小芯片有大世界 走進自動駕駛的“大腦”

　　【太平洋汽車網(wǎng) 技術(shù)頻道】如果你對新車長期保持關(guān)注，就會發(fā)現(xiàn)近些年發(fā)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(tǒng)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(chǎn)甚至停產(chǎn)來過渡。

　　對于汽車來說，芯片有多重要呢？

　　在傳統(tǒng)的車型中，基本都是使用分布式的電子電氣架構(gòu)。也就是會根據(jù)功能劃分模塊領(lǐng)域，例如發(fā)動機、變速器、電子穩(wěn)定控制系統(tǒng)、空調(diào)系統(tǒng)等等。每個功能模塊的ECU都是基于對應(yīng)功能而設(shè)定的，最后通過CAN總線傳遞信息，實現(xiàn)整車功能。

　　這樣的架構(gòu)功能劃分清晰，并且供應(yīng)商也能夠有針對性地進行開發(fā)和研究。但這樣的架構(gòu)會導(dǎo)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(shù)量不足10個，而現(xiàn)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(fā)展越來越繁多復(fù)雜時，車內(nèi)所需要的控制器也越來越多。面對這種進化，傳統(tǒng)的電子電氣架構(gòu)ECU和線束的數(shù)量都會大幅增長，并且傳統(tǒng)架構(gòu)下數(shù)據(jù)傳輸、ECU功能協(xié)同能力較差。

　　這個時候就需要一套新的電子電氣架構(gòu)來適應(yīng)時代的發(fā)展。

　　集中式電子電氣架構(gòu)就此誕生。當(dāng)下車企主要是采用域集中的概念來對電子電氣架構(gòu)進行優(yōu)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(gòu)。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(gòu)，控制器數(shù)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(lǐng)先于其他車企的地方。

　　而汽車電子電子架構(gòu)目前的終極形態(tài)是形成一個超級中央計算機，通過中央集中式架構(gòu)，實現(xiàn)計算集中化。這樣整車的芯片和線束數(shù)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(tǒng)籌也會更為徹底，有利于新技術(shù)快速落地。另外，這樣的架構(gòu)也會讓車輛的軟件研發(fā)主導(dǎo)權(quán)回歸到車企和產(chǎn)品本身，而非頭部的供應(yīng)商，這樣也有利于車企們研發(fā)出差異化的產(chǎn)品。

　　但無論是傳統(tǒng)的分布式架構(gòu)或是未來的中央集中式架構(gòu)，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(shù)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(fù)雜性，對芯片的要求會更高。尤其是在座艙系統(tǒng)和自動駕駛這兩個部分，這也是近年來我們經(jīng)常會在新車發(fā)布會上看到廠方宣傳自家產(chǎn)品用了最新芯片的原因。而在這兩部分中，自動駕駛系統(tǒng)對芯片的要求會更高，因為自動駕駛系統(tǒng)擁有數(shù)十個傳感器，芯片要將這些數(shù)據(jù)“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(dāng)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(tǒng)早在數(shù)十年前就開始研究。按照美國汽車工程學(xué)會SEA對自動駕駛水平的劃分（L0-L5），早期的自動駕駛技術(shù)都在L1-L2內(nèi)，具體的功能包括了自適應(yīng)巡航、車道偏離提示、車道保持、盲區(qū)監(jiān)測、主動剎車等等。

　　對于跟車、主動剎車等功能，廠商或供應(yīng)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(shù)據(jù)會在芯片中進行計算分析，最終實現(xiàn)自適應(yīng)巡航等功能。

　　以Mobileye為代表的企業(yè)，則是以攝像頭作為硬件，感知前方車輛以及道路標(biāo)線，將采集到的畫面?zhèn)鬏數(shù)叫酒治龊?，獲得自適應(yīng)巡航、車道保持、主動剎車等功能。

　　而當(dāng)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(xiàn)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(gòu)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(shù)據(jù)，最后進行統(tǒng)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(shù)據(jù)、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(huán)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(yīng)商產(chǎn)品，雷達內(nèi)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(dāng)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(xiàn)，加速了自動駕駛領(lǐng)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(shù)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(dǎo)致車主 Joshua Brown當(dāng)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(quán)限和過度的宣傳，導(dǎo)致了駕駛員以為系統(tǒng)能夠?qū)崿F(xiàn)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(shù)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(qū)別在于它使用了深度神經(jīng)學(xué)習(xí)技術(shù)，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(shù)據(jù)，然后利用深度學(xué)習(xí)實現(xiàn)動態(tài)識別包括行人、汽車、路標(biāo)等各類對象。

　　特斯拉看中英偉達Drive PX的正是它的深度學(xué)習(xí)技術(shù)。

　　深度學(xué)習(xí)實際上是人工智能的一個分支，也是機器學(xué)習(xí)下的一個子集。學(xué)術(shù)點來說，深度學(xué)習(xí)是用于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機制來解釋數(shù)據(jù)的一種機器學(xué)習(xí)技術(shù)。簡單點來看，深度學(xué)習(xí)是用多層次的分析和計算手段得到結(jié)果的一種方法。深度學(xué)習(xí)最顯著的應(yīng)用是計算機視覺和自然語言處理領(lǐng)域。

　　在傳統(tǒng)算法中，人臉識別、物體檢測、物體跟蹤以及行為預(yù)測都是比較難計算解決的。深度學(xué)習(xí)通過卷積神經(jīng)網(wǎng)絡(luò)模擬人腦，可以實現(xiàn)對人臉、車或其他物體的識別。而深度學(xué)習(xí)這樣的能力對自動駕駛是有很大幫助的，通過深度學(xué)習(xí)技術(shù)，可以讓自動駕駛系統(tǒng)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(shù)據(jù)學(xué)習(xí)升級，再OTA提升車輛的自動駕駛能力。

　　Drive PX發(fā)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(shù)據(jù)反饋，從而幫助完善深度神經(jīng)網(wǎng)絡(luò)。當(dāng)在路上工作的Drive PX系統(tǒng)遇到無法識別的物體時，它會通過網(wǎng)絡(luò)傳輸?shù)皆坪笈_，對應(yīng)的團隊會利用深度學(xué)習(xí)技術(shù)訓(xùn)練系統(tǒng)認知理解這個新圖像，并且將學(xué)習(xí)到的數(shù)據(jù)實時反饋到所有量產(chǎn)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(dāng)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(fā)的神經(jīng)網(wǎng)絡(luò)。

　　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(dǎo)航自動駕駛輔助功能，2018年這項功能正式實現(xiàn)推送使用。

　　顯然，深度學(xué)習(xí)技術(shù)，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(yīng)鏈產(chǎn)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(shù)據(jù)直接傳遞到自動駕駛域控制器內(nèi)進行統(tǒng)一處理和計算，這樣傳統(tǒng)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(shù)據(jù)都直接傳輸?shù)阶詣玉{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(fā)展，這其中脫離不了AI人工智能的技術(shù)輔助，這對芯片企業(yè)和車企都有了新的門檻。

　　在此后，芯片巨頭們開始陸續(xù)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。