七份ADAS自动驾驶产业链报告之（一）：计算平台与系统架构
两年前，佐思产研撰写了《2016年 ADAS与自动驾驶产业链报告》，细分为三份报告，合计约500页。随着汽车行业的发展，自动驾驶产业的壮大，今年我们更新这份报告时，不得不大幅扩充为七份报告，合计约1200页。
这七份产业链报告是：
《2018 ADAS与自动驾驶产业链研究——计算平台与系统架构篇》
《2018 ADAS与自动驾驶产业链研究——主机厂与系统集成商篇》
《2018 ADAS与自动驾驶产业链研究——汽车视觉产业篇》
《2018 ADAS与自动驾驶产业链研究——汽车雷达产业篇》
《2018 ADAS与自动驾驶产业链研究——低速自动驾驶产业篇》
《2018 ADAS与自动驾驶产业链研究——商用车自动驾驶产业篇》
《2018 ADAS与自动驾驶产业链研究——自动驾驶初创企业篇》
《2018 ADAS与自动驾驶产业链研究——计算平台与系统架构篇》共158页，包括七部分内容：
ADAS与自动驾驶简介
ADAS与自动驾驶市场预测
国内车厂ADAS与自动驾驶策略，包括吉利、通用、上汽、东风、长城、广汽、长安、蔚来、小鹏、拜腾等厂家
ADAS与自动驾驶软件架构，包括Autosar经典与自适应、ROS 2.0与QNX
ADAS与自动驾驶硬件架构，包括车载以太网、TSN、以太交换与网关、域控制器
ADAS和自动驾驶安全认证，包括ISO26262、AEC-Q100
处理器厂家研究，包括NXP、瑞萨、德州仪器、Mobileye、英伟达、安霸、英飞凌和ARM等
根据佐思产研的研究，2017年中国ADAS与自动驾驶市场规模约为59亿元，到2021年预计能达到426亿元，年均增长率约为67%。
最先起步的细分市场是汽车视觉、毫米波雷达、ADAS系统，其中毫米波雷达市场的规模和增速均让人惊讶。紧接着是低速自动驾驶，而激光雷达、商用车自动驾驶、乘用车自动驾驶的市场放大将相对滞后。
汽车进入ADAS与自动驾驶时代后，产品迭代速度急速增加，而汽车市场远不及消费类电子市场广阔，但设计难度、设计与生产成本都高于消费类电子市场，加上产品迭代速度大增，产品生命周期缩短，汽车ADAS与自动驾驶处理器风险大大增加，必须有足够的财力和人力来支持开发汽车ADAS与自动驾驶处理器，全球范围内仅有NXP和瑞萨等极少数几家企业能开发全系列ADAS与自动驾驶处理器。
安全认证方面，自动驾驶芯片都至少要求ASIL B级水准。目前能达到ASIL B级安全认证的自动驾驶处理器只有瑞萨R-CAR H3等。GPU是通用型设计，而非汽车专用设计，从设计出发点就很难达到ISO26262认证的安全等级。ASIL的认证周期长达2-4年。
双目的可靠性、准确度、功能性远在单目之上，但是由于双目必须使用FPGA，造价高。成本限制双目只能用在豪华车领域，随着瑞萨和NXP硬核双目处理器的出现，双目将大量出现在ADAS与自动驾驶领域，从豪华车走向中档车。
随着传输数据的暴增，车载以太网将成为未来汽车的标准配置，而自动驾驶则离不开以太网关或以太交换机。
Autosar将成为ADAS与自动驾驶领域的标准配置。
典型无人驾驶框架
CNN/DNN图形类机器学习，数据和顺序无关，GPU是最合适的，特别是在性价比方面，英伟达的GPU可用于汽车之外的多个领域，出货量远比汽车专用的ASIC要高，性价比优势十分明显。TPU以降低运算精度来提升速度，并降低功耗，功耗只有GPU的10%。
RNN/LSTM/强化学习有关顺序类的机器学习，FPGA具备明显优势，尤其是功耗方面，同样性能下FPGA不到GPU的1/5。但FPGA缺乏性价比，高性能的FPGA成本很高。FPGA也可以处理图形类机器学习，可以降低精度来提升性能。
ASIC性能与功耗比最好，但开发周期长，开发成本最高，灵活性最差，如果出货量低的话（如果采用7纳米工艺，最低也要每年1.2亿的出货量），要么单价很高，要么厂家亏损。大部分深度学习图形类机器学习ASIC都近似TPU。
车载领域，功耗、性价比都是关键因素，图形类机器学习，GPU是毫无疑问的赢家。但随着算法的不断改进，对运算精度要求越来越低，FPGA的低功耗使得在图形类机器学习领域也有一席之地。顺序类机器学习，FPGA具备压倒性优势。
自动驾驶可以分为两种类型，一种是Waymo为代表，已经解决了环境感知领域内的大部分问题，精力主要放在行为决策上，计算架构是CPU+FPGA，一般都是英特尔至强12核以上CPU加Altera或Xilinx的FPGA。另一种以Mobileye为代表，还未解决环境感知的全部问题，精力主要在环境感知上，计算架构是CPU+GPU/ASIC。
展望未来，短期内CPU+GPU会是主流，但长期来看CPU+FPGA/ASIC可能会是主流，主要是算法的改进和传感器特别是激光雷达性能的提升，对图形类运算精度可以持续降低，这对FPGA很有利，而GPU的功耗很难下降。FPGA更容易达到车规级要求。
芯片代工领域，台积电拿下所有的7纳米订单，包括独家供应苹果的A12，这也是台积电首次超越英特尔成为半导体制造工艺最先进的厂家，像人工智能自动驾驶类强调运算能力的数字类逻辑芯片，先进工艺是必须采用的。
《2018 ADAS与自动驾驶产业链研究——计算平台与系统架构篇》目录
01
ADAS和自动驾驶简介
1.1 ADAS定义和分类
ADAS主要功能
1.2 自动驾驶汽车定义和关键技术
1.2.1 环境感知技术：从传感器感知到数据融合
环境感知技术：不同传感器各有所长
1.2.2 定位技术
1.2.3 路径规划技术
1.2.4 自动泊车技术
1.3 自动驾驶的分级（SAE）
1.4 自动驾驶的分级（中国）
1.5 ADAS和自动驾驶的相关法规和标准
1.5.1《国际道路交通公约》修正案通过，自动驾驶获许可
1.5.2 关于自动驾驶测试法规
1.5.3 欧盟2021年变更新车强制配装功能
1.6 典型无人驾驶框架
1.6.1 第一步，定位
高精度地图与V2X
1.6.2 第二步，感知
使用融合路线获得3D Bounding
1.6.3 第三步：预测交通场景
预测还包含了场景理解
1.6.4 第四步：决策
车道级全局规划
并非是路线越短越好
行为规划behavior planning是最难的
行为规划算法很多，很多都不成熟
1.6.5 第五步：动作规划
1.6.6 第六步：执行
02
市场规模和预测
2.1 2015-2050年全球自动驾驶汽车销量及预测
2.2 2017-2025年全球ADAS市场年均增长率
2.3 Veoneer：主动安全市场2025年预计达到300亿美元
2.4 2016-2021年中国ADAS与自动驾驶系统市场规模预测
2.5 2017年国内乘用车ADAS累计装配量同期对比：ACC、FCW、LKS增长最快
03
车厂ADAS与自动驾驶策略
3.1 吉利汽车
3.2 通用汽车智能驾驶
3.3 日产、宝马、小鹏的Mobileye路线
3.4 宝马计划在2021年量产的CO-PILOT还是L3
英特尔无人车使用了32线激光雷达
3.5 长安、一汽、蔚来、上汽的博世路线
3.6 博世自动驾驶解决方案
3.6.1 博世域控制器
域控制器对比
3.6.2 TJP解决方案
3.6.3 传感器解决方案
3.6.4 高精地图解决方案
3.6.5 商用车自动驾驶规划
3.7 长城的安波福路线
安波福的道路模型依赖激光雷达
3.8 广汽的电装路线
3.9 现代L4无人车传感器布局
3.10 福特以高线激光雷达为核心传感器
3.11 拜腾与Aurora合作
04
ADAS和自动驾驶软件架构
4.1 ADAS与自动驾驶系统核心元素
4.2 Autosar简介
4.2.1 Autosar路线图
4.2.2 Autosar主要成员
4.2.3 Autosar分经典版和自适应版
4.2.4 经典版Autosar架构
4.2.5 自适应Autosar软件分层及与经典版Autosar对比
4.2.6 自适应Autosar路线图
4.3 ROS是自动驾驶操作系统
4.3.1 ROS得到部分车厂的认同
4.3.2 ROS简介
4.3.3 ROS2.0接近实时
4.3.3 ROS改造
4.3.4 ROS安全
4.4 QNX ADAS 2.0 达到了最高的ASIL D级
4.4.1 QNX ADAS 2.0支持范围
05
ADAS和自动驾驶硬件架构
5.1 典型汽车网络架构
5.2 从中央网关到域控制器结构(NXP)
5.3 未来汽车电子电气架构（博世）
5.4 为什么要用域控制器
5.4.1 当前和未来的汽车电子架构
5.4.2 域控制器共享硬件资源，实现操作系统和基础软件共享
5.4.3 I/O 架构和域控制器(Domain Controller)
5.4.4 域控制器的基础：车载以太网，汽车总线对比
汽车总线对比
5.5 车载以太网
5.5.1 车载以太网雏形:EAVB
5.5.2 EAVB的下一步：TSN
5.5.3 TSN网络
5.5.4 TSN以太交换机是未来自动驾驶计算系统核心
5.6 Waymo所用的计算系统架构
5.7 英伟达PX2架构
5.8 NXP S32G网关
5.8.1 NXP自动驾驶蓝盒子架构
5.8.2 网关与以太交换
5.9 瑞萨L4运算平台架构
5.9.1 瑞萨对未来汽车电子架构的设想
06
ADAS和自动驾驶安全认证
6.1 车规级芯片认证
6.2 AEC认证
6.3 ISO26262、功能安全与ASIL
6.4 ISO26262流程
6.5 不同的安全等级要求不同的评判独立性
6.6 自动驾驶ECU典型结构，模型部分达B级，规划部分达D级
07
ADAS处理器厂家研究
7.1 ADAS与自动驾驶处理器产业
7.1.1 FPGA/GPU/ASIC/CPU/TPU与机器学习
7.1.2 软核/固核/硬核
7.1.3 固核是主流方向
7.1.4 典型L4运算系统架构
7.2 ARM
7.2.1 ARM自动驾驶汽车应用分布
7.2.2 ARM推荐的自动驾驶SoC设计
7.2.3 ARM A系列
7.2.4 ARM的R系列与M系列
7.3 NXP
7.3.1 NXP 自动驾驶CPU路线图
7.3.2 NXP的ADAS与自动驾驶视觉处理芯片路线图
7.3.3 NXP S32V3简介
7.3.4 NXP S32V3视觉处理系统
7.3.5 NXPADAS底盘控制MCU MPC5746R框架图
7.3.6 NXP 自动驾驶底盘控制MCU为S32D/S系列
7.4 瑞萨
7.4.1 瑞萨R-CAR H3
7.4.2 瑞萨R-CAR V3H
7.4.3 瑞萨RH850/P1H-C
为底盘控制设计的最高安全级别的MCU
7.4.4 瑞萨与Dibotics合作开发激光雷达应用
7.4.5 瑞萨高精度地图合作伙伴USHR
7.4.6 瑞萨操作系统合作伙伴QNX和滑铁卢大学
7.4.7 瑞萨与Leddartech合作激光雷达
7.4.8 Renesas自动驾驶合作动向
7.5 Nvidia
7.5.1 Nvidia DRIVE系列产品参数对比
7.5.2 PX2电路原理图
7.5.3 Nvidia DRIVE Xavier
7.5.4 Nvidia DRIVE Pegasus
7.6 安霸
7.6.1 安霸技术分布与路线图
7.6.2 安霸核心技术CVflov和双目数据处理硬核
7.6.3 安霸CV2AQ
7.6.4 安霸CV2AQ
7.7 Mobileye
7.7.1 Mobileye Eyeq4/5内部框架图
7.7.2 双EYEQ4的L3方案
7.8 德州仪器TDA系列
7.8.1 TDA2系列简介
7.8.2 TDA4与TIDL
7.8.3 德州仪器单芯片毫米波雷达方案
7.8.3 德州仪器单芯片毫米波雷达方案
7.9 英飞凌
7.9.1 英飞凌MEMS激光雷达解决方案
7.9.2 英飞凌毫米波雷达收发器
市场联系人
北京 符兆国 18600021096（同微信）
上海 赵志丰 18702148304（同微信）