智能车芯片现状，车载芯片有哪些上市公司

【简介】无论如何定义，汽车智能芯片——都将改变未来十年的芯片行业，就像手机智能芯片这十年的改变一样。在设计下一代汽车智能芯片时，通用汽车芯片能否跟上不断发展的自动驾驶算法？如何检验两个近乎矛盾的指标：效率和鲁棒性？这篇文章希望对读者有所启发。

作者| 甘一鸣、朱宇浩编辑| 唐晓音

制作| 《新程序员》 编辑部

2016年，我来到美国留学并购买了我的第一辆车。这是一辆2012 款黑色Nissan Altima。整车没有一块显示屏，没有跟随、车道保持等辅助驾驶功能，甚至没有人知道车里的哪些芯片是半导体行业过去30年的成果。是的。所有这些汽车芯片都提高了计算能力，但加起来却远远不如当时的旗舰智能手机。

自动驾驶软件正在迅速发展

就连当时的汽车行业人士也无法想象，三年后的2019年，特斯拉将采用14纳米工艺，配备12核ARM A72 CPU、ARM Mali G71 GPU和两个神经网络加速器。我认为这很困难。每一辆下线的特斯拉都配备了多种不同的硬件加速单元，计算能力总计超过600 GFlops。

运行在充满这样算力的服务器上的，就是特斯拉设计的“完全自动驾驶”系统。无论多么有争议，特斯拉和许多其他汽车公司正在引领我们义无反顾地走上自动驾驶之路。

三年后的今天，计算能力为600 GFlops 的汽车芯片不再是行业领先者，特斯拉最新的汽车芯片达到了72 TFlops。自动驾驶算法也得到了多次更新，Transformer取代了传统的CNN（卷积神经网络）。更多的传感器正在被广泛使用，包括激光雷达、多输入摄像头等。行业的快速发展让三年前开发的尖端自动驾驶系统无论是硬件还是软件都落后于时代，就像黑莓与新iPhone的正面交锋一样。

不过，行业整体仍在向好。自动驾驶任务变得越来越复杂，从基本的L2级辅助驾驶发展到更雄心勃勃的L4和L5级完全自主。 “接下来是更复杂的自动驾驶算法，它们推动了硬件的发展。我们的每一位研究人员都站在自动驾驶这一宏伟主题的‘终结的开始’。事实上，我们才刚刚到达那里。 “开始的结束。”

普遍性与特殊性：操作者的生命

智能汽车芯片与智能手机芯片一样，兼具多功能性和专用性。在架构层面，一个多核通用芯片和多个专用硬件组成了一个片上系统。神经网络加速器等专用硬件为自动驾驶系统中的视觉识别系统等服务模块提供大量计算能力。

然而，专用硬件仍然面临通用性问题。特别是对于硬件设计者来说，在算法演进比硬件进步快得多的时代，硬件设计如何适应不同的软件算法呢？神经网络加速器可以支持一个或多个，就是使用通用算子为同一网络实现不同网络的一个很好的例子。任务或使用相同的硬件来执行不同的任务。

基于深度学习的识别模块只是复杂自动驾驶软件的一部分。其余模块，例如定位、规划和控制，尚未为硬件设计人员提供明确定义的操作符。尽管有研究努力寻找多种定位算法之间的通用计算模型[1]，但大多数为智能车辆芯片设计专用定位或路径规划加速单元的研究仍然局限于简单地基于一种或多种算法。特殊硬件。当自动驾驶软件更新到下一个版本时，这种专用硬件可能会过时。

在选择通用算子时，硬件设计者必须考虑两个方面：

首先，我们横向调整不同的算法。不同的服务提供商对于自动驾驶软件的同一模块可能使用完全不同的算法。硬件设计人员可以在不同算法中使用通用运算符来为不同服务提供商设计硬件。

其次是垂直自适应算法的持续演进。算法迭代速度远远超过硬件迭代速度，导致车载智能芯片安装到车上后很难更新。因此，设计一个支持多代算法的硬件平台也是必须考虑的。

操作者本身可以是一个或多个简单的操作，也可以是更复杂的中介。其中，因子图[2]作为通用媒体逐渐受到关注。

作为概率图的一种，因子图本身代表一组概率分布的乘积。因子图中有两种类型的节点：因子节点和变量节点。在因子图中，所有节点都通过有向边连接。自动驾驶软件中众多以优化为目的的算法模块，例如以SLAM[3]为代表的定位算法[3]、跟踪算法[4]、感知模块控制算法[5]等，都可以用因子图来表达。形成并解决。例如，下图显示了一个以因子图表示的简单行动规划算法。左图包含五种不同的状态，右图显示了正在求解的矩阵A，其中虚线代表矩阵中的元素和元素。

以因子图表示的简单行动规划算法

当然，因子图的构造和求解过程可能因算法而异，但这并不妨碍因子图被挖掘为潜在的通用表示。基于此，我们使用因子图作为中间介质设计SLAM定位算法的专用硬件[6]，并尝试利用因子图进行路径规划和控制算法设计通用加速算法。使用因子图来加速多个模块中的算法的硬件。

自动化：操作员提取和硬件生成

硬件设计总是非常昂贵。汽车智能硬件迭代速度比软件迭代速度快，因为现成的专用硬件加速单元需要硬件设计和测试团队数月的开发、设计和验证才能使用，速度要慢得多。速度。此外，与操作系统等传统通用软件不同，迭代版本往往能够兼容前几代或几代硬件平台，汽车智能软件的迭代版本可能会明显落后于上一代平台。

硬件设计人员只能依靠开发敏捷性、速度和自动化。传统的硬件生成（高层综合）存在诸多问题，包括无法优化底层多核或异构架构平台、无法了解算法的核心瓶颈等，仍然需要大量的人工调整和修正是必要的。由硬件工程师完成。

拥有合适的操作员来协调硬件设计可以使硬件设计自动化更有可能实现。这可以分为两部分：

第一部分是从现有或新算法中提取运算符，这并不简单。软件开发人员在设计算法时不考虑底层硬件，算法设计的唯一目标是准确性和效率。从硬件设计师的角度来看，自动驾驶模块中使用的许多算法都是杂乱无章的。从此类算法中提取固定运算符并使该过程自动化是非常困难的。以我们的工作为例，即使在确定因子图是统一的中间介质之后，为使用因子图作为通用介质的不同算法设计加速器仍然需要大量的手动设计。

第二部分是由操作者自动生成硬件。我们的工作[7] 首次使用自动化或半自动化方法来设计自动驾驶软件的硬件。半自动解定位算法后端硬件架构如下图所示。该算法自动运行三个硬件模块分解模块：D-Type Schur Elimination、M-Type Schur Elimination 和Cholesky。生成的硬件。

半自动解定位算法后端硬件架构

与高级综合相比，我们经常手动设计针对通用算子优化的硬件模板，并且该模板电路可以应用于使用算子的算法特定硬件。同时，您可以根据数据量大小和场景复杂程度动态调整硬件设计。

尽管许多步骤已经自动化，但要实现更敏捷的硬件开发，仍有许多工作要做。例如，除了一般运算器对应的硬件电路外，还有很多使用算法和软件的运算，而与这些运算对应的电路必须由手工设计。同时，专用硬件的数据存储方式也需要根据计算模式手动定制。

效率还是稳健性？

与智能手机或服务器芯片的设计只注重效率作为主要指标不同，智能汽车芯片的关键指标是提供足够的容错能力，即系统鲁棒性，同时仍然能够执行所需的计算。即时的。车辆系统的鲁棒性关系到人身安全的关键问题，也是全自动驾驶能否真正适用的关键。

然而，稳健性和效率实际上是矛盾的指标。传统的容错计算中，在保证鲁棒性的情况下，常见的是添加备份资源等简单逻辑，但无论是空间上的电路备份，还是时序上的迭代计算，也试图通过对同一计算内容进行多次计算来保证结果。但这种逻辑本身就损害了计算机系统的效率，而且在太空中备份电路会增加芯片面积和功耗，同时重复计算需要时间，导致车辆难以长时间运行。不能这样做。能在短时间内对环境变化做出反应。

Tesla 和ARM 等汽车芯片设计商开始在其实际系统中实现多机冗余系统。其中，特斯拉的“完全自动驾驶”系统采用两块相同的硬件，部署相同的自动驾驶软件，两者互为备份，专为自动驾驶而设计。ARM的A系列芯片还提供锁定功能。选项，即两个CPU核执行相同的任务，可以在每个时钟周期比较两个CPU核的输出信号，通过输出信号的异同来判断是否出现错误。如果CPU核心出现错误，由于系统设计的原因，会发出警报，并由人为选择。

我们希望在效率和稳健性之间架起一座桥梁，并提供既能确保稳健性又能最大限度地减少效率损失的解决方案。在这方面，我们从软件系统的复杂性中汲取灵感[8]。

自动驾驶软件是一个复杂的系统，包含多个不同模块中的数十种算法。当不同算法出现错误时，对整个系统的反馈也有很大不同。一些算法的设计被发现对错误非常鲁棒。例如，在感知模块的算法中，存在多个传感器分支的融合，因此单个传感器路径上的错误可以通过其他传感器的感知结果来纠正。类似地，一些算法在算术过程中对输入信号进行积分，并对先前的值进行加减运算以获得新的结果。这类算法的容错性也很高，如果输入信号出现错误，输出信号可能不会影响系统的最终运行结果。

挖掘这些信息后，硬件设计人员可以通过使用自动驾驶软件中的各种鲁棒性功能，显着减轻硬件层面的负担，同时确保鲁棒性。例如，在执行冗余计算时，硬件设计人员可以备份部分硬件，并安排最容易出错的模块（例如控制模块）在备份硬件上运行。不易出错、容错能力强的模块可以在硬件中进行调度，无需备份，以提高执行速度。

汽车智能芯片的下一个十年

经过过去几年的快速发展，汽车智能芯片引起了高度关注，并已被引入到现实生产生活中。然而，无论是学术界还是工业界，未来汽车智能芯片的发展仍然存在许多问题需要解决。

AIGC 创造汽车芯片的未来（作者：Imagine 和Meta AI）

首先是板载智能芯片的可编程性。同一家硬件制造商可能为不同的汽车制造商提供服务，而不同汽车制造商的自动驾驶软件的设计逻辑通常也不同。硬件设计人员有动力为自己的硬件设计一个可供不同软件服务提供商使用的通用编程模型。这种编程模型可以更好地利用硬件的计算能力，同时为软件设计者提供接口。

其次是多车辆通信和道路通信。汽车与道路之间的协作以及多车辆之间的协作被认为是实现自动驾驶最高水平的重要一步，与其他车辆和路边处理设备共享信息将改善车辆决策，可以更好地帮助您。即使硬件设计者和软件提供商能够集成车路协作和多车协作的接口，这种想法仍然存在很多问题。

例如，车对车、车对路协作以及云计算的一个关键问题是个人数据的隐私。车主是否愿意与他人分享自己的汽车信息？一旦分享会产生什么安全性。风险以及隐私计算是否发挥重要作用是学术界和工业界迫切需要解决的一系列问题。

总而言之，无需任何额外的广告或营销，自动驾驶及其硬件设计将成为我们这个时代的“趋势”。但专家们正在提出新的想法来解决诸如如何设计足够高效率的专用硬件、如何实现敏捷开发、如何在考虑效率的同时确保鲁棒性等问题。作为相关主题的研究人员，我们期待与您合作来回答这些问题。

参考文献[1] Gan, Yiming, et al.“Eudoxus: 自主机器行业跟踪论文中的特征化和加速本地化。”2021 IEEE 国际高性能计算机架构研讨会(HPCA).IEEE, 2021.[2] Loeliger, Hans - Andrea 等人，“基于模型的信号处理的因子图方法”，IEEE 95.6 (2007): 1295-1322 论文集，[3] 张、彦浩、张腾和黄寿东，“基于EKF 的比较。 ” SLAM 和基于优化的SLAM 算法。 '2018 年第13 届IEEE 工业电子与应用会议(ICIEA)。IEEE，2018。[4] Schoellig、Angela P.Fabian L. Mueller 和Raffaello D'andrea。 “基于优化的迭代”自主机器人33.1 (2012): 103-127。[5] Rawlings、James B. 和Brett T. Stewart。“基于多重优化的控制器协调： 新机遇和挑战。”过程日志控制18.9 (2008): 839-845. [6] 郝宇辉等人，“LiDAR 惯性里程计的因子图加速器”，第41 届IEEE/ACM 国际计算机辅助设计会议论文集，2022 年。 [7] Liu, Weizhuang, et al.“Archytas: 用于合成和动态优化机器人定位加速器的框架。”MICRO-54: 第54 届IEEE/ACM 国际微架构研讨会。2021 年。[8] Gan, Yiming, et al. “Braum: 自主机器软件堆栈分析和保护。”2022 年IEEE 第33 届软件可靠性工程国际研讨会(ISSRE)。IEEE，2022 年。

本文选自大模型时代《新程序员 006：人工智能新十年》。《新程序员》将帮助您快速进入智能新时代。欢迎大家。