數據閉環涉及較多領域，本期主題則是五大數據閉環之一的——大數據管理部分。

不同等級階段的車輛，需要采集的數據量也呈現幾何級增長。以目前常見的L3階段為例，隨著4K超高清攝像頭、128線激光雷達等傳感器引入，每天8小時數據采集系統記錄的數據量高達30TB。這么說吧，英偉達公司的自動駕駛技術測試也顯示車輛學習數據收集系統在幾小時內就能夠充滿TB級的固態存儲硬盤（SSD）。

?

眾所周知，汽車自動化分五級。自動化程度越高，所需的數據存儲量就越大。舉個例子，比如二級自動駕駛汽車需要全程人為操作，但有附加的自動化系統，如變道輔助、盲點檢測或自動停車功能。鮑曼認為，二級自動駕駛汽車需要4到10PB的數據。

然而，三級自動駕駛汽車需要50到100PB的數據存儲，五級自動駕駛汽車則需要3EB以上的存儲空間。鮑曼說：“三級自動駕駛系統意味著汽車可以實現自動駕駛。而五級自動駕駛汽車可以實現完全自動駕駛”“。

如何處理所有數據？

盡管自動駕駛汽車所需的數據存儲量是巨大的，但挑戰并非源于存儲階段，而是傳輸階段。鮑曼說，例如，讓車輛上路去記錄來自攝像機、激光掃描儀和雷達的數據時，每輛車每天能產生80TB的數據。

他說：“然后，你必須通過數據線連接車輛，將數據從汽車系統傳輸到數據中心，接著將數據從研發中心復制到數據中心。通常，我們的客戶在每個洲都有一個集中的數據庫，數據傳輸就可以通過加速文件傳輸方法或物理方式實現”。

介紹一些數據管理的具體研究：

1. 資源管理與任務卸載

由于邊緣節點能夠為一定范圍內的多個用戶（車輛）同時提供服務，因此資源調配以及用戶任務競爭問題是影響性能的主要因素。某文獻將車輛任務卸載過程中的競爭沖突問題轉化為多用戶博弈問題，證明該問題的納什均衡的存在性，并實現了一個分布式的計算卸載算法。

更進一步的上述文獻，針對任務卸載過程中的通信速率、可靠性、延遲三方面進行優化分析，提出了一個支持服務質量感知的無線網絡資源管理框架，將資源分配問題拆分為車輛集群的分塊、集群之間的資源塊池分配、集群內的資源分配3個子問題，并實現了一個基于圖理論的優化方法：

首先將車輛分區轉化為集群劃分問題，使得車輛之間的協同控制能夠避免隱藏終端問題，同時避免由半雙工導致的通信限制；

對群組的資源塊池分配問題轉化為基于加權資源沖突圖的最大最小公平性問題，解決（由高效的集群間通信資源復用導致的）頻譜利用率增強與限制集群間競爭沖突的權衡。

針對車輛高移動性導致的邊緣節點頻繁切換的問題，上述文獻認為車輛與節點之間的連接在維持較短時間后便丟失，將造成處理時間及能耗開銷增長，提出了任務接替算法，按照計算出的接替時間，將處理任務從原有節點卸載至下一個可行的目標節點，繼續任務的運行。

同時，該研究者沒有局限于單一完整的任務卸載，實現了一系列任務的部分卸載策略。

對于整個卸載過程而言，車端的性能與邊緣服務節點端的性能均需要認真對待。DDORV算法能夠根據當前系統狀況（例如信道質量、流量負載）對車端與節點端的兩個相互耦合且包含大量狀態信息、控制變量的隨機優化問題同時進行考慮。

具體而言，該算法基于Lyapunov算法將雙邊隨機優化問題解耦為兩個獨立的按幀優化問題：對于車輛，卸載策略通過比較本地處理成本與任務卸載成本進行選擇，CPU調整頻率通過提出的目標函數計算得出；對于邊緣節點端，首先提出一個輕量的資源供給算法，之后基于對無線資源與能耗的共同優化的迭代式算法，提出持續松弛方法以及Lagrange雙解耦算法。

同時，該研究者選用電視機空白頻段（TV white space）進行車輛與邊緣節點之間的無線數據傳輸，彌補了傳統蜂窩、Wi-Fi等技術的弊端，提高了通信效率。

同時，對于一定區域內的多個用戶，通常具有多個節點提供選擇。JSCO算法將多節點、多用戶背景下的負載均衡與任務卸載決策問題轉化為混合整數非線性規劃問題，并能夠針對節點選擇、計算資源優化、卸載方案決策3個問題以低復雜度進行計算，在保證延遲限制的條件下最大化系統利用率。

5G基礎設施對數據的重要性

有專業人士表示，5G對于自動駕駛汽車的研發和生產至關重要，尤其是在未來5到10年，屆時將有更多的技術集成到汽車中。他說：“如今的汽車就是路上的移動數據中心。因此，必須對車輛中的數據進行預處理，例如，識別值得通過5G傳輸到數據中心的有價值的數據” 。

他還說，自動駕駛汽車需要存儲邊緣數據，也就是在車內存儲數據。“你需要計算邊緣存儲，特別是在沒有5G覆蓋的地方。這是另一個問題，因為你必須在車輛中緩存數據，以便在有5G信號后發送數據”。

與5G相關的另一個問題是上傳速度。有專業人士說：“5G是為高速下載流數據設計的，所以上傳速度沒有那么快。因此，你不可能真正通過5G上傳大量數據，它是為從數據中心向最終用戶傳輸數據而不是從車輛到數據中心而設計的。但5G的優勢在于其低延遲”。

面臨的挑戰

網信辦在去年5月12日發布的《汽車數據安全管理若干規定（征求意見稿）》（簡稱《意見稿》）在引起了一陣小波動后，似乎很快就沉入“潭底”，被跨界造車等汽車界的熱鬧事給掩蓋了。但汽車企業心里很清楚，這不僅是由特斯拉爭議帶來的數據安全風控方案，更深層次上，采集用戶數據的“緊箍咒”預警已經拉響。“如果這個法規最終落地時，嚴格規定數據只能留在車內，而車企不啟動新的合法的數據獲取通道，那國內的自動駕駛技術發展，可能真的要延緩幾年。”某位不愿透露姓名的業內權威人士稱。

但并非所有車企都選擇靜觀其變，用戶在真實道路上的行駛數據是車企自動駕駛技術迭代升級和完善的重要支持。為此，已有企業開始打造數據獲取的新商業模式。今年4月，上汽智己基于其CSOP（Cus-tomer　Share　Option　Plan）用戶數據權益平臺，發布了用戶數字資產“原石”的開采方式。其希望通過該平臺，實現與用戶之間的數據交易。具體的操作辦法為：智己汽車拿出4.9%的創始輪股權用于CSOP計劃，并推出3億枚“原石”，其中70%的原石需要車主通過日常駕駛車輛產生數據來兌換獲得。用戶獲得原石后，則可以進行軟硬件的產品升級以及相對應的數據權益。

智己是目前國內唯一一家提出與用戶進行數據交易的車企，雖然其平臺推出的時間在新規意見稿發布之前，但這被認為有望成為法規趨嚴下的一種解決方案。“我覺得挺有意思，是一種模式創新。”百度阿波羅信息安全負責人劉健皓對經濟觀察報記者表示。上述權威人士也認為該模式具有突破性。在此之前，車企對車輛大部分數據都是默認采集的，從未實現平等交易。但也有專家認為，由于存在諸多不確定性，這種模式可能只是車企互聯網思維下的一種嘗試，執行順不順利還不好說。

?

而對智己汽車數據交易模式探討的背后，映射出了車企和業內對于智能汽車的用戶數據收集將會變得越來越難的危機感。根據《意見稿》，車企對用戶個人信息和行駛重要數據“默認不采集”，或者至少需要每次都獲得用戶的同意。這意味著數據采集的通道存在將被阻斷的可能，這對于當下如火如荼的自動駕駛應用將不可避免產生影響。

在這種情況下，上汽智己的數據交易模式是否能成為行業趨勢？在用戶數據安全和智能駕駛技術發展需求之間，是否還有其他可行的數據共享模式？留給整個行業尋找解決方案的時間已經不多了。

車企的大數據“切斷”風險

在接受經濟觀察報記者采訪時，多位專家均對智己汽車與用戶進行數據交易的模式給予了一定肯定。汽車行業資深分析師梅松林認為，該模式可以加強車企數據采集的透明性，并讓車企與用戶互惠互利。賽迪顧問汽車產業研究中心總經理鹿文亮則表示，這表明車企開始采用類似互聯網公司“眾包”的模式，具有一定先進性。　　　　但對于該模式是否會成為行業趨勢，業內有不同的看法。“我覺得未來企業可能還會（像智己一樣）拿出一些好的玩法，來刺激用戶拿出數據。”劉健皓認為，采取這種模式不僅可以幫助車企拿到數據，還可以通過數據的累積大大促進智能汽車的發展，“數據是移動互聯網時代的基礎要素，至關重要，智能汽車同樣如此。”劉健皓表示。劉健皓用手機行業的發展作了一個類比，“（以前）諾基亞本身沒什么數據，隨著智能手機應用內容增多，直接迎來了一個移動互聯網時代。”劉健皓說。

但也有觀點認為，數據交易的模式仍存在諸多不確定性。一方面，由于是新的模式，數據交易和獎勵的額度比較難設置，“設置低了沒人參與，設置高了后面沒法兌現，會對品牌有損害。”鹿文亮說。同時，針對數據可能推進智能汽車整體發展的看法，鹿文亮認為，利用“眾包”模式實現發展，首先應該是產品已經比較好，才能利用用戶的數據形成良性循環，半成品的情況下則會造成惡性循環，而當前智能汽車還不能說已經發展完善，因此以智己汽車為代表的這種數據獲取新模式是否會成為趨勢還不好說，“很可能只是車企在互聯網思維下的一次嘗試。互聯網的運營模式很多，都嘗試一下，不行可以換。”

汽車數據安全管理新規征求意見稿的發布，讓車企在數據收集方面變得越來越焦慮。“現在車企對最新的數據采集要求都比較頭疼，對這個征求意見稿，企業的反饋大部分集中在數據采集方式的改變上。”鹿文亮對經濟觀察報記者指出，如果該新規實施，必將會帶來不小的影響，“主要是以前數據采集得太多了，并且很多公司的商業模式就是未經授權進行數據采集。”

可以看到，汽車數據安全管理新規主要限制了兩類數據的收集——重要數據和個人信息。其中重要數據包含“道路上車輛類型、車輛流量等數據”，而這被認為屬于自動駕駛對道路場景收集所需要的重要數據。另外，個人信息中的個人車內操作，也被認為是車企收集用戶習慣的重要渠道。但新規卻認定對這些信息“默認不收集”，即使采集，授權也“僅一次有效”，這可能將阻斷當前車企的數據收集通道。

介紹一種智能駕駛的黑匣子

華為數據管理方法

華為正式發布《華為核心網自動駕駛網絡白皮書》，在業界率先提出了面向5G的核心網自動駕駛網絡的理念、目標和構架，為5G核心網向自動駕駛網絡演進提供了一條可衡量、可實踐的指導性路徑。

?

近年來，智能駕駛汽車已成為汽車領域發展的新趨勢，越來越多的汽車采用了輔助駕駛系統(ADAS)和自動駕駛系統，這類系統利用車載的移動數據中心(MDC)和車載傳感器，在行駛過程中智能化探測障礙物、感知周圍環境并自動決策車輛的路徑并控制車輛的行駛狀態。智能駕駛技術給汽車領域帶來了革命性地機遇和挑戰，越來越多的廠商致力于通過智能駕駛提升駕駛員在汽車行駛中的體驗。

除此之外，智能駕駛汽車的安全性也引起了業界的廣泛關注，傳統人工駕駛汽車通常利用黑匣子設備記錄車輛在發生事故前后的引擎速度、車速、剎車、油門和安全帶的狀態，而黑匣子則是一類安裝在汽車上且抗損毀性能高的設備。當汽車發生劇烈碰撞時，黑匣子可以通過車身內與黑匣子設備連接的加速傳感器提供的數據判斷車輛的加速度在短時間內是否超過預設閾值，進而收集并存儲車身數據。

但是，與傳統的人工駕駛車輛相比，智能駕駛汽車在應用場景、駕駛員駕駛習慣和方式、智能駕駛汽車內各個系統的工作方式以及與周圍設施和汽車的關系等方面都發生了巨大的變化，智能駕駛汽車在安全方面也對黑匣子數據的管理方法提出了更高的要求，因此，如何提供一種適用于智能駕駛汽車中更有效的黑匣子管理方法成為需要解決的技術問題。

為了解決這樣的問題，華為在19年8月7日申請了一項名為“智能駕駛汽車中黑匣子數據的管理方法、裝置和設備”的發明專利（申請號：201910726567.X），申請人為華為技術有限公司。

根據該專利目前公開的資料，讓我們一起來看看這項黑匣子數據管理方法吧。

如上圖，為該專利發明的智能駕駛車的黑匣子數據的管理系統的邏輯架構示意圖，該系統包括云數據中心101、網絡102和智能駕駛車103，云數據中心101和智能駕駛車103通過網絡102進行通信。

其中，云服務數據中心能夠提供用于存儲黑匣子數據的云服務的數據中心，包括私有云、公有云和混合云類型的數據中心；網絡是可以實現將智能駕駛車中黑匣子數據傳輸至云服務數據中心的媒介。

縱觀整個智能駕駛車輛，其包括有通信盒子1031、中央網關1032、車身控制器(BCM)1033、人機交互控制器1034、智能駕駛控制器1035、整車控制器1036和黑匣子設備1037。通信盒子用于實現智能駕駛車和云服務數據中心的通信；人機交互控制器包括車載娛樂(IVI)和硬件監視器接口(HMI)等車載娛樂控制系統，負責人和車輛的交互，通常用于管理儀表、中控顯示以及方向盤壓力傳感器等設備。

整車控制器(VCU)通常與底盤電子控制單元、安全氣囊和動力電子控制單元相連，而安全氣囊通常與慣性測量單元相連，通過慣性測量單元的檢測，可以判斷智能駕駛汽車是否處于緊急制動狀態，若智能駕駛汽車處于該狀態，則安全氣囊可以彈出以保護駕駛員安全。

最后就是整車中最為神秘的黑匣子，黑匣子設備用于在緊急情況下記錄智能駕駛車的車身數據，這些數據包括：引擎速度、車輛速度、剎車力度、轉向角、油門板狀態、安全帶狀態等，以及這些數據生成時的時間戳。在汽車失事時，這些數據往往是調查人員分析事故最為主要的數據。

接下來，我們結合下圖詳細介紹該專利中所提供的智能駕駛汽車中黑匣子數據的管理方法，如圖所示。

首先，當檢測控制器檢測到黑匣子觸發事件時，檢測控制器向黑匣子設備發送觸發事件通知。其次，黑匣子設備根據觸發事件類型標識黑匣子數據的數據類型，檢測控制器能夠檢測的黑匣子觸發事件包括駕駛模式轉換事件和駕駛風險邊界事件兩類，其中，駕駛模式轉換事件又可以細分為以下兩種情況：

1）駕駛員將智能駕駛汽車的駕駛模式切換至智能駕駛模式：當智能駕駛車為人工駕駛且智能駕駛系統檢測符合智能駕駛開啟條件，通過人機交互控制器通知駕駛員，由駕駛員通過按鈕觸發智能駕駛車切換為智能駕駛模式，此時，由人機交互控制器通知黑匣子設備存在黑匣子觸發事件。

2）駕駛員主動將智能駕駛汽車的駕駛模式切換至非智能駕駛模式：當智能駕駛車為智能駕駛模式時，駕駛員可以通過踩剎車、轉動方向盤、人機交互控制器模式切換的方式主動將智能駕駛車切換為非駕駛模式，此時，可以通過人機交互控制器檢測到黑匣子數據觸發事件，并通知黑匣子設備存在黑匣子觸發事件。

接著，黑匣子設備根據觸發事件類型和數據類型確定數據所屬存儲級別，并按照數據所屬存儲級別和預置規則存儲數據。當數據所屬存儲級別滿足預設條件時，黑匣子設備將向云服務數據中心發送黑匣子數據。這樣，通過對于數據的存儲方式進行分級，最高級會將書就保存到云端，從而保證了數據的安全性以及有效性。

最后是這種智能駕駛車的黑匣子設備的結構示意圖，可以看到，黑匣子設備包括處理器101、存儲介質102、通信接口103和內存單元104。其中，處理器、存儲介質、通信接口、內存單元通過總線進行通信。

以上就是華為發明的黑匣子數據管理方法，通過對于黑匣子中數據的管理方式進行升級、以及將黑匣子的數據同時存儲在本地和云存儲器中，并且對于黑匣子的數據進行分級存儲，從而有效的提升了智能駕駛汽車中黑匣子數據的有效性以及安全性，同時也提升了整個智能駕駛汽車的整體安全性。

小結：

自動化程度越高，所需的數據存儲量就越大；

挑戰并非源于存儲階段，而是傳輸階段；

必須對車輛中的數據進行預處理，優先通過5G傳輸有價值的數據；

《汽車數據安全管理若干規定》限制了國內自動駕駛的發展，真實道路上的行駛數據是車企自動駕駛技術迭代升級和完善的重要支持；

自動駕駛汽車在安全方面也對黑匣子數據的管理方法提出了更高的要求。

編輯：黃飛