数据中心该如何与自动驾驶汽车中的人工智能系统联系起来

以数据为中心的架构模式正在成为自动驾驶车辆的新标准。数据中心能够实现和控制复杂的数据流，它极大地简化了组件的交互，减少了ECU中的代码行数，而且可以直接支持AI模块。

自动驾驶汽车集合了视觉、雷达、LIDAR、传感器、GPS、测绘、导航、规划和控制等众多技术，这些组件必须组合成一个可靠，安全，安全的系统，实时分析复杂的环境并对未知环境进行交互。与普通的汽车不同，自动驾驶汽车正演变成为具有人工智能（AI）能力的计算机。
在这里插入图片描述
图1：数据库与数据总线。在以数据为中心的体系结构中，应用程序只与数据基础架构通信，而不是彼此通信。数据库实现以数据为中心的存储，通过搜索找到正确的过往数据。数据总线实现以数据为中心的共享，通过过滤找到正确的未来数据。这两种技术都使得系统集成更容易，支持更大规模，更好的可靠性和应用程序的互操作性。

诚然，今天的汽车中也有数百万行软件代码，大多数被嵌入在电子控制单元（ECU）中。ECU可以执行复杂的功能，但是它们的相互作用及联系较小。这种设计，乃至整个供应链模式并不会扩展到自动驾驶。自动驾驶技术需要组件之间更丰富的连接，而如果没有全新的架构，只靠增加现有设计的连接性是不切实际的。

新一代自动驾驶汽车也需要分布式计算。即使使用速度极快的处理器，分布式计算也具有比集中设计更多的优势。最重要的是，分布式系统更加模块化，这有助于优化设计。例如，将计算与传感器配对，软件与硬件匹配，并简化调整。另外，分布式系统可以更容易地支持冗余，增加可靠性。这些优势在更高的自主性水平上变得至关重要。

为了应对这些挑战，以数据为中心的架构模式正在成为自动驾驶车辆的新标准。数据中心能够实现和控制复杂的数据流，它极大地简化了组件的交互，减少了ECU中的代码行数，而且可以直接支持AI模块。

以数据为中心

数据中心是由与数据基础架构进行通信的参与者形成的架构。以数据为中心的通信系统与面向对象的系统（对象通信），面向消息的系统（参与者向对方发送消息）和面向服务的体系结构（参与者连接到服务）形成对比。以数据为中心的系统的参与者在时间、空间和流量方面与所有其他参与者分离，并且以数据为中心的连接被称为“数据总线”，由对象管理组织（OMG）数据分配服务（DDS）标准定义。

数据库也是以数据为中心的，可以实现以数据为中心的存储，而数据总线实现以数据为中心的通信。关键的区别是：数据库通过关联存储数据的属性来搜索旧信息。数据总线通过过滤传入数据的属性来查找未来的信息。

DDS实现了“全局数据空间”的虚拟抽象——所有数据似乎在任何地方都可用，而实际上，这是不可能的。但是，数据总线通过要求每个应用程序指定其本身具有或所需要的内容、数据的数量以及生成或使用它的频率，可以让其呈现出来。因此，每个应用程序只是简单地向空间提供以及获取所需的数据，这自然是平行的。无论何时所需，所有的数据都能找到。

数据总线优雅而且强大。应用程序可以自主发现任何数据，以及时间戳、类型和单位等元数据。任何应用程序都可以随时加入、保留、添加数据或删除数据。数据总线保证数据传送速率和最大允许延迟。应用程序可以请求在指定的时间帧中通知更改。历史记录也可按要求提供。所有通信都是对等的，可以全速运行。所有的通信都是对等的，允许以全线速度运行。它不需要服务器，因此没有服务器来定位、配置、提供、重启、阻塞或失败。并且它具有良好的扩展性，添加新流是并不会影响当前流。而且，它包含细粒度的安全性，只允许对特定数据流具有特定权限的应用程序才能参与。正如数据库支持复杂的企业应用程序一样，数据总线支持复杂的智能系统。这两种方法基本上都是通过数据管理简化应用程序来实现的。

在这里插入图片描述

表1：自主性挑战。自主性系统对系统架构提出了独特的要求。数据总线概念直接针对这个应用程序，因此对每个需求都有独特的方法。

数据中心和人工智能

DDS“所有数据无处不在”抽象简化了人工智能集成。事实上，数据总线概念是从斯坦福太空机器人实验室的自主系统开始的。它具有独特的属性，能够很好地应对挑战。表1总结了挑战和方法。

也许最重要的是，数据总线支持抽象的数据流。大多数早期的设计都需要对每个流程提供单独的技术，例如，旧的系统通过流协议传输极高数据吞吐量的视频，但是对于小而频繁的控制信号可以使用专用的实时总线。比硬件更糟糕的是，这也导致了抽象的改变，使得编写融合传感器集的软件变得困难。

在这里插入图片描述
图2:复杂的数据流。一个复杂的系统必须支持许多数据类型和数据源。有些体积很大，有的很快。DDS支持22个服务质量(QoS)设置。每个模块都可以精确地指定需要操作的数据关系。Qos包括更新率、可靠性、数据可用性保证等。在正确的时间将正确的信息准确地发送到正确的位置的基础架构使系统开发更加容易。

高度自主性的系统使这一点更具挑战性。车体结合了许多直接和派生的传感器、感知模块、智能、反馈控制和车外通信。通过传统设计将所有这些数据结合起来是很麻烦的。

DDS擅长数据流控制。通过将正确的数据交付给每个模块，分布式架构要容易得多。

较低的自主性，可以使用集中设计的方式，将所有数据发送到中央计算机。以感知系统为例，一个关键的需求是将来自许多传感器的数据“融合”成对情况的共同理解。访问所有数据的一种简单方法是将它们都放在同一个地方进行处理。因此，如果车辆有一系列的摄像机和近距离传感器，每个传感器都会将原始的视频和数据流发送到中央处理器。这简化了计算，然而，处理器会成为瓶颈和单点故障。更糟糕的是，它需要大量的数据传输和专用的视频线路。
在这里插入图片描述
图3:传感器融合。该传感模块必须融合多个传感器，以更好地模拟世界。3级自动驾驶系统可以将所有数据发送到强大的中央计算机。然而，这一设计打破了复杂的传感器架构，要求在4级和5级需要更高的自主性。这些系统得益于一种分布式设计，该设计处理更靠近传感器的数据，从而分散了工作负载，减少了连接，并允许了冗余。

为了获得更高的自主性，这种设计被破坏了。与将所有原始数据发送到一个中央处理器相比，更有效的方法是在传感器附近预处理数据。这通常被称为“早期”或“混合”融合理论。这个数据库很适合于此设计，其以数据为中心的虚拟“全局数据空间”抽象实际上将所有数据发送给中心节点的有力替代品。

自主系统的未来

自动驾驶要求在车辆中进行复杂的软件集成。这很难通过合并ECU来实现。因此，设备制造商越来越倾向于寻找内部软件团队。DDS为实现这一目标提供了强大的标准。大多数carbot设计直接使用DDS。然而，它也是其他体系结构的基础，例如ROS2和不久之后的AUTOSAR。

在这里插入图片描述

图4:自动车辆系统架构。DDS将所有组件集成到一个典型的汽车设计中。以数据为中心的接口控制所有模块的交互、模式、速率、可靠性和系统健康。强大的系统集成支持使团队能够独立工作，确保基础设施直接支持系统范围操作所需的数据交互。

当然，DDS不只是应用于汽车系统的车载技术。在其他众多领域也有广泛应用，例如，Rti connext DDS在工业互联网上有超过1000个设计，包括医疗、石油和天然气、海军、航空电子设备、空中交通管制、hyperloop、地铁运输和机器人应用。因此，DDS也很适合自动驾驶系统的off-board需求。它在智能机器应用领域的广泛应用，将使其在未来成为一个很好的决策选择。

本文原文作者Stan Schneider等，翻译转自微信公众号【智车科技】