從研發域到量產域的自動駕駛工具鏈探索與實踐

百度作為國內最早佈局自動駕駛的企業，一直積極向行業輸出自動駕駛相關的產品、技術和服務。很榮幸今天有這樣一個機會向大家去分享百度在自動駕駛工具鏈領域的實踐經驗，也希望把我們對自動駕駛工具鏈的理解同大家做一些共同的探討。  

自動駕駛是一門融合多項能力的複雜學科，如果沒有紮實的技術沉澱和產業佈局，很難破解自動駕駛快速落地的難題。百度從 2013 年便開始佈局自動駕駛核心研發技術，2021 年我們向產業開放了在多年自動駕駛領域積累的經驗形成系統化工具鏈產品。兩年內，我們獲得了國內外很多主機廠和 Tier1 的廣泛認可。

這裡也給大家分享幾個案例：

第一個案例是雲模擬平臺。我們跟客戶一起積累了 50w+ 的定製化場景，在不到一年的時間內幫助車企客戶完成了 700 多版自動駕駛演算法的迭代，實現了近千萬公里的測試驗證，讓車企的量產智慧駕駛落地時間大大提前。

第二個案例是資料閉環。我們在一年內幫助客戶累計託管了 50 PB 資料，並且在平臺中嵌入了 500 多個自動駕駛資料探勘模型，完成上億幀資料的高效處理，實現資料的價值提升和轉化。

第三個是資料標註。對自動駕駛的研發訓練而言，高質量和大數量的資料集獲取，在傳統條件下一般是人工逐幀標註。百度自主研發的 AI 智慧標註模型，幫助客戶累計標註了千萬幀的資料，省去了上千萬的人力成本。

這三個案例從左往右分別對應著資料應用、資料管理和資料生產過程。在和車企落地實踐的過程中，我們認為，自駕的研發新模式就是能夠讓海量自駕資料在資料的應用、生產、管理上更高效的模式。這也是我們在逐步跟客戶溝透過程中，逐步找到的工具鏈價值，也得到了客戶們的認可。 

• 首先是資料合規。根據自然資源部去年釋出的 1 號文的要求，智慧網聯汽車在路上跑，已經明確為測繪行為，需要委託資質圖商管控，保障地理資訊資料安全，滿足合規要求。所以對車企來說，量產回傳的資料如何在符合監管政策的前提下回傳到雲端，幫助後端做研發就成了第一大挑戰。
• 其次是效率問題。對量產車來說，每天需要回傳百萬臺車的海量資料，這就對平臺的處理效率提出了極高的要求。那麼，如何從海量混雜的業務資料中挖掘出高質量資料，解決長尾問題，就成了車企面臨的巨大挑戰。
• 第三是服務問題。我們需要根據不同使用者反饋，持續提升智慧駕駛效果和乘車體驗，實現千人千面的個性化服務能力。
• 最後是成本問題。城市道路場景複雜，測試尤為困難。汽車量產需要以低成本的方式擴充至全國各地，如何快速適應不同城市場景，也需要要有對應的處理方案。