解決硬體「老、大、難」問題，本土創業公司讓自動駕駛「硬」起來

新聞 03-19

【圖片來源：Autonomous driving simulators may help reduce driverless anxiety所有者：Boing Boing 】

進入2019年，自動駕駛融資消息不斷湧出，自動駕駛是否又迎來了春暖花開？

隨著Aurora、Nuro、圖森、 May Mobility、地平線等自動駕駛公司拿到巨額融資，可見資本市場並沒有降低對未來自動駕駛的期待。

但從這幾家企業的技術路線來看，它們一直探索的是在自動駕駛領域的軟體升級，以及AI技術如何推動自動駕駛。自動駕駛如何在技術的助力下順利落地，卻很少有集中討論自動駕駛硬體的聲音。但要想自動駕駛技術落地實現產業化，少不了自動駕駛硬體這一利器。

其實，自動駕駛硬體作為基本載體才是「老、大、難」問題，其發展往往會直接影響軟體的進展。

早在2017年，特斯拉 CEO Elon Musk 就改口說，自動駕駛系統有不足或需要更強硬體。

如今有一家以自動駕駛硬體為基礎的創業公司——宏景智駕，2018年剛成立就獲得華登國際、線性資本、高瓴資本、清研資本等數千萬人民幣天使輪投資，同年其自主研發的L3/L4車規級自動駕駛計算平台ECU產品也與兩大主機廠達成了戰略合作。

以硬體撬動自動駕駛

從特斯拉Autopilot 1.0 硬體時代、Autopilot 2.0 硬體時代，Autopilot 2.5 硬體時代、到預計今年發布的Autopilot 3.0 硬體時代。

可以猜測特斯拉的邏輯是：不受限於供應商的技術，先讓最先進的處理器上車，迭代軟體的同時迭代硬體，真正的革命性核心組件自行研發。

對此，擁有多年主機廠技術背景，同時也是宏景智駕聯合創始人的蔡文利解釋道：「軟硬體需要完美的結合。自動駕駛軟體高度複雜和快速迭代，需要強算力、可擴展的硬體設計支持；而且車規級、高可靠性的硬體設計也是自動駕駛落地商業化運行的前提。」

不同於傳統的發動機、變速器控制系統等汽車軟體設計，自動駕駛軟體對硬體算力的需求可以用饑渴來形容。這一方面是由於深度學習等複雜並行計算的部署和複雜路徑規劃等海量數據處理的需求，另一方面也是因為自動駕駛剛剛進入落地階段，尚未充分進行類似傳統汽車電子中的深度嵌入式優化。而且當前軟體演算法仍未徹底定型，迭代進化的速度仍然很快，目前還不能確定硬體算力需求的邊界。

這些因素決定了宏景智駕自動駕駛計算平台的硬體架構不能再依託於傳統的基於MCU微處理器，而是需要設計擴充性好的靈活架構的同時啟用算力強十倍、百倍以上的CPU、GPU或大規模FPGA晶元，為不斷進化的自駕軟體提供充足的計算資源。

同時在演算法軟體研發上，宏景智駕自研的全棧軟體針對感知、融合、定位、規劃、控制、V2X車聯網等不同軟體模塊的計算特點（例如實時性、並行化程度、計算密集程度等）合理地在計算平台內部進行分散式部署，充分調動計算平台內部異構多樣化的多種、多個CPU內核和GPU內核。

這就是宏景智駕自駕計算平台解決方案軟硬體一體化集成設計的原因。蔡文利說，「我們需要具備給客戶提供完整解決方案的能力，區別於傳統車廠更多基於嵌入式軟體的設計和開發模式，公司採用基於服務的SOA(Service Oriented Architecture)軟體架構，進行模塊化設計，實現快速迭代，同時滿足功能安全所要求的開發流程管控、代碼規範和文檔記錄。」

自動駕駛需要怎樣的技術選型？

宏景智駕的創始團隊由數位汽車工程界資深人士組成，來自通用汽車、福特汽車、北汽、德爾福、麥格納等。其研發團隊有來自海外劍橋大學、密歇根大學、清華大學，以及來自百度等互聯網企業。公司總部位於杭州，在上海、蘇州、美國底特律等地設有研發機構。

按照蔡文利的說法，公司定位於自動駕駛領域的Tier 1，其自主研發的L3/L4自動駕駛計算平台全棧軟體和車規級硬體ECU，與供應商協作開發感測器等打包，為車廠提供完整自動駕駛系統解決方案。

據雷鋒網了解，國內自動駕駛方案商的技術路線主要有基於深度學習的車載視覺方案、激光雷達方案、毫米波雷達方案以及多感測器融合方案。

蔡文利認為，一個完備的自動駕駛硬體系統，應該至少包含以下三個最基本的組成：

解決硬體「老、大、難」問題，本土創業公司讓自動駕駛「硬」起來

首先，自動駕駛最基本的硬體組成，就是一部車，並且是具備線控功能的車。其次，自動駕駛硬體系統必要的組成部分是相關的感測器。最後，自動駕駛的計算單元是自駕系統的大腦和中樞。

值得注意的是，其中整個系統級的充分驗證，將是自動駕駛落地的難點。

在當前自動駕駛行業中，對於認證和驗證的環節還沒有統一標準或方法，多數公司都只是在摸索中。

宏景智駕認為，在感知、決策和執行端需要高可靠性，例如這些可靠性累積起來要變成可量化的數字。

蔡文利舉例道，很長的測試里程允許出現一次事故，才能視為比人類駕駛做的更好，自動駕駛要滿足這樣一個要求才能得到人們的信任。把驗證的概念，從單純驗證階段，提前到設計階段，同時在模擬端介入，進行大量模擬，包括實地路測和基於場景的路測。

「模擬測試環節已經融合在宏景自動駕駛系統開發及驗證的V模型開發流程之中」，蔡文利表示，以路徑規劃演算法為例，首先團隊會根據系統的應用需求定義Use Case，然後開展路徑規劃演算法的開發工作。當演算法功能基本實現，功能調試和迭代工作就在公司內部開發的聯合模擬平台上進行。只有當演算法在模擬平台上測試完所有Test Case之後，團隊才會釋放這一演算法並集成到整個軟體之中，然後啟動後續的實際道路測試。另一方面，在經過模擬測試後還可以提取出與系統更加相關更加關鍵的場景，然後進入受控場地和實際道路測試階段。「

自動駕駛需要怎樣的計算平台？

通過以前的項目經驗，蔡文利總結認為：能否提供同時滿足經濟性和性能要求的計算平台，這才是自動駕駛能否從樣車轉向量產車的關鍵因素之一。

目前主流的自動駕駛晶元解決方案主要包括GPU、FPGA、DSP和ASIC四種。其中，憑藉強大的計算能力以及對深度學習應用的有力支持，GPU正逐漸成為自動駕駛技術開發的主流平台解決方案，而以GPU起家的英偉達，在人工智慧技術發展方興未艾之時，就已經先於其他競爭者掌握了先機。目前特斯拉Autopilot所使用的AI處理單元是正是定製版本的英偉達Drive PX 2。

2017年11月，馬斯克帶領的Autopilot硬體工程團隊正在開發專門的ASIC人工智慧晶元。究其背後的原因，人工智慧專用晶元一方面在能耗和成本上能夠得到大幅縮減，另一方面配套軟體和演算法開發的硬體產品，勢必會在效率上有質的提升。但ASIC晶元路線對演算法的成熟度要求高，不如通用型晶元GPU或FPGA靈活，可以隨時更換、升級更好的演算法。

宏景智駕是自研ECU的代表，不過談到自動駕駛，不管是通用晶元還是專用晶元，總歸都是要過了車規才能進入到量產階段。在蔡文利看來，這只是「時間和成本的問題」。

不過蔡文利認為，「等待的時間不會很久。從汽車的角度來講，車內對AI的需求很快將會真正爆發。未來因為ECU計算能力的增強，以及與車輛的完美配合，將會引起行業使用量的暴漲」。

宏景智駕的優勢在於能夠將演算法、架構設計及晶元的實現有效整合，這種能力是獲得市場認可實現長效增長的關鍵。

宏景智駕的自動駕駛計算平台產品是針對高等級輔助駕駛系統和自動駕駛應用場景（SAE L3和L4）開發，完全按照汽車產品開發流程，正向開發的一款滿足L3/L4自動駕駛應用的一款產品；產品開發將分為工程樣件和量產階段的開發，目前處於工程樣件開發階段。

第一代計算平台的主處理器採用了專為自動駕駛打造的車規級高性能CPU晶元；控制和功能安全晶元則用了汽車電子業內的一款成熟的產品；並行計算方面，在工程樣件階段有FPGA和GPU兩種解決方案。車規硬體、故障診斷、功能安全都是自動駕駛真正進入量產的必要條件。

據蔡文利透露，第一代計算平台工程樣件已經設計完成，在製作階段，預計在3月將投入內部測試使用，同時今年內也會完成主要軟體模塊的研發，2019年內宏景和車廠客戶合作開發的自駕車隊就會搭載這款計算平台，進行上路運行測試。

商業化落地的過程是一步一步的系統工程，尤其是對於自動駕駛計算平台這樣的高複雜度、高安全性、高可靠性的核心汽車電子系統。宏景正在一步步落實自己的工程計劃，按照汽車產品工程A樣（功能原型機）、B樣（設計驗證DV）、C樣（產線驗證PV）、SOP（量產）的節奏進行高度專業化的研發和量產準備。同時軟體的成熟，包括功能安全和故障診斷的研發和模擬、路試的大量測試，都是量產落地的必經環節。

落地產業化路徑

對於自動駕駛技術的落地，業界通常認為，高階自動駕駛技術能在某些限定性場景下更早實現商業化應用。封閉高速公路、港口、礦山等，這些具有「電子圍欄」特性的場景很可能是最先實現產業化落地的應用。

目前，宏景與多家車企、物流公司、生態系統合作夥伴合作密切，重點推進自動駕駛技術在自動化貨運物流和高速公路乘用車等領域的落地。

除了要做到業務需求、成本、技術的平衡之外，在產業化的路徑上，蔡文利認為，最需要注意的事情是，對自動駕駛技術要做匹配性的開發。而不是試圖使用一項技術、一種方案去適、匹配所有的主機廠。

在自動駕駛領域，每家企業都有自己獨特的模式。自主研發自動駕駛專用計算平台硬體和全棧軟體，與汽車廠商等合作做匹配性研發，這是宏景智駕的商業模式。

解決硬體「老、大、難」問題，本土創業公司讓自動駕駛「硬」起來