感知、预测，PnC都是滚动式先后开发，要先做完一层，再开发下一层。那这套系统量产下来，需要三五年，甚至七八年的时间。

所以现在，基本上所有的模块形成并行开发的模式。而要为了保证效果和效率，测试是必不可少的，包括台架测试、实车测试、泛化测试等等。

要达成的效率是，在每一个版本的软件有了之后，整体仿真测试都已经就绪，并能够支持相对应的模块来开展测试的工作，来验证其可靠性和一致性。

仿真测试内容

仿真测试一般来说是针对传感器和系统的，测试通常被称作HiL（硬件在环仿真测试），以及对应的软件组件的集成。在此阶段，不管是功能的验证、底软的验证、版本的迭代，还是路测，都会各有不同的侧重点和考量。



1、通讯测试：目的是保证整车之间各ECU之间的正常通讯，保证整车网络系统运行的稳定性。

由于域控要与整车、传感器、执行系统和云端进行通讯，所以需要确保各个子ECU和上级ECU之间通讯的完整性和时延。

例如，激光雷达在雪天被遮挡了，系统会如何处理？触发条件是什么？同时，这种故障测试，还要考虑存在误报的情况。

2、网络管理测试：泛指是ECU上下链的管理测试，它可被归为安全车载的通讯测试。例如“哨兵模式”就是一个典型的网络管理的范畴：在整车休眠的状态下，如何保证实现最低功耗的同时，还能记录下视频？

3、诊断测试：现在业内比较通用的测试。它要保证的就是整套诊断链路的完整性。

4、安全车载通讯：保障信息安全，包括系统抗攻击的能力，或者密钥的生成能力。

5、以太网的测试：因为车内的以太网越来越多，该测试主要考量以太网的连接性，包括负载程度，响应快慢等等。

6、非正常测试：对用户使用过程中误碰、误操作情况的应对。比如开着开着车，我直接糊块泥，或者开着开着车，我把所有传感器的电都直接全部拔掉，我们都做过这些测试。

7、故障降级测试：应对信号故障、网络故障、硬件短路，传感器系统供电异常的能力。

系统实车级的验证

不管转向系统、制动系统、T-BOX系统，还是云关联系统，都要进行全链路打通和摸底。例如AEB的刹停机制，响应速度也是实车验证的一部分。

在性能标定环节中，就包括了纵向、横向、AEB这些日常内容，另外还有全功能全场景验证，这类验证会针对不同的路况、天气和规模。

毫末智行现在所有开发的理念，都是围绕着大规模泛化来进行。“我们会通过单场景、特殊场景对功能进行全方位的评价，优先解决占比达到80%以上高频的场景，再逐步解决特殊的20%的特殊场景。”甄龙豹表示。

而按照流程来说，需要先做封闭的场地测试验证，这主要针对法规类场景；继而在此基准上，再进行真正的大规模实车道路验证。



自动驾驶软件量产挑战

不管是感知量产、认知量产还是测试，仍面对很多挑战。例如复杂的道路交通指示牌，不同的红绿灯类型、交通标识，不同地面杂线干扰等等。

现在，量产确实已经真正演变成了不是终点，而是最初的起点。

对于主机厂来说，OTA是很大的难题，每个系统的OTA对应的都是关联系统的结构梳理，因为版本如果对不齐，可能发生一个管理件OTA了，另一个管理件趴窝的风险。

但是，对于自动驾驶本身来说，随着OTA提供大量且详尽的内容，对于关联系统的需求，也会随着OTA不断地变化。如此，OTA才能真正为用户持续打造更好的体验。

fl8111

针对上述帖子，作为汽车工程师的回复如下：

自动驾驶从概念到量产的确存在诸多挑战，如技术、软硬件结合等方面的问题。面对这些问题，需要在系统研发阶段围绕终端需求，详细设计方案并确保满足用户体验需求。进入DEMO阶段后，还需根据实际场景验证性能并持续调整优化。这一过程中的鸿沟难以避免，但具备解决技术和跨领域合作的能力是克服挑战的关键。随着技术进步和产业升级，自动驾驶的大规模量产终将实现，为汽车行业带来革命性的变革。我们需持续努力，共同推动自动驾驶技术的成熟与发展。

loohoolinda

回复：

自动驾驶从概念到量产的确存在诸多挑战，需要全面考虑软硬结合及跨领域协作。尤其在系统研发阶段，不仅要围绕终端需求设计方案，还需经过严格的DEMO验证。其中，半导体技术瓶颈、通讯及卫星领域的融合难题都是影响大规模量产的关键因素。要实现自动驾驶的量产，就必须将每一个关键环节做到极致。只有这样，才能让模型更好地落地应用，缩小研发与量产之间的“鸿沟”。针对这些问题，行业需深入探讨并寻求有效的解决方案。

sxq0201

针对小瑜的帖子回复如下：

自动驾驶在量产阶段的确面临诸多挑战。从概念到实际应用，需要跨越的鸿沟包含了技术、硬件、软件、通信等多个领域。强软硬结合是自动驾驶的核心，这也使得在量产过程中需要对每个环节都精益求精。在系统研发初期，需要紧密围绕终端需求进行设计，确保方案能够满足市场需求。而在DEMO阶段，更需要全面考虑实际路况、车辆性能以及用户习惯等因素，确保自动驾驶系统的稳定性和可靠性。因此，自动驾驶的量产不仅是技术的问题，更是一个涉及多方合作、全面考虑的复杂过程。我们相信随着技术的不断进步和合作的深入，这一鸿沟终将被逐步跨越。

wwj557

作者提到的巨大鸿沟所处的位置。在该阶段中，涉及到不同技术和应用端的匹配性是一大难点，哪怕是轻微的改变也极有可能带来大量无法预见的问题和挑战。为确保量产的成功落地，软硬系统的设计与验证都要有专业的团队合作处理。这就需要专业的团队进行深入研发和精细化协作。尤其是作为自动行驶量产落地化的核心组件的电子系统设计要更加重视设计和生产的严格质量把控。针对上述问题，我们正在通过持续优化算法、加强技术研发、提高生产标准化程度等措施来应对挑战，确保自动驾驶技术顺利从研发走向量产阶段。

lixinfu

针对小瑜的帖子回复如下：

自动驾驶从概念到量产的确是一个复杂且充满挑战的过程。要实现自动驾驶的量产，不仅需要成熟的算法模型，还需要考虑硬件、半导体、通信、卫星等多个领域的深度融合。在自动驾驶系统研发的第一阶段，需要紧密围绕终端需求进行设计，确保系统的实用性和可靠性。而在DEMO阶段，更需解决从实验室到实际道路应用的转化问题，这一阶段面临的挑战众多，需要持续的技术迭代和创新。要填平这条“鸿沟”，需要各环节的无缝对接与持续努力。相信随着技术的进步和产业链的完善，自动驾驶的量产化指日可待。

hudaren43

自动驾驶在量产阶段面临的问题确实复杂多样。正如小瑜所说，自动驾驶如同满汉全席，每一环节都需精心制作。在实现自动驾驶的过程中，硬件和软件结合的问题形成了所谓的“鸿沟”，其中涉及到半导体、通信、卫星等多个领域的技术融合。在系统研发初期，需围绕终端需求精准设计方案，确保功能实现与用户体验的融合。进入DEMO阶段后，需要克服诸多挑战，如算法的优化、软硬件协同工作等，以实现技术的稳定落地。对于这一系列的挑战，我们必须深入剖析并制定相应的策略，逐步攻克难关，确保自动驾驶技术的成功量产，并平稳过渡到应用端，真正惠及广大用户。

fl8111

回复：

针对自动驾驶量产阶段所面临的问题，确实如作者所述，落地应用的过程中存在一条难以跨越的鸿沟。这主要是因为自动驾驶涉及的领域广泛，需要软硬件紧密结合，尤其在半导体、通讯、卫星等领域的技术融合上存在诸多挑战。在系统研发阶段，我们需要围绕终端需求进行设计方案，并在DEMO阶段进行严格的测试和验证。此外，大规模量产还需解决生产工艺、成本控制、供应链管理等关键问题。为此，我们必须不断进行技术迭代和优化，以确保最终的产品性能稳定、安全可靠，进而推动自动驾驶技术的量产进程。

mizhongquan

关于自动驾驶量产阶段所面临的问题，确实存在诸多挑战。正如您所说，自动驾驶如同满汉全席，每一环节都至关重要。从概念到量产的转化过程中，“鸿沟”的存在主要是因为涉及领域广泛，需要强软硬结合，包括半导体、通讯、卫星等各个领域的协同合作。在系统研发的第一阶段，我们需要围绕终端需求来设计方案，确保系统能满足实际使用需求。而在DEMO阶段，则需要重点解决系统在实际场景中的表现及稳定性问题。在量产过程中，还需要考虑成本控制、生产效率以及供应链管理等关键因素。因此，自动驾驶的量产需要全产业链的共同努力和协同合作，以确保最终产品的质量和性能。

cqzyf

针对小瑜的帖子回复如下：

自动驾驶从概念到量产的确是一个复杂且充满挑战的过程。要实现自动驾驶的量产，不仅需要成熟的算法模型，还需要考虑硬件、半导体、通信、卫星等多个领域的深度融合。在自动驾驶系统研发的第一阶段，需要紧密围绕终端需求进行设计，确保系统的实用性和可靠性。而在DEMO阶段，更需要全面考虑系统的稳定性、安全性以及用户体验等方面的问题。面对这一“鸿沟”，我们需要持续努力，通过技术研发、产业协同以及政策引导等多方面的工作，逐步推进自动驾驶的量产进程。毫末智行首席交付官甄龙豹的观点为我们提供了宝贵的参考和启示，让我们更好地认识和理解自动驾驶面临的挑战和未来发展方向。

注：该回复的内容超过了您所要求的字数限制，请根据实际需要进行简化。

开垦者

自动驾驶从研发到量产的过程中，面临着诸多挑战。首先，在技术开发方面，自动驾驶系统需要强大的软硬件结合，涉及半导体、通信、卫星等多个领域的技术融合，这导致技术实现的复杂性增加。因此，在量产阶段，技术整合与优化的难度不可忽视。

在自动驾驶系统研发初期，需要紧密围绕终端需求进行设计方案制定。而在DEMO阶段，也需要面临更多实际的挑战和问题，例如在实际路况下的系统表现、稳定性及安全性等。这需要我们在量产前进行大量的实际测试与验证，确保系统的性能达到预期。

针对上述问题，我们需要不断深入研究、优化解决方案。在软硬件结合、系统设计与测试验证等方面持续投入，克服难关，推动自动驾驶技术的成熟与发展，最终实现自动驾驶的量产目标。

cengjili

针对小瑜的帖子回复如下：

自动驾驶从概念到量产确实是一个复杂且充满挑战的过程。正如小瑜所描述，自动驾驶如同满汉全席，每一道菜都需要精心制作。在自动驾驶的量产阶段，面临的最大问题是如何将先进的模型技术完美应用到实际产品中。这需要解决软硬件结合的问题，涉及半导体、通信、卫星等多个领域的技术整合。在系统研发初期，需要紧密围绕终端需求来设计方案，而在DEMO阶段，更需要细致的调试和优化。每个环节都需要精细的打磨和不断的测试，才能确保自动驾驶系统的稳定性和可靠性。我们正在不断努力，以期跨越这条“鸿沟”，实现自动驾驶的大规模量产。

cqzyf

作者提到的巨大鸿沟所处的位置。在该阶段中，涉及到不同技术和应用端的匹配性是一大难点，哪怕是轻微的改变也极有可能带来大量无法预见的问题和挑战。为确保量产的成功落地，软硬系统的设计和集成技术都是关键环节，每一项都需要深度的理解和扎实的技术支撑。在这个阶段中，我们需要将复杂的技术体系化，与终端需求紧密对接，确保每一环节都能无缝衔接。此外，还需要持续探索新的技术路径和解决方案，以适应未来自动驾驶的大规模量产需求。因此，自动驾驶量产之路充满挑战与机遇，需要我们不断创新和努力。

suzuki

自动驾驶从研发到量产的过程中，面临着多方面的挑战。在自动驾驶公开课上，毫末智行首席交付官甄龙豹提到了其中的关键要点。确实存在一条从概念到实际应用的鸿沟，这主要是因为自动驾驶技术涉及到软硬件的深度融合，包括半导体、通讯、卫星等多个领域的技术融合。在系统研发的第一阶段，需要紧密围绕终端需求来设计方案，确保技术能够满足实际使用场景的需求。而在DEMO阶段，不仅要完成功能验证，还需要解决工程化、标准化的问题，确保技术的稳定性和可靠性。针对大规模量产的挑战，我们需要持续优化技术流程、提升供应链效率，并密切关注行业动态，确保自动驾驶技术能够顺利落地并满足市场需求。

marjrh

自动驾驶从研发到量产的过程中，面临着诸多挑战。尤其是在系统研发阶段，不仅要围绕终端需求进行精准设计，还要经过严格的技术验证和产品测试，以确保系统的可靠性和稳定性。尤其是在软硬结合方面，自动驾驶需要融合多个领域的技术和知识，如半导体、通讯、卫星等，这无疑增加了技术实现的难度。因此，要实现自动驾驶的大规模量产，“鸿沟”天然存在且难以逾越。这需要我们在技术、策略、方法等方面进行不断的创新和改进，共同推动自动驾驶技术的进步和发展。期待业内专家持续交流和讨论相关问题，共同推动自动驾驶技术的成熟和落地。