數據驅動的智能駕駛

隨著大數據技術和物聯網技術的不斷發展，智能駕駛成為工業革命和信息化相結合的重要抓手，是近年來備受關註的熱門技術領域。本書圍繞智能駕駛技術展開介紹，旨在通過多維度的講解與分析，幫助讀者瞭解智能駕駛所涉及的知識和思維模式。

全書內容分為9章，涉及智能駕駛的基礎概念、汽車架構、交互系統、處理系統、車端軟件、雲端數據平臺、數據處理自動化、智能駕駛的研發體系，以從業者的視角，系統地講解了與智能駕駛汽車研發相關的知識點。

本書適合智能駕駛領域的工程師、研發人員及其他相關從業者閱讀，也適合對智能駕駛技術感興趣的讀者閱讀。

殷玮，某主机厂智驾软件高级经理，曾负责多个量产级L2和L4自动驾驶项目，有多年智能网联、智能交通系统的研发经验，曾参与自动驾驶相关行业标准的制定，参与过相关行业的资本运作且有多年行业咨询经验。知乎科普作者，关注者数量过万，相关技术文章在报纸、杂志和公众号上均有转载。

第 1章 智能駕駛系統的基本情況 1

1.1 智能駕駛的“第 一性原理” 1

1.2 智能駕駛的歷史與展望 3

1.3 智能駕駛汽車研發的關鍵路徑 4

1.4 智能駕駛汽車研發的核心困境 7

第 2章 智能駕駛汽車的架構革命 11

2.1 對架構的基本理解 11

2.2 整車架構設計 13

2.2.1 傳統整車架構及其

問題 13

2.2.2 汽車電氣化的發展 16

2.2.3 整車平臺架構構建 18

2.3 電子電氣架構設計 20

2.3.1 電子電氣架構的發展

趨勢 20

2.3.2 電子電氣架構的底層

硬件構建 22

2.3.3 診斷與刷寫服務 24

2.3.4 FOTA更新服務 26

2.3.5 時間同步服務 28

2.4 終端架構設計 30

2.4.1 電腦終端運行的基本

原理 30

2.4.2 車端控制器終端 32

2.4.3 雲端計算集群 34

2.5 通信架構設計 36

2.5.1 OSI參考模型與智能

駕駛通信應用 36

2.5.2 面向信號的CAN通信 38

2.5.3 面向服務的以太網

通信 40

2.5.4 通信與計算的匹配

關系 43

2.5.5 對通信的深層理解 46

2.6 軟件架構設計 50

2.6.1 智能駕駛的理論基礎 50

2.6.2 基礎理論下的軟件架構

展開 54

2.6.3 分層閉環架構與

上下行 56

2.7 人工智能算法體系 59

2.7.1 歸納思維與演繹思維 59

2.7.2 規則驅動算法與數據

驅動算法 60

2.7.3 智能體對可解釋性的

處理 62

2.7.4 智能體對不確定性的

處理 64

2.8 AI之下再談軟件與算法架構 67

2.8.1 智能體的軟件整體

結構 67

2.8.2 分層級聯的可控性

設計 69

2.8.3 數據驅動的可迭代

設計 71

2.8.4 算法與各層次架構的

映射關系 73

2.9 研發體系的架構設計 76

2.9.1 流程的概念和轉變 76

2.9.2 整車研發流程的升級 79

2.9.3 流程的融合與團隊的

融合 81

第3章 智能駕駛的交互系統 85

3.1 傳感器與智能駕駛系統的

關系 85

3.2 感知類傳感器 87

3.2.1 超聲波雷達 87

3.2.2 毫米波雷達 89

3.2.3 激光雷達 90

3.2.4 光學攝像頭 92

3.3 網聯類傳感器 93

3.3.1 GPS全球定位系統 93

3.3.2 慣性導航傳感器 95

3.3.3 地圖（V2X）傳感器 97

3.4 傳感器的組合與排布 99

3.5 線控執行器 100

3.5.1 線控轉向系統 100

3.5.2 線控制動系統 101

3.5.3 三電系統 103

3.6 人機交互設備 104

第4章 智能駕駛的處理系統 107

4.1 域控制器的軟硬件一體設計 107

4.2 智能駕駛芯片 108

4.2.1 芯片的基本概念 108

4.2.2 智能駕駛芯片的分類 110

4.3 操作系統與中間件 113

4.3.1 操作系統的概念 113

4.3.2 中間件的概念 116

4.3.3 軟件的底層運行

框架 117

4.4 業務層模型 120

4.4.1 坐標系 120

4.4.2 時空同步 123

4.4.3 環境模型接口 124

4.5 典型案例：算法穩定性設計 128

第5章 智能駕駛的車端軟件算法 130

5.1 語義感知層 130

5.1.1 環境感知的基礎與

延伸任務 130

5.1.2 感知特徵提取的典型

策略 134

5.1.3 感知特徵提取的進階

策略 136

5.1.4 復雜環境感知模型的

核心結構 139

5.2 融合與預測層 141

5.2.1 傳統融合算法的基本

概念 142

5.2.2 傳統融合算法的原理及

應用 143

5.2.3 多模態融合預測與各型

嵌入表徵 146

5.2.4 從循環網絡、記憶網絡

到註意力網絡 149

5.2.5 基於生成對抗網絡的

信息聯想和補全 152

5.2.6 “可微分”的智能駕駛

系統 156

5.3 規劃與控制層 159

5.3.1 分層規劃控制算法的

構成 159

5.3.2 規劃的時間一致性與

變更過程 161

5.3.3 全局規劃與場景狀態

切換 164

5.3.4 運動規劃之決策 168

5.3.5 運動規劃之優化 171

5.3.6 前饋-反饋控制與車輛

模型 173

第6章 智能駕駛數據閉環平臺 178

6.1 底層雲服務架構 178

6.1.1 雲存儲與雲計算

概述 178

6.1.2 微服務架構概述 182

6.1.3 雲端數據應用的交互

過程 184

6.1.4 數據應用開發的

新模式 185

6.2 數據管道構建起來的智能駕駛

大腦 186

6.3 功能研發的流程 189

6.3.1 DevOps與敏捷開發

概述 189

6.3.2 傳統開發與敏捷開發的

配合 191

6.3.3 智能駕駛開發數據

管道的設計 195

6.3.4 智能駕駛測試數據

管道的設計 199

6.4 車雲閉環流程 206

6.4.1 車雲閉環過程概述 206

6.4.2 數據篩選與影子模式 209

6.4.3 車雲數據記錄和整理 210

第7章 數據處理自動化—機器的

流程 213

7.1 深度學習訓練的自動化 213

7.1.1 智能駕駛業務推進學習

系統演進 213

7.1.2 傳統深度學習系統的

構成 216

7.1.3 自監督學習系統的構成 218

7.1.4 可訓練構件的

“工具箱” 220

7.2 眾包地圖 223

7.2.1 地圖的基本概念 223

7.2.2 高精度地圖與眾包

地圖的差異 225

7.2.3 地圖加偏對業務的

影響 227

7.2.4 眾包地圖閉環數據流 229

7.3 規劃模擬 230

7.3.1 規劃模擬與強化學習 230

7.3.2 場景庫的數據驅動

方法 232

7.3.3 規劃訓練的閉環

數據流 233

7.4 弱監督訓練 235

7.4.1 弱監督學習的概念和

重點 235

7.4.2 弱監督在自監督框架

中的定位 238

7.4.3 規則驅動的真值系統 239

7.4.4 低維流形與對比學習 241

7.4.5 GAN與域適應 244

7.4.6 模型壓縮與蒸餾學習 246

7.5 數據管道的兩種典型風格 248

第8章 智能駕駛汽車的研發體系—人的流程 252

8.1 從個人視角看研發流程全貌 252

8.2 整車開發流程 255

8.2.1 整車開發流程概述 255

8.2.2 整車開發流程的關鍵

結構 256

8.2.3 整車項目管理 261

8.2.4 整車需求定義與分解 264

8.2.5 造型、產品工程與

製造 266

8.2.6 零部件採購流程 268

8.2.7 質量保障體系 271

8.3 智能駕駛系統的指標體系 276

8.3.1 系統功能邊界的定義 276

8.3.2 層次設計的分解與

量化 278

8.3.3 可靠性與健壯性 280

8.3.4 方差與偏差 283

8.4 智能汽車文化 285

8.4.1 文化宣貫與產品力 285

8.4.2 質量文化 286

8.4.3 安全文化 287

8.4.4 敏捷文化 290

8.4.5 敏感數據的保護 291

8.5 混合思維下的研發策略 292

第9章 新時代背景下的行業與

從業者 295

9.1 時代趨勢之下的從業者 295

9.2 變革對用戶的影響 296

9.2.1 用戶的需求層次上移 296

9.2.2 用戶為軟件付費 298

9.2.3 智能駕駛系統的用戶

體驗差異 299

9.3 變革對行業的影響 300

9.3.1 產業鏈與核心競爭力 300

9.3.2 時代的主旋律與發展的

“輪回” 302

9.3.3 市場與營運策略的

變化 303

9.3.4 汽車成為智慧城市的

核心節點 304

9.4 變革對從業者的影響 305

9.4.1 產品復雜性與人力

資源的關系 305

9.4.2 復合知識體系的意義 306

9.4.3 構建高效知識體系的

方法推薦 307

9.4.4 給新入行的朋友一些

建議 308

後記 311