汽车智能化通常是指单一车辆的智能化，主要呈现在感知、决策和控制执行三个层面。在感知层面，车上多传感器融和，通过雷达系统（激光雷达、毫米波雷达和超声波雷达）和视觉系统（摄像头）对周围环境进行数据采集；在决策层面，通过车载计算平台及合适的算法对数据进行处理，作出最优决策，最后执行模块将决策的信号转换为车辆的行为；在控制执行层面, 主要包括车辆的运动控制及人机交互，决定每个执行器如电机、油门、刹车等控制信号。
智能汽车“眼”急“脑”快，芯片功不可没
▲ 图1：智能汽车的“器官”及作用 (来源：德勤)
- 芯片是智能汽车的“大脑”。GPU、FPGA、ASIC 在自动驾驶AI运算领域各有所长：CPU 通常为芯片上的控制中心，优点在于调度管理、协调能力强，但 CPU 计算能力相对有限。而对于 AI 计算 而言，通常采用 GPU/FPGA/ASIC 来加强。
- 功率半导体是智能汽车的“心脏”。无论是在引擎、驱动系统中的变速箱控制和制动、或者转向控制等都离不开功率半导体。
- 摄像头CMOS是智能汽车的“眼睛”。 CMOS 图像传感器与 CCD (电荷耦合组件) 有着共同的历史渊源，但 CMOS 比 CCD 的价格降低 15%-25%，同时， CMOS 芯片可与其它硅基元器件集成，利于系统成本的降低。在数量上，倒车后视，环视，前视，转弯盲区等 Level3 以上的辅助驾驶需要 18 颗摄像头。
- 射频接收器是智能汽车的“耳朵”。射频器件是无线通讯的重要器件。射频是可以辐射到空间的电磁频率, 频率范围从 300KHz～300GHz 之间。射频芯片是指能够将射频信号与数字信号进行转换的芯片，它包括功率放大器 PA、滤波器、低噪声放大器 LNA、天线开关、双工器、调谐器等。未来，射频芯片将像汽车的耳朵一样将助力 C-V2X 技术发展，将“ 人-车-路-云”等交通参与要素有机联系在一起，弥补单车智能的不足，推动协同式应用服务发展。
- 超声波/毫米波雷达是智能汽车的“手杖”。智能汽车通过传感器获得大量数据， L5 级别的汽车会携带传感器将达到 32个。车载雷达主要包括超声波雷达、毫米波雷达和激光雷达三种。其中，我国超声波雷达已发展的相对成熟，技术壁垒不高；毫米波雷达技术壁垒较高，且是智能汽车的重要传感器，处于快速发展的阶段；激光雷达技术壁垒高，是高级别自动驾驶的重要传感器，但目前成本昂贵、过车规难、落地难。
- 存储芯片是智能汽车的"记忆"。智能汽车产业对存储器的需求与日俱增，在后移动计算时代，车用存储将成为存储芯片中重要的新兴增长点和决定市场格局的力量。DRAM、FLASH、NAND 未来将被广泛地应用在智能汽车各个领域。此外，随着云和边缘计算将在智能汽车领域大放异彩，以及 L4/L5 级自动驾驶汽车发展出复杂网络数据及应用高级数据压缩技术，未来本地存储量随自动驾驶级别的提升激增后，将趋于稳定。
- 汽车面板呈多屏化趋势。目前车载显示设备主要包括中控显示屏和仪表显示屏，此外智能驾驶舱仪表显示屏、挡风玻璃复合抬头显示屏、虚拟电子后视镜显示屏、后座娱乐显示屏逐渐成为智能汽车发展的新需求方向。
- LED是主要的智能汽车用"灯"。LED 在照明的亮度和照射距离上做到了过去卤素灯无法企及的高度，可以做到弯道辅助（随动转向）、随速调节、车距警示等功能。随着 LED 体积、技术的发展其智能化逐步被大力开发，将朝着高亮、智能、酷炫的方向大步迈进。
计算能力：智能汽车之“脑”，算力军备竞赛开启超大量级赛道
从芯片类型上来看，用于中央计算的传统 CPU 已无法满足智能汽车的算力需求，集合 AI 加速器的系统级芯片（SoC）应运而生。在分布式架构时代，ECU 是汽车功能系统的核心，其主控芯片为 CPU，仅用于逻辑控制（是与非、加或减）。随着 E/E 架构由分布式向域控制器/中央计算升级的进程加快，域控制器（DCU）正取代 ECU 成为智能汽车的标配。在此升级过程中，仅依靠 CPU 的算力与功能早已无法满足汽车智能化所需，将 CPU 与 GPU、FPGA、ASIC 等通用/专用芯片异构融合的 SoC 方案被推至台前，成为各大 AI 芯片厂商算力军备竞赛的主赛道。SoC 中各处理器芯片各司其职，其中 CPU 负责逻辑运算和任务调度；GPU 作为通用加速器，可承担 CNN 等神经网络计算与机器学习任务，将在较长时间内承担主要计算工作；FPGA 作为硬件加速器，具备可编程的优点，在 RNN/LSTM/强化学习等顺序类机器学习中表现优异，在部分成熟算法领域发挥着突出作用；ASIC 可实现性能和功耗最优，作为全定制的方案将在自动驾驶算法中凸显其价值。
▲ 图2：各类型处理器芯片对比
(来源：CSDN、赛迪顾问)
从应用场景来看，计算芯片可以划分为智能座舱芯片和自动驾驶芯片、车身控制芯片。
1、智能座舱芯片的结构通常以“CPU+功能模块”的 SoC 异构融合方案为主。以高通智能座舱主控计算芯片 820A 系列为例：高通 820A 芯片采用 14 纳米工艺，从整体性能 上来看，可以实现 hypervisor 和 QNX 系统启动时间小于 3 秒，Android 系统启 动时间小于 18 秒，倒车影像启动小于 3 秒，性能非常强悍。
瑞萨、英伟达、高通、英特尔、三星等厂商凭借优越的芯片性能和供应链在中高端座舱芯片领域脱颖而出。目前，高通在国内新兴旗舰车型上近乎实现垄断，其座舱产品迭代速度几乎与手机产品同时更新。国产厂商方面，华为和地平线分别凭借麒麟 990A 和征程 2 快速出圈，华为凭借强大的研发、万物互联的鸿蒙生态，迭代能力不逊于高通。地平线也因其开放的开发平台和完备的工具链受到主机厂青睐。
▲ 图3：主流智能座舱 SoC 方案对比
(来源：佐思汽研、各公司官网)
2、自动驾驶芯片的结构以 “CPU+GPU+NPU” 的 SoC 异构方案为主。以英伟达自动驾驶主控计算芯片 Xavier 系列为例，该 SoC 芯片主要包含控制单元、计算单元、AI 加速单元三大模块。
自动驾驶芯片厂商可分为软硬一体式解决方案和开放式解决方案两大阵营。英特尔（Mobileye）和华为是国内外自动驾驶软硬一体式解决方案提供商的代表，即将传感器、芯片、算法绑定销售的全家桶式方案。软硬一体式解决方案的优势在于能够帮助自研能力不足的主机厂快速上车量产。英伟达和地平线是国内外自动驾驶开放式解决方案供应商的代表，二者均拥有完全开放的生态和完备易用的工具链，OEM 厂商可以在芯片、算法中的任意层次购买服务。在智能汽车行业发展初期，部分 OEM 厂商会综合考虑成本、开发周期、系统稳定性等因素而选择软硬件一体式解决方案；当行业迈向成熟阶段，头部 OEM 厂商已具备相当程度算法开发能力，将会倾向于选择更为开放的计算平台，在完善的开发工具链之上结合场景自研算法，以满足差异化需求。
▲ 图4：主流玩家计算芯片解决方案对比
(来源：佐思汽研、各公司官网)
3、车身控制芯片对算力要求较低，通常以 8 位或 32 位的 MCU 芯片为主。车身控制域的本质是在传统车身控制器（BCM）的基础上，集成了无钥匙启动系统（PEPS）、纹波防夹、空调控制系统等功能。因而其中的主要芯片仍以车规级 MCU 为主。车规级 MCU 主要可分为 8 位、16 位以及 32 位，其中8位和32位市场应用范围最广。8 位MCU工作频率在 16-50MHz 之间，具有简单耐用、性价比高的优势，主要应用于车窗、车门、雨刮等车身控制领域；32 位 MCU 工作频率最高，处理能力、执行效能更好，应用也更广泛，主要应用于动力域、座舱域等。根据 IHS 数据预计，2025 年全球车规级 MCU 市场规模将达到 73.5 亿美元，其中 32 位 MCU 占比将达到 76.6%。
▲图5：全球车规级 MCU 市场被外资厂商高度垄断
(来源：IHS)
以恩智浦（14%）、英飞凌（11%）、瑞萨电子（10%）等为代表的外资厂商凭借先发优势高度垄断全球车规级 MCU 市场，但行业“缺芯”事件背景下国内厂商正加速崛起，国内成熟的车规级 MCU 供应商包括比亚迪电子、杰发科技、芯旺微等。
感知能力：智能汽车感知先行，传感器为智能汽车之“眼”
车载传感器作为智能汽车之“眼”，是智能汽车时代最重要的增量汽车零部件之一。其细分品类众多，主要包括车载摄像头、毫米波雷达、超声波雷达、激光雷达等 4 类主流产品。其中，车载摄像头作为智能汽车内应用领域最为广泛的传感器，不但可以协助实现视觉方案下的自动驾驶技术，同时亦广泛应用于疲劳监控、面部视觉等多个座舱功能之中。可以预见，新上市智能汽车车型中，平均摄像头配置数量已经超过 8 个。而在摄像头之中，最为核心的芯片包括 CMOS 图像传感器（CIS）和图像信号处理芯片（ISP）。
▲ 图6：车载摄像头系统构成，CIS 和 ISP 是重要组成部分 (来源：索尼)
整体工作原理可总结为当镜头采集到光影后，经 CIS 通过光电效应将光信号转换成每个像素的数字信号， 输出拜尔阵列（bayer pattern），随之进入 ISP 进行图像处理（包括镜头阴影校正、 黑电平校正、自动白平衡等），最终输出 YUV/RGB 格式的图像，再通过 I/O 接口传 输到中央计算平台处理。
CIS 芯片（CMOS 传感器）是车载摄像头中价值量最高环节，主要功能是将光信号转换成电信号，兼具模拟电路与数字电路。根据 IC Insights 预测，2021-2025 年车用 CIS 复合年增长率高达 33.8%，2025 年全球市场规模将达 51 亿美元。
ISP 芯片即图像信号处理器（ISP，Image Signal Processor），将 CIS 输出的 Raw 数据进行处理，使之成为符合人眼真实生理感受的信号并加以输出。ISP 芯片根据摄像头传感器进行融合计算方式、放置位置可区分为前融合计算方式和后融合计算方式。根据 Yole 预测，2024 年图像处理芯片（ISP）市场规模将达到 186 亿美元，2018-2024 年 CAGR 约为 14%。
激光雷达芯片化趋势加速。激光雷达集合光学、电子、机械等多种技术，其内部有数百个分立器件，因而在生产工艺方面，物料成本和设备调试成本高起，导致量产困难。芯片化可降本提效解决行业痛点，可采用成熟的半导体工艺（如 CMOS 工艺），兼具体积小、集成度高等优势，VCSEL 和 SPAD 芯片被推至台前。
发射端的 VCSEL（垂直腔面发射激光器），其发光面与半导体晶圆平行，可由半导体加工设备保障精度，在一定程度上解决激 光雷达量产问题，成为目前芯片厂商主推的激光器类型。接收端（探测器）的 SPAD 阵列则将探测器和电路功能模块在 CMOS 工艺下集成，可以测量单个光子的信号强度，直接输出原始的、更精确的 3D 数字信号（省略数模转换过程），与摄像头输出 的 2D 数据相对应，节省数据标注的时间，提高机器学习的效率。
存储能力：受益于汽车智能化浪潮，存储 IC 有望量价齐升
存储芯片在智能汽车中应用广泛，DRAM 和 NAND FLASH 占据存储市场绝大部分份额。智能化及电动化趋势驱动带宽及存储芯片容量持续升级，如智能座舱、车联网、自动驾驶等功能均需要一定的存储空间来支持其正常运行。智能化方面，自动驾驶显著提振存储芯片市场，随着自动驾驶等级提高，AI 功能逐渐增加，车辆需要对传感器所捕获的大量资料进行实时处理，即具备整合信息并立刻做出判断的能力，这对于带宽和空间需求提出更高要求；电动化也对汽车存储有升级需求，如电动汽车的核心部件 BMS（电池管理系统）需要实时记录和存储数据，涵盖汽车电压电流、电压、温度、电机转速等，这些数据需要以较高的频率进行实时且连续的擦写，因此随着电动车续航能力、充电速度等不断提升，存储芯片的循环寿命、擦写速度以及功耗等存在较大升级需求。
下周文章：网联化是自动驾驶的必经之路，将着重介绍智能驾驶的通信能力。
END
腾讯云开发者
