大數據、人工智能、云計算、物聯網、移動互聯網風起云涌，各以不同的姿態殺入并改造著傳統領域。車聯網作為物聯網的一部分，在傳統汽車上加入其車載智能硬件的端系統、管系統以及云系統的本地或后臺計算等，再結合著其他技術方向的發展成果，同樣在高歌猛進。

　　目前國內ADAS智能硬件產品發展如火如荼，無人駕駛的L2、L3等級的演示產品也屢見不鮮，我們結合其形態特征簡單看車載智能硬件及車聯網產品的發展趨勢。

　　一、硬件篇（CPU）：

　　車載智能終端的CPU需要滿足車規要求，Qualcomm、nVidia、Infineon等都推出了各自車規級芯片，這是物理層最直接的需求。另一方面，為更高的工作效果，硬件層面上直接適配算法需求的新型芯片也是各家積極努力的方向，都在其上演示這各自有獨自特色的算法demo。但ARM架構的主流CPU的最高主頻近年發展有限，一直停留在３GHz以內，不像硬盤存儲速度、網絡帶寬等過去幾年已然成倍上升。有限的主頻，限制了算法或者還有操作系統無限橫向拓展的可能性，而網絡的高速卻反過來給終端處理帶來了后臺在線實時處理的可能，不必限于離線下的端系統、管系統運算，可節省本地離線計算時CPU的壓力。

　　二、操作系統：

　　實時性嵌入式操作系統的需求勢在必行。可靠性、處理能力的穩定性、功耗低是必須的。車載環境的復雜（機械振動、EMI、高低溫、實時工況的高速傳輸以及復雜性等）以及整車測試的嚴酷讓汽車電子產品的由原來頭腦簡單的處理邏輯走向復雜算法的智能硬件的系統平臺時，經歷著嚴酷考驗。而作為處理結果輸出的實時性就要求首先系統的時延必須足夠小到毫秒級。原先汽車電子設備各控制單元ECU是沒有系統的單片機嵌入式方案尚能表現良好，但已然不能滿足日益增長的大批量任務的對操作系統需求，但有了操作系統，卻對時延提出了對應的要求。

　　三、終端算法篇：

　　基于視覺的或雷達的ADAS算法，或者涉及執行層面的無人駕駛更高Level的融合算法以及控制策略等本就是智能終端的核心所在。無數的模型訓練、樣本積累只為更高效有用的算法庫。深度學習（deeplearning）深入人工智能各個領域，也為車載算法帶來新的發展思路。甚或認為基于視覺的ADAS能超越mobileye也就在此了——因為當硬件、軟件、數據源的技術積累已然落后，借助新工具做新角度的挖掘也許是個方向。

　　而從本地與在線計算來說，算法本地運算的好處在于實時，不需要網絡環境，可以自在自為，獨立工作于各種場景，雖然好壞不定，但沒有聯網過程中的種種可能不確定性導致的工作不可評估。在線的好處是有強大的后臺做背景依靠，除了縱向深入計算，甚至可以橫向比較，用平行的大量數據帶來統計上處理意見，是本地運算的單一設備所不具備的，可以從系統走向系綜。

　　四、網絡篇：

　　作為出行的基本需求，一臺車輛是否開始出門行駛難道要依賴于其他車輛的行駛狀態？單一車輛本就應該是自由而獨立的存在。但是在必須依賴道路路況、交通環境下才可能有正常的駕駛行為時，我們才發現原來V2I，V2V早就是客觀的存在，只是大家不知道將它們放到一個網絡環境里來進行主動干預、集體控制而已。Telematics是簡單的對單車的作用，V2X是在復雜交通下無人駕駛的需求。

　　目前的智能硬件聯網可以面向云端做更大的數據雙向交流，這是移動互聯網的范疇。而本地算法對局部環境的需求可能要大于對移動互聯的需求，也因為在移動互聯基礎上的局部交流可能的時效性以及穩定性還不及局域網絡。從無人駕駛的需求角度說，高精度地圖需求的路線是移動互聯數據，只是更加實時準確；V2X更強調局域網絡環境，可以實現本地局部小環境的互聯，比單車的傳感范圍大，但不必整個全局網絡。由此需求而衍生的通訊協議如LTE－V、DSRC等也是一直在移動運營商與汽車主機廠的不同角度的優劣爭論中。

　　五、大數據的應用：

　　云計算平臺上的大數據更多反映數據并行處理的分類、存儲、查詢等操作行為，偏向數據處理方式。但對于數據內容的分析挖掘，發現數據內容的本身價值，確是云系統上收集數據后所要做到的輸出。像智能家居、或航空發動機以及飛機整機收集數據后后臺直接診斷一樣，ADAS的車聯網系統，除了像傳統的OBD端子或Ｔ－BOX等telematics產品主要直接采集上傳實時車況信息，更多可以分析路況、駕駛場景等特征，以處理結果提取上傳，增加了信息來源的維度，數據量與分析內容也發生了量變到質變。另外由于網絡的雙向傳輸，除了原有的手機APP可以通過網絡基于CANBUS對車輛可以遠程控制，更有可能將LBS的各種信息（天氣、交通路況等）結合車況、智能硬件狀態診斷等傳到本地，用于進行整個車輛狀態設置與駕駛行為設置或建議等。

　　六、與車的關系：

　　當車與外部、與局部環境的互聯發展后，回頭看才發現車內電子設備的聯網技術還一直處在對現有CANBUS的突破中，雖然以太網取代CANBUS在車內進行各器件互聯已有Tesla在實踐中先行，但在行業內整體的突破卻還未到來。車載智能硬件還都是強行加入到現有車輛各電子設備中的另一個元器件存在，參與了CANBUS的網絡卻深受傳輸數據量級不對等、傳輸效率不高等困擾。當整車總線網絡能夠實現到以太網或類似網絡的傳輸水平，智能終端也就能自由表現到與ESP、EPS、BCＵ等傳統控制單元同等水平的一個終端存在；同時反過來，傳統控制單元的數據形式與內容將可以實現在新總線網絡上有新的規劃，以便已完成更深的分析、交互以及協同控制等。

　　七、與萬物的關系：

　　車聯網作為IoT的一部分，自然可以期待在車聯之外對其他事物的互聯。除了利用其他事物的信息，其本身聯系的基礎還在于智能硬件識別的數據可以滿足另外事物的需求。像傳統的有些telematics設備在發生事故進行報警后可以貢獻對交通路況的判斷，以及車輛GPS位置實時數據信息對道路紅綠燈設置的作用已經是經常被提及的了。從視頻方面說，最直接原始的就是DVR視頻對于事故等還原的作用。

　　事上實基于視覺ADAS的分析結果，還可以挖掘的更多。比如交通事故中肇事車輛的車速判斷，除了路段上的測速裝置、事故車輛自身若干電子器件的ECU中會有記錄，如果二者皆無，基于相關視頻的分析出的可以認為是獨立的信息來源。實現方式可以是事故中車輛的前后左右攝像頭視頻，也可以是基于聯網數據尋找在當時當地的途徑車輛上的視頻。另一個例子可能更能體現車輛天生的在行駛中的特性與智能硬件分析結果的聯合作用。傳統地圖的數據采集有一部分實現方式就是用實車加上較高成本的專業數據采集裝置在陌生路段或更新路段進行實地采集，但此方式也很難全面覆蓋到較偏僻但對其數據有需求的路段。基于有車輛行駛經過此路段時的GPS數據信息那只是單純路線信息，但基于ADAS視頻識別卻可以是車道線、路牌、紅綠燈等交通信息的識別結果。在聯網的基礎上，低成本的智能終端與有選擇性的當地車輛結合作為采集源可以更高效地進行基礎地圖數據收集。

　　結語：

　　作為手機之后最被看好的網絡服務新載體，車輛承擔著開拓新的服務形式與內容的重要使命。移動互聯網、物聯網賦予其聯網特性，人工智能賦予其邁向無人駕駛的可能性，兩個方向都帶來了其本身大數據的產生與其對大數據的需求。目前的智能硬件以及其對關聯的車聯網都還可以認為處在初級階段，完成傳統改造以及新功能、新內容增加的車將會是個怎樣豐富多彩的存在，我們在實踐中期待。