解决硬件“老、大、难”问题，本土创业公司让自动驾驶“硬”起来

雷锋网 • 5年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

【图片来源： Autonomous driving simulators may help reduce driverless anxiety 所有者：Boing Boing 】

进入2019年，自动驾驶融资消息不断涌出，自动驾驶是否又迎来了春暖花开？

随着Aurora、Nuro、图森、 May Mobility、地平线等自动驾驶公司拿到巨额融资，可见资本市场并没有降低对未来自动驾驶的期待。

但从这几家企业的技术路线来看，它们一直探索的是在自动驾驶领域的软件升级，以及AI技术如何推动自动驾驶。自动驾驶如何在技术的助力下顺利落地，却很少有集中讨论自动驾驶硬件的声音。但要想自动驾驶技术落地实现产业化，少不了自动驾驶硬件这一利器。

其实，自动驾驶硬件作为基本载体才是“老、大、难”问题，其发展往往会直接影响软件的进展。

早在2017年，特斯拉 CEO Elon Musk 就改口说，自动驾驶系统有不足或需要更强硬件。

如今有一家以自动驾驶硬件为基础的创业公司——宏景智驾， 2018年刚成立就获得华登国际、线性资本、高瓴资本、清研资本等数千万人民币天使轮投资，同年其自主研发的L3/L4车规级自动驾驶计算平台ECU产品也与两大主机厂达成了战略合作。

以硬件撬动自动驾驶

从特斯拉Autopilot 1.0 硬件时代、Autopilot 2.0 硬件时代，Autopilot 2.5 硬件时代、到预计今年发布的Autopilot 3.0 硬件时代。

可以猜测特斯拉的逻辑是：不受限于供应商的技术，先让最先进的处理器上车，迭代软件的同时迭代硬件，真正的革命性核心组件自行研发。

对此，拥有多年主机厂技术背景，同时也是宏景智驾联合创始人的蔡文利解释道：“ 软硬件需要完美的结合。自动驾驶软件高度复杂和快速迭代，需要强算力、可扩展的硬件设计支持；而且车规级、高可靠性的硬件设计也是自动驾驶落地商业化运行的前提。”

不同于传统的发动机、变速器控制系统等汽车软件设计，自动驾驶软件对硬件算力的需求可以用饥渴来形容。这一方面是由于深度学习等复杂并行计算的部署和复杂路径规划等海量数据处理的需求，另一方面也是因为自动驾驶刚刚进入落地阶段，尚未充分进行类似传统汽车电子中的深度嵌入式优化。而且当前软件算法仍未彻底定型，迭代进化的速度仍然很快，目前还不能确定硬件算力需求的边界。

这些因素决定了宏景智驾自动驾驶计算平台的硬件架构不能再依托于传统的基于MCU微处理器，而是需要设计扩充性好的灵活架构的同时启用算力强十倍、百倍以上的CPU、GPU或大规模FPGA芯片，为不断进化的自驾软件提供充足的计算资源。

同时在算法软件研发上，宏景智驾自研的全栈软件针对感知、融合、定位、规划、控制、V2X车联网等不同软件模块的计算特点（例如实时性、并行化程度、计算密集程度等）合理地在计算平台内部进行分布式部署，充分调动计算平台内部异构多样化的多种、多个CPU内核和GPU内核。

这就是宏景智驾自驾计算平台解决方案软硬件一体化集成设计的原因。蔡文利说，“我们需要具备给客户提供完整解决方案的能力，区别于传统车厂更多基于嵌入式软件的设计和开发模式，公司采用基于服务的SOA(Service Oriented Architecture)软件架构，进行模块化设计，实现快速迭代，同时满足功能安全所要求的开发流程管控、代码规范和文档记录。”

自动驾驶需要怎样的技术选型？

宏景智驾的创始团队由数位汽车工程界资深人士组成，来自通用汽车、福特汽车、北汽、德尔福、麦格纳等。其研发团队有来自海外剑桥大学、密歇根大学、清华大学，以及来自百度等互联网企业。公司总部位于杭州，在上海、苏州、美国底特律等地设有研发机构。

按照蔡文利的说法，公司定位于自动驾驶领域的Tier 1，其自主研发的L3/L4自动驾驶计算平台全栈软件和车规级硬件ECU，与供应商协作开发传感器等打包，为车厂提供完整自动驾驶系统解决方案。

据雷锋网了解，国内自动驾驶方案商的技术路线主要有基于深度学习的车载视觉方案、激光雷达方案、毫米波雷达方案以及多传感器融合方案。

蔡文利认为，一个完备的自动驾驶硬件系统，应该至少包含以下三个最基本的组成：

解决硬件“老、大、难”问题，本土创业公司让自动驾驶“硬”起来

首先，自动驾驶最基本的硬件组成，就是一部车，并且是具备线控功能的车。其次，自动驾驶硬件系统必要的组成部分是相关的传感器。最后，自动驾驶的计算单元是自驾系统的大脑和中枢。

值得注意的是，其中整个系统级的充分验证，将是自动驾驶落地的难点。

在当前自动驾驶行业中，对于认证和验证的环节还没有统一标准或方法，多数公司都只是在摸索中。

宏景智驾认为，在感知、决策和执行端需要高可靠性，例如这些可靠性累积起来要变成可量化的数字。

蔡文利举例道，很长的测试里程允许出现一次事故，才能视为比人类驾驶做的更好，自动驾驶要满足这样一个要求才能得到人们的信任。把验证的概念，从单纯验证阶段，提前到设计阶段，同时在仿真端介入，进行大量仿真，包括实地路测和基于场景的路测。

“仿真测试环节已经融合在宏景自动驾驶系统开发及验证的V模型开发流程之中”，蔡文利表示，以路径规划算法为例，首先团队会根据系统的应用需求定义Use Case，然后开展路径规划算法的开发工作。当算法功能基本实现，功能调试和迭代工作就在公司内部开发的联合仿真平台上进行。只有当算法在仿真平台上测试完所有Test Case之后，团队才会释放这一算法并集成到整个软件之中，然后启动后续的实际道路测试。另一方面，在经过仿真测试后还可以提取出与系统更加相关更加关键的场景，然后进入受控场地和实际道路测试阶段。“

自动驾驶需要怎样的计算平台？

通过以前的项目经验，蔡文利总结认为：能否提供同时满足经济性和性能要求的计算平台，这才是自动驾驶能否从样车转向量产车的关键因素之一。

目前主流的自动驾驶芯片解决方案主要包括GPU、FPGA、DSP和ASIC四种。其中，凭借强大的计算能力以及对深度学习应用的有力支持，GPU正逐渐成为自动驾驶技术开发的主流平台解决方案，而以GPU起家的英伟达，在人工智能技术发展方兴未艾之时，就已经先于其他竞争者掌握了先机。目前特斯拉Autopilot所使用的AI处理单元是正是定制版本的英伟达Drive PX 2。

2017年11月，马斯克带领的Autopilot硬件工程团队正在开发专门的ASIC人工智能芯片。究其背后的原因，人工智能专用芯片一方面在能耗和成本上能够得到大幅缩减，另一方面配套软件和算法开发的硬件产品，势必会在效率上有质的提升。但ASIC芯片路线对算法的成熟度要求高，不如通用型芯片GPU或FPGA灵活，可以随时更换、升级更好的算法。

宏景智驾是自研ECU的代表，不过谈到自动驾驶，不管是通用芯片还是专用芯片，总归都是要过了车规才能进入到量产阶段。在蔡文利看来，这只是“时间和成本的问题”。

不过蔡文利认为，“等待的时间不会很久。从汽车的角度来讲，车内对AI的需求很快将会真正爆发。未来因为ECU计算能力的增强，以及与车辆的完美配合，将会引起行业使用量的暴涨”。

宏景智驾的优势在于能够将算法、架构设计及芯片的实现有效整合，这种能力是获得市场认可实现长效增长的关键。

宏景智驾的自动驾驶计算平台产品是针对高等级辅助驾驶系统和自动驾驶应用场景（SAE L3和L4）开发，完全按照汽车产品开发流程，正向开发的一款满足L3/L4自动驾驶应用的一款产品；产品开发将分为工程样件和量产阶段的开发，目前处于工程样件开发阶段。

第一代计算平台的主处理器采用了专为自动驾驶打造的车规级高性能CPU芯片；控制和功能安全芯片则用了汽车电子业内的一款成熟的产品；并行计算方面，在工程样件阶段有FPGA和GPU两种解决方案。车规硬件、故障诊断、功能安全都是自动驾驶真正进入量产的必要条件。

据蔡文利透露，第一代计算平台工程样件已经设计完成，在制作阶段，预计在3月将投入内部测试使用，同时今年内也会完成主要软件模块的研发，2019年内宏景和车厂客户合作开发的自驾车队就会搭载这款计算平台，进行上路运行测试。

商业化落地的过程是一步一步的系统工程，尤其是对于自动驾驶计算平台这样的高复杂度、高安全性、高可靠性的核心汽车电子系统。宏景正在一步步落实自己的工程计划，按照汽车产品工程A样（功能原型机）、B样（设计验证DV）、C样（产线验证PV）、SOP（量产）的节奏进行高度专业化的研发和量产准备。同时软件的成熟，包括功能安全和故障诊断的研发和仿真、路试的大量测试，都是量产落地的必经环节。