自动驾驶@@车辆数据的@@中央集中式处理@@@@

作者@@： Senya Pertsel ，来源@@：Ambarella安霸@@半导体@@

科技进步推动产品创新@@，给各行各业的@@设计师们带来了前所未有的@@挑战@@，这一点在汽车行业尤为明显@@。汽车厂商正努力将@@已实现@@ ADAS 功能的@@@@ L2 自动驾驶@@技术@@升级到@@@@ L3 和@@ L4，并最终能在自动驾驶@@领域@@，将@@基于@@ AI 的@@系统@@发展到@@@@ SAE 6 级水平@@。L3 级乘用车已在全球多个@@地区上路行驶@@，L4 级自动驾驶@@出租车目前也在旧金山等城市街道上进行广泛试验@@（在有些地区已投入商业使用@@@@）。但是@@，在这些车辆大规模投入市场之前@@，仍存在许多商业@@、物流和@@监管方面的@@挑战@@。

汽车厂商面临的@@挑战之一是要弥合两种情况之间的@@差距@@：一边是于少数技术@@实例的@@概念验证@@，另一边是将@@概念转化成为稳健@@、可重复和@@实用的@@大规模制造和@@部署@@。后者要求设计稳定@@、安全@@、可靠@@，并且定价合理@@。

在进行概念验证时@@，可以通过不同的@@途径实现目标@@。“自上而下@@”的@@方法是在车辆中集成尽可能多的@@硬件@@、传感器和@@软件@@，然后通过实现融合@@、降低复杂性@@，达到@@性能@@、成本和@@重量@@目标@@。相反@@，“自下而上@@”的@@方法则更有条理@@，汽车厂商先完成一个@@级别的@@自动驾驶@@设计@@，然后再收集数据并克服必要的@@挑战@@，达到@@下一个@@级别@@。后一种方法越来越受到@@大型主机厂的@@青睐@@。

汽车要提供先进的@@@@ ADAS 系统@@，并最终实现自动驾驶@@@@，必须感知周围环境@@，然后根据@@ “看到@@的@@内容@@”采取行动@@。车辆对环境的@@认知越准确@@，就能做出越好的@@决策@@，行车也越安全@@@@。因此@@，设计自动驾驶@@汽车时@@，首先要确定部署在车辆周围的@@传感器数量和@@类型@@。在环境传感方面@@，有三种常用技术@@@@：图@@像传感器即摄像头@@、毫米波雷达@@和@@激光雷达@@，三者各有利弊@@。

在上述的@@三种传感器中@@，很明显@@，摄像头和@@激光雷达的@@算法@@处理@@已经普遍在中央域控了@@，而目前市场上的@@各类毫米波雷达@@@@，通常还是前端处理@@@@，生成目标以后@@，再送到@@中央域控@@，而并非中央集中处理@@@@。我们将@@在本文中着重介绍对于@@ 4D 成像毫米波雷达@@进行中央集中处理@@的@@必要性和@@安霸@@@@ CV3 在这方面的@@技术@@优势@@。

一旦确定了车辆对传感器的@@需求@@，就要做出一系列关键决定@@，包括设计系统@@架构和@@选择@@配备@@合适的@@处理@@器@@。这就需要从根本上考虑是集中处理@@传感器数据@@，还是在前端处理@@传感器数据@@。

图@@1 确定传感器架构是自动驾驶@@汽车取得成功的@@前提@@

传统@@ 3D 雷达技术@@虽然成本较低@@，但在感知能力存在着一些不足@@。通常毫米波雷达@@做前端计算@@，生成目标以后@@，在域控里和@@来自摄像头的@@感知结果做后融合@@。这种@@方式因为在前端的@@信息损失@@，不仅使得@@ 3D 雷达的@@作用被大大削弱@@，并且在视觉感知高度发展的@@今天@@，传统@@ 3D 雷达有靠边站的@@趋势@@。

随着毫米波雷达@@技术@@的@@演进@@，我们看到@@@@ 4D 成像毫米波雷达@@的@@技术@@指标比起传统@@@@ 3D 毫米波雷达@@有了大幅的@@改进@@，包括多了一个@@高度维度@@，看得更远@@，点云更密集@@，有更好的@@角分辨率@@，对静止目标检测更可靠@@@@，更低的@@误检和@@漏检等@@。4D 成像毫米波雷达@@之所以有这些技术@@优势@@，往往来自于更复杂的@@调制技术@@@@，和@@更复杂的@@点云算法@@@@，跟踪算法@@等@@。因而@@ 4D 成像毫米波雷达@@往往需要专门的@@雷达处理@@芯片@@才能达到@@所需的@@高性能@@。目前市场上已经存在一些在前端雷达模块中添加雷达@@ DSP 或@@ FPGA 来进行前端计算的@@设计@@。虽然这些前端计算的@@@@ 4D 成像毫米波雷达@@有些展现出比传统@@@@ 3D 雷达更好的@@性能@@，成本较高@@，不利于广泛应用@@。

而在@@集中式处理@@方法下@@，由于所有传感器的@@原始数据都在一个@@中心点进行合并@@，数据进行融合时不会丢失关键信息@@。由于不在前端进行处理@@@@，毫米波雷达@@传感器模块大大简化@@，从而缩小了尺寸@@，降低了功耗和@@成本@@。此外@@，大多数毫米波雷达@@都位于车辆保险杠后侧@@，最大限度地降低事故后的@@维修费用@@。

集中式处理@@方法还能让研发人员灵活地实时调整毫米波雷达@@数据和@@摄像头数据的@@相对重要性@@，在各种环境天气和@@驾驶条件下提供最佳的@@环境感知能力@@。举例来说@@，在恶劣天气条件下@@，沿高速公路行驶时@@，毫米波雷达@@数据将@@发挥更大优势@@；而在@@拥挤的@@城市中缓慢行驶时@@，摄像头在识别车道线@@，读取道路标志和@@场景感知@@，识别危险方面将@@发挥更重要的@@作用@@；而激光雷达对于一般障碍物检测和@@夜晚@@ AEB 方面更有特色@@，动态配置传感器套件可以节省处理@@器资源@@，降低能耗@@，同时提高@@环境感知能力和@@安全@@性@@。

随着电动汽车的@@普及@@，如何节约电能并最大限度地提高@@@@“每次充电的@@续航里程@@ ”成为每个@@车辆零部件的@@关键考虑因素@@。节能是集中式@@ AI 域控芯片@@的@@优势@@。有些多芯片@@中央域控消耗大量电能@@，因而@@缩短了车辆的@@续航里程@@。如果@@ SoC 产生的@@热量过大@@，需要设计主动冷却方案@@，甚至某些架构需要液体冷却@@，这就大大增加了汽车的@@尺寸@@、成本和@@重量@@，从而降低了电池续航能力@@。

AI 智驾软件正迅速成为系统@@的@@关键要素@@，AI 的@@实现方式对@@ SoC 的@@选择@@@@，以及@@开发系统@@所花费的@@时间和@@资金投入都有重大影响@@。关键是如何以最小的@@工作量和@@能源@@，运行最新的@@神经网@@络算法@@@@，但又不牺牲精度@@。这不仅需要仔细考虑硬件该@@如何实现神经网@@络@@，还要考虑为中间件@@、设备@@驱动程序和@@@@ AI 工具提供支持@@，缩短开发时间并降低风险@@。

车辆出厂后@@，无论是解决某个@@问题@@，还是新增功能@@，软件都需要持续更新@@。基于单个@@域控制器的@@集中式架构简化了这一过程@@，OTA 升级的@@实现@@，解决了目前需要单独更新每个@@前端模块软件的@@难题@@（更加昂贵和@@复杂@@）。这种@@ OTA 方法也意味着系统@@网@@络安全@@是设计过程中需要解决的@@另一个@@重要领域@@。

SoC 的@@选择@@@@影响着设计过程的@@各个@@方面@@，包括整辆自动驾驶@@汽车的@@效能@@。为了赋能大型主机厂更快落地极具性价比的@@智驾产品@@，综合性地考虑到@@客户需求@@，为客户带来主攻@@ L3/L4 旗舰智驾系统@@的@@大算力中央域控@@ AI 芯片@@ CV3-AD685，该@@芯片@@可实现@@ 4D 成像毫米波雷达@@原始数据的@@集中式处理@@和@@深度融合@@。

为什么安霸@@傲酷雷达可以做@@到@@成本更低呢@@？ 

这是因为@@，传统@@ 4D 成像毫米波雷达@@使用@@固定的@@调制技术@@@@，需要根据调制方案对性能进行折中@@。不过@@，采用基于@@ AI 的@@实时动态波形的@@新兴@@ 4D 成像毫米波雷达@@设计正在帮助解决这一难题@@。将@@ “稀疏化阵列天线@@”与可动态学习并适应环境的@@@@ AI 算法@@（即虚拟孔径成像@@（VAI）技术@@）相结合@@，从根本上打破了调制带来的@@性能折中@@，可将@@@@ 4D 成像毫米波雷达@@的@@分辨率提高@@至@@ 100 倍@@。这大幅度提高@@了角度分辨率@@，以及@@系统@@性能和@@精确度@@，而天线数量也减少了一个@@档次@@，外形尺寸@@、功率预算@@、数据传输要求和@@成本也相应降低@@。

如何在@@ CV3 上做中央域控雷达设计呢@@？ 

CV3 支持雷达前端传感器直接传输@@ RAW 数据到@@域控@@，而在@@ CV3 上完成必要的@@雷达计算包括高质量点云生成@@，处理@@，跟踪等算法@@@@。CV3-AD685 上带有专用@@ 4D 成像毫米波雷达@@处理@@硬件单元@@，简洁而高效地完成多个@@雷达同时工作时的@@数据处理@@@@。

图@@ 3 显示了一个@@功能强大的@@@@ SoC 框图@@@@，它是安霸@@的@@@@ CV3-AD685。该@@ SoC 专为汽车中央域控制器而设计@@，可高性能运行各种神经网@@络算法@@@@，实现完整的@@自动驾驶@@解决方案@@。CV3-AD685 带有专业图@@像信号处理@@单元@@、可使用@@各种传感器感知@@（如来自摄像头@@、毫米波雷达@@、超声波雷达和@@激光雷达@@）、执行多种传感器的@@深度融合@@，运行车辆路径预测规划控制等算法@@@@。CV3-AD 系列专为汽车智驾设计的@@架构与@@ GPU 等竞品芯片@@架构截然不同@@，GPU 一般采用更为通用的@@并行计算设计@@，以运行各种不同的@@应用@@。因而@@在@@运行智驾应用的@@时候@@，CV3 比竞品的@@效率更高@@，功耗更低@@。

图@@3 安霸@@ CV3-AD685 SoC 框图@@@@，该@@芯片@@专为汽车应用中的@@集中式@@AI域控而设计@@。

如图@@@@ 3 所示@@，该@@ SoC 集成了神经网@@络处理@@器@@（NVP），通用矢量处理@@器@@ (GVP)（用于@@加速通用机器视觉算法@@和@@毫米波雷达@@处理@@@@）、高性能图@@像信号处理@@器@@（ISP） 、12 个@@ Arm® Cortex®-A78AE 和@@多个@@@@ R52 CPU，双目立体视觉和@@密集光流引擎@@、以及@@ GPU（用于@@ 3D 渲染如@@ AVM ）。CV3-AD系列的@@整体架构和@@@@ CV3-AD685 相同@@，适用于@@从@@ L2+ 到@@ L4 级汽车智驾系统@@@@，拥有充沛算力和@@安全@@冗余@@，可运行完整的@@自动驾驶@@解决方案@@。其@@ AI 性能则在高性能@@ GPU 的@@ 3 倍@@左右@@，尽管性能出众@@，这款@@ SoC 的@@工作功耗却大幅低于竞品@@。因此@@，使用@@ CV3-AD685，与竞品芯片@@相比@@，在电池容量相同@@的@@情况下@@，电动汽车的@@续航里程至少可增加@@ 30 公里@@。另外@@，在保持相同@@续航里程的@@情况下@@，电池成本可以大幅降低@@，电池重量也可以减少几公斤@@。

近年来@@，智驾技术@@取得了质的@@飞跃@@。不同的@@智驾高级功能成为主流已有一段时间@@，随着汽车厂商不断创新突破@@，其@@他新功能也不断涌现@@。汽车行业现在面临的@@挑战是如何将@@目前的@@@@ L3 和@@ L4 级智能驾驶试验车全面投入生产@@。

这一进步的@@关键在于传感器的@@选择@@@@@@，包括车辆的@@结构和@@域控芯片@@的@@选择@@@@@@。使用@@专为集中式传感器融合设计的@@处理@@器@@，以及@@基于@@ AI 的@@创新技术@@@@（如稀疏化毫米波雷达@@阵列@@），自动驾驶@@汽车可以集中处理@@毫米波雷达@@数据@@，并将@@其@@与摄像头数据进行融合@@，对车辆周围动态环境做出及时反应@@。这种@@性能和@@灵敏度的@@提高@@可以减少对激光雷达的@@依赖性@@，进一步降低成本@@，并且达到@@更好的@@环境感知性能@@。