摘要：早期汽車電子以ECU為主，隨著汽車向智能化方向發展，車身傳感器不斷增加，傳統的分布式架構難以滿足需求，由中心化架構DCU、MDC逐步替代。此外，由于車載芯片需要同時處理大量數據，形成了以GPU為核心的智能輔助駕駛車載芯片。

隨著自動駕駛汽車逐步發展，目前輔助駕駛功能滲透率越來越高。自動駕駛需要利用攝像頭、雷達等新增的傳感器數據，其中很多需要大量并行計算，而傳統CPU算力不足，因此性能優異的GPU逐漸取代了CPU。另外加上輔助駕駛算法需要的訓練過程，GPU+FPGA成為目前主流的解決方案。

早期汽車電子以ECU為主

ECU是電子控制單元，是汽車專用的微機控制器。早期的汽車電子芯片以電子控制單元(ECU)為主，主要分布于發動機等汽車核心部件上。

汽車電子發展的早期，ECU主要被用于控制發動機工作，只有汽車發動機的氣缸(爆震傳感器)、排氣管(氧傳感器)、水溫傳感器等核心部件才會放置傳感器，為保證傳感器-ECU-控制器回路的穩定性，ECU與傳感器一一對應的分布式架構是汽車電子的典型模式。

隨著車輛的電子化程度逐漸提高，ECU占領了整個汽車，從防抱死制動系統、電控自動變速器、4輪驅動系統、主動懸架系統以及安全氣囊系統，到現在逐漸延伸到了車身各類安全、網絡、娛樂、傳感控制系統等。

汽車ECU架構示例

隨著汽車電子化的快速發展，車載傳感器數量不斷豐富，傳感器與ECU一一對應的方式，使得線路復雜性增加且車輛整體性下降。此時分布式架構逐漸被DCU(域控制器)、MDC(多域控制器)等中心化架構所取代。

域控制器概念的提出是為了解決信息安全，以及ECU瓶頸的問題。根據汽車電子部件功能的不同，將整車劃分為車輛安全、車身電子、動力總成、智能駕駛等幾個域，利用處理能力更強的多核CPU/GPU芯片相對集中的去控制每個域，以取代目前分布式汽車電子電氣架構。而進入自動駕駛時代，控制器需要接受、分析并處理的信號大而雜，原本一個功能對應一個ECU的分布式計算架構已經無法滿足需求。因此，自動駕駛車輛的各種數據聚集、融合處理，從而為自動駕駛的路徑規劃和駕駛決策提供支持的多域控制器將會是發展的趨勢。

汽車DCU與ECU架構示例

汽車MDC架構示例

當下發展以GPU為核心的智能輔助駕駛車載芯片

目前人工智能快速發展，促使汽車加快向智能化方向發展，無人駕駛汽車成為熱門，這就需要車載芯片具有更強大的數據處理能力。以往以CPU為核心的車載芯片在面對圖片、視頻等非結構化數據時難以處理，此外車載芯片還需要對多路傳感數據進行整合，這就要求其擁有更高的并行計算效率。由于GPU具有同時處理大量數據的特性，在自動駕駛領域逐漸取代CPU，成為了當前的主流方案。

對比來看，CPU的運算核心數量一般不超過10個，GPU的運算核心數量則可達上百個(流處理器);CPU每個運算核心都具有足夠的緩存和豐富的數字及邏輯運算單元，并輔助很多復雜的計算分支;GPU的每個運算核心擁有的緩存相對較小，數字邏輯運算單元也相對少且簡單。此外，CPU和GPU最大的不同在于設計結構以及由不同結構帶來的不同功能。CPU的邏輯控制功能強，緩存大，能夠開展復雜的邏輯運算，而且延時低，處理復雜的運算任務時非常高效。而GPU邏輯控制功能相對較弱且緩存較小，每單個運算單元可以進行的邏輯運算較為簡單，但由于能夠并列大量的計算單元，因此GPU具備同時開展大量簡單的運算任務的能力。

CPU結構

GPU結構

表1 CPU與GPU功能對比

（數據來源：五度易鏈行研中心）

與消費電子產品的芯片相比，車載芯片對性能和壽命要求都比較高，主要體現在耗電每瓦提供的性能、生態系統的構建以及滿足車規級壽命(至少1萬小時穩定)使用要求等方面。目前無論是尚未商業化生產的自動駕駛智能芯片還是已經量產使用的輔助駕駛芯片，由于自動駕駛算法還在不斷更新迭代，對云端“訓練”方面提出高要求，既要大規模的并行計算，又要大數據的多線程計算，因此以GPU+FPGA解決方案為核心;在終端的“推理”部分，核心需求是大量并行計算，所以GPU是核心。綜合來看，GPU在目前階段占據自動駕駛芯片市場的主導地位。

結語

隨著人工智能的發展以及自動駕駛汽車的需求不斷增長，車載芯片技術將不斷發展。目前主流的解決方案也將不斷更新迭代，在未來可能出現更加優秀的系統解決方案，促進汽車向智能化方向進一步發展。