大数据、人工智能、云计算、物联网、移动互联网风起云涌，各以不同的姿态杀入并改造着传统领域。车联网作为物联网的一部分，在传统汽车上加入其车载智能硬件的端系统、管系统以及云系统的本地或后台计算等，再结合着其他技术方向的发展成果，同样在高歌猛进。

　　目前国内ADAS智能硬件产品发展如火如荼，无人驾驶的L2、L3等级的演示产品也屡见不鲜，我们结合其形态特征简单看车载智能硬件及车联网产品的发展趋势。

　　一、硬件篇（CPU）：

　　车载智能终端的CPU需要满足车规要求，Qualcomm、nVidia、Infineon等都推出了各自车规级芯片，这是物理层最直接的需求。另一方面，为更高的工作效果，硬件层面上直接适配算法需求的新型芯片也是各家积极努力的方向，都在其上演示这各自有独自特色的算法demo。但ARM架构的主流CPU的最高主频近年发展有限，一直停留在３GHz以内，不像硬盘存储速度、网络带宽等过去几年已然成倍上升。有限的主频，限制了算法或者还有操作系统无限横向拓展的可能性，而网络的高速却反过来给终端处理带来了后台在线实时处理的可能，不必限于离线下的端系统、管系统运算，可节省本地离线计算时CPU的压力。

　　二、操作系统：

　　实时性嵌入式操作系统的需求势在必行。可靠性、处理能力的稳定性、功耗低是必须的。车载环境的复杂（机械振动、EMI、高低温、实时工况的高速传输以及复杂性等）以及整车测试的严酷让汽车电子产品的由原来头脑简单的处理逻辑走向复杂算法的智能硬件的系统平台时，经历着严酷考验。而作为处理结果输出的实时性就要求首先系统的时延必须足够小到毫秒级。原先汽车电子设备各控制单元ECU是没有系统的单片机嵌入式方案尚能表现良好，但已然不能满足日益增长的大批量任务的对操作系统需求，但有了操作系统，却对时延提出了对应的要求。

　　三、终端算法篇：

　　基于视觉的或雷达的ADAS算法，或者涉及执行层面的无人驾驶更高Level的融合算法以及控制策略等本就是智能终端的核心所在。无数的模型训练、样本积累只为更高效有用的算法库。深度学习（deeplearning）深入人工智能各个领域，也为车载算法带来新的发展思路。甚或认为基于视觉的ADAS能超越mobileye也就在此了——因为当硬件、软件、数据源的技术积累已然落后，借助新工具做新角度的挖掘也许是个方向。

　　而从本地与在线计算来说，算法本地运算的好处在于实时，不需要网络环境，可以自在自为，独立工作于各种场景，虽然好坏不定，但没有联网过程中的种种可能不确定性导致的工作不可评估。在线的好处是有强大的后台做背景依靠，除了纵向深入计算，甚至可以横向比较，用平行的大量数据带来统计上处理意见，是本地运算的单一设备所不具备的，可以从系统走向系综。

　　四、网络篇：

　　作为出行的基本需求，一台车辆是否开始出门行驶难道要依赖于其他车辆的行驶状态？单一车辆本就应该是自由而独立的存在。但是在必须依赖道路路况、交通环境下才可能有正常的驾驶行为时，我们才发现原来V2I，V2V早就是客观的存在，只是大家不知道将它们放到一个网络环境里来进行主动干预、集体控制而已。Telematics是简单的对单车的作用，V2X是在复杂交通下无人驾驶的需求。

　　目前的智能硬件联网可以面向云端做更大的数据双向交流，这是移动互联网的范畴。而本地算法对局部环境的需求可能要大于对移动互联的需求，也因为在移动互联基础上的局部交流可能的时效性以及稳定性还不及局域网络。从无人驾驶的需求角度说，高精度地图需求的路线是移动互联数据，只是更加实时准确；V2X更强调局域网络环境，可以实现本地局部小环境的互联，比单车的传感范围大，但不必整个全局网络。由此需求而衍生的通讯协议如LTE－V、DSRC等也是一直在移动运营商与汽车主机厂的不同角度的优劣争论中。

　　五、大数据的应用：

　　云计算平台上的大数据更多反映数据并行处理的分类、存储、查询等操作行为，偏向数据处理方式。但对于数据内容的分析挖掘，发现数据内容的本身价值，确是云系统上收集数据后所要做到的输出。像智能家居、或航空发动机以及飞机整机收集数据后后台直接诊断一样，ADAS的车联网系统，除了像传统的OBD端子或Ｔ－BOX等telematics产品主要直接采集上传实时车况信息，更多可以分析路况、驾驶场景等特征，以处理结果提取上传，增加了信息来源的维度，数据量与分析内容也发生了量变到质变。另外由于网络的双向传输，除了原有的手机APP可以通过网络基于CANBUS对车辆可以远程控制，更有可能将LBS的各种信息（天气、交通路况等）结合车况、智能硬件状态诊断等传到本地，用于进行整个车辆状态设置与驾驶行为设置或建议等。

　　六、与车的关系：

　　当车与外部、与局部环境的互联发展后，回头看才发现车内电子设备的联网技术还一直处在对现有CANBUS的突破中，虽然以太网取代CANBUS在车内进行各器件互联已有Tesla在实践中先行，但在行业内整体的突破却还未到来。车载智能硬件还都是强行加入到现有车辆各电子设备中的另一个元器件存在，参与了CANBUS的网络却深受传输数据量级不对等、传输效率不高等困扰。当整车总线网络能够实现到以太网或类似网络的传输水平，智能终端也就能自由表现到与ESP、EPS、BCＵ等传统控制单元同等水平的一个终端存在；同时反过来，传统控制单元的数据形式与内容将可以实现在新总线网络上有新的规划，以便已完成更深的分析、交互以及协同控制等。

　　七、与万物的关系：

　　车联网作为IoT的一部分，自然可以期待在车联之外对其他事物的互联。除了利用其他事物的信息，其本身联系的基础还在于智能硬件识别的数据可以满足另外事物的需求。像传统的有些telematics设备在发生事故进行报警后可以贡献对交通路况的判断，以及车辆GPS位置实时数据信息对道路红绿灯设置的作用已经是经常被提及的了。从视频方面说，最直接原始的就是DVR视频对于事故等还原的作用。

　　事上实基于视觉ADAS的分析结果，还可以挖掘的更多。比如交通事故中肇事车辆的车速判断，除了路段上的测速装置、事故车辆自身若干电子器件的ECU中会有记录，如果二者皆无，基于相关视频的分析出的可以认为是独立的信息来源。实现方式可以是事故中车辆的前后左右摄像头视频，也可以是基于联网数据寻找在当时当地的途径车辆上的视频。另一个例子可能更能体现车辆天生的在行驶中的特性与智能硬件分析结果的联合作用。传统地图的数据采集有一部分实现方式就是用实车加上较高成本的专业数据采集装置在陌生路段或更新路段进行实地采集，但此方式也很难全面覆盖到较偏僻但对其数据有需求的路段。基于有车辆行驶经过此路段时的GPS数据信息那只是单纯路线信息，但基于ADAS视频识别却可以是车道线、路牌、红绿灯等交通信息的识别结果。在联网的基础上，低成本的智能终端与有选择性的当地车辆结合作为采集源可以更高效地进行基础地图数据收集。

　　结语：

　　作为手机之后最被看好的网络服务新载体，车辆承担着开拓新的服务形式与内容的重要使命。移动互联网、物联网赋予其联网特性，人工智能赋予其迈向无人驾驶的可能性，两个方向都带来了其本身大数据的产生与其对大数据的需求。目前的智能硬件以及其对关联的车联网都还可以认为处在初级阶段，完成传统改造以及新功能、新内容增加的车将会是个怎样丰富多彩的存在，我们在实践中期待。