云计算不仅对企业基础设施的几乎各个方面都具有不可估量的价值，也已成为软件定义车辆（SDV）开发和部署不可或缺的一部分。 作为领先的公有云服务提供商，亚马逊网络服务（AWS Cloud）一直在汽车行业云服务领域占据领导地位，提供针对汽车行业需求量身定制的云服务，涵盖高级驾驶辅助系统（ADAS）、自动驾驶、车队管理、AI/ML以及车辆数据管理等智能网联汽车的诸多方面。其服务范围涵盖计算、数据管理、车辆原型设计等诸多领域。
云计算对我们同样至关重要：Sonatus 提供的云软件充分利用了我们产品中的这些功能。本博客将阐述云计算为何对汽车企业如此重要，特别是 AWS 在引领互联出行方面所采取的一些举措。
云计算
云计算最根本的优势之一，在于能够根据需求变化灵活扩展计算能力，这也催生了 AWS 的计算服务，尤其是 EC2（弹性计算云）和 EKS（弹性 Kubernetes 服务）。 根据业务需求，计算实例可以快速启用并投入运行——如有需要，甚至可以近乎即时地完成——而在闲置时则不会产生资本支出或运营成本。这对企业而言是一个极其强大的工具，并改变了企业使用 AWS 云服务的方式。
第二个同样重要的优势在于计算实例类型的惊人多样性，这些实例提供了广泛的计算、存储、内存和专用处理能力。鉴于车载系统正日益向基于 Arm 的计算架构转型，AWS 基础设施提供了搭载基于 Arm 的 AWS Graviton 处理器的高性能计算实例，从而实现了车辆与云端之间的“环境一致性”。
Sonatus 我们Sonatus 车辆平台上的产品包括车载软件及相应的云端软件，这些软件基于AWS的多种解决方案构建并加以利用，其中包括基于Amazon EC2和Amazon EKS的Kubernetes及容器化工作负载。
云数据管理
车辆互联产生的数据量正呈爆炸式增长，这使得汽车行业在采集、存储、上传和管理数据方面面临日益复杂的挑战。虽然有限的车辆遥测和传感器数据已存在一段时间，但在软件定义的车辆中，随着越来越多的车辆系统实现数字化和互联，数据信号正迅速激增。 此外，视频摄像头、雷达和激光雷达等丰富的数据源正日益普及，它们不仅提供了更先进的功能，同时也产生了数量显著增加的数据。领先的汽车制造商正在充分利用这些数据，构建集成的“数据湖”，以此形成单一可信数据源。企业内部各业务部门可通过多种方式对该数据源进行查询，从而提升决策的智能化水平并确保决策的一致性。
从车载系统中收集数据能带来诸多好处，包括开创新的商业模式。以下仅是车辆数据无数有趣应用场景中的一小部分，这些场景都能通过车辆与云端的连接而受益：
- 安全监测
- 故障诊断
- 预测性分析 / 预测性维护
- 正在进行的组件优化
- 效率优化
- 车辆使用分析
- 未来车辆规划
- 车辆与交通信号灯等道路基础设施之间的通信（V2I）
- 附近其他车辆之间的通信（V2V）
提升从车辆中收集有价值且经过精心筛选的数据的能力至关重要。Sonatus Collector目前已投入生产，正在为我们的 OEM 客户构建有用的数据库，帮助他们解决实际问题并为客户创造价值。Collector 与 AWS 的数据存储服务相辅相成，可对不同类型的数据进行可扩展存储，从而支持一系列汽车解决方案。
车辆虚拟原型设计
云计算的另一个重要应用是快速原型设计。由于车载软件运行在深度嵌入式环境中，且涉及多个相互关联的系统，因此其开发具有相当大的挑战性。此外，市场上市时间压力无处不在，因此能够与硬件开发并行进行软件开发将带来巨大益处。这种做法有时被称为“左移”，旨在将软件开发环节前移至开发周期的更早阶段。
为车辆提供架构兼容的云实例，能够通过支持先在云端进行开发、随后部署到车辆的方式，显著提高开发效率并加快产品上市速度。这种设计模式还能促进分布在不同地区的团队之间的协作，这些团队可能需要应对不同的区域性要求。事实上，它甚至允许在硬件仍在设计阶段时，就进行虚拟原型设计和软件开发。
最优秀的团队会采用这种方法在硬件完成之前就对其进行调试，事实证明，这能显著缩短产品上市时间，并减少为修复缺陷而进行的硬件迭代周期。这种原型设计方法还具有其他优势：随着OEM厂商日益将车辆架构从执行单一固定功能的专用ECU，转向由多个并行核心组成、通过hypervisor和虚拟化技术管理的集成架构。 这种设计风格更具可扩展性，更易于验证，并且与云技术在原型设计以及后续向车辆进行生产部署方面的专业优势相契合。
Sonatus 正在利用 AWS 开发我们自己的原型，以便在不需复制物理硬件或反复重启设备来重新运行测试的情况下，增加可执行的测试用例数量。
AI / 机器学习与数据分析
一旦我们将一个有价值的数据集与可扩展且灵活的计算能力相结合，就能实现以前根本无法实现的、令人惊叹的数据分析。 再加上机器学习（ML）能力的迅猛发展，我们能够对数据提出更加深入的问题。机器学习算法正在不断演进和优化，而云计算方法则支持在云端快速训练模型。特别是随着业界致力于开发基于机器学习的ADAS（高级驾驶辅助系统）和自动驾驶模型，云端模型可以逐步部署到车辆中，并通过反馈机制确保新模型不会导致性能退化。
机器学习（ML）的另一大优势在于，它能够发现那些采用传统方法难以通过编码实现的模式和异常。通过分析大量车辆的数据，可以发现某些模式，这些模式往往能预示早期预警信号。例如，将智能数据采集与机器学习相结合，可以主动检测异常，并在这些异常演变为危险的召回事件之前予以标记，以便采取纠正措施。Sonatus 汽车制造商客户已经开始使用Sonatus Collector来预判问题，并更好地响应客户的售后服务需求。
ADAS 与自动驾驶
ADAS及其功能更强大的“表亲”——自动驾驶汽车的出现，需要进行大量的建模和调优工作，而云计算对于这些技术进步以及实现可扩展的智能交通系统至关重要。这些任务的复杂性无论怎么强调都不为过，尤其是更高级别的自动驾驶，只有通过云计算和模型的渐进式改进，才能使整个汽车行业在这些能力方面实现快速提升。
首先，汽车公司可以通过蜂窝网络从联网汽车中采集和积累数据，以此构建一个能够代表实际驾驶任务的数据库，从而训练识别和动作模型。这种方法的好处还不止于此：大多数情况下，正常驾驶是“枯燥”的，每次驾驶中出现的复杂场景寥寥无几。 在模拟环境中，我们可以以加速的节奏人为地模拟各种边界情况，与仅基于实际道路车辆进行训练相比，训练进度将快得多。Sonatus 车辆平台可用于采集丰富的数据，以辅助对ADAS和自动驾驶进行持续改进所需的重要分析，为从事这项重要工作的工程师们增添了一款强大新工具。
在 2024 年国际消费电子展（CES 2024）上，Sonatus 和 AWS 演示了一种通过远程车辆诊断来提升道路安全的方法，例如当车辆未能检测到行人时。我们演示了如何让配备Sonatus Collector 的联网车辆，将有关故障的针对性数据实时从车辆发送至云端。数据进入云端后，AWS 可以实时整合多个数据源，例如高保真机器学习分析工具 Rekognition，以及关于车辆及其当前软件和硬件版本的制造数据。 这种综合方法能够快速识别车辆未能发出碰撞警告的原因——例如行人机器学习模型的缺陷、摄像头硬件问题或车内其他设备的问题——从而迅速解决问题。
通过《The Garage》播客了解更多信息
如果您对这个话题感兴趣，还可以了解更多内容：我最近为我们的播客《The Garage》与 AWS 软件定义车辆（SDV）全球技术负责人斯特凡诺·马尔扎尼（Stefano Marzani）进行了一次长达两部分的深度对话。在这场内容广泛的讨论中（第一部分和第二部分的链接），我们对上述所有话题都进行了极其详细的探讨。 如果您想进一步了解这一话题，并聆听业界在软件定义车辆（SDV）领域最具影响力的专家之一分享见解，请务必收听这两期节目。您可以在YouTube、Spotify或Apple Podcasts 上收听《The Garage》播客的完整内容。请务必订阅，以便及时获取后续节目的通知！