智能驾驶域控制器的SoC芯片选型

1、智能驾驶域控制器的SoC芯片选型

随着智能驾驶行业的发展，智能驾驶功能日益复杂，领航高速辅助、领航城区辅助、跨层记忆泊车等功能逐渐落地。智能驾驶系统对传感器、算力需求日益旺盛。

智能驾驶系统既需要大量的算力，也需要多种类型的计算资源，典型的智能驾驶系统处理流程如下。

它接收并处理原始传感器信号，对车周环境进行实时的在线感知，其中包括对道路结构、车道线等静态元素，以及车辆、行人等动态障碍物的检测识别。经过多传感器和时序信息融合，转化为环境的统一表示，然后经过运动预测和决策规划模块生成本车的行驶轨迹，并转换成车辆控制信号输出到车辆执行器，从而完成自主驾驶的行为。

整个系统处理过程通常需要涉及以下几种类型的计算资源：

深度学习类:环境感知模块是深度学习算力使用的大户，包括常见的各类图像、激光点云检测算法，比如物体检测、车道线检测、红绿灯识别等，都会涉及大量的典型神经网络（NN）的运算。此类模块通常使用高度定制化的NN加速器来实现。

视觉处理类：此类属于计算密集型，但并非深度学习类的算法模块，比如图像信号处理（ISP）、图像金字塔（Pyramid）、畸变矫正（Rectify）、局部特征提取、光流跟踪、图像编解码（Codec）等运算。此类模块通常使用硬化的专用视觉加速器来实现低时延。

通用计算类：虽然定制化的深度学习、视觉处理加速器可以满足大部分常见的成熟的计算密集型运算，但仍然无法覆盖全部需求。随着前沿技术的快速发展和自研技术的深入，往往还会产生相当一部分自定义的运算模块。此类模块通常也是计算密集型的操作，无法使用CPU高效实现，因此还需要通用的计算密集型处理单元（比如DSP、GPU）来实现。

逻辑运算类：此类模块包含大量的逻辑运算，不适合使用计算密集型的处理器实现，一般使用通用的CPU处理器来实现。此类模块包括常见的多传感器感知融合算法（比如卡尔曼滤波KF）、基于优化的决策规划算法、车辆控制算法、系统层面的功能逻辑、诊断逻辑、影子模式数据挖掘功能等。

典型的智能驾驶系统算力部署参考如下图。

原作者：DJI 大疆车载