德赛西威·英伟达GTC2020演讲纪要

时间：2020年12月18日

嘉宾：曾迪/惠州市德赛西威

演讲主题：关于乘用车自动驾驶产业生态与协作

技术趋势

目前行业内普遍将自动驾驶分为L0~L5六个阶段。

L0：在最原始的L0阶段，车辆不会提供任何的自动化控制。但是有一些信息由车辆提供，去帮助驾驶者操作，但是车辆本身不会根据这些信息决策、控制，车辆的控制权完全由驾驶者自己掌握。

L1：在L1阶段，车辆能够逐渐的提供辅助控制，例如纵向的车速保持、横向的车道偏离纠正等。但是这个阶段车辆提供的控制只是辅助控制不是辅助驾驶，驾驶员依然需要时时刻刻对道路状况与车辆状况保持专注，及时调整预设的控制目标。

L2：从L2开始，驾驶员才真正能够从驾驶部分中解放出一部分精力。L2核心的分级词汇为辅助驾驶。相比辅助控制，辅助驾驶承担了对于驾驶结果的部分责任。在这一阶段，一部分自动驾驶涉及的相关感知、决策控制单项技术已经得到了实施和验证。驾驶员可以偶尔脱离对道路情况和车辆状态的的关注，车辆依然能够保持一段时间的平稳运行。

L3：L3阶段，车辆将提高到协同驾驶的高度。从这一阶段开始，驾驶员对于车辆的控制开始变得不那么重要。驾驶员在驾驶过程中承担的角色类似于系统中的一个安全部件，仅作为驾驶的高级行为决策和紧急备份。

L4、L5：L4、L5这个阶段就是传统意义上的自动驾驶。车辆在不需要人为干涉的前提下可以带驾驶人和乘车人去提前设定好的目的地，在某些场合甚至不需要驾驶人。

过去很长一段时间内，自动驾驶商用技术一直处于较低水平，主要是以L0、L1的各种信息或者是简单的控制为主，例如倒车时超声波雷达距离告警和环视信息、高速公路上定速巡航技术。但是在2016年~2018年，随着处理器算力的爆发，辅助控制、辅助驾驶技术蓬勃地发展起来。之前在高端豪华车品牌上地一些功能配置，例如自动泊车、高速公路上的全速域巡航等都已经逐渐下放到一些量产承销商品牌。

L0到L3是目前为止的变革。而车内的技术和道路的基础设施、配套的法律法规共同推进，才能共同实现更高级别的自动驾驶，即L4、L5阶段。根据演讲者观点，独立从车辆的技术上看，在高等级公路上自动驾驶达到L4阶段在2025年是可能实现的。

乘用车上的一些典型功能与分级的定义存在对应关系。在L0阶段，主要是对驾驶者的一些警示信息，例如碰撞警告FCW、追尾时对驾驶员的警告RCW、变道时对盲区的监测预警BSD，以及车道偏离警告等等。对于低速场景来说，常用的倒车雷达、全景影像等都可以归属于这一级别的功能。这一类功能的设计特点就是基于人类驾驶员感官上的盲区，或者在注意不到的地方提供给驾驶者一些信息或者警告，这一类统称为L0的功能。

L1、L2辅助控制辅助驾驶级别，应用上的区分会相对模糊一些，因为控制定位为驾驶人受益和监控下的行为，而事实上很多辅助控制系统的工作，就是为了弥补驾驶员注意力的不足，例如AEB，我们往往不会去监控它的运行，但是在某些情况下，AEB一旦执行，会对驾驶人的驾驶意图产生比较大的一些改变，例如急刹车。那这样就跟定义有了一个相对的矛盾和模糊，但其实并不需要过多的纠结定义。因为在这两个阶段，驾驶员作为一个责任主体依然对车辆具有控制完全的控制权。在这个阶段，例如自动紧急刹车辅助AEB、全速域的巡航控制ACC、车道居中等，在低速方面，例如自动泊车都属于对驾驶者的一些辅助。在二三级别，我们希望车辆可以与驾驶者做到协同，即大部分场景下车辆可以去自动驾驶，只是在某些场景下需要驾驶者接管。现阶段高速公路上的自动驾驶以及拥堵驾驶都属于这一级别。

对于未来的L4L5，我们的期望是在预设目的地后，车辆在可以在一些非结构性的道路甚至任何地方，驾驶人可以把控制权完全交给车辆。

汽车电子架构演化

自动驾驶的实现不是一蹴而就的，而是需要逐渐累积演进的。首先单向技术必须逐渐累积达到一定程度，例如视觉、雷达等。另外一方面随着半导体技术的进步，处理器的算力逐渐提升，处理器有足够的能力让产业来整合这些单项技术，实现一个更高级别的驾驶辅助或者自动驾驶，自动驾驶对单向技术的整合需求以及半导体技术提升的需求，反向影响与促进整个车身电子架构的变革。

在传统的低级别驾驶辅助功能的实现过程中，以前受限于处理器的能力，我们需要把每一个功能模块单独拆分出来配置一个ECU。例如BSD的盲区监测雷达，以往是一个独立的产品形态，盲区监测雷达去识别和判断目标，再把结果发到总线上，然后通过仪表或者其他模块向驾驶员做警示。全景影像也是由单独的ECU处理之后，再投射到中控显示当中。再比如巡航使用的前摄像头与雷达，也多数在自己的小系统之内完成感知融合控制决策，然后直接向车身的其他的部件请求控制信息。

但是高级别的自动驾驶往往需要布置在各种位置，通过各传感器进行综合处理。例如在高速场景下，至少需要前雷达和前视觉的信息，如果需要变道，可能还需要全景的周边信息、测算雷达的感知信息，这些信息综合汇总到一起进行分析。

传统的分布系统，对于底层的数据都做了过滤，同时传输系统之间存在时间延时，多个系统之间尤其是传感器之间的时间同步问题也会变得非常棘手。

另外一方面，随着处理计算力的提升，分布式处理的必要性下降，处理器有足够的能力同时结算这些数据，而在市场环境下分布式处理成本不够，所以分布式电子架构在逐渐向集中式域控制器电子架构的转变，将原本的分布式处理相关功能整合分割成几个大域，各种信息和逻辑在域处理上进行集中的解放与设计。域之间可以通过主干网络的交换共享数据，已经是行业发展的一个必然趋势了。对于未来域会不会继续融合以至于融合成一个中央计算机单元的形态，这也是可能的，发生的时间节点可能比较难预测。关于域的划分和整合，行业的看法还有做法有较多方向。目前比较统一的在驾驶控制域，把各种传感器控制决策整合成一个控制器，在驾舱娱乐方面把中控仪表座舱跟人机交互的部分整合成一个域，是目前行业内比较一致的做法。

车企区分不同的市场定位推出不同的车型与配置，基于这点，自动驾驶或驾驶辅助这一部分成本上优化的方法是通过配置不同系列的驾驶域控制器，再搭配不同的传感器来实现产品的差异化配置。

自动驾驶需要解决的关键问题

自动驾驶需要解决的三个终极问题，那就是我在哪里、我要去哪里、我怎么去，分别对应的感知定位，决策规划与控制执行。

自动驾驶关键技术可分解为感知、感知融合、定位、行为决策与控制几个部分。

1、感知

首先，感知的目的是自动驾驶或者驾驶辅助车辆，通过传感器感知周边的环境障碍物，为下一步的路径规划和决策提供基础。但是目前受限于技术商业化水平与成本，并没有哪一种传感技术能够做到完美，能够满足自动驾驶或者驾驶辅助所有场景下的要求。例如，基于视觉的传感器摄像头，可以提供丰富的信息，但是摄像头本身依赖于自然光源，目前技术视觉传感器的动态不是特别宽，在光照不足或者光线剧烈变化的时候，视觉画面可能会出现短暂的丢失，并且在雨雾状况下，它的性能会受到非常严重的限制。毫米波雷达虽然不依赖光源，而且拥有非常好的透射性能，甚至还有绕视的性能，能够直接测量目标的距离、速度、方位角。但是目前商用化车载雷达的发射通道非常有限，数量级仅能达到几收几发，比如两发三收、三发四收，再根据不同的天线形式，分辨率水平仅有10度左右。单个超声波传感器的距离一般不会超过10米，探头没有指向性，只要在波数的检测范围内就会汇报物体的存在。

由于超声波本身在空气中的波速较慢，所以它的探测周期水平较低。但是原理简单、成本较低常低，超声波传感器再商用中占有一席之地，但仅能作为低速感知的一个弥补。与之相对应的激光雷达从技术上看相对来讲比较完美，分辨率可以做到一度甚至更低，距离可以达到100米到200米，并且自身有主动的光源，不需要依赖环境光，但是目前它的商业落地价格和可靠性方面还没有得到很好的优化。

所以目前单一雷达传感器很难达到自动驾驶传感器的需求，还是需要通过多个不同物理方法测量的传感器来测量周边的环境，并且把测量结果融合在一起，互相发挥长处，弥补不足，共同达成对周边环境的感知。

不同的传感器感知的数据、训练模型、训练数据都是不一样的。从目前的行业分工看，多数情况下会由不同的公司来负责。但是在感知融合的应用层面，不同的传感器的测量原理均有不同的短板，所以无论如何融合，也不可能达到百分之百的准确与全覆盖。

所以使用传感器融合的应用团队需要了解手上传感器的局限性，产生合理期望，在系统的架构上进行相对比较合理的设计。

2、定位

自动驾驶使用的地图比人类驾驶者使用的地图包含更多的细节和特征数据。

首先在地图的采集方面，首先需要由具有资质的图商来完成，但是对于自动驾驶地图的精度更新要求，由于工作量巨大，很难能够由一个图商完成全国的数据采集与更新。一方面国内的基建速度日新月异，每天都在变化。另外一方面临时的道路交通情况变化，也不可能依赖于图商实时更新到地图的基础数据。

所以在地图方面，图商提供的更多是基础数据，在自动化的落地方面还需要实时更新的机制。从技术上来讲，装备了摄像头、雷达定位设备的车辆本身就是在道路上运行的巨大的传感器，在运行过程中，相当于对道路环境进行了实时的测绘。未来依赖于5g，可以通过这些传感器车辆本身感知周边的环境，实时提交到地图后台，处理之后再下发给不同的车辆。

另外一个技术点就是在地图中查找车辆本身所存在的一个位置，传统的方法包括例如通过GNSS来定位车辆的位置，GNSS其实也是广义上的传感器，只要是有传感器，都会有局限性。比如在信号比较弱的时候，GNSS的定位会变得较差，坐标点可能会出现漂移，那么对于定位本身也需要额外的改制冗余来保证定位的质量。

例如增加IMU，再通过获取车身的轮速、方向盘的转载数据，在GNSS定位出现不确定性时，同时通过这些传感器继续推算自己的航迹，来确定自身的位置，或者说通过视觉、雷达等传感器，与地图已知的特征做匹配来确定、纠正自身的位置。所以在地图与定位这个模块，其实涉及的技术点也是比较多的。

3、行为决策控制

在完成对周边环境的感知跟定位之后，那就进入了决策和路径规划模块。决策和规划会体现在不同层次，自上而下来说包含全局的路径规划，行为决策层的规划和运动的规划。全局的路径规划是指收到目的地信息之后，结合高精地图的信息和本车当前定位信息，生成一条最优路径解。这个最优路径解可以作为后续局部路径规划的参考和指引。

行为决策是指在接受到全局路径之后，通过感知模块感知到周边的环境，例如其他车辆，行人障碍物的信息、交通的标志、红绿灯信息等，以及当前本车的行驶状态，做出一个具体的决策，比如变道超车、跟车、绕车、停车、进出等等。具体行为决策层面，我们面临的问题是交通场景其实是时时变化的，其他的交通残余者存在不确定性行为，感知也无法达到百分之百的准确与覆盖。

最后一个层面是运动规划。运动规划就是根据具体的行为决策，例如做出变道的决定，生成一系列的约束条件，比如要满足安全性、满足用户体验的平顺性、以及车辆本身加速转角的动力学约束，基于这样的约束条件生成一条轨迹，作为控制模块的输入，从而规划车辆的行驶路径。

运动规划也可以进一步的分为局部路径规划，即将行为转换成一条更具体的行驶轨迹，从而产生一系列的控制信号，比如加速度控制、方向盘转角控制来控制车辆按照我们预设的轨迹前进。

前面简单的介绍了感知、融合、定位、行为决策跟控制方面的技术分解，这些都是自动驾驶或者驾驶辅助非常关键的技术模块。

辅助模块

但是一个完整的产品交付除了这些关键技术之外，肯定还要具备人机的交互界面，除了最终实施在产品中的技术，还要涉及相当多的产品开发过程中的技术和部署的技术。

自动驾驶的实现需要大量的机械部件、电子部件跟软硬件共同的组成，包括功能安全的分析过程，同时自动驾驶涉及毫米波雷达，视觉技术、VTOS通信技术、传感器融合技术以及深度学习技术等，这些与传统的汽车部件开发的差距较大。因此在自动驾驶开发过程中，需要在各种行驶条件下对自动驾驶技术不断地进行迭代与验证，从而保证其安全程度能够达到或者高于人类驾驶员的水平。

自动驾驶车辆，为了保证安全需要，必须行驶数亿英里啊甚至数千亿英里才能保证其安全跟可靠性，显然通过人进行测试的测试时间是不现实的，所以仿真技术几乎成为这个解决这种难题的唯一途径。

从更大的范围看，仿真技术贯穿了自动驾驶研发与使用的全部产品生命周期，包括从产品概念设计到产品的运行数据收集以及系统升级，仿真技术既可以作为技术开发人员工作的工具箱，帮助开发人员实现产品的安全性和稳定性，也可以作为开发管理人员的管理库，帮助累积企业的设计流程，经验、模型等等宝贵的无形资产。

自动驾驶海量的数据要求，也决定了以前完整验证再发布的模式也依然无法保证不会遗漏极限案例。所以打通云的通路，把实时监测车身周边的数据收集回来，通过监测分析重新迭代算法、验证推送，也是自动驾驶产品落地的一个关键。这里面涉及到云端监控，自动化的存储播放，网络安全架构等等的模块资料，

域控制器架构下的开发模式

目前多数情况下车企在按照自身产品的市场定位在主导，同一产品化的产品，车企还需要再定义车辆HMI接口、安装布局等。

更重要的问题在于产品的功能安全设计层面是自上而下逐层分解的过程，车企需要定义某一个产品的功能安全目标，然后完成整车架构级的功能安全设计，才能将功能安全目标要求分解到各个零部件。在自动驾驶或者驾驶辅助产品层面，车企对产品定义的主动性比以前更强。

在实际的开发过程中，车企对于系统设计功能安全接口定义的主导性也比以前更强。产品功能定义的需求分解之后，就会分解到非常细化的单向技术实现。在传感器的选择设计方面需要根据不同的产品定义，选择具体功能的传感器。同时对于传感器的安装布局，针对各个传感器之间的视野交合需要进行统一的设计和安排。在控制器软硬件的开发方面，与传统汽车电子开发的部件模式相对类似，同样为结构设计，包括散热设计、电子线路板的设计、基础软件的开发以及整机的集成、集成完成之后对耐候性的验证与电器性能验证等。

与传统的汽车电子零部件开发相比，自动驾驶或者驾驶辅助有两个地方存在新的挑战，一是取热功率达到了前所未有的水平，传统的零部件里面自然对流可能无法满足要求，一些强制风冷、水冷的设计成为设计集成的难点。

另外一个就是功能安全要求下失效率的设计与分析，也是传统汽车电子零部件企业相对一个比较薄弱的地方。

此外数据融合、决策等模块也是自动或者驾驶辅助的一个核心业务软件。车企一级供应商以及各种市场新秀都在这部分进行了发掘跟投入。这一部分更多是在于如何合理整合市场资源与技术。在核心算法中执行控制可能是相对最成熟的一部分，这部分更多是基于规则的设计验证，但是市场上车型多，执行器多，车辆的匹配与调试的工作量不可能由单个团队支撑，如何进行人力和团队的最优搭配值得考虑。

最后，验证部分也是自动驾驶一个非常重要的环节。这里面涉及到产品的功能标定与评测、可靠性的验证、道路测试等环节。最终无论这些技术涉及面多么广泛，最终的产品都需要作为一个产品交付给用户。终端总会希望能够在产品中集成和使用最先进的一些部件跟技术，在自动驾驶产品如此长的技术链条上维持每一个技术点的技术领先，这在单一企业内部是极为困难的，此外考虑到从社会分工，所以任何一个企业都不必在内部建设一个覆盖自动驾驶全学科全门类的技术与产业，

所以在自动驾驶的业务开发模式上，产品层面必定会来自多家供应商互相协作开发整合。

合作共赢的产品协作

产品上下游同行业之间的协作是必然的，但是在不同的模块，行业之间也存在错综复杂的协作关系。这些协作可以总结为产品的供应协作、研发协作与数据协作。

比如半导体行业提供各种基础芯片，对于传感器来说，半导体行业为传感器行业提供感知芯片，例如超声波探头的驱动器等。半导体供应商同时也是集成商，向车联网供应商提供一些基础的处理器存储器，传感器供应商也会向算法软件供应商、集成供应商提供他们的传感器，反过来这些供应商提供的匹配算法集成验证也会触动传感器供应商的产品迭代。互相提供产品供应，这就属于产品间的协作。

研发的协作，例如在视觉感知层面，车企需要定义他期望的产品功能，基于产品功能，从传传感器的硬件层面可以有不同的产品选择，那合作方的视觉算法也会有不同的性能表现，对于后端的处理器要求也不尽相同。但是在一个共同的目标下，双方需要对于接口要求啊甚至部分的原理性能进行匹配与磨合。

自动驾驶产业里面有很多数据，例如训练数据、地图数据、产品开发中的测试场景评价方法等，这些都是数据，也是非常有价值的内容。在研发协作里面不可避免的会产生数据共享与流转，这就是数据协作的部分。

德赛西威ECU生态系统

无论最终如何，都需要有集成商的角色，为行业提供一个基础硬件软件转集成合作伙伴的单元模块测试验证，最终向终端提供一个完整的产品形态，这就需要在行业内部形成完整的生态环境。在这个产业生态的右侧是半导体合作伙伴及各种软件算法合作伙伴，向左侧提供产品，左侧是OEM跟市场，德赛西威希望向行业贡献自己的价值。德赛西威作为一个老牌的汽车电子企业啊，对于车载汽车电子的品质要求、开发模式、转型阶段架构设计验证、生产制造等都是非常熟悉的，也积累了多年的行业经验。

德赛西威目前打造了一个完整的域控制器产品线，从低端的AB02A开始可以满足高清全景泊车的功能需求，到IPU02可以满足L2的要求，以及满足 L2和L3的IPU03，已经马上要启动的IPU04，可以提供从驾驶辅助到自动驾驶产品需要的各种专利跟接口。

依托于控制器，德赛西威也打包了传感器设计，能够为整个生态提供一个整体的解决方案。德赛西威目前的高清摄像头累计出货超过100万颗，毫米波雷达也有量产产品与客户，虽然不涉及生产超声波雷达，但是德赛西威具有超声波雷达验证认可能力，在业内也有稳定的合作伙伴。德赛西威的IPU03曾经助力小鹏汽车p7车型实现量产。德赛西威也和基于英伟达的Orin完成了一个战略签约，项目已经进入启动阶段。

德赛西威IPU04介绍

IPU04的设计技术与架构是基于满足L4的需求，是基于英伟达最新Orin系列的处理器，可提供达到12度的视觉输入，可满足环视四路、前视后视以及侧向的视觉辅助与驾驶舱内视觉感知的应用要求。配置有9路以太网，可以挂接4个角雷达、1个前雷达或者其他的激光雷达的设备，也可以作为一个调试口的应用，同时配置了十路的一个CAN接口，可以挂接车身总线设备或者用于调试。系统目前规划配置16G的DDR5，128 G加256 G的组合存储空间，超过250T的算力。整体设计满足ISO 26262 ASIL-D的框架要求。

除了提供硬件平台之外，德赛西威还同时提供基础的板级支持，方便合作伙伴开发与应用。例如OTA的功能，德赛西威提供基本的OTA升级接口，方便不同OTA方案移植，通过OTA功能应用程序能够轻松地对软件进行升级。提供Log功能，即系统的日志功能及数据记录功能、在线与离线的诊断功能，第三方的算法运行于英伟达的框架之中，处于应用层的各个算法通信就可以通过IPC进行沟通信息。

IPC设计是以数据为中心的一个发布定位通信模型，并且针对这个强实施系统做了一些优化，能够提供第一延迟高吞吐量的一个通信机制，定义了细节，同时也定义了系统中的一个数据发布、传递、接口的行为。

整个操作系统是用QNX的，就是经过ISO 26262认证的，它本身能够支持自动驾驶系统从a到d所有的功能安全等级验证要求。这个操作系统构建了一个模块化微内核的架构之上，可以简化传感器跟处理器的融合，同时也能够提供可靠性和融合性。

德赛西威提供的不仅仅是产品，同时提供的也是一种验证集成服务的服务能力。德赛西威也提供了一个完善的光学实验室与微波实验室，能够支撑更深层次技术细节的打磨与分析。

同时在德赛西威内部基于场景的功能分解，也有完整道路的验证能力。德赛西威打造了多场景的自动驾驶测试场，能够验证包括低速高速在内的各种场地模型，德赛西威希望投入更多资源，能够服务更多的合作伙伴，致力于通过IPU系列产品构建一个生态系统，能够助力OEM实现自动驾驶类产品的快速市场化，也希望能够协助合作伙伴将研发成果快速商业落地，实现市场的一个合作共赢。