论文部分内容阅读
摘 要：计算平台在高级别自动驾驶汽车中充当大脑的角色，会调用大量的计算资源来完成信息的融合处理、驾驶的行为决策等实时任务，本文汇总了当前自动驾驶行业国内外各大厂商所使用的车载计算平台，并对其硬件处理器芯片性能算力等进行分析和评估，同时尽可能地介绍其必要的操作系统及软件配套支持，希望对于该领域的研究人员能够有一定的参考价值和指导意义。
关键词：计算平台 自动驾驶 处理器 操作系统
Overview of computing platforms for high-level self-driving vehicles
Wang Min Fu Jiankuan Zong Yan Jin Zhigang Wang Yaofu
Abstract：The computing platform plays the role of the brain in high-level self-driving vehicles， and will call a large number of computing resources to complete real-time tasks such as information fusion processing and driving behavior decision-making. This article summarizes the current automatic driving industry used by major domestic and foreign manufacturers On-board computing platform， and analyze and evaluate its hardware processor chip performance computing power， and at the same time introduce its necessary operating system and software supporting support as much as possible， hoping to have certain reference value and guiding significance for researchers in this field .
Key words：computing platforms; Self-driving; processor; operating system
1 引言
自動驾驶汽车是在传统线控汽车基础上通过加装激光测距仪、毫米波雷达、视觉摄像头、V2X设备、Mobileye等环境感知传感器[1]，同时使用带RTK的卫星导航和惯导定位，再搭配高性能的计算平台，最后将决策的运动控制指令下发到车辆的CAN总线上，实现在复杂路况场景下对车辆的自动驾驶控制，尽可能减少人工干预。自动驾驶汽车组成框图如图1所示。
计算平台是自动驾驶汽车的运算大脑，比如像SLAM的ESKF、EKF、UKF等滤波算法[2]，多传感器融合算法，状态机、马尔可夫等决策算法，A*、D*、RRT等路径规划算法[3]，MDP、POMDP等轨迹预测算法，降维、分类、回归等机器学习算法以及图像视觉处理中图像分类、图像检测、图像分割、目标跟踪等都需要很高的处理器计算能力，普通ECU级别的处理器根本难于应对如此大的运算量，必须靠加装的计算平台来实现海量的数据处理。
2 自动驾驶计算平台现状
计算平台的处理器方案各式各样，CPU（X86、ARM、DSP等）、GPU、FPGA（现场可编程门阵列）和ASIC（专用集成电路）等架构都有对应的实现[4]，汇总如表1所示，下面对各家的计算平台分别进行介绍。
2.1 华为MDC810
华为在2021年4月的新品发布会上推出了MDC810 智能驾驶计算平台，算力超过400Tops，并且在量产的北汽ARCFOX极狐阿尔法S上搭载，华为的方案已经通过了ISO 26262 ASLD认证，可满足RoboTaxi等自动驾驶乘用车的应用场景，从侧面体现了华为强大的工程化落地能力。
2.2 英伟达DRIVE AGX Pegasus
根据英伟达官方提供的资料，NVIDIA DRIVE AGX PegasusTM使用两块 Xavier 系统级芯片和两台 NVIDIA TuringTM GPU 的强大功能，实现了320 Tops的超级计算能力。该平台专为L4级和L5级自动驾驶系统而设计和打造。英伟达目前有很好的生态环境，众多的合作伙伴，很多深度学习的算法都是基于CUDA实现的，其GPU的设计能力一骑绝尘，因此十分被看好。
2.3 宸曜科技GC系列GPU运算工控机
宸曜科技是X86架构的工业级宽温型车载嵌入式工控机设备提供商，为自动驾驶和CUDA计算等提供理想的硬件解决方案，百度Apollo的自动驾驶解决方案便是采用的此种计算平台，但是宸曜科技只是设备集成商，本身只开发了一些独特的散热设计、可靠的电源输入以及一些抗震设计等，核心器件全部外部采购，例如需要采购Intel的处理器和Nvidia的高性能显卡等等，因此尚不具备自主知识产权和核心技术。
2.4 恩智浦的BlueBox3
BlueBox 3.0是NXP最近推出的旗舰安全汽车高效能运算平台，主要包含Layerscape系列中性能最高的LX2160A多核处理器、恩智浦最新的网关处理器S32G274和Kalray的MPPA（大规模并行处理器阵列）处理器。能够缩短设计人员的产品开发周期，目前正在做商业推广，由于目标是面向L2+的自动驾驶，竞争力相对较弱。 2.5 谷歌TPU
谷歌的TPU（Tensor Processing Unit，张量处理单元）起初是计算神经网路的专用芯片，目前正在研发第四代，将采用 7纳米制程，每秒矩阵乘法相当于2万多亿次浮点运算，相比同期的CPU和GPU，能够提供更高的性能[5]。Waymo作为谷歌的姊妹公司，使用TPU进行训练，但是公开信息上显示，Waymo实车上采用的却是英特尔的Xeon处理器。
2.6 Mobileye的EyeQ5
Mobileye已经被英特尔收购了，放弃了MIPS架构，全部转为Intel的Atom架构，Mobileye 的EyeQ芯片发货超过数千万枚，先后与几十家OEM（整车厂）合作。目前EyeQ5提供的算力水平是最高24 TOPS，装配了8枚多线程CPU内核，同时还搭载了18枚Mobileye的最新的视觉处理器。比较遗憾的是Mobileye 的芯片更新速度较慢，面对激烈的市场竞争，已经开始逐步落后了。
2.7 高通的Snapdragon Ride
高通提供一整套的软硬件解决方案，包括安全系统级芯片、安全加速器和自动驾驶软件栈。该自动驾驶计算平台可在130W的功耗下实现700 TOPS的算力。据外媒消息显示Cruise和Argo目前都在使用高通的自动驾驶芯片做车辆测试。
高通虽然在手机芯片上极具竞争力，但是在自动驾驶计算权重很高的GPU上能力积累明显不足，因为在新赛道上的表现还有待观察。
2.8 赛灵思的FPGA
FPGA是用户可自定义内部电路连接的一种高性能低功耗的可编程芯片，并行计算方面也有一定的优势。赛灵思之前收购了国内的AI研发企业深鉴科技，拿到了深度学习处理器 DPU 设计以及神经网路压缩编译技术，将继续加码机器学习和计算机视觉。2020年国内的宏景智驾选用了赛灵思高度灵活的车规级XA Zynq? UltraScale+TM MPSoC平台和VitisTM软件开发平台，用来开发并成功打造了其最新“双子星 （Gemini）”车规级自动驾驶平台。
2.9 地平线的「征程5」处理器
地平线公司2019年发布了国内第一款车规级AI芯片，之后征程2、征程3在长安、理想、长城、上汽等多家自主品牌车企的20+款车型上实现了前装量产。最新发布的征程5系列单颗芯片AI算力最高可达128Tops，主要面向L4高级别自动驾驶。地平线在2021年4月与造车新势力理想汽车达成深度合作，将为理想汽车提供高性能的智能计算平台。
除此之外，特斯拉、德州仪器、黑芝麻等一批企业也在从事芯片平台的设计，并有对应的计算平台发布，限于篇幅，不再一一进行介绍。
3 自动驾驶计算平台面临挑战
根据研究机构预测，L5级别自动驾驶系统高复杂度需要计算平台有大于1000Tops的算力支持，而目前的工艺还没有办法在边缘计算處理器上实现，只能靠多处理器协同，进而在空间和功耗上无法妥协。
目前对于更加先进的人工智能模型和处理大量数据的先进算法的迫切需求成为制约计算平台发挥更大效用的最大瓶颈，在数学理论支撑上需要有更多的突破，进而将算法复杂度降下来，节省更多的计算平台算力。
即使本地计算平台算力足够强，依旧需要云端提供高精地图，路侧设备（RSU）提供周围交通状况，V2X通讯的数据上传延迟和连接信号强度的不稳定影响了自动驾驶的安全性和高效性，如何在计算平台上集成5G网联模块直接和CPU进行数据交互会成为今后异构计算平台的研究方向。
在一些教学领域和一些简单的应用场景下，我们尝试用一些低成本的处理器单元来完成一些常规的自动驾驶功能实现，并在一些内部园区实现了常态化运营[6]。
4 结束语
本文对当前自动驾驶领域各家主流企业最新的计算平台进行了详细介绍，并在核心处理器和关键技术指标上进行了横向对比，只有在计算平台之上才能运行各类算法和传感器融合程序，进而应对各种复杂极端和无法预测的路况，所以底层技术才是制约自动驾驶发展的关键。最后期待自主品牌的计算平台能够不断进步，为我们国家后边赢得更多的市场占有率。
参考文献：
[1]孟祥雨，张成阳，苏冲.自动驾驶汽车系统关键技术综述[J].时代汽车，2019（17）：4-5.
[2]代凯，申棋仁，吴官朴，赵阳，马芳武.基于激光雷达的SLAM和融合定位方法综述[J].汽车文摘，2021（02）：1-8.
[3]黄鲁，周非同.基于路径优化D～*Lite算法的移动机器人路径规划[J].控制与决策，2020，35（04）：877-884.
[4]施羽暇.人工智能芯片技术体系研究综述[J].电信科学，2019，35（04）：114-119.
[5]尹首一，郭珩，魏少军.人工智能芯片发展的现状及趋势[J].科技导报，2018，36（17）：45-51.
[6]付建宽，靳志刚，余楚礼.主控芯片采用i.MX6的低成本自动驾驶系统方案实现[J].科技经济导刊，2021，29（09）：60-61.
关键词：计算平台 自动驾驶 处理器 操作系统
Overview of computing platforms for high-level self-driving vehicles
Wang Min Fu Jiankuan Zong Yan Jin Zhigang Wang Yaofu
Abstract：The computing platform plays the role of the brain in high-level self-driving vehicles， and will call a large number of computing resources to complete real-time tasks such as information fusion processing and driving behavior decision-making. This article summarizes the current automatic driving industry used by major domestic and foreign manufacturers On-board computing platform， and analyze and evaluate its hardware processor chip performance computing power， and at the same time introduce its necessary operating system and software supporting support as much as possible， hoping to have certain reference value and guiding significance for researchers in this field .
Key words：computing platforms; Self-driving; processor; operating system
1 引言
自動驾驶汽车是在传统线控汽车基础上通过加装激光测距仪、毫米波雷达、视觉摄像头、V2X设备、Mobileye等环境感知传感器[1]，同时使用带RTK的卫星导航和惯导定位，再搭配高性能的计算平台，最后将决策的运动控制指令下发到车辆的CAN总线上，实现在复杂路况场景下对车辆的自动驾驶控制，尽可能减少人工干预。自动驾驶汽车组成框图如图1所示。
计算平台是自动驾驶汽车的运算大脑，比如像SLAM的ESKF、EKF、UKF等滤波算法[2]，多传感器融合算法，状态机、马尔可夫等决策算法，A*、D*、RRT等路径规划算法[3]，MDP、POMDP等轨迹预测算法，降维、分类、回归等机器学习算法以及图像视觉处理中图像分类、图像检测、图像分割、目标跟踪等都需要很高的处理器计算能力，普通ECU级别的处理器根本难于应对如此大的运算量，必须靠加装的计算平台来实现海量的数据处理。
2 自动驾驶计算平台现状
计算平台的处理器方案各式各样，CPU（X86、ARM、DSP等）、GPU、FPGA（现场可编程门阵列）和ASIC（专用集成电路）等架构都有对应的实现[4]，汇总如表1所示，下面对各家的计算平台分别进行介绍。
2.1 华为MDC810
华为在2021年4月的新品发布会上推出了MDC810 智能驾驶计算平台，算力超过400Tops，并且在量产的北汽ARCFOX极狐阿尔法S上搭载，华为的方案已经通过了ISO 26262 ASLD认证，可满足RoboTaxi等自动驾驶乘用车的应用场景，从侧面体现了华为强大的工程化落地能力。
2.2 英伟达DRIVE AGX Pegasus
根据英伟达官方提供的资料，NVIDIA DRIVE AGX PegasusTM使用两块 Xavier 系统级芯片和两台 NVIDIA TuringTM GPU 的强大功能，实现了320 Tops的超级计算能力。该平台专为L4级和L5级自动驾驶系统而设计和打造。英伟达目前有很好的生态环境，众多的合作伙伴，很多深度学习的算法都是基于CUDA实现的，其GPU的设计能力一骑绝尘，因此十分被看好。
2.3 宸曜科技GC系列GPU运算工控机
宸曜科技是X86架构的工业级宽温型车载嵌入式工控机设备提供商，为自动驾驶和CUDA计算等提供理想的硬件解决方案，百度Apollo的自动驾驶解决方案便是采用的此种计算平台，但是宸曜科技只是设备集成商，本身只开发了一些独特的散热设计、可靠的电源输入以及一些抗震设计等，核心器件全部外部采购，例如需要采购Intel的处理器和Nvidia的高性能显卡等等，因此尚不具备自主知识产权和核心技术。
2.4 恩智浦的BlueBox3
BlueBox 3.0是NXP最近推出的旗舰安全汽车高效能运算平台，主要包含Layerscape系列中性能最高的LX2160A多核处理器、恩智浦最新的网关处理器S32G274和Kalray的MPPA（大规模并行处理器阵列）处理器。能够缩短设计人员的产品开发周期，目前正在做商业推广，由于目标是面向L2+的自动驾驶，竞争力相对较弱。 2.5 谷歌TPU
谷歌的TPU（Tensor Processing Unit，张量处理单元）起初是计算神经网路的专用芯片，目前正在研发第四代，将采用 7纳米制程，每秒矩阵乘法相当于2万多亿次浮点运算，相比同期的CPU和GPU，能够提供更高的性能[5]。Waymo作为谷歌的姊妹公司，使用TPU进行训练，但是公开信息上显示，Waymo实车上采用的却是英特尔的Xeon处理器。
2.6 Mobileye的EyeQ5
Mobileye已经被英特尔收购了，放弃了MIPS架构，全部转为Intel的Atom架构，Mobileye 的EyeQ芯片发货超过数千万枚，先后与几十家OEM（整车厂）合作。目前EyeQ5提供的算力水平是最高24 TOPS，装配了8枚多线程CPU内核，同时还搭载了18枚Mobileye的最新的视觉处理器。比较遗憾的是Mobileye 的芯片更新速度较慢，面对激烈的市场竞争，已经开始逐步落后了。
2.7 高通的Snapdragon Ride
高通提供一整套的软硬件解决方案，包括安全系统级芯片、安全加速器和自动驾驶软件栈。该自动驾驶计算平台可在130W的功耗下实现700 TOPS的算力。据外媒消息显示Cruise和Argo目前都在使用高通的自动驾驶芯片做车辆测试。
高通虽然在手机芯片上极具竞争力，但是在自动驾驶计算权重很高的GPU上能力积累明显不足，因为在新赛道上的表现还有待观察。
2.8 赛灵思的FPGA
FPGA是用户可自定义内部电路连接的一种高性能低功耗的可编程芯片，并行计算方面也有一定的优势。赛灵思之前收购了国内的AI研发企业深鉴科技，拿到了深度学习处理器 DPU 设计以及神经网路压缩编译技术，将继续加码机器学习和计算机视觉。2020年国内的宏景智驾选用了赛灵思高度灵活的车规级XA Zynq? UltraScale+TM MPSoC平台和VitisTM软件开发平台，用来开发并成功打造了其最新“双子星 （Gemini）”车规级自动驾驶平台。
2.9 地平线的「征程5」处理器
地平线公司2019年发布了国内第一款车规级AI芯片，之后征程2、征程3在长安、理想、长城、上汽等多家自主品牌车企的20+款车型上实现了前装量产。最新发布的征程5系列单颗芯片AI算力最高可达128Tops，主要面向L4高级别自动驾驶。地平线在2021年4月与造车新势力理想汽车达成深度合作，将为理想汽车提供高性能的智能计算平台。
除此之外，特斯拉、德州仪器、黑芝麻等一批企业也在从事芯片平台的设计，并有对应的计算平台发布，限于篇幅，不再一一进行介绍。
3 自动驾驶计算平台面临挑战
根据研究机构预测，L5级别自动驾驶系统高复杂度需要计算平台有大于1000Tops的算力支持，而目前的工艺还没有办法在边缘计算處理器上实现，只能靠多处理器协同，进而在空间和功耗上无法妥协。
目前对于更加先进的人工智能模型和处理大量数据的先进算法的迫切需求成为制约计算平台发挥更大效用的最大瓶颈，在数学理论支撑上需要有更多的突破，进而将算法复杂度降下来，节省更多的计算平台算力。
即使本地计算平台算力足够强，依旧需要云端提供高精地图，路侧设备（RSU）提供周围交通状况，V2X通讯的数据上传延迟和连接信号强度的不稳定影响了自动驾驶的安全性和高效性，如何在计算平台上集成5G网联模块直接和CPU进行数据交互会成为今后异构计算平台的研究方向。
在一些教学领域和一些简单的应用场景下，我们尝试用一些低成本的处理器单元来完成一些常规的自动驾驶功能实现，并在一些内部园区实现了常态化运营[6]。
4 结束语
本文对当前自动驾驶领域各家主流企业最新的计算平台进行了详细介绍，并在核心处理器和关键技术指标上进行了横向对比，只有在计算平台之上才能运行各类算法和传感器融合程序，进而应对各种复杂极端和无法预测的路况，所以底层技术才是制约自动驾驶发展的关键。最后期待自主品牌的计算平台能够不断进步，为我们国家后边赢得更多的市场占有率。
参考文献：
[1]孟祥雨，张成阳，苏冲.自动驾驶汽车系统关键技术综述[J].时代汽车，2019（17）：4-5.
[2]代凯，申棋仁，吴官朴，赵阳，马芳武.基于激光雷达的SLAM和融合定位方法综述[J].汽车文摘，2021（02）：1-8.
[3]黄鲁，周非同.基于路径优化D～*Lite算法的移动机器人路径规划[J].控制与决策，2020，35（04）：877-884.
[4]施羽暇.人工智能芯片技术体系研究综述[J].电信科学，2019，35（04）：114-119.
[5]尹首一，郭珩，魏少军.人工智能芯片发展的现状及趋势[J].科技导报，2018，36（17）：45-51.
[6]付建宽，靳志刚，余楚礼.主控芯片采用i.MX6的低成本自动驾驶系统方案实现[J].科技经济导刊，2021，29（09）：60-61.