当前位置：首页 > news >正文

智能驾驶词典 --- 自动驾驶芯片梳理

news 文章来源：https://blog.csdn.net/weixin_42445727/article/details/128807216 2025/1/31 10:32:39

0 前言

与智能驾驶相关的芯片主要分为自动驾驶芯片（边缘端）和智能座舱芯片两大类，另外衍生的相关芯片种类还有计算集群芯片（云端），

1 自动驾驶芯片梳理

目前业内具有代表性的智驾芯片产品梳理如下。
在这里插入图片描述

1.1 自动驾驶芯片方案

目前市面关于自动驾驶行泊一体的解决方案基本都用到多颗SoC的策略，常见组合包括低算力TDA4 * 2方案、TDA4 + 3J3方案、高算力Orin * 2（*4）方案、MDC610 * 2方案等等，多颗SoC是如何联合工作的是个很有意思的问题，今天拿TI的双TDA4方案做一下解读，其中的思路可以帮助理解其它多SoC方案。

为什么要做多SoC方案？

为什么要使用多SoC，通常基于以下几点：
a、性能需要
运行各类通用计算、深度学习计算和应用所需的性能需求可能超出了单SoC的能力，除了算力的不足之外，在实际应用中也会出现长时间高功率运算导致的硬件过热死机等问题，因此部分整车厂商在对方案商方案评审时还会考虑负载率/利用率的问题（并非越高越好），不做具体展开。

b、功能安全考虑
为满足特定情况下功能安全需求，需要增加一个SoC作为主SoC因异常导致无法正常工作时的bankup，这里涉及到冗余备份的考虑，对应的衍生出同构冗余和异构冗余两种方案，各有优劣，不做具体展开。

c、IO接口限制
在集成化成都越来越高的各类ADAS应用中，各类传感器的应用数量不断增加，性能也不断增强，因此对于通讯接口数量和带宽需求也越来越高，单个SoC可能无法满足接口数量的需求，早期的ADAS方案有典型的5R1V，现在较为流行的方案有5R8V12U3L，传感器数量成倍增加，对各类接口数量要求也大大增加，硬件性能提升导致的数据带宽要求与早期相比已不可同日而语；
另外在单独应对性能瓶颈方面，部分厂商在做的单SoC的分时复用（行车的时候做行车计算，泊车的时候做泊车计算）也是一种解决方案，可实现低算力SoC行泊一体，不做具体展开。

1.2 主流芯片与搭载车型梳理

与智能驾驶相关的芯片主要分为自动驾驶芯片（边缘端）和智能座舱芯片两大类，另外衍生的相关芯片种类还有计算集群芯片（云端），目前业内具有代表性的智驾芯片产品梳理如下。

在这里插入图片描述

1.3 算力越大≠效果越好

在分析英伟达制霸AI芯片市场，股价五年暴涨20倍的原因时，分析师们往往会草草地抛出一个观点：算力为王。车企们在宣传智能汽车时，也常常有意无意地向用户传达一种思想：算力越大越牛X。不过这并非事实。在真实的智能驾驶系统中，更大的算力只提供牛逼的可能性，但不保证牛逼的确定性。一方面，企业通常对外宣传的TOPS，是一块芯片的AI峰值算力，但在实际运行中，芯片算力很难被充分利用。
一个不那么为人所知的事实是，在高数据量的计算任务中，最大的瓶颈常常是存储带宽而非算力。因为计算单元的运行频率远高于存储单元，芯片会陷入“算力等数据”的状态，高算力其实在空转[5]。这就相当于餐厅里有一位米其林大厨，做饭又快又好吃，但受制于切菜工的效率，导致出餐率一直上不去。
存储能力成为AI应用的主要瓶颈有效运用高算力的一个方法是在芯片中放置更多的高速缓存（SRAM），这种存储单元与计算单元距离更近，数据传输的延迟更低，可有效提升带宽。比如特斯拉在其FSD芯片内封装了32MB的高速缓存，缓存带宽达到2TB/s，将每秒能处理的图像从Drive PX2的100余帧提升至2300帧，为其FSD Beta算法提供了基础。

但特斯拉做到这一切的前提是斥巨资从硅谷找到顶级半导体人才，进行自主研发，而能同时满足这样条件的车企并不多。另一方面，即使通过各种方法尽可能把芯片算力用满，也不代表万事大吉——算力是智能驾驶的基础，算法才是灵魂。关于算法的重要性，在游戏行业有一个生动的例子。2021年前，游戏玩家在打开GTA5联机版时，即使拥有性能不错的电脑，也需要等待一段漫长的时间。后来有程序员解包发现，由于部分代码质量过低，某个只需一步完成的步骤，被迫跑了19.8亿次if语句——这段代码很简单，但占用了60%的计算资源[7]。同样的道理在智能驾驶行业也成立：堆砌、消耗算力并不难，难的是通过高效算法将算力转化为实打实的用户体验。

一个有经验的算法团队常常能取得更高的算力费效比。比如小鹏刚刚向广州区域的P5车型推送了城市高阶辅助驾驶CNGP，在行业大多基于上百T算力实现这一目标时，小鹏P5仅搭载了算力30TOPS的Xaiver芯片，依靠的便是算法优化和高精地图加持[8]。不久前与五菱一起推出低算力辅助驾驶方案的大疆车载认为，实现智能驾驶面临传感器、算力、算法、数据四座大山，四座山头需要一起翻越。换句话说，智能驾驶系统其实是一个木桶，决定最终体验的是不是某块长板，而是短板。而在当下，整个汽车行业将芯片算力堆到数百乃至上千T的大有人在，但没有一家车企的辅助驾驶系统效果，比得上特斯拉基于144T算力做出来的FSD Beta。面对这种情况，很难说智能驾驶行业的短板在芯片算力上。

而在广阔的辅助驾驶市场，更加主流的其实是服务中低端车型的够用就好。他们不追求（也无力使用）高端配置，而是用低成本芯片、传感器，在有限场景内将辅助驾驶功能做好。比如大疆与五菱今年合作推出的智驾版 KIWI EV则更进一步，采用200万像素摄像头为主传感器，计算平台算力仅16T，全套辅助驾驶套件成本在一万以内。随着此类方案的流行，一些平价智能驾驶芯片如地平线J3（算力5T）、德仪TDA4（算力8T）正在打开越来越大的市场。

参考链接：
https://zhuanlan.zhihu.com/p/579801405
https://baijiahao.baidu.com/s?id=1748172256217137711&wfr=spider&for=pc
https://www.elecfans.com/qichedianzi/1901545.html