扫码加入数据分析学习群

实现雄心勃勃的自动驾驶目标的关键所在，是利用分析学和人工智能（AI）的力量，建立自动驾驶系统在实际道路上的反应模式，并利用现实模拟技术来加速开发进程。这意味着数据工程、管理、存储和分析变得比以往任何时候更加重要，要做好以下几点：

1、做好准备迎接海量数据的“洗礼”。自动驾驶汽车在进行测试时会产生大量数据，每辆汽车每秒就会产生6～ 8GB的数据。仅仅在2017年，该领域就创造了大约250EB的大数据（1 EB= 1024PB，1PB=1024TB）。汽车厂商需要有先进的概念来处理这些数据并从中获取价值。

2、在汽车研发与计算机和数据科学之间搭建一座桥梁。工程制造是汽车厂商的强项，但他们对于数据科学可能并不太熟悉。这些学科的交融，可以帮汽车厂商打开新大门，加快其创新和研发。虽然车企研发部门也有专门的数据工程团队，但他们经常还是需要借助数据科学以及人工智能领域专家的力量，以实现最好的研发效果。

3、高效处理和分析数据。当自动驾驶汽车进行测试时，Lidar(激光雷达)、全景相机和雷达等部件会生产大量以ADTF、ROSbag和MDF4等格式呈现的专业化数据。现在已经有可以对这些海量数据以PB为单位进行快速访问的工具了。在过去，通常需要好几天的时间来提取和分析数据，而现在只需要几分钟或几秒钟就可以得到结果。

4、选择性、针对性地对大数据进行筛选。工程师可以使用AI技术来确定哪些数据是有价值的，哪些可以剔除。一般而言，拍摄自动驾驶汽车的测试场景时，每秒钟会产生30帧视频，但这些视频大部分都是汽车在开放道路上平稳行驶的场景，并没有任何特别的事情发生。这样的视频就算时间再长，对汽车工程师而言用处也不大。自动驾驶汽车在转弯、碰撞或者与其他物体进行互动时产生的数据才更有价值。