自動駕駛控制系統(tǒng)芯片技術(shù)現(xiàn)狀與應(yīng)用分析

劉 偉，孫芳岑

（1.東軟睿馳汽車技術(shù) （沈陽）有限公司，遼寧 沈陽 110179；2.大陸汽車電子 （長春）股份有限公司，吉林 長春 130025）

近年來自動駕駛技術(shù)得到了突飛猛進的發(fā)展，從國內(nèi)外各類技術(shù)比賽［1］中對自動駕駛算法的系統(tǒng)研究，到新興技術(shù)公司在自動駕駛市場應(yīng)用領(lǐng)域的大力投入，技術(shù)的積累和市場的推動，為自動駕駛系統(tǒng)應(yīng)用提供了廣闊的前景［2］。

自動駕駛是集環(huán)境感知與認知技術(shù)、系統(tǒng)決策技術(shù)、車輛底盤與車身控制技術(shù)于一體的綜合性系統(tǒng)。近年來自動駕駛的發(fā)展，也得益于傳感器技術(shù)、車輛電子電器架構(gòu)以及車載計算芯片的飛速發(fā)展。

1 自動駕駛系統(tǒng)功能架構(gòu)

圖1描述了車輛網(wǎng)聯(lián)信息來源和感知范圍，以及應(yīng)用感知信息實現(xiàn)車輛智能化相關(guān)功能的流程，如車道保持、全速自適應(yīng)巡航、主動換道、交通擁堵輔助、車道級導(dǎo)航［4-8］等，本文中具體的智能化功能即為自動駕駛。

自動駕駛系統(tǒng)是通過傳感器感知并認知環(huán)境、車輛運動及工作狀態(tài)、駕駛員操縱與操作狀態(tài)，結(jié)合對環(huán)境、車輛運動學(xué)模型、自動駕駛?cè)蝿?wù)的理解，實現(xiàn)對車輛運動行為的決策，通過車輛底層控制系統(tǒng)完成對車輛動作的控制。文獻［3］將上述過程中的決策任務(wù)分為3個層次，即策略層、戰(zhàn)術(shù)層和控制層，分別對應(yīng)駕駛?cè)蝿?wù)理解與全局性路徑規(guī)劃、局部環(huán)境認知與局部路徑規(guī)劃、車輛執(zhí)行機構(gòu)控制。

圖1 智能網(wǎng)聯(lián)車輛系統(tǒng)構(gòu)成與自動駕駛功能析出

自動駕駛是以環(huán)境感知和認知為基礎(chǔ)的，即車輛的智能化；而車輛的網(wǎng)聯(lián)化是智能化的實現(xiàn)手段，尤其在更高等級的自動駕駛系統(tǒng)中，需要更加豐富的信息來源，主要劃分為車內(nèi)網(wǎng)、車際網(wǎng)和車聯(lián)網(wǎng)［3-4］。車內(nèi)網(wǎng)能夠感知的范圍為百米級，更新周期為ms級；車際網(wǎng)感知范圍為千米級，更新周期為s級；車聯(lián)網(wǎng)感知范圍則更加廣泛，更新周期為s級甚至分鐘級。信息的來源和數(shù)據(jù)量，對各級網(wǎng)絡(luò)的帶寬、信息采集和處理能力提出了基本要求。

完整的自動駕駛系統(tǒng)，感知甚至決策不僅僅源于車端，云端的感知、決策通過車聯(lián)網(wǎng)這個特殊的傳感器單元，將全局感知和決策信息傳遞至車載控制單元。在此全局規(guī)劃的基礎(chǔ)上，車載傳感器感知局部環(huán)境信息，車載計算單元處理并理解全局目標(biāo)與局部環(huán)境，并控制車輛依次完成局部控制目標(biāo)，直至全局目標(biāo)的達成。上述自動駕駛功能流程可由圖2所示的自動駕駛系統(tǒng)功能架構(gòu)來描述。本文會對車載計算單元如何承載車載傳感器信息感知與處理、全局目標(biāo)與局部環(huán)境理解、車輛執(zhí)行機構(gòu)控制等計算任務(wù)，展開調(diào)研和分析。

圖2 自動駕駛系統(tǒng)功能架構(gòu)

2 自動駕駛計算任務(wù)劃分

根據(jù)對自動駕駛功能架構(gòu)的分析，自動駕駛系統(tǒng)感知的來源主要有相機、毫米波雷達、激光雷達、高精度定位系統(tǒng)，分別獲取相機拍攝的環(huán)境圖片、毫米波接收到的電磁波回波、激光掃描出的環(huán)境點云數(shù)據(jù)等。數(shù)據(jù)的基本量級和獲取方式如圖3所示。最大可達每秒GB，獲取方式為LVDS、以太網(wǎng)、CAN、Flexray、MOST、LIN等車載網(wǎng)絡(luò)。

自動駕駛系統(tǒng)首先通過圖像、激光點云、基于位置的交通信息服務(wù)［3］、毫米波發(fā)射與接收回波間的差異，提取目標(biāo)特征形成對環(huán)境中各類機動車、行人、路肩、護欄等物體的感知，以及對環(huán)境中車道線、交通信號、交通標(biāo)志等交通信息的感知。然后基于全局目標(biāo)和全局路徑規(guī)劃，應(yīng)用車道、護欄、路肩等局部可行駛區(qū)域，以及可行駛區(qū)域中物體運動狀態(tài)的估計，規(guī)劃車輛的局部行駛路徑。最后將控制指令通過車載網(wǎng)絡(luò)發(fā)送至車輛執(zhí)行機構(gòu)，執(zhí)行車輛縱向、側(cè)向控制，實現(xiàn)自動駕駛。自動駕駛各子模塊的功能劃分如圖4所示。

針對獲取的以上各子模塊分工，對應(yīng)的處理方式包括了傳感器信息融合［10］、圖像處理［11］、激光點云處理［12］、數(shù)字信號處理、多狀態(tài)估計、模型預(yù)測控制、SLAM以及更底層的支持向量機、光流跟蹤［13］、模式識別、機器學(xué)習(xí)、深度學(xué)習(xí)等，以實現(xiàn)對環(huán)境中對車輛行駛有影響的目標(biāo)的識別，并結(jié)合車輛自身動力學(xué)特性，去決策和規(guī)劃車輛的行駛路徑。

圖3 自動駕駛系統(tǒng)傳感器構(gòu)成與信息數(shù)據(jù)量

圖4 自動駕駛系統(tǒng)組成與子模塊功能分析

3 自動駕駛計算任務(wù)對計算芯片的需求分析

自動駕駛計算任務(wù)對計算芯片的需求，主要分為計算力、實時性、可靠性、算法通用性等。計算力的需求一方面要考慮信息流的數(shù)據(jù)量，另一方面要考慮對信息的處理方法。

1）從信息流的數(shù)據(jù)量角度出發(fā)，分析各類信息處理對計算芯片的處理需求。將信息處理分為3類：①面向超大數(shù)據(jù)量 （GB級）的超高性能計算，系統(tǒng)復(fù)雜，且往往算法與硬件相關(guān)，難以約束可靠性，移植性和通用性較差；②面向大數(shù)據(jù)量 （百MB級）的高性能計算，系統(tǒng)復(fù)雜，但算法結(jié)構(gòu)較為清晰，有一定的通用性和移植性，以及一定的功能安全需求；③面向小數(shù)據(jù)量 （MB級）的高可靠性計算，數(shù)據(jù)結(jié)構(gòu)整齊，系統(tǒng)邏輯清晰，具備很強的通用性和移植性，有很高的可靠性、實時性需求，以及更高的功能安全需求。

2）從信息處理方法角度分析通用算法處理器、專用算法處理器。通用算法處理器適應(yīng)性較強，可用于處理各種計算任務(wù)，如ARM、X86架構(gòu)處理器；專用算法處理器用于處理專門的計算任務(wù)，比如在機器學(xué)習(xí)方面具備很強優(yōu)勢的GPU、專門支持TensorFlow算法的TPU、可編程門陣列電路FPGA等。

4 對應(yīng)自動駕駛控制系統(tǒng)需求的芯片分析

如前所述，由于涉及到不同數(shù)據(jù)量規(guī)模以及不同數(shù)據(jù)結(jié)構(gòu)信息的處理，對處理器芯片的計算力、處理器架構(gòu)有著不同的需求。在滿足計算力的前提下，功耗也是影響處理器芯片在車載系統(tǒng)中應(yīng)用的關(guān)鍵。而自動駕駛的出發(fā)點是保證車輛的安全性，因此處理器的安全性和可靠性也是自動駕駛芯片選型中必須要考慮的因素。基于上述需求，對自動駕駛處理器芯片應(yīng)用現(xiàn)狀和發(fā)展趨勢作簡要的總結(jié)。

4.1 計算力需求的滿足

自動駕駛對感知和復(fù)雜決策的需求，使得傳統(tǒng)的規(guī)則建模難以支撐復(fù)雜場景的應(yīng)用，也難以支持OTA等自適應(yīng)和自學(xué)習(xí)方式的算法。基于以上背景，深度學(xué)習(xí)以其靈活的建模方式和復(fù)雜場景的適應(yīng)性，被廣泛認為是解決高等級自動駕駛的重要手段。在自動駕駛系統(tǒng)處理器選擇上，也與深度學(xué)習(xí)的技術(shù)路線有很大的重疊。深度學(xué)習(xí)算法復(fù)雜性比較高，需要有相應(yīng)的嵌入式計算平臺進行匹配，在應(yīng)用過程中硬件技術(shù)路線主要有GPU、SoC、FPGA、ASIC等。CPU由于在分支處理以及隨機內(nèi)存讀取方面有優(yōu)勢，在處理串聯(lián)工作方面較強；GPU在處理大量有浮點運算的并行運算時候有著天然的優(yōu)勢；SoC提供多種可編程邏輯密度，硅片內(nèi)集成多種系統(tǒng)級處理器硬核；FPGA可以使開發(fā)者在其硬件電路里原生支持特殊的復(fù)雜指令而不需要對指令進行分解和模擬；ASIC則是為某種特殊復(fù)雜指令定制的專用芯片，能夠帶來更加優(yōu)異的計算力和功耗表現(xiàn)，如谷歌專為深度學(xué)習(xí)語言Tensor Flow設(shè)計的TPU。

計算力的評價指標(biāo)主要有MIPS、FLOPS、TOPS等，分別表示處理器芯片處理指令、進行浮點型運算、進行整形運算的能力，主要通過常用基準(zhǔn)程序測試計算，如Dhrystone、Whetstone、Linpack等。但是實際上I／O的效能、內(nèi)存的架構(gòu)、快取內(nèi)存一致性、硬件能支持的指令等對芯片的處理速度都會產(chǎn)生影響。多核并行計算過程中，因為處理器架構(gòu)不同，也會對綜合性能產(chǎn)生影響，如ARM架構(gòu)芯片在多核并行計算中，根據(jù)應(yīng)用不同會損失20%～30%的性能。而異構(gòu)芯片在多核集成過程中，也會受到工藝的限制，比如ARM架構(gòu)的cortex A72目前最多構(gòu)成4核，通常應(yīng)用以2個A72和4個A53形成SoC。

計算力評價指標(biāo)是從不同角度對計算性能的評價，并不能真實反映算法部署時對計算力的需求，相關(guān)指標(biāo)僅供參考，但是能夠給出一個比較直觀的計算力對比。ARM系列芯片通常應(yīng)用Dhrystrone庫測試MIPS指標(biāo)進行計算力對比分析，如圖5所示。

圖5 ARM架構(gòu)芯片計算力對比分析

4.2 功耗需求的滿足

芯片功耗的來源主要有核心邏輯電路、時鐘樹、RAM、ROM等。功耗的大小與芯片供電電壓、晶振頻率、制造工藝等因素相關(guān)，通過降低工作電壓、應(yīng)用新材料、3D／光學(xué)互連代替PCB布線、智能電源管理、集成電路生產(chǎn)工藝提升等方式優(yōu)化處理器性能與功耗間的平衡，以滿足車載應(yīng)用需求。比如一種20 nm芯片，將工作電壓從1.5 V降低至1.35 V，以節(jié)省67%的功耗；最新的微控制器和SoC運用智能電源管理單元，自動調(diào)整工作電壓與時脈速度來搭配工作負載；使用InGaAs增強未來三閘電晶體上的通道，可望使工作電壓降低至0.5 V；通過使用硅中介層功耗降低，僅為傳統(tǒng)PCB解決方案的17%；集成電路生產(chǎn)工藝的提高，如納米級的集成芯片設(shè)計，縮小了單管的尺寸，提高了芯片的集成度與工作頻率，降低了工作電壓，保證性能的前提下，從根本上降低了同樣計算力下芯片的功耗。但是工藝的提升會帶來芯片成本的增加，性能、成本、需求之間的綜合考慮，是產(chǎn)品設(shè)計的關(guān)鍵。目前自動駕駛芯片計算力和功耗比設(shè)計目標(biāo)為1TFLOPS／W，但是隨著自動駕駛支持場景復(fù)雜度不斷提升，對計算力和功耗的需求將會是一個持續(xù)的綜合性能設(shè)計。

4.3 其他需求

為了平衡計算力、功耗、功能安全等需求，傳統(tǒng)的規(guī)則建模中應(yīng)用的通用計算平臺，如DSP、PowerPC、ARM在自動駕駛芯片領(lǐng)域也有著重要的地位。在這類芯片上更容易在同一封裝內(nèi)部實現(xiàn)雙核鎖步等校驗技術(shù)。

根據(jù)上述分析，可將自動駕駛芯片按計算力、成本角度劃分，如表1所示。根據(jù)不同階段的市場需求，在開發(fā)相應(yīng)的自動駕駛功能過程中，需要從算法適用性、復(fù)雜度等多個角度深入分析算法對計算力的需求，選擇性能、成本綜合指標(biāo)滿足需求的芯片方案。

表1 自動駕駛芯片分類

5 基于自動駕駛軟件架構(gòu)需求的域控制器平臺設(shè)計

自動駕駛需要統(tǒng)合車輛所有的環(huán)境感知、車輛狀態(tài)感知信息，協(xié)調(diào)影響車輛運動狀態(tài)的執(zhí)行機構(gòu)，以及協(xié)調(diào)車身控制器進行車輛內(nèi)外部聲音、光學(xué)等交互信息，所以自動駕駛控制系統(tǒng)需要集中式的設(shè)計，來匯總和處理各類信息，協(xié)調(diào)各類輸出，因此自動駕駛控制系統(tǒng)的實現(xiàn)更加趨于一種中央域控制器的設(shè)計。

通過芯片的選型和集成，設(shè)計自動駕駛域控制器，首先要滿足各類信息的接入和采集；第二要具備異構(gòu)信息的處理能力；第三要有滿足車載需求的功耗和散熱方式，以搭載自動駕駛相關(guān)控制算法在車載環(huán)境中得到應(yīng)用。在自動駕駛域控制器實現(xiàn)過程中，目前研究中應(yīng)用較為廣泛的有以下兩種方案：一種是以充分發(fā)揮GPU數(shù)據(jù)處理性能為核心的方案，如NVIDIA公司的Drive PX2自動駕駛控制平臺；另一種是依據(jù)算法負責(zé)程度分層在多類芯片中分別部署的多元異構(gòu)芯片組合方案，如奧迪新A8采用的自動駕駛平臺zFAS。

Drive PX2自動駕駛控制平臺，支持12路攝像頭輸入、激光定位、雷達和超聲波傳感器基于16 nm FinFET工藝制造，但是其功耗可達250 W，且采用了水冷散熱的方式。這種高功耗和水冷的方式目前很難在車載領(lǐng)域得到應(yīng)用，但是在技術(shù)研究領(lǐng)域，為一些控制算法的集成驗證提供了控制器平臺。

zFAS中NVIDIA TegraK1芯片為GPU架構(gòu)芯片，用于環(huán)視和駕駛員檢測，Mobileye Q3為FPGA架構(gòu)芯片，負責(zé)實現(xiàn)自動駕駛功能的視覺感知，Altera的Cyclone V為FPGA芯片，負責(zé)信息融合、高性能計算及部分決策控制。英飛凌的Aurix TC297T為DSP芯片，負責(zé)運行高可靠性和實時性較高的決策控制算法，并監(jiān)測系統(tǒng)運行狀態(tài)，使系統(tǒng)滿足相應(yīng)的功能安全等級要求，目前已實現(xiàn)量產(chǎn)。

更加多元的異構(gòu)芯片的組合方案，通過對自動駕駛控制算法的分析和分解，將算法分層部署在滿足各類需求的芯片中，達到計算性能、功耗、功能安全等各方面綜合要求的滿足，在應(yīng)用過程中會為算法的優(yōu)化提供指導(dǎo)，另外芯片成熟度的提升也會降低成本并且更加符合功耗、功能安全等方面的需求，從而進一步促進自動駕駛相關(guān)功能和域控制器的逐步升級。

根據(jù)圖3信息量角度對自動駕駛控制系統(tǒng)的信息處理需求的劃分，進一步細化多元異構(gòu)芯片組合的域控制器集成方式對自動駕駛需求的分層對應(yīng)，如圖6所示。這種組合方式是平衡性能、成本、功耗、功能安全等各類自動駕駛需求的有效方案，且模塊化的層級劃分具備自然的升級換代的便利性，是目前自動駕駛系統(tǒng)應(yīng)用的唯一解決方案，也是自動駕駛控制系統(tǒng)發(fā)展過程中的必然趨勢。

圖6 多元異構(gòu)芯片組合對應(yīng)各層自動駕駛算法需求

6 結(jié)論

依托于芯片、傳感器、算法的飛速發(fā)展和日趨成熟，自動駕駛技術(shù)的發(fā)展呈現(xiàn)一種多學(xué)科交叉、統(tǒng)合的態(tài)勢，已經(jīng)不是簡單的組合，而是技術(shù)、應(yīng)用、算法、軟件、硬件相互響應(yīng)，相互促進的深度融合。自動駕駛芯片的選擇一方面要考慮其計算力、成本，來滿足基本的運算和產(chǎn)品化需求；另一方面需要綜合對比其事務(wù)管理功能、數(shù)據(jù)處理能力和運行速度、軟件編程和硬件設(shè)計的靈活性，來滿足設(shè)計、開發(fā)及產(chǎn)品生命周期管理的需求。

鑒于自動駕駛控制系統(tǒng)需求的復(fù)雜性，多元異構(gòu)傳感器、多核異構(gòu)芯片構(gòu)成的控制系統(tǒng)的模塊化、分層化設(shè)計方式，是自動駕駛控制系統(tǒng)滿足其系統(tǒng)成本、功耗、實時性、設(shè)計開發(fā)、功能安全等各類需求的必然趨勢。