数据驱动时代，自动驾驶开发如何造「飞轮」？

汽车之心

2周前

NVIDIA专为自动驾驶打造了一套基础平台NVIDIADriveOS，使汽车能够高效处理海量传感器数据，利用深度学习实现对环境的感知与适应，并满足严格的安全标准。

作者| 刘佳艺

随着 L2+自动驾驶逐步渗透，行业向高阶自动驾驶发起新一轮进攻。

整个算法架构也随之不断演进：

从独立模型过渡到多任务学习；

从传感器数据后融合到前融合；

从规则主导转变为深度学习；

…

另外，端到端成为各车企、Tier1 绕不开的技术关键词。

比如理想发布「端到端＋VLM」的全新模型架构，打出快慢系统的组合拳，能让 AI 做出拟人化的驾驶行为。

而这些模型性能的进阶，是基于底层开发工具链足够强大。

具体要求是，能够向更高效的网络设计与算法优化不断靠拢。

这是 NVIDIA 的优势。

在近期《汽车之心·行家说》NVIDIA 专场中，作为全球领先的 AI 计算助推者，以自动驾驶开发平台和数字孪生仿真平台等推动行业发展，具体包括以下内容：

提供多传感器数据融合与同步传输，实现快速感知与准确决策的相机全链路方案；
打造高效并行计算、实时 AI 推理于一体的软件开发平台NVIDIA DriveOS™；
强算力且算力灵活调配，集成多种智能汽车功能的车载计算平台NVIDIA DRIVE Thor™；
具备先进渲染技术，提供高逼真虚拟环境进行模型训练、测试与验证的数字孪生平台NVIDIA Omniverse™；

……

这一整套软硬件耦合的开发体系，贯穿从数据处理到仿真训练的全过程，在此基础上，开发者们能够高效进行研发任务，并实现超越预期的高性能表现。

而如何熟悉并快速上车这一系列工具，突破自动驾驶的开发瓶颈，在《汽车之心·行家说》NVIDIA 专场中，NVIDIA 及丽台科技的技术团队对此做出了细致解答。

聚焦 Multicast 应用，

打造相机全链路方案

NVIDIA 专为自动驾驶打造了一套基础平台 NVIDIA DriveOS，使汽车能够高效处理海量传感器数据，利用深度学习实现对环境的感知与适应，并满足严格的安全标准。

从针对 Drive Thor 打造的软件堆栈示意图上，可以看到从底层传感器设备开始，到硬件系统，以及软件系统，形成了一套紧密耦合的开发架构。

在软件部分（图示右上角），包含一系列重要组件，比如 NVStreams、NvMedia、NvSIPL Drivers 等，它们的作用在于快速、准确抓取传感器图像数据并进行优化处理，这其中要经过一连串硬件引擎来帮助数据转化成对应格式。

例如，从相机抓住的图像帧，经过硬件引擎——ISP（图像信号处理器）完成处理，然后传输给 VIC（视频输入控制器）引擎进行视频化操作，最后传输给显示器。

由此，对于复杂的相机全链路，往往包含大量复杂的数据信息，如何把这些硬件引擎有效串联，实现信息传输成为一个挑战。

这其中就涉及到两个重要组件，一个是 NVStreams，另一个是 NvSIPL。

前者能够将数据流水线各部分串联，实现数据的无缝传输，以及不同引擎之间的协同工作；
后者能够初始化和配置图像传感器，高效采集数据，进行图像预处理等工作。

有这两个组件作为基础支持，可以实现Multicast 的强大应用。

所谓 Multicast，指的是一个参考应用程序，它展示了使用 NVIDIA DriveOS SDK（包括但不限于 NvMedia SIPL、NVStreams、CUDA 和 TensorRT）构建相机全链路并实现无缝数据传输的端到端解决方案。

在 Multicast 应用场景上，支持跨进程、跨线程、跨 SoC 等多种复杂的通信方式。

从跨进程示例中可以清晰看到，生产者进程中有两种数据源，分别来自真实采集与虚拟数据，到达消费者进程后，数据会进行多种处理方式，比如通过 VIC 模块转变图像格式到达 CUDA 模块进一步处理，或者通过 CUDA 模块修改图像数据后传输到下游 Encoder 模块进行编码等。

事实上，由于各车企、Tier1 的产品特性、工具需求各不相同，这要求 Multicast 必须满足扩展性强，灵活性高的特点。

由此，Multicast 的核心设计思想为两个字，分层。

从上到下，依次是展示层、业务层、传输层，其中，展示层扮演指挥者角色，负责构建数据流水线并管理整个系统的生命周期；业务层则是将数据放到对应模块中进行格式转化；最后传输层负责链路建立与数据通信。

由于采用分层设计，各层级各司其职，能减少产生任何数据、业务方面的耦合，从而适用于更复杂的数据处理链路。另外，利用 Multicast 还能有效检测出系统中潜在的性能问题，帮助系统快速完成优化。

值得一提的是，Multicast 在自动驾驶应用领域能够释放出诸多特性，比如：

Stitching(图像拼接)，将多传感器数据拼接在一起传输给显示器；
Car detection(车辆检测)，能够将传感器检测到车辆数据准确画框标识；
DP MST(多流传输)，对多通道的传感器数据进行处理后传输到不同显示器上；
Late attach(后期连接)，在某个特定的流程或系统运行的后期阶段进行连接或附加操作；
Multiple element(多元素处理），多个输出输入端口，实现数据的灵活处理；
Sc7（待机模式），采用低功耗模式优化系统启动时间；
Sentry mode(哨兵模式)，在停车模式下传感器对车辆周围情况进行实时检测，将数据进行脱敏处理后上传到显示器。

NVIDIA Multicast 这套强大、灵活的应用程序，贯穿了车辆在自动驾驶、泊车领域的多个维度设计，其开放、可扩展性强的特点能够让各车企、Tier1 开发者们实现便捷、高效的定制化服务。

端到端技术浪潮下，

完成 DRIVE Thor 的高效部署

端到端给自动驾驶领域点了一把火，这种全新架构，对数据、算力、算法三驾马车提出了严苛要求。

由此，继 NVIDIA DRIVE Orin™ 在自动驾驶领域得到广泛应用后，NVIDIA 又推出了新一代车载计算平台 Drive Thor，从底层工具链上引领行业向高阶自动驾驶递进。

不同于以往的 NVIDIAAmpere 架构，Drive Thor 基于全新 NVIDIABlackwell 架构，诞生出了全新特性：

针对 LLM/VLM 应用进行优化，最高达到 2000TOPs 的 FP4 算力；
Tensor 推理引擎更新到 10.x 版本，进行更好的图优化策略；
采用 L2 TilingChaining 技术，实现更好优化与性能加速效果；
引入灵活 GPU 调度方案，能够支撑起端到端+VLM 的架构设计；

……

实际上，从特性回溯，可以看到 Drive Thor 是完全适用于端到端模型的计算平台。之所以在各维度上得到优化与提升，是因为它需要应对更复杂、非结构化的大量场景，这是一个不断迭代的过程。

自动驾驶以往面临传统常规道路，模型参数可以压缩到最小，只需要 10x TOPS 的算力；
而面对一些施工道路的非结构化场景，采用的是搭载 Orin 平台的 BEVTransformer 架构设计，减少了对高精地图的依赖，需要 100x TOPs 算力；
面临随机性强的执法场景，算力需求又提升到一个新的量级，到达 1000x TOPS，才能把「端到端+VLM」这类「通用能力」模型跑起来。

另外，Drive 平台对大模型的支持情况已经覆盖全面，从 Drive Orin 的广泛应用中，可以明确看到无论是 LLAMA、GPT 还是国内百川大模型等，都能释放出不错性能。

理想已经应用了「端到端+VLM」的双系统智驾方案，由端到端模型担任快系统，能够快速接收传感器输入，并直接输出行驶轨迹用于控制车辆，应对驾驶车辆时 95% 的常规场景。

剩下 5% 的复杂场景，如临时施工、交通管制等，由「VLM」的慢系统实现，它能够进行深入理解产生逻辑思考，最后输出决策信息给快系统。

双系统相互配合，从而确保了自动驾驶能高效处理多数场景，并覆盖复杂路况。

当然，要驾驭这套模型架构，算力平台不仅要有充足的算力储备，还需要支持灵活配置「算力调度」策略。

在执行端到端任务时，优先级往往更高，对于算力调度需要及时，而在处理低速一些极端场景时，优先级更低。同样，在进行一些座舱交互、娱乐功能时，就可以把自动驾驶占用的 GPU 让出来。

这种算力调度的需求落地，在 NVIDIA Drive Thor 上能被充分满足，并提供了两种方案。

第一种是MIG 方案，对算力、L2 cache、带宽进行切分，实现 ADAS/LLM 域的「硬隔离」，不同任务在运行时相互独立，不受干扰。

第二种是 GPU 分时调度方案，实现 ADAS/LLM 域的「软隔离」，应用上可以独占片上算力、带宽。正如「端到端+VLM」方案上，在不同行车场景时赋予不同任务优先级，从而实现算力的灵活调度。

除了支持这类模型架构，NVIDIA 自己也搭建了一套 Model room，其中包含车道检测、多模块设计等相应组件，NVIDIA 都做了深度优化，用户可以在优化组件基础上构建出自己的大模型方案。

目前，Model room 已经支持 10+个纯视觉模型、2 个视觉+激光模型，以及一个端到端模型。在优化层面做了 INT8 精度量化、4:2 结构化稀疏、量化稀疏 finetune 等推理训练。可以看到，Model room 在当前纯视觉方案基础上，已经可以做到比开源的视觉基线要更好一些。

而对于端到端这种全新架构，在模型部署上必然会面临一些新挑战。以上海 OpenDriveLab 提出的 UniAD 架构为例，相比 BEV Transformer 架构，它在 perception 基础上增加了 TrackFormer、Motion Former、OccFormer 和 Planner 等相应组件，中间通过 QKV 机制进行通讯。而从 SparseDrive 公布的端到端架构中，把建图感知与规划预测分为两个模块，中间进行信息传递，对于 Transfomer 结构依然存在一定依赖。

所以，可以把端到端架构特点总结为四点：

更多的 transformer 结构(特别是 PNP 部分)
为融合多模态信息引入很多 shortcut
模型更大，结构更深
输入量纲不统一

对应的，NVIDIA 在 Thor TensorRT(10.x)版本上引入了针对性解决方案，比如 Blackwell Flash Attention 方案、新一代图优化编译引擎、L2 cache TilingChaining、新的混合精度类型等，帮助对应结构进行有效优化。

OpenUSD 打通数据格式，

利用 Omniverse 构建数字工厂

自动驾驶模型建设离不开仿真环节，作为自动驾驶开发领域中的重要一环，它需要和其它环节有机结合在一起，形成一个数据驱动闭环。

这就要求，仿真软件需要具备强大的兼容性，并且能够构建出高质量场景库，泛化出更多场景。

NVIDlA Omniverse 平台集成了 NVIDlA 20 余年的技术结晶，在自动驾驶仿真领域以及汽车数字工厂建设上，都迸发出强大势能。

首先，NVIDlA Omniverse 平台基于 OpenUSD 这一技术基础。它是一种统一数据格式，能够把传统 CAD、Python 等不同的软件语言全部兼容转化成一种语言，然后将数字资产全部转化到 NVIDlA Omniverse 平台进行下一步的可视化作业。

这个强大应用进行生态打通后，可以释放出多种特性：

联接多样化工具，包括 AR、VR、DCC 等各种类型的软件工具及数字资产；
利用多种工具实现定制化工作流程；
分层化设计，实现多人协同工作，并不局限于一种平台生态。

除了 OpenUSD 之外，NVIDlA 还拥有光追渲染的 NVIDIA RTX™ 技术、加速计算能力以及生成式 AI 等技术储备，都集成在 NVIDlA Omniverse 平台中。

在自动驾驶仿真领域，基于 OpenUSD 的数据格式场景，Omniverse 平台可以将大模型对接进来，实时生成可视化数据，展示碰撞报告等，在此过程中，还可以对虚拟场景进行多维度设置，比如车速、自然天气、极端情况等，从而高效帮助模型进行优化，节省人力、物力成本。

在建设数字工厂领域，Omniverse 平台通过虚拟场景的提前验证与排查，改进生产线的效率问题。

在通用汽车案例中，就通过 Omniverse 平台构建了统一的数据工作流程，开发者可以在原有熟悉的软件中进行设计作业，并且通过 OpenUSD 与 Omniverse 平台完成实时协作，进而减少数据传导时间，简化工作流程。

更具体一些，A 同事在对汽车模型进行调整，包括位置移动、布线摆放等；B 同事通过 UE 对场景进行搭建及纹理生成，C 同事在 Omniverse 平台中进行实时渲染和查看，三者操作可以实时进行，一旦发生问题可以及时反馈解决。

这意味着，工作流程基于 Omniverse 平台得到重新构建，以往是以往是从建模软件到材质软件，再到仿真软件的层层过渡，现在所有软件通过统一 USD 格式，完成实时的审查、协作以及评审工作。

这种降本增效能力直接反馈到数据增长上，比如宝马建设全球虚拟工厂规划及运营，实现设计冻结时间节省了 98%，计划进程速度提升了 30%；奔驰打造虚拟装配线，实现建设时间缩短两倍，能耗上节约了 20%。

实际上，Omniverse 不仅是工具，而是一个开发平台。它需要多人协同，一同将这个框架扩展的更加完整，生态更加丰富。

总之，一个理想的工具链需满足的核心要求是，高效。

自动驾驶级别越往上走，开发难度成指数级增长，高效二字变得越来越难实现。

但 NVIDIA 凭借多年技术累积，打造出一系列稳定、可靠的软硬件工具箱，无论是解决信息传输问题的相机全链路方案，还是比 Drive Orin 性能更进阶的 Drive Thor，亦或者集成 20 年经验的数字孪生 Omniverse 平台，都从不同维度按下了研发的「加速键」。

由此，自动驾驶开发者们能够更加专注于技术的创新与突破，而不必为繁琐的工具链问题所分心。

*与 NVIDIA 产品相关的图片或视频（完整或部分）的版权均归 NVIDIA Corporation 所有。