现代搭载激光雷达和TI芯片的L3级自动驾驶架构解析图为测试样机，两颗激光雷达清晰可见。G90自动驾驶谍照来源：网络这是在韩国首尔拍摄的G90自动驾驶谍照。激光雷达好像是后来加的。搭载激光雷达的G90谍照图片来源：互联网标准版G90谍照图片来源：互联网现代汽车全球销量稳定在600万辆以上，2020年销量下滑12%，但仍达到635万辆，算得上独立厂商如果不算联盟的话，现代的销量排在第三位，略高于排名第四的通用汽车，所以现代的自动驾驶还是值得一看的。图片来源：网上L3级自动驾驶传感器布局如上。在激光雷达方面，现代汽车旗下现代摩比斯曾向老牌激光雷达公司Velodyne投资5000万美元，与Velodyne共同研发并量产低成本激光雷达。现代摩比斯代工Velodyne的激光雷达，但相差甚远，现代没有选择Velodyne的激光雷达，而是选择了更老的法雷奥激光雷达，即二代Scala。图片来源：网络更详细的参数如下。图片来源：互联网有效距离的参数特别精确。不像大多数厂家简单的说几百米，没有限制条件的参数是没有意义的。一直往前，扫描密度增加了，专为双激光雷达设计。图片来源：互联网L3系统的计算架构如上图。与大多数制造商不同，现代的解决方案力求低成本。就连前视摄像头FRCMR其实也是通过CAN-FD总线连接的，而不是常见的Ethernet或者SerDes，所以像素肯定很低，估计不超过150万像素。FRRDR是前置主毫米波雷达，FRCRDR和RRCRDR是4角毫米波雷达。FRCLDRLH是左激光雷达，FRCLDRRH是右激光雷达。CCIC是集中控和仪表于一体的座舱显示器，而CCU其实就是TCU，??通过OTA升级。韩文标注的是调试用的，量产时不存在。PHY是物理层芯片，最有可能是Marvell的88Q211，使用7个PHY，价格在105-140美元左右。两个以太网交换机，很可能是Marvell的88Q5050。MCU为英飞凌的TC397XP，目前无货。虽然是L3，但依然是双系统设计，拥有两套供电系统。如果换成其他厂商，你肯定会说是L4。右边的方框是主系统，左边的方框是应急备用系统。其实一共有三套，还有一套自动泊车。该系统应该由现代汽车和Aptiv的合资企业Motional设计和生产。图片来源：互联网首先看备份系统。CPU是Intel的Denverton，也就是凌动C3000系列。C3000系列的16核只有三种型号，分别是C3950、C3955和C3958。其中C3950的TDP功率最低，仅为24瓦，C3958为31瓦，C3955为32瓦。现代很可能会选择C3958。C3000系列主要是面向IoT领域，不是面向汽车领域，而是面向汽车领域的A3900系列。不过两者应该是高度相似的，都属于Atom3000系列。与A3900系列不同，C3000系列没有GPU，只有CPU。C3950目前的零售价约为160美元，批量估计约为100美元。4核@2.0GHzA3950的CPU算力为42160DMIPS，C3958为16核@2.0GHz，算力应该是168.6K，大致略高于高通的5nmSA8295，但C3958是14纳米。另外，X86的乱序执行能力远高于ARM。虽然DMIPS相当，但X86的实际性能往往更好。BMW的L3系统也选择了Denverton，估计是16核。在传统的激光雷达ICP算法中，主要依赖于CPU。这可能是选择丹佛顿的原因。主系统的核心部件是德州仪器的TDA4VMID，这是德州仪器推出的一款用于ADAS和自动泊车的芯片。目前量产的芯片只有一颗，TDA4VMID，2022年上半年还会有两款样品，一款是TDA4VMIDPlus，一款是TDA4VLow。如果一个芯片的计算能力不够，可以并联四个芯片。图片来源：网络2022年，德州仪器也有一款TDA4AH提供样品。这是德州仪器的旗舰芯片。采用8颗A72@2.4GHz，算力100KDMIPS，4颗MMA，算力36TOPS@INT8，4颗C7xDSP，算力320GFLOPS。TDA4VMID内框图片来源：网络TDA4VMID使用两片A72，运算能力约25KDMIPS，MMA运算能力8TOPS，C7xDSP运算能力80GFLOPS，GE8430运算能力100GFLOPS。看板子，现代的L3应该是4块TDA4VMID，CPU总算力100K，NPU有32TOPS，还不错。图片来源：互联网3ARMCortex-R5F实时锁步系统，让芯片整体达到ASIL-D级别。图片来源：网上预装了与底层抽象层MCAL关联的Autosar驱动，由Vector开发。图片来源：KPIT开发的AUTOSAR互联网预装，包括网关、安全岛、OTA、V2X、诊断、IPC通信。图片来源：互联网在深度学习方面，德州仪器开发了TI深度学习（TIDL），优化了三大推理深度学习模型，尤其是微软开放的神经网络交换ONNX。在硬件方面，DSP加入了MMA，即矩阵乘法加速器。在深度学习方面，DSP有一个NPU等加速器无法比拟的优势，就是DSP采用哈佛结构，将内存空间一分为二，分别存储指令和数据。它们有两组总线连接到处理器内核，允许同时访问它们，每个内存都是独立寻址和独立访问的。这种安排使处理器的数据吞吐率提高了一倍，更重要的是，同时向处理器内核提供数据和指令。在这种布局下，DSP可以实现单周期MAC指令。NPU除DSP外，一般采用冯诺依曼架构，数据和程序共享总线和存储空间。在深度学习推理的卷积运算中，一条指令同时取两个操作数。有一个取指令操作。如果通过总线访问程序和数据，就会出现取指令和取数据的冲突，非常不利于计算量大的循环的执行效率。哈佛结构基本上可以解决取数和计数的冲突。它没有存储瓶颈，并且本质上是流水线的。最终的结果是DSP的深度学习推理加速计算值几乎没有水分，而NPU专用的深度学习推理加速性能不稳定，需要高度定制化，软硬件集成，针对其架构开发的某款机型一般来说，加速器的利用率是90%，但换个型号可能只有10%或5%。比如英伟达的Orin，如果它的理想算力是254TOPS，但在某些机型上，算力会下降到12.7TOPS。事实上，考虑到存储瓶颈，任何基于冯诺依曼的加速器都无法达到理想值的80%。DSP的通用性强，任何型号都有90%的利用率。现代L3系统不依赖于深度学习计算能力，而是更多地依赖CPU和传统的可确定和可解释算法。可靠性远高于依赖深度学习的自动驾驶系统，这是一种不确定且无法解释的算法。TDAV4MID的视觉加速管线图片来源：网络
