自动驾驶后端研发思路流程和工具链的变化

自动驾驶后端研发思路，流程和工具链的变化传统整车开发流程，思路，方法论要研发一辆不含有辅助驾驶或者低阶辅助驾驶(AEB,ESP等)的汽车并没有想象中那么低效，原因是因为这个级别的开发往往并没有本质上影响到汽车的传统构成。传感器比重很低，执行器并不需要特殊改造，控制器没有OTA强需求，应用逻辑功能简单，软件比重并不高。一切看起来都能应对。无论是软件上的ASPICE流程还是硬件上的整车开发流程或者零部件开发流程，基本都采用了V模型的开发思路，有严格的质量管理体系支撑。硬要说缺点，就是整车开发周期往往很长。项目启动A5-PJCE严品臥证阶段硏岌阶段£7S｛念阶段制造酚段'4•单元潟试F率型的研发辺程.”栽求殳丝\7项目启动A5-PJCE严品臥证阶段硏岌阶段£7S｛念阶段制造酚段'4•单元潟试F率型的研发辺程.”栽求殳丝\7"系纸踪狗<HIL至境验证测试/•引锻井测试需求分■鮮鑿车开岌平台*磁飢测试LPSOP岌布WD开发平酋这里特别要提的就是MBD(ModelBasedDesign)软件开发模式，这种模式如果不是汽车航天领域的很少接触到，和大家知道的C++，C，python代码开发有很多区别。基于模型设计是一种方法，较之传统软件开发而言，使开发者能够更快捷、以更少的成本花费进行开发。这种开发方式有很多优势明确、清晰、唯一，便于交流、便于维护。•代码自动生成，编写效率高，质量高，BUG引入少文档自动化生产，无需额外撰写，版本一致性好工具都有完整的功能安全认证，满足车规质量要求有配套流程的完整工具链可供使用，效率质量都有保障总的来看，这是一套成熟有效的研发体系，然而随着技术发展，这种模式开始逐渐行不通了。这些变化表现在硬件，软件和算法三个层面上，核心的动因都是用户需求变化频率的快速提高。造车流程和思路在大体上没有变化，其周期的缩短，主要得益于电动车零部件数量的降低，当然考虑特斯拉车身和电池的一体化设计。按照传统车企的组织架构和一般逻辑是永远造不出来的。因此造车逻辑同样有很多变革的方向，只是速度很慢，且在当下竞争格局上还没有这么急迫。•电子电气架构，域控制等的研发流程同样没有什么变化，只是产品级别上的开发思路变化比较剧烈。域控制，OTA升级带来了集中化的设计方向。•软件是整个研发流程变化最剧烈的部分，从流程，工具链到应用上都产生了巨大变化。核心的动因还是由于代码量的指数级增加。另外，代码的复杂度也提升了好几个维度，这导致原有体系流程和工具链的失效。

•农!3喪出产砒架拘软悴爭占他昭:券址 呻屁用白M化闭II隹■!'：汀用饵-暨凭"理毘［：!一駅牡业凯貝节血也峥*壞啊.B置需3母咿丁云虫应JWUiJMLi家走主吨血全扶?•农!3喪出产砒架拘软悴爭占他昭:券址 呻屁用白M化闭II隹■!'：汀用饵-暨凭"理毘［：!一駅牡业凯貝节血也峥*壞啊.B置需3母咿丁云虫应JWUiJMLi家走主吨血全扶?L-tk,电由忙一風亀自軌比删!起！I!證迭用坤旳亍満申制K逹空切上慣.罰遞矗晦L嵯壷，旬川盯釀子応料蚁泊PifUfti wit.吋上古蛊化-总星也性施%书绘工乍；召上閉王町.恢蚀■勒討筑坯峠门削韻覘出务化・屮丐两询■沖尼忆卍问□『:『旳=b丈卫一肓夕丈影旧外鹑令西〔耳卜白社LflH占戏成牛吕皿絆陥統鷲戸辕'二、亘舅*4人机曲闵针对面向标量的复杂逻辑计算MBD仍然具有举足轻重的作用，因此汽车底层逻辑算法在安全芯片的开发模式选择仍然优先推荐MBD。但是考虑更复杂的自动驾驶规则算法的开发以及深度学习算法的开发，MBD方式就表现出了很多软肋，其灵活性无法满足上述两种算法的开发要求。因此这些应用开始使用传统互联网公司都使用的“代码编写”的开发方式。由此也引入了互联网思维下的工具链。其中基于Devops的开发流程框架被引入自动驾驶的研发。针对更加复杂的基于深度学习的算法开发，还引入了更深层次的自动化数据处理闭环平台，作为Devops架构的深入。如果devops是为了让工程师更好的控制代码质量并提升效率。那自动化数据处理闭环平台进一步希望通过自动化的优化流程，降低工程师的参与，进一步提高性能和效率。

工业领域V模型的开发思路也在被挑战，混合V模型流程以及敏捷开发流程的自动驾驶软件开发流程正在被更多讨论。我们不仅希望我们的流程可以保障软件的发布质量，还希望这个流程可以让软件发布的速度更快，简单来说就是”在笼子里跳舞”。从更加宏观的层面上，整车开发各个层面上的生命周期也在发生着剧烈变化，原来软件开发往往在整车生产环节就完成了锁定，SOP后更不可能再发生变化。这种开发逻辑给自动驾驶带来了不少负面影响。本质原因是整车开发流程给软件预留的时间往往只够一些简单逻辑的开发。过去这不是问题。但面对更加复杂的自动驾驶软件，这个周期往往是不足的，不仅对于开发本身，测试的时间也同样无法满足。如果按照传统流程处理，自动驾驶永远无法交付。但OTA升级改变了这个现状，软件的生命周期得到延续，可以在整车发布之后，继续对软件功能进行必要的升级。这是一个区别于传统的汽车的典型特征。也给自动驾驶车留出了必要的时间。另外通过对用户数据的搜集，自动驾驶的算法改进获得了持续不断的燃料，为后续算法的开发提供了宝贵的素材。过去这些数据都必须通过大规模的内部路测来获得，且质量和规模远不及客户带来的。用户营运和用户画像分析同样从这种机制中获得收益。这些