自动驾驶主流芯片及平台架构（五）选择自动驾驶平台考虑因素

自动驾驶域控制器基本架构

域控制其中最核心的是主芯片，一般会采用一颗或多颗高性能的SOC。SOC是System on Chip的缩写，就是在单块芯片上集成多个微处理器、模拟IP核、数字IP核和存储器等部件，比如CPU、GPU、DSP、ISP、Codec、NPU、Modem等模块。

这些单元，在一套总线系统的连接下，构成了一个系统。大家所熟知的各种手机SOC芯片，如苹果的A系列、高通的骁龙系列、华为的麒麟系列，或者各类的AI SOC芯片，车载领域的各种SOC芯片，都逃不出以上范式。虽然都是同一范式，但是由于使用的场景不同，各个芯片的侧重点不太一样：

娱乐系统芯片，其实和消费电子几乎一模一样，关注音频、视频、显示、图像等、Modem等。

自动驾驶芯片，注重高性能计算，一般配备有强大的NPU、GPU、DSP等。

自动驾驶芯片重要指标

中央控制器作为自动驾驶核心部件，作为自动驾驶的“大脑”端，通常需要外接多个摄像头、毫米波雷达、激光雷达，以及IMU等设备，完成的功能包含图像识别、数据处理等。因此，其需要具备多传感器融合、定位、路径规划、决策控制、无线通讯、高速通讯的能力，因而从始至终牵动着整个处理及控制命脉。

这里需要注意的是，由于自动驾驶传感器对于驾驶辅助系统的复杂度影响力（主要表现在计算能力、传输带宽、存储能力等）几乎是成倍的增加，特别是侧视摄像头的加入导致需要预处理的视频数据成倍的增加，同时，激光雷达的加入又不断地生成千万级的待处理点云信息，这就对其自动驾驶控制器计算性能及算法能力提出了比较大的需求，这也使得我们需要对自动驾驶控制器芯片选型单独提出的需求。

由于要完成大量运算，域控制器一般都要匹配一个核心运算力强的处理器，能够提供自动驾驶不同级别算力的支持，其运行时期的信息交换速度、算法计算速度、存储能力等均受到其内部控制芯片的影响。对于自动驾驶控制器芯片选型而言，主要考虑如下一些技术要求参数信息来进行方案设计。

1）算力：

自动驾驶的实现，需要依赖环境感知传感器对道路环境的信息进行采集，将采集到的数据传送到汽车中央处理器进行处理，用来识别障碍物、可行道路等，依据识别结果，规划路径、制定车速，自动控制汽车行驶。整个过程需要在一瞬间完成，延时必须要控制在毫秒甚至微秒级别，才能保证自动驾驶的行驶安全。

要完成瞬时处理、反馈、决策规划、执行的效果，对中央处理器的算力要求非常高。在自动驾驶中，最耗费算力的当属视觉处理，占到全部算力需求的一半以上，且自动驾驶级别每升高一级，对计算力的需求至少增加十倍。L2级别需要2个TOPS的算力，L3需要24个TOPS的算力，L4为320TOPS，L5为4000+TOPS。

第一部分通常是GPU或TPU，承担大规模浮点数并行计算需求，主要用于环境感知和信息融合，包括摄像头、激光雷达等传感器信息的识别、融合、分类等，如Xavier的GPU单元、昇腾310。

第二部分大多为ARM架构，类似于CPU，主要负责逻辑运算和决策控制，处理高精度浮点数串行计算。

目前来看单颗芯片的算力最大的是英伟达的orin-X芯片，200TOPS算力，能效比最高的是地平线6.4FTOPS/W。

光有算力还不够，考虑汽车应用的复杂性，汽车处理器还需要同时考虑算力利用率、是否通过车规和安全标准等。算力理论值取决于运算精度、MAC的数量和运行频率。如下表示了一种典型的单帧算力计算方式：

理论算力是根据Net卷积层的乘法运算累加得出，卷积层中的每次乘加（MAC）算成两个OPS，卷积运算量占DL NET的90%以上，其它辅助运算或其它层的运算忽略不计，SSD所有卷积层乘法运算总数是40G MACs，所以理论算力是80GOPS。

真实值和理论值差异极大，考虑其它运算层，硬件实际利用率要高一些。决定算力真实值最主要因素是内存（ SRAM和DRAM)带宽，还有实际运行频率（即供电电压或温度），还有算法的batch尺寸。

2）能效比：

对于车载AI芯片来说，算力指标重要，能效比更重要。在传统芯片行业，PPA（算力、功耗和面积）是最经典的性能衡量指标。因为现在汽车自动驾驶对算力的追求，业界往往会把峰值算力当作衡量 AI 芯片的主要指标。

地平线提供一个新的方法用以评估芯片的AI真实性能——MAPS (Mean Accuracy-guaranteed Processing Speed࿰