自动驾驶 - 未来汽车新E/E架构
1、科技定义未来汽车
随着科技的发展，未来汽车将会呈现以下几个方面的特征：
图1. 未来汽车的相关特征
2、深度学习与自动驾驶
2.1 AI/ML/NN/DL之间的关系
AI(人工智能）、ML（机器学习）、NN（神经网络）、DL（深度学习）四者之间的关系如下图所示：
图2. AI/ML/NN/DL之间的关系示意图
相比与传统算法，从AI → ML→ NN → DL：所需的软件代码是越来越少，但需要的训练数据却越来越多。
2.2 深度学习在ADAS/ADS中的应用
1）在机器视觉检测方面，深度学习算法相比传统算法的优势：
a、允许检测和识别多个物体 - 提升感知性能
b、对车辆周围区域进行语义分析
c、缩短ADAS和（IVI）车载影音娱乐系统的开发时间（一旦深度学习处于稳定状态）
d、进行同样的操作，深度学习算法比传统算法所需的功率要求更低
当然，深度学习也不是万能的，它也需要辅助：
行为识别/预测及融合 - 在自动驾驶汽车（L4-L5）中，深度学习算法需要贝叶斯网络和其他随机算法的补充和辅助。
深度学习应用的前提条件：
车联网能被广泛应用，以便：
a、能够收集“真实”模型和数据以进行训练
b、允许系统空中更新和保证网络信息安全
2）ADAS/ADS中深度学习的额外需求：
a、对车载硬件的要求
-
延迟：对于激活功能系统，需要在不到70-80ms的时间内做出反应
-
深度学习还将为来自传感器的“噪音”输入提出决定性的延迟
-
性能：TFlop / TOP / TMAC几乎不是最低要求
b、功耗要求
各个传感器子系统需要保证4W的功耗预算；
用于传感器信息融合的ECU需要的15-20W的功耗预算，甚至更多
c、回传和数据存储基础架构
互联性需求：存储训练数据和车辆参数
更新/升级系统
3、未来ADAS/ADS系统新架构
3.1 ECU数量和功能特征的动态平衡
1）ECU数量（平均值）
在低级别和中级别车型中，ECU数量处于持续增加状态；
高端车型上的ECU数量由于接近“极限”，故而已处于平稳期；
表1. ECU数量（平均值）对比
2）功能特征
在ADAS和车载影音娱乐系统的驱动下，所有级别车型的功能特征都在按预期数量增长。
表2. 功能特征数量对比
结论分析：主机厂趋向于将ECU的成本保持在一个恒定水平，同时通过利用系统集成的优势，增添一些有价值的功能特征。
3.2 标杆车ADAS/ADS系统架构示例
1）老款E级车（BMW 7系 -2009款）：ADAS系统配置有14个ECU，半导体平均BOM成本为618美元。
图3. BMW 7系 -2009款
2）更先进一代E级车（BMW 7系 -2015款）：E/E架构发生变化，新增了融合ECU，并且使用了以太网通讯，然而半导体平均BOM成本却下降了10%。
图4. BMW 7系 -2015款
3）2018款AudiA8 系统架构：已经开始使用ADAS域控制器。
图5. AudiA8 - 2018款
4）202X年某自动驾驶车辆系统架构预测：该系统架构采用了MPU、双域控制器以及V2X通讯技术。
图6. XX车 - 202X款
3.3 典型ADAS/ADS系统架构需求
该系统架构需求是基于BMW、Volvo、Nissan等标杆公司的现有自动驾驶车辆平台的ADAS/ADS系统架构的总结分析；
表3. ADAS/AD系统架构需求
4、自动驾驶路线图的影响
到2020年，自动驾驶的ADAS/AD系统架构将出现在许多OEM的路线图上；
1）软件成本大约占ADAS系统总成本的45%（高端车）
在A8和Model S上，每个ADAS模块（不包括超声波传感器）的软件平均价值分别为90美元和77美元，高于其他车型的平均值。
表4. ADAS系统软件成本占比分析
2）功能安全标准
a、支持自动驾驶功能的控制单元（硬件&软件）的功能安全等级应达到ASIL-B到ASIL-D
b、系统必须有冗余设计
3）高性能软件模块
a、智能前视摄像头
b、域控制器
c、激光雷达
以激光雷达和域控制器为例，一个激光雷达成本大约需要500美元左右，一个域控制器的成本则需要850~1000美元左右。
参考资料：
- New Architecture for Autonomous Driving (IHS Markit)
注：如需获取参考文件，扫描下方二维码，关注公众号“筋斗云与自动驾驶”，在公众对话框回复【新架构01】即可获取。
筋斗云与自动驾驶