数据闭环研究：自动驾驶3.0阶段，做好端到端，赢取数据掌控权

目前，自动驾驶已进入3.0阶段。不同于2.0阶段基于人工规则的软件驱动，3.0阶段自动驾驶功能的迭代以大数据、大模型驱动为核心，感知方式是多模态传感器联合输出结果，而信息融合方式则从后融合逐步向中融合及前融合演进。

在数据能力建设上，企业的焦点已转移至数据闭环的效率与成本，并在数据合规和数据安全的前提下解决更多Corner Cases（极端情况如交通事故、恶劣天气条件或复杂路况），加速用户体验从“疲劳缓解”阶段向“场景化舒适体验”发展。其中主机厂着力提升的场景应用主要集中在城区、城市高架以及高速自动驾驶上。

在高速场景中，用户可以安心启用自动驾驶功能，自动驾驶系统可以精确舒适地引领上下匝道、车道居中保持、大曲率高速过弯、拥挤路段平衡跟车停车、智能选择最佳车道、车道内横向躲避并超越慢车、智能识别避让故障及缓慢车辆等。例如，小马智行NOA方案（见下图）能够灵活应对高速以及城市交通场景，在自主变道、上下匝道、定速巡航、车道居中、躲避障碍物等场景中表现优秀。

在城市场景中，蔚来NOP+、华为NCA、小鹏XNGP等城市NOA辅助驾驶功能纷纷落地，车辆功能的场景泛化能力持续提升。比如阿维塔搭载的华为智驾系统ADS2.0，能够在狭窄城市街道成功穿越两辆卡车的夹击（见下图），规划策略与人类驾驶决策水平持平，甚至超越。

总之，自动驾驶系统在自主变道、躲避障碍物等场景中的表现愈加优秀，人的接管率越来越低，而汽车智能化竞争的背后是数据在车端云端闭环中的高效流转。比如百度智能云自动驾驶数据闭环方案提供全周期的自动驾驶数据运营服务与自动驾驶工具链平台，能够解决数据获取、加工、使用过程中的难题。

百度自动驾驶数据闭环解决方案

来源：百度智能云

01、自动驾驶3.0阶段开启，企业加码建设或完善数据闭环体系的各个环节

自动驾驶3.0阶段，本质就是以数据驱动为核心，持续提升数据挖掘效率和利用效率。这一阶段，车辆测试数据规模可达到1亿公里以上，这对数据闭环中的采集、标注等环节构成挑战。对此，车企通过提升影子模式的灵活采集逻辑、零原型仿真等手段来加速数据处理效率，为算法迭代、模型训练及部署等做好准备。

下面通过数据闭环的关键环节，即数据采集、数据标注、仿真测试等方面为例，来看汽车企业及数据闭环方案商的提效行动。

数据采集

目前，数据采集可以通过道路采集车、量产车、云端仿真、车主数据贡献等方式来实现。其中，影子模式在采集车内车外动/静态数据时，效率相对更高。车企设置的算法触发逻辑更加灵活、更加精准，比如小鹏在具备数采能力车辆上设置超300个触发信号，系统可判断当前怎样的Corner Case是对系统有用的，然后上传。上汽飞凡在车端设置了非常多的Triggered Event，触发这些条件后，采集多模态数据并回传数据，在效率上，三个月内就获得了近 1200 万个 clips 数据回传。

还有智协慧同数采系统通过云端低代码工具vStudio使用各种算子轻松搭建触发算法。整套车云协同的方案，支持触发算法一键下发车端，无需繁杂的OTA流程，算法迭代效率高。智协慧同影子模式向2.0阶段演进，助力构建触发场景库、人机对比、AB模型对比，并在边缘计算的加持下，能够实现未知异常场景挖掘等，实现大幅降本增效。

数据标注

数据标注是自动驾驶数据闭环中最关键的环节之一。当前，如何不断提升对采集到的多模态高价值数据进行高效的自动化标注，是传统标注公司及数据闭环方案商关注的焦点。

为更好赋能车企，传统标注公司正陆续研发自己的自动化数据标注平台，提升数据标注的效率及标注的质量；同时，这些企业也开始与各类智算中心合作，在大模型加持下持续完善标注平台能力，并降低标注成本。

以海天瑞声为例，其自研的DOTS-AD自动驾驶标注平台能够支持多维度、全方位自动驾驶标注任务，数据标注效率提升高达8倍。再比如曼孚科技的MindFlow SEED数据服务平台通过AI+RPA驱动自动驾驶数据标注规模化量产，将综合人效平均提升30%，数据生产成本平均降低40%。

数据闭环方案商毫末智行在驾驶场景识别能力上，基于毫末 DriveGPT 所建立的 4D Clips 驾驶场景识别方案，可以使得单张图片的标注成本降到0.5元，是目前行业平均成本的1/10。毫末正在将图像帧及 4D Clips 自动驾驶场景识别服务向行业开放使用，目前不少标注公司已经展开与毫末智行的合作，比如数据堂、海天瑞声、澳鹏、云测数据、星尘数据，企业间的强强合作必将大幅降低行业使用数据的成本，提高数据质量。

仿真测试

云仿真平台建设是企业工具链能力之一。仿真设备的购置及维护，又构成了一定的成本压力，但在自动驾驶研发过程中，相比先给出部件原型来验证功能，需要较少原型或零原型（Zero Prototype）的虚拟仿真，其成本更为划算，仿真投入几乎是必选项。

仿真有几种形式，包括MiL（模型在环）、SiL（软件在环）、HiL（硬件在环）、DiL（驾员在环）、ViL（整车在环）, 不同的企业根据需求，在各自的研发周期的不同阶段，对仿真形式的需求也不尽相同。目前众多车企在利用仿真工具，进行各类功能验证，加快新车型的研发周期及上市时间，比如VI-grade的产品就被宝马、奔驰、奥迪、福特、本田、丰田、上汽、一汽、广汽、蔚来等车企所采用。

福特采用VI-grade仿真模拟器进行虚拟测试

02、数据闭环生态构建中，企业加速打造“数智/数据底座”能力

数据、算法、算力是自动驾驶技术的三大基石，数据的数量和质量决定着算法能力的上限，而算力又是数据处理的载体。软件和硬件的一体化意味着算法和域控/芯片适配的“顺畅性”。目前行业内，少数企业如Tesla已构建了“数据+算法+算力”的完整智能生态体系，实现了数据的100%掌控。为实现对数据的控制力，主机厂及软件算法企业均在追赶。

智算中心建设

超算中心初期投入较高，主机厂及Tier1对搭建AI计算中心的预算普遍超过亿元。例如特斯拉超级计算机平台Dojo将于2023年7月投入生产；2024年特斯拉在Dojo上的投入将超过10亿美元，以推进超级计算机与神经网络训练。

尽管如此，在自动驾驶领域具有长期规划的车企或技术供应商，都在搭建自己的超算中心，以掌握稳定的算力资源，缩短开发周期，加快自动驾驶产品的上市。例如，2022 年 8 月小鹏汽车成立自动驾驶 AI 智算中心“扶摇”，由小鹏和阿里联合出资打造。该中心可将自动驾驶算法的模型训练时间提速 170 倍，且未来还具备10~100 倍的算力提升空间。

自动驾驶厂商超算中心建设情况

来源：佐思汽研《2023年自动驾驶数据闭环研究报告》

“数智/数据底座”能力建设

智能汽车的全生命周期需要数据来驱动，而基于数据打造的车云全链路能力底座正是一些自动驾驶方案商努力做的事。比如，智协慧同ExceedData车云一体计算架构结合其车载高性能时序数据库，构建了智能汽车的数据底座，重新定义了汽车数据智能的成本与效率，成本总计可下降85%。该数据底座方案获得包括一汽、上汽、上汽零束、华人运通、东风岚图、北汽、吉利等一线车企的高度认可，量产定点了10个以上车型。

智协慧同全栈产品

来源：智协慧同

福瑞泰克具备软硬一体平台化开发和量产交付能力，已打通了“规模数据获取-数据处理体系-自动化迭代”的数据闭环链路，其ODIN智能驾驶数智底座支持量产的大规模数据闭环系统，既包括福瑞泰克大规模量产数据基础，也有部署于国家超算中心算力平台，并全面形成了支持算法演进的完整数据闭环体系，可同步完成感知算法的迭代演进与规控算法的闭环验证。ODIN数智底座包括自研域控制器、传感器、自动驾驶算法以及数据闭环系统作为四大支柱体系，目前合作车企品牌已超过40家，合作车型项目超过100款。

03、BEV+Transformer赋能端到端感知决策一体化

自动驾驶能力的增强是更多数据+更好算法+更高算力联合优化的结果，更是感知、决策、规控技术进步的必然。

面对各种复杂的场景，尤其是Corner Case对自动驾驶的感知和决策能力提出了更高的要求。BEV技术通过提供全局视角来增强自动驾驶系统的感知能力。Transformer 模型可以用于提取多模态数据中的特征，如激光雷达点云、图像、雷达数据等。通过对这些数据进行端到端的训练，Transformer 能够自动学习到这些数据的内在结构和相互关系，从而有效识别和定位环境中的障碍物。

BEV+Transformer，可以构建一个端到端的自动驾驶系统，实现高精度的感知、预测和决策。比如商汤基于多模态大模型，可做到数据的感知闭环和决策闭环。商汤感知决策一体化的端到端自动驾驶解决方案UniAD，使车道线的预测准确率提升了30%，预测运动位移的误差降低了近40%，规划误差降低了近30%。在 AI 决策方面，商汤联合上海人工智能实验室推出了OpenDILab决策AI平台。决策 AI 平台也可以用到自动驾驶当中，去实现规划和控制。

商汤绝影感知决策一体化

来源：商汤绝影

此外， 觉非科技也具备“感知-决策-数据”闭环能力，其核心竞争壁垒在于算法和数据之间的联动和飞轮效应。软件层面上，觉非的核心技术路径是融合计算能力，将自车位置与姿态相关的空间数据、重地图或轻地图的静态数据以及感知类传感器数据进行实时融合与实时运算，并应用于自动驾驶的感知系统、定位系统、路径规划系统或记忆建图系统。

觉非科技基于BEV的数据闭环融合智驾解决方案

来源：觉非科技

《2023年自动驾驶数据闭环研究报告》目录

01 自动驾驶数据闭环概览

1.1 自动驾驶技术发展三大基石

1.2 什么是数据闭环

1.2.1 数据采集

1.2.1.1 真实场景数采

1.2.1.2 仿真场景数采

1.2.2 数据合规

1.2.2.1 数据安全处理的监管要求

1.2.2.2 汽车数据安全技术及防护体系

1.2.3 数据自动化处理

1.2.4 算法

1.2.4.1 AD算法走向

1.2.5 数据标注及发展

1.2.5.1 2023自动驾驶数据标注TOP10

1.2.5.2 自动标注系统举例—海天瑞声

1.2.5.3 自动标注系统举例—Tesla

1.2.5.4 3D点云技术

1.2.5.5 3D点云图像标注

1.2.5.6 2D、3D融合标注

1.2.5.7 3D点云语义分割标注

1.2.5.8 3D点云连续帧标注

02 大模型在自动驾驶数据闭环中的应用

2.1 基于神经网络的大模型

2.2 后融合、特征级融合、前融合

2.3 BEV+Transformer成为当前主流方案

2.3.1 BEV+Transformer显著提升特征级融合效果

2.3.2 BEV+Transformer助力城市领航辅助驾驶 “脱图”

2.3.3 轻地图数据闭环解决方案举例一

2.3.3 轻地图数据闭环解决方案举例二

2.3.4 BEV升级到占用网络，（视觉+毫米波）实现“脱LiDAR”

2.3.5 多传感融合路线：激光雷达之必要性

2.3.6 软件2.0驱动自动驾驶算法不断向端到端发展

2.4 大模型赋能自动驾驶综述

2.4.1 大模型助力数据挖掘和自动标注

2.4.2 大模型+小模型

2.5 大模型构能力构建及工具链

2.5.1 大模型能力输出举例 – 微软

2.5.2 大模型能力输出举例 – 英伟达

2.6 汽车行业大模型布局一览

2.7 AI 大模型加速汽车GPT

2.8 AI大模型加速城市NOA落地

03 云平台在自动驾驶数据闭环中的应用

3.1 云平台在数据闭环中的作用（1）

3.2 云平台在数据闭环中的作用（2）

3.3 云平台在数据闭环中的作用（3）

3.4 国内自动驾驶云端超算中心一览表

3.5 典型：AWS云平台数据闭环

3.6 典型：火山引擎数据闭环云服务平台

3.7 典型：阿里云数据闭环

04 自动驾驶数据闭环中的典型仿真企业

4.1 自动驾驶仿真标准化国际组织

4.2 ASAM标准的中国化

4.3 ASAM标准布局领域

4.4 国外车辆动力学标杆企业

4.5 国外交通场景仿真标杆企业

4.6 国外虚拟场景仿真标杆企业

4.7 国外传感器仿真标杆企业

4.8 国外硬件在环仿真标杆企业

4.9 中国自动驾驶仿真平台动态

4.10 代表企业：IAE智行众维®

4.10.1 公司简介

4.10.2 IAE智行众维® X-IN-LOOP® 仿真测试技术体系

4.10.3 IAE智行众维®愿景

4.11 代表企业：浙江天行健

4.11.1 公司简介

4.11.2 PanoSim自动驾驶仿真测试平台

4.11.2 PanoSim 产品组成及功能

4.11.2 PanoSim 产品及特点

4.11.3 PanoSim-xPilot 应用场景

4.12 代表企业：五一世界

4.12.1 公司简介

4.12.2 仿真平台 51Sim-One

4.12.3 仿真平台 51Sim-One：云仿真

4.13 代表企业：Cognata

4.13.1 Cognata公司简介

4.13.2 Cognata自动驾驶仿真概览

4.14 代表企业：VI-grade

4.14.1 VI-grade公司简介

4.14.2 VI-grade仿真器系列

4.14.3 VI-Grade AutoHawk平台

4.14.4 VI-grade模拟器第三方软件工具/接口

4.14.5 VI-grade客户情况

4.14.5.1 VI-grade客户案例

05 典型主机厂数据闭环布局

5.1 比亚迪

5.1.1 比亚迪 数据闭环体系建设

5.1.2 比亚迪 大数据积累

5.1.3 比亚迪 数据驱动的大模型研发路线

5.1.4 比亚迪 数据驱动的感知模型研发

5.1.5 比亚迪 多相机BEV目标感知模型

5.1.6 比亚迪 基于Transformer的多传感器多任务融合感知

5.1.7 比亚迪 基于大模型的真值系统

5.1.8 比亚迪 车载计算平台

5.1.9 比亚迪 决策规划大模型研发

5.2 上汽

5.2.1 上汽“157X”创新技术体系

5.2.2 上汽数据闭环方案

5.2.3 零束银河 智驾全栈解决方案

5.2.4 零束银河 智驾计算平台

5.2.5 零束银河 智驾计算平台—云管端数据闭环

5.2.6 飞凡/智己PP-CEM智驾系统

5.2.7 飞凡/智己自动驾驶数据闭环

5.2.8 飞凡/智己自动驾驶数据挖掘&处理

5.2.9 飞凡全融合高阶智驾系统

5.2.10 智己汽车D.L.P.人工智能模型

5.2.11 智己汽车NOA性能表现

5.3 长安汽车

5.3.1 长安汽车 新技术架构

5.3.2 长安汽车 新技术架构 –云平台

5.3.3 长安汽车 新技术架构 –数据闭环

5.4 吉利

5.4.1 吉利 星睿智算中心

5.4.2 吉利 智能驾驶云端数据工厂

5.4.3 吉利 智能驾驶闭环系统

5.4.4 吉利 ROBO Galaxy工具链解决流程方案

5.4.5 吉利 数据生产方式

5.4.6 吉利 自研算法底软抽象

5.4.7 吉利 智驾自研SOA化设计

5.4.8 吉利 全自研座舱操作系统

5.4.9 吉利 全球平台运营体系

5.5 小鹏

5.5.1 小鹏 扶摇智算中心

5.5.2 小鹏 XNet深度视觉神经网络

5.5.3 小鹏 全场景智能辅助驾驶XNGP

5.5.4 小鹏 XNGP的闭环数据迭代系统

5.5.5 小鹏 SEPA2.0 扶摇架构

5.6 理想

5.6.1 理想智算中心进展

5.6.2 理想AD MAX3.0算法训练

5.6.3 理想车型规划

5.7 特斯拉

5.7.1 特斯拉超级计算机平台Dojo进展

5.7.2 特斯拉自动驾驶数据闭环体系

5.7.3 特斯拉Data Engine数据中台

5.7.4 特斯拉的数据标注

5.7.5 特斯拉自动驾驶算法迭代历程

5.7.6 特斯拉智能驾驶AP/EAP/FSD

5.7.7 特斯拉4D毫米波雷达

06 典型自动驾驶供应商数据闭环布局

6.1 百度

6.1.1 百度 自动驾驶数据闭环解决方案

6.1.2 百度 道路数据采集服务

6.1.3 百度 自动驾驶数据合规处理服务

6.1.4 百度数据标注服务

6.1.5 百度 智驾数据管理中台

6.1.6 百度 仿真测试服务

6.1.7 百度 自动驾驶工具链

6.1.8 百度大模型“文心一言”

6.2 华为

6.2.1 华为“1+3+M+N”的解决方案

6.2.2 华为云ModelArts平台

6.2.3 华为“八爪鱼”平台

6.2.4 华为ADS 2.0算法

6.2.5 华为ADS 2.0进展

6.2.6 华为联合发布“云-边-端”全自动数据闭环体系

6.2.7 华为云赋能车企情况

6.3 福瑞泰克

6.3.1 福瑞泰克 ODIN数智底座

6.3.2 福瑞泰克 数据闭环系统

6.3.3 福瑞泰克 自动驾驶软件平台FAS

6.3.4 福瑞泰克 高阶自动驾驶解决方案发展路线

6.3.5 福瑞泰克 域控高阶方案

6.3.6 福瑞泰克全新升级的数据存储平台

6.4 MAXIEYE

6.4.1 MAXIEYE简介及发展历程

6.4.2 MAXIEYE 牧童MonoToGo方案

6.4.3 MAXIEYE数据闭环体系

6.4.4 MAXIPILOT®智能驾驶平台化解决方案

6.4.5 MAXIPILOT®1.0/2.0/3.0

6.4.6 MAXIEYE主要客户及合作伙伴

6.5 Nullmax

6.5.1 Nullmax简介及发展历程

6.5.2 Nullmax全栈自研的自动驾驶大脑Max

6.5.3 Nullmax的数据闭环

6.5.4 Nullmax BEV-AI架构

6.5.5 Nullmax BEV 3D目标检测算法

6.5.6 Nullmax行泊一体方案MaxDrive

6.5.7 Nullmax行泊一体低算力平台4.0方案

6.5.8 Nullmax行泊一体中高算力平台4.0方案

6.5.9 Nullmax合作伙伴

6.6 小马智行

6.6.1 小马智行 自动驾驶无人化进展

6.6.2 小马智行 乘用车智能驾驶业务

6.6.3 小马智行智能驾驶解决方案--小马识途

6.6.4 小马识途全新规控算法架构NLPP

6.6.5 小马智行自研域控器-方载

6.6.6 小马智行数据闭环工具链-苍穹

6.7 Momenta

6.7.1 Momenta 公司简介

6.7.2 Momenta 核心技术

6.7.3 Momenta 自动驾驶解决方案

6.7.4 Momenta 数据闭环自动化

6.7.5 Momenta的“无图”智能驾驶算法方案

6.7.6 Momenta Mpilot Pro中配量产智驾方案

6.7.7 Momenta 软硬一体布局

6.7.8 Momenta合作伙伴

07 典型数据闭环方案提供商

7.1 毫末智行

7.1.1 毫末进展情况

7.1.2 MANA OASIS

7.1.3 MANA OASIS升级

7.1.4 DriveGPT 雪湖·海若介绍

7.1.5 DriveGPT雪湖.海若 训练

7.1.6 毫末HPilot3.0&城市NOH

7.1.7 毫末生态伙伴

7.2 商汤绝影

7.2.1 商汤绝影 驾-舱-云 体系

7.2.2 商汤绝影 数据闭环能力

7.2.3 商汤绝影 感知决策一体化

7.2.4 商汤大模型研发能力

7.2.5 商汤日日新SenseNova大模型体系

7.2.6 商汤通用大模型“书生2.5”

7.2.7 商汤数据筛选引擎

7.2.8 商汤超大模型自动标注

7.2.9 商汤车端小模型生产流程

7.3 智协慧同

7.3.1 智协慧同 简介

7.3.2 智协慧同 数据底座

7.3.3 智协慧同 全栈数据驱动能力

7.3.4 智协慧同 车云数据驱动全景图

7.3.5 智协慧同 车云同构计算

7.3.6 智协慧同 智驾数采工具

7.3.7 智协慧同 智驾数据传输

7.3.8 智协慧同 影子模式方案

7.4 亮道智能

7.4.1 亮道智能 公司简介

7.4.2 亮道智能 发展历程

7.4.3 亮道智能 产品及服务（1）

7.4.4 亮道智能 产品及服务（2）

7.4.5 亮道智能 智慧城市解决方案

7.4.6 亮道智能 数据闭环

7.4.7 亮道数据工厂解决方案

7.4.8 亮道智能中欧数据采集服务

7.4.9 亮道智能 合作伙伴

7.5 觉非科技

7.5.1 觉非科技“感知-决策-数据”闭环能力

7.5.2 觉非科技 感知大模型算法架构

7.5.3 觉非科技 高精融合定位架构

7.5.4 觉非科技 城市NOA智驾解决方案

7.5.5 觉非科技 高速NOA地图定位量产解决方案

7.5.6 觉非科技 最新合作动态

7.6 辉羲智能

7.6.1 辉羲智能 简介

7.6.2 辉羲智能 数据闭环系统

7.7 地平线

7.7.1 地平线 征程2/3/5

7.7.2 地平线 征程®5亮点

7.7.3 地平线 征程®5上的BEV时空融合架构

7.7.4 地平线 BPU智能计算架构

7.7.5 地平线 智能计算开发工具

7.7.6 地平线 艾迪®开发云基础设施

7.7.7 地平线 生态合作

7.8 黑芝麻智能

7.8.1 黑芝麻智能数据闭环解决方案

7.8.2 黑芝麻智能的BEV框架

7.8.3 黑芝麻智能数据采集系统

7.8.4 黑芝麻智能 3D数据自动标注

7.8.5 黑芝麻智能 最新合作案例

7.9 昆易电子

7.9.1 昆易电子简介

7.9.2 昆易产品及解决方案

7.9.3 昆易电子 自动驾驶数据处理工作站

7.9.3 昆易电子 远程数据采集记录及分析方案

7.9.4 昆易电子 智驾数据回注系统

7.9.4 昆易电子 路采回注功能

7.9.5 昆易电子 硬件在环测试系统HIL

7.9.6 昆易电子 汽车总线记录仪VGATE 系列

7.9.7 昆易电子 车载以太网模块

7.9.8 昆易电子 控制器分析标定软件VCAR MCD

7.9.8 昆易电子 总线仿真分析软件VCAR DAS

7.9.9 昆易电子 客户分布