2023智能驾驶芯片评测白皮书

2023.9 目录 一、智能驾驶计算芯片产业现状3 1、国内外智能驾驶计算芯片发展情况3 2、智能驾驶计算芯片应用需求7 3、智能驾驶计算芯片标准需求8 二、智能驾驶计算芯片标准与评测9 1、智能驾驶计算芯片国内外政策和标准现状9 2、智能驾驶计算芯片性能评测标准11 3、智能驾驶计算芯片标准典型应用案例16 三、总结与展望28 四、参考文献29 一、智能驾驶计算芯片产业现状 汽车产业正在被人工智能技术重构。如同蒸汽机之于工业革命的意义，智能驾驶已经成为人类社会自发明汽车以来的一大颠覆性创新，持续推动汽车产品、整车市场格局和产业链变革，而数据和算力是驱动汽车智能化加速的两大动力。 关于智能驾驶发展的趋势，业内普遍认同的观点是：智能驾驶汽车将在2025年前后开始一轮爆发式增长。智能驾驶汽车在传统驾驶的电子电气架构基础上，引入基于智能驾驶芯片的智能驾驶模块，搭载各类车载传感器、控制器、执行器等装置，并融合了现代通信、网络和计算技术，使得车辆具备复杂环境感知、智能决策、协同控制等功能，从而大大提升驾驶的自动化和智能化。 未来，汽车将从最常用的交通工具变成最大的智能终端，具备高度电动化、网联化、智能化、共享化的特征，传统汽车企业势必将重新定义和塑造自身的商业模式，传统汽车行业的市场也将向芯片厂商、互联网科技公司、造车新势力等逐步打开，生态格局不断走向开放。 1、国内外智能驾驶计算芯片发展情况——车载计算芯片成为行业竞争热点，国内外企业竞相发力 随着智能驾驶技术的不断发展和汽车市场的逐渐开放，作为汽车智能化的核心，智能驾驶芯片的发展在全球范围内日益瞩目，市场也呈现出井喷式的增长态势。除了传统的汽车制造商，科技公司也开始在智能驾驶芯片市场布局。例如，英伟达的智能驾驶芯片“Drive”已经被包括奔驰、特斯拉和沃尔沃在内的多家汽车制造商采用。此外，谷歌旗下的Waymo、苹果、百度和滴滴也都在智能驾驶芯片领域进行了大量尝试。可以预见的是，智能驾驶芯片市场的竞争将愈演愈烈。 整车厂商对高算力智能驾驶芯片的需求使得芯片厂商间的竞争也进入白热化，近年来高算力智能驾驶芯片迭代速度显著加快。Mobileye、英伟达、高通等主流外资厂商相继推出能够满足L4级智能驾驶的芯片产品，特斯拉也有自研计算芯片。国内华为、地平线、黑芝麻等也在不断推出自己的智能驾驶芯片。 英伟达、高通在高端市场发力，以高算力芯片抢占高级别智能驾驶赛道。英伟达2019年发布的旗舰产品Orin，称其具备254TOPS的高AI算力，凭借领先的AI 算力，Orin成为国内新势力车企下一代旗舰车型的主流选择，2022年蔚来、小鹏、理想等均将推出基于Orin的量产车型。 高通于2020年发布SnapdragonRide平台，称其能够匹配从L1/L2级辅助驾驶至L4/L5级智能驾驶的场景需求，提供高能效、性价比出众的系统级解决方案。长城、宝马等车企已宣布与高通合作，预计2023年进入量产阶段。 特斯拉作为全球智能驾驶领军车企，采取了自研芯片的路径以满足其对于智能驾驶的高性能需求，2019年4月正式发布FSD自研芯片及计算平台，称其单颗芯片算力达72TOPS，成为当时算力最高的量产芯片，为特斯拉全系车型的智能驾驶功能提供算力支持。 国内华为、地平线、黑芝麻等芯片厂商自主研发高算力智能驾驶芯片，部分产品已实现量产上车。 华为发布的MDC610，称其算力达200TOPS，MDC系列产品已与多家主机厂展开合作，在多款新能源智能汽车上实现量产商用； 地平线发布的征程系列第五代，称其算力达128TOPS，征程系列产品与比亚迪、一汽等展开合作； 黑芝麻发布的华山A1000系列芯片中A1000和A1000pro算力分别达58TOPS和106TOPS，华山A1000系列芯片产品已与吉利、东风、江汽、一汽红旗、合创等车厂展开深度合作。 此外，芯驰科技、超星未来、爱芯元智等AI芯片企业也迎来了新机遇，纷纷推出自动驾驶芯片方案；国外瑞萨、意法半导体、恩智浦等传统车规级MCU大厂，也在极力巩固各自的行业地位，正在筹算着切入AI汽车芯片领域；还有部分主机厂选择自主研发智能驾驶计算芯片，如零跑汽车、百度（集度汽车）等，自动驾驶芯片将呈现百放齐放的局面。 国内外典型智能驾驶计算芯片相关信息见表1。 企业 芯片 量产时间 算力 （TOPS） 功耗（W） 能效比 （TOPS/W） 制程 （nm） 适用智能驾驶级别 应用情况 特斯拉 FSD （HW3.0） 2019年 72 72 1 14 L3 自用 FSD （HW4.0） 2022年 216 - - 7 L4/L5 英伟达 Xavier 2020年 30 30 1 12 L2/L3 博世、小鹏等 Orin 2022年 254 45 6 7 L4/L5 百度、通用、谷歌、小马智行、亚马逊、滴滴、比亚迪、小鹏、理想、蔚来上汽、奔驰、奥迪 等 Atlan 2025年 1000 - - - L4/L5 - Mobileye EyeQ4 2018年 2.5 3 0.83 28 L1/L2 吉利、上汽、广汽、大众、哪吒、长城、理想、蔚来等 EyeQ5 2021年 24 10 2.4 7 L2/L3 宝马、吉利等 EyeQ6 2023年 128 40 3.2 7 L4/L5 - EyeQUltra 2025年 176 - - 5 L4/L5 - 高通 SM8540+SA90 2022年 360 65 5.5 7 L2/L3 /L4 长城、宝马等 瑞萨 R-CARV3U 2023年 60 - - 12 L2/L3 - Ti TDA4VM 2020年 8 5-20 0.4- 1.6 - L2/L3 百度等 表1国内外典型智能驾驶计算芯片 企业 芯片 量产时间 算力 （TOPS） 功耗（W） 能效比 （TOPS/W） 制程 （nm） 适用智能驾驶级别 应用情况 华为 昇腾610 2020年 200 60 3.3 - L3-L4 - 地平线 征程2 2019年 4 2 2 28 L1/L2 长安、奇瑞、广汽等 征程3 2020年 5 2.5 2 12 L2 理想、哪吒、上汽 征程5 2022年 128 30 4.3 16 L4 比亚迪、一汽等 黑芝麻 A1000 2021年 58 18 3.2 16 L2/L3 吉利、东风、合创、江汽等 A1000L 2021年 16 15 1.1 16 L2/L2+ 一汽红旗等 A1000Pro 2022年 106 25 4.2 16 L4 一汽等 A2000 2025年 250+ - - 7 L4/L5 - 芯驰 V9T 2021年 1 - - 16 L2 - V9P/U 2022年 - - - 16 L2 - V9S 2023年 - - - 16 L4/L5 - 2、智能驾驶计算芯片应用需求——智能驾驶业务多样化和 复杂场景，需要高性能计算芯片 智能驾驶业务是智能网联汽车最复杂的高价值应用，但也是最难度最大的应用。智能驾驶业务多样化、场景复杂，对智能驾驶芯片在感知、决策、和控制的能力提出很高的要求。 （1）感知系统 感知系统是利用车载传感器，及车联网技术来获取道路、车辆位置、障碍物、车辆自身位置等信息，并将获取的这些信息传输给车载控制中心，给自动驾驶汽车提供决策依据。感知系统的对象可以分为两类：一类是静态对象，即道路、交通标识、静态障碍物等；另一类是动态对象，即车辆、行人、移动障碍物等。对于动态对象，除了要了解对象的具体类别，还需对位置、距离、速度、加速度、方向等信息进行追踪，并需要根据追踪结果来预测对象的接下来的预计位置。 为了实现感知环境的任务，越来越多的传感器应用于高阶智能驾驶汽车。例如，特斯拉ModelY有20个传感器。问界M5智驾版27个传感器；小鹏G6共30个传感器。 越来越多的传感器输入，对智能驾驶芯片的性能提出更高要求。 （2）决策系统 智能驾驶决策系统对汽车的速度、方向及车灯等进行控制。传统理解中，决策系统涵盖了环境预测、动作规划、路径规划、行为决策等。 环境预测不仅仅局限于物理规律，还需通过对感知时车辆、行人等的瞬时动作，判断其下一步的动作，如速度、位置、方向等。动作规划根据对环境预测的结果，完成诸如转弯、避让、超车等动作。同时对于交通的动作规划也必不可少，如在限速路段的车速控制、红绿灯情况下的停车／行车、潮汐车道的车道线选择等，均需要提前进行规划。自动驾驶汽车还需要完成对行驶路径的规划不仅要耗时短，还要满足乘客需求，实现路径自定义。行为决策则是对自身的实时位置、速度、方向等信息，与环境预测中获取的交通信息、动作规划中完成的路径规划等进行参照，让自动驾驶汽车预判可能发生的危险及即将需求的动作，让自动驾驶汽车可以对自身动作进行调整。 更智能的决策系统，对芯片算力要求越高。 （3）控制系统 控制系统跟踪决策规划的轨迹目标，控制车辆的油门、刹车和转向等驾驶动作，调节车辆行驶速度、位置和方向等状态，以保证汽车的安全性、操纵性和稳定性。 相对于传统的控制方法，智能控制方法主要体现在对控制对象模型的运用和综合信息学习运用上，主要有基于模型的控制、神经网络控制和深度学习方法等，目前这些算法已逐步在汽车控制中广泛应用。 实时准确的控制效果，需要更快、更高性能的智能驾驶芯片支持。 由上可以看出，要满足智能驾驶业务的多样化和复杂场景，需要高性能的智能驾驶计算芯片。 3、智能驾驶计算芯片标准需求——性能评价缺少共识，亟待产业联合研究 当前智能驾驶行业普遍以“TOPS”为单位来评估自动驾驶芯片的理论峰值算力，各大芯片厂商也在通过不断刷新算力峰值彰显各自的技术实力，但各家算力的计算方法却不尽一致，且声称算力与智能驾驶场景的算法评价性能也不能形成一一对应。 以英伟达为首的芯片厂商多以“稀疏算力”声称，该计算方法会比“稠密算力”多出约1倍的算力数据。具体来说，稀疏算力把矩阵计算中部分数据值变为0，最终使矩阵乘法计算减半，从而提升算力表现数据。“稀疏算力”的计算量实为标称算力的一半，算力声称值比“稠密算力”多出约1倍的算力数据。 “稀疏算力”本质上是对算法计算的优化，但此种优化方式只对特定的几个算子有效。智能驾驶场景中，稀疏化方法对摄像头数据优化优先，性能仅有约5~7%提升，远低于稀疏算力100%提升预期。 除了算力的“稀疏”和“稠密”的区别，采用不同计算数据类型也会造成算力表征的差别。大多数芯片公司一般采用INT8或者INT16作为统计算力的数据类型，少部分会采用INT4类型。相对而言，采用INT4数据类型能够实现的模型推理准确度相对较低，在将较大规模的神经网络转到更小的神经网络时的准确度损失相对较高；采 用INT8或者INT16数据类型的算力值相对较低，准确度损失也较低，在智能驾驶芯片计算时使用更为广泛。 综上所述，算力标注的概念混淆、芯片价格混乱的主要原因是算力声称没有统一的标准，缺乏能够更客观的对比智能驾驶芯片能力的公正的测试基准算子或模型。因此，发展智能驾驶芯片测评标准与规范车载计算芯片标准迫在眉睫，这是车载芯片企业、整车企业以及正在生态体系的共同需求。 此外，评价智驾芯片的目标是为了了解芯片应用在智能驾驶场景的真实性能。那么适配应用场景的算法模型，才是评价智能驾驶芯片的最合理方式。按照智能驾驶的使用，算法可以区分为：图像/点云分类、图像/点云目标检测、深度估计、图像 /点云分割等。再从各分类算法，选出更适用智驾场景的算法。用多维度算法模型，公开公正测试智能驾驶芯片，才能分辨智能驾驶芯片的真实性能。 二、智能驾驶计算芯片标准与评测 1、智能驾驶计算芯片国内外政策和标准现状 （1）国外政策 自2015年以来，各国相继探索出台了自动驾驶相关的政策或者高级别自动驾驶运营许可，纷纷加速行业变革和商业化落地。 从2016年开始，日本针对智能驾驶进行相关法律的修订，以推动智能驾驶制度的逐步完善，是全球第一个法律明确规定允许L3级智