1、现实+仿真超大算力赋能自动驾驶自动驾驶技术具有良好的市场前景.乘用车市场自动驾驶水平不断提升.自动驾驶出租车业务发展势头良好.自动驾驶在矿区、港口、物流园区等场景中已基本实现.商用车自动驾驶技术正逐步落地自动驾驶带动汽车行业向智能化跃迁.自动驾驶系统的训练涉及超大量运算.前期利用仿真测试生产合成数据，缩短系统开发周期.车端解决方案是落实自动驾驶的关键节点AI技术推动自动驾驶行业发展.AI超算中心为自动驾驶系统的训练提供算力支持.数字孪生技术加强仿真测试NVIDIA赋能算力中心，加速自动驾驶产品落地.助力汽车行业主机厂.助力汽车行业一级供应商IDC建议.107132
2、227执行概要.目 录1传统汽车行业集人类工业文明发展之大成，以机械部件的可靠性、座舱内部的舒适性、驾驶过程的操控性、外观设计的美观性作为评价车型的主要标准。然而，随着智能化终端对人类生活的渗透，人们越发信任并习惯于科技发展所带来的便捷。汽车作为人类最主要的出行工具之一，也在渐进式地通过各种驾驶辅助功能将用车者从驾驶行为中解放出来，车机系统的智能性正越发成为人们评价一个车型的核心标准。自动驾驶是驾驶辅助功能的最终形态。早期的各种驾驶辅助功能控制逻辑较为直接，体现为控制车上单一维度的功能对数量有限的环境变量做出回应。进一步向自动驾驶的发展需要车机系统对车辆周围的环境信息做出整体统筹，并规划出安全
3、、舒适、高效的线路。这需要车辆即时对周围运动单元的潜在轨迹做出判断，但不同情形排列组合可能产生的条件数量远大于有限的程序所能承载的范围，因而需要人工智能的介入对车机进行长期的训练。自动驾驶系统具有高度的复杂性，训练的过程需要以海量场景数据的积累为前提。在训练的过程中，机器需要在有限的时间内对大量的图像信息完成处理，因而需要以巨大的算力作为支撑，造成了训练自动驾驶系统的高成本。与此同时，自动驾驶系统在真实世界中可能遭遇的场景难以穷尽，因而需要系统对驾驶行为进行持续不断的学习，拉长了自动驾驶系统训练的周期。大型车企或一级供应商往往选择建立自有算力资源。但是，人工智能计算中心的搭建具有较高的技术门槛
4、，运营与维护过程也需要较高水平的经验积累，因而需要与技术成熟的解决方案供应商开展合作。首先，数据中心解决方案供应商软硬件技术的先进性决定了人工智能计算中心所能提供的算力水平，其解决方案的成熟度又决定了前期搭建所需的时间周期，以及算力供给过程中的稳定性。这些因素共同决定了自动驾驶解决方案的开发周期，因而直接影响了相应的车企是否能够在智能驾驶领域取得市场先机。在自动驾驶领域具有长期规划的车企或技术供应商需要掌握稳定的算力资源。就这一方面而言，硬件的选型与网络的规模将对数据中心的算力产生直接的影响，涉及IT领域的专业知识，企业需要具备相关的知识储备，以及驾驭跨行业合作关系的能力。此外，搭建及运营人工
5、智能计算中心的供应商需要提供一套集成的全栈式AI解决方案，以保证自动驾驶系统的开发项目能以最快的速度上线，并得到持续且稳定的算力支持。执行概要2自 动 驾 驶 技 术 具 有 良 好 的 市 场 前 景0 1AI技术自诞生至今取得了长足的发展，赋能各行各业的智能化进程。自动驾驶是AI技术在汽车行业落地的重要形式，自年月国家颁布智能汽车创新发展战略起，即被正式提升至国家级战略的高度。国内外的众多科技公司均争相布局这一领域，投入了巨大的研发成本，以期先于市场获得足够的技术积累。各大车企也在产品规划中以智能化为重要导向，向自动驾驶领域大力倾斜，从而在汽车市场白热化的竞争中争夺差异化竞争优势。.乘用车
6、市场自动驾驶水平不断提升现阶段乘用车市场中的自动驾驶技术以支持驾驶辅助功能为主，具有明确的运行设计域，仅能在严格限定的条件下实现自动驾驶，实现的功能包括全速自适应巡航、车道保持辅助、自动泊车等。对于许多车型而言，其全速自适应巡航（纵向）与车道保持辅助（横向）能够在一定条件下同时运行，符合汽车驾驶自动化分级中对L级自动驾驶的基本要求。IDC中国自动驾驶汽车市场数据追踪报告显示，L级自动驾驶在乘用车市场的新车渗透率在年第一季度达到了.%的水平，并将在可预见的未来持续上升。3传统车企以增强驾驶安全性为主要目的，在高端车型或高配版中低端车型上装配驾驶辅助功能，或提供选装。其中，主流量产合资品牌的L级自
7、动驾驶已下探至（人民币）万级别的车型，部分品牌已下探至万出头。传统豪华品牌以自动泊车为入手点布局驾驶辅助功能，几个头部品牌也在不断发布旗舰车型行车场景中驾驶辅助功能的技术积累，但现阶段仍以选装为主。传统自主品牌在电动化与网联化两大领域均走在市场前列，与互联网大厂、AI科技公司在自动驾驶领域开展了大量合作，以自动驾驶功能作为开拓高端市场的重要立足点。与此同时，部分造车新势力能够提供诸如“导航驾驶辅助”之类实现起来更加复杂的驾驶辅助功能。并在上市车型中安装支持更高级别自动驾驶的配套硬件，以便在政策放开后，可随时通过OTA在线实现自动驾驶功能的升级。从L级开始，自动驾驶即要求汽车在一定条件下持续执行
8、全部的自动驾驶任务。一方面要求车辆在接收环境信息后，统筹各传感器收集到的信号，配合高精地图对周围环境做出整体判断。另一方面，需要对驾驶辅助相关的所有功能实现统一调配，由自动驾驶域的主控芯片统一向车辆的线%16.0%21.5%23.2%Q Q Q Q2 Q1未达到L级自动驾驶的乘用车L及以上级别级自动驾驶乘用车1 L2:IDC,20224但在汽车行业过往上百年的发展历程中，不同的电控功能从研发到量产大多单独立项。每个功能都配备了独立的ECU，同时汽车也拥有足够的体积，允许每个功能独立布线。因而形成了与集中式相对应的
9、分布式电子电器架构，不同功能运行时相互之间完全独立。对于驾驶辅助域而言，自适应巡航、车道保持辅助等功能所对应的传感器在接收信号后，直接对车身控制系统中相应的部件发出条件反射式的指令。这足以支撑L级自动驾驶中不同功能的拼凑，但更高级别的自动驾驶需要以自动驾驶域的集中控制作为底层架构基础。就这一方面而言，市场上的一部分新兴品牌或新的车型不存在传统车型的历史包袱，允许厂家在设计之初即采用域控式电子电气架构，抑或更进一步在整车层面采用集中式架构。与此同时，汽车行业的智能化对车辆提出了规模空前的算力需求，迫使整车厂不得不对原先分散在各个ECU的算力资源进行优化整合。此外，电控设备的急剧增加也造成了分布式
10、架构难以承受的布线成本。这些因素均在推动传统车辆电子电器架构向域集中式发展。.%自动驾驶域实现集中控制.%自动驾驶域未实现集中控制IDC中国自动驾驶汽车市场数据追踪报告年第一季度数据显示，现如今市场上的L 级 自 动 驾 驶 乘 用 车 中，有.%通过主控芯片对驾驶辅助域实现集中控制，或者在整车实现集中度更高的控制。2 L2:IDC,20225虽然目前市场上的多数车型尚未对自动驾驶域实现集中控制，但随着造车新势力市场占有率不断提升，以及传统车企电子电器架构向域集中控制的发展，驾驶辅助域实现集中控制的车型将快速渗透市场，为环境信息的集中处理与自动驾驶域功能的统一调配提供良好的底层架构。.自动驾驶
11、出租车业务发展势头良好自动驾驶出租车行业目前尚处于商业试运行阶段，仅在北上广深成等部分城市的测试路段运营。该类应用场景需要应对自然道路环境中大量复杂的长尾场景，对自动驾驶技术的成熟度要求更高。目前的解决方案中，VX（VehicletoEverything，车用无线通信技术）是一个重要的辅助。在环境感知方面，PG电子平台上有哪些类型和风格的游戏可供选择？除了利用车辆自身的智能，还可以借助外部环境实现信息的获取，这一类技术统称为VX技术。而现阶段VX路端设备的铺设成本较高，限制了自动驾驶出租车的规模化发展。但自动驾驶出租车商业化试运营的推进势头非常迅猛。已在部分试点地区获得了出租车经营许可，实现了对小部分普通出租车运力的替代。同时又有部分试点
12、已经开始取消安全员，更加接近于自动驾驶出租车未来理想的运行状态。年年底国务院颁布的“十四五”现代综合交通运输体系发展规划再一次强调未来将稳妥发展自动驾驶和车路协同等出行服务。.自动驾驶在矿区、港口、物流园区等场景中已基本实现工业场景也是自动驾驶技术的重要应用途径。其中，矿区、港口、机场、物流园区属于封闭场景，规避了开放道路中大量的长尾情境，因而降低了对系统鲁棒性的要求。干线物流所在的高速干线同样具有较强的封闭性，减小了任务运行中的不确定性。终端物流配送的车速区间较低，停车较为方便，一定程度减小了自动驾驶系统运行的压力。低速 的场 景封 闭 的 场 景矿区港口机场干 线物 流物 流园 区终 端配
13、 送3:IDC,20226这类驾驶任务的线路较为固定，被运送的货物也较为常规，因而自动驾驶系统运行的可预测性较强。此外，工况在闹市区公共交通场景之外，大大减小了行人、电瓶车等因素为自动驾驶任务带来的不确定性。现阶段的自动驾驶技术已经基本可以满足这些场景中的驾驶需求，商业化落地的模式也已经较为成熟。这些场景中的运输工作重复性强，较为枯燥，并且大部分远离城市，条件艰苦，尤其是矿区还具有一定的危险性，在可预见的未来将面临司机人力成本上涨的困境。同时，这些行业的业务量又随经济的发展逐年上升。因而对自动驾驶解决方案的需求将逐年增长。.商用车自动驾驶技术正逐步落地商用车自动驾驶的落地主要应对高速场景，在车
14、辆上高速前与下高速后车辆依然由人类驾驶员操控，驾驶辅助功能主要覆盖耗时耗力最多的高速环境，属于半封闭工况。目前头部自动卡车公司已经将自动驾驶水平推到了非常高的级别，整体市场也在政策的推动下稳步发展。短 期 来 看，自 动 驾 驶 技术 在 商 用 车 的 落 地 将 增加 司 机 长 途 驾 驶 的 安 全性，减 少 事 故 造 成 的 人员 及 经 济 损 失。长 期 而言，长 途 司 机 日 渐 短缺，但 运 货 需 求 日 益 增长，此 消 彼 长 中，自 动驾 驶 技 术 将 在 一 定 程 度上 缓 解 长 途 运 输 对 人 力资源的依赖。辅 助 驾 驶驾 驶员驾 驶员始发 地目
15、的地4:IDC,20227自动驾驶是汽车行业智能化的核心构成，行业内在这一领域形成了大量的合作，同时还有更多的合作正呼之欲出。通过调研，IDC发现智能汽车的兴起为汽车行业整车厂及其传统一级供应商带来压力，这些公司普遍苦于寻找合适的解决方案以及合理的规划投入。自 动 驾 驶 带 动 汽 车 行 业 向 智 能 化 跃 迁0 2/ICT40%40%40%35%30%30%30%2 5%2 5%2 0%1 5%1 5%5:IDC,20228与此同时，自动驾驶业务在研发阶段需要巨大的资金投入，并且项目周期较长，为科技公司（尤其是新兴科技公司）资金链的维持带来了巨大挑战。因而这些公司具有强烈的意愿为汽车
16、行业巨头提供技术支持，仅苦于涉足汽车领域时间较短，缺少成熟的沟通渠道与口径。因此，随着时间的推移，双方将在市场的压力下突破沟通的壁垒，而在该领域落后的品牌将面临市场的淘汰。自动驾驶系统的前期开发依赖大量道路环境数据的输入，形成贯穿感知、决策、规划、控制多环节的算法。而后依然需要持续不断地输入数据，继续对算法的训练与验证，从而实现迭代。.自动驾驶系统的训练涉及超大量运算利用人工智能手段训练自动驾驶系统，首先需要车辆像人类驾驶员一样快速准确地识别车道、行人、障碍物等驾驶环境中的关键信息。通过在海量数据基础上不断的重复训练与验证，车辆对道路环境的认知水平逐渐趋近于真实情景，判断的准确性在这一过程中不
17、断提升。自动驾驶需要机器对环境的判断具备相当高的准确度，所以前期需要输入大量的场景数据。此外，自动驾驶系统还需要像人类驾驶员一样对环境信息做出回应。这需要机器对同一道路环境中其它交通参与者的运动轨迹做出预判，从而规划合理的行进路线，并及时调整车辆的行进状态。这需要大量的训练对系统的预测轨迹进行矫正。ICTICTICT53%53%4 3%4 3%4 0%30%2 5%2 3%2 0%6:IDC,20229完全程度的自动驾驶依然是未来的愿景，在到达这一愿景之前，自动驾驶被人为分成了不同的阶段。按照汽车驾驶自动化分级对L级自动驾驶的规范，这一阶段的自动驾驶任务尚较为具体，而：同时，人工智能对人类驾驶
18、员行为的学习是一个持续不断的过程，量产车在上市后依然会回流海量的数据，用于自动驾驶算法模型的优化。因而训练的规模会随市场中车型存量的上升而不断扩大。.前期利用仿真测试生产合成数据，缩短系统开发周期在实车端采集数据需要真实的车辆搭载全套传感器设备在真实场地中持续行驶，通常会产生高昂的测试成本。与此同时：每进一步，场景的长尾性均大幅增加，数据量亦呈指数级增长。从L级开始，特定“驾驶辅助功能”需要拓展为一定条件下的全部“自动驾驶任务”实车测试需要等待传感器套件在样车上完成整个装配、调试后方可开展，数据需要在车辆实际行驶这一漫长的过程中缓缓产生，因而仅仅依靠实车测试会造成研发周期过长，难以满足“软件定
19、义汽车”时代对产品迭代速率的需求实际道路交通中复杂的驾驶环境要求自动驾驶系统具备足够的鲁棒性，这要求系统在训练时就经历足够丰富的长尾场景，而“长尾”本身的含义即指种类繁多且出现频率较低，完全依靠实车测试难以对这类场景实现全面的覆盖部 分 驾 驶 情 境 具 有 一 定 的 危 险性，与实车测试所要求的可控性存在天然的矛盾，通过真实车辆实践该类情境成本过高，而且容易造成没有必要的财产损失L级进一步覆盖了一部分需要人类驾驶员接管的场景L级则更进一步，将自动驾驶的边界推广到全部驾驶场景能够识别二维平面上的色彩、图 像 信 息，如 交 通灯、道路标线、路牌等，但容易受环境中能见度的影响，且对距离的判断
20、误差较大对 距 离 与 速 度 的 判 断 较为 精 准，且 不 受 雨、雪、雾 等 极 端 天 气 影响，但 对 目 标 物 体 高 度的 判 断 存 在 欠 缺，同 时无 法 识 别 颜 色、文 字、图像感 知 距 离 较 近，多 用 于泊车场景对三维空间的描述最为准确，但容易受雨雪等极端天气影响，且造价昂贵，同时与其它种类雷 达 一 样 无 法 识 别 图像、色彩、文字信息10因此，自动驾驶系统开发的前期往往利用虚拟仿真技术开展仿真测试，将真实世界中的物理场景通过数学建模进行数字化还原，在软件程序所建构的虚拟环境中测试自动驾驶系统。仿真测试中通过运行虚拟程序产生数据，不仅测试速度远高于物
21、理世界中行驶的车辆，还允许开发团队在组装成本高昂的样车之前即开始测试并验证系统算法。通过“软件在环”、“硬件在环”、“整车在环”等一系列逐步推进的测试，使自动驾驶系统在装配样车之前即可以得到一定程度的收敛，从而最大限度提升实车测试的效率。除此之外，现实世界中收集的场景数据需要在人工打标后方能投入运算并用于训练深度神经网络。而人工打标不仅时间长、进度慢，还存在一定的失误率，这都会对自动驾驶系统的训练效率造成影响。利用仿真环境合成数据可以最大程度节约打标过程所产生的时间与人力成本，从而进一步缩短项目周期。.车端解决方案是落实自动驾驶的关键节点车辆控制与乘客的安全息息相关，因而车辆自动驾驶系统从感知
22、层开始即需要具备足够的安全冗余。目前应用于自动驾驶领域的传感器包括摄像头、毫米波雷达、超声波雷达、激光雷达，不同种类的传感器分别具有不同的优势与劣势：摄像 头毫 米波 雷 达超 声 波雷 达激 光 雷达11自动驾驶系统需要在全工况下，全面感知各方向远程、中程、近程的环境信息（尽管精度要求有所不同），以保证车辆的信息输入覆盖到能够影响驾驶的所有要素。此外，一套完整的传感器套件还需要集成GPS与IMU等定位设备，并配合高精地图在感知与定位两方面实现足够的安全冗余。目前市场上能够实现较高级别自动驾驶的存量车型中，传感器解决方案以摄像头加毫米波雷达为主，通过多个摄像头实现对度环境信息的捕捉，并与雷达接
23、收到的点云信息在特征层与决策层实现融合。摄像头与人眼的感知模式最为接近，可以通过图像分析得到最为丰富的环境信息，且工业成本低于雷达类传感器，但相应感知算法的复杂程度极高，同时卷积神经网络所需的计算量对主控芯片算力提出了较高的要求。此外，算法加成下的多目摄像头对距离方面误差的弥补目前仍然较为有限，因而需要辅以雷达类传感器作为补充。激光雷达是最为理想的选择，但由于成本方面的原因尚未占领主要市场。毫米波雷达已经具备成熟度非常高的解决方案，以不同的波长应对横向与纵向的感知需求，从L级自动驾驶时代起（ACC自适应巡航等功能）即开始得到市场的验证。但随着技术的发展，激光雷达的成本正逐渐下降，多家汽车品牌均
24、开始在新车型上装配激光雷达，通过对车辆四周环境持续的扫描建立三维点图完成感知任务。同时，D毫米波雷达技术的发展也将进一步弥补雷达传感器现有的不足之处。感知层获取环境信息后，决策层将负责对信息进一步的处理，从而向管理车身动态的执行层发出指令。传统汽车时代驾驶辅助功能的控制逻辑较为直接，但从L级自动驾驶开始，车辆即需要在更高的层级对路线进行统筹规划，这使得主控芯片的运算量急剧增加。而开放道路交通环境复杂多变，车辆的高速行进要求自动驾驶系统实时对环境中发生的变化作出回应，在算力方面对主控芯片形成了巨大的压力。驾驶行为又与乘客的安全息息相关，因而要求承担算力的芯片能够持续稳定地输出。12此外，软件时代
25、系统的迭代周期小于车辆产品的生命周期。新兴车企往往通过OTA线上升级完成功能的更新，传统车企也致力于提供类似的服务。这要求车辆自动驾驶 域 的 主 控 计 算 平 台 具 备 足 够 的 算 力 冗余，以应对产品寿命内可能更新的功能。目前市场上的量销车型自动驾驶域计算平台的算力水平参差不齐，一方面的原因也是因为不同车企对未来功能升级的规划有所不同。“软件定义汽车”时代的到来意味着车辆的评价将愈发取决于软件的体验。软件需要追随消费者痛点的转移实时更新，优秀的软件平台允许开发者高效构筑和部署各种先进的应用程序。因而自动驾驶系统需要足够灵活的软件堆栈，并实现与硬件之间高度解耦，以保证软件开发的灵活性
26、，从而支持系统的快速迭代。13自动驾驶算法的训练需要在有限的时间内完成大量的运算，因而对算力形成极高的要求。高强度的算力不仅需要被用于模型的运行、更新、迭代，还需要支撑仿真测试中场景的搭建与渲染。开发自动驾驶算法需要针对这一算力需求进行持续性的投资。如果使用公有云，会造成边际成本不断上涨。相比之下，自建数据中心长期来看能够节省大量的成本。其次，从数据安全的角度出发，自有数据中心天然具有良好的封闭性，最大程度降低 了 数 据 资 产 外 溢 的 风 险。因此，算法能力比较强的公司倾向于 自 建 数 据 中 心。通 过 调研，IDC发现自动驾驶行业的开发团队对这一领域的投资将在未来稳定增长。A I
27、 技 术 推 动 自 动 驾 驶 行 业 发 展0 33%6%1 9%9%4 1%2 2%增长%以上增长%-%增长%-%增长%-%增长%-%增长%以下持平降低7:IDC,202214在“软件定义汽车”的时代，智能体验是消费者评价汽车的重要指标，而自动驾驶/驾驶辅助功能是构成车辆智能体验的重要组成部分。自动驾驶系统开发与上市的速度将直接影响车企是否能够在此领域取得市场先机。而算力资源是直接影响开发速度的硬性因素，算力集群底层架构的优化能够以月为单位缩短系统的开发周期，直接决定了品牌是否能够在新兴领域占领高地。.AI超算中心为自动驾驶系统的训练提供算力支持数据中心承载着训练自动驾驶系统所需的巨大算
28、力，为支撑人工智能计算提 供 了 重 要 的 硬 件 基 础 设 施，其 底 层 硬 件 技 术 路 径 包 括GPU、ASIC、FPGA、NPU。GPU最初的目的是在图形处理领域解放CPU算力，该领域中的数据处理规模庞大，但模式统一，且其中重复性较高的运算部分内部之间相互不存在依赖性。针对这一特点，GPU在结构上配置了大量算术逻辑单元，允许高强度的并行计算。不过，GPU依然属于通用芯片，遵循冯诺依曼架构，只是控制单元所需处理的逻辑相对简单。随着人工智能日渐走向历史的前台，GPU在通用计算领域的潜力得到了业界的关注。自动驾驶算法的发展需要借助深度神经网络在高速的状态下分析海量的数据，而这恰恰可
29、以利用GPU在处理琐碎信息时的优势。ASIC属于专用芯片。由于其针对专门的用途而设计，所以晶体管的利用率非常高，且芯片体积小、功耗低、稳定性好。这类芯片重复生产的成本较低，适合大规模生产。但在量产之前需要完全确保设计正确无误，因而研发周期较长。且成片之后，功能方面的任何修改都需要重新投片，灵活性较差且应用范围较窄，应对数据中心灵活多变的计算任务较为吃力。FPGA属于半定制芯片，可通过编程重组电路，在研发与使用两个阶段均可以弥补定制电路灵活性方面的不足。但其通用性的优势来自结构上的冗余，因而在体积、功耗方面均弱于ASIC。FPGA以硬件实现软件算法，与GPU相比，每个逻辑单元的功能在烧写时得以确
30、定，规避了内存访问仲裁15以及执行单元间通信所需的运算与缓存消耗，因而在能效方面具有一定的优势，理论上低延迟效果更好。但在实现复杂算法方面存在局限。NPU是专门针对AI和深度学习所设计的芯片。工作原理是在电路层模拟人类神经元和突触，通过存储和计算的一体化提高运行效率。7 1%50%4 7%4 1%4 0%38%36%36%2 6%2 2%1 9%1 4%20.7%8.6%9.3%61.4%ASICFPGANPUGPU通过调研，IDC发现汽车行业训练自动驾驶算法的硬件基础设施以GPU为主，且开发团队就人工智能计算中心的搭建选择供应商时，最看重长期供货的稳定性，以及对行业内市场的覆盖。因而GPU在
31、可预见的未来将依然是开发者的首选。8 9:IDC,2022:IDC,202216GPU的技术正在取得日新月异的发展：GPU制程工艺的发展使芯片单位面积内的计算量大大提升混合精度计算的应用根据精度需求动态调整算力，在维持高准确性的前提下提高GPU的吞吐量，同时也在不断扩大可处理的浮点精度范围运算模块间逻辑关系的优化不断提升着GPU在单位时间内的运算量，极大优化了高性能运算与人工智能任务执行的效率运算核心支持实时光线追踪渲染，缩小了虚拟世界与现实世界的差距，从而加强了自动驾驶仿真测试中场景信息的真实性GPU集群规模受互联带宽的限制，使GPU的利用率随集群规模扩大而降低，GPU 间互联技术与Infi
32、niBand高速网络的发展提升了GPU集群的可拓展性，使算力得以随硬件规模的扩大线性提升GPU直接存储技术突破了CPU端I/O对数据传输速率的限制，避免了端到端数据传输过程中回弹缓存产生的延迟InfiniBand对同步训练过程中数据整合过程的优化允许所有端口实现全线速数据传输，最大程度缓解了交换机对计算性能的限制芯片内部的可分割性提升了GPU算力的颗粒度，使系统适配算力时更加灵活，提升了GPU集群的整体效率17此外，GPU的发展伴生出大量的配套软件与服务，包括现成的开发工具与平台，大大减少了开发者部署硬件设施时所需消耗在测试与优化上的时间成本，使汽车行业的终端用户得以更加快捷地部署算力。然而，
33、人工智能计算中心的搭建与运营过程复杂，技术门槛较高。需要同时兼顾GPU集群、存储、高速网络、软件调度、机房管理等不同的部分。其中每个部分均涉及大量的组件，不仅增加了设计的复杂性，还因为每个组件都有独立的交货周期，而使部署的时间出现极大的不确定性，这对于缺乏搭建经验的团队挑战巨大。同时，计算中心的运营也需要具备经验的团队指导，方能维持最大的运转效率。2 2.2%2 7.8%2 2.2%1 6.7%1 1.1%1 6.7%1 2.5%1 2.5%6.3%6.3%0.0%0.0%4.2%6.3%2 5.0%31.3%2 9.2%50.0%通过调研，IDC发现搭建人工智能计算中心时，行业内最常见的问题
34、是初始投资过高，这一问题对于自动驾驶行业独角兽尤为棘手。另一个行业内普遍存在的问题是难以找到合适的解决方案提供商。此外，PG电子平台上有哪些类型和风格的游戏可供选择？项目时间周期过长是车企和传统一级供应商经常面临的问题。10:IDC,2022/AI180%39%39%6%0%4%0%17%44%17%4%13%54%31%0%21%0%13%投资方面，主机厂及一级供应商对搭建人工智能计算中心的预算普遍超过（人民币）亿元。与此同时，超过（人民币）亿元的占五分之一多。科技公司的投入亦普遍以千万计，其中不乏过亿的情形。人工智能计算中心的投入对于行业内各方开发团队均形成了较大的资金压力。不同公司在搭建人工智能计算中心时所花费的时间是不同的。大部分
36、行业内最常见的问题转变为软件的成熟度与可靠性，这意味着开发者需要具备行业经验的团队提供技术支持，以保证最大程度维持人工智能计算中心的稳定运行。资金与时间方面的投入在这一阶段也还依然是开发者所需面临的主要问题。此外，还有部分团队亟需解决开发工具不够高效以及底层软硬件兼容性不足的问题。数据中心的建设与运营成本巨大，资金问题贯穿自动驾驶解决方案开发过程始终，是影响开发者项目决策的重要因素。其次，自动驾驶对于汽车行业而言依然属于新兴领域，抢先一步占领市场能够为品牌带来巨大的优势。而行业内搭建数据中心所花费的时间水平参差不齐，潜在可供优化的空间较大。此外，自动驾驶解决方案的开发与数据中心的运营管理属于两
37、个不同的领域，因而对于维持算力的稳定性而言，具备开发经验的数据中心服务提供者能够发挥巨大的作用。2 4%2 0%2 0%1 6%1 3%5%2%13:IDC,202220.数字孪生技术加强仿真测试自动驾驶领域的仿真测试与工业及制造业有所不同。在汽车行业，除自动驾驶领域以外，在车身、底盘等部件的设计过程中也会应用仿真测试，但这些测试中仿真的重点与自动驾驶领域有所不同。针对车身、底盘等部件的仿真测试目的在于测试各种受力状态对这些部件的影响，仿真的重点是零部件本身的形状、刚性、形变，以及车身整体的噪音、震动、空气流动。而自动驾驶领域的仿真测试目的在于训练并测试验证车辆针对不同的驾驶环境做出正确的反应
38、，重点在于模拟真实的驾驶环境。这类自动驾驶仿真测试的主要关注点是车辆在二维路面上对环境信息的响应、加速、减速和转弯。除此之外，汽车行业还存在很大一部分测试，目的在于验证软件本身是否能够完整且正常地运转，关注点在于软件或系统内部的排虫，同样与专门针对自动驾驶的仿真测试有所区分。在自动驾驶领域，仿真测试的一个重要目的是模拟现实世界中较为罕见的长尾场景，如周围车辆上的物品遗洒、不同物体间的相互遮挡与重叠等。而“长尾”这一特性本身又导致单纯通过实验室难以穷尽所有的情形。因而需要场景库基于数据中心大规模重建或回放现实场景，并应用域随机化生成多样且合理的高风险情形，用于自动驾驶算法的验证与迭代。这一过程需
39、要数据中心提供充足的算力支持。与此同时，虚拟环境与现实世界相比存在大量的精简，比如物体的摆放位置有可能存在一定偏差。这种情形即需要以平台内部资产的泛化缩小仿真与真实数采之间的差距，以修正虚拟环境中的结果和反馈，从而保证对虚拟世界的构建与现实世界实时互通。这一过程可以称作仿真场景对现实的回归，同样需要巨大的算力提供支持。21利用数字孪生技术赋能自动驾驶仿真测试，可以加强仿真测试中虚拟环境的真实性。在仿真层对现实层的映射中，通过渲染技术使像素集更加贴近物理真实，借助算力生成对诸如地形、环境、天气，甚至光线的模拟，确保像素集与现实间的一致性。其次，基于物理仿真引擎，确保虚拟世界中的物理现象符合现实世
40、界场景中的物理定律，保证虚拟世界中物体的物理属性准确。此外，自动驾驶对安全冗余的需求使车辆必须配备复杂的传感器套件。与之相对应，仿真测试中的模拟环境需要实现多模态融合，以支持传感器模组的复杂性。“硬件在环”测试需要针对不同的传感器生成多层次的训练数据，且每个层次中的参数都需要足够线%通过调研，IDC发现自动驾驶解决方案的开发者在仿真测试的各个要素中，更加注重模拟的环境是否能够即时且真实地反应物理世界的驾驶环境。14:IDC,2022.助力汽车行业主机厂NVIDIA提供适用于自动驾驶汽车的基础架构，包括开发自动驾驶技术所需的数据中心全套硬件、软件和工作流
41、参考架构，涵盖从原始数据采集到验证的每个环节，为神经网络开发、训练和验证以及仿真测试提供了所需的端到端基础模块。N V I D I A 赋 能 算 力 中 心加 速 自 动 驾 驶 产 品 落 地0 4蔚来是一家全球化的智能电动汽车公司，成立于年月。该公司致力于通过提供高性能的智能电动汽车与极致的用户体验，为用户创造愉悦的生活方式。蔚来在智能电动汽车领域始终保持领先的智能驾驶研发水平，建立了全栈自动驾驶技术能力，计划逐步实现高速、城区、停车、加电等场景下轻松安全的点到点自动驾驶体验，并自主研发了一整套自动驾驶基础架构体系，用于支持复杂的深度学习模型迭代以及全流程快速迭代。项 目 背 景22蔚来
42、研发自动驾驶汽车所用的数据采集车辆每年会产生百PB级别的数据，以及几十亿张图像。其量产车也需要回流海量的道路数据，用于优化算法模型。这意味着蔚来的数据中心需要具备能力回流、筛选、标注海量用于AI模型训练的数据。这一过程离不开稳健的技术基础架构，包括覆盖全场景链路的人工智能平台和大规模机器学习系统。技 术 挑 战方 案 亮 点蔚来正在使用 NVIDIA HGX构建综合全面的数据中心基础设施，并在此基础上开发 AI驱动的软件定义汽车，包括ET、ET。蔚来的可扩展 AI 基础设施由 NVIDIA HGX 驱动，共配备 个 NVIDIA 数据中心GPU和 NVIDIA ConnectX-InfiniB
43、and 网卡。这个可扩展的超级计算机集群中包含一组NVME SSD 服务器，并通过高速 NVIDIA Quantum InfiniBand 网络平台相互连接。借助NVIDIA 数据中心GPU，蔚来以纵向扩展和横向扩展方式自由搭建并应用AI平台：对NVIDIA Multi-Instance GPU的合理使用使得算法工程师在开发过程中的工作效率和集群资源利用率得到了巨大提升让蔚来的模型开发效率提高了倍，帮助蔚来更快的落地自动驾驶产品，向更新更快的架构发展蔚来在NVIDIA NVLink和NVIDIA Mellanox InfiniBand的基础上构建了支持多卡和多机训练的深度学习训练框架，使用NV
44、IDIAMellanoxInfiniBand和基于NVIDIAMellanox InfiniBand的RDMA技术，构建了分布式的高性能文件读取加速套件：超级计算机集群包括超级计算机和搭配NVIDIA Mellanox InfiniBand ConnectX-的高性能NVME SSD服务器，通过NVIDIA Mellanox InfiniBand高速网络相连，规模不断扩大这个基础设施具有 Gbps 的超高传输速率，可将大量深度学习训练数据传输到超级计算机内存或NVIDIA数据中心GPU显存中，进一步稳固了自动驾驶平台的基础服务架构23行 业 价 值24蔚来AI平台负责人白宇利表示：“量产车面临
45、的复杂场景是蔚来自动驾驶能力的试金石，同时，量产车产生的海量数据也是未来自动驾驶能力的护城河。NVIDIA的高性能计算解决方案成为了蔚来在自动驾驶这条道路上的加速器。”NIVDIAHGX是适用于庞大数据集、复杂模型等AI场景的加速服务器平台。HGX整合NVIDIA数据中心GPU、NVIDIANVLink、NVIDIAMellanoxInfiniBand网络及在NGC（NVIDIAGPU Cloud）中经全面优化的NVIDIA AI软件堆栈。同时，它树立了新的计算密度标杆，将 PETAFLOPS的AI性能浓缩，并用一个平台取代了各种AI工作负载的传统孤岛式基础架构。NVIDIA DGX POD参
46、考架构结合NVIDIA加速计算架构、Mellanox网络架构和系统管理软件，实现了提供使超级计算能力大众化的解决方案，使超级计算能力变得易于访问、安装、管理，从而满足自动驾驶复杂架构的需求。25.助力汽车行业一级供应商大陆集团致力于为汽车行业提供最尖端的技术与最可靠的服务，其驾驶辅助平台利用AI技术训练车辆自主决策，从而为司机提供协助，并在未来最终实现自动驾驶。随着系统的复杂程度不断提升，传统的软件开发与机器学习模式开始体现出自身的局限性，大陆集团以深度学习与仿真测试作为开发人工智能解决方案的基础。大陆集团用于训练神经网络的的数据主要来自测试车队。目前，车队中的车辆每天行驶的总测试里程为,公里
47、，收集约TB的数据，相当于,小时长的电影。被记录的数据还需要通过回放用于模拟实车训练。通过深度学习，人工智能神经网络使机器得以模仿人类从经验中总结方法。但机器又与人类有所不同，即使对于简单的经验也需要花数千小时学习数以百万计的图像，方能开始协助司机或自主完成任务。大陆集团与NVIDIA基于NVIDIA DGX AI系统建立高算力集群，其超级计算机包含超过套NVIDIA DGX系统，以NVIDIA Mellanox InfiniBand网络连接，用于加速开发自动驾驶解决方案。同时提供接口与云端资源连接。主要应用场景包括深度学习和仿真测试。新的算力集群将开发周期从几周缩短至几个小时，使自动驾驶得以
48、在中短期商业计划中落实机器学习时间的缩短加快了新科技进入市场的速度项 目 背 景技 术 挑 战方 案 亮 点“超级计算机是对未来的投资，”大陆公司驾驶辅助系统团队的总项目负责人ChristianSchumacher说，“最先进的系统可以缩短训练神经网络的时间，与过往相比能够在相同的单位时间内增加至少倍的测试量。”行 业 价 值26NVIDIA DGX系统能够为大陆公司AI超算团队这样的行业变革引领者提供高性价比、即买即用、方便部署的解决方案，大陆公司将以InfiniBand作为连接的NVIDIA DGX POD用于自动驾驶车辆的训练，打造未来最智能的车辆，以及用于设计这些车辆的IT基础架构。可
49、拓展性是推动NVIDIA DGX POD占领市场的另一个亮点。随着人工智能的发展，机器学习的速度日益提升，每一次创新都有可能带来算力需求的指数型增长。超算基础设施的可拓展性是满足这一需求的重要前提。自动驾驶技术正逐渐改变着人们的出行生活。随着高级别驾驶辅助功能对乘用车市场的渗透，以及自动驾驶出租车商业化试运营的开展，消费者对自动驾驶技术的接受度日渐提升。越来越多的消费者开始尝试车辆搭载的各类驾驶辅助功能。自动驾驶正在汽车市场形成一股新的潮流，影响着购车者对车辆的评价。然而，自动驾驶项目研发周期长、成本高，且开发过程存在一定的风险。在利用人工智能开发自动驾驶技术的过程中，对实车数据的分析、模型训
50、练、以及仿真测试的开展需要持续消耗极大的算力。而算力资源的搭建与运营本身即需要极高的专业性。通过与专业的软硬件供应商开展合作，可以有效利用其在算力运营方面的专业和技术优势，缩短研发时间，降低成本和风险。I D C 建 议0 52728为了使算力资源更加有效地支持自动驾驶系统的开发工作，IDC建议：数据中心芯片的选型与网络的搭建涉及IT领域专业知识，企业需要具备相关知识储备，以及驾驭跨行业合作关系的能力，并确保开发和交付工作中相应的安全、隐私和组织管理措施能够到位，在共享时需要设置必要的预防和保护措施数据中心解决方案供应商应当推出一套集成的全栈式AI解决方案，方便开发者快速开发和部署自动驾驶应用
51、程序；充分利用自身在算力领域的技术优势，缩短开发者开展项目时的前期准备时间，从而加速其自动驾驶产品在市场实现落地的进程数据中心机房的专业性与稳定性将直接影响开发活动的进度，进而影响市场上自动驾驶系统功能更新的日程：需要以专门针对人工智能任务设计的硬件作为底层架构，而非使用重新设计的商用服务器；同时在算力维持方面，需要需要针对各种突发事件具备成熟的应对机制，避免被动地四处救火数据中心解决方案供应商应当致力于开放式平台的构建，携手车企、传统一级供应商、自动驾驶科技公司，共同推进自动驾驶技术重塑汽车市场的进程；在软件定义汽车的时代，实现覆盖车辆整个产品生命周期的持续更新，从而对汽车行业的智能化实现全
52、方位赋能构建开发者社区，打造自动驾驶行业生态；自动驾驶产业的发展是一个长期积累沉淀的过程，这一过程需要具备汽车领域和ICT领域知识的复合型人才；行业内的共有平台能够促进不同专业领域人才间的合作，从而推动自动驾驶行业发展关于IDC国际数据公司（IDC）是在信息技术、电信行业和消费科技领域，全球领先的专业的市场调查、咨询服务及会展活动提供商。IDC帮助IT专业人士、业务主管和投资机构制定以事实为基础的技术采购决策和业务发展战略。IDC在全球拥有超过名分析师，他们针对多个国家的技术和行业发展机遇和趋势，提供全球化、区域性和本地化的专业意见。在IDC超过年的发展历史中，众多企业客户借助IDC的战略分析实现了其关键业务目标。IDC是IDG旗下子公司，IDG 是全球领先的媒体出版，会展服务及研究咨询公司。IDC ChinaIDC中国（北京）：中国北京市东城区北三环东路号环球贸易中心E座室邮编：tter：IDC idc-版权声明凡是在广告、新闻发布稿或促销材料中使用IDC信息或提及IDC都需要预先获得IDC的书面许可。如需获取许可，请致信。翻译或本地化本文档需要IDC额外的许可。获取更多信息请访问，获取更多有关IDCGMS信息，请访问https:/ IDC。未经许可，不得复制。保留所有权利。
2、PDF文件下载后，可能会被浏览器默认打开，此种情况可以点击浏览器菜单，保存网页到桌面，就可以正常下载了。
3、本站不支持迅雷下载，请使用电脑自带的IE浏览器，或者360浏览器、谷歌浏览器下载即可。
4、本站报告下载后的文档和图纸-无水印,预览文档经过压缩，下载后原文更清晰。
本文（IDC：现实+仿真-超大算力赋能自动驾驶（2022年）（32页）.pdf）为本站 （
） 主动上传，三个皮匠报告文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私，请立即通知三个皮匠报告文库（点击联系客服），我们立即给予删除！
汽车行业智能汽车独角兽系列报告：智行者通用L4架构赋能多场景力助自动驾驶渐进式普及-221012（38页）.pdf
北**... 升级为至尊VIP（大促版）梁欣 升级为至尊VIP（大促版）
