CAPITALLINK

搜索
确认
取消
行业研究
/
/
/
自动驾驶芯片的前世今生:CPU、GPU、FPGA和ASIC

自动驾驶芯片的前世今生:CPU、GPU、FPGA和ASIC

  • 分类:行业洞察
  • 作者:
  • 来源:
  • 发布时间:2021-03-29
  • 访问量:0

自动驾驶芯片的前世今生:CPU、GPU、FPGA和ASIC

【概要描述】

  • 分类:行业洞察
  • 作者:
  • 来源:
  • 发布时间:2021-03-29
  • 访问量:0
详情

定制化的ASIC芯片可在相对低水平的能耗下,将车载信息的数据处理速度提升更快,随着自动驾驶的定制化需求提升,ASIC专用芯片将成为主流。

 

过去汽车电子芯片以与传感器一一对应的电子控制单元(ECU)为主,主要分布于发动机等核心部件上。随着汽车智能化的发展,汽车传感器越来越多,传统的分布式架构逐渐落后,由中心化架构DCU、MDC逐步替代。

随着人工智能发展,汽车智能化形成趋势,目前辅助驾驶功能渗透率越来越高,这些功能的实现需借助于摄像头、雷达等新增的传感器数据,其中视频(多帧图像)的处理需要大量并行计算,传统CPU算力不足,这方面性能强大的GPU替代了CPU。再加上辅助驾驶算法需要的训练过程,GPU+FPGA成为目前主流的解决方案。

着眼未来,自动驾驶也将逐步完善,叠加激光雷达的点云(三维位置数据)数据以及更多的摄像头和雷达传感器,GPU也难以胜任,而ASIC性能、能耗和大规模量产成本均显著优于GPU和FPGA,定制化的ASIC芯片可在相对低水平的能耗下,将车载信息的数据处理速度提升更快,随着自动驾驶的定制化需求提升,ASIC专用芯片将成为主流。

汽车ECU/地平线机器人,国金证券

一、车载芯片的过去—以CPU为核心的ECU

  • ECU的核心CPU

ECU(Electronic Control Unit)是电子控制单元,也称“行车电脑”,是汽车专用微机控制器。一般ECU由CPU、存储器(ROM、RAM)、输入/输出接口(I/O)、模数转换器(A/D)以及整形、驱动等大规模集成电路组成。

汽车ECU/大众汽车,国金证券

ECU的工作过程就是CPU接收到各个传感器的信号后转化为数据,并由Program区域的程序对Data区域的数据图表调用来进行数据处理,从而得出具体驱动数据,并通过CPU针脚传送到相关驱动芯片,驱动芯片再通过相应的周边电路产生驱动信号,用来驱动驱动器。即传感器信号——传感器数据——驱动数据——驱动信号这样一个完整工作流程。

  • 分布式架构向多域控制器发展

汽车电子发展的初期阶段,ECU主要是用于控制发动机工作,只有汽车发动机的排气管(氧传感器)、气缸(爆震传感器)、水温传感器等核心部件才会放置传感器,由于传感器数量较少,为保证传感器-ECU-控制器回路的稳定性, ECU与传感器一一对应的分布式架构是汽车电子的典型模式。后来随着车辆的电子化程度逐渐提高,ECU占领了整个汽车,从防抱死制动系统、4轮驱动系统、电控自动变速器、主动悬架系统、安全气囊系统,到现在逐渐延伸到了车身各类安全、网络、娱乐、传感控制系统等。

图片汽车ECU架构示例/国金证券

随着汽车电子化的发展,车载传感器数量越来越多,传感器与ECU一一对应使得车辆整体性下降,线路复杂性也急剧增加,此时DCU(域控制器)和MDC(多域控制器)等更强大的中心化架构逐步替代了分布式架构。

域控制器(Domain Control Unit)的概念最早是由以博世,大陆,德尔福为首的Tier1提出,是为了解决信息安全,以及ECU瓶颈的问题。根据汽车电子部件功能将整车划分为动力总成,车辆安全,车身电子,智能座舱和智能驾驶等几个域,利用处理能力更强的多核CPU/GPU芯片相对集中的去控制每个域,以取代目前分布式汽车电子电气架构。

而进入自动驾驶时代,控制器需要接受、分析、处理的信号大量且复杂,原有的一个功能对应一个ECU的分布式计算架构或者单一分模块的域控制器已经无法适应需求,比如摄像头、毫米波雷达、激光雷达乃至GPS和轮速传感器的数据都要在一个计算中心内进行处理以保证输出结果的对整车自动驾驶最优。

因此,自动驾驶车辆的各种数据聚集、融合处理,从而为自动驾驶的路径规划和驾驶决策提供支持的多域控制器将会是发展的趋势,奥迪与德尔福共同开发的zFAS,即是通过一块ECU,能够接入不同传感器的信号并进行对信号进行分析和处理,最终发出控制命令。

图片

汽车DCU与ECU架构示例/德尔福,国金证券

 

汽车MDC架构示例/德尔福,国金证券

二、车载芯片的现在—以GPU为核心的智能辅助驾驶芯片

人工智能的发展也带动了汽车智能化发展,过去的以CPU为核心的处理器越来越难以满足处理视频、图片等非结构化数据的需求,同时处理器也需要整合雷达、视频等多路数据,这些都对车载处理器的并行计算效率提出更高要求,而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案。

  • GPU vs CPU

CPU的核心数量只有几个(不超过两位数),每个核都有足够大的缓存和足够多的数字和逻辑运算单元,并辅助很多复杂的计算分支。而GPU的运算核心数量则可以多达上百个(流处理器),每个核拥有的缓存大小相对小,数字逻辑运算单元也少而简单。

CPU和GPU最大的区别是设计结构及不同结构形成的不同功能。CPU的逻辑控制功能强,可以进行复杂的逻辑运算,并且延时低,可以高效处理复杂的运算任务。而GPU逻辑控制和缓存较少,使得每单个运算单元执行的逻辑运算复杂程度有限,但并列大量的计算单元,可以同时进行大量较简单的运算任务。

CPU结构/Nvidia,国金证券

 

GPU结构/Nvidia,国金证券

  • GPU占据现阶段自动驾驶芯片主导地位

相比于消费电子产品的芯片,车载的智能驾驶芯片对性能和寿命要求都比较高,主要体现在以下几方面:1、耗电每瓦提供的性能;2、生态系统的构建,如用户群、易用性等;3、满足车规级寿命要求,至少1万小时稳定使用。

目前无论是尚未商业化生产的自动驾驶AI 芯片还是已经可以量产使用的辅助驾驶芯片,由于自动驾驶算法还在快速更新迭代,对云端“训练”部分提出很高要求,既需要大规模的并行计算,又需要大数据的多线程计算,因此以GPU+FPGA解决方案为核心;在终端的“推理”部分,核心需求是大量并行计算,从而以GPU为核心。

NVIDIA GPU阵营/EETimes,国金证券

三、车载芯片的未来—以ASIC为核心的自动驾驶芯片

  • ASIC vs GPU+FPGA

GPU适用于单一指令的并行计算,而FPGA与之相反,适用于多指令,单数据流,常用于云端的“训练”阶段。此外与GPU对比,FPGA没有存取功能,因此速度更快,功耗低,但同时运算量不大。结合两者优势,形成GPU+FPGA的解决方案。

FPGA和ASIC的区别主要在是否可以编程。FPGA客户可根据需求编程,改变用途,但量产成本较高,适用于应用场景较多的企业、军事等用户;而ASIC已经制作完成并且只搭载一种算法和形成一种用途,首次“开模”成本高,但量产成本低,适用于场景单一的消费电子、“挖矿”等客户。目前自动驾驶算法仍在快速更迭和进化,因此大多自动驾驶芯片使用GPU+FPGA的解决方案。未来算法稳定后,ASIC将成为主流。

计算能耗比,ASIC>FPGA>GPU>CPU,究其原因,ASIC和FPGA更接近底层IO,同时FPGA有冗余晶体管和连线用于编程,而ASIC是固定算法最优化设计,因此ASIC能耗比最高。相比前两者,GPU和CPU屏蔽底层IO,降低了数据的迁移和运算效率,能耗比较高。同时GPU的逻辑和缓存功能简单,以并行计算为主,因此GPU能耗比又高于CPU。

  • ASIC是未来自动驾驶芯片的核心和趋势

结合ASIC的优势,我们认为长远看自动驾驶的AI芯片会以ASIC为解决方案,主要有以下几个原因:1、由于处理的传感器信息需要大量冗余,自动驾驶对终端算力要求极高,并且车速越快,对计算能力要求越高;2、自动驾驶对终端计算的实时性要求极高。任何超出一定范围的延迟,都有可能造成事故,因此终端会负责自动驾驶的核心计算和决策功能;3、对能效要求高,否则降低车辆续航,影响驾驶体验。高能耗同时带来的热量也会降低系统稳定性。例如支持L4的NVIDIA Drive Pegasus功耗为500瓦,只能应用于小规模的测试车;4、高可靠性。真正满足车规的自动驾驶芯片需要在严寒酷暑、刮风下雨或长时间运行等恶劣条件下,都有稳定的计算表现。

整体上看,ASIC专用芯片大概率是自动驾驶量产芯片终极的解决方案。但由于ASIC芯片仅支持单一算法,对芯片设计者在算法、IC设计上都提出很高要求,同时自动驾驶算法还在快速迭代和升级过程中,ASIC专用自动驾驶芯片短期内仍处于动态变化的发展阶段。

关键词:

扫二维码用手机看

在线搜索

搜索
搜索

凯联资本   专业成就信任