高階自動(dòng)駕駛系統(tǒng)是下一代智能網(wǎng)聯(lián)汽車必須實(shí)現(xiàn)的課題，不僅需要解決車輛如何實(shí)現(xiàn)自主駕駛，也需要解決當(dāng)前這代自動(dòng)駕駛無(wú)法解決的問(wèn)題，其中包括功能開(kāi)發(fā)問(wèn)題和性能提升問(wèn)題。比如從最近的蔚來(lái)汽車自動(dòng)駕駛事故中不難看出，要想實(shí)現(xiàn)真正的自動(dòng)駕駛就需要自動(dòng)駕駛系統(tǒng)解決當(dāng)前不少的邊緣場(chǎng)景，這些場(chǎng)景都是很大程度上影響系統(tǒng)功能安全的場(chǎng)景內(nèi)容。又如后續(xù)多數(shù)主機(jī)廠想要效仿特斯拉采用類似影子模式進(jìn)行數(shù)據(jù)采集、仿真，那么如何防止在開(kāi)發(fā)過(guò)程中踩坑也是一個(gè)值得思考的問(wèn)題。

另外，針對(duì)高階自動(dòng)駕駛將采用基于SOA的開(kāi)發(fā)模式進(jìn)行架構(gòu)搭建，因此SOA中將如何提升效率實(shí)現(xiàn)兼顧通用、高效、可靠的目標(biāo)是我們必須要解決的問(wèn)題。

本文將針對(duì)性如上三個(gè)比較棘手且亟待解決的問(wèn)題進(jìn)行詳細(xì)闡述，意在為開(kāi)發(fā)者提供借鑒。

如何提升靜止目標(biāo)碰撞檢測(cè)

從開(kāi)發(fā)測(cè)試角度，我們已經(jīng)收集了不少難解決或可能出現(xiàn)問(wèn)題的場(chǎng)景。其中，對(duì)于靜止目標(biāo)的識(shí)別就是其中之一。從全視覺(jué)的角度出發(fā)，當(dāng)前成型的自動(dòng)駕駛產(chǎn)品都是基于單目或三目視覺(jué)來(lái)進(jìn)行檢測(cè)的。而這種檢測(cè)方式有著天然無(wú)法改變的缺陷，由于該方式是基于深度學(xué)習(xí)的機(jī)器視覺(jué)，其表現(xiàn)為識(shí)別、分類、探測(cè)是放在同一個(gè)模塊進(jìn)行的，通常無(wú)法將其進(jìn)行分割，也就是說(shuō)，如果無(wú)法將目標(biāo)分類classification，進(jìn)而往往針對(duì)某些目標(biāo)就無(wú)法進(jìn)行有效探測(cè)recognition。這種漏識(shí)別就容易導(dǎo)致自動(dòng)駕駛車輛發(fā)生碰撞。

為了很好的說(shuō)明無(wú)法識(shí)別的原因，總結(jié)解決該類問(wèn)題的方法這里我們需要重點(diǎn)說(shuō)明下：第一種是訓(xùn)練數(shù)據(jù)集無(wú)法完全覆蓋真實(shí)世界的全部目標(biāo)；因?yàn)楹芏囔o止目標(biāo)不一定是標(biāo)準(zhǔn)的車輛，甚至可能是異形車輛、落石、不規(guī)則施工標(biāo)志燈，因此，在開(kāi)發(fā)階段訓(xùn)練的目標(biāo)類型在很大程度上都無(wú)法用于真正的自動(dòng)駕駛識(shí)別場(chǎng)景。

第二種是圖像缺乏紋理特征，紋理特征包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算，常具有旋轉(zhuǎn)不變性；對(duì)于噪聲有較強(qiáng)的抵抗能力；因此，對(duì)于一些紋理較少的貨車車廂、白墻等，通過(guò)視覺(jué)方式都是較難識(shí)別出來(lái)的。

此外，這里需要解釋一下為什么深度學(xué)習(xí)對(duì)靜止目標(biāo)無(wú)法做到很好的識(shí)別能力。因?yàn)樯疃葘W(xué)習(xí)中的機(jī)器視覺(jué)，特別是基于單目攝像頭探測(cè)的機(jī)器視覺(jué)圖像，會(huì)將所有靜止目標(biāo)當(dāng)作背景加以剔除，從而可以很好的選出對(duì)視頻理解過(guò)程重要的運(yùn)動(dòng)目標(biāo)，這種方式不僅可以提升識(shí)別效率，也可以很好的降低編碼碼率。同時(shí)也為了防止誤檢測(cè)，也必須將運(yùn)動(dòng)目標(biāo)和靜止目標(biāo)分開(kāi)，如有些道路兩側(cè)停滿汽車，運(yùn)動(dòng)目標(biāo)的優(yōu)先級(jí)自然高于靜止目標(biāo)，然后再去識(shí)別，通常是背景減除、三幀法或光流法，通常情況下這類識(shí)別算法需要耗費(fèi)1-2秒時(shí)間，然而對(duì)于實(shí)時(shí)性要求較高的自動(dòng)駕駛而言，這段時(shí)間就可能已經(jīng)發(fā)生碰撞事故了。

因此，為了解決如上識(shí)別性能缺陷，就需要從根本原因上解決深度學(xué)習(xí)不足所帶來(lái)的問(wèn)題。機(jī)器視覺(jué)主要有兩種學(xué)習(xí)匹配模式，一種是手工模型，一種就是深度學(xué)習(xí)，通常都是采用后者進(jìn)行圖像識(shí)別和分類。由于深度學(xué)習(xí)主要是通過(guò)分割再擬合，原則上它要遍歷每一個(gè)像素，對(duì)訓(xùn)練好的模型做數(shù)十億次的乘積累加并設(shè)置不同的權(quán)重值來(lái)做對(duì)比，區(qū)別于人類視覺(jué)，機(jī)器視覺(jué)是非整體性的。從本質(zhì)上講，深度學(xué)習(xí)是一種利用采集數(shù)據(jù)點(diǎn)，通過(guò)與已有數(shù)據(jù)庫(kù)進(jìn)行有效匹配，擬合出無(wú)限接近于實(shí)際的曲線函數(shù)，從而能夠識(shí)別出期望被識(shí)別出來(lái)的環(huán)境目標(biāo)，推斷趨勢(shì)并針對(duì)各類問(wèn)題給出預(yù)測(cè)性結(jié)果。當(dāng)然，曲線擬合在表示給定數(shù)據(jù)集時(shí)也存在一定風(fēng)險(xiǎn)，這就是擬合誤差。具體來(lái)講，算法可能無(wú)法識(shí)別數(shù)據(jù)的正常波動(dòng)，最終為了擬合度而將噪音視為有效信息。因此想要真正解決對(duì)于這類異常環(huán)境目標(biāo)的識(shí)別能力，僅僅依靠提升SOC芯片的AI加速器能力來(lái)解決是不明智的。因?yàn)锳I加速器也僅僅是解決了MAC乘積累加計(jì)算模塊的加速運(yùn)算能力而已。

要想真正解決這類識(shí)別或匹配誤差問(wèn)題，下一代高性能自動(dòng)駕駛系統(tǒng)通常采用多傳感器融合的方式（毫米波雷達(dá)、激光雷達(dá)）或采用多目攝像頭檢測(cè)的方式進(jìn)行優(yōu)化。做過(guò)駕駛輔助系統(tǒng)開(kāi)發(fā)的設(shè)計(jì)師應(yīng)該清楚，對(duì)于依靠當(dāng)前這代毫米波雷達(dá)由于對(duì)于金屬物體十分敏感，在檢測(cè)的物體過(guò)程中通常是規(guī)避因?yàn)檎`檢而導(dǎo)致AEB的誤觸發(fā)的。因此，很多靜止目標(biāo)通常會(huì)被濾掉，同時(shí)，對(duì)于一些底盤較高的大貨車或者特種操作車，往往會(huì)因?yàn)楹撩撞ɡ走_(dá)高度問(wèn)題導(dǎo)致檢測(cè)不到目標(biāo)而漏檢。

需要利用傳統(tǒng)辦法（或稱非深度學(xué)習(xí)算法）進(jìn)行三位目標(biāo)重建，通常這可以采用激光雷達(dá)或高分辨率4D毫米波雷達(dá)來(lái)進(jìn)行點(diǎn)云重建或雙目攝像頭進(jìn)行光流追蹤來(lái)實(shí)現(xiàn)優(yōu)化。對(duì)于基于激光雷達(dá)檢測(cè)目標(biāo)的方法，其原理是發(fā)射探測(cè)信號(hào)(激光束)，然后將接收到的從目標(biāo)反射回來(lái)的信號(hào)(目標(biāo)回波)與發(fā)射信號(hào)進(jìn)行比較,作適當(dāng)處理后,來(lái)獲得目標(biāo)的有關(guān)信息，因此對(duì)于回波的點(diǎn)云匹配本身也是一種深度學(xué)習(xí)過(guò)程，只不過(guò)這個(gè)過(guò)程相對(duì)于彈幕圖像識(shí)別的分割、匹配更快些。

雙目視覺(jué)的方式對(duì)靜態(tài)目標(biāo)的檢測(cè)是依賴視差圖像來(lái)進(jìn)行的，這種以來(lái)純幾何關(guān)系的視差圖是可以較為精確的定位該靜態(tài)目標(biāo)位置的。很多時(shí)候單目視覺(jué)對(duì)于顛簸的路況、明暗對(duì)比非常強(qiáng)烈的路況、一些破損的路況中的遠(yuǎn)距離的物體，可以完成檢測(cè)，但是三維恢復(fù)會(huì)存在很多不確定性。而立體相機(jī)可以與深度學(xué)習(xí)融合，將立體點(diǎn)云與圖像的RGB信息以及紋理信息融合，有利于進(jìn)行遠(yuǎn)距離目標(biāo)的識(shí)別及3D測(cè)量。

深度學(xué)習(xí)可以更精細(xì)更穩(wěn)定地檢測(cè)常見(jiàn)的道路參與者，綜合多種特征，有利于更遠(yuǎn)地發(fā)現(xiàn)道路參與者。而立體視覺(jué)則可以同時(shí)實(shí)現(xiàn)3D測(cè)量與基于點(diǎn)云檢測(cè)全道路參與者，不受物體類型限制，不受安裝位置與姿態(tài)限制，動(dòng)態(tài)測(cè)距更加穩(wěn)定，泛化能力更好。我們將立體視覺(jué)和深度學(xué)習(xí)結(jié)合起來(lái)，可以在更遠(yuǎn)的距離發(fā)現(xiàn)目標(biāo)，同時(shí)能夠利用立體視覺(jué)進(jìn)行三維刻畫(huà)。

如上這些算法要么比較依賴CPU進(jìn)行的邏輯運(yùn)算包括實(shí)現(xiàn)卡爾曼濾波、平滑運(yùn)算、梯度處理，要么依賴于GPU進(jìn)行的圖像深度學(xué)習(xí)處理。因此，下一代高階自動(dòng)駕駛域控系統(tǒng)需要具備很好的運(yùn)算處理能力才就能確保其性能滿足要求。

影子模式能否完美破局

當(dāng)前，各主機(jī)廠或Tier1在研發(fā)下一代高階自動(dòng)駕駛系統(tǒng)時(shí)往往無(wú)法很全面覆蓋環(huán)境中可能發(fā)生突變的各種工況，而這種初具規(guī)模的數(shù)據(jù)覆蓋往往會(huì)依賴于高質(zhì)量的數(shù)據(jù)采集、處理，這里我們通常稱之為極端場(chǎng)景的數(shù)據(jù)覆蓋。如何將大量極端場(chǎng)景數(shù)據(jù)采集并回傳至自動(dòng)駕駛后臺(tái)是我們需要解決的重要問(wèn)題，也是評(píng)價(jià)后續(xù)自動(dòng)駕駛系統(tǒng)能否完美破局的關(guān)鍵要素。

特斯拉的影子模式開(kāi)創(chuàng)了有效的數(shù)據(jù)采集先河。對(duì)于“影子模式”的定義在于，在手動(dòng)駕駛狀態(tài)下，系統(tǒng)及其周邊傳感器仍然運(yùn)行但并不參與車輛控制，只是對(duì)決策算法進(jìn)行驗(yàn)證，也即系統(tǒng)的算法在“影子模式”下做持續(xù)模擬決策，并且把決策與駕駛員的行為進(jìn)行對(duì)比，一旦兩者不一致，該場(chǎng)景便被判定為“極端工況”，進(jìn)而觸發(fā)數(shù)據(jù)回傳。

但是如果要好好了解影子模式還需要重點(diǎn)解決如下問(wèn)題。

1、影子模式如何提供更多更大范圍的極端工況探測(cè)采集，包含標(biāo)注和非標(biāo)注的訓(xùn)練場(chǎng)景

由于影子模式通常是數(shù)據(jù)采集、處理中的一部分，除利用控制端的軌跡差異進(jìn)行觸發(fā)數(shù)據(jù)記錄外，其余工作模式下并不直接應(yīng)用于數(shù)據(jù)記錄。如果自動(dòng)駕駛需要高效快速的應(yīng)用上影子模式的方法，則需要?jiǎng)t需要在其采集過(guò)程中同時(shí)布局深度神經(jīng)網(wǎng)絡(luò)，貫穿于整個(gè)控制過(guò)程中（包括實(shí)現(xiàn)整個(gè)感知、預(yù)測(cè)、規(guī)劃和控制的整個(gè)模塊）。更加實(shí)用的影子模式需要擴(kuò)寬其工作范圍，這就要求不僅僅是比對(duì)軌跡才能觸發(fā)數(shù)據(jù)記錄及回傳，像諸如感知目標(biāo)差異、融合目標(biāo)差異等均可觸發(fā)數(shù)據(jù)記錄及回傳。這一過(guò)程就需要根據(jù)實(shí)際采集的端口定義相應(yīng)的數(shù)據(jù)采集單元，這些單元均可以工作在自動(dòng)駕駛或人工駕駛模式下，僅僅作為數(shù)據(jù)采集、記錄、回傳的硬件，不對(duì)車輛控制產(chǎn)生影響。

2、芯片選型及傳感器配置對(duì)于影子模式的支持度是否符合預(yù)期

對(duì)于自動(dòng)駕駛開(kāi)發(fā)而言，我們期望影子模式僅僅是一些資源占用度較少的簡(jiǎn)單邏輯運(yùn)算，且激活影子模式過(guò)程中也不會(huì)增加后臺(tái)處理時(shí)延。如果下一代高階自動(dòng)駕駛想要基于影子模式實(shí)現(xiàn)數(shù)據(jù)采標(biāo)，則必須考慮專門為影子系統(tǒng)額外配置一顆芯片，或者在多顆芯片的域控系統(tǒng)中拆分出某塊芯片中的摸個(gè)模塊專門用來(lái)做影子算法訓(xùn)練。

此外，之前的影子系統(tǒng)通常是跑在L2+系統(tǒng)上的，其采標(biāo)的傳感器類型往往比較單一，如一般的公司都是采用了5R1V的方式進(jìn)行數(shù)據(jù)采標(biāo)，高級(jí)一點(diǎn)的，可能有配置單個(gè)激光雷達(dá)（當(dāng)前國(guó)內(nèi)量產(chǎn)或即將量產(chǎn)的企業(yè)還未有該配置），這種傳感器配置采集的數(shù)據(jù)是否直接可以應(yīng)用于下一代高階自動(dòng)駕駛系統(tǒng)，這是不確定的。因?yàn)?，單個(gè)或較少傳感器對(duì)于環(huán)境工況的預(yù)判和系統(tǒng)的執(zhí)行能力和多傳感器是由較大差別的。因此，當(dāng)升級(jí)后的高階自動(dòng)駕駛系統(tǒng)，其傳感器能力對(duì)于整個(gè)系統(tǒng)的歸控來(lái)講肯定是上了一個(gè)臺(tái)階。因此，后續(xù)自動(dòng)駕駛系統(tǒng)是否還能應(yīng)用先前L2級(jí)別下采集的場(chǎng)景數(shù)據(jù)，或只能部分應(yīng)用，這是需要重新設(shè)計(jì)規(guī)劃的。

3、需要采用何種標(biāo)準(zhǔn)的判斷方法實(shí)現(xiàn)最科學(xué)有效的數(shù)據(jù)回傳

影子模式的觸發(fā)前提是認(rèn)為駕駛員對(duì)車輛的操作一定是正確且客觀的，因?yàn)榧俣ㄔ谌藶轳{駛模式下，系統(tǒng)對(duì)環(huán)境的判斷能力一定不如駕駛員。然而事實(shí)真的如此么？當(dāng)然不全是。比如駕駛員看到前方道路上有較多的泥土怕弄臟車輪影響車外觀而選擇換道避開(kāi)行駛，而系統(tǒng)確不會(huì)因?yàn)檫@種原因而觸發(fā)自動(dòng)換道系統(tǒng)，此時(shí)如果以駕駛員的車控方式作為標(biāo)準(zhǔn)判斷其正確性，那么系統(tǒng)肯定是錯(cuò)了，此時(shí)觸發(fā)數(shù)據(jù)采標(biāo)、回傳，其實(shí)是沒(méi)有意義或者說(shuō)不準(zhǔn)確的。因此，可以從另一個(gè)角度上說(shuō)，在整個(gè)自動(dòng)駕駛控制系統(tǒng)鏈路中，駕駛員的規(guī)律性駕駛行為可能是一種駕駛偏向，這種數(shù)據(jù)采標(biāo)、回傳的觸發(fā)模式實(shí)際是為了提升駕駛體驗(yàn)感的一種方法模式而已。

4、影子模式對(duì)問(wèn)題的定位需要進(jìn)一步提升精確度

由于影子模式是面向可視化的駕駛端進(jìn)行的，這種對(duì)問(wèn)題的定位方式往往是采用逆向追溯方式從執(zhí)行端的視角來(lái)看待問(wèn)題的。當(dāng)控制執(zhí)行過(guò)程出現(xiàn)問(wèn)題時(shí)，往往會(huì)順勢(shì)往后推是否時(shí)決策端的問(wèn)題，如果決策端無(wú)任何問(wèn)題，才會(huì)持續(xù)往前推是否是軌跡預(yù)測(cè)端，進(jìn)一步推及是否是感知端問(wèn)題。此外，感知端也是一個(gè)廣義的概念，它包括了真正的場(chǎng)景感知和后續(xù)融合系統(tǒng)，如果場(chǎng)景感知出現(xiàn)了問(wèn)題，但通過(guò)融合系統(tǒng)的一系列魯棒性算法處理，規(guī)避掉了該感知錯(cuò)誤所帶來(lái)的誤決策等問(wèn)題，則需要單獨(dú)將這類異常感知場(chǎng)景給篩選出來(lái)。

為了把這種場(chǎng)景的數(shù)據(jù)篩選出來(lái)，就需要持續(xù)記錄感知到規(guī)劃各端的數(shù)據(jù)之間的跳變情況，某兩端之間較大的跳變就觸發(fā)數(shù)據(jù)回傳，當(dāng)然整個(gè)過(guò)程的計(jì)算量會(huì)很大。目前自動(dòng)駕駛系統(tǒng)的整體感知能力仍然十分受限，誤感知導(dǎo)致誤決策的場(chǎng)景仍然時(shí)有發(fā)生，而即便正確感知也可能導(dǎo)致誤執(zhí)行，這種情況下需要影子系統(tǒng)在收集到的“預(yù)測(cè)/決策失靈”場(chǎng)景數(shù)據(jù)時(shí)就需要細(xì)化顆粒度，排除對(duì)于無(wú)效數(shù)據(jù)的采標(biāo)與回傳，這樣既可以節(jié)省流量，也可以節(jié)省存儲(chǔ)空間。

5、是否建立了自動(dòng)駕駛系統(tǒng)數(shù)據(jù)的仿真應(yīng)用能力

數(shù)據(jù)回傳后的使用方法是利用其進(jìn)行深度學(xué)習(xí)和數(shù)據(jù)匹配優(yōu)化，而這一過(guò)程需要首先依賴該場(chǎng)景來(lái)搭建仿真系統(tǒng)，在仿真系統(tǒng)中輸入相應(yīng)的場(chǎng)景檢測(cè)參數(shù)進(jìn)行算法訓(xùn)練優(yōu)化。然而，實(shí)際情況是，當(dāng)前能夠有效利用道路實(shí)測(cè)數(shù)據(jù)來(lái)做仿真的能力是要求比較高的。各大主機(jī)廠、檢測(cè)機(jī)構(gòu)、tier1仍舊不是完全具備這樣的能力來(lái)完成或者能力不夠成熟等。

架構(gòu)升級(jí)會(huì)帶來(lái)怎樣的開(kāi)發(fā)問(wèn)題

高階自動(dòng)駕駛需要融合車路協(xié)同、邊緣計(jì)算、云端服務(wù)等多種應(yīng)用場(chǎng)景，且需要具備一定的可擴(kuò)展性、通用性、自主進(jìn)化性。當(dāng)前電子電氣架構(gòu)和軟件平臺(tái)架構(gòu)很難解決這些需求，當(dāng)前車載SOA則可以很好的解決如上問(wèn)題。SOA源自于IT領(lǐng)域，車載SOA環(huán)境下最優(yōu)的實(shí)現(xiàn)方式應(yīng)該是繼承成熟的基于以太網(wǎng)實(shí)現(xiàn)高內(nèi)聚、低耦合的思路。

由此，基于SOA架構(gòu)的設(shè)計(jì)高階自動(dòng)駕駛系統(tǒng)過(guò)程的重點(diǎn)在于實(shí)現(xiàn)如下功能：

1、服務(wù)通信標(biāo)準(zhǔn)化，即面向服務(wù)的通信

SOME/IP采用了RPC(Remote Procedure Call)機(jī)制，繼承了“服務(wù)器-客戶端”的模型。SOME/IP可以讓客戶端及時(shí)地找到服務(wù)端，并訂閱其感興趣的服務(wù)內(nèi)容?？蛻舳丝梢杂?ldquo;需求-響應(yīng)”、“防火墻”的模型訪問(wèn)服務(wù)器所提供的服務(wù)，服務(wù)可以利用通知的方式推送給客戶已經(jīng)訂閱的服務(wù)內(nèi)容，這就基本解決了服務(wù)通信的問(wèn)題。

然而，基于SOA架構(gòu)的通信標(biāo)準(zhǔn)SOME/IP有兩大缺陷：

a) 只定義了比較基礎(chǔ)的規(guī)范，應(yīng)用互操作性難以得到保證。

b) 難以應(yīng)對(duì)大數(shù)據(jù)，高并發(fā)的場(chǎng)景。由于缺少對(duì)象序列化的能力，SOME/IP軟件互操作性容易產(chǎn)生問(wèn)題。SOME/IP不支持共享存儲(chǔ)，基于廣播的1對(duì)多通信，在自動(dòng)駕駛場(chǎng)景下，性能可能成為問(wèn)題。

2、SOA架構(gòu)需要對(duì)服務(wù)進(jìn)行劃分，以服務(wù)重用、靈活重組為目的的服務(wù)劃分，即面向服務(wù)的重用共享設(shè)計(jì)。

需要將SOA的系統(tǒng)-軟件開(kāi)發(fā)過(guò)程應(yīng)用于整車功能邏輯的定義中去，架構(gòu)會(huì)主導(dǎo)或者參與到需求開(kāi)發(fā)、功能定義、功能實(shí)現(xiàn)、子系統(tǒng)設(shè)計(jì)、零部件設(shè)計(jì)等過(guò)程中去，面向服務(wù)的重用設(shè)計(jì)實(shí)現(xiàn)需要能夠貫穿始終，并最終在功能實(shí)現(xiàn)的環(huán)節(jié)體現(xiàn)出來(lái)。

這里需要說(shuō)明的是服務(wù)重用涉及到原有系統(tǒng)的切割和新系統(tǒng)的重建，隨著規(guī)模的擴(kuò)大和新功能的增加，以信息為基礎(chǔ)的通信將會(huì)增長(zhǎng)，如此以來(lái)，在預(yù)計(jì)之外的情況將開(kāi)始經(jīng)歷一個(gè)重大的處理反應(yīng)期，這個(gè)反應(yīng)期可能造成數(shù)據(jù)訪問(wèn)延遲。而自動(dòng)駕駛系統(tǒng)對(duì)于實(shí)時(shí)性要求極高，這也是SOA應(yīng)用的最大局限性問(wèn)題。

此外，對(duì)于SOA的軟件實(shí)現(xiàn)而言，基于服務(wù)的軟件架構(gòu)搭建過(guò)程中需要充分考慮是否可承載和適配面向服務(wù)的通信設(shè)計(jì)及面向服務(wù)的重組實(shí)現(xiàn)問(wèn)題。

下一代高階自動(dòng)駕駛系統(tǒng)無(wú)非需要解決兩類問(wèn)題：我在哪兒，我要去哪兒？在這兩類問(wèn)題中一類依賴于地圖定位，另一類依賴于導(dǎo)航控制。而基礎(chǔ)架構(gòu)是建立面向服務(wù)的設(shè)計(jì)能力，SOA的架構(gòu)應(yīng)運(yùn)而生。如何在新架構(gòu)下實(shí)現(xiàn)高階自動(dòng)駕駛系統(tǒng)功能的完美破局，將整體功能體驗(yàn)和性能提升到一個(gè)新高度是自動(dòng)駕駛研發(fā)人需要重點(diǎn)突破的問(wèn)題。無(wú)論從整體的開(kāi)發(fā)方式，感知性能上都應(yīng)該做到量變到質(zhì)變的過(guò)程。這條路上還有很多亟待解決的問(wèn)題，我們需要不斷地個(gè)個(gè)解決之。