车联网和云计算的作用是什么？

车联网和云计算在自动驾驶技术中的作用主要体现在传感器冗余和节约车载控制器算力两个方面。通过云端高精度地图的传感器冗余设计，可以提高系统的可靠性与独立性，并有效降低成本。而车载控制器算力的节约，则是通过云计算实现，大幅降低了整车成本。尽管车联网和云计算还不能替代车载传感器或控制器，但可以作为其有效补充，以实现更高效、更可靠的自动驾驶系统。未来随着5G、6G技术的普及，车联网和云计算在自动驾驶领域的应用前景将变得更加广阔。

目前的情况，大数据和云计算是无法替代本地传感器的，这个很明确。比如道路参与者的识别，依旧要依靠摄像头和激光雷达，不可以让每一个行人甚至动物都背上V2X收发器。但不可否认的是车联网确实可以帮助我们快速实现自动驾驶，而这个辅助主要是从两个维度实现的。

第一个，通过车联网实现传感器的冗余。有几个已经量产的例子。第一个是小鹏使用的高精地图搭配摄像头和毫米波雷达实现高速封闭道路的NGP高阶辅助驾驶，其中10厘米级别精度的地图就是传感器冗余的一个例子。如果要在所有环境和气象条件下都实现分毫不差的道路识别，包括路面标识、交通标志以及路面边界，这对双目摄像头是极大的挑战。而如果要在车载端进行传感器的冗余设计又会进一步提升单车成本，这个时候高精度地图的存在就显得意义重大。

一方面它可以作为云端的远程“传感器”，在降低整车成本的同时也辅助摄像头进行路面标识识别以及车辆定位；而另一方面因为处于“云端”，高精地图并不会过多受本地环境影响，进一步提高了传感器冗余的独立性和可靠性。

另外一个例子，则是奔驰最先实现的L4等级自动驾驶。当然这个L4有些局限性过高，只限制在某些特定的停车场使用。用户到达停车场入口之后可以直接下车走人，然后车辆会自行寻找停车位泊车。别看这样简单的功能，单独依靠摄像头是难以可靠实现的，搭配的还是V2X车联网系统。博世的这套系统通过在这些停车场布置多个地面传感器帮助车辆准确定位。

除了作为车载传感器的冗余，车联网云计算最大的用处其实是节约车载控制器的算力。自动驾驶中最耗费算力的就是机器视觉感知和多种传感器信息融合这部分。不算激光雷达的使用，仅仅是今天市面上搭配了摄像头和雷达的L2辅助驾驶系统，就会在30秒的周期内生成超过6GB的数据，如果添加激光雷达和其他冗余的传感器那么这个数据量还会翻倍增加，对这些数据进行实时处理，直接挑战的是ADAS控制器的算力以及算力对应的能耗。

一些早期自动驾驶原型车项目，为了算力直接搭载了体积巨大的工控机，同时意味着几千瓦的能耗。要知道车用48V电机的功率才有几千瓦，如果按照这个能耗计算，整个自动驾驶系统对于电动车来说会意味着1/10的续航里程下降。下图是斯坦福大学搭载在奥迪TT上的自动驾驶原型机和控制附件，铺满了整个后备箱。

目前各个大厂在做的量产方案都是融合了多核CPU和GPU的SoC芯片系统方案，在满足上文提到的自动驾驶算力需求的同时相对工控机大幅降低能耗。2019年特斯拉开始量产以自研FSD芯片为核心的Hardware3.0硬件，算力达到144Tops(1TOPS代表处理器每秒钟可进行一万亿次(10^12)操作)。特斯拉将量产的下一代Hardware4.0，算力将是上一代的3倍。Nvidia规划的下一代自动驾驶芯片系统，甚至通过多个芯片组合将达到2000Tops的算力，在满足L5等级自动驾驶算力需求的同时功耗只有800W。

当然这样强大算力的背后，则是整车难以负担的成本。可以支持L4或者L5自动驾驶算力要求的SoC，动辄采购价就要几万人民币。

这个时候，大家喜闻乐见的是将算力移至云端，类似现在已经广泛应用的云电脑。这种应用一方面可以大幅降低单车成本，另外一方面对算力平台又没有任何体积、能耗或者运行环境的要求。

目前云计算用于ADAS主要的瓶颈其实在于运算和信号传输的实时性、可靠性以及稳定性。对于ADAS这样对安全性要求极高有对响应速度要求在毫秒级的系统，还无法真正将算力上移至云端。但是这种云计算的应用其实已经开始在智能座舱的部分拓展，运用在对安全性和实时性要求并不高的一些功能上。我目前见过最好的例子，就是小鹏的语音控制。语音控制因为并不会直接影响车辆的安全性，而且本身就存在一定的响应延迟对实时性要求并不高，得以被移植线上。

对于消费者来说，语音控制只是一个独立的功能，但是对于车企来说则是一条复杂的控制链。整个语音控制可以被分解为：前端的语音识别(语音转文字的过程)，中段的语义理解(通过文字理解具体指令)+对话管理，以及后段的控制(指令执行)+语音合成(信息反馈)+语音输出。

目前大部分车企整套语音控制算法都被放置在车机上，受限于车机芯片的算力无法提供复杂的语音控制效果，甚至识别效果都很差。比如在发音的部分就是机械的词语拼接。

但是小鹏的语音控制一开始就是在线学习，整套语义理解和对话管理都在云端进行，这种基于云端的语义控制优势是显而易见的，可以实现众多高阶自然表述识别而不耗费车机算力，节约成本的同时也大幅提升了用户体验。所以今年夏天这套系统OTA之后就实现了AI语音。AI声音使用的完全不是“提前录制”+“关键词拼接”的形式，而是基于在线神经网络引擎合成的方式，提前通过大量不同的交互实例对模型进行了训练，保证在绝大多数场景下都可以实现自然的语言交互。这种依靠AI算法合成语音的方式，再一次将小鹏“云端”算力的优势进一步升华，借助云端的强大算力执行语言合成。下图所显示的是上一代和这一代小鹏语言合成模块TTS所处的位置变化，红色框中为“云端”算法实现部分：

语音合成部分从线下被移至线上，AI神经网络引擎算法替代了以前机械化的语音拼接。这种方式对比“真人录音”的方式优势很明显。“真人录音”是无法穷尽录制所有语句的，也无法灵活调整语音的感情色彩，更无法覆盖特殊词汇。说到底真人录音还是机械化语音的一种，难以应付未来智能化交互的要求。当然在线系统的弊端也是明显的，就是在网络通信不畅的情况下，轻则出现语音延迟，重则出现语音控制不可用。但在目前4G/5G网络覆盖度极高的国内，这种情况大多只出现在地下停车库这样极个别信号不好的环境。

回到这个问题，以目前可见的技术发展路径，车联网云计算并不能替代车载传感器或者控制器实现自动驾驶，但是可以作为车载端的传感器和算力补充，实现冗余度更高更可靠的系统，并且可以进一步降低单车成本。未来随着5G甚至6G的普及，这种替代效应只会越来越强。

以上内容由58汽车提供。如有任何买车、用车、养车、玩车相关问题，欢迎在下方表单填写您的信息，我们将第一时间与您联系，为您提供快捷、实用、全面的解决方案。