雲端運算不僅對企業基礎架構的幾乎每個層面都已具有無可估量的價值，更已成為軟體定義車輛（SDV）開發與部署不可或缺的一環。 作為領先的公有雲服務供應商，亞馬遜網路服務（AWS Cloud）一直致力於為汽車產業提供量身打造的雲端服務，涵蓋進階駕駛輔助系統（ADAS）、自動駕駛、車隊管理、機器學習與人工智慧（AI/ML），以及車輛數據管理等連網車輛的諸多面向，並在該領域確立了領導地位。其服務範圍涵蓋運算、數據管理、車輛原型開發等諸多領域。
雲端對我們而言同樣至關重要：Sonatus 提供能充分發揮我們產品中這些功能的雲端軟體。本篇部落格將說明雲端為何對汽車製造商如此重要，並特別探討 AWS 如何引領連網移動領域的發展。
雲端運算
雲端運算最根本的優勢之一，在於能夠根據需求變化靈活擴展運算能力，這也催生了 AWS 的各項運算服務，尤其是 EC2（彈性運算雲）和 EKS（彈性 Kubernetes 服務）。 根據業務需求，運算執行個體可迅速啟用並投入運作——若必要時甚至可近乎即時——而在閒置時則不會產生資本支出或營運成本。這對企業而言是一項極其強大的工具，並已改變了企業使用 AWS 雲端服務的方式。
第二項同樣重要的優勢，在於其計算實例類型極為多元，能提供廣泛的運算、儲存、記憶體及專用處理能力。鑑於車載系統正日益轉向採用基於 Arm 的運算架構，AWS 基礎架構提供搭載 AWS Graviton 處理器（基於 Arm 架構）的高效能運算實例，從而實現車輛與雲端之間的「環境一致性」。
Sonatus 我們「Sonatus 」車輛平台上的產品，包含車載軟體及相應的雲端軟體，這些軟體建構於多種多樣的 AWS 解決方案之上，並善用這些解決方案，其中包括基於 Amazon EC2 和 Amazon EKS 的 Kubernetes 及容器化工作負載。
雲端資料管理
車輛連網所產生的數據量正呈爆炸性增長，使得汽車產業在擷取、儲存、上傳及管理這些數據時面臨日益複雜的挑戰。雖然有限的車輛遙測與感測器數據早已存在，但在「軟體定義車輛」的架構下，隨著越來越多的車輛系統實現數位化與連網化，數據訊號正急速增加。 此外，視訊攝影機、雷達（Radar）和光達（LiDAR）等豐富資料來源正日益普及，雖帶來更先進的功能，卻也在此過程中產生了顯著增加的數據量。領先的汽車原始設備製造商（OEM）正善用這些數據，建立整合式的「資料湖」，以此形成單一可信資料來源，讓組織內各部門能透過多種方式進行查詢，藉此提升智慧化程度並確保決策的一致性。
從車載系統中蒐集資料能帶來諸多好處，包括開創新的商業模式。以下僅列舉極少數的例子，展現車輛資料在透過車輛連網至雲端時所能帶來的無數有趣應用案例：
- 安全監測
- 故障診斷
- 預測性分析／預測性維護
- 持續進行的元件優化
- 效能調校
- 車輛使用分析
- 未來車輛規劃
- 車輛與交通號誌等道路基礎設施之間的通訊（V2I）
- 與其他附近車輛之間的通訊（V2V）
提升從車輛中蒐集有價值且經精心篩選之資料的能力至關重要。Sonatus Collector目前已投入生產，並為我們的 OEM 客戶建立實用的資料庫，協助他們解決實際問題並為客戶創造價值。Collector 完美地補充了 AWS 資料儲存服務，可彈性儲存各類資料類型，從而支援各種汽車解決方案。
車輛虛擬原型開發
雲端技術的另一項重要應用是快速原型開發。由於車載系統屬於深度嵌入式環境，且包含多個相互關聯的系統，因此開發車載軟體極具挑戰性。此外，市場上市時程的壓力無處不在，因此能夠讓軟體開發與硬體開發並行進行，將帶來極大的效益。這種做法有時被稱為「左移」（shift left），意指將軟體開發階段提前至開發週期的更早階段。
為車輛提供具備相容架構的雲端執行個體，能讓開發人員在雲端進行開發，並於日後部署至車輛，從而顯著提升開發效率並縮短產品上市時間。這種設計模式亦能促進跨地域團隊之間的協作，這些團隊可能正針對不同的區域需求進行開發。事實上，它甚至允許在硬體仍在設計階段時，便進行虛擬原型製作與軟體開發。
最優秀的團隊會採用這種方法，在硬體完成前就進行除錯，事實證明這能顯著縮短產品上市時間，並減少為修正錯誤而進行的硬體迭代週期。這種原型開發方法還具有其他優勢，因為原廠製造商（OEM）正日益將車輛架構從執行單一固定功能的專用電子控制單元（ECU），轉向採用多核心並行運作、並透過超管理程式和虛擬化技術進行管理的整合式架構。 這種設計風格不僅更具可擴展性、更易於驗證，且與雲端技術在原型開發乃至後續車輛量產部署方面的專業優勢相契合。
Sonatus 我們正利用 AWS 為自身專案建立原型，藉此增加可執行的測試案例數量，同時無需複製實體硬體，也無需反覆重啟設備來重新執行測試。
AI / 機器學習與資料分析
一旦我們彙整出一組極具說服力的資料集，並將其與可擴展且靈活的運算能力結合，便能釋放出前所未有的驚人資料分析能力。 再加上機器學習（ML）能力的快速擴展，我們甚至能針對數據提出更深層的探討。ML 演算法正持續演進與改進，而雲端運算方法則能讓模型在雲端中快速進行訓練。特別是當業界致力於為先進駕駛輔助系統（ADAS）與自動駕駛開發基於 ML 的模型時，雲端模型可透過逐步部署至車輛，並配合回饋機制，以確保新模型不會導致性能退化。
機器學習（ML）的另一項優勢，在於能夠偵測到若採用傳統方法將難以編寫程式來處理的模式與異常情況。透過分析大量車輛的數據，可發掘出某些模式，這些模式往往能作為早期預警訊號。舉例來說，智慧型數據蒐集結合機器學習，可主動偵測異常情況，並在這些異常演變成危險的召回事件之前，標記出來以便採取矯正措施。Sonatus 的原廠設備製造商（OEM）客戶已開始使用「Sonatus Collector」，藉此預先預判問題，並更有效地回應客戶的服務需求。
先進駕駛輔助系統（ADAS）與自動駕駛
先進駕駛輔助系統（ADAS）及其功能更強大的「近親」——自動駕駛車輛的問世，需要進行大量建模與調校工作；而雲端技術對於這些進展，以及實現可擴展的智慧交通系統而言，至關重要。這些任務的複雜性再怎麼強調都不為過，尤其是更高級別的自動駕駛；唯有透過雲端運算與逐步的模型改進，才能使整個汽車產業在這些能力上實現快速進步。
首先，汽車製造商可透過行動網路從聯網車輛擷取並累積數據，藉此建立一個能真實反映實際駕駛情境的資料庫，用以訓練辨識與行動模型。此方法的優勢不僅於此：大多數時候，一般駕駛過程相當「單調」，每次行車過程中發生困難情境的機率極低。 在模擬環境中，我們可以人為地以加速的速率模擬各種邊緣案例，相較於僅基於實際道路車輛進行訓練，能取得遠為快速的訓練進展。Sonatus 車輛平台可用於擷取豐富數據，以協助進行持續改進ADAS與自動駕駛所需的重要分析，為從事這項重要工作的工程師們增添了一項強大的新工具。
在 2024 年國際消費電子展（CES 2024）上，Sonatus 與 AWS 展示了一種透過遠端車輛診斷來提升道路安全的方法，例如當車輛未能偵測到行人時。我們示範了配備Sonatus Collector 的聯網車輛，如何將有關故障的針對性數據即時傳送至雲端。數據上傳至雲端後，AWS 能即時整合多項數據來源，例如高精準度的機器學習分析工具 Rekognition，以及關於車輛及其當前軟體與硬體版本的製造數據。 這種整合式方法能迅速釐清車輛未能發出碰撞警告的原因，例如行人機器學習模型的缺陷、攝影機硬體問題，或是車內其他裝置的故障，從而快速解決問題。
透過《The Garage 》播客了解更多
如果您對這個主題感興趣，還可以進一步深入了解：我最近為我們的播客《The Garage 》與 AWS 軟體定義車輛（SDV）全球技術負責人 Stefano Marzani 進行了一場長達兩集的深度對談。在這場涵蓋廣泛的討論中（第一集與 第二集連結），我們以極其詳盡的方式探討了上述所有主題。 若您想進一步了解這個主題，並聆聽業界在軟體定義車輛（SDV）領域的權威人士分享見解，千萬不要錯過這兩集節目。您可以在YouTube、Spotify或Apple Podcasts 上收聽完整的《The Garage 》播客。請務必訂閱，以便收到未來新集數的通知！