巨大的成就需要巨額投資，根據調研公司PitchBook的數據，自主汽車初創公司平均每月花費160萬美元。

 

其中大部分費用用于測試以及支持該測試所需的基礎設施。一輛配備傳感器和數據記錄裝置的原型車的成本可能高達50萬美元。處理和存儲所有生成的數據的成本也相差不大。

2017年，通用汽車，現代汽車，大眾汽車和Waymo等汽車制造商和科技公司都預測無人駕駛汽車將在2020年問世，并為此投入巨資。根據布魯金斯學會（Brookings Institution）的一項研究，從2014年8月到當年6月，汽車制造商和科技公司在視音頻技術上投資了800億美元。

僅僅一年后，涉及自動駕駛原型車的事故似乎使開發人員失去了動力。同時，實現5級自動駕駛所需的技術挑戰（全自動無人駕駛汽車）變得越來越復雜。到2019年，許多開發人員都放棄了2020年計劃。

通往5級的道路仍在繼續，影音開發商仍在致力于它將帶來的社會改善。但它們也有一些新的優先事項。他們也在云計算領域找到了新的機會，這可以減少成本和開發時間。

首先，他們將重點放在與長期目標相符的可銷售產品和服務的近期路徑上：卡車運輸和物流，自動駕駛輔助（ADAS）系統以及提供數據見解。一些開發者正在創造價值并展示現實世界的效率。

同樣，四級自動駕駛卡車創業公司TuSimple在7月啟動了自動貨運網絡。該公司正在演示通過在有償貨物運輸中進行自主操作來改進安全性和效率的各種方式，同時在實際測試中改進其產品。

其次，音視頻開發人員希望通過在虛擬環境中進行更多測試并加快處理和存儲速度來節省其現有工作流程。

在這兩種情況下，云計算都提供了以極大的靈活性加速和擴展開發的機會，同時使那些近期目標的數據更易于訪問。COVID-19進一步加速了現有的云解決方案趨勢。

自2018年以來，出于安全原因，每輛公路上的測試車都要由兩個人乘坐，這已成為標準做法。社交疏遠規則使這變得更加困難，這意味著許多測試車隊目前都停在那里。

小規模計算

影音開發涉及從實際測試和仿真中收集大量數據。然后進行訓練，并將數據輸入到原型的新行為模型中，然后在仿真中進行測試并再次進行驗證，從而生成新的數據周期。

Lyft Level 5的高級工程師Timothy Perrett說：“仿真是提高軟件安全性的關鍵方法之一，甚至可以在測試軌道上進行。”這是一個過程，需要靈活性。

Lyft Level 5于2017年推出，旨在讓乘車共享公司直接買入影音技術的優勢，并著眼于自動駕駛乘車共享車輛。Lyft的工程師利用從其AV車隊收集的PB級數據，每年進行數百萬次模擬，以提高其自動駕駛系統的性能和安全性。

驗證工作以及運行所有這些數據的規模是一個巨大的問題，仿真中生成的大量數據也是如此。自2012年以來，Lyft本身就將AWS用作云合作伙伴，但使用云與現場客戶進行交互以及用于模擬和數據處理并不相同。

第5級有不同的需求和約束，大多數計算需求是為大型、批處理式的工作負載提供服務，這些工作負載的配置非常尖刻。需要能夠爆發出高峰值負載，然后在不使用它時迅速將其關閉的能力。

解決方案在于使用競價型實例。競價型實例是按需分配的計算功能，是Amazon彈性計算云（EC2）的一部分。用戶只為使用的商品付費，沒有規模限制。 它們還允許將作業打包在一起并發運行。這樣可以加快處理大批量數據的速度，這意味著任何團隊或工程師都不必閑著，而另一個可以優先處理計算時間。

現在已在路上

級別5，完全的自動駕駛自主性可能是所有音視頻開發人員的最終目標，而今天，有些公司已經在其收益服務中利用其技術。

卡車初創公司TuSimple于7月1日啟動了世界上第一個自動貨運網絡，目前，正在使用UPS從鳳凰城一直運送到沃思堡。該公司的目標是在2024年在全國范圍內運營。

TuSimple的卡車已經按照通常稱為4級自治的標準運行。它們可以驅動自己，但主要是在為其創建的環境中。

卡車通常在標記和維護良好的高速公路上在倉庫之間移動。從理論上講，這對于音視頻系統來說比較容易，但是大型鉆機長70英尺，難以操縱和停止，并且通常在車道兩側的間隙小于3英尺。
該公司所有的卡車都有一個人來操縱，而人和計算機都在不同的場合開車。當駕駛員處于控制狀態時，系統會記錄駕駛員的行為以及AI會做出的決定，然后通過機器學習對其進行分析。

早期，TuSimple會在自己的硬盤驅動器上收集數據，然后經過15個小時的過程將數據傳輸到云中。在2018年，它增加了AWS Snowball Edge設備，可以在車上記錄，標記和壓縮數據。這節省了在運行后必須執行這些任務的時間，還有助于從云中重新集成新的駕駛模型。

數據通過AWS Direct Connect（專用，安全，高速數據連接）與云之間來回傳輸，傳輸速度比以前快得多。

該公司的控制算法可以在裝滿拖車的情況下以65英里/小時的速度將卡車保持在4cm的準確車道中央。通過比人類更精確的油門和方向控制，它在旅途中的燃油經濟性也提高了10％。

存儲并遵守

TuSimple收集的大量數據也保留在云中，并進行索引以備將來使用，這是合規性的關鍵部分。

當創建一個機器學習模型來做出決策時，例如汽車的運行方式，需要能夠將輸入其中的數據用于以后的審核。關于需要保留數據多長時間的意見不一，但是一般的經驗法則是，數據需要保留10-15年，并且必須易于獲取。

AWS使將公司的所有數據存儲在一個中央位置（一個“數據湖”）成為可能。“數據湖”參考架構是由AWS在與眾多客戶合作應對其自治和ADAS數據面臨的挑戰之后專門開發的。

以類似于現貨實例的方式，它使各種級別的存儲可用于在分層定價系統中使用和保留數據。新鮮數據通常存儲在Amazon S3服務器上。可以將休眠數據移至Amazon Glacier，這成本非常低，但訪問速度較慢。它比磁帶解決方案更具成本效益和可訪問性。

通往5級的道路可能很漫長，音視頻開發商有機會微調其運營并在此過程中創造價值。最好的選擇是長期戰略。云計算可以提供幫助，云基礎架構的合作伙伴也可以提供幫助。