任务1.1 车载计算平台概述-学生手册

任务1.1车载计算平台概述学生手册项目一车载智能计算平台基础任务1.1车载计算平台概述【任务导入】假如你是某自动驾驶企业的一名自动驾驶研发工程师，现在企业需要对新入职的实习生进行培训，由你负责讲解有关车载计算平台的相关理论知识。【学习目标】素质目标培养学生严谨认真、好学深思的品质；理解智能驾驶的定义，培养学生的问题解决能力；了解车载智能计算平台的工作原理，培养学生的科技创新精神。知识目标能理解智能驾驶的基本概念[K1]；能理解车载计算平台的工作原理[K2]；能理解车载计算平台的性能参数[K3]。能力目标正确讲解智能驾驶的定义[A1]；正确讲解车载计算平台在智能驾驶中的应用[A2]。【知识准备】智能驾驶的基本概念智能驾驶是一种基于先进技术的驾驶模式，旨在通过传感器、计算机视觉、人工智能等技术实现车辆自主感知、决策和行驶。这种驾驶方式将车辆变得更加智能化和自动化，为驾驶员提供更安全、更便利的驾驶体验。图1-1-1智能驾驶介绍智能驾驶依赖于各种传感器，如激光雷达、摄像头、毫米波雷达等，以实时感知周围环境，包括道路状况、障碍物、行人和其他车辆等。基于感知数据，智能驾驶系统通过算法进行决策和路径规划，确定最佳的驾驶策略，以确保车辆安全、高效地行驶。智能驾驶系统可以实现不同级别的自动驾驶功能，包括辅助驾驶、高级驾驶辅助系统（ADAS）、部分自动驾驶和全自动驾驶等。图1-1-2智能驾驶传感器智能驾驶系统利用人工智能和机器学习技术对大量数据进行处理和分析，从而不断提升系统的性能和智能水平。它还包括车辆与车辆之间、车辆与基础设施之间的通信，实现车辆之间的协同行驶和交通信息共享。智能驾驶技术的发展旨在提高驾驶安全性和可靠性，减少交通事故和人为错误，为驾驶员和乘客提供更安全的出行环境。智能驾驶系统具有一定的环境适应性，能够适应不同的天气条件、道路状况和交通情况，保障车辆在各种复杂情况下的稳定行驶。总的来说，智能驾驶技术的发展将为未来的交通运输带来革命性的变化，提升驾驶体验、改善交通效率，并对人们的生活和工作产生深远影响。智能驾驶的“三大子系统”图1-1-3智能驾驶子系统感知子系统这一子系统负责通过各种传感器感知车辆周围的环境和道路情况，例如摄像头、雷达、激光雷达、超声波传感器等。这些传感器会实时地收集、检测和分析车辆周围的各种信息，包括道路状况、障碍物、其他车辆、行人等。感知子系统的任务是将传感器收集到的信息转化为计算机可以理解的数据，以便后续的决策和控制。决策和规划子系统在感知子系统获取了周围环境的信息之后，决策与规划子系统负责对这些信息进行分析和处理，从而制定出最合适的行车策略和路径规划。这一子系统通常会采用各种算法和模型来进行路况预测、路径规划、障碍物避让等决策，以确保车辆安全、高效地行驶。通过GPS、惯性测量单元（IMU）等传感器获取车辆的位置和姿态信息，并与地图数据进行比对，以确定车辆的准确位置。决策与规划模块根据感知模块提供的环境信息和定位模块提供的车辆位置，制定车辆的行驶策略和路径规划。这个模块需要考虑到车辆的当前状态、周围环境、交通规则等因素，以及避障、跟车、变道等行为。执行与控制子系统执行与控制子系统负责将决策与规划子系统制定的行车策略和路径规划转化为具体的车辆控制动作，控制车辆的加速、转向、制动等行为。这一子系统通常包括车辆的电子控制单元（ECU）、驱动器、制动系统、转向系统等，通过实时的信号和指令来控制车辆的各种动作。控制模块负责将决策与规划模块生成的行驶策略转化为具体的控制指令，控制车辆的加速、减速、转向、刹车等动作。这个模块需要与车辆的传感器、执行器和电子控制单元（ECU）进行通信。图1-1-4控制模块传感器融合目前，几乎各行各业都在使用传感器：在汽车、工厂，甚至我们的智能手机中，都有传感器的身影。虽然单个传感器本身就可以提供有用的数据，但如何能同时从多个传感器的输出中提取信息呢？假设整体大于各部分之和，此举将为我们提供一个更好的周遭环境的模型。传感器融合是我们实现这一壮举的过程。传感器融合是智能驾驶系统中的重要技术之一，旨在通过整合多种不同类型的传感器数据，提高车辆对周围环境的感知能力和系统的稳健性。传感器融合的主要内容包括以下几个方面：数据融合智能驾驶系统通常会配备多种不同类型的传感器，如摄像头、激光雷达、毫米波雷达、超声波传感器等。传感器融合技术可以将这些传感器采集到的数据进行融合，形成更加全面、准确的环境感知信息。信息融合决策传感器融合技术不仅仅是简单地将多个传感器的数据进行整合，更重要的是通过对整合后的数据进行分析和处理，形成对车辆周围环境的全面、准确的认知。基于融合后的信息，智能驾驶系统可以进行高级的决策和规划，如路径规划、障碍物检测与避让、车道保持等。系统稳健性与安全性传感器融合技术可以提高智能驾驶系统对各种复杂、多变环境的适应能力，增强系统的稳健性和安全性。通过多传感器数据的融合，系统可以在遇到传感器故障或异常情况时进行自动切换和补偿，保证系统的正常运行和安全性。智能驾驶算法智能驾驶算法概念算法是解决特定问题或执行特定任务的一系列步骤或规则的有序集合。在计算机科学和数学领域，算法通常被描述为一种有限步骤的计算过程，这些步骤将输入数据转换为所需的输出结果。算法可以用于执行各种任务，如搜索、排序、数据处理、图形处理、数值计算等。良好的算法应该具有以下特征：正确性：算法应该能够解决特定问题，并且得到正确的输出结果。可读性：算法的逻辑结构应该清晰明了，易于理解和阅读。效率：算法应该在有限的时间内完成任务，并且在输入规模增大时能够有效地处理数据。健壮性：算法应该能够处理各种情况下的输入数据，并且不易受到异常情况的影响。可扩展性：算法应该能够适应不同规模和复杂度的问题，并且能够方便地进行修改和扩展。算法在计算机科学中扮演着非常重要的角色，它们是实现软件系统和解决复杂问题的基础。算法的设计和优化是计算机科学领域的重要研究方向之一。智能驾驶算法分类图1-1-5智能驾驶算法1）感知算法：这类算法用于感知车辆周围环境，识别道路、车辆、行人、障碍物等各种物体，并提取相关特征。常用的算法包括卷积神经网络（CNN）、循环神经网络（RNN）、支持向量机（SVM）等，用于图像识别、目标检测、语义分割等任务。2）定位算法：这类算法用于确定车辆当前的位置和姿态，同时构建和更新高精度地图。常用的算法包括全球定位系统（GPS）、惯性导航系统（INS）、激光雷达SLAM（SimultaneousLocalizationandMapping）等，用于实现车辆的定位和建图。3）融合算法：传感器融合需要借助于数据融合算法来对不同传感器采集的数据进行整合和处理。常见的数据融合算法包括卡尔曼滤波器、扩展卡尔曼滤波器（EKF）、粒子滤波器等，这些算法能够有效地提取和融合传感器数据的特征信息，从而提高感知结果的准确性和稳定性。4）预测算法：预测算法是智能驾驶系统中的重要组成部分，其主要任务是根据当前和历史数据预测车辆未来行为或环境变化。5）决策与规划算法：这类算法用于根据感知信息和目标设定，规划车辆的最优行驶路径，并做出决策。常用的算法包括A*算法、Dijkstra算法、RRT（Rapidly-exploringRandomTree）算法等，用于实现路径搜索和规划。6）控制算法：这类算法用于将路径规划和决策结果转化为具体的车辆控制指令，实现车辆的加速、转向、制动等动作。常用的算法包括PID控制器、模型预测控制（MPC）、神经网络控制等，用于实现车辆的自动驾驶和动态控制。智能驾驶的发展汽车技术的发展机械定义汽车时代汽车工业发展的早期阶段，大约在19世纪末到20世纪初期。在这个时代，汽车的设计和制造主要依赖于机械工艺和机械技术，汽车的结构和部件大多由机械零件组成，如发动机、传动系统、底盘、悬挂系统等。在这个时代，汽车的制造过程相对简单，主要依靠传统的机械加工和组装技术，制造出的汽车多为机械传动式，即通过机械装置传递动力来驱动车辆。这些汽车通常具有简单的结构和功能，性能相对较低，速度不高，安全性和舒适性也有限。硬件定义汽车时代在信息技术和电子技术飞速发展的背景下，汽车开始向数字化、智能化方向发展，车辆内部逐渐引入大量的电子元器件和计算机系统，成为一个以硬件为主导的时代。在这个时代，汽车不仅仅是机械设备，更是一个由硬件和软件共同构成的复杂系统。这种时代的汽车具有更多的智能功能和驾驶辅助系统，如智能驾驶、车载娱乐、车联网等。软件定义汽车时代汽车技术逐渐向软件为主导的方向发展的时代。在这个时代，汽车不再只是简单的机械设备，而是由大量的软件系统控制和支持的复杂系统。汽车内部的功能和性能主要由软件决定，软件的开发、优化和更新成为汽车制造和运营的重要环节。在软件定义汽车时代，汽车的许多功能和特性都依赖于软件系统，包括车载娱乐、智能驾驶、车联网、车辆诊断和维护等。汽车制造商和技术公司都在不断地开发和优化汽车软件，以提升车辆的性能、安全性和用户体验。车载计算平台发展现状随着处理器、图形处理单元（GPU）、内存和存储技术的不断发展，车载计算平台的计算能力和处理速度得到了显著提升，能够更快速地处理复杂的感知、决策和控制任务。车载计算平台的硬件架构和软件框架趋向于集成化和模块化，以满足不同车型和应用场景的需求。同时，各种传感器、通信模块和执行器等组件也越来越多地集成在车载计算平台中。随着智能驾驶技术的应用范围不断扩大，对于车载计算平台的安全性和可靠性要求也越来越高。因此，车载计算平台的设计和测试需要严格符合相关的安全标准和法规要求。智能驾驶系统的核心是算法和软件，车载计算平台需要不断优化和更新软件算法，以适应不同的道路条件、交通情况和驾驶行为。同时，软件的更新也能够提高系统的性能和稳定性。图1-1-6两种计算平台低算力的计算平台通常具有较低的处理能力，可能仅能完成基本的计算任务或简单的数据处理，适用于一些简单的计算任务、嵌入式系统或资源受限的环境，例如物联网设备、嵌入式系统和移动设备等。高算力的计算平台拥有强大的处理能力，能够执行复杂的计算任务，处理大规模数据并实现高性能计算。适用于需要大规模数据处理、复杂模型训练和高性能计算的场景，例如人工智能、大数据分析、科学计算和深度学习等领域。智能驾驶发展的困境智能驾驶发展面临的困境主要包括技术挑战、法律法规、安全性问题、成本问题和社会接受度等方面。技术挑战涉及传感器融合、高精度定位、环境感知等复杂技术问题；法律法规需要制定统一的标准和规范来监管自动驾驶车辆；安全性方面包括系统安全和交通安全等问题；高昂的研发成本和维护成本是智能驾驶技术发展的障碍；此外，公众对自动驾驶技术的接受度也存在疑虑，需要通过宣传教育和示范应用来提高社会接受度。车载智能计算平台车载计算平台硬件架构演进车载计算平台的硬件架构演进可以分为以下几个阶段：分布式架构：早期的汽车电子系统采用分布式架构，即将不同功能模块的控制器分散放置在汽车的各个部位，例如发动机控制单元、制动控制单元等，各个模块之间通过车辆总线进行通信。功能集成架构：随着汽车电子系统的发展，功能模块的集成程度逐渐提高，多个功能模块集成在一起，形成了功能集成架构，通过一个或少数几个控制器来实现多种功能，提高了系统的整体性能和可靠性。集中式架构：集中式架构是将汽车电子系统的所有功能模块集中在一个或少数几个控制器中，通过高性能的处理器和丰富的外围接口来实现各种功能，简化了系统的结构和管理。多域融合架构：多域融合架构是指将车载计算平台的不同功能模块集成在一起，通过统一的硬件平台和软件架构来实现各种功能，同时实现不同领域的融合，例如汽车控制、娱乐、通信等。汽车大脑：汽车大脑是指具有智能化和自主学习能力的车载计算平台，能够实现高度自动化驾驶、智能交互和智能服务，是未来智能网联汽车的核心。云端协同架构：云端协同架构是指车载计算平台与云端系统的紧密结合，通过车载计算平台与云端系统的协同工作，实现更丰富的服务和功能，例如远程升级、车联网服务、智能导航等。图1-1-7硬件架构演进主流厂商车载平台电子电气架构升级途径主流厂商车载平台电子电气架构升级途径分为以下三类：一步到位：采用一次性、全面的升级方案，将整个车载平台的电子电气架构一次性地进行重大改变和升级。这种方式可能会带来较大的变革和风险，但有可能更快地实现技术更新和功能提升。激进型：采用相对较快、较大规模的改进和升级方案，但相比于一步到位，可能更加谨慎和渐进，避免了一次性的风险，同时也能够更快地推动技术和功能的进步。按部就班：采用逐步、渐进式的改进方式，通过分阶段、分模块地对车载平台进行升级。这种方式相对稳健，风险较低，能够更好地控制变革的步伐和方向，逐步实现功能和性能的提升。图1-1-8主流电子电气架构升级途径MDC智能计算平台架构及特点华为MDC（MobileDataCenter:移动数据中心）定位为智能驾驶的计算平台。搭载智能驾驶操作系统AOS、VOS及MDCCore，兼容AUTOSAR,支持L2+~L5平滑演进,结合配套的完善工具链，可灵活快速的开发岀针对不同应用场景的智能驾驶应用。华为MDC平台致力于通过底层技术与架构创新，坚持“平台+生态”的战略，为智能驾驶产业提供高性能、高安全、高可靠、高能效、确定性低时延、开放生态的具有“四高一低一开放”优势的智能驾驶计算平台。图1-1-9华为MDC架构智能驾驶涉及到感知、融合、定位、决策、规划、控制等多个环节，不同环节所需算力类型不同。比如激光雷达的点云数分处理需要大量CPU算力，摄像头数据则需要AI算力才能快速处理，在定位、决策、规划、控制等强逻辑处理的环节又需要CPU算力。智能驾驶需要多样化的异构计算能力，MDC平台硬件集成具有CPU与AI计算能力的强大SoC芯片，为智能驾驶提供可扩展的异构算力。软件和工具链在MDC平台硬件上，运行着创新研发的智能驾驶操作系统AOS、VOS及MDCCore，并配套提供完善的开发工具链：AOS与VOS：基于通过CCEAL5+安全认证的商用OS内核，符合ASILD的功能安全架构和安全机制要求，用户态分布式实时通信架构，保障上层应用的确定性低时延，兼容主流POSIX标准接口和主流基础库。MDCCore：对外开放提供ClassicAUTOSAR与AdaptiveAUTOSAR、功能安全、网络安全及OTA升级等100多个API服务，覆盖了上层智能驾驶应用的开发、调测、部署、运营等全生命周期的核心流程；支持主流的AI框架及1000多个AI算子；同时还对外提供功能软件框架及规范。定义了智能驾驶基本算法组件间开发接口，以提升应用场景与算法组件的研发效率与组合灵活性，方便上层应用的感知、融合、定位、决策、规划、控制等算法进行组件化的开发。工具链：提供安全可信，高效便捷，灵活开放的应用开发端到端工具集，支持可视化&拖拽式操作及自动代码生成，可一站式开发、测试、调优，帮助客户或生态合作伙伴快速开发满足AUTOSAR规范的智能驾驶应用：•MindStudio：支持Al算子开发、调试调优，仿真及运行，提供离线模型转化与自定义算子开发功能。•MDCManifestConfigurator：基于AUTOSAR规范的ARXML配置工貝，提供模块化配置、模型关系图形化，拖拽式配置、配置项校验等功能。•MDCDevelopmentStudio：集成开发环境，提供工程管理、代码自动生成、编辑编译、调试运行，远程部署，UT管理、性能分析、平台软件管理等功能。•MeasureCalibrationDiagnosisTool：基于AUTOSAR的诊断调试工具，提供视频回放、故障诊断、关键指标测量、软硬件拓扑展示，Licensees管理、版本升级等功能。•MDCApplicationVisualizer：基于AUTOSAR的可视化调测工具，提供智能驾驶应用常用数据和用户自定义数据的2D/3D可视化显示功能。基于华为MDC平台的演作系统、平台软件与功能软件中间件，均对外提供标准的开放API与SDK开发包，结合简单易用的工具链，助力客户或生态合作伙伴硏发效率堤升，实现智能驾驶应用的快速开发、调测、部署与运行。图1-1-10软件和工具链车路云协同智能驾驶场景复杂多变，十字路口车辆混行以及极端天气等环境下，单纯依靠单车智能难以精确应对,车路协同是业界普遍认可的提升智能驾驶能力、降低单车智能驾驶成本的技术方向。华为MDC平台具有云端训练与仿真服务、V2X车路协同服务、OTA升级服务与远程告警与诊断服务，从而保障基于华为MDC平台的智能驾驶应用，可通过“车-路-云”三级架构，随技术升级而不断优化完善，始终为用户带来更新、更安全的智能驾驶使体验，为客户带来更高效的运营管理效率。图1-1-11车路云协同车规级安全安全是智能驾驶的基本要求。华为MDC平台从信息安全、功能安全与车规及流程管理三大维度，构建立体式多层次安全防护体系，保护用户隐私数据安全，保障驾驶过程安全可靠。在组织内部，持续强化安全意识，并将安全植入分析、设计、诊断等流程的不同环节落实，实现从系统、硬件、软件、集成验证等多个层次的安全能力，满足业界通用的汽车安全认证标准。信息安全：通过STRIDE信息安全威胁方法论，全面分析信息安全威胁，识别关键资产、识别风险并定义风险级别，从物理安全、网络安全、主机安全、应用安全、数据安全等5大维度构建8大安全框架，从传感器接入面威胁、智能驾驶应用软件面威胁、车载网路面威胁、调测面威胁、云端威胁、运维威胁等六大方面，进行全面的安全威胁分析与技术实施方案应对。图1-1-12信息安全功能安全：遵循ISO26