高效释放车联网数据价值 车云数据闭环打造先进生产力

从信息时代跨越到智能时代，算法成为新的生产力，车端产品的设计从传统开发模式转向由数据驱动来迭代。车联网在积极拥抱时代转变的同时，在数据采集、数据分析等层面面临着诸多挑战。

基于这一背景，在SOA产品屏蔽车云平台差异、低代码工具、原子化功能的设计理念下，智协慧同提供一套技术全栈数据闭环解决方案，实现高精度、高质量的数据灵活按需采集的同时，更是在近期推出了轻量化的自动驾驶数据采集方案，满足车企客户全方位的数据采集需求。

算法——个性化时代的先进生产力

2012年今日头条上线，对同时代的门户式新闻网站造成降维打击。推荐引擎通过深度学习用户行为、训练算法，让每位用户看到不一样的资讯，实现“千人千面”的个性化展示。其背后体现出的生产范式，即先进的生产力。

如今，算法充斥着人们生活的各个角落，新四化趋势下出现的智能化、个性化等需求也将算法这一先进生产力引入了汽车领域。

信息时代，软件要求程序员想好业务逻辑，再通过编程实现，智能时代的生产范式则发生了“code+数据”的转变。以自动驾驶为例，执行层靠编程实现的同时，在感知和决策层引入机器学习模型，用数据闭环训练算法，实现软件的快速迭代。

不仅仅是自动驾驶，未来将会有越来越多的场景遵循新的生产模式，如何构建新的生产力与范式成为车企需要考虑的问题。

当然，大数据的底层建设在信息时代就已存在，比如车联网。

今天各大OEM都有车联网后台，也都建设了大数据平台，其中包括数据仓库、BI分析等内容，但是从行业对大数据的期望来看，其成果和价值却并不显著，原因在于信息时代由IT部门主导的业务逻辑难以匹配智能时代海量、灵活、高精度的数据需求。

智协慧同认为，智能时代大数据平台的设计思路需要转变，新一代的核心生产力是敏捷能力与工具链的结合。通过工具链封装跨车云数据技术，让业务部门可以灵活利用数据，快速探索业务，快速试错验证，最终形成数据驱动的业务闭环。

因此，需建立起一套可快速迭代的、敏捷的数据闭环工具链，赋能业务部门自主探索数据。

数据思维+灵活数采打通数据闭环前端

数据驱动的业务闭环，遵循“业务思考-采集数据-标签数据-算法训练-部署迭代”的流程。

在此过程中，需满足业务部门对数据获取在精度、维度、质量等方面的全方位需求，同时还需降低大数据分析的门槛，使业务部门实现自主分析。此外，还要实现跨车云的算法快速部署、快速迭代和数据闭环，并让一套技术架构和工具满足所有业务部门使用需求。可见，利用车联网数据实现数据闭环面临着不小的挑战。

打造数据闭环的前提，即建立数据思维，用数据考虑业务。那么何为数据思维？此前，智协慧同在与客户的一次合作中得出了答案。

对于驾驶行为分析中的“急加速”和“急减速”识别算法，最关键的是设定合理的判别阈值。传统汽车行业的方案是基于以往积累的工程经验来设定一个值，然而在实践却证明这样的阈值并不可靠。

而基于大数据的方法则是首先采集海量行车记录数据，通过特征识别找出特征数据段，并在其中计算特征值，从而经统计分析找出阈值。这便是向数据思维的转变——通过海量数据获得结果，而非根据经验。

当有了基于数据的业务思考能力，在车联网数据的获取环节又会出现挑战。

当前，获取数据的基础能力仍是瓶颈。虽然车联网建设已有多年，然而最早的车联网数据采集是处于满足法规需要的目的，因此当业务部门考虑新的业务场景时往往会发现信号数量、精度、质量均不足，无法支撑多维专业数据分析。且车联网采集的信号固定又难以更改，导致数采灵活性差，难以应对不同需求。

无论是流量还是云端的存储费用，以及对数据的清洗、处理、关键数据的提取、建模分析，整个流程效率以及成本都为研发团队带来困扰。

智协慧同看到了车端数据采集的关键痛点，打造了低代码开发工具-算法直接下发-车端秒级运行-灵活数据采集/上传/存储的闭环方案，帮助主机厂进行多维度、高精度、低成本、高质量的数据采集。

针对时间成本和采集难度的痛点，智协慧同提出了一种基于车端的灵活触发机制，可以根据具体场景来灵活定义采集维度、精度等，对数据进行从采集到应用的全流程管理，由此加速产品迭代，赋能车端成为物联网边缘计算网络的中心。

“开箱即用” 低代码开发工具应对敏捷挑战

相比传统汽车行业的数据分析，车联网的数据分析与前者最大的不同就是多了一步特征提取。从原始信号中提取人车环境特征，形成画像。

然而，现有的车联网分析后台及工作模式极大限制了数据的高效使用：IT与业务部门之间的跨界沟通让需求响应效率低下；代码开发慢，导致软件变更迭代的速度也减缓；此外云端和大数据模型的跨车型升级和泛化成本高，更换车型时许多代码也需随之重新编写。

基于数据分析中的敏捷挑战，智协慧同借鉴计算机行业微服务、低代码等成熟思路形成了一套解决方案。

智协慧同图形化、低代码的开发工具将汽车领域常用的算法封装成算子，工程师通过拖拉拽操作可快速建模。该大数据分析建模工具具有工况识别、信号滤波等汽车行业特有工具箱，支持汽车多种专业数据格式解析，同时支持机器学习建模推理。辅以车云同构的框架，能实现算法秒级下发部署。显然，这一“开箱即用”的工具能帮助业务人员和开发者降低可观的时间成本。

车云同构 全栈数据驱动能力化解新挑战

近两年，智协慧同在其量产实践中看到了更多需求，其中就包括偶发异常的远程快速定位和分析需求。

当前主流车企纷纷开始搭建远程诊断系统，然而在软件复杂度急速提升的今天，新架构带来的潜在异常和偶发故障大量增加，传统的远程诊断系统已无法满足新的需求。此外，目前远程诊断采集到的冻结帧数据普遍质量差、采样频率低，无法支撑故障相关性分析和故障溯源。

智协慧同与各大主流远程诊断供应商合作，采用远程诊断+灵活数采+OTA方案，打造故障诊断与处理的闭环。通过灵活数采方案采集高精、多维数据，支持潜在异常排查，并进行故障的相关性分析。软件异常则可通过OTA快速解决，同时根据数据，生成判断异常的规则，规则可下发到车辆，实现对异常问题的监控。

针对功能异常的Indicator，智协慧同的数据闭环方案也能对其进行快速迭代、持续部署，从而增强车辆故障预警的实时性。

此外，智协慧同的解决方案还成功应用于机器学习识别减速带和路面特征的场景。

车企在开发乘驾功能时，往往通过众包数据采集的方式采集减速带、砂石路等路面特征信息，并标记在地图上，以便于未来车辆在通过这些特征路面时可以主动调节悬架状态，提升乘驾舒适性。然而，传统的减速带识别算法模型从开发到完成车端部署周期长达18至24个月，且在传统车联网数据采集模式下，数据质量难以保证，数据成本高，功能实现十分困难。

智协慧同的解决方案通过采集车端传感器和执行器的状态数据，在云端进行工况识别模型构建与训练，算法快速下发至边缘端，采集路面特征数据、进行地图标记，使方案从设计到部署的周期大大缩短。

智协慧同的解决方案在车端打造了与云端同样的一套高性能算子库，使用统一的语言解析器，形成车云同构的计算框架。这一套计算框架可屏蔽车云差异，实现智能算法模型从云端到车端的一键部署，无需从底层C++开始实现。车端边缘计算与云计算协同，大幅提升数据到桌面的效率。

基于智协慧同的数据闭环解决方案，车企得以获取跨车云技术闭环、数据自主分析、数据到桌面的全栈数据驱动能力，从而掌握在智能时代的先进生产力。

专注数据领域 跨域多场景方案应对全方位需求

智协慧同成立于2015年，由“软件+数据+汽车”跨界团队组成，拥有数据库、边缘计算、基础软件等多个核心底层技术，专注于为OEM打造跨车云的数据驱动能力。

基于车云同构的数据闭环解决方案以及对高精数据的采集加工能力，智协慧同能够赋能车企和合作伙伴，实现业务创新、数据共享、开发者平台搭建等，真正构建以数据驱动为基础的生态链。

智协慧同能够通过车端数据库和边缘计算，完成自动驾驶数据闭环解决方案的轻量化部署。其解决方案已覆盖模型开发、模型验证、模型部署、边缘计算、数据采集的全流程闭环。在自动驾驶数据闭环方案的量产实践中，智协慧同也积累了大量的经验，以帮助用户调整、提升在数据闭环过程中的效率。

基于车云同构的数据闭环解决方案以及对高精数据的采集加工能力，智协慧同的解决方案可以应用于自动驾驶以及车端的各个域控制器上，为主机厂提高数据采集、问题解耦和处理的效率，为用户带来更多的体验及更好的安全。

在克服了诸多技术挑战后，智协慧同的解决方案目前已经能够从容面对行业内各大主机厂包括自动驾驶、底盘动力、智能座舱、TBox/中央网关等场景在内的更多需求。当前，智协慧同的方案仍在持续更新。预计2025年该公司平台将产生100+数据驱动的解决方案，全面赋能车企提炼车端数据价值，应对智能网联时代的挑战。

（以上内容根据智协慧同联合创始人兼CEO鲍鹏于2022年8月3日由盖世汽车与AUTOSAR组织联合主办的2022第三届软件定义汽车论坛暨AUTOSAR中国日发表的《高精数据闭环在SOA架构下的量产实践》主题演讲进行理解和整理。）