自動駕駛汽車在運行的時候需要車輛作出的每一個指令都正確，要從根本上減少事故的發生。

1.芯片架構從分佈式式到集中式

汽車電子發展初期以分佈式 ECU（離散電子控制單元） 架構為主流，芯片與傳感器一一對應。ECU 由 CPU、存儲器（ROM、RAM）、輸入/ 輸出接口（I/O）、模數轉換器（A/D）以及整形、驅動等大規模集成電路組成。

汽車ECU

ECU 主要是用於控制發動機工作，開始只有汽車發動機的排氣管（氧傳感器）、氣缸（爆震傳感器）、水溫傳感器等核心部件才會放置傳感器，隨著車輛的電子化程度逐漸提高，ECU 佔領了整個汽車，從防抱死制動系統、4 輪驅動系統、電控自動變速器、主動懸架系統、安全氣囊系統，到現在逐漸延伸到了車身各類安全、網絡、娛樂、傳感控制系統等。

隨著汽車電子化程度不斷提升，傳感器增多、線路複雜度增大，中心化架構 DCU（集中式的域控制器）、MDC 逐步成為了發展趨勢。

DCU需承擔多傳感器融合、定位、路徑規劃、決策控制、無線通訊、高速通訊的計算。在集中式與混合式架構中，DCU還需承擔全部或部分傳感器的數據處理。由於需要完成大量運算，DCU一般都要匹配一個核心運算力強的處理器，也就是芯片，以提供自動駕駛不同級別算力的支持。算力越高，支持的功能也就越多。

AI芯片發展歷程

2.分類

目前主要的AI芯片包括GPU、FPGA、ASIC三種。

• GPU

GPU（Graphics Processing Unit，圖形處理單元），隨著汽車輔助駕駛功能滲透率越來越高，傳統CPU算力不足，越來越難以滿足處理視頻、圖片等非結構化數據的需求，而GPU同時處理大量簡單計算任務的特性在自動駕駛領域取代CPU成為了主流方案。

CPU 更擅於計算複雜繁瑣的大型計算任務，而 GPU 則可以高效的同時處理大量的簡單計算任務。

GPU 通用性強、速度快、效率高，特別適合用在深度學習訓練方面，但是性能功耗比較低。

• FPGA

FPGA（Field Programmable Gate Array）——現場可編程門陣列，是指一種通過軟件手段更改、配置器件內部連接結構和邏輯單元，完成既定設計功能的數字集成電路。顧名思義，其內部的硬件資源都是一些呈陣列排列的、功能可配置的基本邏輯單元，以及連接方式可配置的硬件連線。簡單來說就是一個可以通過編程來改變內部結構的芯片。

FPGA芯片

FPGA 具有低能耗、高性能以及可編程等特性，相對於 CPU 與 GPU 有明顯的性能或者能耗優勢，但對使用者要求高。

• ASIC

從ADAS向自動駕駛進化的過程中，激光雷達點雲數據以及大量傳感器加入到系統中，需要接受、分析、處理的信號大量且複雜，定製化的ASIC芯片可在相對低水平的能耗下，將車載信息的數據處理速度提升更快，並且性能、能耗和大規模量產成本均顯著優於GPU和FPGA，隨著自動駕駛的定製化需求提升，定製化ASIC專用芯片將成為主流。

ASIC 可以更有針對性地進行硬件層次的優化，從而獲得更好的性能、功耗比。但是ASIC 芯片的設計和製造需要大量的資金、較長的研發週期和工程週期，而且深度學習算法仍在快速發展，若深度學習算法發生大的變化，FPGA 能很快改變架構，適應最新的變化，ASIC 類芯片一旦定製則難於進行修改。

當前階段，GPU 配合 CPU 仍然是 AI 芯片的主流，而後隨著視覺、語音、深度學習的算法在 FPGA以及 ASIC芯片上的不斷優化，此兩者也將逐步佔有更多的市場份額，從而與GPU達成長期共存的局面。

3.三種AI芯片對比

• GPU和FPGA

GPU適用於單一指令的並行計算，而FPGA與之相反，適用於多指令，單數據流，常用於雲端的“訓練”階段。此外與GPU對比，FPGA沒有存取功能，因此速度更快，功耗低，但同時運算量不大。結合兩者優勢，形成GPU+FPGA的解決方案。

FPGA雖然優勢極為明顯，然而卻有致命缺點。那就是與GPU相比，FPGA都是硬線設計，die面積大，成本高，加上應用面窄，出貨量低進而導致性價比太低。GPU的通用性很強，產品IP可以複用，等於出貨量很高，所以性價比很高。

• FPGA和ASIC

FPGA和ASIC的區別主要在是否可以編程。FPGA客戶可根據需求編程，改變用途，但量產成本較高，適用於應用場景較多的企業、軍事等用戶；而ASIC已經制作完成並且只搭載一種算法和形成一種用途，首次“開模”成本高，但量產成本低，適用於場景單一的消費電子、“挖礦”等客戶。目前自動駕駛算法仍在快速更迭和進化，因此大多自動駕駛芯片使用GPU+FPGA的解決方案。未來算法穩定後，ASIC將成為主流。

• 能耗

計算能耗比，ASIC > FPGA > GPU > CPU，究其原因，ASIC和FPGA更接近底層IO，同時 FPGA有冗餘晶體管和連線用於編程，而ASIC是固定算法最優化設計，因此ASIC能耗比最高。相比前兩者，GPU和CPU屏蔽底層IO，降低了數據的遷移和運算效率，能耗比較高。同時GPU的邏輯和緩存功能簡單，以並行計算為主，因此GPU能耗比又高於CPU。

4.芯片在無人駕駛中的應用

自動駕駛領域首先要保證的是安全，其次才是智能。在無人車環境感知問題中，必須要知道自動駕駛車輛與目標間的距離、方位角，目標移動的速度，目標位置按時間序列的的預測（目標追蹤）。

自動駕駛本質是解決AI計算的問題，AI芯片在其中扮演的角色無非兩種：

1、處理輸入的傳感器信號（雷達、激光雷達、攝像頭等）；

2、做出決策判斷、給出控制和執行信號，比如是左轉、變道還是減速。

想要在短時間內完成這兩項任務，並非易事，所以自動駕駛汽車需要一個非常強大的計算平臺實時分析、處理海量的數據，並且進行復雜的邏輯運算。

圖像識別是自動駕駛芯片計算力消耗最大的部分，通常核心的算法都是基於CNN的，也就是基於卷積的。卷積是什麼？如果純粹從算法的角度，卷積就是乘積累加算法，即MAC（Multiply Accumulate）。

5.產業

芯片的技術壁壘與投資極高，汽車芯片領域一直是汽車傳統半導體廠家的領地，即使是Intel、高通也久攻不下，只能採用收購的方式尋求質的突破。對於創業公司甚至國內半導體商來說這個領域想要有所突破更是具有極大的挑戰。

• NVIDIA

NVIDIA 在自動駕駛領域的成就正是得益於他們在 GPU 領域內的深耕，

英偉達在推出的自動駕駛平臺Drive PX系列，曾是整車廠、Tier 1、科技公司選擇的主流計算解決方案

目前，L4 及以上的市場基本上被 NVIDIA 壟斷，CEO 黃仁勳稱全球有 300 餘家自動駕駛研發機構使用 Drive PX2。Drive PX 2 單價為 1.6 萬美金，功耗達 425 瓦

• Intel

Intel 在 ADAS 處理器上的佈局已經完善，包括 Mobileye 的 ADAS 視覺處理，利用 Altera 的 FPGA 處理，以及英特爾自身的至強等型號的處理器，可以形成自動駕駛整個硬件超級中央控制的解決方案。

Mobileye 具有自主研發設計的芯片 EyeQ 系列

英特爾通過三輪高達百億美元的收購，擁有了Mobileye的EyeQ系列芯片（ASIC）、Altera的FPGA芯片、Movidius的視覺處理單元VPU。舉個例子，在英特爾提供的整套解決方案中，EyeQ可以負責視覺數據處理，Altera的FPGA芯片CycloneV負責毫米波雷達與激光雷達的數據處理，“殺手鐧”CPU凌動Atom負責處理其他數據任務。

• Qualcomm

高通在汽車產業的佈局不僅限於其擅長的通訊領域，在ADAS與座艙娛樂域其820A也表現不俗。在2019年CES展上展出了其基於驍龍芯片打造的可擴展自動駕駛平臺--DriveAutomotive，可供汽車廠商根據自己的需求添加模組。

• Tesla

Tesla不僅僅是造車，其自動駕駛芯片FSD，未來會搭載在特斯拉AutopilotHardware平臺上。從硬件集成的角度來說，特斯拉完成了從芯片到板級集成、系統集成、再到整車的集成，打通自動駕駛產業鏈佈局。

特斯拉的這顆芯片，是一種特殊類型的AI處理器，可以支持人工神經網絡（ANN），也就是我們常聽到的機器學習（ML）或深度學習（DL）。

來源 | 清研車聯

閱讀更多 焉知科技 的文章

關鍵字: 中央處理器 軟件 駕駛