自动驾驶软硬一体演进趋势研究报告.pdf

概述自动驾驶软硬一体演进趋势研究报告软硬一体化是一种产品设计模式，它将软件和硬件系统集成在一起，以提高系统效率和性能。这种设计模式使得在硬件上进行软件的优化和协作变得更加容易，从而达到更高的性能、更低的功耗、更低的延迟和更加紧密的结合。软硬一体又可分两种不同模式：1）像苹果一样，自己完成从芯片到操作系统及其他核心软件的研发；2）像 PC 产业 Windows+Intel，以及智能手机产业的安卓+ARM，操作系统厂商与芯片厂商深度绑定。前者我们称为“重软硬一体”，而后者则是“轻软硬一体”。这两类，都是通过软硬一体的战略获得共赢的典型代表。在自动驾驶领域，特斯拉，从早期采用 Mobileye 的软硬一体解决方案，到采用英伟达的芯片+自研算法的软硬解耦方案，再逐步过渡到基于自研的芯片以及自研智驾算法的“重软硬一体”策略，引领了行业潮流。可见，同一家公司在不同阶段会有软硬解耦或软硬一体的不同选择，具有很强的灵活性。国内的诸多自动驾驶芯片以及算法供应商在经历了初期的百花齐放，如今经过市场的筛选，已经有几家公司确立了“头部”地位。当前，整体的产业模式也从初期软硬解耦和软硬一体两种思路的巨大分歧逐步收敛至软硬一体方案，并围绕这种模式建立业态以及利益分配链条。在当前市场上不同案例并存的情况下，本报告会对软硬一体给出详细的定义，并分析其出现的成因，以及对未来行业在软硬一体方向发展趋势进行预测。01自动驾驶软硬一体演进趋势研究报告概述01软硬一体定义及行业现状分析 1.1 软硬一体定义 1.2 软硬一体方案为何成为行业的主流选择？1.3 供应商的软硬一体策略 1.4 整车厂的软硬一体策略 02软硬一体开发能力分析 2.1 智驾系统算法架构 2.2 智驾域控芯片架构 2.3 智驾域控系统底层软件03自动驾驶赛道公司概况 3.1 主流芯片厂商 3.2 整车厂 3.3 软件 Tier104行业未来发展趋势 4.1 软硬一体的综合趋势 4.2 自动驾驶赛道玩家未来的道路选择 4.3 端到端算法对软硬一体未来趋势的影响 4.4 舱驾一体对软硬一体未来趋势的影响 4.5 具身赛道软硬一体的未来趋势 4.6 趋势总结【附录】软硬件一体的现状调查本报告访谈和编写项目组特别声明0404060911131314171919232729303234353536394344内容目录自动驾驶软硬一体演进趋势研究报告图示 1：智驾系统的不同合作模式图示 2：英伟达和特斯拉主力自动驾驶芯片参数和成本结构对比图示 3：软硬一体是否能带来成本优势？图示 4：回顾历史，摩尔定律是支撑 PC 端出现通用芯片的底层原因图示 5：软硬一体的方案优势对比及 Tier2 厂家未来生存空间调研图示 6：车载智能计算基础平台参考架构图示 7：典型的车载芯片分布图示 8：不同芯片类型优劣势对比图示 9：英伟达最新的 Thor 芯片可达接近 2000 TOPS 算力图示 10：Thor 可被配置为支持多种模式图示 11：地平线征程系列芯片图示 12：高通骁龙 Ride 芯片架构图示 13：特斯拉 BEV 网络架构图示 14：蔚来的神玑芯片参数图示 15：小鹏发布图灵芯片图示 16：影响软硬一体策略判定的三要素图示 17：以手机行业的软硬一体发展趋势为参考图示 18：软硬一体发展趋势及驱动因素调研图示 19：全栈自研是否会成为成为未来整车厂的主流趋势?图示 20：构建生态是否是芯片行业成功的必要途径?图示 21：软硬一体方案是最优的方案么?040708091113151620202122232526293031323437图示目录自动驾驶软硬一体演进趋势研究报告1.1 软硬一体定义尽管软硬一体已经成了行业内很多领先玩家的重要战略，但是目前仍没有对软硬一体给出有效的定义，本报告尝试给出一个对于软硬一体讨论范畴的定义。首先，软硬一体中的“软件”，主要指的是智能驾驶系统的软件和算法，其中可能包括应用层、中间件、操作系统等。当我们讨论软硬一体相关公司时，“软件基因的公司”通常是指有较强算法能力和壁垒的公司。虽然智能驾驶系统中的硬件包括了各类传感器、高性能计算芯片、域控制器以及围绕核心计算芯片的其他芯片和电子元器件，但是大部分行业专家都认为，软硬一体范畴中的“硬件”，主要讨论的是对象是高性能计算芯片。虽然软件和硬件的概念都相对清晰，但是“软硬一体”在智能驾驶系统的语境下，却很难给出一个单一的标准界定。我们认为，软硬一体讨论的对象是自动驾驶公司及要做自动驾驶的芯片厂商以及主机厂，描述的是公司具备的软硬件协同的研发能力和开发模式。基于软硬一体的能力和开发模式，公司可以提供软硬一体的产品。1.软硬一体定义及行业现状分析软硬一体定义及行业现状分析图示 1：智驾系统的不同合作模式图源：辰韬资本04自动驾驶软硬一体演进趋势研究报告以上三个案例展示了几种业界比较典型的自动驾驶领域公司提供软硬一体产品的模式：1.最极致的软硬一体模式是由同一个公司完成芯片、算法、操作系统/中间件的全栈开发，芯片厂商同时也是整体解决方案提供方，或者，整体解决方案商也自己做芯片。这方面的典型例子包括海外的 Mobileye、特斯拉、Nvidia（开发中）以及国内的华为、地平线、Momenta（开发中）等。这样做的好处是，公司通过垂直整合拥有了最大程度的自主权，可以将软硬一体的性能和效率优势发挥到极致。在这类模式中，软与硬两部分结合最紧密、耦合最严重，为了与接下来的第二种模式相区分，这里我们将其定义为“重软硬一体”模式。2.部分自动驾驶解决方案公司，虽然采用第三方的芯片，但是在该款特定芯片上具备极致的优化能力和丰富的产品化交付经验，能够最大化发挥该款芯片的潜能。这方面的典型案例包括卓驭（大疆）、Momenta 等。这样做的好处是通过合理分工节省了大量芯片和硬件研发投入，但是对公司在某款/某系列芯片上进行软件优化和部署的能力提出了很高的要求。这种模式需要解决方案公司与芯片方密切配合，但是耦合程度不如模式一紧密，所以我们将其定义为“轻软硬一体”模式。3.部分具备软硬件全栈能力的公司，会将软硬件耦合最紧密的部分（通常是感知算法和 SOC 芯片）作为标准产品提供，而其他模块则由生态合作伙伴（如域控制器硬件公司、规控算法公司等）完成，这种模式可以看作是第一种模式的衍生，由于给下游客户提供了更大的自主权和灵活性，因而更容易得到部分主机厂客户的青睐。值得一提的是，这类合作模式中涉及到的生态合作伙伴公司，并不能被划分为软硬一体公司，因为其中软硬件耦合的核心环节并不由他们掌控。当然，自动驾驶领域的软硬一体开发模式还有很多其他形态。我们通过以上三个定义可以看到：尽管软硬一体的核心要素是软件和 SoC 芯片如何耦合，但无论是从算法、操作系统到芯片的全栈能力带来的完全垂直整合，还是基于第三方芯片进行极致的软硬件协同优化，都可以实现软硬一体的目的。需要注意的是，公司采用的是软硬一体还是软硬解耦战略，这个判定并非绝对，而是相对的。比如，英伟达为自己的芯片开发算法，这是软硬一体；而某个算法公司一直基于英伟达芯片提供解决方案，基于英伟达芯片进行深度适配，这也是软硬一体。在本报告中，我们将前者归类为“重软硬一体”，将后者归为“轻软硬一体”。从另一角度看，英伟达的芯片可以跟多家的算法适配，这就属于软硬解耦策略。再比如，地平线在 J2 及 J3 时代是“重软硬一体”，因为在这个阶段，芯片上集成的都是地平线自己开发的感知算法；而 J5 时代则变为软硬解耦（由生态合作伙伴做算法，对地平线来说就是软硬解耦）和“重软硬一体”（自己做算法，软硬一体定义及行业现状分析05如理想的项目）并行。类似的是，J6 的旗舰版 J6P 的落地，在短期内会是“重软硬一体”模式（算法由地平线自己开发），待后续有软件 Tier1 或车企基于 J6P做算法后，则又走向软硬解耦的路线；对长期使用 J6P 的软件 Tier1 或车企来说，则是“轻软硬一体”。再比如，一家主机厂或算法公司从供应商的芯片切换到自研芯片的过程，也属于软硬解耦；但切换完成后，则又是“重软硬一体”。最后，为了明确本报告讨论的范围，我们也需要澄清哪些能力并不是软硬一体所需要的，或者哪些公司不应该被定义为软硬一体公司。例如：以域控制器的设计和生产、包括部分底层软件（如驱动、诊断等）开发为核心能力而不具备智驾核心算法开发和部署能力的公司，并不属于软硬一体公司。关于软硬一体涉及的能力，本报告将在第二章软硬一体开发能力分析中详细讨论。自动驾驶软硬一体演进趋势研究报告软硬一体定义及行业现状分析061.2 软硬一体方案为何成为行业的主流选择？对于汽车行业本身，早期的 ADAS，动力系统以及底盘系统都带有很强的软硬一体的痕迹，上一代 Tier1 领域的霸主博世更是从芯片到控制器再到软件算法实现了全环节交付。而在自动驾驶兴起后，深度学习算法成为行业感知模块的通用解决方案，传统的芯片架构已经无法支持实时感知需要的大量并行计算能力。英伟达则通过移植其在通用 GPU 上的能力，先后发布了 DrivePX,DrivePX2,DriveAGXXavier以及 DriveAGXOrin 四代自动驾驶平台，希望通过提供通用平台的方式支持其芯片在自动驾驶领域落地。然而，这种硬件解耦的方式操作起来却并不成功关键原因在于，其平台的通用特性导致其芯片在算力利用效率以及功耗方面这两个 OEM 非常关注的指标上均表现不佳，同时价格也比较昂贵，只能用于支持高端车型的智驾方案。与之相反的是，特斯拉在与英伟达分道扬镳之后，基于其自研的 FSD 芯片，做到了极致的软硬一体化。它能非常高效地用处理硬件的算法去完成一些任务，从而极好地控制了芯片的功耗、面积及成本。因为，类似于苹果自研的 M 系列芯片，特斯拉针对自己的应用需求去对芯片做了架构上的剪裁，从而使整个底层硬件的计算资源能够做到更高的利用率。作为对比，特斯拉自研的 FSD 芯片尽管在工艺上跟英伟达 orin 具有一代的差距，因而，芯片的代工成本上仅为后者的三分之一，但是在整体功能实现效果上却表现更优（尤其是，在端到端领域，特斯拉在整体表现上更有优势）。图示 2：英伟达和特斯拉主力自动驾驶芯片参数和成本结构对比图源：佐思汽车研究，辰韬资本整理芯片厂商英伟达特斯拉芯片型号OrinThorFSDChip1(HW3)FSDChip2(HW4)SOP 时间2021TBD20192023支持功能/车型理想 L 系列车型：两块 Orin 芯片支持城市 NOA，可部署端到端大模型蔚来品牌全系：四块 Orin 芯片支持城市 NOA，可部署端到端模型TBDModelS/X/Y两块芯片支持 FSDv12，可部署端到端模型NPU总算力(TOPS)254200073.7121.65DieSize(平方毫米)455800（估计）260450（估计）制造工艺（纳米）84147代工厂三星台积电三星三星芯片代工成本（美元）602502070封测成本（美元）251201035合计成本8537030105一次性流片成本（估算）（美元）301001030含毛利率的销售价格（美元）2751157NANA与特斯拉类似，所有走“重软硬一体”路线的公司都可以针对自己的算法及架构特点构建平台体系，并以此为基础开发其他模块。无论是算法对于传感器，算法对于主芯片，抑或是中间件及底软对于芯片的整个相关性的设计都可以形成平台，并自此基础之上不断的迭代优化。特别需要强调的是，对苹果和特斯拉来说，“算法是平台”。“算法是平台”这一观点，跟主流的认知截然相反，因为，在自动驾驶行业里，尤其是被硬件思维主导的车企管理层的认知里，只有芯片才是“平台”，算法应该“跟着芯片走”。算法本身可被看作平台的核心原因是：算法是连接传感器/自动驾驶软硬一体演进趋势研究报告软硬一体定义及行业现状分析07 自动驾驶软硬一体演进趋势研究报告软硬一体定义及行业现状分析数据/功能/应用及底层芯片的“链主”，因而，将算法视作平台并提供相应的迭代机制，就可以让原本只能割裂开发的各个环节（如芯片和最终实现功能之间）之间实现有机的连接。作为对比，如果将芯片作为平台，则无法实现各环节之间的有效连接。苹果与特斯拉这类公司搭建起以算法为“链主”的平台的好处包括：可以提升开发效率；能够提升开发质量；系统侧的成本也会越来越低在整个量产落地的过程中，顺畅度及解决问题的效率都会大大提升。这种成本优势引导行业走向软硬一体的路线基本也得到了业界的共识，通过对行业内 28 名专家的访谈和调研我们可以看到，有 25 位专家认为通过软硬一体的模式确实能够为企业带来足够的成本优势。图示 3：软硬一体是否能带来成本优势？图源：辰韬资本与苹果及特斯拉模式相对的是，走“轻软硬一体”路线的公司则会基于自身的算法选择供应商或合作伙伴的芯片来做适配。在产业早期，市场上可选择的芯片较少，同时芯片算力的增长不能适配算法需求的增长时，他们也会针对性的对自研算法进行调整来配合芯片。而随着芯片算力遵循摩尔定律不断增长，当其能力远大于算法所需算力之后，这种针对性的优化和适配的工作会逐步减少，让软硬一体的程度变得更轻，因而耦合度进一步降低，甚至可能会走向软硬解耦。08软硬一体是否能带来成本优势？（单位：人）图示 4：回顾历史，摩尔定律是支撑 PC 端出现通用芯片的底层原因图源：Karl Rupp Blog:40 Years of Microprocessor Trend Data|Karl Rupp1.3 供应商的软硬一体策略1.3.1 芯片公司采用软硬一体策略的核心原因软硬一体的根基是芯片。目前看到的自动驾驶主芯片的主要架构是在 ARM 体系结构上搭载 CPU 及NPU，其中，CPU 作为通用的计算芯片，目前已经实现了很好的软硬解耦，但针对深度学习的 NPU 部分，还需要针对主流的量产算法进行定制化设计，使其利用率更高、且整体平衡性更好。因为，自动驾驶算法对于芯片的不同处理单元会有不同的需求，若需求与处理单元提供的能力不能吻合，就导致资源不均衡或者需要频繁的移动数据，进而造成额外的开销，并导致整体效率下降。传统芯片厂商往往会收集现行市场上所有客户的需求，然后进行梳理，并提前几年把所有的需求都汇总到芯片的研发计划当中。然而，由于目前行业对自动09自动驾驶软硬一体演进趋势研究报告软硬一体定义及行业现状分析驾驶算法的认知参差不齐，且基于当前需求进行未来产品设计具有明显的滞后性，所以，传统芯片厂商的产品规划思路对自动驾驶芯片厂商参考价值有限。地平线作为采用软硬一体策略的自动驾驶芯片公司的典型代表，虽然同样会做对整个行业的分析，但其关注点更多集中在 AI 模型及算法上，判断哪些会是未来的趋势，甚至会投入研究人员进行算法的自研，进而引导这种趋势。所以，地平线的芯片设计团队在指令架构、内存带宽配比、NPU 支持的算子形态等方面可以从算法团队获得精确输入，然后再针对自己的算法以及对于功能的理解去设计芯片。以这种方式设计出来的芯片，地平线自己推荐的算法的加速或者计算效率会非常高。当芯片推向市场时，地平线会尽量推荐客户采用自己定义的算法方案，这样才能取得更好的效果。这种方案的弊端是，客户或合作伙伴如要自己开发算法，那么整个网络设计的架构、算法的设计开发对于芯片的要求是不同的，在这种情况下，地平线自己设计的芯片就难以发挥出优势。1.3.2 软件 Tier1 们的软硬一体模式，因芯片类型的不同而有所差异软件 Tier1 针对平台型和专用型芯片厂商的产品的不同特点，会倾向于采用不同的软硬一体模式。目前，智驾赛道主流的芯片厂商可以分为平台型及专用型两大类：1.平台型芯片厂商的典型代表是华为及英伟达，他们的 GPU 或 NPU 芯片以PC 端为基础，进行适配从而成为自动驾驶需要的车规芯片。这种迁移导致这类芯片天生具有更强的通用性。由于硬件已经按照平台化的要求进行了提前设计，所以，他们的芯片无法和车端算法 100%适配，这会给芯片带来一些性能上的损耗；不过，优点是能够支持的算法范围更宽。2.专用型芯片厂商更多是算法主导，比如说像地平线或者是 Mobileye，在芯片定义之初就为了满足算法需求方案进行了专门的优化，具体的开发流程在 1.3.1中已经有过描述。针对对新算法的支持性比较好的平台型芯片产品，软件 Tier1 往往会采用较为领先和前瞻型的解决方案，在域控的设计上也会给算力留有比较多的裕量。这就意味着，这些解决方案的硬件成本往往较高，因而仅适合对于成本不太敏感的高端车型。但对软件 Tier1 来说，这种芯片的通用性意味着其存在软硬件解耦的空间，从一款平台型芯片转换到另一款平台型芯片的适配成本较小，其迁移成本往往会在可接受的范围内。自动驾驶软硬一体演进趋势研究报告软硬一体定义及行业现状分析10针对更适合于成熟解决方案的专用型芯片产品，软件 Tier1 可发挥的空间有限。但如果芯片厂商愿意以开放的心态跟软件 Tier1 合作，那软件 Tier1 就有机会通过跟该芯片厂商绑定，基于其芯片对自己的是算法做深度优化，打造出“轻软硬一体”的模式（如轻舟智航跟地平线的合作）。这种方案的优势在于具有效率及成本优势，可以支持对价格更为敏感的中低端车型，因而，对于算法已比较成熟的软件 Tier1 来说是非常好的选择。在这种模式下，除非有必要切换整个算法解决方案，否则软件 Tier1 进行软硬解耦的意愿会很弱，因为，切换芯片的成本会特别高。在报告的前期调研中，针对行业内所有参与者的竞争优势以及生存空间，大部分受访者认为，芯片厂商及软件厂商在软硬一体方案下各具优势，差距不大；而超过三分之二的人认为，Tier2 软件厂商不一定要依赖硬件产品生存，不过生存空间较小，只能集中在一些特定领域。（见下图）图示 5：软硬一体的方案优势对比及 Tier2 厂家未来生存空间调研图源：辰韬资本自动驾驶软硬一体演进趋势研究报告软硬一体定义及行业现状分析11软硬一体的方案下谁更有优势?（单位：人）无硬件产品的 Tier2 厂家未来是否有生存空间?（单位：人）1.4 整车厂的软硬一体策略目前，整车厂中对“重软硬一体”策略执行得最彻底也最成功的就是特斯拉。有特斯拉珠玉在前，国内的蔚小理以及比亚迪也在朝着软硬一体的方向努力。相比于芯片自研，算法自研的前期投入少，并且对产品力的影响大，所以所有重软硬一体的整车厂都经历了“先算法后芯片”的递进过程。自动驾驶软硬一体演进趋势研究报告软硬一体定义及行业现状分析12首先，在自动驾驶算法方面，OEM 自研已经成为一个不可忽视的趋势。主机厂对智驾算法的投入主要基于两个方面考虑：1）自我定位是自动驾驶公司，所以自动驾驶作为核心功能必须自研；2）自我定位是传统 OEM，自研更多是基于对于自动驾驶算法可控的考虑，这样可以保证供应链安全。由于主机厂在数据及方案选择权上有着非常明显的优势，在未来自动驾驶 L3 或 L4 的的渗透率达到30%，甚至更高水平的时候，同时，若主机厂内部管理层的软件思维也足够强、企业文化足以支撑软件研发，主机厂就会更加倾向自研算法。基于算法的自研或可控，整车厂是否要选择“重软硬一体”的策略，一般会从成本和配置的角度采取不同策略：1）针对低阶智驾配置方案，整车厂倾向于采用供应商提供的“重软硬一体”方案（比亚迪可能会成为例外），而高阶智驾配置则更多的寻求算法自研，在自身体系无法支撑自研的情况下，会通过寻求外部合作及消化吸收为内部能力的方式来推进；2）针对芯片方向，因为研发芯片需要在人才资金方面有很大的前期投入，只有体量较大且现金流较为充裕的主机厂才有能力涉足芯片设计领域。国内的主机厂中目前蔚来、小鹏和吉利已经流片成功，而理想和比亚迪也都做出了自己芯片开发的计划，但是因为以上几家的芯片产品目前还没有整车厂的芯片达到量产装车的状态，采用“重软硬一体”策略的具体效果还有待进一步验证。由于有特斯拉的成功案例，目前行业普遍的看法是，整车厂做“重软硬一体”具备可行性，但是考虑到中国每年 20003000 万的销售总量，最终只有行业头部几家整车厂可能会具备采用“重软硬一体”方案的条件。关于芯片研发的盈亏平衡点，我们可以基于以下简易模型做粗略估算：以7nm 制程、100+TOPS 的高性能 SoC 为例，其研发成本高于 1 亿美元（包含人力成本、流片费用、封测费用、IP 授权费用等等），若以售价 100 美元、毛利率50%计算，其盈亏平衡点为 200 万片芯片出货量。当然，芯片研发的盈亏平衡点受到制程、售价、研发投入等多方面影响，行业普遍认为，自研芯片的年需求量若低于 100 万片，很难具备经济性。考虑到当前自动驾驶行业的技术方案和芯片架构几乎每三年发生一次重大升级，自研芯片的库存需要控制到极低水平方可，因而，部分车企的自研芯片也在寻求更加广泛的生态联盟来实现盈利。自动驾驶软硬一体演进趋势研究报告软硬一体开发能力分析132.1 智驾系统算法架构 典型的智驾系统包括感知、定位、预测、决策规划及控制模块：感知模块（Perception）上一代感知算法更多基于 CNN 卷积神经网络实现，所以，软硬一体的芯片厂商在设计上会针对 CNN 卷积神经网络进行很多优化。当前，随着感知模块逐虽然软硬一体的方案能够为企业带来成本上的巨大优势以及更广阔的生存空间，但是它对于对于企业在技术能力上提出了更为苛刻的要求执行软硬一体战略的企业必须在算法、芯片（重软硬一体）以及中间件和底软等领域有着深度的技术积累和工程经验。2.软硬一体开发能力分析图示 6：车载智能计算基础平台参考架构来源：车载智能计算基础平台参考架构 2.0（2023 年）步演进为基于注意力架构的 ViT 模型以及无注意力的 Mamba 模型的趋势，芯片厂商需要针对性地进行芯片设计上的优化并搭建相应生态，这将会对未来的行业软硬一体格局产生深刻影响。预测模块（Prediction）随着 BEV+Transformer 技术方案大行其道，通过 spatialattention 的信息关联方式获得更准确的预测信息成为目前最主流的预测技术，这也解决了之前的预测算法输出结果不够平滑的问题。和感知及融合模块类似，目前的算法同样也要求计算芯片能够针对 Transformer 提供足够的优化，并且需要更多的算力支持。决策与规划模块（Decision and Planning）受制于技术方案决定的能力上限，传统的决策方法在解决复杂场景时表现不佳，目前的主要趋势是将决策规划模块神经网络化，进而实现模块化的端到端，最终向 onemodel 端到端的解决方案转化，这个转化会带来神经网络的计算量较大的提升，这也对目前智驾芯片的算力和性能提出了一定要求。除此之外，为了解决端到端方案的可解释性问题，目前行业内也提出采用车端多模态大模型来输出场景描述和判断逻辑。这种用于决策的车端多模态大模型的引入，一方面会导致车端计算量的急剧上升，另一方面也需要芯片厂商基于大模型进行相应的优化及设计，这些都会对未来行业软硬一体的发展格局造成一定影响。控制模块（Control）传统控制算法主要运行在 MCU 上，所以对于我们讨论的域控的中央芯片的影响较小。此外目前也有部分端到端算法将控制算法融合进大模型的架构，会引起计算量的微小提升，但这些都对软硬一体格局的影响不大。自动驾驶软硬一体演进趋势研究报告软硬一体开发能力分析142.2 智驾域控系统硬件架构目前车规级的智驾芯片基本都属于 SoC 范畴，其集成了包括多个处理器、存储器和其他部件在内的较完整的信息处理系统的半导体芯片，一般这些处理器具有异构的特性。从软件层面来说它可以存放并运行系统级别的代码，即可以运行操作系统，也会包含多个处理器，通常具有“CPU+XPU”的多核架构，例如可拆解为 CPU+GPU+DSP+NPU+存储+接口单元。相比于传统的车载芯片，自动驾驶 SoC 芯片的算力有了数量级的提升，并且，自动驾驶 SoC 芯片上通常需要集成除 CPU 之外的一个或多个 XPU 来做 AI 运算。用来做 AI 运算的 XPU 可选择 GPU/FPGA/ASIC 等。自动驾驶软硬一体演进趋势研究报告软硬一体开发能力分析15图示 7：典型的车载芯片分布图源：辰韬资本座舱1.空调2.HMI3.座椅动力系统1.发动机控制2.发动机管理系统3.传动系统4.冷却系统车身1.车门控制2.车身控制3.后备箱控制4.灯光底盘及安全1.悬架2.制动3.驻车4.EPS5.气囊远程及通信1.网关2.V2X3.OTA目前，市场上主流的自动驾驶 SoC 芯片的处理器架构方案(或称技术路线)有以下三种：自动驾驶软硬一体演进趋势研究报告软硬一体开发能力分析16图示 8：不同芯片类型优劣势对比图源：辰韬资本类型优势劣势代表芯片通用并行加速芯片通用性强功耗高英伟达 Thor性能高地平线 J6P神经网络专用加速芯片定制设计通用性弱地平线 J5功耗低高通骁龙 RideFPGA灵活性强价格高赛灵思 Vertex7英伟达、地平线等，所设计的自动驾驶 SoC 芯片采用 CPU+通用并行加速芯片方案。这种通用并行加速芯片以英伟达的 GPU 作为主要代表，由于其架构具有通用性，比较适合算法快速迭代期采用“轻软硬一体”方案的车企或软件 Tier1选择。类似地，地平线的 J6P，也采用了通用加速芯片方案，这为生态合作伙伴走“软硬解耦”或“轻软硬一体”创造了条件。Mobileye、地平线等，致力于研发销售自动驾驶专用 AI 芯片，采用 CPU+神经网络专用加速芯片方案。因为这类专用加速芯片对于算法约束较多，所以这种芯片本身需要和算法绑定得更深，很多时候也需要芯片厂商自己走“重软硬一体”模式；或是引导生态伙伴中的软件 Teir1 采用“轻软硬一体”的策略，与自家的专用加速芯片进行深度绑定。此外，还有部分自动驾驶公司在早期采用 CPU+FPGA 的方案做自动驾驶算法验证。这类芯片灵活性强，但是性价比较低，只能用于早期的算法测试，不适合作为最终产品进行量产，因而对于软硬一体的最终生态不会造成什么影响。自动驾驶软硬一体演进趋势研究报告软硬一体开发能力分析172.3 智驾域控系统底层软件2.3.1 操作系统目前，产业内对智驾操作系统的主流选择是，采用 QNX 或基于 Linux 内核进行裁剪。在应用于自动驾驶领域之前，QNX 主要应用于手机行业。QNX 作为一个微内核只涵盖了最为基本的调度及内存管理，所以，它的优势在于高可靠性，协议栈、各种外设驱动稳定，这就意味着它天生适合用于开发 RTOS 系统。但是由于其完全闭源的特性，在生态方面的局限性也太明显，这使得它目前在自动驾驶领域的落地并不理想。尤其是，难以满足高阶智驾方案的需求。相比之下，基于 Linux 进行裁剪开发出的各种 RTLinux 系统，其本质上仍然是宏内核，除了调度及内存管理外，文件、驱动以及网络协议等功能也是一应俱全。另一方面，Linux 属于纯开源系统，所以具有免费的特性，而且它的生态资源丰富，可以无缝对接大量第三方库，因而可以更好地适配目前自动驾驶软件迭代对于软件库快速增加的需求。RTLinuX 的主要劣势是，在实时性上略逊 QNX 一筹，而且其较高的系统复杂度也增加了出现 bug 的概率，不过，目前车厂已经通过软件及功能架构的设计对 RTLinuxX 的劣势进行最大程度的规避。总体而言，RTLinux 可满足 POSIX 标准，从而一方面让基于它们开发的中间件有共同可遵循的标准，对于中间件公司相对较为友好；另一方面也可以支持不同架构的自动驾驶芯片，通用性强，因而，对于软硬解耦不会设置过多的阻碍。除此之外，未来生态逐步在向舱驾一体的方向演化。由于智驾域在可靠性、稳定性以及实时性的要求远高于座舱域的系统，因而，同一套操作系统想要兼容两个域的需求难度极大。目前的解决方案大部分是基于oneboardtwochip的方案，不同芯片跑不同的系统，从侧面规避了这个问题。而长期来讲，舱驾一体的技术方向会走向单芯片模式，在单芯片的舱驾一体方案下，是否能有稳定可靠的操作系统在单芯片上同时满足两个域的需求，就会影响方案落地的速度。这些操作系统的优化与芯片以及域控的架构息息相关，从而会间接助力行业走向“轻软硬一体”的状态。2.3.2 中间件中间件是连接芯片及应用软件的桥梁，所以中间件开发对所选择的芯片以及需要支持的应用层架构对比较敏感。目前对于中间件的核心关注点主要在于性能表现，具体包括两个方面：一是中间件的实时性，二是中间件对于系统资源的占用。传统的 AutoSARCP 由于最早是针对 MCU 开发，后期在向 SoC 芯片平台移植的工作较多，且仅支持 SOME/IP，所以目前已经逐步让位于更加主流的 AutoSARAP。由于 AP 相较于 CP 具有更好的灵活性，对于软硬解耦会有所帮助。对于大数据量的传输方案，DDS 是目前行业的主流选择。早期的 DDS 更多应用于工业系统，所以在移植到车辆系统初期遭遇了一些瓶颈。目前随着车载系统软件公司以及整车厂的不懈努力，针对 DDS 的适配已经得到了长足发展。目前国内的中间件公司都已经基于 AP/DDS 提供了定制化的解决方案。这种中间件通用性的提升，从某种程度上降低了软硬解耦的门槛。2.3.3 工具链除运行在自动驾驶车辆上的软件外，用于数据采集、处理、标注、模型训练平台、仿真平台、OTA 工具和一些其他环节的开发工具都属于开发工具链的范畴。其中的模型训练平台以及部署相关的工具，跟软硬一体有很强的相关性。在自动驾驶行业内，模型训练平台及相关部署工具做得最好的公司是英伟达。英伟达依靠其 CUDA 生态的得天独厚优势，基于 Xavier 及 Orin 芯片，提供了全套的模型训练及加速工具，如静态框架的 TensorFlow(Google 开发，英伟达深度支持)+TensorRT，此外也可以采用支持动态框架的 PyTorch+ONNX 的全套工具链。这些工具链可以无缝对接其强大的模型开源生态，让开源社区的 SOTA 算法在英伟达芯片上可以快速适配部署及应用。这种成熟的链条也使得软件 Tier1容易倾向于采用英伟达芯片及工具链构建“轻软硬一体”战略。而采用 ASIC 方案的软件 Tier1 由于 ASIC 芯片本身特性制约，针对新算子的适配更为复杂。训练以及部署平台如何对包含这些新算子的模型进行训练和部署也存在很多不确定性，甚至存在某些算子，当前的 ASIC 方案可能完全不支持或者计算效率极低导致包含该算子的模型完全不可用的可能性。因而，在算子尚未成为行业标准的早期，软件 Tier1 需要得到芯片原厂更多的支持。这也意味着，基于这些芯片提供解决方案的软件 Tier1 或整车厂需要跟芯片厂商深度绑定。如果切换芯片则需要重新熟悉大量的部署以及加速工具，带来了比较高的迁移成本。这种特性也间接推动了“轻软硬一体”生态的形成。自动驾驶软硬一体演进趋势研究报告软硬一体开发能力分析18自动驾驶软硬一体演进趋势研究报告自动驾驶赛道公司概况193.1 主流芯片厂商市场上主要的自动驾驶芯片厂商如下：3.1.1 英伟达英伟达的自动驾驶芯片主要定位在 L2+及以上等级的智能驾驶，2019 年推出的自动驾驶领域的主力芯片 Orin 算力达到 250TOPS，在当时遥遥领先于行业内的其他竞争对手。作为一款平台型芯片，尽管他的价格不菲，在推出之后仍然成为大量“轻软硬一体”的软件 Tier1 以及整车厂高端车型自动驾驶解决方案上的首选。其通用以及高算力的特性也让软件 Tier1 以及整车厂可以从上一代基于CNN 的感知模块平稳地过渡到 BEV+Transformer 的技术方案，以及之后的模块化端到端解决方案，很好地支持了这些客户的“轻软硬一体”战略。在 2022 年，英伟达发布了新一代智驾芯片 Thor，采用了先进的 4nm 工艺，算力可达 2000TOPS。其不仅在算力、性能上有极大提升，还被认为具备了支持车端大模型的潜力。从功能上分析，Thor 可被配置为多种模式，可以将其 2000TOPS 算力全部用于自动驾驶工作流；也可以将一部分用于驾驶舱 AI 和信息娱乐，一部分用于辅助驾驶，为下一代的舱驾一体架构提供了芯片层面的保证。从这个角度讲 Thor 有希望被软件 Tier1 绑定，为高端车型提供舱驾一体的软硬一体解决方案。除了提供芯片产品外，英伟达也同样组建了自动驾驶解决方案团队，进行了“重软硬一体”战略的尝试。公司目前作为 Tier1 为奔驰提供包括芯片、智驾算法及座舱在内的全套解决方案，与其他 Tier1 相比略显不足的是，双方的合作从2020 年开始，但是目前仍未达到量产落地的状态。3.自动驾驶赛道公司概况自动驾驶软硬一体演进趋势研究报告自动驾驶赛道公司概况203.1.2 华为华为是自动驾驶芯片赛道上最具代表性的走“重软硬一体”路线的公司。目前计算平台所使用的主芯片是 Ascend310，Ascend610，Ascend620。这几款芯片的最大亮点就是采用了达芬奇架构。达芬奇架构采用3DCube，针对矩阵运算做加速，大幅降低了同等 AI 算力下的功耗。图示 10：Thor 可被配置为支持多种模式图片来源：英伟达官网图示 9：英伟达最新的 Thor 芯片可达接近 2000 TOPS 算力图片来源：英伟达官网除芯片外，华为也有针对自动驾驶的全套解决方案 ADS，是所有芯片厂商中对软硬一体策略执行得最重的一家。其提供的产品全面覆盖了芯片、操作系统、工具链以及自动驾驶算法各个环节。由于在智驾软件领域有超过几千人的团队支撑，所以在 BEV 以及占据网络等新技术上都实现了快速落地，其在城区 NOA 的体验方面也是居于国内的第一梯队。能够实现这些新技术的快速落地以及产品的快速迭代都和华为坚定的执行“重软硬一体”策略带来的速度优势有极大关联。目前华为基于这套“重软硬一体”的 ADS 解决方案与赛力斯、奇瑞及长安阿维塔都进行了全面合作，取得了很好的效果，智驾系统的选装率也达到了较高水平。3.1.3 地平线地平线属于行业内执行软硬一体方案以及打造智驾生态比较成功的芯片公司。其产品线较为全面，涵盖了 CPU+ASIC 及 CPU+GPU 两种不同架构。早期推出的 J2 和 J3 主要用于 L2 级别自动驾驶功能，从芯片到算法全部都由自己提供，采用了“重软硬一体”的打法。从 J5 开始，其策略逐步开始向软硬解耦的方向转化。J5 目前的量产算法是由生态合作伙伴（如轻舟和鉴智及觉非等）做算法及交付，从“重软硬一体”逐步转向软硬解耦策略，并以打造与合作伙伴的生态为主。2024 年 4 月，地 平 线 发 布 了 全 新 一 代 车 载 智 能 计 算 方 案 J6 系 列 以 及SuperDrive 全场景智能驾驶解决方案，其中 J6 旗舰芯片 J6P 实现了 CPU、BPU、GPU 和 MCU 四芯合一，提供了更高的芯片架构集成度，单颗芯片最高算力高达560TOPS。J6 将延续软硬解耦的商业策略，在 2024 年内通过生态合作伙伴开启首个前装量产车型交付，并预计于 2025 年实现超 10 款车型量产交付。图示 11：地平线征程系列芯片图片来源：地平线 J5 发布会21自动驾驶软硬一体演进趋势研究报告自动驾驶赛道公司概况自动驾驶软硬一体演进趋势研究报告J6 的旗舰版 J6P 的落地，在短期内会是“重软硬一体”模式（算法由地平线自己开发），待后续有软件 Tier1 或车企基于 J6P 做算法后，则又走向软硬解耦的路线；而对长期使用 J6P 的软件 Tier1 或车企来说，则是“轻软硬一体”。3.1.4 高通在 2020 年 1 月，高通推出了骁龙 Ride(SnapdragonRide)平台，作为其迈向自动驾驶赛道的平台产品。图示 12：高通骁龙 Ride 芯片架构图片来源：高通官网不过一代产品（SA8540P）并没有能成功打开市场，出货量较少。而其二代产品系列（包括 SA8620P，SA8650P 等)提供了从 36TOPS 到 100TOPS 的算力，在国内与 momenta，卓驭及毫末分别联合发布了辅助驾驶及自动驾驶解决方案，坚持走软硬解耦的商业路线。除以上合作外，高通在“重软硬一体”路线上也有所布局。其在 2021 年与合作伙伴联合收购自动驾驶公司 Veoneer，并在接下来的一年将其软件部门 Arriver收归帐下。