如何实现智能汽车时代下真正的数据驱动

​2021年被称作智能汽车元年。

这一年，蔚小理高歌猛进，销量连创新高；

这一年，国产最贵的智能电动车，采用SOA架构的高合Hiphi X开始量产交付；

这一年，上汽零束发布了行业首个SOA开发者平台；

这一年，上海车展上，国产智能电动车受到空前关注

。。。

种种事件，让我们看到了智能汽车时代正在加速到来。

01： 从数据层面看个性化智能，一切都还是概念

然而，从数据智能的角度来看，绝大多数车企还没有具备数据驱动智能的能力，大家口中千人千面的个性化智能在当前都还只是一个概念。那要实现千人千面我们又需要具备哪些能力呢？我们以智能空调为例，来分析如何用数据驱动实现千人千面的个性化智能。

首先，我们简单了解一下传统空调Auto功能的实现路径，在整车研发阶段，数百台测试车辆分布在全国主要区域，围绕一定的指标，分别在春秋、夏、冬各用两周左右时间进行Auto模式标定，据国内某头部OEM反馈，耗费大量资源和精力标定的Auto模式到用户手里使用率却不超过8%。

在汽车的实际行驶中，因南北地域、季节、长时间停靠、强光照射等造成的温度环境差异；车速、车窗、雨刷等实时车身状态；用户对于冷热的喜好差异；以及用户对温差调节（从高温到低温/低温到高温）的即时调节度期待，Auto模式的标定往往难以覆盖所有情况，导致用户不得不经常性的手动介入，久而久之便放弃了Auto模式，回归手动模式。

所以，传统空调Auto模式使用体验不及预期的问题，主要原因在于：

1、传统标定样本数和工况覆盖面太少，难以根据不同的地域/天气/人群/个人喜好给出适合的空调策略；

2、控制策略不会随着用户的使用累积而不断优化。

我们参考特斯拉在智能进化上的观点：More real-world driving data than anyone else。开发千人千面的智能空调，我们须重视两点：真实世界数据和持续进化，即需要车企具备源于真实世界的驾驶数据和可以持续高效迭代的算法模型。通过海量的历史数据进行机器学习，训练出满足不同区域、不同季节、不同人群在不同工况下使用空调的通用智能模型，然后，将通用智能模型部署在车上为用户推荐空调策略，结合用户的反馈形成数据闭环，用边缘计算引擎实现用户个性化的模型迭代，最终实现千人千面的个性化智能。

然而，现在车企的情况是：

1、车企云端存储着海量低质量、低精度的“贫矿”数据，数据量、数据质量和信号维度均不能满足智能空调算法模型的开发需求；

2、车端算法部署和迭代效率低下（数月/年迭代一次），导致智能进化难。

02： 数据驱动能力分级，大多数车企还处在底层

以上，通过实现千人千面的智能空调案例，我们了解到数据驱动当前面临的难点。为了更形象的理解数据驱动难度及价值，我们将其划分为四个等级（本文仅针对整车总线信号的时序数据，不含自动驾驶相关的视觉、激光点云等非结构化数据）：

L1：灵活的数据采集能力：可根据业务需求，灵活、高质量、低成本的采集车端秒级/毫秒级数据，并实现数据分钟级到业务人员桌面；L2：高效的数据加工能力：高效的数据分析和算法建模能力，高效的数据驱动业务能力；L3：高效的数据闭环能力：高效的跨车云算法部署和迭代能力，形成高效的数据闭环；L4：安全的数据开放能力：数据安全、高效的开放给生态，打造车企、合作伙伴、开发者、用户共赢的产业链。

当前，至少90%以上的车企数据驱动能力尚未达到L1级别，还停留在功能汽车时代的车联网水平，这一代车联网普遍采用的是互联网计算架构，车联网数据主要用于合规、统计分析和BI报表等，并不能赋能更多高附加值的业务。而携带IoT基因的智能汽车需要对几千上万个时序信号进行实时的计算、存储、查询和分析，传统车联网采用的互联网计算架构不再适合。

功能汽车与智能汽车对数据采集的要求对比

数据驱动低能力问题溯源：

1、数据质量问题：

① 车联网链路太长：车端MCU–> 域控制器 -> 网关 -> TBOX ->(4/5G) -> 云端(TSP/云平台)，数据在传输过程中容易出现质量问题；

② 汽车在快速移动过程中，在跨信号基站、弱信号区域等，都会导致信号丢失、延迟和乱序等问题。

2、数据精度、数据维度和成本之间的矛盾：

随着车企对毫秒级数据需求的加大，比如车企采集5000个信号维度、以10ms/次的数据采集频率，即便采用全局压缩后再上传，相比于200个信号维度和1s级的信号采集频率，流量成本将提升1000倍以上，每车每年流量的成本将达到数千元，这将是车企无法承受的。即便花这么高的成本采集较高精度的数据，数据质量的问题仍然没有得到解决。

3、数据采集的灵活性：

业务部门分析问题的时候经常需要调整采集的信号维度，而传统上传到车联网平台的信号量固定而且少、上传协议较难改、需要多周/月才能做一个改动，灵活改动的缺失严重影响业务部门解决问题的效率。

03： IoT视角：车云协同的解决方案

数据驱动看起来任重而道远，在原有车联网架构下难以寻求突破。而智协慧同通过全栈车云计算的角度提出全新的解决方案，具体方案示意图如下：

EXD 车云计算解决方案

智协慧同的EXCCEEDDATA解决方案将边缘计算引擎vCompute和数据库vData以中间件的形式部署在域控制器上，这样在最靠近信号源头的地方进行毫秒级计算和存储实现数据采集，从根本上解决数据质量问题。边缘计算引擎vCompute通过运行不同的算法，实现灵活的数据采集，边缘数据库vData围绕目标数据信号进行100-300倍的无损压缩、切片、上传，结合校验补传机制，实现了数据的高质量、高精度和低成本（可降低99% 的流量成本）。

车端数据库vData对车辆全量数据进行压缩后缓存（空间可配置），从而可支持车企在一定时间范围内（数周）实现对历史数据的采集需求，适用于对量产车辆的故障和事件追溯。

数据通过压缩格式上传至云端，在云端无需解析，大幅降低云端存储成本和计算成本，传统车联网平台以单条空间消耗较大的格式将解析后的数据存储在HBase里、再按需复制到Hive等系统用于分析。低效率的存储方式导致数据存储数倍膨胀于网络传输量。以某平台为例，2KB的一条数据到云端解析存储后消耗超过15KB的存储空间。

EXCCEEDDATA的压缩文件在云端通过vCLoud进行管理，随用随解，存算分离，极大的节省成本存储成本。基于VIN-时间落盘满足快速查询需求，大幅提升数据到桌面的效率。

至于灵活性，不同的业务部门可通过图形化算法建模工具vStudio实现快速建模，凭借车云同构设计，算法可快速从云端下发至车端，业务人员需要的高精度/高质量数据分钟级回传至云端，由于边缘计算引擎对CPU占用极低，且稳定性好，可支持多个算法同时运行，实时多个业务部门对数据采集的需求。

EXCCEEDDATA通过IoT的架构设计理念，采用车云计算解决数据采集问题，对应上文提到的数据驱动的分级， EXCCEEDDATA可助力车企实现L4级数据驱动水平，具体实现策略如下：

当下，智协慧同的客户正基于EXCCEEDDATA车云计算方案研发数据驱动的智能底盘、智能空调、智能车窗、精准续航里程、驾驶行为模型识别等高附加值应用，以实际行动打造千人千面个性化的智能汽车。

我们坚信，数据驱动能力是智能汽车时代车企最核心的竞争力，谁先掌握全栈的数据驱动能力，谁就将有望引领智能汽车时代。智协慧同愿与合作伙伴一起，从提升数据驱动的能力开始，抢占先机，做未来智能汽车时代的开创者和引领者！

转载：如何实现智能汽车时代下真正的数据驱动 - 知乎