雷达、人工智能和不断增强的自主性正在重新定义汽车集成电路设计_IC芯片网

IC芯片网www.icxpw.com消息，汽车自动化水平的不断提高从根本上改变了人们选择的技术、这些技术如何使用、如何相互作用，以及这些技术在汽车的整个生命周期内将如何发展。

IC交易网站分析，整个车辆架构正在不断重塑，以实现人工智能在广泛功能中的应用，从而促使人们加大对过去被忽视的技术的投资，并更紧密地集成人类驾驶员和机器都需要的感知传感器。因此，虽然所有技术都会得到改进，特别是在安全方面，但这些技术的组合和应用正在发生变化。

芯片采购网了解，最显著的变化之一涉及雷达（无线电探测和测距的缩写），这项技术已深入人心，大多数工程师也对其了如指掌。过去，雷达由于分辨率低而被搁置一旁。但它已逐渐成为汽车变革的典型代表。

雷达、激光雷达和摄像头与基于光学原理的摄像头和激光雷达不同，雷达基于无线电波传播。Cadence 计算解决方案部产品管理总监 Amit Kumar 表示： “雷达的工作原理是连续无线电传输，其中频率按照已知的模式随时间增加/减少。无线电波一直传播，直到碰到物体并反射到雷达接收器。与基于视觉的系统相比，雷达的优势在于能够固有地检测多普勒或频移。这有助于后端系统计算物体的距离、方向和速度，这构成了车辆将要执行的几项 ADAS 功能的基本要素。”

传统的雷达处理链涉及多天线前端（多输入、多输出或 MIMO），它发射无线电波并接收诸如距离 FFT（快速傅立叶变换）、多普勒 FFT 和角度（方位角和仰角）之类的数据，然后提取并在处理块（例如 DSP 或硬件加速器）上进行处理。然后生成 3D 点云，告诉车辆它相对于周围环境的位置，并识别该帧内周围的各种物体。

Arm 欧洲、中东和非洲汽车市场总监 Guilherme Marshall 指出：“随着自动驾驶 (AD) 技术的成熟和消费者的了解越来越多，自动驾驶功能可以安全运行的特定条件（也称为操作设计域 (ODD)）将决定其实用性和可取性。例如，在世界上雾、雨或雪常见的地区，您希望您的汽车将这些条件纳入其 AD ODD 中。然而，尽管基于图像的感知技术最近取得了进展，但能见度低会大大降低其性能。”

尽管如此，雷达仍是一种经济有效的补充摄像头的方法。在主要计算通道中，摄像头和雷达多模态可以在具有挑战性的条件下增强感知性能。在 SAE 3 级及以上级别，高清雷达（和/或激光雷达）也可以用于冗余。

几年后，具备 SAE 3 级和 4 级功能的汽车可能会配备多达 9 个雷达，包括用于内部传感的雷达。Marshall 表示：“为了控制物料清单，同时为软件定义的传感器铺平道路，OEM 越来越多地寻求‘简化’雷达传感器节点。在未来的 E/E 架构中，雷达预处理算法可能会在现有的 HPC（例如区域和/或 AD 控制器）中更集中地执行。”

根据车辆上安装的雷达类型，ADAS 功能的数量会有所不同。例如：

远程雷达 (LRR) 将实现远距离物体检测等功能（例如，在窄角度区域内 300 米），并有助于自动紧急制动 (AEB) 碰撞警告和自适应巡航控制。

中程雷达 (MRR) 通常可以探测到 150 米内的物体，并具有更宽的角度区域，这有助于发出交叉路口警报或接近十字路口的车辆。

短程雷达 (SRR) 的视角范围很广，但看得不远。它用于更靠近车辆的功能，例如骑车人和行人检测、后方碰撞警告、车道变换辅助等。

Cadence 的 Kumar 表示：“调频连续波 (FMCW) 雷达目前在乘用车和商用车中应用最为广泛。它非常精确，可以更精确地测量距离和速度，从而减少误报。它还可以同时测量多个物体的距离和速度。当与视觉系统和激光雷达一起部署时，可以创建一个完整的感知传感套件。当今的车辆架构采用多重传感冗余，使车辆能够在半自动或全自动模式下安全运行。”

雷达是 ADAS 应用的一个关键方面，尽管法规并未规定 ADAS 如何实施，但 ADAS 越来越受到欢迎，越来越被强制执行。这些系统可能包括所有基于摄像头的系统，或摄像头和雷达的混合系统。Synopsys 汽车 IP 部门经理 Ron DiGiuseppe 表示：“除非可以只用一个系统（基于摄像头的系统或基于雷达的系统）安全地实施该应用，否则行业预测这两种类型的传感器都将继续向前发展。” “如果我们看一下一些预测，就会发现汽车中雷达的出货量持续增长。在我看来，OEM 会同时使用摄像头和雷达，并且会持续向前发展，因此雷达的使用不会减少。”

车辆中雷达的数量各不相同，具体取决于 OEM 和应用。对于某些自动驾驶和自动驾驶实施，Cruise 包含 10 多个雷达，而 Google Waymo 有 6 个。“数量会根据汽车而变化，但 6 个是标准数量——一个前视雷达、一个后视雷达，然后是用于盲点识别的短程雷达，”DiGiuseppe 说。“如果你想要内部数字驾驶舱乘员监控，这个数字会发生变化。你可以在内部再安装两个，所以它会根据应用数量而变化。”

更好的雷达除了传统雷达方案之外，可扩展雷达方案也在不断发展。Rambus 硅片 IP 业务开发总监 Adiel Bahrouch 表示：“比如说，你可以在车辆角落安装中程雷达，然后在车辆前部安装远程雷达，因为我们的目标是非常准确地预测即将发生的事情。后置雷达也是如此，在侧面你可能安装中程或短程雷达。这些都是雷达，但你会看到不同的技术，因为雷达的目的和目标略有不同。我还看到一些解决方案，开发人员试图提供一个可配置的平台，这意味着通过更改配置，你还将更改雷达的范围以支持某些目的或目标，这意味着可扩展的解决方案。你有一个基准，然后你就有了可以在一个封装或一个芯片组中选择的所有选项，OEM 非常喜欢这一点，因为这样 OEM 就可以拥有一个单一的联系点、一个解决方案、一个可配置的平台。然后，根据目的，你可以为某些应用程序提供服务。”

雷达是一项成熟的技术，但在汽车领域，尤其是自动驾驶领域，雷达本身是不够的，因此需要进行开发并努力提高雷达的性能。“例如，当我们比较摄像头和雷达时，摄像头的信息内容非常丰富，分辨率非常高，”Bahrouch 解释道。“它可以区分颜色、形状等等。雷达有一些独特的特性，但从分辨率和质量的角度来看，它非常差。然而，摄像头有很多好的特性，而且价格便宜。OEM 很喜欢这一点，它在良好的光线和天气条件下表现不错。在极端天气或光照条件下，摄像头表现不佳，而这正是雷达真正擅长的地方。雷达对光照条件或天气条件不敏感。它很可靠。这项技术众所周知。但话说回来，在分辨率方面，它表现不佳。例如，当我们谈论 3D 雷达（即传统使用的雷达）时，3D 代表可以探测距离、角度/方向和速度的雷达。雷达只需一次测量就能提供这些信息。”

雷达的优势在于它能够感知电磁波，并根据速度和延迟测量这些波的反射。由于它是电磁波，因此对光线、雾或雨不敏感。但由于与摄像头或激光雷达相比，雷达提供的信息较差，因此业界投入了大量精力开发下一代 4D 雷达，该雷达还可以测量高度。“使用 3D 雷达，你无法检测它是大型车辆还是小型车辆，是建筑物还是非建筑物，”Bahrouch 指出。“使用摄像头，你也可以获得这些信息，这就是 4D 雷达被引入的原因。它也称为成像雷达，它在质量、分辨率和信息方面都提高了传统雷达的性能，因为现在你还可以检测或区分建筑物与汽车、隧道、行人等。”

与其他技术的集成随着汽车智能化程度的提高，雷达将如何随着时间的推移而保持稳定还有待观察，尤其是随着越来越多的人工智能驱动的先进功能进入汽车架构。但它可以代表汽车领域还有多少变化。

西门子数字工业软件混合和虚拟系统副总裁 David Fritz 表示：“如果你只想实现 ADAS 功能，毫无疑问雷达有其用武之地，而且已经存在很长时间了。人类在某些情况下无法感知某些东西，但雷达可以，这可能很有用。它非常适合紧急制动、盲点中的汽车等，因此毫无疑问雷达有其用处。但随着我们从 ADAS 转向自动驾驶，传感器阵列的复杂性与车辆的智能化成反比。如果你拥有我们现在看到的这些新型聚焦变压器 (FoT) AI 解决方案之一，他们会推断，‘我看到雪了。有雾。我应该放慢速度。’但在 ADAS 中，你仍然需要驾驶员参与其中。驾驶员可能不熟练在雪地中驾驶，他们可能认为仅仅因为下雪，他们仍然可以以每小时 45 英里的速度行驶，因为这是速度限制。拥有额外的感知来弥补经验上的差异是一件好事。”

在使汽车更加智能化方面，趋势是传感器阵列的复杂性和成本随着智能化的提高而下降。“这是因为你在与人类驾驶员竞争，”弗里茨指出。“我们没有雷达。我们有经验来承担这一角色，如果我们可以增强我们的视觉，戴上眼镜或什么的，那么我们就有了更智能的摄像头。此外，其他传感模式也在发生变化，比如摄像头，以防止它们在恶劣的天气条件下无法工作。有很多事情正在发生，而摄像头本身可能是最具成本效益的方法。我们现在看到车辆上有 12 到 18 个摄像头，如果我们从多个角度看待事物，并拥有处理这些信息的智能，那么总体而言，对雷达的需求似乎正在下降。”

Rambus 的 Bahrouch 还希望看到 ADAS 中的 AI 技术用于增强摄像头或雷达信息。“假设摄像头能够识别模式和速度标签等，但为了识别它们，您需要训练系统使其能够识别它们。训练部分就是找到 AI 技术来实现这一点的地方。对于雷达，有一些研究围绕如何训练这些数据，从现有的历史、现有的信息中学习，并预测未来会发生什么。摄像头模式识别也是如此，那里正在进行大量的训练。然后，当我们将这些不同的技术结合起来时，也会进行大量的训练，AI 将发挥作用。”

展望 4 级和 5 级自动驾驶汽车，人工智能将成为一项关键技术推动因素，但目前，即使不会一直保持这种状态，发展也正在走向极端。“我们看到的系统有 64 个和 128 个 CPU 内核，”弗里茨观察到。“这与智能成反比。换句话说，如果你有很多启发式方法，很多算法都在运行并相互检查，那么你可能需要很多 CPU 内核来吸收这些知识，无论传感器阵列提供什么才能做出明智的决定。但对于许多新的人工智能技术来说，这不是一种有效的方法。你可能需要四个或八个 CPU 内核，但你还有其他经过微调的加速器可以更有效地处理这些信息，然后将这些数据输入 CPU 综合体，以便它能够做出需要做出的智能决策。人工智能模型将改变内核的数量，并将必要的智能推向汽车边缘，更靠近传感器。我们看到这种情况随处可见。这个解决方案的好处在于，如果你出了小车祸，也不会花掉 2 万美元。你只需要更换一个售价 1.5 美元的摄像头，因此从长远来看，这对车辆、维护和车队生存来说更具成本效益。”

将所有东西连接在一起，但方式不同。简而言之，这意味着从传感器开始在本地应用人工智能。雷达、摄像头和激光雷达将越来越多地连接到其他系统，所有这些都需要根据车辆是否提供驾驶辅助、有限的自动驾驶功能或完全自动驾驶进行调整。例如，触摸屏需要在每个级别进行非常不同的管理。

Synaptics智能传感部门高级副总裁兼总经理 Satish Ganesan 表示：“现在，每个人都认为 AI 就是让副驾驶做什么。但事实并非如此。我们希望使用分布式 AI 来增强产品的可用性，为最终用户提供更好的服务。因此，我们拥有主要为不同应用提供 AI 的处理器。例如，在汽车领域，我们会对玻璃进行局部调光。但我们也开发了一项技术，如果驾驶员触摸乘客屏幕，它不会做出反应。它通过说‘哦不，你不能伸手做那样的事情’来增强安全性。如果路面结冰，它不会让你玩任何东西。我们会检测触摸的角度和座椅上的传感器，然后说‘嘿，它没有与正确的人耦合。我们不会让你触摸那个屏幕。’”

随着汽车越来越具备自动驾驶功能，这些交互方式可能会发生重大变化。“有两条路可走，”英飞凌科技公司执行副总裁兼首席战略官 Peter Schaefer 说。“第一条路是持续改进并不断向客户提供自动驾驶功能。第二条路是完全自动驾驶汽车。我们必须将汽车架构做好成为软件定义汽车的准备，这意味着我们可以在汽车的整个生命周期内将软件和服务带入汽车和消费者心中。作为消费者，我们希望在购买产品后能得到升级。我们还希望汽车具备所有这些创新功能，性能强劲。我们不希望它熄火或不再工作。它需要一直保持功能正常。”