第2章 智能驾驶计算架构

智能驾驶与计算架构

第2章

智能驾驶计算架构

1计算架构分类

2核心计算架构3关键计算性能指标智能驾驶计算概述智能驾驶计算架构是支撑智驾功能的软硬件体系结构，包含芯片、硬件、软件、云端及算法五大核心模块。智能驾驶计算架构是一个复杂的系统工程，需要硬件和软件的协同发展，以及跨学科的技术创新。本章将系统学习智能驾驶计算架构分类、核心架构概念及评价指标，是后续第3~7章的导论。学习目标：了解智能驾驶计算架构的标准范式及相关案例。了解芯片、硬件、软件、云端及算法架构的相关组成部分。理解芯片、硬件、软件、云端及算法的关系及架构融合方法。掌握智能驾驶计算架构的常见性能指标及评价方法。计算架构分类现代计算架构趋向于集成不同类型的计算单元（CPU、GPU、NPU），形成强大的系统级芯片（SoC）。核心模块：处理器架构（CPU、GPU、DSP、NPU）、存储架构（RAM、ROM、缓存层次）、总线与互联架构、软件架构、硬件架构。全栈计算架构范式（7层）：云端平台→算法应用→基础库（框架）→系统软件（中间件/内核/BSP）→系统硬件（MCU/MPU）→外围硬件（传感器/域控制器）→车辆平台。计算架构分类厂商案例：特斯拉、蔚来、华为、集度各有特色的计算架构。产业协作模式智能驾驶产业链从垂直链状走向融合网状，域控制器设计与生产存在五种业务模式。五种业务模式：模式一（主机厂委托代工）、模式二（Tier1提供域控制器，最普遍）、模式三（Tier1.5主攻基础软件平台）、模式四（Tier0.5源于主机厂全栈自研诉求）、模式五（系统集成商委托ODM/OEM代工）。三种合作方式：白盒模式（OEM掌握应用层）、灰盒模式（OEM提出定制需求）、黑盒模式（Tier1掌握话语权）。产业关联方：OEM、Tier1、软件Tier1、Tier2、芯片供应商、算法公司、内容生态提供商。核心计算架构芯片内计算架构按应用适应性可分为通用、专用、并行和分布式架构，NPU已成为智能驾驶时代的关键计算架构。计算架构分类：通用计算（x86）、专用计算（DSA/ASIC/FPGA）、并行计算（GPU）、分布式计算（云计算）。架构发展：个人计算机时代（x86）→智能手机时代（ARM）→AI与云计算时代（GPU应用拓展）→智能驾驶时代（NPU涌现）。-针对特定领域量身定制架构可大幅提升效率（矩阵乘示例：从Python到硬件加速可提升6万多倍）。-全球约100家组织推出或研发AI专用推理芯片。硬件架构域控制器（DCU）是汽车电子电气架构集中化发展的结果，负责传感器融合、环境感知、决策规划和车辆控制。DCU主要功能：传感器融合（多传感器数据融合）、环境感知（识别道路/交通标志/行人）、决策规划、车辆控制。DCU硬件架构：由三大类型芯片组成——AI芯片（GPU/NPU，大算力并行计算）、CPU（ARM架构，逻辑运算和决策控制）、MCU（功能安全，ASIL-D，如英飞凌TC297/TC397）。架构趋势：单MCU→MCU+多高性能MPU；TriCore/PowerPC→ARM/MIPS/DSP/GPU多核异构；算力指数级增长。量产解决方案围绕场景开发自动驾驶成为主流，行泊一体域控从轻量级向大算力演进，L3/L4域控需满足失效可操作冗余要求。三个阶段：ADAS（碎片化辅助驾驶）→NOA行泊一体（过渡阶段）→全场景FSD。L2+行泊一体：轻量级（TDA4/地平线J3，10~20TOPS，10~20万车型）和大算力（OrinX/昇腾610，200+TOPS，高端车型）。L3/L4域控冗余三种策略：故障转移机制（Doer+Fallback）、双系统混合架构（主ASIL通道+辅助ASIL通道）、多级安全路径（主安全路径+二级安全路径）。软件架构软件架构是智能驾驶的"灵魂"，中间件的出现使软硬件解耦成为可能，推动汽车软件走向独立价值创造。软件基础架构五大组成部分：车用操作系统、智能驾驶算法、算法工具链、算法基础设施、智能驾驶/自动驾驶策略。车用操作系统功能：任务管理、内存管理、设备驱动、通信管理、安全管理、工具链体系、安全车控。软件架构软件架构是智能驾驶的"灵魂"，中间件的出现使软硬件解耦成为可能，推动汽车软件走向独立价值创造。中间件（Middleware）：上连整车厂和Tier1的软件，下连Tier2的硬件。实现软硬件解耦，降低架构复杂度。AUTOSAR：CP（ClassicPlatform，静态架构，高实时性）和AP（AdaptivePlatform，动态架构，支持POSIX兼容OS如Linux）。智能驾驶现状舱驾融合是智能驾驶计算平台的未来发展方向，需要多操作系统、多安全等级、多种加速IP异构的超算芯片支撑。舱驾融合功能：智能座舱功能+智能驾驶功能+舱驾融合功能（语音/触摸/手势交互+信息共享和协同控制）。关键软件组成部分：Microkernel微内核、Hypervisor虚拟化引擎（QNXHypervisor可达ASIL-D）、SafetyRTOS/Linux、BSP、AUTOSARAP、ROS2/Dataflow、通信模块、感知模块等。软件供应商格局：EB、Vector、TATA、Mentor等传统ECU软件平台供应商，以及TTTech、映驰科技、东软睿驰等后来者。云端架构云端架构通过端云结合的数据闭环，为智能驾驶提供数据标注、模型训练、仿真测试等全链路支持。核心功能：高效难倒场景挖掘迭代、全自动数据闭环工作流、量产研发经验沉淀。关键组成（以地平线艾迪AIDI为例）**：AIDI-Data（数据入库/检索/自动化处理）、AIDI-Label（数据标注系统）、AIDI-Model（模型训练/评测/管理/编译）、AIDI-Eval（智能驾驶评测系统）、AIDI-Issue（问题数据管理）。云端架构优化方案：SoC性能评估、软硬件协同设计、功能安全验证、内存配置评估。标量计算和安全控制计算是规则驱动的逻辑计算，矢量与矩阵/张量计算统称为智能计算。多任务架构多任务模型通过共享网络结构，可在节省存储算力的同时输出多个任务的预测结果，是量产中的主流方案。单任务模型：参数独享、优化目标单一、用途单一；多任务场景下需分别运行多个模型，算力开销大。多任务模型分类：弱参数共享（激活值共享）和强参数共享（共用Backbone，主流）。考虑因素：融合可行性、子任务权重设置、硬件I/O及算力分配、模型输入形式统一。训练方法：Loss加权法、动态任务优先级法。典型方案：OmniDet（环视鱼眼多任务）、YOLOP（目标检测+可行驶区域分割+车道线分割）。逻辑计算与混合计算端到端架构将所有模块基于神经网络设计，传递高维特征信息，实现全局联合优化，代表了智能计算架构2.0的设计范式。传统模块化架构问题：模块间传递结构化信息，信息损失严重；误差无法回传，陷入局部最优。BEV感知架构：将图像视角特征转到BEV空间，统一特征空间下融合，再进行目标检测。端到端架构（UniAD）：将感知、预测、规划等六大子任务整合到统一网络框架下，实现全栈关键任务驾驶通用模型，所有任务达到SOTA。关键计算性能指标智能驾驶计算芯片的性能由TOPS×利用率×每TOPS完成的工作共同决定，真实性能需要硬件+软件+算法一同发力。车规级芯片标准：温度-40~155℃，15年使用寿命，零缺陷率（AEC-Q100）。PPAvsAI时代