自動駕駛無疑是汽車行業(yè)為用戶描畫的一張“大餅”，能夠手離方向盤，將開車這種枯燥乏味且極具風險的“力氣活兒”變成一種享受，太有誘惑力了。

但現(xiàn)實是，吆喝了很多年，我們似乎離真正的自動駕駛還有相當?shù)木嚯x。如果你找個業(yè)內(nèi)人士聊聊，他可能會列舉出從技術(shù)到安全，從商業(yè)模式到法律法規(guī)等一系列苦衷，借此來向你說明自動駕駛的“路漫漫其修遠兮”。但是理由再多，趨勢在那兒，面對這個人人都在為之而奮斗的終極目標，恐怕是有條件要上，沒有條件創(chuàng)造條件也要上。但是這條路究竟應該如何走，如何走得更順，就需要一個合理的規(guī)劃了。

其實從技術(shù)上來講，實現(xiàn)自動駕駛一直面臨著一個擴展性的問題，因為自動駕駛的終極目標是根據(jù)分級、分階段實現(xiàn)的，而不是一步到位，因此在這個漫長的過程中如何打造一個可擴展的技術(shù)架構(gòu)去應對所有自動駕駛級別在算力、安全性等方面的要求，就成了一個十分重要的命題。而且這樣的可擴展的架構(gòu)，對于在這個過程中形成高中低端的差異化產(chǎn)品，適應不同用戶市場的需要，及時將技術(shù)投入變現(xiàn)，也大有裨益。

自動駕駛的分級

為了完美地解答這個問題，我們還是要先回到自動駕駛的分級上。按照美國汽車工程師學會SAE給出的定義，自動駕駛從L1到L5分為五級，分別對應著駕駛支持、部分自動化、有條件自動化、高度自動化和完全自動化。

圖1中對這五個級別的內(nèi)容進行了更詳細的描述，從中不難看出，各個級別之間的差異是根據(jù)駕駛控制權(quán)的歸屬來界定的，自動駕駛級別越低，駕駛員對車輛的控制權(quán)就越強。比如在L1中，包括自動巡航、自動制動和車道保持等幾個內(nèi)容，它們實際上只允許車輛在一個方向上做加速或減速的自動控制，而不包括轉(zhuǎn)向的操作，駕駛員仍然對車輛具有絕對的控制權(quán)，必須通過親自觀察環(huán)境做出正確的判斷和決策；而到了L5，車輛則處于無需駕駛員干預的完全自動化狀態(tài)，在大多數(shù)情況下駕駛員甚至對車輛的駕駛沒有“發(fā)言權(quán)”。

從這個分級規(guī)則中我們也可以看出，在L3到L4之間，其實存在一個很高的“臺階”。如果說，從L1到L3的自動駕駛系統(tǒng)還是一個駕駛員導向的產(chǎn)品，核心要義還是由人去操控汽車，那么到了L4和L5，汽車基本上就等同于一個機器人了，在大多數(shù)情況下是處于與“人”切斷聯(lián)系的狀態(tài)，自主運行。也可以說從L1至L3，產(chǎn)品廣告詞吹得再玄妙，也還是ADAS，只有到了L4和L5，才是真正進入了的自動駕駛的境界。

從L1到L5的這種跨度，反觀上文中所提到的技術(shù)架構(gòu)的可擴展性，就顯得更具挑戰(zhàn)性了。

可擴展的技術(shù)架構(gòu)

想要解決這個問題，首先需要在深入理解的基礎上對其進行簡化。目前業(yè)內(nèi)一種比較主流的認知是，可以將自動駕駛決策（THINK）分為兩個部分（域）：一個是感知和建模（Perception and Modeling），一個是安全計算（Safe Computing）。

具體來講，感知和建模是對來自車輛傳感器的數(shù)據(jù)進行特征提取、分類、識別、跟蹤等處理，得出目標是什么、目標的XYZ坐標位置，以及目標移動的速度和角度等信息，并輸出一個網(wǎng)格圖。而感知和建模域的輸出，則可作為安全計算域的輸入，安全計算要做的就是將目標的網(wǎng)格圖與環(huán)境信息融合，進行最佳路線的規(guī)劃，并動態(tài)預測未來幾秒內(nèi)可能的變化，其計算結(jié)果輸出為車輛加減速和轉(zhuǎn)向兩種控制信號，這樣的計算處理過程反復進行，就可形成連貫的自動駕駛行為。

由于感知和建模、安全計算這兩個域的功能不同，具體的技術(shù)訴求也是不同的，這主要反映在功能安全性和計算效率上。

對于感知和建模來說，由于前端輸入來自多個傳感器——包括攝像頭、毫米波雷達和激光雷達三種類型——為了適應復雜應用場景，至少需要兩種傳感器去滿足全面、準確的數(shù)據(jù)獲取要求，這種傳感器的多樣性和冗余性，使得單一傳感器的感知和建模系統(tǒng)只需滿足ASIL－B的功能安全要求，即可在整體上達到ASIL－D的功能安全水平。而在算力上，定點計算即可滿足大多數(shù)感知和建模數(shù)據(jù)處理的要求。

而安全計算則很不一樣，由于經(jīng)過傳感器融合之后，沒有了數(shù)據(jù)的多樣性和冗余性，因此安全計算處理器必須要達到ASIL－D的功能安全要求。同時由于計算復雜性要高，必須同時使用定點運算和浮點運算——浮點運算主要是進行向量和線性代數(shù)加速——而且從安全性的角度，神經(jīng)網(wǎng)絡因為不能回溯而無法勝任，因為必須使用確定性的算法，這些計算效率上的要求，都需要與其相適應的計算架構(gòu)的支持。

試想一下，如果用單一的計算架構(gòu)去同時完成感知和建模、安全計算兩個任務，顯然是不經(jīng)濟的，而且喪失了靈活性。比如，當你希望擴展傳感器的數(shù)量或類型時，就不得不對整個處理器結(jié)構(gòu)進行替換。所以一種可擴展架構(gòu)的思路就是，分別為兩個域設計不同的處理器芯片與之相對應，這樣后續(xù)的系統(tǒng)擴展升級也會更容易。比如恩智浦就是按照這樣的思路進行產(chǎn)品規(guī)劃的。

針對感知和建模，恩智浦分別推出了做視覺感知和建模的S32V和用于雷達感知應用的S32R兩種處理器，處理來自攝像頭和毫米波雷達的數(shù)據(jù)，而且充足的算力還可以使其作為安全協(xié)處理器，提升整個系統(tǒng)的安全性。這樣的架構(gòu)在L1和L2級的ADAS應用中完全可以勝任。

而針對L3到L4級別的系統(tǒng)，如果需要添加攝像頭和雷達，相應地增加S32V和S32R處理器即可。與此同時，安全計算在這個級別的自動駕駛中已經(jīng)必不可少了，這個任務恩智浦就交給了S32G和Layerscape LX2去完成，其中S32G作為安全處理器和汽車外圍接口處理設備，LX2則用于提高計算性能，以及支持高帶寬和網(wǎng)絡傳輸功能。

這樣的架構(gòu)，如果要想擴展到L4和L5級別，則可以通過繼續(xù)增加前端感知和建模處理器，以及在系統(tǒng)中添加第三方的加速器來實現(xiàn)，為開發(fā)帶來了極大的靈活性。

這樣一來，一個架構(gòu)就可以滿足從L1到L5所有自動駕駛級別的技術(shù)要求，開發(fā)者不論是做面向未來的技術(shù)探索，還是做針對當下市場需求的產(chǎn)品研發(fā)，都可以進退有據(jù)，游刃有余。有了這樣的認識和技術(shù)支撐，在通往自動駕駛的臺階上，你的步伐是不是也會更篤定呢？