智能汽车计算平台的关键技术与核心器件

智能汽车计算平台关键技术不仅包含汽车本身的硬件/软件平台、系统安全平台、整车通信平台、核心算法等基础技术，也包括云控平台的系统架构和核心算法，最重要的核心器件是中央处理器、云端域控制器等。智能计算平台关键技术和核心器件研发难度高、周期长、投入大，目前大多掌握在欧美日等供应商手中，并受其技术保护和垄断，因而加强共性核心技术攻关迫在眉睫。

孔凡忠
北京汽车研究总院副院长兼新技术研究院院长，国家发改委“智能汽车创新发展战略”编制组核心成员

徐小娟 褚景尧
北京汽车股份有限公司研究院工程师
本文发表于《中国工业和信息化》杂志2018年六月刊总第2期

智能汽车已成为我国汽车社会发展的战略新契机，其重要性不仅仅局限于产业本身，而且涉及整个社会的智能化进程，同时与国家信息安全密切相关。

目前，智能汽车的发展已经被提升至国家高度，国家制造强国战略中明确提出，到2020年掌握智能辅助驾驶总体技术及各项关键技术，初步建立智能汽车自主研发体系及生产配套体系；到2025年，掌握自动驾驶总体技术及各项关键技术，建立完善的智能汽车自主研发体系、生产配套体系及产业群，基本完成汽车产业转型升级。

汽车计算平台的现状与趋势

随着智能汽车的高速发展，系统功能越来越复杂、实时性要求越来越高、安全等级也越来越高，以CAN总线为基础的传统汽车分布式控制架构已不能满足未来需求，集成化的主干网加多域控制的新型电子电器架构成为未来智能汽车发展的最佳选择，对于智能汽车复杂功能和大量互联信息的高效传输及管理，以及系统安全十分必要。



针对智能驾驶控制部分，L2级及以下采用基于MCU的多ECU分布式控制方式，而L3以上则必须采用基于高性能SOC（System on Chip）构建的域控制器DCU（Domain Control Unit）的集中控制策略。DCU集成了多块高性能的芯片，基于高端智能计算平台，可以平行运行多应用程序，集成化的域控制器可取代许多较小的ECU，简化整车电子电器控制复杂度。该计算平台采用模块化的分层架构，可以将不同厂商的软件和应用程序同时集成到域控制器DCU上，此运算平台衍生出许多关键技术要求。未来，在DCU成熟的基础上，有望形成集成度更高、算力更强、功耗更低的SOC集成方案。

智能汽车计算平台关键技术

智能驾驶计算平台以环境感知数据、GPS信息、车辆实时数据和V2X交互数据等作为输入，基于环境感知定位、路径决策规划和车辆运动控制等核心控制算法，输出驱动、传动、转向和制动等执行控制指令，实现车辆的自动控制，并通过人机交互界面（如仪表）实现自动驾驶信息的人机交互。为了实现智能驾驶系统高性能和高安全性的控制需求，智能汽车计算平台汇集了多项关键技术：包括基础硬件/软件平台技术、系统安全平台技术、整车通信平台技术、云计算平台技术、核心控制算法技术等。

基础硬件平台关键技术

智能汽车计算平台硬件架构如图2所示：其中高性能传感器实现环境路况信息采集，基于高性能CPU/GPU的SOC芯片实现环境感知定位、路径决策规划等核心算法，安全MCU实现高安全级别的车辆控制和车内通信等。同时为了达到智能驾驶功能安全等级ASIL D的要求，目前一般采用主从两个主控制器，实现故障监测和冗余控制等。

智能驾驶计算平台需要强大的硬件运算资源，能够基于摄像头、毫米波雷达、激光雷达、定位系统和高精地图等多信息融合实现环境感知定位、路径决策规划和车辆运动控制等，满足智能驾驶系统高性能和高安全性的控制需求。智能驾驶硬件平台需要满足如下要求：

一是强大的运算能力满足计算性能与实时性要求；二是满足ISO 26262的功能安全要求；三是满足信息安全要求；四是支持多种车内通信协议CANFD/Ethernet等；五是支持FOTA升级，实现功能迭代；六是满足车规级标准（温度、电磁兼容、可靠性等）；七是满足低功耗要求；八是满足成本要求。

电子电器软件架构 智能驾驶计算平台软件架构基于Adaptive AUTOSAR，采用分层的架构，可集成多应用程序（APP），图3即是基于主流技术分析软件架构示意图。计算平台软件上层为应用层，运行“核心控制算法”及“安全管理”。智能驾驶的核心控制算法，包括环境感知定位、路径决策规划和车辆控制。同时针对智能驾驶需求，实现功能安全和信息安全管理，包括错误监测、信息安全策略，处理器监测和执行安全纠正，以及安全警示和降级的策略等。计算平台软件下层为基础软件，实现通信和I/O驱动、错误管理、硬件安全管理和存储管理等，操作系统采用满足POSIX接口的RTOS（Real-Time Operating System），通过虚拟机从硬件层面分割硬件资源保持片上多软件系统独立。

POSIX接口RTOS技术对于满足POSIX接口的RTOS，大家普遍青睐Linux开源软件。因为开源可以带来自由定制，基于汽车控制领域需求优化任务调度/抢占机制，开发实现RT-Linux。虽然也有供应商与整车厂在使用QNX，但是一旦涉及深度软件定制开发，QNX本身的开放程度将会影响未来可应用范围。




Adaptive AUTOSAR技术 汽车行业的控制软件涉及车辆安全，为解决汽车智能驾驶等问题，提出统一的软件要求，同时也为了满足统一的接口要求，因此提出Adaptive AUTOSAR，今年10月将释放第一个完整版本。国外已促成Adaptive AUTOSAR成为行业标准，第三方软件供应商会将标准颁布时间滞后，但像VW这样的业内巨头，已提前获得对应版本并完成软件平台开发。

Hypervisor技术 自动驾驶域控制器的功能实现需要覆盖环境感知、传感器融合、决策控制等，同时功能安全和信息安全的需求加入，对控制器软硬件系统提出了更高的性能要求。可通过在硬件（物理芯片）和软件操作系统之间嵌入Hypervisor层，基于硬件抽象层，直接模拟成几个OS（Operating System），解决资源冲突和虚拟机的选择问题，如图4的TYPE1所示。Hypervisor是所有虚拟化技术的核心，主要目的是为了使多操作系统和应用共享一片硬件资源，也被认为是硬件虚拟器。

通过使用Hypervisor层的改进式架构，可以增加操作系统使用的灵活性，是多操作系统应用的发展必然，也是软件设计的重点内容。



Hypervisor主要根据具体的产品类型和系统标准等来选择最合适的解决方案。未来厂商必须要有这种Hypervisor的集成经验，会涉及虚拟的驱动开发和资源配置，包括对各种虚拟机的支持，其他就是对全新CPU的适配。目前芯片主要包括Intel、Renesas、NXP、TI等；操作系统主要包括Linux、QNX等。
系统安全平台关键技术
智能汽车的网联化给乘客带来越来越多的方便服务的同时，也掌握了驾驶员越来越多的个人信息和隐私，甚至可以远程访问操控汽车，为网络安全埋下了隐患。同时因为自动驾驶完全由计算机控制车辆而不需驾驶员判断操作，需要在传统车辆上增加大量的传感器、控制器，执行器也需升级，系统变得越发复杂，增大了系统故障的概率，而且自动驾驶汽车要求系统发生故障情况下，车辆仍具有操控性。所以智能系统的网络安全技术和功能安全成为智能汽车的关键技术。

功能安全 目前，针对功能安全主要采用ISO 26262标准汽车功能安全要求，详细地描述了电子电气系统的硬件随机失效，以及潜在、多点故障失效，软件故障注入测试等内容。汽车风险定制的方案、运行汽车安全等级要求发现潜在的风险，根据要求确保安全等级达到规定的要求，强调了产品的生命周期以及安全完整等级要求。电子电器系统发生故障后，可能导致系统功能的异常表现，造成车辆的非预期运动风险。电子电气系统的故障可分为随机硬件故障和软件或流程原因导致的系统性故障。通过实施功能安全，以危害分析和风险评估后得到的安全目标及汽车安全完整性等级（ASIL 等级）为导向，开发和落实相关安全要求，能有效降低系统功能失效导致的风险。针对自动驾驶要求的系统失效时仍需fail-operational的需求，需要根据安全状态分析，制定具体的系统冗余设计策略。

同时，自动驾驶汽车是一项极其复杂的系统，配置了顶级尖端科技。要证实系统可以完成设定的目标，即所说的预期功能安全SOTIF（Safety Of The Intended Function），这是一项非常具有挑战性的工程。SOTIF 针对的系统功能局限可分为：目标使用场景考虑不周全，导致系统不能准确识别环境要素；功能仲裁逻辑不合理，导致系统决策失误；执行器响应能力不足，导致运动控制偏离预期等。

功能局限的产生原因主要是：设计开发时系统功能定义不能充分覆盖目标市场的使用需求。为此，需要充分搜集预期使用场景的数据，作为功能设计输入，同时要求进行大量的验证工作，包括实地实车测试，以尽可能涵盖全部使用工况，须在广泛相异的情形以及天气情况下实现安全目标。道路测试在可控性、重复性、详尽性或者快速性方面都有着不足之处，所以，仿真模拟环境是非常有必要的。

信息安全 智能汽车可以被看作是利用计算机通过无线通信技术和云端大数据库相连接，通过系统软件来实现车的自动控制，智能汽车的计算机联网属性，决定所有计算机可能遇到的信息安全风险都可能出现在智能汽车上，不仅涉及用户数据丢失、物品被盗取，而且涉及驾驶安全，因此智能汽车的信息安全尤为重要；目前针对智能汽车的信息安全危害分析，需要重点开展车外通信、架构隔离、车内通信和控制器内部，从外至内四层级信息安全防护策略，逐层进行多级防护。

网联汽车的互联网安全是未来汽车行业的一项非常艰巨的任务，各国都由政府牵头提醒行业掌握智能汽车网络安全主动权。
整车通信平台关键技术
V2X是指借助当前的各种无线通信技术，将“车、路、人、云”等交通参与要素有机地联系在一起，不仅可以支撑车辆获得更多的感知信息，促进自动驾驶技术创新和应用；还有利于构建一个智慧的交通体系，促进汽车和交通服务的新模式新业态发展，对提高交通效率、节省资源、减少污染、降低事故发生率、改善交通管理具有重要意义。

V2X是智能网联的必要支持，通过开发上层应用，可以提升全方位的智能网联生态，服务于自动驾驶、高效出行、交通管理、远程监控等多维度应用。3GPP标准组织定义的V2X技术包括车与车通信（V2V）、车与路边基础设施通信（V2I）、车与行人通信（V2P）、车与网络/云平台通信（V2N/V2C）等通信场景。目前阶段我国V2X的研究热点主要集中在C-V2X（Cellular）上，包括基于4G网络的LTE-V2X的应用和未来5G的NR-V2X研究。

V2V技术 V2V（Vehicle to Vehicle），指通过车载终端进行车辆间的通信。最普遍的应用场景是在城市街道与高速公路中，车辆之间相互通信，发送数据，实现信息和数据的共享。

智能汽车计算平台可以通过发送或接收以下数据：车辆的时速、相对位置、刹车、直行还是左拐等所有与行驶安全相关的数据，甚至包括拍摄周围事物的图片或者音视频等，分析和预判其他车辆的驾驶行为，从而实现主动的安全策略，提升行驶安全，为半自动驾驶、自动驾驶提供数据支撑。

V2V车辆通信可以通过C-V2X中的D2D协议实现车与车之间的通信，为整车厂带来了另一种运维模式，即自由有效建立智能车队，规划路径，降低油耗，提升营运收益。

V2I技术 V2I（Vehicle to Infrastructure），指车载设备与路边基础设施（如红绿灯、交通摄像头、路侧单元等）进行通信，路边基础设施获取附近区域环境的信息并发布各种实时信息。车与路通信主要应用于实时信息服务、车辆监控管理、不停车收费等。

智能汽车计算平台需要通过分析接收到路边基础设施的警示信息如：十字路口的盲区碰撞、道路险情、道路施工、救急车辆、交通堵塞和事故警告，以及视线盲区的交通信号或标志指示，提示用户相应的险情，推荐优化的驾驶行为，促进道路车辆行驶和周边信息的合理化和完善化。

V2I车辆通信可以C-V2X中的超密集组网技术以及D2D协议实现车与路基础设施通信。智能汽车计算平台通过强大的CPU处理接收的信息，结合GPU处理通过摄像头识别的图像，再辅助高精地图和云端支持，建立协同式环境感知系统，便于整个智慧城市的搭建。

V2P技术 V2P（Vehicle to People） 是指车辆中的车载设备和弱势交通群体（包括行人、骑行者等）使用用户设备（包括行人、骑行者等）使用用户设备（如智能手机、可穿戴式设备、自行车GPS信号仪等）进行通信。车与行人通信主要应用于交通安全、智能钥匙、位置信息服务、汽车共享等。

智能汽车计算平台通过支持强大的安全通信，通过智能钥匙，实现无钥匙进入和远程启动等功能。同时还要通过强大的计算能力，实时推算行人或者骑行者的行动轨迹，为驾驶员提供驾驶预判，避免发生交通事故。

V2P通信主要取决于用户设备的无线通信协议，这就需要智能汽车计算平台能够支持尽可能多的无线通信协议，譬如BT、WIFI、Zigbee、Z-WAVE、NB-IoT/LoRA、LTE/5G，才能够有效地实现V2P。

V2N/V2C技术 V2N/C（Vehicle to Network/Cloud）是指车辆中车载设备通过网络与云平台连接，云平台与车辆之间进行数据交互，并对获取的数据进行存储和处理，提供远程交通信息推送、娱乐、商务服务和车辆管理等。车与云平台通信主要应用于车辆导航、车辆远程监控、紧急救援、信息娱乐服务等。

对于V2N/V2C来说，智能汽车计算平台需要强大而迅捷的数据处理能力以及海量的数据存储机制，以处理超高速率、超高吞吐量、高可靠性、超低延时的网络数据。

毫无疑问，V2N/V2C需要采用C-V2X中的新型天线传输技术、高频段传输、同频全双工等高效技术，这就要求智能汽车计算平台需要支持新型网络架构，譬如D-RAN、C-RAN,D2D、MTC等接入技术相融合的方式，通过各种低成本高速光传输网络，实现V2N/V2C通信。

云计算平台关键技术

当前云计算平台主要应用于对实时性要求不高的内容服务和数据分析，譬如智能互联中的信息娱乐功能、用户的驾驶行为分析等。车辆通过网络将ECU数据上传到云平台，云平台通过数据存储、数据挖掘、数据分析，然后将数据模型下发给车辆，供车辆提升用户体验使用。

随着4G数据网络上行下行速度越来越快，并且在车辆中的大量搭载，计算平台有从车载终端向云计算平台迁移的趋势。其主要的优势是规模大、虚拟化能力强、高可靠性、通用性、高扩展性、按需服务和低成本性。一旦超高速网络成为现实，云控平台的域控制器将承担更多的计算量，相应的AI芯片及核心算法将成为重点研发领域。

核心算法开发关键技术
智能驾驶计算平台的核心控制算法包括：环境感知与定位、决策与规划、控制和执行。

环境感知与定位 环境感知的主要目的是通过智能汽车传感器（如摄像头、毫米波雷达、激光雷达、超声波雷达及差分GPS等）收集车辆自身、周围障碍物及道路等与驾驶任务相关的信息。车辆周围障碍物及道路信息可通过多种车载传感器检测获得，基于多传感器的信息融合方法能够综合利用多传感器的优点，有效克服单一传感器性能缺陷，从而获得稳定、准确的障碍物及道路信息。因此，多传感器信息融合技术是自动驾驶汽车系统中的核心技术之一。而且，近年来算法（如多传感器融合等）越来越成为AI芯片发展的驱动力，如地平线、寒武纪等芯片公司的算法。

环境感知系统总体方案设计。根据智能汽车驾驶场景分析设计环境感知系统总体方案。针对自动驾驶360度全域安全指标要求，一般通过在车辆周边布置多个毫米波雷达和摄像头，以及多个激光雷达，完成车道线、车辆、行人、非机动车辆、障碍物、道路标识等环境信息的检测。选择高性能处理器作为运算平台，运行基于深度学习的多传感器信息融合算法。

环境感知系统核心融合算法 环境感知系统一般采用基于机器学习的方法进行目标的检测和跟踪，利用深度学习进行摄像头、毫米波雷达、激光雷达信息的融合算法处理。为了满足系统实时性要求，需要采用高性能芯片作为计算平台，满足神经网络学习算法运算要求。

多源信息融合感知系统软件体系架构设计。多源信息融合感知系统软件主要由传感器标定、坐标变换、数据采集与预处理、数据存储缓冲、信息融合、目标检测与识别、综合调配状态网络管理、环境模型构建等软件单元模块组成（见图5）。



为实现多源信息融合感知系统目标检测与跟踪和环境建模功能，设计不同的软件类库来实现具体的软件功能，并利用面向对象的方法，使用抽象类库设计抽象接口类，实现数据、设备驱动、软件算法等方面的模块化设计，为进行功能扩展、设备替换提供方便，形成智能汽车多源信息融合感知系统的基础软件平台。

基于机器学习的算法研究。环境感知系统一般采用基于机器学习的方法进行目标的检测和跟踪，涉及的工作包括：Robust（鲁棒）的城市复杂动态场景点云配准方法；自动驾驶环境下多视角环境模型构建理论；基于证据理论和支持向量机的多传感器数据融合；基于深度学习的视觉雷达融合方法。

高精定位关键技术。厘米级实时高精定位是目前自动驾驶最大的挑战之一。高精定位一般包含相对定位，绝对定位和组合定位，对于自动驾驶汽车来说一般采用组合定位方法，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。

组合定位是基于RTK-GPS的绝对定位的初始位置信息，利用IMU传感器的加速度计、陀螺仪等来测量相对于汽车初始位姿的距离和方向来确定当前汽车的位姿。然后用激光雷达或视觉感知环境，用主动或被动标识、地图匹配、GPS或导航信标进行高精定位。



决策与规划 智能汽车路径规划决策是实现汽车智能驾驶的关键技术之一，智能驾驶是将车从起始位置移动到目标位置，车辆的运动限制在路面上、同时考虑汽车动力学，因此规划的路径除了考虑路程最短、无碰撞外还需要考虑车辆运动轨迹的可执行性。路径规划任务可以分为三层，如图6所示，上层全局路径规划、中层局部路径规划和下层轨迹规划，每层执行不同任务，三大规划是智能驾驶计算平台最复杂的部分，算法很多。谷歌、百度等科技公司切入智能车领域擅长的就是这些算法；传统整车厂如福特和丰田，拥有对车辆动力学的绝对优势，在此领域也在重点发力。

上层全局路径规划，是指在电子地图、路网以及交通信息等基础上，根据某优化目标得到两点之间的最优路径，完成路径规划的传感信息主要来自于GPS定位信息以及电子地图。

中层局部路径规划，是指根据当前行驶区域内道路交通等环境信息，决策出当前时刻满足交通法规、道路约束的最优行驶行为，动态规划的局部路径序列组成宏观路径。局部路径规划的传感信息主要来自车载传感器如雷达、摄像头等，用以识别道路障碍、车道线、道路标识信息和交通信号灯信息等。

下层轨迹规划是指在当前时刻以完成当前行车行为为目标，考虑周围交通环境并满足不同约束条件，根据目标动态规划决策出的最优轨迹。下层轨迹规划除了必要的外部环境信息外，还需要对本车状态信息进行测量或估计，车辆的动力学约束也会在轨迹规划中得到体现。

全局路径规划。全局路径规划主要任务是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞、可通过的路径。在满足汽车行驶诸多约束的前提下，以某性能指标最优为目的，规划出车辆的运动轨迹。全局型路径规划不算复杂，这对地图厂家来说很容易。

车辆路径规划算法可分为静态路径规划算法和动态路径算法。此外，还有实时启发式搜索算法、基于分层路网的搜索算法、神经网络、遗传算法及模糊理论等。

局部路径规划。局部路径规划是在智能车辆的行驶过程中，以局部环境信息和自身状态信息为基础，规划出一段无碰撞的理想局部路径。主要是探测障碍物，并对障碍物的移动轨迹跟踪做出下一步可能位置的推算，最终绘制出一幅包含现存碰撞风险和潜在碰撞风险的障碍物地图。

局部路径规划的主要前提是对周围环境有深刻的理解，并有一个非常完善实时的环境，通常采用栅格法构建环境模型。

针对规划决策方面的研究，尤其是复杂动态环境下具备仿生认知决策能力的相关研究较少。

规划决策可基于社会属性的深度强化学习的决策方法，如图7所示，可以借鉴驾驶员规划决策知识进行机器学习，探究具有不完整数据、不确定知识特点的驾驶规划决策知识获取算法，消除多源信息间可能存在的冗余和矛盾信息，降低其不确定性，以形成对驾驶系统的相对完整一致性描述，从而提高驾驶系统决策及反应的快速性和准确性，为智能汽车辆智能行为决策控制提供理论依据。
轨迹规划是在全局路径规划和局部路径规划的基础上，考虑时间序列和车辆动力学对车辆运行轨迹的规划。



控制与执行 目前智能驾驶车辆运动控制主要掌握在核心供应商和国外主流主机厂手中，国内积累薄弱，而且一级核心供应商对国内整车厂底层执行协议的开放不足，多为黑盒子，控制协议均为付费公开，而且接口开放程度也直接影响着汽车操控的可控程度。但车辆运动控制技术是自动驾驶真正落地的基础，自动驾驶汽车想要平稳行驶，并保持舒适性，很大程度上取决于底盘和动力控制技术。同时，自动驾驶能否达到专业的操控性，很大程度上在于自动驾驶决策规划时对车辆控制动力学的理解程度。

智能汽车计算平台核心器件

在传统汽车领域，芯片供应商包括英飞凌、恩智浦、意法半导体和瑞萨等公司，几乎垄断了全球汽车芯片市场；但随着高级驾驶辅助系统ADAS和自动驾驶技术的发展，智能汽车对芯片的计算能力需求也随之快速增长，因此消费类电子芯片公司如英伟达、高通、英特尔等相继进入汽车芯片行业；同时瑞萨、德州仪器、英飞凌等也均在自动驾驶领域进行布局。

英特尔主要是通过并购来完成布局，包括Mobileye的EyeQ系列专用芯片（ASIC）、Altera的FPGA芯片和Movidius的视觉处理单元VPU，以及自己的CPU处理器，形成自动驾驶的整体硬件解决方案。

英伟达的Drive PX和PX2可满足L2、L3级ADAS应用；新一代的自动驾驶处理器Xavier可满足L3/L4级自动驾驶应用。

高通通过将自己的移动处理芯片升级为车规级切入汽车电子领域，2019年将量产的820A支持深度学习的ADAS应用；同时收购传统的汽车电子芯片商恩智浦，其发布的BlueBox平台，集成了S32V234汽车视觉和传感器融合处理器、S2084嵌入式计算处理器和S32R27雷达微控制器，能够提供L4级自动驾驶计算解决方案。

地平线机器人、中科寒武纪、森国科等国内公司，开始进行车载级芯片研究，可满足L2级以下ADAS场景需求。但目前我国半导体芯片行业整体竞争力较弱，缺乏核心技术，导致目前中国的车载芯片几乎全部依赖进口。因此，如果可以借助智能汽车引导的行业革命发展国产芯片，或许将是我国汽车产业的一个难得机会。