目前，车端产生了大量的数据。各种数据来自不同的传感器、不同的领域和自动驾驶领域控制器，基本实现了100多T的资源配置，催生了对车端数据库的需求。

　　智慧协同是一家专注于汽车数据链路建设和价值挖掘的公司。拥有以终端数据库为核心的汽车云全栈产品，通过汽车云同构框架实现结构化和非结构化数据的集成和采集。智慧协同产品可轻量化部署到终端主要域控制器，实现跨域数据采集，有效促进产品优化迭代。

大计能催生跨域数据库需求

　　随着各种驾驶控制行为对信号数据的需求逐渐增加，各种传感器产生大量的感知数据，对终端数据价值点挖掘的需求也越来越强烈。在此背景下，智能协同认为，存算分离的终端数据库是边缘计算的基石。

　　目前，车端产生的大量数据来自不同的传感器。在不同的领域，自动驾驶领域控制器基本上配备了100多个计算能力的资源。高计算能力资源和强大CPU它是实现更多终端计算分析能力的前提，也催生了终端数据库的需求。

　　终端数据库具有降低数据存储和传输流量成本、保证数据质量高、容错性高等诸多优点。然而，目前市场上还没有成熟的终端数据库解决方案。虽然有类似的产品，但它们并没有真正大规模生产汽车的实施。

　　目前，自动驾驶已进入批量生产阶段，主要原始设备制造商已经推出了自己的数据闭环解决方案。从过去的单目纯视觉解决方案到多摄像头、多传感器集成的自动驾驶解决方案，部署在自动驾驶领域控制器上的数据闭环解决方案可以帮助原始设备制造商收集与自动驾驶相关的数据。

　　数据涵盖了摄像头、毫米波雷达、激光雷达、总线等方面，涵盖了从车辆测试到批量生产的各个阶段。同时，与智能驾驶相关的数据不仅来自自动驾驶领域，还来自底盘动力领域、智能驾驶舱领域和网关领域。

　　与燃料汽车相比，电动汽车带来了更高维度、更全面的驾驶控制体验。因此，自动驾驶数据涉及多场景、多维度，市场所需的数据库产品必须覆盖各种场景和维度，以实现跨域灵活的数据采集。

车端数据采集面临问题

　　目前，自动驾驶数据采集仍面临诸多问题。

　　首先，在量产前测试车辆数据采集过程中，传统数据记录仪数据采集效率低，仪器成本很高，采集的数据大多是车辆的全数据。无论是流量还是云存储成本，以及数据清洗、处理、关键数据提取、建模分析、整个过程效率和成本，都给研发团队带来了麻烦。

　　在大规模生产车辆中，大规模结构化数据的获取涉及到如何灵活采集高精度、高质量的车辆数据，降低上传、存储和处理的成本，这也是主要原始设备制造商数据相关部门面临的主要痛点。

　　自主驾驶的第二大数据采集难点是非结构化数据采集。自主驾驶的第二大数据采集难点。NOA，NOP方案的实施需要不断对待Cornercases(边界化问题)优化。对于自动驾驶，如果系统没有感知到它，就会遇到它。Cornercases，会带来严重的安全隐患。然而，解耦一个接一个地解耦。Cornercase涉及到数字采集的复杂性、多流程、成本等问题，往往需要每月开发，数据层面需要近1万个培训样本和标记数据集。Cornercase数据采集和获取，时间成本很高，采集难度很大。

　　智能协会看到了终端数据采集的关键痛点，创建了低代码开发工具-算法直接发布-终端二次运行-灵活数据采集/上传/存储的闭环方案，帮助原始设备制造商进行大维度、高精度、低成本、高质量的数据采集。

　　针对时间成本和采集难度的痛点，智能协同提出了基于终端的灵活触发机制，可以根据时间成本和采集难度提出Cornercase灵活定义具体场景，管理数据从采集到应用的全过程，从而加速神经网络的迭代。

　　智能协同自动驾驶数据闭环解决方案将共同收集所有总线结构化数据、图像等非结构化数据，帮助原始设备制造商快速提取场景关键数据，复制场景，找到神经网络算法所需的关键迭代点和有价值的数据。

车云链路赋能数据采集

　　智能协同自动驾驶数据闭环的解决方案可以看作是一个轻量。由于该方案的诸多优点，原始设备制造商可以实现更好的关键数据捕获、数据预处理和数据标记。AI模型创建、模型训练、仿真测试等。

　　首先，闭环数据解决方案的最大优势是，它可以实现大规模生产汽车的结构化和非结构化数据采集和存储集成，而不增加额外的硬件。面对数十万辆大规模生产智能汽车产生的大量多种数据，智能协作解决方案可以连接摄像头、激光雷达、毫米波雷达、各种传感器、处理图像、视频、雷达点云数据、车辆总线数据等不同类型的数据。这些数据可以根据时间、场景等多维度进行系统管理，并根据定制的智能数据算法灵活筛选和上传。大规模生产汽车的智能驾驶数据采集、链路传输、数据计算等成本大大降低，同时也能保证数据的质量和精度。

　　其次，该方案可以灵活定义算法和Cornercases。主机厂可通过多次连续、快速更新迭代灵活响应Cornercase根据数据需求，计算引擎可以实现数万个信号毫秒以上的实时数据采集，云开发工具生成的算法可以根据不同的车辆、场景和区域快速发布。

　　第三，智能协作的整体解决方案非常轻，只占用自动驾驶领域的控制器CPU计算能力约500兆，内存约数百兆，能适应不同的计算能力CPU。

　　第四个优点是触发图像采集。封装在车辆末端的算子库可以在各种触发机制的前面进行。当触发机制条件满足时，整车可以通过该方案灵活采集各部件、各域、不同维度、不同数据类型的信号。

　　阴影模式的触发机制是另一个主要优势。除了通过算法触发外，数据采集还可以通过阴影模式进行（Shadowmode）触发。换句话说，当有人驾驶时，终端将继续进行实时计算和模拟决策，并允许计算结果实时上传到云。基于此基础AB模式下的结果计算分析支持主机厂车端影子模式灵活收集和触发场景数据。

　　另一个优点是数据分段上传。在自动驾驶中，图像数据和视频数据的数据量非常大，而车辆在不同场景下的网络情况往往不稳定，难以实现数据的实时上传。此时，可以通过预设的分段上传机制缓存和补充相应的数据。该机制极大地保证了关键数据从收集到上传到云的安全。

软硬协助域控发展

　　随着电动汽车渗透率的上升，应用场景的增加和需求的多样化。随着自主驾驶技术的快速发展，安全问题一直是技术发展的制约因素，Cornercases存在是一大安全隐患。

　　针对目前的Cornercase，智慧协同已实现雨雪，Cutin/out，快速加速、快速转弯、隧道入口等极限场景下的触发机制。在与客户共同开发和大规模生产的实践过程中，智能协作也锁定了更多的后续触发机制，涵盖了更多的特殊场景，如高速紧急制动、罕见的紧急转弯道路、制动灯亮但车辆有积极加速。

　　根据智能协作的规划，将有数百个灵活的触发机制，在整车的各个场景、时间段、路段，收集主机厂所需的Cornercases数据。智能协同将继续在高效模型建设、快速终端部署、低成本验证、灵活实现等方面努力，高效推进Cornercases优化迭代。

　　据悉，目前智慧协同是能够通过终端数据库和边缘计算真正完成自动驾驶数据闭环解决方案的企业。在自动驾驶数据闭环方案的量产实践中，智慧协会。