当前位置:首页 > 冰箱 > 文章正文

L3、大年夜模型、照样舱驾一体?自动驾驶控制器的前因效果(2024版)

编辑:[db:作者] 时间:2024-08-25 08:18:22

本文约8,000字,建议收藏阅读

L3、大年夜模型、照样舱驾一体?自动驾驶控制器的前因效果(2024版)

去年上海车展回来写了《自动驾驶域掌握器的来龙去脉2023》,没想到这篇文章居然有四、五万的点击量,也从侧面解释智能驾驶行业确实非常火热。
今年本来北京车展完了就要更新的,但囿于琐事一贯拖更到现在,实在是抱歉。
今年我们连续谈论域控以及三个行业趋势:L3、大模型和舱驾一体,末了我们再大略聊聊车路协同。

#01

行业大势:快速出清、头部聚拢

去年域掌握器的方案可谓是百花齐放,我在写上一篇文章(《自2023》)的时候也以为域掌握器和芯片行业会涌现极大繁荣,不想仅仅一年往后,行业就快速收敛,绝大多数智驾域控方案都惨淡停止,并快速筛选出了行业龙头。
按照前文的逻辑,自动驾驶域控的核心是智驾芯片。
我们先来看看2023年智驾芯片的表现:

图1. 2023年智驾芯片出货量[1]

从2023年的数据可以看出,在海内智驾域控芯片领域,特斯拉和英伟达还是处于一骑绝尘的位置。

比较尴尬的是地平线。
征程5 (J5)虽然位列第三,但出货量只有英伟达Orin-X的不到五分之一 (200,087颗 vs 1,095,019颗)。
其余J5基本依赖空想L7、L8两款车出货(L6 24年第二季度才上市),其他押宝J5的方案商算是赔了个底儿掉,保护费交了不少,钱可是一分没挣到啊。
其余,征程3 (J3)出货量也出乎猜想的不尽人意。
地平线目前只有征程2 (J2),既可做前视一体机、也可以用在座舱监测(DMS)系统中,出货量稳定,可以说是地平线目前唯一一颗商业上取得了成功的芯片。

Mobileye凭借EQ4和EQ5,目前也是中国市场主流的智驾芯片和解决方案供应商。
但未来不出意外的话,基本上会是一个逐渐出清的状态。

上图没有列出被寄予厚望的黑芝麻。
按照黑芝麻自己的说法,截至2023年12月,所有芯片一共卖了15.2万片。
目前A1000芯片在各个项目上终于都能用了,大概从下半年开始出货量会逐渐遇上来?

末了,回顾一下我在《自2023》里放的芯片列表在2024年的样子:

红线划掉的芯片要么已经噶了(比如寒武纪),要么没有量,要么已经不是厂商主推方案,以是不用太关注了。
哎,这个行业便是这么残酷。

其余,在域控层面,多SoC混搭,比如“J3搭配TDA4”等等这种方案,今年也没打出什么水花。
主流车企和Tier1的域控方案还是以单颗或者多颗同型号SoC搭配(比如大疆的双TDA4、空想的双Orin等等)为主。

伴随芯片表现的逐步明晰,智驾供应商也快速向头部聚拢,也就筛选出了业界公认的四强,即地平线、大疆、华为、Momenta。

那么,2024年自动驾驶域掌握器有哪些发展方向呢?

#02

域控支持量产L3自动驾驶?

在海内实现L3自动驾驶一贯都是车圈很热的一个方向,2023年11月四部委联合发布了《关于开展智能网联汽车准入和上路通畅试点事情的关照》,被认为是国家希望推动L3加速落地的一个旗子暗记。
2024年6月4日工信部网站发布《四部门有序开展智能网联汽车准入和上路通畅试点》的关照,确定9家首批智能网联汽车准入和上路通畅试点联合体,更是掀起新一轮热度。

图3. 九家联合体列表,来源工信部网站

不过从利用主体可以很明显看出,第二个试点关照本意绝不是支持OEM做L3量产的,而是让车厂和出行做事商一起,搞类似最近大火的苕萝卜之类这种L4 Robotaxi。

图4. 武汉苕萝卜,来源澎湃新闻

事实上,中国尚未进行L3自动驾驶立法。
全天下目前也仅有欧盟UNECE WP.29 R157一个L3自动驾驶法规,戴姆勒即依据R157搞了Drive Pilot这个L3自动驾驶功能,并在德国和美国上线,正式流传宣传“管撞也管赔”——即承诺Drive Pilot自动驾驶期间发生车祸由戴姆勒负全责。
R157最初把最高时速限定在60km/h,目前已经拓展到了130km/h。

但是!
R157规定从“自动驾驶状态”切换到“人工驾驶状态”的切换韶光是多久呢?10秒!

也便是说,你的宝贝奔驰正在以130km/h的时速自动驾驶,而你正吃着火锅唱着歌,溘然自动驾驶系统故障将要退出,你只有10秒钟韶光放下手里的事情,不雅观察路面并接管飞驰的车辆。

为了写这篇文章,我把R157改动附件的原文又看了一遍,还是10秒没变。
戴姆勒Drive Pilot官方操作手册,也注明了驾驶员要在10秒内接管系统。
但我一贯坚持一个不雅观点:10秒钟的接管韶光是远远不足、也不屈安的,目前这个设定只是对现有技能水平和电子电气架构的妥协。

图5. L3及L3以上自动驾驶域控必须支持FailOperational状态

在功能层面,L3与L2最大的差异是系统故障往后,自动驾驶域掌握器还能掌握汽车连续安全行驶,为驾驶员接管争取韶光。
这种“带故障运行”的状态(上图中的黄色状态)即是功能安全里常说的“Fail-Operational”即“失落效可事情”。
带故障运行的最大韶光便是留给驾驶员的接管韶光。

车辆要实现“Fail-Operational”,首先要在整车电子电气架构上做充足的冗余设计。
如下图所示,常见的冗余包括冗余供电、冗余通信总线、传感器冗余、驱动冗余、6相/12相转向电机、制动实行器备份(例如iBooster+ESP或者IPB+RBU)等等,光在域掌握器层面设计冗余是没用的。

图6. 整车电子电气架构的冗余,来源文献[7]

自动驾驶域掌握器要支持L3,最直接的办法也是备份。
实在业界在这方面的研究由来已久。
比如像下图所示,域控通过板载多颗Safety MCU来实现方案与掌握算法在物理资源上的冗余;最近还有一些供应商提出,在做感知和方案的SoC里按流水线,风雅区分不同核心完身分歧任务,并把核间通信的数据备份存储起来。
这样万一传感器或者哪个核挂了,至少流水线后面的核能利用前一级所备份的数据连续打算一段韶光。

图7. L3域控板级方案:SoC核心的冗余和MCU的冗余,来源文献[7]

那么回到主题。
即便不计投入做到了所有这些,戴姆勒也只能供应10秒的接管韶光,技能上还很有待完善。
考虑到海内造车本钱已经卷到极致,在没有明确利益的使令下,海内OEM是不会盲目提升本钱量产L3系统的。
更何况“人机共驾”显著难于纯自动驾驶是业界共识,L3本身就还有极多运用处景和交互方面的问题须要考虑,离真正成熟还很远。

总而言之,2024年以及未来的一两年内,域掌握器支持L3自动驾驶量产落地,不是主流的发展的方向。

#03

端到端大模型智能驾驶上车

如今该当没有哪个观点比“大模型”更火热了,火到无论做什么事,不扯两句大模型都会显得自己与时期脱节。
拜特斯拉所赐,“端到端大模型”在智能驾驶中的运用在今年(2024)受到了以空想、蔚来、商汤、元戎为代表的各色公司的大力追捧。

图8. 大模型内容已经成了网红们新的流量密码

我们先复习一下。
传统自动驾驶软件可分为感知(Perception)、建图定位(Localization)、方案(Planning)和掌握(Control)几大模块。
出于自身算法特点以及对功能安全的哀求,一样平常“感知”、“建图定位”运行在SoC(ARM A核)中,“掌握”运行在MCU(ARM R或M核)中,而“方案”模块根据算法和打算资源的不同,可以灵巧支配。

图9. 传统智驾算法架构划分(之一):感知、定位、方案、掌握,来源网络

而所谓“端到端”,是指自动驾驶系统像人脑一样,以传感器原始数据为输入,只经由一个模型,就能天生对汽车实行器的详细指令、内部不再拆分身分歧的模块,可以作为一个整体来进行演习和优化,以达到信息无损通报、决策全局最优、系统延时最小,同时系统框架繁芜度显著低落、代码量显著降落。

图10. 端到端自动驾驶大模型,来源网络

实在端到端也不是什么新东西。
早在2016年,英伟达就揭橥过一篇名为"End-to-End Deep Learning for self-driving cars"的文章,谈论了端到端模型运用的可能性。
只是近年来由于特斯拉的自动驾驶技能路线,从HydraNet 到 BEV+Transformer,再到占用网络Occupancy Network,都一向的精确且高效,使业界多少有了些“特斯拉迷信”。
鉴于今年特斯拉“流传宣传”FSD V12运用了端到端大模型, 自然就引领了业界的端到端潮流。

那么端到端大模型是怎么从demo一起演进到真正上车的呢?特斯拉并没有发布自己端到端大模型的技能细节,我借用非常有代表性的空想的大模型PPT来解释一下。

图11. 空想的端到端大模型技能演进,来源文献[9]

可以看出,空想把第一代系统分成了感知、定位、方案、导航、NPN(Neural Prior Net, 先验神经网络),以及没画进来的掌握等部分。
这是一种去高精舆图的自动驾驶算法框架,但大模型还没有运用进来。

用NPN来替代高精舆图,这实在非常像特斯拉“众包采图”的路子。
详细方法如下图示,通过车辆传感器事先多次采集道路信息(多次,以是更完全、无遮挡),再通过神经网络提取出隐性的道路特色中间值(下图中的Road Features),并保存起来作为先验信息。
等下次车辆再通过同一路段时,把这些先验信息和传感器实时采集的道路信息,以及导航高辅舆图做比对,一起参与到BEV构建和方案打算中,终极得到精确的结果。

这个方法的实质是把自车当作舆图丈量车了。
但是由于丈量的只是道路特色值(还是隐性的)而不违反《测绘法》。

图12. 空想NPN算法,来源网络

图13. NPN实时构建路网,来源文献[10]

空想PPT里的第二个阶段,也是目前大部分声称搞“端到端”的公司所处的阶段,是“两段式”大模型。
即感知是一个模型,供应构造化输出;方案部分由原来的“基于规则”演进到“基于数据演习”的大模型,终极的输出是行驶路径,再通过传统的掌握算法(PID、MPC等等)变成实行器掌握指令。

在我看来“两段式”大模型是一种“伪大模型”。
大略而言两个模型在数据传输过程中自然就会发生信息丢失,数据存储也会产生较大冗余,而且无法联合演习、联合优化,没有真正发挥大模型的上风。

现在一些车企流传宣传在单Orin的域控上就能支配这种两段式大模型,如果实车效果确实不错的话,倒是能极大促进大模型上车。

第三个阶段,是单一大模型,也便是把感知模型和方案模型合二为一,由传感器原始输入直接天生行驶路径。
这是一种能够最大化挖掘大模型潜力的办法,但也对域控上芯片的算力有更高的哀求。
单一大模型的上车,可能会触发域控的更新换代。

按照马斯克的定义,空想展示的这种单一大模型,都还不算是端到端,由于它的输出是路径,而不是实行器指令。
不过我以为也没必要较这个真儿,自动驾驶的瓶颈早就不是掌握了,只要方案的行驶路径精确,用经典方法可以丝滑转化成实行器指令,不一定非得为了“端到端”而“端到端”。
再说了,也得给广大规控工程师们留口饭吃,别赶尽杀绝啊!

实在,业界也在疑惑特斯拉有没有真的实现“端到端”,毕竟马斯克放嘴炮也不是一次两次了。
下图是特斯拉在2023年CVPR会议上展示的大模型材料,前一页(图14)和2022年AI Day上展示占用网络时险些是一样的,只是特斯拉强调现在用了一个统一的向量空间,或者说大模型,取代了原来繁芜的内部架构(图15),直接输出交通参与者目标、旗子暗记灯和路面坡度等信息。

图14. 特斯拉展示的自动驾驶大模型架构,来源材料[11]

图15. 用大模型取代原有架构,来源材料[11]

这种做法显然与马斯克说的从“传感器原始数据”到“实行器指令”的“端到端”有出入。
还是希望特斯拉能早日再搞个AI Day活动来详细解答一下吧。

前阵子蔚来的发布会上提出了“天下模型”,被普遍认为是端到端自动驾驶的结局形态。
天下模型的构建意味着AI能够真正的“理解”车辆运行的周围环境,理解统统行为的规则和因果,能够在不经演习的情形下推理做出精确的决策。
天下模型的真正成熟运用还有很长的路要走。

为了支持大模型在域控上支配,芯片厂商也在开拓相应的产品。
大家听到较多的英伟达Thor芯片,集成的Blackwell GPU架构在设计时就考虑了对支配大模型的支持,同时Thor本身算力也比较强大,未来可能会成为端到端智能驾驶域控的主力芯片。

一些二线厂商,比如安霸(Ambarella),也推出了基于CV3-HD架构的N1系列芯片,支持支配多模态大模型,这次北京车展上做了展示。
不过N1不是车规芯片,真要上车的路还很长。

图16. 安霸N1系列芯片支持多模态大模型支配,来源材料[12]

智驾端到端大模型能否终极上车,是一件关乎智驾行业大洗牌的事。
大模型的演习须要巨量算力和本钱支撑,每年的花销数以亿计,绝不是中小公司能承担的。
如果端到端智驾终极被证明可行,那么行业就会快速向几个算力寡头聚拢,同时对工程师的技能栈哀求也会剧烈变革(比如感知领悟、规控这些工程师的需求量会急剧低落),域控的形态、乃至整车电子电气的形态都会因之改变。

但是目前来看,端到端智驾也可能是一件“望山跑去世马”的事:投入很大、硬件本钱很高,终极的效果却可能与传统智驾算法差不多。
而且,从制造噱头的角度,只要智驾算法里用到了大模型——比如“两段式大模型”——你也可以流传宣传自己是端到端。
可能一年往后,所有公司的算法都流传宣传是“端到端”了,但真实情形如何,只有他们自己知道。

另一方面,安全性和可靠性也是挡在端到端智驾的一座大山。
空想在单一大模型之外,还搞了VLM第二系统,这是否有效有待验证;大模型的打算过程是隐式的,不可阐明也不可测,如何知足功能安全同样是个大问题。
这统统都要留待实车表现去回答。

总而言之,未来两年自动驾驶域控支持端到端大模型,会是一个方向,但是存在一定不愿定性。

#04

域控支持舱驾一体

2024年智驾域控另一个演进的主要方向是“舱驾一体”,也便是在一个掌握器上,既实现智能驾驶功能、又实现智能座舱功能。
它的实质是提高软硬件模块的复用性、整体降本。
为了实现这些功能,掌握器必须同时具备座舱图像处理所须要的大GPU算力和智驾须要的大NPU算力,同时还要担保充足的CPU打算资源,以及足够的网关接口,其实有点“既要又要”的意思。

详细实现而言,域控舱驾一体又分为两个阶段:

1. One Box,Two Boards (2019-2023)

顾名思义,这种舱驾一体架构是在一个掌握器(中心域控)中集成一张智驾打算板(PCBA)和一张座舱打算板。
范例例子是特斯拉 HW3.0和HW4.0 。
从下图可看出,HW3.0域控的上层因此AMD Ryzen CPU和AMD Radeon GPU为核心的座舱PCBA(图中的Infotainment ECU,知足座舱掌握和图像处理GPU算力需求),下层因此智驾芯片FSD为核心的智驾PCBA(图中的Autopilot ECU,知足NPU算力需求),他们共用了一套液冷系统。

(HW3.0中GPU因此模组小板的形式涌现的,到了HW4.0中才真正和智驾PCBA领悟在一张板上。

图17. 特斯拉HW3.0 剖面图和形状,来源材料[13]

除了特斯拉,小鹏XEEA3.5架构下的中心打算单元也采取了舱驾一体布局,并且更进一步,把智驾和座舱芯片集成到了一张板上,大幅提高了集成度。
其他厂商包括德赛西威、零束科技、亿咖通等也有相应的方案和产品落地。

图18. 零束跨域领悟掌握器ZXD1,来源材料[14]

2. One Box,One Chip (2024 - )

进入2024年,迫于进一步降本的压力,舱驾一体开始快速向着“一片SoC同时实现座舱和智驾”的方向落地。
代表性的SoC包括英伟达Drive Thor,高通Snapdragon Ride Flex平台的首款芯片SA8775以及黑芝麻“武当”C1200系列芯片。

部分舱驾一体SoC一览:

序号

公司

芯片

算力(TOPS)

制程(nm)

量产韶光

拟搭载车型

1

英伟达

Drive Thor

1000-2000

4

2025

极氪等

2

高通

SA8775P

72

4

2024

哪吒

3

黑芝麻

C1296

<100

7

2024

未表露

以上几款芯片目前都有较明确的上车量产操持,但展现的思路却不尽相同。
行业老大英伟达更方向于“一步到位”,真正意义上利用一片芯片完成“座舱+高阶智驾的所有功能”,而高通和黑芝麻则选择“小步快跑”,从“座舱+一部分智驾功能”入局。

图19. C1296,北京车展实拍。
话说这物料上明显有个错别字...

图20. 集成了座舱和智驾功能的高通SA8775P, 来源材料15

前面提到了,舱驾一体的紧张收益是降本,但面临的问题也是突出的:

首先是舱驾领悟使软件整合繁芜度显著上升。
以黑芝麻/均联智行展示的C1296开拓工具链为例,全体软件系统要掌握多个隔离的MPU、实时MCU、网关、安全岛,通过虚拟化来支配不同的操作系统等,核间通信是很大的寻衅,整体稳定性和实时性如何担保也是个难题。
另一方面,目前车企的人力组织架构普遍也是舱、驾分离的,部门墙一定会对舱驾一体产生阻力。
舱驾一体的推进意味着组织架构也要进行调度,而这每每会比技能寻衅更难以办理。

图21. C1296的配套软件开拓工具链,北京车展摄

从目前市场情形来看,竞争日趋白热化,降本还是压倒统统的紧张任务。
以是各个车企都对舱驾一体如蚁附膻。
已官宣未来车型将利用Thor的车企包括空想、比亚迪、小米、百度(极越)、广汽(昊铂)、吉利(极氪)、长安、长城、小鹏,Tier1包括德赛、遐想等等;高通SA8775的互助方大概多,OEM包括哪吒,Tier 1涵盖中科创达、车联天下、博世、航盛、华阳、大疆、镁佳等等。
除此之外开展舱驾一体预研项目的车企就更多了。

组织架构方面,比亚迪被曝今年成立智能化技能研究院整合座舱和智驾研发,而博世在更早就布局了座舱和智驾的研发力量整合。
相信未来会有更多车企顺应这个潮流。

可以比较确信的说,舱驾一体一定是未来两年域掌握器的发展方向。

#05

端到端大模型和舱驾一体冲突吗?

先小结一下,从前文的剖析来看,未来域控支持端到端大模型可能是个方向,而支持舱驾一体一定是发展方向。
那么我们自然会思考:这两个方向相互冲突吗?

目前智驾域控领域经由多年厮杀,已经分解出了三个不同的市场。
实在打开地平线的主页,也能看到它分了三个智驾产品线,大致对应了这三个市场。

(但地平线应对不同市场的详细方案,除了J2以外从商业上来说都是失落败的。

图22. 地平线的智驾产品划分:Mono, Pilot, SuperDrive

这些内容《自2023》里有提到过,再重复一下。
智能驾驶紧张市场一览:

特色/市场

AI算力(T)

掌握器形式

智驾系统本钱(公民币元)

搭载车型价格区间(公民币万元)

实现的功能

实例

低算力市场

5旁边

前视一体机

1000-2000

<15,或中端车型的托钵人版

基本L2主动安全、停车赞助(独立掌握器)

吉利帝豪S,问界M5非华为智驾版

中算力市场

10-150

域控

3000-5000

15-25

主动安全+高速NOA+自动/影象停车

途不雅观L Pro

高算力市场

>200

域控

>5000

>25

主动安全+城市NOA+AVP

问界新M7

鉴于端到端大模型高额的演习本钱,以及域控本身本钱所限,端到端智驾是无法进入中、低算力市场的。
而无论高、中、低算力市场,都可以通过舱驾一体的办法来进一步降本。

这就意味着,英伟达选择的“一步到位”模式,既可以支持端到端智驾,又能够实现舱驾一体;而高通和黑芝麻投身的“小步快跑”模式,由于算力的缺失落,目前天然就已放弃端到端了。
其他“One Box, Two Boards”的舱驾一体方案,由于配置比较灵巧,可根据车企的技能路线(是否发展端到端)将不同芯片自由组合。
以是从这个意义上来说,端到端大模型智驾和舱驾一体是不冲突的。

#06

总结和其他

除了以上的方向,自动驾驶域掌握器还有一个大的方向便是支持车路协同。
特殊是上个月国家公布了车路云一体化试点城市往后,车路协同这个领域又热了起来。
但目前车路协同的培植重点还是倾向于路侧根本举动步伐。
车侧在2024年还不会是发展的热点,大概明年写《自2025》的时候,车路协同会是浓墨重彩的一笔。

那么,总结以上,自动驾驶域掌握器的2024-2025:

不会向支持L3落地的方向发展;

会支持端到端自动驾驶,但这个方向有一定不愿定性;

主流方向是支持舱驾一体落地量产。

好了大家明年见。
我要玩《黑神话:悟空》去了。

参考:

1.^https://auto.gasgoo.com/news/202402/27I70383513C601.shtml

2.^https://m.gxfin.com/article/finance/cj/default/2024-07-04/6137010.html

3.^https://unece.org/sites/default/files/2023-12/R157e.pdf

4.^https://unece.org/media/press/368227

5.^https://unece.org/sites/default/files/2022-05/ECE-TRANS-WP.29-2022-59r1e.pdf

6.^https://www.mbusa.com/content/dam/mb-nafta/us/owners/drive-pilot/S-Class%20DRIVE%20PILOT%20Supplement.pdf

7.^https://www.sae.org/publications/technical-papers/content/2021-01-0068/

8.^https://developer.nvidia.com/blog/deep-learning-self-driving-cars/

9.^https://chedongxi.com/p/322978.html

10.^https://tsinghua-mars-lab.github.io/neural_map_prior/

11.^https://www.youtube.com/watch?v=OKDRsVXv49A

12.^https://finance.yahoo.com/news/ambarella-brings-generative-ai-capabilities-100000974.html

13.^https://www.eetasia.com/teslas-hardware-retrofits-for-model-3/

14.^https://www.sohu.com/a/765313030_376050

15.^https://www.qualcomm.com/news/onq/2023/01/snapdragon-ride-flex-soc-central-compute-solution-bringing-software-defined-vehicle-vision-to-reality

16.^http://auto.cnfol.com/cheshidongtai/20240226/30627656.shtml

17.^https://cpnn.com.cn/news/hg/202407/t20240704_1716823.html

/ END /

汽车电子与软件

每天分享一篇技能文章!

欢迎关注,小编微信:btighteast

本站所发布的文字与图片素材为非商业目的改编或整理,版权归原作者所有,如侵权或涉及违法,请联系我们删除,如需转载请保留原文地址:http://www.baanla.com/bx/192346.html

XML地图 | 自定链接

Copyright 2005-20203 www.baidu.com 版权所有 | 琼ICP备2023011765号-4 | 统计代码

声明:本站所有内容均只可用于学习参考,信息与图片素材来源于互联网,如内容侵权与违规,请与本站联系,将在三个工作日内处理,联系邮箱:123456789@qq.com