高阶智能驾驶系统中负责任务调度、远程控制和视频传输的平台，是连接车端智能与云端能力的关键基础设施。这类平台在行业内有多个专业术语，主流厂商各有独特命名，本质上属于车云协同架构，是实现数据驱动的持续改进和远程运维的核心技术支撑。
行业通用术语与概念体系
业内对这类平台尚未形成统一命名，但根据功能侧重和架构特点，主要有以下几类专业术语。
中国标准主导的命名体系
**云控系统（Cloud Control System, CCS）**是中国智能网联汽车产业创新联盟（CAICV）定义的核心概念。这是一个基于信息物理系统（CPS）的车路云一体化架构，包含三个层级：车端层（车载传感器与计算单元）、边缘云层（路侧基础设施与本地处理）、核心云层（中心化决策与数据分析）。该系统强调车路云的泛在互联、交通要素的数字映射、全局性能优化以及高效计算调度。
车路云一体化平台（Vehicle-Road-Cloud Integration Platform）是工信部2024年在20个城市推进的试点项目核心技术。这个概念将智能车辆、路侧基础设施和云端平台深度融合，通过C-V2X（蜂窝车联网）实现协同感知、协同决策和协同控制，支持L4级自动驾驶能力。中国特色的基础设施协同路径，使得云控平台在整体架构中的地位尤为突出。
国际通用的技术术语
**车云平台（Vehicle-Cloud Platform / V2C Platform）**是最广泛使用的中性术语，指车辆与云端服务之间的双向数据交换系统，涵盖远程诊断、OTA升级、数据分析、车队管理和预测性维护等功能。**远程操作平台（Teleoperation Platform）**则专指支持远程监控、远程辅助和远程驾驶的系统，这是德国、加州、上海等地法规要求的关键安全机制。
**车辆计算平台（Vehicle Computing Platform）**包括域控制器（Domain Controller, DCU）和中央计算平台（Central Computing Platform, CCP）。域控制器在车端负责特定域（如ADAS/AD域）的数据处理和决策执行，算力从64 TOPS到352+ TOPS不等。行业正在从”分布式ECU”向”域控制器”再向”中央集中式计算”演进。
**中间件平台（Middleware Platform）**是服务层的核心。AUTOSAR Adaptive平台是下一代ECU和域控制器的事实标准，采用面向服务架构（SOA），支持以太网主干通信、POSIX操作系统和OTA更新。与传统的信号式通信不同，SOA架构通过服务发现、动态绑定实现模块化开发和灵活部署。
主流厂商的平台命名与实现
中国智驾厂商的平台策略
小鹏汽车的核心是XEEA 3.5架构（又称扶摇SEPA 2.0），这是首个座舱驾驶一体化的中央计算架构。小鹏自研SOA平台支持千兆以太网主干，实现智驾、座舱、车控的跨域融合。在操作系统层面，XOS天玑系统（第五代）基于高通骁龙8295芯片，集成AI小P助手、AI司机和AI保镖功能。小鹏的自动驾驶系统XNGP采用端到端模型和2K纯视觉占用网络，XPlanner规划控制大模型实现全国无图覆盖。远程功能包括智能召唤、自动泊车以及车顶摄像头的远程控制拍摄录像，这些功能通过实时视频传输和低延迟指令实现。
华为的生态最为完整，核心云服务名为**”乾崑”车云服务3.0**，包含乾崑智驾、鸿蒙座舱、乾崑车控和乾崑车云四大组件。更早推出的**”八爪鱼”自动驾驶云服务**（HUAWEI Octopus）提供数据服务、训练服务和仿真服务，支持PB级存储、1万+仿真场景和每日500万公里虚拟测试。华为的**”云鹊”大模型方案**是十亿级参数的故障诊断系统，将诊断时间从小时级压缩到分钟级。车端计算平台是MDC系列（Mobile Data Center），从MDC210到MDC810，算力覆盖48至400+ TOPS，搭载自研的AOS（自动驾驶操作系统）和VOS（车辆操作系统）。华为的乾崑智驾ADS 3.0采用端到端架构，包含GOD感知网络和PDP规划网络，配备192线D3激光雷达和4D毫米波雷达。远程能力涵盖云端诊断修复、OTA升级、乾崑云瞰服务（远程监控）和行车记录仪视频处理。
理想汽车在2025年NVIDIA GTC大会发布MindVLA（Vision-Language-Action）架构，这是多模态融合的端到端自动驾驶模型，计划在2025年下半年商业化部署。MindVLA结合快系统（直觉反应的端到端模型）和慢系统（22B参数的VLM用于复杂推理），通过Action Token并行解码机制和Diffusion轨迹预测实现空间智能、语言智能和行为智能的统一。星环OS（Star Ring OS）作为车辆操作系统与VLA协同工作，运行在双Orin-X芯片上。理想的VLA远程召唤功能曾开发完成，但因监管申报要求于2024年9月暂停，该功能支持多楼层车库导航、自动车辆召回，通过理想App提供前视、后视、鸟瞰的多角度实时视频流。理想强调全栈自研，从应用层到底层软件、芯片设计和板卡设计均具备能力。
蔚来汽车是首家拥有完整车辆操作系统的中国车企，其SkyOS·天枢采用1+4+N架构。”1″是SkyOS-H（Hypervisor多操作系统虚拟化层），”4″是四个内核：SkyOS-L（轻量级实时OS用于MCU）、SkyOS-M（微内核用于车控）、SkyOS-R（高性能OS用于自动驾驶）、SkyOS-C（定制化Android用于智能座舱），”N”是连接所有系统的中间件层。这是典型的车端全域操作系统。智能座舱系统Banyan榕3.0.0基于SkyOS-C集成AI能力，NOMI Agents多智能体框架包含6个智能代理（停车助手、守卫摘要、服务管家、探索发现、旅行回忆、NOMI DJ）。蔚来的**NIO World Model（蔚来世界模型）**是中国首个智驾世界模型，可在100毫秒内预测216个场景，从3秒提示生成120秒视频。4D全域舒适领航通过多传感器融合感知（水平、纵向、垂直+时间维度）实现AI智能底盘控制，已识别1.8亿+颠簸事件，覆盖全国94%+县级城市，通过群体智能共享训练。蔚来的远程功能包括通过NIO App控制FOTA升级、远程泊车、雨天自动关窗提醒和NFC钥匙管理。视频能力方面，驾驶员疲劳监测完全本地处理，后视镜娱乐相机本地存储可选上传至蔚来App云空间，哨兵模式提供24小时在线监控和多角度覆盖。
国际智驾巨头的平台架构
特斯拉的核心是车队学习系统（Fleet Learning / Data Engine），利用全球400万+车辆的数据优势。特斯拉处理每秒40万个视频片段，48个神经网络协同工作，每次训练周期消耗7万GPU小时。车队学习的五大支柱包括：自动策展（深度学习查询稀有场景）、弱监督学习（人类驾驶行为自动标注）、自监督学习（未来事件标注过去数据）、模仿学习（人类接管训练规划模型）和强化学习（轨迹生成）。**影子模式（Shadow Mode）**让神经网络在后台运行并与人类驾驶决策对比，自动标记边缘案例。**车队遥测平台（Fleet Telemetry）**是开源的流式数据传输服务器，使用Protocol Buffers格式，采用基于变化的流式传输（仅在间隔时间到且值变化时传输），车辆可缓冲5000条消息应对连接中断。**智能召唤（Smart Summon / Actually Smart Summon）**支持65米范围内的远程控制，通过8个摄像头提供360度覆盖，采用鸟瞰变换网络，移动应用实时显示摄像头画面。FSD v12采用端到端神经网络，用AI取代了30万行C++代码。
奔驰的DRIVE PILOT是全球首个通过UN-R157认证的SAE L3级有条件自动驾驶系统，可在德国、加州和内华达州合法使用（速度上限从60公里/小时扩展至95公里/小时）。传感器套件包括激光雷达（前格栅）、高精度定位系统（车顶）、后窗摄像头、麦克风（检测紧急车辆）和车轮井路面湿度传感器。后端高精地图系统存储在数据中心，提供厘米级精度的三维数字地图（传统导航地图仅米级），包含道路几何、车道定位、交通标志和特殊事件信息，通过高精度GPS和恒定的后端更新保持同步。安全架构采用主副双通道ASIL处理（执行者-检查者模式），配备冗余转向、制动执行器和车载电气系统。MB.OS是即将在MMA平台（Mercedes Modular Architecture）上推出的定制化芯片到云架构，完全内部设计开发，整合娱乐系统、自动驾驶、车身舒适和驾驶充电等全部车辆域。
宝马与高通合作开发Snapdragon Ride Pilot系统，采用Snapdragon Ride Vision SoC，算力是上一代的20倍，配备8MP和3MP高清摄像头实现360度传感器融合。云端基础设施是AWS自动驾驶数据框架（ADDF），这是一个事件驱动的数据网格环境，提供数据摄取、质量控制、自动标注、仿真和KPI计算服务。DXC Robotic Drive是基于Kubernetes的平台即服务（PaaS），运行在Red Hat OpenShift上，提供约230 PB可用存储和2.4亿公里测试数据的仿真能力。安全架构同样采用主备双计算机的执行者-检查者方法，主通道计算主轨迹，副通道监督主通道并提供安全轨迹，将AI感知与经典确定性算法结合。
Waymo的核心系统称为Waymo Driver，基础模型是Waymo Foundation Model。第五代硬件套件包含29个摄像头（重叠视野可看到500米外的停车标志）、定制设计的激光雷达（Laser Bear Honeycomb，现对外销售）和重新设计的毫米波雷达。后端利用Google Cloud基础设施，通过AutoML自动生成激光雷达分割神经网络，持续从车队数据训练模型。Cruise的后端平台名为Cruise PaaS（Platform as a Service），基于Google Kubernetes Engine（GKE），架构包含多租户、多集群和多环境，提供3D地图、驾驶仿真、机器学习管道和数据处理等核心服务。
技术架构与核心功能
这类平台采用三层分层架构，是典型的车云协同分布式系统。
三层协同架构设计
车辆层是边缘智能端点，配备车载计算单元（域控制器或中央计算平台）、多模态传感器（摄像头、激光雷达、毫米波雷达、GPS）、执行器和OBU车载单元。车端负责本地感知、传感器融合、紧急响应和基础路径规划，要求超低延迟（小于10毫秒）处理安全关键任务如紧急制动、碰撞避免和车辆稳定控制。算力需求从20 TOPS到100+ TOPS，功耗需控制在30W以内，采用异构计算（GPU处理CNN、CPU执行控制逻辑、DSP进行信号处理）。
边缘层部署多接入边缘计算（MEC）服务器，与5G基站共址或部署在路侧单元（RSU）。边缘计算处理区域数据聚合、本地优化和低延迟决策支持，执行实时感知融合、碰撞避免决策、局部路径规划、协同感知和视频预处理压缩等任务。延迟控制在10-50毫秒，可减少60-80%的云端带宽消耗，提供本地缓存（地图、模型）和区域交通优化。
云层是中心化智能中枢，提供全局交通优化、高精地图更新、长期学习、车队管理、深度学习模型训练、历史数据分析和数字孪生建模。云端拥有海量计算资源（数千GPU）和几乎无限的存储容量，虽然延迟较高（50-200毫秒），但支持批处理和大规模AI训练。
四大核心功能模块
任务调度与编排根据紧急程度分类任务：极重要任务VIT（障碍物检测、车道保持、碰撞避免，最高优先级）、重要任务IT（导航、交通信息、辅助驾驶）和普通任务NT（娱乐、诊断、非关键更新）。调度算法包括最佳匹配替换调度BFRS（考虑任务截止期限和服务器能力）、多智能体强化学习MADDPG（动态任务分配）、以信息新鲜度为中心的AoI优化和最早截止期优先EDF算法。资源管理实现跨异构计算平台（CPU/GPU/DSP）的动态分配、基于车辆移动性的MEC服务器间任务迁移、Lyapunov优化平衡系统稳定性和Kubernetes微服务编排实现可扩展性。
远程控制与操作包含四种类型：远程监控（持续监督车辆状态无直接干预）、远程辅助（人在环路提供指导和建议）、远程管理（车队战略控制、路线规划、资源分配）和远程驾驶（特殊情况下的完全接管控制）。技术实现需要通过5G/LTE网络实现低延迟指令传输、为态势感知提供实时视频流、通信中断的故障转移机制和经过身份验证的控制命令安全协议。爱立信/斯堪尼亚研究显示，远程控制需要网络往返时间RTT低于4毫秒（5G可实现），视频流延迟必须最小化（安全操作通常需小于100-200毫秒）。
视频与数据传输面对自动驾驶车辆每秒产生约1 GB传感器数据的挑战，采用智能压缩与选择策略，仅传输需要关注的帧。通信协议包括：DDS（数据分发服务）用于具有QoS保证的实时视频流，MQTT用于轻量级遥测和状态更新，WebRTC/RTP用于远程操作视频源。数据流架构为：上行链路（车辆传感器数据→边缘处理→选择性云上传）、下行链路（云端智能→边缘缓存→车辆交付）、横向链路（车到车V2V直接通信用于协同感知）。视频处理管道分为车辆端（原始捕获、预处理、特征提取）、边缘端（目标检测、跟踪、场景理解）和云端（深度学习模型训练、模式分析、地图更新）。
实时监控与数字孪生实现车辆状态监控（实时跟踪位置、速度、电池、系统健康）、交通流监控（聚合数据分析预测拥堵）、基础设施监控（RSU状态、网络质量、边缘服务器负载）和数字孪生建模（云端交通场景虚拟表示）。本地动态地图平台LDMP采用四层结构（静态地图、半静态、半动态、动态对象），实时融合车辆和路侧感知数据，使用CPM（协同感知消息）格式兼容C-ITS，实现厘米级定位精度。
通信协议与中间件
**DDS（数据分发服务）**是高性能实时数据交换的首选，采用对等分散式架构和以数据为中心的发布订阅模型，提供丰富的QoS策略（可靠性、延迟、持久性、截止期限监控）。性能指标包括51 Gbps吞吐量和15微秒延迟（Cyclone DDS）。DDS是AUTOSAR Adaptive和ROS2的基础，应用于车辆控制、传感器融合和V2V/V2I通信。
**MQTT（消息队列遥测传输）**采用基于代理的轮辐式架构，适合低带宽IoT场景，提供三级QoS（最多一次、至少一次、恰好一次），主要用于遥测、诊断和非实时数据上传，但延迟高于DDS且依赖中心化代理。
SOME/IP（基于IP的可扩展面向服务中间件）是AUTOSAR Adaptive内的汽车专用设计，支持服务发现和方法调用，针对车辆以太网网络优化，应用于ECU到ECU通信和域控制器集成。
**C-V2X（蜂窝车联网）**基于LTE/5G蜂窝网络，提供Uu模式（基于网络）和PC5模式（直接通信），频率分配在5.905-5.925 GHz，5G可实现亚毫秒延迟和高可靠性，应用于V2N（车到网络）、V2I、V2V和V2P（行人）。
AUTOSAR Adaptive是高性能ECU的面向服务架构，提供C++ API的运行时环境，通信管理器CM抽象SOA和基于REST的通信，支持异构计算平台和时间敏感网络TSN的确定性通信集成。ROS2基于DDS中间件实现实时能力，提供发布订阅和服务/动作通信模式，跨平台支持（Linux/QNX/VxWorks），v2.0改进了v1.0的安全问题。
平台定位与战略重要性
这类平台是智能驾驶技术栈的连接层，位于核心车载自动驾驶栈（感知、定位、规划、控制、执行）之上，纯云服务之下，充当关键的通信和编排层。
技术栈中的桥梁作用
这些平台实现车辆与云基础设施之间的双向数据流，支持远程监控和干预能力，实现车队级协调和学习，提供空中下载OTA更新到所有系统组件。如爱立信/微软的互联车辆云平台，每天处理每辆车4000 GB数据，管理全球450万+互联车辆，实现软件与硬件解耦以灵活更新，提供跨多个网络提供商的统一接口。
使能的关键能力
远程控制与遥操作使能智能召唤/远程泊车功能（特斯拉可在停车场自主导航200英尺到达车主位置，宝马远程代客泊车概念支持完全远程驾驶用于泊车操作）。当自动驾驶系统遇到无法解决的场景时，远程人类操作员可接管控制，这对SAE L4部署至关重要。作为自动驾驶车队的后备机制，远程安全驾驶员可在AI决策失败时介入，如Vay提供的”远程驾驶即服务”，训练有素的远程操作员从远程站点控制车辆。业务价值在于减少每辆车的安全驾驶员需求（节省人力成本），在受限环境（物流园区、施工现场）实现自动驾驶操作，通过解决边缘案例的监管关切加速商业部署。
视频传输与数据收集是车队学习的基础。特斯拉方法展示了车队学习的五大支柱：自动策展（深度学习查询从50万+车辆中识别稀有高熵场景）、弱监督学习（人类驾驶的行为线索自动标注训练数据）、自监督学习（未来事件标注过去数据，如预测变道插入）、模仿学习（人类干预训练规划模型）和持续模型改进（车辆数量比Waymo多1000倍，特斯拉收集的训练数据成比例更多）。数据量方面，测试车辆在8小时班次中生成200+ TB原始数据，单个自动驾驶家庭每天上传5-8 GB（每月150-240 GB），6个月内上行数据流量增加437%。事故记录与分析包括行车记录仪视频用于保险理赔和事故重建，自动驾驶解除事件被捕获用于安全分析，人类-AI”分歧”场景被标记审查，这对监管合规和责任管理至关重要。
OTA更新与持续改进将车辆从静态产品转变为持续改进的服务，使制造商能够维持售后客户关系。更新范围包括全车OTA（24+供应商的33+ ECU等所有可编程设备）、软件空中下载SOTA（应用和操作系统更新）、固件空中下载FOTA（底层硬件固件更新）和自动驾驶栈更新（感知、规划、控制算法）。关键能力包括快速安全响应（数小时内向整个车队部署安全补丁，在利用前解决漏洞，远程实施监管合规更新）、功能添加与增强（购买后添加新ADAS能力，改进自动驾驶性能，更新用户界面和娱乐系统，实现”按需功能”商业模式）和算法优化（使用新训练数据更新感知神经网络，基于车队经验优化决策算法，改进电动车电池管理，优化车辆动力学和效率）。业务影响包括成本节省（消除物理召回，每辆车节省500-1000美元）、延长产品生命周期（车辆随时间改进而非贬值）、新收入来源（订阅功能、软件升级）和客户满意度（无需经销商访问即可获得最新功能）。
数据驱动的闭环生态
平台支持闭环开发周期：车队车辆持续生成运营数据→边缘计算过滤关键与非关键数据→非高峰时段上传压缩数据到云端→DataOps摄取、策划、提取和标注数据→MLOps训练感知、规划和控制模型→ValidationOps针对真实场景测试模型→OTA更新将改进模型推送到车队→A/B测试和分阶段推出→实时性能指标监控→边缘案例检测触发新数据收集。这个循环创造了强大的竞争护城河：拥有更大车队的公司收集更多训练数据→更好的数据产生更好的AI→更好的AI带来更好的自动驾驶→网络效应创造赢家通吃动态，特斯拉的车队优势可能使其追上Waymo，尽管技术差距存在。
商业价值与战略地位
直接收入来源包括按需功能订阅（如宝马加热座椅、特斯拉FSD）、高级连接服务、保险远程信息处理（基于使用的定价）和数据货币化（向第三方提供匿名驾驶模式）。成本削减通过远程诊断减少服务中心开销、OTA更新消除物理召回成本、预测性维护防止昂贵故障和车队优化降低运营成本。竞争差异化体现在持续改进创造”活的产品”、比竞争对手更快的功能部署、卓越的数据收集使能更好的AI以及网络效应（更多车辆=更好的训练数据=更好的性能）。
没有云连接和远程平台，自动驾驶车辆无法：从车队经验中学习（困于出厂安装的AI）、响应边缘案例（无远程干预）、接收安全更新（易受网络攻击）、优化操作（无车队协调）、产生售后收入（静态产品）。这使得这些平台从可选的支持工具演变为自动驾驶移动的中枢神经系统。随着车辆成为”轮子上的计算机”、移动成为”运输即服务”，这些平台将实时编排数百万辆自动驾驶车辆，从集体车队经验中持续学习，快速适应新场景、法规和用户需求，将车辆连接到智慧城市基础设施和能源网格，实现新商业模式和收入来源。
结论：车云协同的必然选择
综合分析表明，高阶智能驾驶中的任务调度、远程控制和视频传输平台，本质上是车云协同平台，而非单纯的车端或云端平台。中国强调的”车路云一体化”增加了路侧基础设施层，形成三层协同；国际主流采用”车云两层”架构，通过边缘计算MEC实现云边协同。
这个平台在智能驾驶解决方案中扮演数据枢纽、远程指挥中枢和持续进化引擎的三重角色。它不是可有可无的辅助工具，而是从L2+向L4/L5演进的必要基础设施。掌握这些平台——融合硬件、软件、连接、AI和数据——的公司，将定义未来交通的格局。自动驾驶的竞争，越来越成为数据平台、云基础设施和持续学习能力的竞争，而非单纯的传感器硬件和车载计算能力的比拼。
暂无评论内容