1、谈谈自己对区域概念的理解簡述区域的类型及其划分方法。

答：区域的概念：区域是一个空间概念是地球表面上占有一定空间的,以不同物质与非物质客体为对象的區域结构形式。区域的类型及其划分方法：

○1区域的概念划分：均质区、结节区○2区域的特性划分：整体性、结构性、动态性

2、我国当前區域发展面临的主要问题有哪些

答：区域差距、发展与资源、地区间恶性竞争、区域合作不完善。

3、区域分析的主要内容是什么试结匼你自己熟悉区域举例说明。

答：（1）区域发展条件分析（自然、社会)（2）发展状况及存在的问题（经济分析）经济水平、阶段、产业结構（3）发展方向机策略研究

4、谈谈你对区域发展、区域研究、区域科学三个概念及其间关系的认识

答：区域发展是指一定时空范围内所進行的以资源开发、产业组织和结构优化为中心的一系列经济社会活动。区域研究是以综合、全面的把握或理解某一特定区域的人类团体所创造的政治经济社会文化系统为目的的他把区域作为复合系统来研究，在一定时间空间范围内整体的把握研究对象区域科学是用各種近代计量分析和传统区位分析相结合的方法，由区域或空间的诸要素及其组合所形成的差异和变化的分析入手对不同等级和类型区域嘚社会经济发展等问题进行研究的应用学科。关系：相互依存、互为因果、不可分割区域发展是以人为主体，一协调区域内部和区域之間人地关系为目的并最终为人类提供良好生存环境的一系列经济社会活动，具有目的性无限性可持续性区域研究是源于对区域经济社會发展问题的探讨，是区域不断持续快速发展人类社会不断进步所提出的客观要求。区域科学是一门研究人类活动区域的跨学科新兴科學目的是探索一条更加科学的方法来开展区域研究，为区域发展及区域分析等提供可靠的理论基础

1、简述生态环境与区域发展的关系答：自然环境极其变迁对人类经济社会发展具有重要的影响，同时也对人类文化产生着重大的影响他是文化存在和发展的物质条件，生態环境问题也会制约区域的发展区域发展是生态环境保护的前提。区域发展是生态环境保护的前提改善生态环境是为了更好地促进区域发展，同时区域发展也应该是建立在保护生态环境基础上的可持续发展。

2、什么是生态环境质量简述生态环境质量评价的内容与方法。答：（1）生态环境质量：是指在一个具体的时间和空间范围内生态系统的总体或部分生态因子的组合体对人类的生存及社会经济持续發展的适宜程度2）内容：生态环境调查、生态环境现状评价和影响评价。（3）评价方法：指数法、模糊综合评价法、灰色关联分析法、景观生态学法

3、简述生态破坏经济损失估算的方法答：（1）成本—效益分析是环境经济学的基本分析方法，是各种生态破坏经济损失评估方法的基础目前与之相关的评估方法主要有直接市场法、替代市场法、实验评价法和成果参照法。

4、说明生态补偿的对象、补偿主体、补偿标准和补偿方式答：（1）补偿对象：生态环境和自然资源的保护者（2）补偿主体：那些对生态环境造成影响的单位和个人，以及從生态建设和环境保护中获益的单位和个人可将其分为三大类：政府补偿、市场补偿和社会补偿。（3）补偿标准：既切合实际又合理的苼态建设的成本补偿因时、地而异，因程度而异（4）补偿方式：经济补偿（财政转移支付、基金、押金和执行保证金制）、非经济补償（实物补偿、技术（智力）补偿、政策补偿）。

5、何为外部性如何解决环境污染的外部性问题？答：（1）外部性：是指经济主体之活動对于该活动无直接关系的他人或社会所产生的影响。外部性指的是私人收益与社会收益、私人成本与社会成本不一致的现象（2）解決措施：外部效果内部化。政府的直接管制、基

自动驾驶是新一轮科技革命背景丅的新兴技术据麦肯锡预测，2030年售出的新车中自动驾驶汽车的比例将达到15%......

本文来源：边缘计算面临的问题有哪些计算社区

自动驾驶是噺一轮科技革命背景下的新兴技术，集中运用了现代传感、信息与通信、自动控制、计算机和人工智能等技术代表着未来汽车技术的方姠，也是汽车产业转型升级的关键是目前世界公认的汽车发展方向。据麦肯锡预测2030年售出的新车中，自动驾驶汽车的比例将达到15%

其實早在20世纪80年代，在美国国防部先进研究项目局的支持下自动驾驶技术的研究热潮就已经掀起。1984 年卡耐基梅隆大学研发了全世界第一輛真正意义上的自动驾驶车辆，该车辆利用激光雷达、计算机视觉及自动控制技术完成对周边环境的感知并据此做出决策自动控制车辆，在特定道路环境下最高时速大约31km/h

2014年，国际汽车工程师协会（SAE International）制订了一套自动驾驶汽车分级标准 将汽车智能化水平分成 6 个等级：无洎动化、驾驶支援、部分自动化、有条件自动化、高度自动化、完全自动化，具体定义如图 5-7 所示

01. 边缘计算面临的问题有哪些计算在自动駕驶中的应用场景

汽车自动驾驶具有“智慧”和“能力”两层含义。所谓“智慧”是指汽车能够像人一样智能地感知、综合、判断、推理、决断和记忆；所谓“能力”是指自动驾驶汽车能够确保“智慧” 有效执行可以实施主动控制，并能够进行人机交互与协同自动驾驶昰“智慧”和“能力” 的有机结合，二者相辅相成缺一不可。

为实现“智慧”和“能力”自动驾驶技术一般包括环境感知、决策规划囷车辆控制三部分。类似于人类驾驶员在驾驶过程中通过视觉、听觉、触觉等感官系统感知行驶环境和车辆状态，自动驾驶系统通过配置内部和外部传感器获取自身状态及周边环境信息内部传感器主要包括车辆速度传感器、加速传感器、轮速传感器、横摆角速度传感器等。主流的外部传感器包括摄像头、激光雷达、毫米波雷达及定位系统等这些传感器可以提供海量的全方位行驶环境信息。为有效利用這些传感器信息需要利用传感器融合技术将多种传感器在空间和时间上的独立信息、互补信息以及冗余信息按照某种准则组合起来，从洏提供对环境的准确理解决策规划子系统代表了自动驾驶技术的认知层，包括决策和规划两个方面

决策体系定义了各部分之间的相互關系和功能分配，决定了车辆的安全行驶模式 ；规划部分用以生成安全、实时的无碰撞轨迹车辆控制子系统用以实现车辆的纵向车距、車速控制和横向车辆位置控制等，是车辆智能化的最终执行机构环境感知和决策规划对应自动驾驶系统的“智慧”，而车辆控制则体现叻其“能力”

为了实现 L4 级或L5 级的自动驾驶，仅仅实现单车的“智慧”是不够的如图 5-8 所示，需要通过车联网 V2X 实现车辆与道路以及交通数據的全面感知获取比单车的内外部传感器更多的信息，增强对非视距范围内环境的感知并通过高清3D动态地图实时共享自动驾驶的位置。例如在雨雪、大雾等恶劣天气下或在交叉路口、拐弯等场景下，雷达和摄像头无法清晰辨别前方障碍通过V2X来获取道路、行车等实时數据，可以实现智能预测路况避免意外事故的发生。

随着自动驾驶等级的提升并且配备的车内和车外高级传感器更多，一辆自动驾驶汽车每天可以产生高达大约 25TB 的原始数据这些原始数据需要在本地进行实时的处理、融合、特征提取，包括基于深度学习的目标检测和跟蹤等高级分析；同时需要利用 V2X 提升对环境、道路和其他车辆的感知能力通过 3D 高清地图进行实时建模和定位、路径规划和选择、驾驶策略調整，进而安全地控制车辆由于这些计算任务都需要在车内终结来保证处理和响应的实时性，因此需要性能强大可靠的边缘计算面临的問题有哪些计算平台来执行考虑到计算任务的差异性，为了提高执行效率并降低功耗和成本一般需要支持异构的计算平台。

1．自动驾駛的发展现状

参与自动驾驶技术开发的企业大体可以分为五种：平台厂商（例如谷歌Waymo、百度Apollo）硬件供应商（例如英特尔 CPU/FPGA、英伟达 GPU），车企（例如特斯拉、奥迪、通用）车辆零部件企业（例如博世），技术解决方案提供者（例如英特尔 Mobileye）截至目前，市场主要以 L2 级自动驾駛的量产以及拥有 L3 级或 L4 级的部分功能为主

L2级的自动驾驶基本有两种解决方案：一种是现在很多传统车厂使用的前视摄像头，加毫米波雷達和视觉感知芯片的方案；还有一种则是类似特斯拉、谷歌等使用的多个摄像头与声波雷达环视并通过一个中央计算机进行融合计算的方案。

目前特斯拉Autopilot在 ADAS 市场上已经达到了无人驾驶 L2级水准并拥有部分 L3 级的潜力，但是由于预警信息还不完全到位并没有完全达到 L3 级。特斯拉 Autopilot的进化史是“硬件先行软件后更新”。每一台特斯拉都会配置当时最新的硬件然后通过OTA不断更新固件，获得更完善的驾驶辅助或洎动驾驶功能

自2016 年 10 月以来，特斯拉生产的每辆汽车都配备有自动驾驶硬件套件包括摄像头、雷达、超声波传感器和可升级的车载计算機。目前全球大约有 150000 台这种“Auto2.0”硬件版本的特斯拉正行驶在路上，同时软件系统可以通过OTA 更新升级车辆庞大的用户群可以源源不断地供给真实路况的驾驶数据，帮助Autopilot训练和迭代算法

自从谷歌的“萤火虫”退役之后，Waymo更倾向于打造从算法到硬件的一整套体系让汽车厂商能够直接安装于自家车上就成了自动驾驶，类似安卓在智能手机中的上游位置包括定制化的芯片和激光雷达传感器。Waymo方案是提前为自動驾驶汽车要运行的汽车进行环境建模 比一般意义上的高清地图包含更多的环境细节信息，然后通过计算机视觉与激光雷达的算法融合形成自动驾驶的策略和算法基础。因此Waymo一般在自己掌握完整环境数据的地区才会开展服务，并通过在美国各个地区各种极端环境下展开测试，积累大量的实车上路数据从而逐步扩大技术能适应的能力范围。

Mobileye主要从事 ADAS 系统和自动驾驶视觉技术开发拥有针对自动驾驶領域自主研发的 EyeQ 系列视觉处理芯片以及配套的基于视觉算法的完整解决方案。目前该方案已经更新到第五代，第六代 EyeQ 6 也在紧锣密鼓的开發中Mobileye 的最大优势在于使用单一摄像头采集路面信息，对周围环境进行精细解读无须更多的摄像头从而降低方案成本。

2017 年 3 月英特尔花費 153 亿美元收购了这家全球最大的ADAS 供应商。对于英特尔来说收购 Mobileye 是其构建自动驾驶版图中非常重要的一环。在收购 Mobileye 之前英特尔还先后收購了FPGA 芯片巨头 Altera、视觉算法公司 Movidius，以此形成了自动驾驶端到端的完整解决方案

在中国，百度在自动驾驶领域布局最早也最全面百度的Apollo策畧与谷歌 Waymo不同， 主要区别在于 Waymo并不愿意放弃硬件体系的主导权而 Apollo则更愿意显现出开放的姿态， 以多领域的人工智能技术、平台服务、软件服务为主在硬件端，Apollo提出的是构建参考硬件体系并希望吸引更多垂直硬件领域的合作者。截至 2018年 12月百度 Apollo生态合作伙伴规模已达 133家。Apollo开放平台目前已发展到 3.0阶段包括开放认证平台、参考硬件平台、开放软件系统、云服务平台及完整解决方案等 5个主要功能平台，达到茬限制条件下如封闭园区内的产品级的自动驾驶

此外，从 2016年开始百度便在路侧感知传感器方案、路侧感知算法、车端感知融合算法、數据压缩与通信优化、V2X终端硬件及软件、V2X安全等方面布局，进行 “车路协同”全栈研发成为业内最早布局车路协同的公司之一。在商业囮方面百度Apollo与金龙客车打造的全球首款 L4 级量产自动驾驶巴士“阿波龙”已于2018年 7 月 4 日量产下线。

在自动驾驶的边缘计算面临的问题有哪些計算平台选择方面目前大部分厂家选择以CPU 或 GPU 为主的计算平台。例如谷歌从 2009 年开始开发无人车采用英特尔的计算平台，包括最新的克莱斯勒大捷龙无人车如图 5-9 所示，采用了英特尔的 Xeon 服务器芯片、Altera 的 FPGA 和英特尔的以太网关芯片

实际上不只是Waymo，百度计算参考平台基于台湾 Neousys Nuvo-6108GC 工控机使用英特尔双至强E5- 核 CPU，主要用来处理激光雷达云点和图像数据另一部分为FPGA。

相比自动驾驶领域比较新的技术如TSN网络交换器，大蔀分厂家都会选择用 FPGA 实现自动驾驶原因主要是 TSN 协议复杂，标准延续的周期很长在 ADAS 领域，FPGA 用得更多奔驰S系列每辆车使用多达 18 个 FPGA。

FPGA 最突絀的优势是功耗低一般只有同样性能 GPU 的 1/10。这使得 FPGA 更容易通过严苛的车规级认证特别是高等级的ISO26262认证。由于 ASIC 的开发和量产周期长等特点目前在自动驾驶领域使用 ASIC 的较少。

2．自动驾驶边缘计算面临的问题有哪些计算的趋势

目前在自动驾驶中使用的工控机是一种加固的增强型个人计算机如图5-10 所示，它可以作为一个工业控制器在工业环境中可靠运行采用符合EIA 标准的全钢化工业机箱，增强了抗电磁干扰能力并采用总线结构和模块化设计技术。CPU 及各功能模块皆使用插板式结构并带有压杆软锁定，提高了抗冲击、抗振动能力整体架构设计需要考虑 ISO26262 的要求。CPU、GPU、FPGA 以及总线都做冗余设计防止出现单点故障。

当整体 IPC 系统失效时还有 MCU做最后的保证，直接发送指令到车辆 CAN 总线中控制车辆停车目前这种集中式的架构比较方便，将所有的计算工作统一放到一个工控机中算法迭代不需要过度考虑硬件的整体设计和車规要求，用传统的 x86 架构就可以非常快捷地搭建出计算平台卡槽设计也方便更新硬件。

但此方案整体体积较大、功耗高不适用于未来嘚量产。随着自动驾驶的成熟和量产将越来越多地采用域控制器嵌入式的方案 ：将各个传感器的原始数据接入到 Sensor Box 中，在 Sensor Box 中完成数据的融匼再将融合后的数据传输到计算平台上进行自动驾驶算法处理。自动驾驶汽车功能复杂为了保证各个模块和功能间不互相影响，且出於安全性考虑将大量采用域控制器。根据不同的功能实现分为车身域控制器、车载娱乐域控制器、动力总成域控制器、自动驾驶域控制器等以自动驾驶域控制器为例，其承担了自动驾驶需要的数据处理运算包括毫米波雷达、摄像头、激光雷达、组合导航等设备的数据處理，也承担了自动驾驶算法的运算

随着自动驾驶的技术发展算法不断完善。算法固化后可以做 ASIC 专用芯片将传感器和算法集成到一起，实现在传感器内部完成边缘计算面临的问题有哪些计算进一步降低后端计算平台的计算量，有利于降低功耗、体积例如激光雷达处悝需要高效的处理平台和先进的嵌入式软件。Renesas 公司将包含高性能图像处理技术及低功耗的汽车 R-CarSoC 与 Dibotics 的 3D 实时定位和制图（SLAM）技术相结合提供 SLAM on Chip ，可在 SoC 上实现实时、先进的激光雷达数据处理同时，随着深度学习算法在自动驾驶的模型训练及推理中应用得越来越多一些厂商也开始定制自己的 AI 芯片：例如百度的昆仑，将在Autopilot 3.0 上使用自研处理芯片的特斯拉

自动驾驶除了包括车载计算单元，还涉及 RSU、MEC 和 CDN 等边缘计算面临嘚问题有哪些服务器随着 5G 技术的商用，特别是对于车路协同解决方案（V2X）将满足其对于超大带宽和超高可靠性的需求。同时原本在數据中心中运行的负载可以卸载到网络边缘计算面临的问题有哪些侧，例如高清 3D 地图更新、实时交通路况的推送、深度学习模型训练和大數据分析等从而进一步降低传输时延，提高响应速度

02. 自动驾驶的边缘计算面临的问题有哪些计算架构

自动驾驶的边缘计算面临的问题囿哪些计算架构依赖于边云协同和LTE/5G提供的通信基础设施和服务。边缘计算面临的问题有哪些侧主要指车载边缘计算面临的问题有哪些计算單元、RSU 或 MEC 服务器等其中车载单元是环境感知、决策规划和车辆控制的主体，但依赖于RSU 或 MEC 服务器的协作如 RSU 给车载单元提供了更多关于道蕗和行人的信息。但是有些功能运行在云端更加合适甚至无法替代例如车辆远程控制、车辆模拟仿真和验证、节点管理、数据的持久化保存和管理等。

自动驾驶边缘计算面临的问题有哪些计算平台的特点主要包括如下几点

目前，每辆汽车搭载超过 60 ～100多个电子控制单元鼡来支持娱乐、仪表盘、通信、引擎和座位控制等功能。例如一款豪华车拥有144个 ECU，其中约 73 个使用 CAN 总线连接、61 个使用 LIN 网络剩余 10 个使用 FlexRay，這些不同 ECU 之间互联的线缆长度加起来长达 4293m这些线缆不仅增加成本和重量，对其进行安装和维护的工作量和成本也非常高

随着电动汽车囷自动驾驶汽车的发展，包括 AI、云计算、车联网 V2X 等新技术不断应用于汽车行业中使得汽车控制系统的复杂度愈来愈高。同时人们对于數字化生活的需求也逐渐扩展到汽车上，例如4K娱乐、虚拟办公、语音与手势识别、手机连接信息娱乐系统（IVI） 等所有这些都促使着汽车品牌厂商不断采用负载整合的方式来简化汽车控制系统，集成不同系统的 HMI缩短上市时间。具体而言就是将 ADAS、IVI、数字仪表、HUD 和后座娱乐系统等不同属性的负载，通过虚拟化技术运行在同一个硬件平台上如图5-11所示。

同时基于虚拟化和硬件抽象层 HAL 的负载整合，更易于实现雲端对整车驾驶系统进行灵活的业务编排、深度学习模型更新、软件和固件升级等

由于自动驾驶边缘计算面临的问题有哪些平台集成了哆种不同属性的计算任务，例如精确地理定位和路径规划、基于深度学习的目标识别和检测、图像预处理和特征提取、传感器融合和目标哏踪等而这些不同的计算任务在不同的硬件平台上运行的性能和能耗比是不一样的。一般而言对于目标识别和跟踪的卷积运算而言，GPU 楿对于 DSP 和 CPU 的性能更好、能耗更低而对于产生定位信息的特征提取算法而言，使用 DSP

因此为了提高自动驾驶边缘计算面临的问题有哪些计算平台的性能和能耗比，降低计算时延采用异构计算是非常重要的。异构计算针对不同计算任务选择合适的硬件实现充分发挥不同硬件平台的优势，并通过统一上层软件接口来屏蔽硬件多样性如图5-12所示为不同硬件平台适合负载类型的比较。 

自动驾驶汽车对系统响应的實时性要求非常高例如在危险情况下，车辆制动响应时间直接关系到车辆、乘客和道路安全制动反应时间不仅仅包括车辆控制时间，洏是整个自动驾驶系统的响应时间其中包括给网络云端计算处理、车间协商处理的时间，也包括车辆本身系统计算和制动处理的时间洳果要使汽车在 100km/h 时速条件下的制动距离不超过 30m，那么系统整体响应时间不能超过 100ms这与最好的F1车手的反应时间接近。

将自动驾驶的响应实時地划分到对其边缘计算面临的问题有哪些计算平台各个功能模块的要求包括：

• 对周围目标检测和精确定位的时间：15～20ms。

• 各种传感器数據融合和分析的时间：10～15ms

• 行为和路径规划时间：25～40ms。

在整个计算过程中都需要考虑网络通信带来的时延，因此由5G所带来的低时延高可靠应用场景（uRLLC）是非常关键的它能够使得自动驾驶汽车实现端到端低于1ms的时延，并且可靠性接近 100%同时 5G 网络可以根据数据优先级来灵活汾配网络处理能力，从而保证车辆控制信号传输保持较快的响应速度

车联网的核心是连接性，希望实现车辆与一切可能影响车辆的实体實现信息交互包括车人通信（V2P）、车网通信（V2N）、车辆之间通信（V2V）和车路通信（V2I）等。

V2X通信技术目前有 DSRC 与C-V2X（Cellular V2X即以蜂窝通信技术为基礎的 V2X） 两大路线。专用短距离通信技术（Dedicated Short Range CommunicationDSRC）发展较早， 目前已经非常成熟但随着 LTE 技术的应用推广和 5G 的兴起，未来 C-V2X 在汽车联网领域也将囿广阔的市场空间

DSRC 技术基于三套标准：

（1）IEEE1609，标题为“车载环境无线接入标准系列（WAVE）”定义了网络的架构和流程。

（2）SAEJ2735和 SAEJ2945定义了消息包中携带的信息该数据将包括来自汽车上的传感器的信息，例如位置、行进方向、速度和制动信息

（3）IEEE802.11p，它定义了汽车相关的“DSRC”嘚物理标准

技术的组网需要新建大量路侧单元 roadside unit，这种类基站设备的新建成本较大 其硬件产品成本也比较高。

的信息交互这项技术最吸引人的地方是它能紧跟变革，适应于更复杂的安全应用场景满足低时延、高可靠性和大带宽要求。C-V2X 的优势之一是直接利用现有蜂窝网絡使用现有基站和频段，组网成本明显降低随着蜂窝通信技术的发展，我国在 LTE 布局多年网络覆盖全国大部分地区，是全球最大的LTE 市場5G 通信已经开始商用，所以在中国市场 C-V2X 更被看好但未来也可能是DSRC 和

随着汽车电子和电气系统数量的不断增加，一些高端豪华轿车上有哆达100多个 ECU其中安全气囊系统、制动系统、底盘控制系统、发动机控制系统和线控系统等都是安全相关系统。当系统出现故障时系统必須转入安全状态或降级模式，避免系统功能失效而导致人员伤亡失效可能是由于规范错误（比如安全需求不完整）、人为原因的错误（仳如软件问题）、环境的影响（比如电磁干扰）等原因引起的。为了实现汽车电子和电气系统的功能安全设计《道路车辆功能安全》标准 ISO 26262 于 2011年正式发布，为开发汽车安全相关系统提供了指南该标准的基础是适用于任何行业的电子、电气、可编程电子系统的功能安全标准——IEC 61508。

按照 ISO 26262 标准对系统做功能安全设计前期重要的一个步骤是对系统进行危害分析和风险评估，识别出系统的危害并且对危害的风险等級——ASIL（Automotive Safety Integration Level汽车安全完整性等级）进行评估。ASIL有四个等级分别为 A、B、C 和D。其中 A 是最低的等级D是最高的等级。ASIL 等级决定了对系统安全性嘚要求ASIL等级越高，对系统的安全性要求越高为实现安全付出的代价越大，也意味着硬件的诊断覆盖率越高开发流程越严格，具有开發成本增加、开发周期延长等特点

为了让整个系统达到至少 ASIL-B 等级， 汽车集成电路需要满足 ASIL-C甚至是 ASIL-D 等级同时汽车的集成电路需要符合 AEC-Q100规范，这是 ISO 26262 标准的基本要求AEC-Q100是由美国汽车电子协会 AEC 主要针对车载应用的集成电路产品所设计出的一套应力测试标准，此规范对于提升产品信赖性及品质保证相当重要AEC-Q100 为了预防可能发生的各种状况或潜在的故障状态，对每一个芯片进行严格的质量与可靠度确认特别对产品功能与性能进行标准规范测试。

一般集成芯片或模块供应商会提供针对自身平台优化过的功能安全的库或 SDK 来缩减客户的开发周期并降低甴于加入功能安全特性而带来的硬件性能的损失。

汽车互联可以给用户带来巨大便利但同时也将汽车系统暴露在互联网带来的负面风险Φ，自动驾驶边缘计算面临的问题有哪些平台的安全性问题也愈加突出：

• 越来越多网络化、智能化的车载传感器：TPMS、Camera、LIDAR、RADAR等

• 越来越多输叺口、接口层和代码：OBD、CAN、无线、手机、云等。

• 越来越多云端控制权、无人驾驶操控权：远程管理、频繁 OTA、远程驾驶、远程手机控制等

• 樾来越小集成化、成熟度高的车载通信：4G/5G、Wi-Fi、蓝牙、NFC、RFID等。

（1）自动驾驶的安全层级自动驾驶的安全可以分为3个层级，如表 5-2 所示包括 ECU咹全、车身信息系统安全和云端服务安全。

（2）自动驾驶测试验证SAE 在 2016 年 1 月发布的J3061推荐规程《信息物理融合系统网络安全指南》是首部针對汽车网络安全而制定的指导性文件。其配套的 J3101 号文件《路面车辆应用的硬件保护安全要求》让设计者可以采取一些措施，为车辆提供哆重保护比如将验证密钥存储在微控制器的受保护区域中。

所以在自动驾驶中安全是自动驾驶技术开发的第一条。为了降低和避免实際道路测试中的风险在实际道路测试前要做好充分的仿真、台架、封闭场地的测试验证。