车载芯片的技术现状分析

摘要：早期汽车电子以ECU为主，随着汽车向智能化方向发展，车身传感器不断增加，传统的分布式架构难以满足需求，由中心化架构DCU、MDC逐步替代。此外，由于车载芯片需要同时处理大量数据，形成了以GPU为核心的智能辅助驾驶车载芯片。

随着自动驾驶汽车逐步发展，目前辅助驾驶功能渗透率越来越高。自动驾驶需要利用摄像头、雷达等新增的传感器数据，其中很多需要大量并行计算，而传统CPU算力不足，因此性能优异的GPU逐渐取代了CPU。另外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。

早期汽车电子以ECU为主

ECU是电子控制单元，是汽车专用的微机控制器。早期的汽车电子芯片以电子控制单元(ECU)为主，主要分布于发动机等汽车核心部件上。

汽车电子发展的早期，ECU主要被用于控制发动机工作，只有汽车发动机的气缸(爆震传感器)、排气管(氧传感器)、水温传感器等核心部件才会放置传感器，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。

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、电控自动变速器、4轮驱动系统、主动悬架系统以及安全气囊系统，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。

汽车ECU架构示例

随着汽车电子化的快速发展，车载传感器数量不断丰富，传感器与ECU一一对应的方式，使得线路复杂性增加且车辆整体性下降。此时分布式架构逐渐被DCU(域控制器)、MDC(多域控制器)等中心化架构所取代。

域控制器概念的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的不同，将整车划分为车辆安全、车身电子、动力总成、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、分析并处理的信号大而杂，原本一个功能对应一个ECU的分布式计算架构已经无法满足需求。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。

汽车DCU与ECU架构示例

汽车MDC架构示例

当下发展以GPU为核心的智能辅助驾驶车载芯片

目前人工智能快速发展，促使汽车加快向智能化方向发展，无人驾驶汽车成为热门，这就需要车载芯片具有更强大的数据处理能力。以往以CPU为核心的车载芯片在面对图片、视频等非结构化数据时难以处理，此外车载芯片还需要对多路传感数据进行整合，这就要求其拥有更高的并行计算效率。由于GPU具有同时处理大量数据的特性，在自动驾驶领域逐渐取代CPU，成为了当前的主流方案。

对比来看，CPU的运算核心数量一般不超过10个，GPU的运算核心数量则可达上百个(流处理器);CPU每个运算核心都具有足够的缓存和丰富的数字及逻辑运算单元，并辅助很多复杂的计算分支;GPU的每个运算核心拥有的缓存相对较小，数字逻辑运算单元也相对少且简单。此外，CPU和GPU最大的不同在于设计结构以及由不同结构带来的不同功能。CPU的逻辑控制功能强，缓存大，能够开展复杂的逻辑运算，而且延时低，处理复杂的运算任务时非常高效。而GPU逻辑控制功能相对较弱且缓存较小，每单个运算单元可以进行的逻辑运算较为简单，但由于能够并列大量的计算单元，因此GPU具备同时开展大量简单的运算任务的能力。

CPU结构

GPU结构

表1 CPU与GPU功能对比

（数据来源：五度易链行研中心）

与消费电子产品的芯片相比，车载芯片对性能和寿命要求都比较高，主要体现在耗电每瓦提供的性能、生态系统的构建以及满足车规级寿命(至少1万小时稳定)使用要求等方面。目前无论是尚未商业化生产的自动驾驶智能芯片还是已经量产使用的辅助驾驶芯片，由于自动驾驶算法还在不断更新迭代，对云端“训练”方面提出高要求，既要大规模的并行计算，又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，所以GPU是核心。综合来看，GPU在目前阶段占据自动驾驶芯片市场的主导地位。

结语

随着人工智能的发展以及自动驾驶汽车的需求不断增长，车载芯片技术将不断发展。目前主流的解决方案也将不断更新迭代，在未来可能出现更加优秀的系统解决方案，促进汽车向智能化方向进一步发展。