汽車的電氣化時代，現如今的狀態是，所有車企都在削尖了腦袋做差異化。最典型的例子，自然是自動駕駛、使用者模式，傳統巨頭的解決方案相對沒那麼誇張，比如大眾還是要沿著自己的優勢領域（大規模製造能力），於是要做標準化電芯，現如今，又一個人給出了自己的相應差異化解決方案，沃爾沃，要把安全和大資料結合。

沃爾沃科技日釋出會上，沃爾沃提出下一代純電車型，會在實時資料的幫助下對自動駕駛安全功能持續升級，在2022年釋出L4駕駛功能的車型。在資料驅動安全的理念下，沃爾沃要透過採集和處理使用者汽車實時情境下的交通資料來開發新的安全技術。

解析底層：邏輯還是自動駕駛

沃爾沃想要實現大資料驅動的安全理念。底層邏輯是，接下來沃爾沃將售出的新車上，會搭載Luminar裝置（鐳射雷達及其他感知裝置）、Highway Pilot自動駕駛功能；和自動駕駛的邏輯一樣，先完成資料的獲取，資料回傳、做出模擬模擬實驗場景、進行模擬測試、機器學習，最終，形成解決方案，再推送給車輛進行相應的新OTA升級。

最終，形成“自己收集、處理、測試、升級”的自研閉環。

有點兒像其他品牌自動駕駛測試車隊乾的活兒，但這活兒沃爾沃讓車主日常出門的時候幹了；從效率和覆蓋角度來看，移動範圍要廣、覆蓋面積更大，收集的資料也就更多，而且是全球性的。前提：使用者許可，VolvoCars。OS系統才能透過多種應用程式介面（API）訪問車載感測器資料。

這些資料的收集不是難點，Luminar給沃爾沃用分體式放置，佈局7個鐳射雷達，車輛周圍的情況基本能掃描全；Luminar高解析度鐳射雷達以後是沃爾沃新能源車型的標配。想要資料收集最大化這是必須的，難點在資料回收之後。

在資料收集之後

不用車隊，用車主；省事兒還能全鋪開，一舉兩得。如果你是車主，你在許可之前，肯定有個疑問，收集回來的資料到底幹嘛用？

延展一下，現在已經存在的自動駕駛測試車隊，上路測試功能之外的另一方面就是收集資料，一臺測試車每天收集的資料最大能有4000GB。這些帶回來的資料，為了完成另一個重要環節——模擬測試。

具體說來，採集回來的資料構建虛擬道路進行測試，能夠有效對危險或不常見的駕駛場景進行測試。回收之後的資料，應用在英偉達的DRIVE PX平臺進行模擬，最終實現模擬測試。

沃爾沃在資料回收之後，需要做三個步驟，資料輸入、資料合成、資料輸出。

資料輸入，分別有透過攝像頭捕獲的RGB影象；鐳射雷達獲取的鐳射點雲和深度圖，延展一下，深度圖可以用深度相機獲取，也可以由鐳射雷達多次採集鐳射點雲來測量。還有標記資訊，但這部分應該也需要手工校正。最後一部分是周圍車輛以及運動物體的行動軌跡。

資料合成，整體思路優先採集影象和深度資訊，形成整體架構；再去掉動態物體，補充獲取的動態物體運動軌跡，隨後，根據背景和放入的動態物體合成影象和點雲資料。最後輸出合成好的資料，生成出基於真實場景的圖片、鐳射點雲資料，之後模擬不同交通場景，場景內的動態物體的大小、運動軌跡和速度都是標記好的。

完成以上步驟，就已經完成了資料的生成和標註，接下來，就是機器學習模擬訓練。透過不斷的收集資料，機器學習的模型就越來越完善。

打個比方，上班通勤路線較為固定，在重複的行駛過程中，多次的鐳射掃描會最大化的獲取這條行駛路線的資訊進行完善，機器學習的模型也就越來越完善，再具體應用到自動駕駛功能上，反應出的就是感知目標越來越清晰、準求、全面。底層感測器演算法得到最佳化，定位、規劃也會有最佳化，在原本的資料上進行演算法驗證之後，再OTA升級，重新應用到車上，再次進行資料收集，閉環實現。

最終可能實現的效果，你上班不用自己開車，反推，下班路線也一樣。

上述的技術方面，對於沃爾沃來說並不算難度特別高，它只需要將以往的安全技術細節積累反哺到OTA推送中即可。最核心的難題在於，使用者的隱私資料獲取與使用。如何讓使用者掏錢購買的車輛，成為車企的資料收集器；如何讓使用者願意將自己的行程分享給車企，這些問題十分不好打破。不論極度強調個人隱私的歐洲本土，還是相對鬆散的北美，沃爾沃都要面對這一系列問題。

沃爾沃的解決方案，目前來看也並不夠明確。車企向用戶付費、車企與使用者共享車輛等等新商業模式的拓展，本質上才是沃爾沃大資料安全技術能否快速發展的核心問題。

總結

用大資料驅動的駕駛安全，就像把資料放在流水線上，產出新的模擬模型進行測試，然後再在真車上測試，測試成功後OTA升級，以此讓自動駕駛功能不斷學習、處理各種複雜場景，從而達到最終的“資料驅動安全”。

沃爾沃需要的前提是，售出足夠多能收集資料的純電車型，且需要車主許可。