[汽车总站网 www.chianautoms.com欢迎你]

大数据、人工智能、云计算、物联网、移动互联网风起云涌，各以不同的姿态杀入并改造着传统领域。车联网作为物联网的一部分，在传统汽车上加入其车载智能硬件的端系统、管系统以及云系统的本地或后台计算等，再结合着其他技术方向的发展成果，同样在高歌猛进。

 

目前国内ADAS智能硬件产品发展如火如荼，无人驾驶的L2、L3等级的演示产品也屡见不鲜，我们结合其形态特征简单看车载智能硬件及车联网产品的发展趋势。

 

一、硬件篇（CPU）：

 

车载智能终端的CPU需要满足车规要求，Qualcomm、nVidia、Infineon等都推出了各自车规级芯片，这是物理层最直接的需求。另一方面，为更高的工作效果，硬件层面上直接适配算法需求的新型芯片也是各家积极努力的方向，都在其上演示这各自有独自特色的算法demo。但ARM架构的主流CPU的最高主频近年发展有限，一直停留在３GHz以内，不像硬盘存储速度、网络带宽等过去几年已然成倍上升。有限的主频，限制了算法或者还有操作系统无限横向拓展的可能性，而网络的高速却反过来给终端处理带来了后台在线实时处理的可能，不必限于离线下的端系统、管系统运算，可节省本地离线计算时CPU的压力。

 

二、操作系统：

 

实时性嵌入式操作系统的需求势在必行。可靠性、处理能力的稳定性、功耗低是必须的。车载环境的复杂（机械振动、EMI、高低温、实时工况的高速传输以及复杂性等）以及整车测试的严酷让汽车电子产品的由原来头脑简单的处理逻辑走向复杂算法的智能硬件的系统平台时，经历着严酷考验。而作为处理结果输出的实时性就要求首先系统的时延必须足够小到毫秒级。原先汽车电子设备各控制单元ECU是没有系统的单片机嵌入式方案尚能表现良好，但已然不能满足日益增长的大批量任务的对操作系统需求，但有了操作系统，却对时延提出了对应的要求。

 

三、终端算法篇：

 

基于视觉的或雷达的ADAS算法，或者涉及执行层面的无人驾驶更高Level的融合算法以及控制策略等本就是智能终端的核心所在。无数的模型训练、样本积累只为更高效有用的算法库。深度学习（deeplearning）深入人工智能各个领域，也为车载算法带来新的发展思路。甚或认为基于视觉的ADAS能超越mobileye也就在此了——因为当硬件、软件、数据源的技术积累已然落后，借助新工具做新角度的挖掘也许是个方向。

 

而从本地与在线计算来说，算法本地运算的好处在于实时，不需要网络环境，可以自在自为，独立工作于各种场景，虽然好坏不定，但没有联网过程中的种种可能不确定性导致的工作不可评估。在线的好处是有强大的后台做背景依靠，除了纵向深入计算，甚至可以横向比较，用平行的大量数据带来统计上处理意见，是本地运算的单一设备所不具备的，可以从系统走向系综。

 

四、网络篇：

 

作为出行的基本需求，一台车辆是否开始出门行驶难道要依赖于其他车辆的行驶状态？ 单一车辆本就应该是自由而独立的存在。但是在必须依赖道路路况、交通环境下才可能有正常的驾驶行为时，我们才发现原来V2I，V2V早就是客观的存在，只是大家不知道将它们放到一个网络环境里来进行主动干预、集体控制而已。Telematics是简单的对单车的作用，V2X是在复杂交通下无人驾驶的需求。

 

目前的智能硬件联网可以面向云端做更大的数据双向交流，这是移动互联网的范畴。而本地算法对局部环境的需求可能要大于对移动互联的需求，也因为在移动互联基础上的局部交流可能的时效性以及稳定性还不及局域网络。从无人驾驶的需求角度说，高精度地图需求的路线是移动互联数据，只是更加实时准确；V2X更强调局域网络环境，可以实现本地局部小环境的互联，比单车的传感范围大，但不必整个全局网络。由此需求而衍生的通讯协议如LTE－V、DSRC等也是一直在移动运营商与汽车主机厂的不同角度的优劣争论中。

 

五、大数据的应用：

 

云计算平台上的大数据更多反映数据并行处理的分类、存储、查询等操作行为，偏向数据处理方式。但对于数据内容的分析挖掘，发现数据内容的本身价值，确是云系统上收集数据后所要做到的输出。像智能家居、或航空发动机以及飞机整机收集数据后后台直接诊断一样，ADAS的车联网系统，除了像传统的OBD端子或Ｔ－BOX等telematics产品主要直接采集上传实时车况信息，更多可以分析路况、驾驶场景等特征，以处理结果提取上传，增加了信息来源的维度，数据量与分析内容也发生了量变到质变。另外由于网络的双向传输，除了原有的手机APP可以通过网络基于CAN BUS对车辆可以远程控制，更有可能将LBS的各种信息（天气、交通路况等）结合车况、智能硬件状态诊断等传到本地，用于进行整个车辆状态设置与驾驶行为设置或建议等。

 

六、与车的关系：

 

[汽车总站网 www.chianautoms.com欢迎你]