自動駕駛分級標準：理解芯片需求差異的基礎

　　目前，國際上廣泛采用的自動駕駛分級標準主要有 2014 年國際汽車工程師學會(SAE)發布的《SAE J3016 推薦實踐：道路機動車輛駕駛自動化系統相關術語的分類和定義》，以及 2021 年我國國家市場監督管理總局出臺的《汽車駕駛自動化分級》國家標準(GB/T 40429 - 2021)。

　　SAE 標準將自動駕駛分為 L0 - L5 六個級別。L0 級為無自動化，完全依靠人工駕駛;L1 級是駕駛支持，以人工操控為主，系統僅提供如制動防抱死系統、車身電子穩定系統等適時輔助;L2 級實現部分自動化，自動駕駛系統可完成某些駕駛任務，但駕駛者仍需時刻關注路況，隨時準備糾正系統差錯，常見的自適應巡航系統、主動車道保持系統等屬于此列;L3 級達到有條件自動化，在特定場景下車輛自動駕駛系統優先級高于駕駛員，不過駕駛員可通過緊急按鈕奪回控制權，像奧迪 A8 在交通擁堵路段的自動跟車行駛等功能;L4 級進入高度自動化階段，在規定的道路和環境中，車輛能自主完成所有駕駛操作并處理緊急情況，駕駛員甚至可以在車內做其他事情;L5 級則是完全自動化，在任何道路和條件下都能完成駕駛任務，此時駕駛艙的概念可能都將不復存在。

　　我國標準則將 L1 - L2 級別統稱為輔助駕駛，L3 - L5 級別稱為自動駕駛。不同級別的自動駕駛對芯片的性能、功能和可靠性等方面有著截然不同的需求，這也促使了自動駕駛芯片不斷革新。

　　L1 - L2 級自動駕駛芯片：從簡單輔助到初步智能

　　在 L1 級別，自動駕駛芯片主要聚焦于處理少量傳感器數據，以實現基本的駕駛輔助功能。例如自適應巡航控制(ACC)需要芯片處理雷達傳來的前方車輛距離和速度信息，車道保持輔助系統(LKA)則依賴芯片對攝像頭采集的車道線圖像進行分析。此時的芯片通常計算能力較低，功耗也相對較小，能夠滿足簡單的傳感器數據處理和基本算法執行即可。像 Mobileye 早期用于 L1 - L2 級別視覺 ADAS 芯片 EyeQ3，其算力僅為 0.256TOPS ，就能較好地支持該級別功能。

　　隨著技術進步，L2 級別的自動駕駛系統帶來了更豐富的功能，如自動變道、自動泊車等。這就要求芯片具備更強的計算能力和更復雜的算法處理能力。為了應對多傳感器數據融合以及更復雜的環境感知任務，L2 級別的芯片開始采用多核處理器和高性能圖形處理器(GPU)。例如，英偉達針對 L2 級別市場推出的 Xavier 芯片，算力達到 30TOPS ，已成功應用于小鵬 P7 / P5 等車型。此外，這一階段的芯片在功耗管理上也面臨挑戰，需要在提升性能的同時，確保車輛整體能源利用效率不受太大影響。

　　L3 級自動駕駛芯片：邁向高度智能的關鍵一步

　　L3 級自動駕駛系統對環境感知和決策能力提出了更高要求。車輛在某些特定場景下要能夠完全自主決策和駕駛，盡管駕駛員仍需保持一定程度的關注并可隨時接管車輛。為實現這一目標，L3 級別的自動駕駛芯片需要集成更多種類的傳感器，如激光雷達、紅外傳感器等，以獲取更全面、精確的環境信息。

　　在算法和決策邏輯方面，芯片必須具備更高級的處理能力。以奧迪 A8 搭載的實現 L3 級別自動駕駛的系統為例，其背后的芯片要協同處理 24 個感應器和 41 種駕駛輔助系統軟件的數據。此時，芯片的算力需求大幅提升，通常要達到 100TOPS 以上。同時，為保證在復雜交通場景下的安全可靠運行，芯片在功能安全和可靠性設計上也達到了新的高度，需要滿足更嚴格的車規級標準，以應對可能出現的各種風險和故障情況。

　　L4 - L5 級自動駕駛芯片：挑戰極限的超級大腦

　　L4 級自動駕駛要求車輛在特定環境下完全自主駕駛，無需駕駛員干預，這意味著芯片要具備強大的計算和決策能力。這類芯片通常采用專用的深度學習芯片和人工智能處理器，以應對海量數據的實時處理和復雜場景的精準判斷。例如，英偉達為 L4 - L5 級別自動駕駛推出的 Atlan 芯片，算力高達 1000TOPS ，預計在 2025 年量產。該芯片需要處理來自多個攝像頭、激光雷達、毫米波雷達等傳感器融合后的復雜數據，通過深度學習算法對周圍環境進行精確建模和預測，從而做出最優的駕駛決策。

　　而 L5 級別的自動駕駛芯片更是挑戰極限，要在任何條件下實現完全自主駕駛。它不僅需要具備極高的算力，可能達到數千 TOPS ，還需要采用高度集成的多傳感器融合技術，確保對各種復雜路況和環境變化做出及時、準確的反應。同時，芯片的智能化算法和決策邏輯要達到近乎人類甚至超越人類的水平，以應對諸如極端天氣、道路突發狀況等各種極端工況。此外，在可靠性方面，L5 級芯片要做到萬無一失，因為一旦出現故障，可能會導致嚴重的安全事故。

　　自動駕駛芯片演進中的技術變革

　　算力的指數級增長

　　從 L1 到 L5，自動駕駛芯片的算力需求呈現出指數級增長趨勢。L1 - L2 級別的算力需求可能只需幾 TOPS 到幾十 TOPS ，但到了 L4 - L5 級別，算力要求飆升至幾百甚至數千 TOPS 。這種增長源于對復雜環境感知、多傳感器數據融合以及高級決策算法的支持需求。為實現高算力，芯片制造商不斷采用先進的制程工藝，如從早期的 28nm 逐步演進到 16nm、7nm 甚至更先進的制程，以在有限的芯片面積內集成更多的晶體管，提升計算能力。

　　架構的不斷優化

　　早期的自動駕駛芯片架構相對簡單，隨著功能的復雜和算力需求的提升，異構多核 SoC 處理器架構成為主流。這種架構集成了 CPU、AI 芯片(GPU / FPGA / ASIC)、深度學習加速單元(NPU)等多個模塊。不同模塊各司其職，CPU 負責常規任務處理，GPU 擅長并行計算以處理圖像和視頻數據，NPU 則專注于深度學習算法加速。例如，黑芝麻智能的華山二號(A1000)芯片采用 16nm 工藝，具備 40 - 70TOPS 的強大算力，小于 8W 的功耗及優越的算力利用率，其多核異構架構使其能高效地處理自動駕駛中的各類任務。

　　功能安全與可靠性提升

　　隨著自動駕駛級別提高，車輛對芯片的功能安全和可靠性要求愈發嚴格。在 L3 及以上級別，芯片一旦出現故障可能引發嚴重后果。因此，車規級芯片在設計和制造過程中遵循嚴格的 AEC - Q100 等標準，通過冗余設計、故障檢測與容錯機制等手段，確保芯片在各種復雜環境下穩定可靠運行。例如，芯擎科技的 “星辰一號”(AD1000)采用 7nm 車規工藝，符合 AEC-Q100 標準，內置 ASIL-D 功能安全島，可全面滿足 L2 至 L4 級智能駕駛需求。

　　多傳感器融合處理能力增強

　　從 L2 級開始，自動駕駛系統逐漸引入多種傳感器，如攝像頭、雷達等，以實現更準確的環境感知。L3 - L5 級對多傳感器融合的依賴程度更高。自動駕駛芯片需要具備強大的多傳感器融合處理能力，能夠將不同類型、不同精度的傳感器數據進行高效融合和分析，消除數據沖突和冗余，為車輛決策提供準確依據。這要求芯片在接口設計、數據處理算法等方面不斷優化，以適應多種傳感器接入和數據高速傳輸、處理的需求。

　　總結與展望

　　從 L1 到 L5，自動駕駛芯片在算力、架構、功能安全以及多傳感器融合處理等方面發生了巨大變化，以適應自動駕駛技術從簡單輔助到完全自主駕駛的演進。當前，盡管在 L2 - L2 + 級別自動駕駛領域已經取得了顯著進展，并成為車廠的重要賣點和市場競爭焦點，但邁向 L4 - L5 級別的完全自動駕駛仍面臨諸多挑戰，如超高算力芯片的研發、復雜算法的優化、功能安全和可靠性的進一步提升以及成本的有效控制等。

　　未來，隨著半導體技術的不斷突破、人工智能算法的持續創新以及汽車產業與科技產業的深度融合，自動駕駛芯片有望迎來更重大的變革。一方面，我們期待看到算力更強、功耗更低、成本更優的芯片出現，推動自動駕駛技術大規模普及;另一方面，芯片與整車系統的深度融合以及軟件定義汽車趨勢下，自動駕駛芯片將在整個汽車生態系統中扮演更為核心的角色，引領智能汽車時代加速到來，為人們帶來更加安全、高效、便捷的出行體驗。