驾驶域计算平台架构核心软件和底层硬件梳理

来源：广发证券

随着智能网联汽车的发展，车载传感器的数量日益增加，日趋完善的性能对车载计算平台算力的需求更高。相较于低级别的自动驾驶，高等自动驾驶系统从传感器获取的数据量大大增加，而自动驾驶系统的良好运行需要车载计算平台对这些数据进行准确、高效的处理，高级别自动驾驶中车载计算平台的芯片算力需求还将持续提升。

智能网联汽车计算平台架构核心构成：硬件平台+系统软件+功能软件。

一、核心软件梳理

（一）核心软件产业格局总览

驾驶域计算平台涉及的软件，从底层往上，主要包括系统软件、功能软件、应用软件。

图3：驾驶域软件层分类：系统软件-功能软件-应用软件

系统软件层面，主要包括BSP（板级支持包）、hypervisor（虚拟化）、狭义OS内核、中间件组件等。

功能软件层面，主要为自动驾驶的核心共性功能模块，包括自动驾驶通用框架、网联模块、运控模块等，功能软件结合系统软件，共同构成宏观意义上给的自动驾驶操作系统。

应用软件层面，应用软件主要包括场景算法（涵盖数据感知、多元融合、决策规划、控制执行等）、数据地图等。

针对不同软件层，我们从传统tier1、OEM及其子公司、科技巨头、第三方软件供应商四个维度对产业主要参与方进行了梳理。

表3：驾驶域不同软件层具备业务布局的公司梳理

（二）系统软件1：硬件抽象层—Hypervisor 与 BSP

1. Hypervisor：管理并虚拟化底层硬件Hypervisor 虚拟化技术可以有效实现资源整合和隔离。自动驾驶操作系统是基于异构分布硬件，应用程序如 AI 计算和实时安全功能可能分别依赖不同的内核环境和驱动，但在物理层面共享 CPU 等。

图4：Hypervisor典型架构

主流的虚拟机技术提供商包括BlackBerry QNX Hypervisor及Intel与Linux基金会主导的ACRN（开源）。截至目前，只有QNX Hypervisor应用到量产车型，它也是目前市场上唯一被认可功能安全等级达到ASIL D级的虚拟化操作系统。

表4：车载Hypervisor 主要供应商

注：（1）RIM 为黑莓母公司；（2）2017 年中科创达、诚迈科技入选黑莓 VAI 计划，一旦成为 VAI 项目合作伙伴，将可以基于黑莓的嵌入式技术开发集成服务、安全关键型解决方案，包括黑莓 QNX Neutrino 实时操作系统、QNX Momentics 工具套件、QNX 管理程序、应用程序和媒体 QNX SDK、QNX 无线架构、QNX 认证操作系统、QNX 医用操作系统、Certicom 工具包、Certicom 管理的公钥基础设施以及 Certicom 资产管理系统，应用包括汽车电子、医疗器械、智能电网、动力控制和工业自动化；（3）润和软件已开发出基于IntelApollolake 平台并采用 ACRN 虚拟化技术方案的智能驾驶舱方案

2. BSP：保证硬件运行的底层软件，不同的OS对应于不同定义形式的BSP

BSP（Board Support Package），中文即板级支持包。对于一般的嵌入式系统，硬件部分需要嵌入式硬件工程师设计硬件电路，新出厂的电路板，需要BSP来保证其能稳定工作，在此基础之上，才能进行下一步的软件开发。

BSP是介于主板硬件和操作系统之间的系统软件之一，主要目的是为了支持操作系统，使之能够更好的运行于硬件主板。BSP是相对于操作系统而言的，不同的操作系统对应于不同定义形式的BSP，例如VxWorks的BSP和Linux的BSP相对于某一CPU来说尽管实现的功能一样，可是写法和接口定义是完全不同的，所以写BSP一定要按照该系统BSP的定义形式来写，这样才能与上层OS保持正确的接口，良好的支持上层OS。

BSP同时具有硬件相关性和操作系统相关性。因此BSP的开发不仅需要具备一定的硬件知识,例如CPU的控制、中断控制器的设置、内存控制器的设置及有关的总线规范等，同时还要求掌握操作系统所定义的BSP接口。

图5：嵌入式系统对应的BSP开发内容

车载芯片BSP涉及到的企业比较多，涵盖芯片制造商、第三方软件服务商、整车厂。但是不同类型的开发商具备不同的特点，比如芯片制造商，最懂底层硬件，但开发人手有限，整车厂软件能力积累相对不足，第三方软件服务商往往具备较好的竞争优势，通常具备丰富的底层开发经验对底层硬件和上层软件理解深刻，技术较强，人员规模扩张性也较好。

表5：车载芯片BSP开发领域典型参与方梳理

（三）系统软件2：操作系统标准与 OS 内核

1.车载OS分类：车控OS与座舱OS从功能实现角度，车载操作系统可以大致分为车控操作系统和智能座舱操作系统：

（1）车控操作系统：主要对应自动驾驶域、动力域、底盘域，用于实现车身底盘控制、动力系统和自动驾驶；（2）智能座舱操作系统：主要对应于座舱域，用于实现车载娱乐信息系统功能以及实现HMI相应功能。

在前述基础上，我们可以进一步划分车控操作系统：（1）嵌入式实时操作系统RTOS：用于传统的车辆控制，适用于动力系统与底盘控制等领域；（2）基于POSIX标准的操作系统，适用于自动驾驶所需要的高性能计算和高宽带通信。

表6：车控操作系统分类

传统车控ECU采用的符合OSEK/VDX和Classic AUTOSAR标准的RTOS。在传统的分布式EE架构下，特定的ECU针对处理特定功能，常见ECU包括EMS发动机电控系统，ABS制动防抱死控制、变速箱牵引力控制TCU、电子稳定控制EPS、电子动力转向EPS，新能源汽车整车控制VCU，电池管理系统BMS等。通常情况下，车用ECU主要由MCU、存储器、I/O和外围电路组成，其中MCU为核心。

传统ECU实施的功能有限，运行相对简易，并不需要高性能的OS来实现资源的调度和分配。不过因为涉及车控环节，相关系统属于复杂测控系统，如果系统任务的响应不及时或有延迟过大，就可能导致严重的安全隐患。因此汽车电控ECU必须是高稳定性的嵌入式实时性操作系统（RTOS），实时性的含义是系统保证在一定时间限制内完成特定功能，目前主流的电控操作系统基本都兼容OSEK/VDX和ClassicAUTOSAR这两类汽车电子软件标准。

值得指出的是，AUTOSAR与OSEK都是汽车电子软件的标准，AUTOSAR基于OSEK/VDX发展而来。OSEK/VDX是基于ECU开发的操作系统标准，起源于20世纪90年代，AUTOSAR基于整体汽车电子开发的功能标准，发起于2003年。

图6：符合OSEK/VDX标准的典型车控OS

自动驾驶OS目前大多参考Adaptive AUTOSAR平台，其定义采用了基于POSIX标准的操作系统，可以为支持POSIX标准的操作系统及不同的应用需求提供标准化的平台接口和应用服务。从实际功能执行来看，可以将ECU的软件平台分为三类：基于信息娱乐的ECU、传统的基于控制的ECU，以及执行自动驾驶功能的ECU。

Classic AUTOSAR标准解决了传统车控ECU的需求，但是，如高级辅助驾驶和自动驾驶，需要在车辆上引入高度复杂和计算资源需求量大的软件，同时这些软件在车辆上必须完全兼容和绝对安全，而且未来随着汽车电子及软件功能的大幅增长，最终可能向基于中央计算机的车辆集中式电子电气架构，对于自动驾驶域控制器或计算平台这种控制器，Classic AUTOSAR无法满足其需求，需要高度灵活、高性能且支持HPC、动态通讯等特性的新软件架构平台。

2018年，为了迎合未来汽车智能化、网联化的需求，AUTOSAR联盟推出了一个全新的平台，将AP加入到原有的AUTOSAR平台中，形成Adaptive AUTOSAR平台，并于2018年10月迎来了适用于面向量产的首次发布，另外还将原有平台更名为Classic AUTOSAR平台。

图7：不同类型ECU对软件平台的要求

2. 驾驶域OS内核：QNX、Linux、Vxworks三分天下

驾驶域OS按照定义范围可大致分为狭义和广义两种：（1）狭义OS：特指可直接搭载在硬件上的OS内核；（2）广义OS：从下至上包括从BSP、OS内核、中间件及库组件等系统软件。

OS内核又称为底层OS，旨在提供操作系统最基本的功能，负责管理系统的进程、内存、设备驱动程序、文件和网络系统，决定着系统的性能和稳定性。

图8：狭义OS主要包括QNX、Linux和VxWorks

自动驾驶OS内核的格局较稳定，主要产品为QNX（Blackberry）、Linux（开源基金会）、VxWorks（Wind River System）。因打造全新OS需要花费太大的人力、物力，目前基本没有企业会开发全新的OS内核。目前Waymo、百度、特斯拉、Mobileye等企业都是在现有的OS内核基础上自研中间件和应用软件。

此外，QNX系统生态较为封闭，Linux和VxWorks均是开源。Linux和VxWorks所有内核源代码都向客户开放，客户可做一定的裁剪。如果选择QNX内核，整车厂无法做裁剪，但客户可自己编写中间件和应用软件。2017年黑莓公司成立VAI（ValueAdded Integrator）项目，中科创达、诚迈科技作为以系统集成商的身份加入黑莓嵌入式合作伙伴计划VAI项目，将基于黑莓QNX嵌入式技术（包括黑莓QNX Neutrino实时操作系统、QNX管理程序、QNX无线架构、QNX认证操作系统等）提供集成服务解决方案，其应用包括汽车电子、医疗器械、智能电网、动力控制和工业自动化。

从费用和开发难度看，QNX需要付费，不过开发难度较小，代码量也较少，Linux不需要收费，但是开发难度较大，容易出Bug。

图9：主流OS内核对比

（四）功能软件：中间件及核心共性功能模块

1.中间件

中间件是介于应用系统和系统软件之间的一类软件，位于客户机服务器的操作系统之上，管理计算资源和网络通信。根据IDC的定义，中间件是一种独立的软件服务程序，分布式应用软件借助这种软件在不同的技术之间共享资源。

中间件的主要任务，是负责各类应用软件模块之间的通信以及对底层系统资源的调度。它的优点，是可以大大降低应用层软件的开发难度，使研发工程师可以完全把注意力集中到功能算法的开发上。

而目前最为业内所熟知的中间件当属Classic AUTOSAR中的RTE（Runtime Environment），它不仅负责上层SWC（Sofware Component）之间的通讯，也同时负责对SWC进行调度以及对底层操作系统及通讯服务的调用。

图10：中间件在分布式系统中的用途示意图

图11：基础中间件类别划分

智能驾驶中间件的市场空间正在快速增长。以TTTech Auto（TTTech拆分的汽车子业务板块）为例，该公司推出的智能驾驶中间件（MotionWise安全软件平台）客户包括安波福、奥迪、宝马、大陆集团、戴姆勒等，营收规模从2018年的1920万美元增加至2019年的8872万美元，2020年预计营收在1.9亿至2亿美元。

不过，由于中间件涉及到较高的功能安全等级，市场门槛也要高于应用层软件。

中间件领域，传统Tier1和科技巨头布局较少。从主要自动驾驶Tier1产品与场景布局来看，博世、大陆和采埃孚在国外Tier1中布局最全面，其中博世和采埃孚在2020年均推出面向自动驾驶的中间件产品。

2020年7月，博世推出针对高级自动驾驶应用的中间件—Iceoryx (冰羚)，兼容ROS2和Adaptive AutoSAR的接口，满足不同开发阶段的需求。

2020年12月，采埃孚发布中间件ZF Middleware，提供可以集成到整车制造商软件平台的模块化解决方案。同时，该中间件将于2024年搭载在量产车辆上。

值得注意的是，国外Tier 1在功能落地的同时，开始渗透底层系统研发，搭建系统与软件应用之间的连接桥梁。博世、采埃孚相继发布中间件产品，以期通过全面的传感器产品布局，为主机厂集中配置自动驾驶方案，降低系统集成的复杂性，降低开发成本和加快产品落地。

图12：自动驾驶感知层产品及场景算法主要布局梳理

2. 核心共性功能模块

除API中间件外，自动驾驶的核心共性功能模块构成了功能软件的主要部分。核心共性功能模块包括自动驾驶通用框架、网联、云控等，结合系统软件，共同构成完整的自动驾驶操作系统，支撑自动驾驶技术实现。

表7：计算平台功能软件中的五大核心共性模块

（五）应用软件：种类多，包括场景算法、数据地图等

应用层软件运行在广义操作系统之上，具体负责自动驾驶功能实现。典型的计算平台，在装载运行系统软件和功能软件构成的操作系统后，向上支撑应用软件开发，最终实现整体功能实现。应用层软件内容繁杂，包括场景算法（涵盖数据感知、决策规划、控制执行等）、数据地图、人机交互（HMI）等。

我们仅以场景算法进行阐述，典型的场景算法设计数据感知、决策规划、控制执行等。其中感知类算法包括SLAM算法（涵盖视觉处理、激光雷达、多传感器融合等）、自动驾驶感知算法。决策类算法包括自动驾驶规划算法、自动驾驶决策算法，执行类算法主要为自动驾驶控制算法。

目前该领域涉足的产业参与方繁多，从整车厂、传统Tier1，到初创类公司、科技巨头以及独立的软件供应商等在该领域都积极发力。

图13：应用层主要算法梳理

图14：应用层算法主要目的及编程语言

数据地图（高精度地图）也是应用层又一典型软件。传统车载导航地图使用者是人，传统电子导航地图会描绘出道路，部分道路会区分车道，而高精度地图不仅会描绘道路，会真实地反映出道路的实际样式，高精度地图为了让自动驾驶系统更好地识别交通情况，会把道路形状的细节进行详细、精确展示。

高精度地图对于智能驾驶不可或缺，从视野范围看，高精度地图不受遮挡，不存在距离和视觉的缺陷，在特殊天气条件下，高精度地图依旧可以发挥作用；从误差看，高精度地图可以有效消除部分传感器误差，在部分路况条件下，可以有效对现有传感器系统进行补充修正。此外，高精度地图还可以构建驾驶经验数据库，通过多维时空数据的挖掘，分析危险区域，为驾驶者提供新的驾驶经验数据集。

图15：高精度地图对高等级自动驾驶系统而言不可或缺

从目前竞争格局看，高精度地图领域呈现四维图新（腾讯产业基金为公司第二大股东，截至2021年3月底，腾讯产业基金持股5%）、高德（阿里巴巴全资孙公司）、百度三足鼎立态势。百度为国内最早开展高精度地图研究的公司，2013年启动无人车项目研发，高德拥有阿里巴巴全力支持，进展较快，四维图新为国内老牌图商。

表8：三大图商的高精度地图订单梳理

数据来源：四维图新公司公告（参见：2019年2月13日《四维图新:关于与宝马汽车公司签署自动驾驶地图许可协议的公告》及2019年11月20日《四维图新:关于华为采购公司高精度地图数据产品和服务的公告》），汽车之家，盖世汽车，广发证券发展研究中心

二、底层硬件梳理

（一）底层硬件采用异构分布架构（以华为 MDC 为例）

智能驾驶域控制器是结合车辆线控平台和大量多类型外围传感器的核心部分，具有多样的接口类型、足够的接口数量和高性能等特点。多传感器数据融合、人工智能算法等技术对域控制器的接口和算力性能都有着更高要求，因此，域控制器需要采用集成多种架构芯片的异构多核芯片的硬件方案。

异构多核芯片硬件架构主要由具有AI单元、计算单元和控制单元三部分组成。

AI单元：为异构芯片硬件架构中算力最大的一部分，通过系统内核进行加速引擎和软硬件资源的分配、调度。AI 单元主要完成多传感器融合数据的分析和处理，输出用于规划、决策和控制的周围环境信息。目前，主流的 AI芯片可选架构有 GPU、FPGA、ASIC 等。

计算单元：基于多核CPU的计算单元具有主频高，计算能力强等特点，通过系统内核管理软件和硬件资源、完成任务调度。计算单元主要用于执行大部分自动驾驶相关的核心算法，整合多传感器融合数据完成路径规划、决策控制等功能。

控制单元：主要基于传统车辆控制器（MCU）完成车辆动力学横纵向控制任务，搭载基础软件平台的控制单元将各个车辆控制的功能软件连接起来实现车辆控制，同时，软件系统需要预留与智能车辆操作系统集成的通信接口。

表9：域控制器核心底层硬件分类

以华为MDC为例，除了常见的MCU外，MDC计算平台内部包含了两个核心芯片：CPU芯片：鲲鹏920s，基于华为自研的ARM处理器，采用7nm制程，最大功耗55W；AI芯片：昇腾310，基于达芬奇AI架构，12nm制程，最大功耗8W，算力达到16TOPS（八位整数精度）。

图16：华为MDC架构——底层硬件平台有AI芯片/CPU等构成

华为MDC计算单元内部包括四大模块：CPU模块、图像处理、AI处理、数据交换。其中数据交换模块主要负责其余各个模块的数据交互，图像处理模块主要用于把摄像头的原始数据处理成YUV格式或者RGB格式，此外AI处理模块和CPU模块主要功能如下：

AI处理模块（内置AI芯片）：主要用来做AI计算，主要是CNN计算（卷积神经网络），可以做摄像头的AI处理，或者摄像头和激光雷达的前融合AI计算，内存64GB；

CPU模块（内置CPU芯片）：主要提供整型计算，可以用来部署后融合、定位、规控等应用软件算法，内存是16GB。

华为MDC与上层应用架构图

注：CAN、ETH、GMSL 等皆为内部通信方式，一般来说 ETH（以太网接口）可以连接到 4G 网络，车联网系统等，CAN 接口可以对接底盘 ECU，包括转向和动力 ECU 等。

（二） CPU+ AI 芯片的三大流派

1. AI芯片的主要分类：GPU/FPGA/ASIC

GPU仍属于通用性芯片。它与传统CPU有明显差异，CPU需要很强的通用性来处理各种不同的数据类型，同时对逻辑判断有较高要求，因此CPU的内部结构异常复杂。而GPU面对的则是数据类型高度一致、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。

GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache，而CPU不仅被Cache占据大量空间，而且还有有复杂的控制逻辑和诸多优化电路，相比之下计算能力只是CPU很小的一部分。

图18：CPU VS GPU

ASIC属于定制化芯片，即应特定用户要求和特定电子系统的需要而设计、制造的集成电路。ASIC的特点是面向特定用户的需求，ASIC在批量生产时与通用集成电路相比具有体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。ASIC具有高性能、低功耗的优势，但它们包含的大部分算法——除了那些在软件内部处理器内核执行的——其余都是“冻结的”。

FPGA，是作为专用集成电路（ASIC）领域中的一种半定制电路而出现的，FPGA最大特点在于，可以配置它的可编程架构来实现研发人员需要的数字功能组合。

ASIC VS FPGA对比：

（1）用途：FPGA主要用于要求快速迭代或小批量产品；ASIC用于设计规模大，复杂度较高的芯片，或成熟度高，产量较大的产品；

（2）成本：小批量需求时，单片FPGA成本低于ASIC，随着产品量的增加，单片ASIC成本逐步降低；

（3）功耗：在相同工艺条件下，FPGA要大于ASIC；

（4）速度：FPGA内部是基于通用的结构，通用则导致冗余；ASIC是根据设计需求，最优化逻辑资源，并且做到最优布局走线，降低走线延迟；

（5）面积：定制化的电路设计和工艺使用ASIC面积小于FPGA；

图19：不同类型芯片对比

1. 流派一：CPU+GPU+ASIC（英伟达、特斯拉、高通等为代表）

英伟达自动驾驶芯片采用CPU+GPU+ASIC架构。英伟达目前在全球自动驾驶芯片领域处于行业龙头地位，主要产品包括Xavier（2018年推出，已公布架构）、Orin（2019年推出，英伟达未曾披露内部架构）等，2021年推出ALTAN。

2018年发布的Xavier目前已成功量产，该款芯片主要有4个模块：CPU、GPU以及两个加速器ASIC。搭载的两个加速器ASIC分别为Deep Learning Accelerator（DLA） 和 Programmable Vision Accelerator（PVA）。从体型来看，占据最大面积的是GPU，其次是CPU，最后辅以两个专用 ASI，有助于优化能耗比。

2021年发布的Atlan将用于多家汽车制造商的2025年车型上，该款芯片主要也包括4个模块：全新Arm CPU核、GPU以及深度学习和计算机视觉加速器。

此外，它还将包括BlueField数据处理单元，该数据处理单元可提供广泛的高级网络、存储和安全服务，以支持自动驾驶汽车中的复杂计算和AI工作负载，该款处理器将提供每秒超过1000万亿次（TOPS）算力。

图20：英伟达Xavier架构

图21：英伟达Atlan架构

特斯拉自行设计的FSD算力高达144Tops，也采用CPU+GPU+ASIC架构。FSD包含着三种不同的处理单元，分别为负责图形处理的GPU、负责深度学习和预测的神经处理单元 NPU（ASIC），还有负责通用数据处理的中央处理器 CPU。特斯拉自行定制设计FSD芯片上的神经网络加速器(NPU)，这是FSD芯片上最大的组件，也是最重要的逻辑部分。

图22：特斯拉FSD架构

高通Snapdragon ride高阶产品预计采用的也是CPU+GPU+ASIC架构。2020年高通发布驾驶域芯片产品Snapegragon ride，该款产品分为三个系列：

（1）面向L1/L2级ADAS（具备AEB、TSR和LKA等ADAS功能）的底层硬件包括1个ADAS应用处理器（安全系统级芯片SoC），可提供30~60 TOPS算力；

（2）面向L2+级ADAS （具备HWA、自动泊车APA以及TJA等功能）的硬件支持为2个或多个ADAS应用处理器，所需算力要求约为60-125 TOPS；

（3）最高阶产品面向L4/L5级自动驾驶，配置的底层硬件为2个ADAS应用处理器+ 2个自动驾驶加速器ML（ASIC），最高可提供700TOPS算力，功耗为150W左右。

图23：高通Snapdragon ride产品线

2. 流派二：CPU+ASIC（Mobileye、华为、地平线等为代表）

Mobileye在自动驾驶芯片领域具有强大竞争优势，2004年以来陆续推出基于ASIC架构的EyeQ系列芯片。Mobileye产品覆盖L1-L3级别的前装 ADAS，硬件产品主要是是基于 ASIC 架构的 EyeQ 芯片，该公司智能驾驶系统解决方案包括四个部分：EyeQ芯片、自动驾驶策略、安全的防护层 RSS、地图技术 REM。

截止目前，EyeQ系列芯片已发布五代。第一代产品EyeQ1算力约0.0044Tops，第二代产品EyeQ2算力约0.026Tops，功耗均为2.5w，这两款产品主要用于L1级自动驾驶。第三代产品EyeQ3是自行开发的ASIC架构，使用了4颗MIPS核心处理器、4颗VMP芯片，可以支持L2高级辅助驾驶计算需求。2018年量产上市的第四代产品EyeQ4采用28nm工艺，使用了5颗核心处理器、6颗VMP芯片、2颗MPC核心和2颗PMA核心，最高可实现L4级自动驾驶功能。

最新一代芯片EyeQ5主要有4个模块：CPU、视觉加速期CVP（ASIC）、以及Deep Learning Accelerator（DLA） 和 Multithreaded Accelerator（MA）。从模块的大小来看，CPU 、CVP占据大头，其中CVP是针对很多传统计算机视觉算法设计的ASIC芯片。历史上，Mobileye一向以CV算法而闻名，同时因为用专有的ASIC来运行算法从而可以达到很低功耗。

不过Mobileye的ASIC芯片+算法系统是封闭的，对OEM和Tier 1来说就是黑盒，这也是被众多厂商诟病的主要原因，因为OEM和Tier 1不仅无法使用不同的算法来体现差异化竞争，而且还不能掌握这类核心算法。

图24：Mobileye EyeQ5方框图

华为是我国本土智能驾驶芯片领域综合实力最强的龙头之一，针对不同应用场景，2021年初正式推出4款MDC产品。（1）MDC300F，目标应用场景为港口、矿山、园区物流等领域的商业车或作业车，算力约64Tops；（2）MDC210，目标应用场景为L2+功能场景的乘用车，算力约48Tops；（3）MDC610，目标应用场景为L4+功能场景的乘用车，算力逾200Tops；（4）MDC810，目标应用场景为L4-L5功能场景的乘用车或Robotaxi，算力逾400Tops；

华为MDC亦采用CPU+ASIC组合架构，自研NPU昇腾310提供强劲AI算力。根据华为2018年发布的MDC产品介绍，MDC集成了华为自研的Host CPU芯片、AI芯片、ISP芯片与SSD控制芯片。

MDC300计算平台支持L3级自动驾驶，由昇腾310芯片（自研达芬奇架构NPU，属于ASIC）、鲲鹏CPU和英飞凌TC397三部分构成，MDC600计算平台支持L4及以上自动驾驶，包括鲲鹏CPU、昇腾310芯片和ISP。

图25：华为MDC300/600部分核心参数

图26：华为MDC平台基于高度集成的Ascend Soc

地平线属于我国第一个实现车规级AI芯片前装量产的企业。2019年公司发布征程2，已公布搭载地平线征程2芯片的有长安UNI-T、奇瑞蚂蚁、智己汽车、长安UNI-K、广汽埃安AION Y、东风岚图Free、江淮汽车思皓QX、广汽传祺GS4 Plus、上汽大通MAXUS MIFA概念车9款车型。

目前，2021年发布的征程5已率先斩获车型定点，量产上车时间预计在2022年下半年，计划中的征程6基于车规级7nm先进工艺，预计工程样片的推出时间是2023年，量产上车是在2024年。

图27：地平线汽车智能芯片路线图

地平线征程2采用CPU+ASIC组合架构。2019年地平线发布国内首款已量产车规级边缘AI视觉芯片征程2.0，该芯片用28纳米制程制造，集成双核Arm Cortex A53，以及自研的双核地平线二代BPU架构，达到车规级AEC-Q100标准，性能方面，其等效算力超过4 TOPS，采用17mm*17mm的BGA388封装工艺，其典型功耗仅为2W。

图28：地平线征程2芯片架构

图29：地平线征程2方框图

3. 流派三：CPU+ FPGA（百度-赛灵思、Waymo等为代表）

百度已量产的ACU采用CPU+FPGA。百度ACU是Apollo面向量产的自动驾驶车载计算单元，根据不同需求场景的计算能力要求，分为多个系列产品，ACU-Advanced是自主泊车产品专用车载计算平台，目前已量产下线。

ACU-Advanced核心架构基于Xilinx ZU5（FPGA）设计，同时适配百度飞桨深度学习框架。根据百度的研发人员观点，赛灵思该款芯片具有灵活性好，有利于算法迭代；其次，该款芯片可以提供充足算力，保持行驶速度；再次，可以满足85℃环境下正常使用的严苛车规级要求。同时，FPGA SOC性能可靠度高，有助于保证自动驾驶的安全。

图30：百度采用的赛灵思FPGA芯片架构

图31：百度ACU-Advanced采用的底层硬件架构

Waymo采用Xeon处理器（CPU）和 Arria FPGA为典型处理方案。2017年英特尔表示自2009年以来一直与谷歌合作开发无人驾驶汽车，同时也与 Waymo 合作，英特尔Waymo后者提供 Xeon处理器、Arria FPGA（用于机器视觉）以及千兆以太网的解决方案，以帮助 Waymo无人汽车实时处理信息。

图32：英特尔Xeon 处理器架构

图33：Arria 10 FPGA架构