成为VIP会员查看完整内容
VIP会员码认证
首页
主题
发现
会员
服务
注册
·
登录
0
未来单车高精地图数据承载量将显著提升
2019 年 8 月 18 日
智能交通技术
来源:
盖世汽车智能网联
8月15日,2019自动驾驶地图与定位大会在北京盛大开幕,本次会议围绕当前行业关注的热点与重点话题,邀请了主机厂、零部件企业、科技公司、高校等相关从业与科研人员,做主题发言并与参与现场探讨与交流。
以下是西部数据产品营销总监张丹的精彩发言:
西部数据产品营销总监张丹
大家好,我是来自西部数据的张丹,主要负责西部数据在中国区的汽车市场的推广工作。
今天很有幸跟大家分享一下,我们西部数据从一个存储产品供应商的角度,怎样在未来有机会赋能高精地图在自动驾驶领域的发展。
进入产品和行业的分享之前,先简单给大家介绍下我们公司。
可能有些小伙伴很熟悉西部数据,你们买过或者考虑过西部数据的硬盘,但是西部数据不是仅仅支持笔记本电脑或者台式机硬盘的公司,现在的西部数据是全球最大的存储产品的供应商,我们的产品形态涵盖了从企业级到消费级的多种形态的产品。
我们现在持有14000多个关于存储的有效专利,是一个技术领先的公司。
今天会重点分享一下在汽车领域的展望。
首先,汽车是我们非常看重的行业,重点发展的行业。
为什么这么说?
我刚才提到我们是最大的存储产品供应商,存储存什么?
数据。
存储就是数据的仓库,因此我们很关注数据的发展。
这是为什么持续关注汽车这个行业,因为单车的数据承载量显著提升。
随着车的网联化和自动驾驶,单车存储量显著增加,从现在8GB,16GB、32GB增加到未来256GB,甚至更高。
我看到在宋佰成研究员的分析里提到,单车1TB的需求。
为什么会有这么大的数据量,其实主要还是由于车进入网联化和自动化的趋势所导致的。
这里我特别想说一下,为什么在自动驾驶高精地图的会议里特别强调网联化和自动化这个概念,因为我们从来不认为高精地图只是单一的应用,实际上高精地图对我们来讲是多种应用和多种使用场景和多种新技术汇聚,最后集成在其中的一种应用。
所以这里面我会提到网联化和自动化可能会对高精地图带来什么样的影响。
自动化给高精地图带来的影响不然而喻,因为高精地图发展的驱动就是车要进入自动驾驶。
我们一直认为高精地图具备两个基础属性:
第一预测性,第二参考性。
预测性是地图的一个基本属性,在我看不到的地方,我知道接下来行驶发生什么,所以从收集数据、数据共享的角度,去研判我在未到达的地点会发生什么样的状况,这里会涉及到很多融合性的,比如云的技术、实时传输的技术,比如在线分析的技术,甚至车内AI技术,这都是以地图为基础,以地图为载体,去融合其他的技术,把我们带向自动驾驶的方向。
参考性,是指地图信息作为其他决策的参考基准。
同时会谈到网联化。
以前是假设地图是只存在车里面,不停读取地图信息。
但是今日,地图不是这样的,我们关注四个点,第一个细节化,我们发现不管图商的小伙伴们他们发展道路千千万,最终地图都是越来越细节化。
第二个高清化。
以上是技术发展角度去参考。
从地图的应用的角度去参考,用户体验很关键,怎么样从地图使用里增加用户黏性,增加用户体验。
第四个图商要变现的模式,地图商业化。
这里都跟网联化相关,因为要增加细节,是要实时动态更精准的更新图层信息,用户体验实际上也是基于网联化的,因为最好用户体验或者大家最认同的用户体验,都是基于现在网联的便捷设备带来用户体验。
还有商业化,怎么样在地图导航功能的基础上,能让它带来更多商业价值,大家第一个想象到的在图层领域加入广告信息,加入LBS等等,这些都是基于网联化带来的信息交互导入。
西部数据不是汽车行业的新兵,我们在汽车领域耕耘了非常多年了,我们在2002年就发布了第一款汽车级别的HDD产品,我们在2015年发布了第一款汽车级别的NAND FLASH产品,直到今年已经连续发布了三代产品基于NAND FLASH的产品。
汽车的应用场景相对于其他行业的应用可能存在着一些更高的、更严苛的要求,我们就以地图为例,在使用手机导航的时候偶尔有过这种体验,导航中突然卡住了,突然跳出程序,或者关键的路口数据突然不更新了。
造成这种情况的可能性,有可能是存储的接口速度并不能满足高精地图要求的速度。
第二数据的冗余性不具备在多场景切换模式下迅速导入指定的场景里,如果你的存储存在瓶颈的时候,会对导航带来一些影响。
回归到车内场景前装导航,怎么规避看到的消费类产品里导航出现的弊端,怎么样更好的覆盖我们在汽车领域需要的温度范围,在嘈杂的环境下使用什么样的存储满足要求,这是高精地图使用里考虑的问题。
在与5G技术的融合中,来自车的数据流量是我们关注的一个点。
因为高精地图细节性,高精度还有3D的特性,带来存储容量显著提升。
举一个例子,今时今日,北京或者上海在今天的导航系统里,大概需要的地图容量是30MB到50MB,在高清地图场景下这样的一个城市地图存储容量的需求大概是5GB-8GB。
目前的中国地图放在车里,可能也才十几G,未来一个城市的地图可能就会达到10GB。
我们怎样优化昂贵的存储来负能我们需要的高精地图需求,这也是我们要探讨的问题。
由于巨大的数据吞吐量,我们不能实时从云端下载更新全部地图,这就要求至少在本车有一个非常基础的可供导航的基础高精地图,用网联化的数据传输叠加需要的或者变化的不同图层的信息。
所以本地的数据承载和数据演化,是未来高精地图的方向。
这里涉及到本地存储量和本地存储的吞吐量,本地的吞吐量不够,是不能有效实时实现地图叠加的。
同时特别提一下,车联网和地图的相关性,目前传输的大部分是车的基础信息,是小数据传输,未来进入到5G时代,5G+车,大数据传输变为可能,但是5G数据是非常昂贵的,如果所有信息基于5G的上传和下发,单车的成本是非常高的,必要的有限的合理的信息上传和下达,才是有可能的。
这里就涉及到用什么方式去引导数据,去格式数据,并且用什么方式存储数据。
并不是每一笔被采集的数据都需要被存储的,在多长的时间段存储多大的数据,也是车进入高精地图时代考量的问题。
同时,高精地图在未来还会与行车记录仪相关。
摄像头采集到信息并进行地图自动更新,比如说,我在某路段采集到一个新的禁行的标志或者限速的标志,迅速把它更新到地图中。
所以未来行车记录仪,也会潜在变成基于高精地图自动驾驶的功能点。
说起来都是使用存储,但是实际上在刚才提到的不同的场景里,对存储的使用是不同的。
存储使用的六个维度评估里,有容量,有读,有写,有性能,还有温度和数据保持力。
什么是数据保持力?
数据保持力就是我的数据能在存储掉电的情况下在多长时间内能够保持可靠有效。
首先,NAND FLASH产品是有寿命的,寿命又与数据保持力息息相关,全新的没有被使用过的器件,你数据保持力非常高,可以达到15年,但是当我的器件90%以上的寿命被使用了,数据保持力只有只有20个月。
15年和20个月的区别。
所以数据保持力,如果未来有设计的考量,是要考虑的一个点。
以行车记录仪来讲,其实是一个大数据量连续写的场景。
在导航娱乐体系里,写是不太关键的,因为数据更新的频度会比较小,是以联系读为主的应用。
有些导航有第二个简单版本在仪表上,因为仪表位置特殊,对温度的要求是非常高的。
车内网关,温度和数据保持力是非常关键的。
所以高精地图为支撑,多个技术和多个部件的融合,对存储要求千差万别,我们选存储的时候能不能用一个产品覆盖所有应用场景的需求,简化客户的工作量?
我们目前的eMMC最大覆盖了已知的需求,车载级别的产品可以支持刚才提到的所有的读、写、容量、温度、数据保持力的要求。
与此同时,西部数据还支持UFS的产品,它的形状大小是eMMC是一样的,为了适应未来多域融合的场景下,吞吐速度的极限要求,所以UFS速度更快,同时相对来讲容量点比较高。
卡片类的需求目前在行车记录仪比较普遍。
同时,我们把车载存储产品带入了3D领域,3D是什么概念?
这是一个类似于房地产开发商的概念,给定位面积内盖平房,盖小公寓不能满足数据存储的需求,就要盖楼房,同样面积下可以容纳更多数据容量。
由于在单位面积上采用了3D的技术,所以单体的容量显著提升,指甲大小在2D最大只能做到64GB,现在由于3D技术,同样大小下可以做256GB甚至512GB。
不但带来单位面积容量的提升,同时带来数据的保持力和耐久性上的提升。
目前最新的eMMC产品就是我刚才提到的采用3D技术的产品,可以最大达到256GB的容量。
温度覆盖-40度到105度,与此同时,我们还实行了增强的技术,包括健康监控,我刚才提到寿命是非常关键的考量,所以我们会开放一些寄存器给到客户的工程师,让他可以实时读取里面健康的状况,会告诉你器件寿命百分之多少被使用了,对整体性能有一个评估。
另外我们也发布了基于3D技术的UFS产品,最大容量也是到256个GB,刚才提到的温度和增强管理等等都涵盖在里面。
刚才提到我在3D的产品里,32GB到256GB,但是现在还有很多新的行业场景,没有必要一步跨越到相对大容量的产品,可能还有8GB、16GB的数据支持,所以我们的2D产品会支持,8GB-64GB的容量。
作为车规级产品的供应商,这里跟大家分享一下我们过来哪些车规级别的认证,IATF-16949,AEC-Q100,ISO26262,PPAP L3。
与此同时,在行业标准之外,我们也有一些来自客户的评价,我们在德系、日系、包括美系供应商里,都有曾获得优秀供应商的奖项。
在车载产品里,我们还赋能了一些特殊性能,第一个就是我刚才提到的健康管理的特性,你可以去读取器件的寿命。
还可以进行智能分区,实现纯粹的物理分区,进行相应的数据隔离,分层数据安全性。
另外可以手动复写,在线更新。
与此同时,我们也不是一个人在战斗,我们的车的应用是多域融合的,作为存储部件我们是要跟主控芯片厂商进行广泛的的配合,目前我们和车载行业里主控芯片的厂商都有进行密切的合作。
以上就是今天给大家带来的分享,希望高容量、高速的产品能支持未来迅速发展的高精地图地图驾驶的发展领域。
我们致力于多生态、多组合的产品形态,去支持未来汽车客户。
谢谢大家。
登录查看更多
点赞并收藏
0
暂时没有读者
0
权益说明
本文档仅做收录索引使用,若发现您的权益受到侵害,请立即联系客服(微信: zhuanzhi02,邮箱:bd@zhuanzhi.ai),我们会尽快为您处理
相关内容
张丹
关注
0
西安电子科技大学人工智能学院智能感知与图像理解教育部重点实验室副主任。
华为发布《自动驾驶网络解决方案白皮书》
专知会员服务
125+阅读 · 2020年5月22日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
阿里巴巴达摩院发布「2020十大科技趋势」
专知会员服务
106+阅读 · 2020年1月2日
【论文】边缘计算:对当前计划的全面调查和可持续边缘计算发展的路线图(Edge Computing: A Comprehensive Surveyof Current Initiativesand a Roadmap for a Sustainable Edge Computing Development)
专知会员服务
28+阅读 · 2019年12月19日
2019中国硬科技发展白皮书 193页
专知会员服务
82+阅读 · 2019年12月13日
【白皮书】“物联网+区块链”应用与发展白皮书-2019
专知会员服务
93+阅读 · 2019年11月13日
《工业互联网平台白皮书》(2019讨论稿),80页PDF,工业互联网产业联盟编
专知会员服务
75+阅读 · 2019年11月9日
【CCF优秀博士学位论文奖-2019】大规模图数据处理系统的设计与实现,清华大学朱晓伟
专知会员服务
50+阅读 · 2019年11月8日
《全球人工智能发展白皮书》(2019版)发布,94页PDF,德勤科技编
专知会员服务
227+阅读 · 2019年11月8日
最新!《2019 智能驾驶高精度地图行业研究报告》发布,19家巨头与初创公司如何定位行业?
新智驾
14+阅读 · 2019年6月17日
获导航电子地图制作甲级资质后,晶众地图如何打造商业生态闭环?
新智驾
3+阅读 · 2019年5月22日
SLAM的动态地图和语义问题
计算机视觉life
24+阅读 · 2019年4月27日
上海车展未来出行展区,带你了解自动驾驶等最潮科技|厚势汽车
厚势
3+阅读 · 2019年4月26日
自动驾驶汽车技术路线简介
智能交通技术
15+阅读 · 2019年4月25日
【人工智能】【智能驾驶】人工智能在汽车自动驾驶系统中的应用分析
产业智能官
18+阅读 · 2018年11月22日
重磅!刘强东宣布:京东将减员50%,AI的应用使员工每天工作3小时!无人公司来了……
大数据技术
5+阅读 · 2018年5月15日
重磅!刘强东宣布:京东将减员50%,每天工作3小时!无人公司来了……
全球人工智能
5+阅读 · 2018年5月12日
孙正义:未来30年的人工智能和物联网
智能交通技术
3+阅读 · 2018年3月4日
百度自动驾驶事业部总监孙勇义:Apollo计划背后的AI技术| 清华x-lab AI研习社
大数据文摘
3+阅读 · 2017年10月28日
Anomalous Instance Detection in Deep Learning: A Survey
Arxiv
28+阅读 · 2020年3月16日
Teacher-Student Training for Robust Tacotron-based TTS
Arxiv
5+阅读 · 2019年11月7日
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Pay Less Attention with Lightweight and Dynamic Convolutions
Arxiv
4+阅读 · 2019年1月29日
Self-Driving Cars: A Survey
Arxiv
41+阅读 · 2019年1月14日
A Survey of Learning Causality with Data: Problems and Methods
Arxiv
19+阅读 · 2018年9月25日
Simultaneous Localization and Mapping (SLAM) using RTAB-MAP
Arxiv
7+阅读 · 2018年9月9日
Scene Coordinate and Correspondence Learning for Image-Based Localization
Arxiv
5+阅读 · 2018年7月23日
Learning to Adapt: Meta-Learning for Model-Based Control
Arxiv
9+阅读 · 2018年3月30日
Learning Hierarchical Features for Visual Object Tracking with Recursive Neural Networks
Arxiv
13+阅读 · 2018年1月6日
VIP会员
自助开通(推荐)
客服开通
详情
相关主题
张丹
产品营销
图数据
自动驾驶
用户体验
汽车
相关VIP内容
华为发布《自动驾驶网络解决方案白皮书》
专知会员服务
125+阅读 · 2020年5月22日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
阿里巴巴达摩院发布「2020十大科技趋势」
专知会员服务
106+阅读 · 2020年1月2日
【论文】边缘计算:对当前计划的全面调查和可持续边缘计算发展的路线图(Edge Computing: A Comprehensive Surveyof Current Initiativesand a Roadmap for a Sustainable Edge Computing Development)
专知会员服务
28+阅读 · 2019年12月19日
2019中国硬科技发展白皮书 193页
专知会员服务
82+阅读 · 2019年12月13日
【白皮书】“物联网+区块链”应用与发展白皮书-2019
专知会员服务
93+阅读 · 2019年11月13日
《工业互联网平台白皮书》(2019讨论稿),80页PDF,工业互联网产业联盟编
专知会员服务
75+阅读 · 2019年11月9日
【CCF优秀博士学位论文奖-2019】大规模图数据处理系统的设计与实现,清华大学朱晓伟
专知会员服务
50+阅读 · 2019年11月8日
《全球人工智能发展白皮书》(2019版)发布,94页PDF,德勤科技编
专知会员服务
227+阅读 · 2019年11月8日
热门VIP内容
开通专知VIP会员 享更多权益服务
【AAAI2025】多层次最优传输用于语言模型中的通用跨标记器知识蒸馏
大规模语言模型增强推荐系统:分类、趋势、应用与未来
面向战场移动威胁的预测模型:利用预测性数据模型打击大规模移动目标
OpenAI十二天总结与Agent新范式
相关资讯
最新!《2019 智能驾驶高精度地图行业研究报告》发布,19家巨头与初创公司如何定位行业?
新智驾
14+阅读 · 2019年6月17日
获导航电子地图制作甲级资质后,晶众地图如何打造商业生态闭环?
新智驾
3+阅读 · 2019年5月22日
SLAM的动态地图和语义问题
计算机视觉life
24+阅读 · 2019年4月27日
上海车展未来出行展区,带你了解自动驾驶等最潮科技|厚势汽车
厚势
3+阅读 · 2019年4月26日
自动驾驶汽车技术路线简介
智能交通技术
15+阅读 · 2019年4月25日
【人工智能】【智能驾驶】人工智能在汽车自动驾驶系统中的应用分析
产业智能官
18+阅读 · 2018年11月22日
重磅!刘强东宣布:京东将减员50%,AI的应用使员工每天工作3小时!无人公司来了……
大数据技术
5+阅读 · 2018年5月15日
重磅!刘强东宣布:京东将减员50%,每天工作3小时!无人公司来了……
全球人工智能
5+阅读 · 2018年5月12日
孙正义:未来30年的人工智能和物联网
智能交通技术
3+阅读 · 2018年3月4日
百度自动驾驶事业部总监孙勇义:Apollo计划背后的AI技术| 清华x-lab AI研习社
大数据文摘
3+阅读 · 2017年10月28日
相关论文
Anomalous Instance Detection in Deep Learning: A Survey
Arxiv
28+阅读 · 2020年3月16日
Teacher-Student Training for Robust Tacotron-based TTS
Arxiv
5+阅读 · 2019年11月7日
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Pay Less Attention with Lightweight and Dynamic Convolutions
Arxiv
4+阅读 · 2019年1月29日
Self-Driving Cars: A Survey
Arxiv
41+阅读 · 2019年1月14日
A Survey of Learning Causality with Data: Problems and Methods
Arxiv
19+阅读 · 2018年9月25日
Simultaneous Localization and Mapping (SLAM) using RTAB-MAP
Arxiv
7+阅读 · 2018年9月9日
Scene Coordinate and Correspondence Learning for Image-Based Localization
Arxiv
5+阅读 · 2018年7月23日
Learning to Adapt: Meta-Learning for Model-Based Control
Arxiv
9+阅读 · 2018年3月30日
Learning Hierarchical Features for Visual Object Tracking with Recursive Neural Networks
Arxiv
13+阅读 · 2018年1月6日
大家都在搜
palantir
洛克菲勒
大规模语言模型
CMU博士论文
技术报告
自主可控
中科院无人机
AI2000
EMC
GANLab 将GA
Top
提示
微信扫码
咨询专知VIP会员与技术项目合作
(加微信请备注: "专知")
微信扫码咨询专知VIP会员
Top