智能汽車計算平台的關鍵技術與核心器件

讀而思

智能汽車計算平台關鍵技術不僅包含汽車本身的硬體/軟體平台、系統安全平台、整車通信平台、核心演算法等基礎技術，也包括雲控平台的系統架構和核心演算法，最重要的核心器件是中央處理器、雲端域控制器等。智能計算平台關鍵技術和核心器件研發難度高、周期長、投入大，目前大多掌握在歐美日等供應商手中，並受其技術保護和壟斷，因而加強共性核心技術攻關迫在眉睫。

孔凡忠

北京汽車研究總院副院長兼新技術研究院院長，

國家發改委「智能汽車創新發展戰略」編製組核心成員

徐小娟

褚景堯

北京汽車股份有限公司研究院工程師

本文發表於《中國工業和信息化》雜誌2018年六月刊總第2期

智能汽車已成為我國汽車社會發展的戰略新契機，其重要性不僅僅局限於產業本身，而且涉及整個社會的智能化進程，同時與國家信息安全密切相關。

目前，智能汽車的發展已經被提升至國家高度，國家製造強國戰略中明確提出，到2020年掌握智能輔助駕駛總體技術及各項關鍵技術，初步建立智能汽車自主研發體系及生產配套體系；到2025年，掌握自動駕駛總體技術及各項關鍵技術，建立完善的智能汽車自主研發體系、生產配套體系及產業群，基本完成汽車產業轉型升級。

汽車計算平台的現狀與趨勢

隨著智能汽車的高速發展，系統功能越來越複雜、實時性要求越來越高、安全等級也越來越高，以CAN匯流排為基礎的傳統汽車分散式控制架構已不能滿足未來需求，集成化的主幹網加多域控制的新型電子電器架構成為未來智能汽車發展的最佳選擇，對於智能汽車複雜功能和大量互聯信息的高效傳輸及管理，以及系統安全十分必要。

針對智能駕駛控制部分，L2級及以下採用基於MCU的多ECU分散式控制方式，而L3以上則必須採用基於高性能SOC（System on Chip）構建的域控制器DCU（Domain Control Unit）的集中控制策略。DCU集成了多塊高性能的晶元，基於高端智能計算平台，可以平行運行多應用程序，集成化的域控制器可取代許多較小的ECU，簡化整車電子電器控制複雜度。該計算平台採用模塊化的分層架構，可以將不同廠商的軟體和應用程序同時集成到域控制器DCU上，此運算平台衍生出許多關鍵技術要求。未來，在DCU成熟的基礎上，有望形成集成度更高、算力更強、功耗更低的SOC集成方案。

智能汽車計算平台關鍵技術

智能駕駛計算平台以環境感知數據、GPS信息、車輛實時數據和V2X交互數據等作為輸入，基於環境感知定位、路徑決策規劃和車輛運動控制等核心控制演算法，輸出驅動、傳動、轉向和制動等執行控制指令，實現車輛的自動控制，並通過人機交互界面（如儀錶）實現自動駕駛信息的人機交互。為了實現智能駕駛系統高性能和高安全性的控制需求，智能汽車計算平台彙集了多項關鍵技術：包括基礎硬體/軟體平台技術、系統安全平台技術、整車通信平台技術、雲計算平台技術、核心控制演算法技術等。

基礎硬體平台關鍵技術

智能汽車計算平台硬體架構如圖2所示：其中高性能感測器實現環境路況信息採集，基於高性能CPU/GPU的SOC晶元實現環境感知定位、路徑決策規劃等核心演算法，安全MCU實現高安全級別的車輛控制和車內通信等。同時為了達到智能駕駛功能安全等級ASIL D的要求，目前一般採用主從兩個主控制器，實現故障監測和冗餘控制等。

智能駕駛計算平台需要強大的硬體運算資源，能夠基於攝像頭、毫米波雷達、激光雷達、定位系統和高精地圖等多信息融合實現環境感知定位、路徑決策規劃和車輛運動控制等，滿足智能駕駛系統高性能和高安全性的控制需求。智能駕駛硬體平台需要滿足如下要求：

一是強大的運算能力滿足計算性能與實時性要求；二是滿足ISO 26262的功能安全要求；三是滿足信息安全要求；四是支持多種車內通信協議CANFD/Ethernet等；五是支持FOTA升級，實現功能迭代；六是滿足車規級標準（溫度、電磁兼容、可靠性等）；七是滿足低功耗要求；八是滿足成本要求。

電子電器軟體架構 智能駕駛計算平台軟體架構基於Adaptive AUTOSAR，採用分層的架構，可集成多應用程序（APP），圖3即是基於主流技術分析軟體架構示意圖。計算平台軟體上層為應用層，運行「核心控制演算法」及「安全管理」。智能駕駛的核心控制演算法，包括環境感知定位、路徑決策規劃和車輛控制。同時針對智能駕駛需求，實現功能安全和信息安全管理，包括錯誤監測、信息安全策略，處理器監測和執行安全糾正，以及安全警示和降級的策略等。計算平台軟體下層為基礎軟體，實現通信和I/O驅動、錯誤管理、硬體安全管理和存儲管理等，操作系統採用滿足POSIX介面的RTOS（Real-Time Operating System），通過虛擬機從硬體層面分割硬體資源保持片上多軟體系統獨立。

POSIX介面RTOS技術對於滿足POSIX介面的RTOS，大家普遍青睞Linux開源軟體。因為開源可以帶來自由定製，基於汽車控制領域需求優化任務調度/搶佔機制，開發實現RT-Linux。雖然也有供應商與整車廠在使用QNX，但是一旦涉及深度軟體定製開發，QNX本身的開放程度將會影響未來可應用範圍。

Adaptive AUTOSAR技術 汽車行業的控制軟體涉及車輛安全，為解決汽車智能駕駛等問題，提出統一的軟體要求，同時也為了滿足統一的介面要求，因此提出Adaptive AUTOSAR，今年10月將釋放第一個完整版本。國外已促成Adaptive AUTOSAR成為行業標準，第三方軟體供應商會將標準頒布時間滯後，但像VW這樣的業內巨頭，已提前獲得對應版本並完成軟體平台開發。

Hypervisor技術 自動駕駛域控制器的功能實現需要覆蓋環境感知、感測器融合、決策控制等，同時功能安全和信息安全的需求加入，對控制器軟硬體系統提出了更高的性能要求。可通過在硬體（物理晶元）和軟體操作系統之間嵌入Hypervisor層，基於硬體抽象層，直接模擬成幾個OS（Operating System），解決資源衝突和虛擬機的選擇問題，如圖4的TYPE1所示。Hypervisor是所有虛擬化技術的核心，主要目的是為了使多操作系統和應用共享一片硬體資源，也被認為是硬體虛擬器。

通過使用Hypervisor層的改進式架構，可以增加操作系統使用的靈活性，是多操作系統應用的發展必然，也是軟體設計的重點內容。

Hypervisor主要根據具體的產品類型和系統標準等來選擇最合適的解決方案。未來廠商必須要有這種Hypervisor的集成經驗，會涉及虛擬的驅動開發和資源配置，包括對各種虛擬機的支持，其他就是對全新CPU的適配。目前晶元主要包括Intel、Renesas、NXP、TI等；操作系統主要包括Linux、QNX等。

系統安全平台關鍵技術

智能汽車的網聯化給乘客帶來越來越多的方便服務的同時，也掌握了駕駛員越來越多的個人信息和隱私，甚至可以遠程訪問操控汽車，為網路安全埋下了隱患。同時因為自動駕駛完全由計算機控制車輛而不需駕駛員判斷操作，需要在傳統車輛上增加大量的感測器、控制器，執行器也需升級，系統變得越發複雜，增大了系統故障的概率，而且自動駕駛汽車要求系統發生故障情況下，車輛仍具有操控性。所以智能系統的網路安全技術和功能安全成為智能汽車的關鍵技術。

功能安全 目前，針對功能安全主要採用ISO 26262標準汽車功能安全要求，詳細地描述了電子電氣系統的硬體隨機失效，以及潛在、多點故障失效，軟體故障注入測試等內容。汽車風險定製的方案、運行汽車安全等級要求發現潛在的風險，根據要求確保安全等級達到規定的要求，強調了產品的生命周期以及安全完整等級要求。電子電器系統發生故障後，可能導致系統功能的異常表現，造成車輛的非預期運動風險。電子電氣系統的故障可分為隨機硬體故障和軟體或流程原因導致的系統性故障。通過實施功能安全，以危害分析和風險評估後得到的安全目標及汽車安全完整性等級（ASIL 等級）為導向，開發和落實相關安全要求，能有效降低系統功能失效導致的風險。針對自動駕駛要求的系統失效時仍需fail-operational的需求，需要根據安全狀態分析，制定具體的系統冗餘設計策略。

同時，自動駕駛汽車是一項極其複雜的系統，配置了頂級尖端科技。要證實系統可以完成設定的目標，即所說的預期功能安全SOTIF（Safety Of The Intended Function），這是一項非常具有挑戰性的工程。SOTIF 針對的系統功能局限可分為：目標使用場景考慮不周全，導致系統不能準確識別環境要素；功能仲裁邏輯不合理，導致系統決策失誤；執行器響應能力不足，導致運動控制偏離預期等。

功能局限的產生原因主要是：設計開發時系統功能定義不能充分覆蓋目標市場的使用需求。為此，需要充分搜集預期使用場景的數據，作為功能設計輸入，同時要求進行大量的驗證工作，包括實地實車測試，以儘可能涵蓋全部使用工況，須在廣泛相異的情形以及天氣情況下實現安全目標。道路測試在可控性、重複性、詳盡性或者快速性方面都有著不足之處，所以，模擬模擬環境是非常有必要的。

信息安全 智能汽車可以被看作是利用計算機通過無線通信技術和雲端大資料庫相連接，通過系統軟體來實現車的自動控制，智能汽車的計算機聯網屬性，決定所有計算機可能遇到的信息安全風險都可能出現在智能汽車上，不僅涉及用戶數據丟失、物品被盜取，而且涉及駕駛安全，因此智能汽車的信息安全尤為重要；目前針對智能汽車的信息安全危害分析，需要重點開展車外通信、架構隔離、車內通信和控制器內部，從外至內四層級信息安全防護策略，逐層進行多級防護。

網聯汽車的互聯網安全是未來汽車行業的一項非常艱巨的任務，各國都由政府牽頭提醒行業掌握智能汽車網路安全主動權。

整車通信平台關鍵技術

V2X是指藉助當前的各種無線通信技術，將「車、路、人、雲」等交通參與要素有機地聯繫在一起，不僅可以支撐車輛獲得更多的感知信息，促進自動駕駛技術創新和應用；還有利於構建一個智慧的交通體系，促進汽車和交通服務的新模式新業態發展，對提高交通效率、節省資源、減少污染、降低事故發生率、改善交通管理具有重要意義。

V2V技術 V2V（Vehicle to Vehicle），指通過車載終端進行車輛間的通信。最普遍的應用場景是在城市街道與高速公路中，車輛之間相互通信，發送數據，實現信息和數據的共享。

智能汽車計算平台可以通過發送或接收以下數據：車輛的時速、相對位置、剎車、直行還是左拐等所有與行駛安全相關的數據，甚至包括拍攝周圍事物的圖片或者音視頻等，分析和預判其他車輛的駕駛行為，從而實現主動的安全策略，提升行駛安全，為半自動駕駛、自動駕駛提供數據支撐。

V2V車輛通信可以通過C-V2X中的D2D協議實現車與車之間的通信，為整車廠帶來了另一種運維模式，即自由有效建立智能車隊，規劃路徑，降低油耗，提升營運收益。

V2I技術 V2I（Vehicle to Infrastructure），指車載設備與路邊基礎設施（如紅綠燈、交通攝像頭、路側單元等）進行通信，路邊基礎設施獲取附近區域環境的信息並發布各種實時信息。車與路通信主要應用於實時信息服務、車輛監控管理、不停車收費等。

智能汽車計算平台需要通過分析接收到路邊基礎設施的警示信息如：十字路口的盲區碰撞、道路險情、道路施工、救急車輛、交通堵塞和事故警告，以及視線盲區的交通信號或標誌指示，提示用戶相應的險情，推薦優化的駕駛行為，促進道路車輛行駛和周邊信息的合理化和完善化。

V2I車輛通信可以C-V2X中的超密集組網技術以及D2D協議實現車與路基礎設施通信。智能汽車計算平台通過強大的CPU處理接收的信息，結合GPU處理通過攝像頭識別的圖像，再輔助高精地圖和雲端支持，建立協同式環境感知系統，便於整個智慧城市的搭建。

V2P技術 V2P（Vehicle to People） 是指車輛中的車載設備和弱勢交通群體（包括行人、騎行者等）使用用戶設備（包括行人、騎行者等）使用用戶設備（如智能手機、可穿戴式設備、自行車GPS信號儀等）進行通信。車與行人通信主要應用於交通安全、智能鑰匙、位置信息服務、汽車共享等。

智能汽車計算平台通過支持強大的安全通信，通過智能鑰匙，實現無鑰匙進入和遠程啟動等功能。同時還要通過強大的計算能力，實時推算行人或者騎行者的行動軌跡，為駕駛員提供駕駛預判，避免發生交通事故。

V2P通信主要取決於用戶設備的無線通信協議，這就需要智能汽車計算平台能夠支持儘可能多的無線通信協議，譬如BT、WIFI、Zigbee、Z-WAVE、NB-IoT/LoRA、LTE/5G，才能夠有效地實現V2P。

V2N/V2C技術 V2N/C（Vehicle to Network/Cloud）是指車輛中車載設備通過網路與雲平台連接，雲平台與車輛之間進行數據交互，並對獲取的數據進行存儲和處理，提供遠程交通信息推送、娛樂、商務服務和車輛管理等。車與雲平台通信主要應用於車輛導航、車輛遠程監控、緊急救援、信息娛樂服務等。

對於V2N/V2C來說，智能汽車計算平台需要強大而迅捷的數據處理能力以及海量的數據存儲機制，以處理超高速率、超高吞吐量、高可靠性、超低延時的網路數據。

毫無疑問，V2N/V2C需要採用C-V2X中的新型天線傳輸技術、高頻段傳輸、同頻全雙工等高效技術，這就要求智能汽車計算平台需要支持新型網路架構，譬如D-RAN、C-RAN,D2D、MTC等接入技術相融合的方式，通過各種低成本高速光傳輸網路，實現V2N/V2C通信。

雲計算平台關鍵技術

當前雲計算平台主要應用於對實時性要求不高的內容服務和數據分析，譬如智能互聯中的信息娛樂功能、用戶的駕駛行為分析等。車輛通過網路將ECU數據上傳到雲平台，雲平台通過數據存儲、數據挖掘、數據分析，然後將數據模型下發給車輛，供車輛提升用戶體驗使用。

隨著4G數據網路上行下行速度越來越快，並且在車輛中的大量搭載，計算平台有從車載終端向雲計算平台遷移的趨勢。其主要的優勢是規模大、虛擬化能力強、高可靠性、通用性、高擴展性、按需服務和低成本性。一旦超高速網路成為現實，雲控平台的域控制器將承擔更多的計算量，相應的AI晶元及核心演算法將成為重點研發領域。

核心演算法開發關鍵技術

智能駕駛計算平台的核心控制演算法包括：環境感知與定位、決策與規劃、控制和執行。

環境感知與定位 環境感知的主要目的是通過智能汽車感測器（如攝像頭、毫米波雷達、激光雷達、超聲波雷達及差分GPS等）收集車輛自身、周圍障礙物及道路等與駕駛任務相關的信息。車輛周圍障礙物及道路信息可通過多種車載感測器檢測獲得，基於多感測器的信息融合方法能夠綜合利用多感測器的優點，有效克服單一感測器性能缺陷，從而獲得穩定、準確的障礙物及道路信息。因此，多感測器信息融合技術是自動駕駛汽車系統中的核心技術之一。而且，近年來演算法（如多感測器融合等）越來越成為AI晶元發展的驅動力，如地平線、寒武紀等晶元公司的演算法。

環境感知系統總體方案設計。根據智能汽車駕駛場景分析設計環境感知系統總體方案。針對自動駕駛360度全域安全指標要求，一般通過在車輛周邊布置多個毫米波雷達和攝像頭，以及多個激光雷達，完成車道線、車輛、行人、非機動車輛、障礙物、道路標識等環境信息的檢測。選擇高性能處理器作為運算平台，運行基於深度學習的多感測器信息融合演算法。

環境感知系統核心融合演算法 環境感知系統一般採用基於機器學習的方法進行目標的檢測和跟蹤，利用深度學習進行攝像頭、毫米波雷達、激光雷達信息的融合演算法處理。為了滿足系統實時性要求，需要採用高性能晶元作為計算平台，滿足神經網路學習演算法運算要求。

多源信息融合感知系統軟體體系架構設計。多源信息融合感知系統軟體主要由感測器標定、坐標變換、數據採集與預處理、數據存儲緩衝、信息融合、目標檢測與識別、綜合調配狀態網路管理、環境模型構建等軟體單元模塊組成（見圖5）。

為實現多源信息融合感知系統目標檢測與跟蹤和環境建模功能，設計不同的軟體類庫來實現具體的軟體功能，並利用面向對象的方法，使用抽象類庫設計抽象介面類，實現數據、設備驅動、軟體演算法等方面的模塊化設計，為進行功能擴展、設備替換提供方便，形成智能汽車多源信息融合感知系統的基礎軟體平台。

基於機器學習的演算法研究。環境感知系統一般採用基於機器學習的方法進行目標的檢測和跟蹤，涉及的工作包括：Robust（魯棒）的城市複雜動態場景點雲配准方法；自動駕駛環境下多視角環境模型構建理論；基於證據理論和支持向量機的多感測器數據融合；基於深度學習的視覺雷達融合方法。

高精定位關鍵技術。厘米級實時高精定位是目前自動駕駛最大的挑戰之一。高精定位一般包含相對定位，絕對定位和組合定位，對於自動駕駛汽車來說一般採用組合定位方法，目前常用的定位方法包括RTK-GPS定位、IMU（Inertial Measurement Unit）定位和SLAM（Simultaneous Localization and Mapping）定位。

組合定位是基於RTK-GPS的絕對定位的初始位置信息，利用IMU感測器的加速度計、陀螺儀等來測量相對於汽車初始位姿的距離和方向來確定當前汽車的位姿。然後用激光雷達或視覺感知環境，用主動或被動標識、地圖匹配、GPS或導航信標進行高精定位。

決策與規劃 智能汽車路徑規劃決策是實現汽車智能駕駛的關鍵技術之一，智能駕駛是將車從起始位置移動到目標位置，車輛的運動限制在路面上、同時考慮汽車動力學，因此規劃的路徑除了考慮路程最短、無碰撞外還需要考慮車輛運動軌跡的可執行性。路徑規劃任務可以分為三層，如圖6所示，上層全局路徑規劃、中層局部路徑規劃和下層軌跡規劃，每層執行不同任務，三大規劃是智能駕駛計算平台最複雜的部分，演算法很多。谷歌、百度等科技公司切入智能車領域擅長的就是這些演算法；傳統整車廠如福特和豐田，擁有對車輛動力學的絕對優勢，在此領域也在重點發力。

上層全局路徑規劃，是指在電子地圖、路網以及交通信息等基礎上，根據某優化目標得到兩點之間的最優路徑，完成路徑規劃的感測信息主要來自於GPS定位信息以及電子地圖。

中層局部路徑規劃，是指根據當前行駛區域內道路交通等環境信息，決策出當前時刻滿足交通法規、道路約束的最優行駛行為，動態規劃的局部路徑序列組成宏觀路徑。局部路徑規劃的感測信息主要來自車載感測器如雷達、攝像頭等，用以識別道路障礙、車道線、道路標識信息和交通信號燈信息等。

下層軌跡規劃是指在當前時刻以完成當前行車行為為目標，考慮周圍交通環境並滿足不同約束條件，根據目標動態規劃決策出的最優軌跡。下層軌跡規劃除了必要的外部環境信息外，還需要對本車狀態信息進行測量或估計，車輛的動力學約束也會在軌跡規劃中得到體現。

全局路徑規劃。全局路徑規劃主要任務是根據全局地圖資料庫信息規划出自起始點至目標點的一條無碰撞、可通過的路徑。在滿足汽車行駛諸多約束的前提下，以某性能指標最優為目的，規划出車輛的運動軌跡。全局型路徑規劃不算複雜，這對地圖廠家來說很容易。

車輛路徑規劃演算法可分為靜態路徑規劃演算法和動態路徑演算法。此外，還有實時啟發式搜索演算法、基於分層路網的搜索演算法、神經網路、遺傳演算法及模糊理論等。

局部路徑規劃。局部路徑規劃是在智能車輛的行駛過程中，以局部環境信息和自身狀態信息為基礎，規划出一段無碰撞的理想局部路徑。主要是探測障礙物，並對障礙物的移動軌跡跟蹤做出下一步可能位置的推算，最終繪製出一幅包含現存碰撞風險和潛在碰撞風險的障礙物地圖。

局部路徑規劃的主要前提是對周圍環境有深刻的理解，並有一個非常完善實時的環境，通常採用柵格法構建環境模型。

針對規劃決策方面的研究，尤其是複雜動態環境下具備仿生認知決策能力的相關研究較少。

規劃決策可基於社會屬性的深度強化學習的決策方法，如圖7所示，可以借鑒駕駛員規劃決策知識進行機器學習，探究具有不完整數據、不確定知識特點的駕駛規劃決策知識獲取演算法，消除多源信息間可能存在的冗餘和矛盾信息，降低其不確定性，以形成對駕駛系統的相對完整一致性描述，從而提高駕駛系統決策及反應的快速性和準確性，為智能汽車輛智能行為決策控制提供理論依據。

軌跡規劃是在全局路徑規劃和局部路徑規劃的基礎上，考慮時間序列和車輛動力學對車輛運行軌跡的規劃。

控制與執行 目前智能駕駛車輛運動控制主要掌握在核心供應商和國外主流主機廠手中，國內積累薄弱，而且一級核心供應商對國內整車廠底層執行協議的開放不足，多為黑盒子，控制協議均為付費公開，而且介面開放程度也直接影響著汽車操控的可控程度。但車輛運動控制技術是自動駕駛真正落地的基礎，自動駕駛汽車想要平穩行駛，並保持舒適性，很大程度上取決於底盤和動力控制技術。同時，自動駕駛能否達到專業的操控性，很大程度上在於自動駕駛決策規劃時對車輛控制動力學的理解程度。

智能汽車計算平台核心器件

在傳統汽車領域，晶元供應商包括英飛凌、恩智浦、意法半導體和瑞薩等公司，幾乎壟斷了全球汽車晶元市場；但隨著高級駕駛輔助系統ADAS和自動駕駛技術的發展，智能汽車對晶元的計算能力需求也隨之快速增長，因此消費類電子晶元公司如英偉達、高通、英特爾等相繼進入汽車晶元行業；同時瑞薩、德州儀器、英飛凌等也均在自動駕駛領域進行布局。

英特爾主要是通過併購來完成布局，包括Mobileye的EyeQ系列專用晶元（ASIC）、Altera的FPGA晶元和Movidius的視覺處理單元VPU，以及自己的CPU處理器，形成自動駕駛的整體硬體解決方案。

英偉達的Drive PX和PX2可滿足L2、L3級ADAS應用；新一代的自動駕駛處理器Xavier可滿足L3/L4級自動駕駛應用。

高通通過將自己的移動處理晶元升級為車規級切入汽車電子領域，2019年將量產的820A支持深度學習的ADAS應用；同時收購傳統的汽車電子晶元商恩智浦，其發布的BlueBox平台，集成了S32V234汽車視覺和感測器融合處理器、S2084嵌入式計算處理器和S32R27雷達微控制器，能夠提供L4級自動駕駛計算解決方案。

地平線機器人、中科寒武紀、森國科等國內公司，開始進行車載級晶元研究，可滿足L2級以下ADAS場景需求。但目前我國半導體晶元行業整體競爭力較弱，缺乏核心技術，導致目前中國的車載晶元幾乎全部依賴進口。因此，如果可以藉助智能汽車引導的行業革命發展國產晶元，或許將是我國汽車產業的一個難得機會。

（來源：中國工業和信息化）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！