汽車電子發展初期以分佈式ECU架構為主流,芯片與傳感器一一對應,後來,中心化架構DCU、MDC逐步成為了發展趨勢;隨著汽車輔助駕駛功能滲透率越來越高,傳統CPU算力不足過去,在自動駕駛領域GPU取代CPU成為了主流方案;隨著自動駕駛的定製化需求提升,未來定製化ASIC專用芯片將成為主流。
我們將按時間順序梳理車載芯片的發展歷程,探討未來發展方向。
汽車電子發展初期以分佈式ECU架構為主流,芯片與傳感器一一對應,隨著汽車電子化程度提升,傳感器增多、線路複雜度增大,中心化架構DCU、MDC逐步成為了發展趨勢;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,目前出貨量最大的駕駛輔助芯片廠商Mobileye、Nvidia形成“雙雄爭霸”局面,Xilinx則在FPGA的路線上進軍,Google、地平線、寒武紀向專用領域AI芯片發力,國內四維圖新、全志科技、森國科(國科微)在自動駕駛芯片領域積極佈局。
Mobileye的核心優勢是 EyeQ 系列芯片,可以處理攝像頭、雷達等多種傳感器融合產生的大量數據,在L1-L3自動駕駛領域具有極大的話語權,目前出貨量超過了2700萬顆;NVIDIA在GPU領域具有絕對的領導地位,芯片算力強大且具備很強的靈活性,但功耗高、成本高,AI機器學習並不太適合GPU的應用;基於產業前景和潛在的巨大市場,給予行業買入評級,上市公司方面看好四維圖新,建議關注地平線、寒武紀。
車載芯片的發展趨勢(CPU-GPU-FPGA-ASIC)
過去—以CPU為核心的ECU
2.1 ECU的核心CPU
2.2 分佈式架構向多域控制器發展
汽車電子發展的初期階段,ECU主要是用於控制發動機工作,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,由於傳感器數量較少,為保證傳感器-ECU-控制器迴路的穩定性, ECU與傳感器一一對應的分佈式架構是汽車電子的典型模式。隨著汽車電子化的發展,車載傳感器數量越來越多,傳感器與ECU一一對應使得車輛整體性下降,線路複雜性也急劇增加,此時DCU(域控制器)和MDC(多域控制器)等更強大的中心化架構逐步替代了分佈式架構。現在—以GPU為核心的智能輔助駕駛芯片
人工智能的發展也帶動了汽車智能化發展,過去的以CPU為核心的處理器越來越難以滿足處理視頻、圖片等非結構化數據的需求,
3.1 GPU Vs. CPU
3.2 GPU佔據現階段自動駕駛芯片主導地位
3.3 相關公司
3.3.1 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,NVIDIA GPU專為並行計算而設計,適合深度學習任務,並且能夠處理在深度學習中普遍存在的向量和矩陣操作。相對於Mobileye專注於視覺處理,NVIDIA 的方案重點在於融合不同傳感器。2016年,英偉達在Drive PX 2平臺上推出了三款產品,分別是配備單GPU和單攝像頭及雷達輸入端口的Drive PX2 Autocruise(自動巡航)芯片(下圖左上)、配備雙GPU及多個攝像頭及雷達輸入端口的Drive PX2 AutoChauffeur(自動私人司機)芯片(右上)、配備多個GPU及多個攝像頭及雷達輸入端口的Drive PX2 Fully Autonomous Driving(全自動駕駛)芯片(下方)。3.3.2 四維圖新
國內地圖行業龍頭,向ADAS和自動駕駛進軍。公司成立於2002年,是國內首家獲導航地圖製作資質的企業(目前僅13家),為領先的數字地圖內容、車聯網與動態交通信息服務、基於位置的大數據垂直應用服務的提供商之一。其拳頭業務——地圖業務,以國內60%的份額穩居壟斷地位。2017年以來,公司收購傑發科技、入股中寰衛星與禾多科技,“高精度地圖+芯片+算法+軟件”的自動駕駛產業鏈全方位佈局雛形已現。高精度地圖:代表國內最高水平。公司以地圖起家,目前國內高精度地圖僅兩家玩家(另一家為高德),公司深度綁定獲得寶馬、大眾、奔馳、通用、沃爾沃、福特、上汽、豐田、日產、現代、標緻等主流車企發展,佔絕對優勢。2017年公司實現支持L3級別(至少20個城市)的高精度地圖,計劃於2019年覆蓋所有城市,併為L4的推出做準備。 芯片:收購傑發科技佈局汽車芯片。傑發科技(2017年3月完成收購)脫胎於聯發科,主攻車載信息娛樂系統芯片。
3.3.3 全志科技
在今年5月的CES Asia,全志科技發佈首款車規級處理器T7,同時發佈基於T7的多種智能座艙產品形態。T7是數字座艙車規(AEC-Q100)平臺型處理器,支持Android、Linux、QNX系統,集成多路高清影像輸入和輸出,完美支持高清多媒體處理,內置的EVE視覺處理單元可提升輔助駕駛運算效率。未來—以ASIC為核心的自動駕駛芯片
4.1 ASIC vs GPU+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。4.2 ASIC是未來自動駕駛芯片的核心和趨勢
結合ASIC的優勢,我們認為長遠看自動駕駛的AI芯片會以ASIC為解決方案,主要有以下幾個原因:4.3 相關公司
4.3.1 Mobileye
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,由意法半導體公司生產供應。現在已經量產的芯片型號有EyeQ1至EyeQ4,EyeQ5正在開發進行中,計劃2020年面世,對標英偉達Drive PX Xavier,並透露EyeQ5的計算性能達到了24 TOPS,功耗為10瓦,芯片節能效率是Drive Xavier的2.4倍。英特爾自動駕駛系統將採用攝像頭為先的方法設計,搭載兩塊EyeQ5系統芯片、一個英特爾凌動C3xx4處理器以及Mobileye軟件,大規模應用於可擴展的L4/L5自動駕駛汽車。該系列已被奧迪、寶馬、菲亞特、福特、通用等多家汽車製造商使用。4.3.2 寒武紀
5 月 3 日,寒武紀科技在2018 產品發佈會上發佈了多個IP 產品——採用 7nm 工藝的終端芯片 Cambricon 1M、雲端智能芯片 MLU100 等。其中寒武紀1M芯片是公司第三代IP產品,在TSMC7nm工藝下8位運算的效能比達5Tops/w(每瓦5萬億次運算),同時提供2Tops、4Tops、8Tops三種尺寸的處理器內核,以滿足不同需求。1M還將支持CNN、RNN、SVM、k-NN等多種深度學習模型與機器學習算法的加速,能夠完成視覺、語音、自然語言處理等任務。通過靈活配置1M處理器,可以實現多線和複雜自動駕駛任務的資源最大化利用。它還支持終端的訓練,以此避免敏感數據的傳輸和實現更快的響應。寒武紀首款雲端智能芯片Cambricon MLU100同期發佈,同時公佈了在R-CNN算法下MLU100與英偉達Tesla V100(2017)和英偉達Tesla P4(2016)的對比,從參數上看,主要對標Tesla P4。 4.3.3 地平線
4.3.5 Google TPU
Google TPU於2016年在Google I / O上宣佈,當時該公司表示TPU已在其數據中心內使用了一年以上。該芯片專為Google的Tensor Flow(一個符號數學庫,用於神經網絡等機器學習應用)框架而設計。TPU與同期的CPU和GPU相比,可以提供15-30倍的性能提升,以及30-80倍的效率(性能/瓦特)提升。4.3.6 Xilinx & 深鑑科技
Xilinx賽靈思是FPGA的先行者和領導者,1984年,賽靈思發明了現場可編程門陣列FPGA,作為半定製化的ASIC,順應了計算機需求更專業的趨勢。FPGA 的好處是可編程以及帶來的靈活配置,同時還可以提高整體系統性能,比單獨開發芯片整個開發週期大為縮短,但缺點是價格、尺寸等因素。在汽車ADAS和自動駕駛解決方案上,賽靈思的FPGA和SOC產品家族衍生出三個模塊:1.自動駕駛中央控制器Zynq UltraScale+ MPSoC
2.前置攝像頭Zynq-7000 / Zynq UltraScale+ MPSoC
3.多傳感器融合系統Zynq UltraScale+ MPSoC