汽车多总线数据采集：挑战、架构与同步策略全解析

▍文章来源于康谋自动驾驶

01 引言

每一次极端天气下的紧急制动，每一段复杂路况中的精准识别，本质都在考验算法对现实世界的适应能力。因此，我们可以看到在智能辅助驾驶从“功能验证”到“场景攻坚”的关键阶段，真实、高质量的数据是算法性能提高的基石。尤其在极端天气、颠簸路面和电磁干扰等恶劣工况下，如何实现多源传感器数据的高可靠采集、高精度同步与高效率处理，是行业中常遇到的难题。

针对这些问题，康谋也有一些思考、经验与看法，本文将与大家一起交流。下文将结合行业实践，系统拆解多总线（CAN/LIN/100BASE-T1等）数据采集方案的核心痛点、架构设计、同步策略与系统搭建等相关内容。

此外，为了更深入地与行业同仁交流技术细节，康谋将在1月20日（周二）15:00举办主题为《汽车多总线数据采集与分析：方案搭建与应用》的线上直播，届时将详细介绍架构设计、时间同步方案与软件系统搭建，方案验证与实战应用更多细节，欢迎扫码预约！

02 关键技术挑战

多总线数据采集常被简化为硬件连接问题，但在工程化落地时，需系统应对四重挑战，这直接决定了数据能否真正用于算法迭代。

协议与接口复杂

常用一套硬件同步采集车载以太网、CAN/CAN FD、FlexRay、LIN及多路视频，并支持灵活扩展以适应不同测试场景。

时间同步要求极高

多传感器数据融合依赖纳秒级时间对齐，且须在系统启动异常（如时间复位）等边缘场景下保持同步不中断。

车规级可靠性严苛

系统需在-40℃~85℃、持续振动及强电磁干扰环境中稳定运行，并通过冗余设计杜绝数据丢失。

数据需直接赋能算法

采集系统应支持基于工程数据库的信号级解码，并输出与平台无缝衔接的格式，提升数据可用性。

03 硬件架构设计与同步策略

硬件架构设计

为应对上述挑战，硬件系统需采用模块化、车规化、高密度的设计思路。以下是一个经过验证的架构实例：

核心记录单元

采用强固型工控机，采用宽温操作与丰富扩展槽，为后续扩展提供地基。

总线采集网络（关键）

- 以太网部分：通过 CM 100 HIGH 模块接入多达12路100BASE-T1车载以太网，这是智驾数据主干。

- 传统总线部分：CM CAN COMBO 模块可灵活配置，单模块提供6路CAN/CAN FD + 1路FlexRay，通过组合满足不同车型需求。

网关与交换

Enhanced Ethernet Switch 实现多路数据汇聚，并通过万兆光口上传，避免数据瓶颈

视频输入

采用支持UVC协议的工业相机，通过USB3.0接入，由软件实现多路视频帧级时间对齐。

该架构的精髓在于“模块化”：工程师可根据具体车型的拓扑（如集中式E/E架构或域控架构），像搭积木一样增减对应的采集模块，而非重新设计整个系统。

同步策略

同步方案采用IEEE 802.1AS（gPTP）作为骨干协议，并设计了智能策略应对复杂场景：

主从同步（正常工况）：以智能驾驶域控制器为全局时钟源（Master），通过支持gPTP的交换机，以透明时钟（Transparent Clock） 模式逐级向下游采集模块（Slave）授时，补偿传输延迟，实现全网纳秒级同步。

混合同步（边缘场景）：当检测到域控制器时间为初始值（如1970年），系统自动切换至“NTP + gPTP”融合模式：

秒级以上时间由工控机通过NTP从可靠源（如GPS）获取。

亚秒级（纳秒精度）仍通过gPTP与域控的硬件时钟保持同步。

智能判决服务持续监测，待域控时间恢复正常后，无缝切回纯gPTP模式。

04 软件系统搭建

软件将硬件采集的原始比特流，转化为可供分析的价值数据流。

采集层

采用 DPDK对万兆以太网数据进行“零拷贝”抓取，极大降低CPU开销与延迟。视频采集则通过 V4L2 框架。

存储管理层

设计环形缓冲区与文件轮转策略（例如：单个文件达10GB或时长达30分钟即新建文件），平衡写入效率与文件管理便利性。支持 PCAPNG（网络帧）、ROS2 Bag（视频与自定义消息）等格式并行落盘。

服务层

实时可视化：将指定总线数据流实时转发至 CANoe 等专业工具，实现信号级在线解析与绘图。

统一配置平台：基于Web的GUI，可集中配置所有分散的总线采集模块参数（如CAN波特率、以太网VLAN），提升运维效率。

数据交付：可按算法团队需求，自动将数据转换为 MDF、BLF、ASC 等不同格式，并推送至指定存储或云平台。

05 总结

综合来看，一套能支撑智能驾驶研发的数据采集系统，不是通过接口设备的简单堆砌。它常需要满足以下要求：

硬件层面：以车规级可靠性为基础，用模块化设计应对不确定性。

同步层面：以高精度协议为基准，用智能策略应对真实世界的复杂场景。

软件层面：以高效采集为核心，以服务化思想提供数据价值。

通过这样的方式，数据才能从测试车采集流程中，高效转化为驱动算法迭代的高价值资产。