小芯片有大世界 走進自動駕駛的“大腦”

　　【太平洋汽車網 技術頻道】如果你對新車長期保持關注，就會發現近些年發布的智能車，在提到自動駕駛時，大概率會將自動駕駛芯片一塊帶上宣傳。說到底，對于自動駕駛而言，一塊性能足夠強的芯片，就意味著車輛的自動駕駛系統可以“為所欲為”嗎？

　　近半年來，汽車芯片短缺的問題被逐步放大，演變至今，不少車企都只能通過減產甚至停產來過渡。

　　對于汽車來說，芯片有多重要呢？

　　在傳統的車型中，基本都是使用分布式的電子電氣架構。也就是會根據功能劃分模塊領域，例如發動機、變速器、電子穩定控制系統、空調系統等等。每個功能模塊的ECU都是基于對應功能而設定的，最后通過CAN總線傳遞信息，實現整車功能。

　　這樣的架構功能劃分清晰，并且供應商也能夠有針對性地進行開發和研究。但這樣的架構會導致模塊太多，并且可控性可拓展性都較弱。在90年代初，一輛汽車上平均的MCU數量不足10個，而現在一輛車的MCU就超過了100個，高端車型的MCU可能還會達到300個。在汽車功能發展越來越繁多復雜時，車內所需要的控制器也越來越多。面對這種進化，傳統的電子電氣架構ECU和線束的數量都會大幅增長，并且傳統架構下數據傳輸、ECU功能協同能力較差。

　　這個時候就需要一套新的電子電氣架構來適應時代的發展。

　　集中式電子電氣架構就此誕生。當下車企主要是采用域集中的概念來對電子電氣架構進行優化，跟車汽車電子部件功能將整車劃分為動力總成、車輛安全、車身電子、智能座艙、智能駕駛等幾個域，使用處理能力更強的芯片去集中控制每個域。這樣可以降低ECU的使用量，并且提升整車的可拓展能力。

　　特斯拉則是比較激進，以Model 3為例，整車采用了CCM、CEM R、CEM L三個主控制器，這樣的方案屬于中央處理器架構。其中CCM是自動駕駛及娛樂控制模塊、CEM R是右車身控制器、CEM L是左車身控制器。通過這樣極簡的架構，控制器數量大幅減少，軟件的集成度和整車的擴展性都得到了大幅提升。其實這點才是特斯拉真正領先于其他車企的地方。

　　而汽車電子電子架構目前的終極形態是形成一個超級中央計算機，通過中央集中式架構，實現計算集中化。這樣整車的芯片和線束數量都得到了簡化，整車的成本會隨之降低，整車的資源利用及統籌也會更為徹底，有利于新技術快速落地。另外，這樣的架構也會讓車輛的軟件研發主導權回歸到車企和產品本身，而非頭部的供應商，這樣也有利于車企們研發出差異化的產品。

　　但無論是傳統的分布式架構或是未來的中央集中式架構，芯片都是不可或缺的硬件。以往對芯片算力和集成度要求不高，未來ECU數量減少，就會對集中控制的ECU芯片有更高的要求，包括算力、功耗、成本等等。

　　在智能汽車中，因為功能的多樣性和復雜性，對芯片的要求會更高。尤其是在座艙系統和自動駕駛這兩個部分，這也是近年來我們經常會在新車發布會上看到廠方宣傳自家產品用了最新芯片的原因。而在這兩部分中，自動駕駛系統對芯片的要求會更高，因為自動駕駛系統擁有數十個傳感器，芯片要將這些數據“吞下”進行計算，最后得出決策，這對芯片的算力要求是非常高的。所以無論是特斯拉還是當下的頭部車企，自動駕駛部分，始終是一個獨立的控制域。

　　ADAS（Advanced Driving Assistance System）駕駛輔助系統早在數十年前就開始研究。按照美國汽車工程學會SEA對自動駕駛水平的劃分（L0-L5），早期的自動駕駛技術都在L1-L2內，具體的功能包括了自適應巡航、車道偏離提示、車道保持、盲區監測、主動剎車等等。

　　對于跟車、主動剎車等功能，廠商或供應商們會選擇使用毫米波雷達作為硬件，通過雷達測算出前車的距離以及速度，感知到的數據會在芯片中進行計算分析，最終實現自適應巡航等功能。

　　以Mobileye為代表的企業，則是以攝像頭作為硬件，感知前方車輛以及道路標線，將采集到的畫面傳輸到芯片分析后，獲得自適應巡航、車道保持、主動剎車等功能。

　　而當下更為常見的硬件方案是毫米波雷達+攝像頭，通過兩種傳感器的融合，可以實現更高級的功能，例如集成式智能巡航等功能。而這樣的硬件架構下，廠商通常會選擇一個傳感器作為主控制器，再接受另外一個傳感器的數據，最后進行統一的計算分析。

　　無論是單毫米波雷達、攝像頭或是雷達+攝像頭的硬件方案，它們的分析數據、場景都是固定的，所以對芯片的能力要求并不太高，只需要滿足特定的計算分析即可。

　　這種環境下，大部分車企會選用Mobileye提供的視覺感知方案，因為Mobileye擁有從攝像頭到芯片和算法的完整視覺駕駛輔助解決方案。而毫米波雷達則會選用大陸、博世等頭部供應商產品，雷達內部計算芯片則來自賽靈思。

　　如果說自動駕駛輔助功能就此停留在這個階段的話，那就沒有當下自動駕駛芯片爭斗的故事了。

　　可偏偏一條鯰魚——特斯拉的出現，加速了自動駕駛領域的演變和進化。

　　特斯拉在2014年推出Model S時，搭載的是 Mobileye的EyeQ3駕駛輔助芯片，并且攝像頭等硬件也都是由Mobileye提供的。但Mobileye擠牙膏的視覺感知方案并不能滿足激進的特斯拉，二者從技術路線的布局就有分歧。

　　在2016年1月份，一輛Model S在美國公路開啟Autopilot行駛時，撞上了一臺橫過馬路的白色貨柜車，導致車主 Joshua Brown當場死亡。這個事故Mobileye認為它們的駕駛輔助方案本來就有限定使用場景，而特斯拉激進的開放權限和過度的宣傳，導致了駕駛員以為系統能夠實現全自動駕駛功能。特斯拉方面則是認為這個事故是雷達和攝像頭的識別錯誤，認為Mobileye方案還不夠完善。

　　原本就有技術分歧，加上后來的死亡事故，讓特斯拉和Mobileye在2016年7月宣布分手，特斯拉在此后的新車不會使用Mobileye的EyeQ4芯片。

　　特斯拉下一個合作的對象是Nvidia英偉達。

　　英偉達在2015年推出了基于Tegra X1的Drive PX自動駕駛芯片。Drive PX相比以往的駕駛輔助芯片區別在于它使用了深度神經學習技術，Drive PX可以從激光雷達、毫米波雷達、攝像頭等傳感器中獲取數據，然后利用深度學習實現動態識別包括行人、汽車、路標等各類對象。

　　特斯拉看中英偉達Drive PX的正是它的深度學習技術。

　　深度學習實際上是人工智能的一個分支，也是機器學習下的一個子集。學術點來說，深度學習是用于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數據的一種機器學習技術。簡單點來看，深度學習是用多層次的分析和計算手段得到結果的一種方法。深度學習最顯著的應用是計算機視覺和自然語言處理領域。

　　在傳統算法中，人臉識別、物體檢測、物體跟蹤以及行為預測都是比較難計算解決的。深度學習通過卷積神經網絡模擬人腦，可以實現對人臉、車或其他物體的識別。而深度學習這樣的能力對自動駕駛是有很大幫助的，通過深度學習技術，可以讓自動駕駛系統擁有更強大的障礙物識別能力，并且廠商還能在云平臺進行數據學習升級，再OTA提升車輛的自動駕駛能力。

　　Drive PX發布時，英偉達老板黃仁勛就表示，Drive PX可以從道路行駛中的車輛上獲取數據反饋，從而幫助完善深度神經網絡。當在路上工作的Drive PX系統遇到無法識別的物體時，它會通過網絡傳輸到云后臺，對應的團隊會利用深度學習技術訓練系統認知理解這個新圖像，并且將學習到的數據實時反饋到所有量產車的Drive PX中，讓車輛的自動駕駛能力得到實時的提升。

　　2016年10月，特斯拉正式宣布，Model S、Model X和當時即將推出的Model 3都會搭載英偉達DRIVE PX 2 AI計算平臺，這個自動駕駛平臺使用了特斯拉開發的神經網絡。

　　使用DRIVE PX 2芯片后，特斯拉就在開始推出了測試版的高速導航自動駕駛輔助功能，2018年這項功能正式實現推送使用。

　　顯然，深度學習技術，讓特斯拉自動駕駛進展大大提速。而這個改變，也讓自動駕駛芯片供應鏈產生了變化：

　　第一點是越來越多車企開始采用自動駕駛域控制器的玩法，也就是將雷達、攝像頭等數據直接傳遞到自動駕駛域控制器內進行統一處理和計算，這樣傳統在雷達和攝像頭中的計算芯片也就不在需要。

　　第二點是由于自動駕駛硬件中的數據都直接傳輸到自動駕駛域控制器中，這對于自動駕駛域控制器的大腦也就是芯片的算力有了更高的要求。

　　第三點是自動駕駛功能開始往更高級別發展，這其中脫離不了AI人工智能的技術輔助，這對芯片企業和車企都有了新的門檻。

　　在此后，芯片巨頭們開始陸續入局自動駕駛，幾乎每年都會有新芯片、新平臺迭代推出，自動駕駛芯片也開始在算力上較勁。