【導(dǎo)讀】汽車(chē)芯片主要分為功能芯片、功率器件和傳感器三大類(lèi)。在傳統(tǒng)燃油車(chē)中，平均芯片搭載量約為 500-600 顆/輛，而隨著前面提到的汽車(chē)電動(dòng)化、智能化的演進(jìn)，平均芯片搭載量已提升至 1000 顆/輛，在新能源車(chē)中更是超過(guò)了 2000 顆/輛，未來(lái)隨著電車(chē)智能化的升級(jí)，還有望提升至 3000 顆/輛，甚至更多。
2018 年，汽車(chē)行業(yè)“缺芯”潮來(lái)得猝不及防，而后波及所有電子元器件品類(lèi)，自此汽車(chē)電子“一芯難求”成為街頭巷尾熱議的話(huà)題。今天，我們看到經(jīng)過(guò)幾年的上游擴(kuò)產(chǎn)，疊加近期汽車(chē)終端市場(chǎng)的不景氣因素，缺芯現(xiàn)象得到明顯緩解，僅剩下少部分主控芯片依舊維持長(zhǎng)交付周期的狀態(tài)。
汽車(chē)電動(dòng)化、智能化下的增量市場(chǎng)相當(dāng)可觀(guān)
回顧過(guò)去，真的只是電子供應(yīng)鏈?zhǔn)袌?chǎng)周期性波動(dòng)帶來(lái)的“缺芯”問(wèn)題嗎？回答是否定的，究其最深層的原因，還是汽車(chē)電動(dòng)化、智能化趨勢(shì)下電子電氣架構(gòu)變革帶來(lái)的增量市場(chǎng)上升速度太快，導(dǎo)致車(chē)規(guī)級(jí)芯片市場(chǎng)供不應(yīng)求，從而產(chǎn)生“缺芯+漲價(jià)”的應(yīng)激反應(yīng)。
汽車(chē)芯片主要分為功能芯片、功率器件和傳感器三大類(lèi)。在傳統(tǒng)燃油車(chē)中，平均芯片搭載量約為 500-600 顆/輛，而隨著前面提到的汽車(chē)電動(dòng)化、智能化的演進(jìn)，平均芯片搭載量已提升至 1000 顆/輛，在新能源車(chē)中更是超過(guò)了 2000 顆/輛，未來(lái)隨著電車(chē)智能化的升級(jí)，還有望提升至 3000 顆/輛，甚至更多。
商業(yè)價(jià)值最大化，L2/L2+是短期內(nèi)的行業(yè)共識(shí)
作為汽車(chē)智能化的核心，近年來(lái)自動(dòng)駕駛技術(shù)的發(fā)展非常迅速。當(dāng)前，部分汽車(chē)廠(chǎng)商已經(jīng)推出了具備 L2 級(jí)別自動(dòng)駕駛功能的車(chē)型，比如特斯拉 ModelS、廣汽新能源 AionS、小鵬 G3、蔚來(lái) ES8、一汽大眾探岳、長(zhǎng)安 CS75、WEYVV6、吉利繽瑞等。
那么，到底什么是 L2 級(jí)別自動(dòng)駕駛呢？事實(shí)上，市面上有兩套自動(dòng)駕駛分級(jí)標(biāo)準(zhǔn)，分別是 2014 年國(guó)際汽車(chē)工程師學(xué)會(huì)（SAE）首發(fā)的《SAE J3016 推薦實(shí)踐：道路機(jī)動(dòng)車(chē)輛駕駛自動(dòng)化系統(tǒng)相關(guān)術(shù)語(yǔ)的分類(lèi)和定義》，簡(jiǎn)稱(chēng)《SAE 駕駛自動(dòng)化分級(jí)》；以及 2021 年我國(guó)國(guó)家市場(chǎng)監(jiān)督管理總局出臺(tái)的《汽車(chē)駕駛自動(dòng)化分級(jí)》國(guó)家標(biāo)準(zhǔn)（標(biāo)準(zhǔn)號(hào)：GB/T 40429-2021）。兩者的區(qū)別在于國(guó)家市場(chǎng)監(jiān)督管理總局、國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)將 L1 至 L2 級(jí)別統(tǒng)稱(chēng)為輔助駕駛，L3 至 L5 級(jí)別統(tǒng)則稱(chēng)為自動(dòng)駕駛。下面，我們以國(guó)際標(biāo)準(zhǔn)為例來(lái)具體介紹一下。
在《SAE 駕駛自動(dòng)化分級(jí)》標(biāo)準(zhǔn)中，自動(dòng)駕駛被分為 L0 級(jí)~L5 級(jí)：
L0 級(jí)：無(wú)自動(dòng)化，純?nèi)斯ゑ{駛；
L1 級(jí)：駕駛支持，以人工操控為主，系統(tǒng)提供適時(shí)輔助，常配有制動(dòng)防抱死系統(tǒng)、車(chē)身電子穩(wěn)定系統(tǒng)等；
L2 級(jí)：部分自動(dòng)化，雖然自動(dòng)駕駛系統(tǒng)能夠完成某些駕駛?cè)蝿?wù)，但駕駛者仍需專(zhuān)心于路況，當(dāng)系統(tǒng)出現(xiàn)差錯(cuò)時(shí)需要人為進(jìn)行糾正，常配有自適應(yīng)巡航系統(tǒng)、主動(dòng)車(chē)道保持系統(tǒng)、自動(dòng)剎車(chē)輔助系統(tǒng)和自動(dòng)泊車(chē)系統(tǒng)等；
L3 級(jí)：有條件自動(dòng)化，某些特定場(chǎng)景下的自動(dòng)駕駛，車(chē)輛自動(dòng)駕駛系統(tǒng)的優(yōu)先級(jí)高于駕駛員，但是駕駛員可以通過(guò)緊急按鈕隨時(shí)取得車(chē)輛的控制權(quán)，如交通擁堵路段的自動(dòng)跟車(chē)行駛、遠(yuǎn)程倒車(chē)入庫(kù)等，以在公用路面上完成 L3 級(jí)別的自動(dòng)駕駛車(chē)輛奧迪 A8 為例，其搭載了 24 個(gè)感應(yīng)器和 41 種駕駛輔助系統(tǒng)軟件；
L4 級(jí)：高度自動(dòng)化，在規(guī)定的道路和環(huán)境中，車(chē)輛自動(dòng)駕駛系統(tǒng)能夠自主完成所有的駕駛操作，具備完全處理緊急情況的能力，駕駛員可以做自己想做的事情，如果出了事，責(zé)任將全部歸屬?gòu)S商，方向盤(pán)、油門(mén)、剎車(chē)等裝置也或被取消；
L5 級(jí)：完全自動(dòng)化，在所有道路和條件下，自動(dòng)駕駛系統(tǒng)都能夠完成駕駛?cè)蝿?wù)，應(yīng)對(duì)任何工況，駕駛員全程無(wú)需干預(yù)，此時(shí)也不再有駕駛艙的概念，汽車(chē)更像是一個(gè)智能機(jī)器人。
事實(shí)上，在 2022 年之前，全球汽車(chē)產(chǎn)業(yè)鏈上的企業(yè)對(duì)目標(biāo)場(chǎng)景并沒(méi)有那么清晰，所以總希望通過(guò)算力抬升來(lái)實(shí)現(xiàn)硬件冗余，而今天當(dāng)自動(dòng)駕駛往高階發(fā)展，從 L2 開(kāi)始逼近 L3，甚至再往上走，技術(shù)和產(chǎn)品批量落地面臨的最大挑戰(zhàn)是需求側(cè)的承受能力，這正在倒逼車(chē)廠(chǎng)進(jìn)行新一輪的成本管控下的系統(tǒng)優(yōu)化。通過(guò)實(shí)踐證明，這兩年 L2、L2+級(jí)別的自動(dòng)駕駛將成為車(chē)廠(chǎng)標(biāo)配，這一趨勢(shì)已形成行業(yè)共識(shí)。
自動(dòng)駕駛技術(shù)演進(jìn)下，“大芯片”成為標(biāo)配
隨著自動(dòng)駕駛技術(shù)的不斷演進(jìn)，不僅車(chē)載芯片的數(shù)量在逐步增加，在跨域集中式和中央計(jì)算式架構(gòu)中，大芯片正在成為標(biāo)配，芯片設(shè)計(jì)的復(fù)雜性急劇升高。
2014 年~2018 年間仍以分布式 E/E 架構(gòu)為主，跨域集中式架構(gòu)剛起步，主流玩家 Mobileye、英偉達(dá)和瑞薩、TI 等傳統(tǒng) MCU 廠(chǎng)商的上車(chē)智駕芯片算力大都在 10TOPS 以下，如牢牢占據(jù) L1~L2 級(jí)別視覺(jué) ADAS 芯片市場(chǎng)的 Mobileye EyeQ3/Q4 的算力僅為 0.256TOPS 和 2.5TOPS。
不過(guò)也有特殊的，比如 2016 年搭載于特斯拉 HW2.0 平臺(tái)的英偉達(dá) Tegra Parker SoC 算力就提高到了 24TOPS，同時(shí)把 GPU 路線(xiàn)的自動(dòng)駕駛 SoC 正式推向市場(chǎng)。
2019 年~2023 年間跨域集中式架構(gòu)發(fā)展提速，英偉達(dá)開(kāi)始引領(lǐng)高算力市場(chǎng)，相關(guān)電子供應(yīng)鏈結(jié)構(gòu)同步發(fā)生轉(zhuǎn)變，除了英偉達(dá)外，特斯拉自研 FSD 芯片崛起，國(guó)產(chǎn)品牌地平線(xiàn)、黑芝麻、芯馳等抓住國(guó)產(chǎn)替代窗口開(kāi)始發(fā)力。此時(shí)，智駕芯片面向應(yīng)用場(chǎng)景和汽車(chē)終端產(chǎn)品定位出現(xiàn)算力需求分化，行業(yè)形成共識(shí)，L2/L2+級(jí)別自動(dòng)駕駛在短期內(nèi)更具商業(yè)落地價(jià)值，紛紛發(fā)力搶占市場(chǎng)。
值得一提的是，在 L2/L2+級(jí)別的中高算力自動(dòng)駕駛市場(chǎng)中，算力需求已經(jīng)達(dá)到了 30 TOPS~1000 TOPS 這個(gè)范圍，比如 2020 年英偉達(dá)發(fā)布的針對(duì) L2 級(jí)別市場(chǎng)的 Xavier 芯片，已上車(chē)小鵬 P7/P5 等車(chē)型，算力為 30TOPS；2022 年地平線(xiàn)發(fā)布的 J5 芯片，已上車(chē)?yán)硐?、比亞迪、蔚?lái)旗下阿爾卑斯、哪吒等車(chē)型，算力為 128TOPS；同年英偉達(dá)又針對(duì) L2+級(jí)別高階輔助駕駛車(chē)型推出 Orin 芯片，成為主機(jī)廠(chǎng)合作的王者，算力為 256TOPS。根據(jù)業(yè)內(nèi)人士反饋，Orin 芯片的出現(xiàn)給 Mobileye、地平線(xiàn)、高通、黑芝麻智能、寒武紀(jì)等自動(dòng)駕駛芯片企業(yè)帶來(lái)了空前壓力。
EDA 正在助力汽車(chē)芯片廠(chǎng)商實(shí)現(xiàn)性能和先發(fā)優(yōu)勢(shì)
對(duì)于這些大芯片設(shè)計(jì)廠(chǎng)商而言，如何縮減上市時(shí)間取得先發(fā)優(yōu)勢(shì)，在提高算力、安全等級(jí)的同時(shí)，改善芯片的 PPA（功耗、性能和面積），成為共同的追求目標(biāo)。
傳統(tǒng)的 EDA 工具常使用“經(jīng)驗(yàn)法則”，需要設(shè)計(jì)人員根據(jù)直覺(jué)和經(jīng)驗(yàn)進(jìn)行優(yōu)化，這種建模和仿真技術(shù)存在很多局限性，包括：無(wú)法從以前的設(shè)計(jì)中汲取經(jīng)驗(yàn)，導(dǎo)致生產(chǎn)力受限且設(shè)計(jì)不夠準(zhǔn)確；多次迭代導(dǎo)致設(shè)計(jì)時(shí)間增加；HLS 通常需要更多的時(shí)間來(lái)完成綜合；布局和布線(xiàn)取決于設(shè)計(jì)師的預(yù)測(cè)/經(jīng)驗(yàn)，會(huì)增加運(yùn)行時(shí)間；就時(shí)間和資源而言，制造成本高昂等。與此同時(shí)，車(chē)規(guī)級(jí)芯片的質(zhì)量在很大程度上取決于底層半導(dǎo)體技術(shù)和設(shè)計(jì)規(guī)則，因此對(duì) EDA 又提出了更高的要求。
所以對(duì)于一顆車(chē)規(guī)級(jí)大芯片而言，為了確保設(shè)計(jì)的正確性，必須在生產(chǎn)制造前進(jìn)行大規(guī)模的仿真和驗(yàn)證，而芯片的算力規(guī)模越大、集成度越高，仿真驗(yàn)證的過(guò)程就會(huì)越復(fù)雜，設(shè)計(jì)人員需要更快地實(shí)現(xiàn)收斂和驗(yàn)證，來(lái)降低成本并提高結(jié)果質(zhì)量。同時(shí)，傳統(tǒng)的隨機(jī)/自動(dòng)測(cè)試模式生成（ATPG）方案在故障覆蓋率方面已經(jīng)不能滿(mǎn)足實(shí)際需求。因此，將 AI 和 EDA 融合是大勢(shì)所趨。
Cadence 作為 EDA 領(lǐng)域的深耕者和領(lǐng)導(dǎo)者，可以提供汽車(chē)智能設(shè)計(jì)所需的全部 EDA 工具、設(shè)計(jì)流程等，幫助工程師加速自動(dòng)駕駛設(shè)計(jì)。同時(shí)，通過(guò)將 AI/ML 功能融入現(xiàn)有的 EDA 工具中，能夠從手動(dòng)到完全自動(dòng)化不同等級(jí)產(chǎn)生更好、更可預(yù)測(cè)的結(jié)果，助力汽車(chē)廠(chǎng)商利用多學(xué)科分析和優(yōu)化（MDAO）技術(shù)提高整體設(shè)計(jì)，從而實(shí)現(xiàn)更快速、更優(yōu)質(zhì)的結(jié)果，系統(tǒng)的精確行為建模也提高了產(chǎn)品保真度和安全性。
下面介紹兩個(gè) Cadence 在自動(dòng)駕駛中所提供的典型解決方案——Cadence Tensilica 處理器 IP、Xcelium ML。
Cadence Tensilica 處理器 IP
Tensilica 處理器 IP 是 Cadence 根據(jù)應(yīng)用需求量身定制的差異化處理器系列 IP，可滿(mǎn)足各類(lèi) ADAS 硬件加速平臺(tái)需求，其 DSP 內(nèi)核 Tensilica ConnX 支持用于 L2 級(jí)別自動(dòng)駕駛下 ADAS 的激光雷達(dá)、毫米波雷達(dá)中的高性能數(shù)據(jù)處理，提供性能、功耗和面積的理想組合，同時(shí)其 DSP 處理器 Tensilica Vision 與 Tensilica Al 處理器的集成可輕松實(shí)現(xiàn)視覺(jué)傳感器數(shù)據(jù)處理。
對(duì)于汽車(chē)芯片廠(chǎng)商來(lái)說(shuō)，在將 Tensilica DSP 產(chǎn)品集成到系統(tǒng)級(jí)芯片的同時(shí)，可以快速、輕松地進(jìn)行軟硬件劃分的探索分析，滿(mǎn)足將來(lái)算法的演進(jìn)同時(shí)大大降低 CPU，GPU 和 AI 處理器的負(fù)載。同時(shí)使用 Tensilica Instruction Extension（TIE）語(yǔ)言自動(dòng)生成處理器擴(kuò)展和與之匹配的軟件工具，并創(chuàng)建特定領(lǐng)域的差異化解決方案。
值得一提的是，搭載 FlexLock 的 Tensilica Xtensa 處理器現(xiàn)已通過(guò)車(chē)規(guī)級(jí)安全認(rèn)證，完全符合汽車(chē)安全完整性等級(jí) D 標(biāo)準(zhǔn)，提供 ASIL D 系統(tǒng)級(jí)和 ASIL D 隨機(jī)故障防護(hù)，適用于功能安全（FuSa）應(yīng)用，可以幫助更多大芯片設(shè)計(jì)廠(chǎng)商將安全模塊集成到 SoC 中，減少模塊設(shè)計(jì)和驗(yàn)證時(shí)間，增加產(chǎn)品先發(fā)優(yōu)勢(shì)。
以汽車(chē)?yán)走_(dá)模塊中的 SoC 為例，其通常由多個(gè)處理元件組成，包括控制器 CPU 和一個(gè)或多個(gè) DSP 等。當(dāng) SoC 中的晶體管出現(xiàn)隨機(jī)故障時(shí)，包括晶體管或其他物理元件磨損并卡在邏輯“0”或“1”處，由于 α 粒子引起的靜態(tài)故障導(dǎo)致內(nèi)存位從“0”翻轉(zhuǎn)為“1”等永久性故障，或是由 SoC 中的信號(hào)串?dāng)_等噪聲引起的瞬態(tài)故障等，這些故障都可能發(fā)生在與處理器緊密耦合的邏輯門(mén)或存儲(chǔ)器中的處理元件中，最終造成安全問(wèn)題。
因此，系統(tǒng)設(shè)計(jì)人員必須設(shè)定一個(gè)安全目標(biāo)，即 DSP 中的隨機(jī)故障不得導(dǎo)致車(chē)道標(biāo)記等物體檢測(cè)失敗。該安全目標(biāo)將指導(dǎo)設(shè)計(jì)人員采取適當(dāng)?shù)陌踩珯C(jī)制，以便在檢測(cè)到隨機(jī)故障時(shí)，安全控制器會(huì)收到通知并可以采取措施，例如重新初始化 DSP 等。如果 DSP 已經(jīng)進(jìn)行處理，則安全控制器負(fù)責(zé)采取措施確保在 DSP 重新初始化之前/期間達(dá)到安全狀態(tài)。
在這種設(shè)計(jì)中，位于“安全島”中的安全控制器可以起到安全關(guān)鍵決策的作用。當(dāng)然，控制器也可能會(huì)出現(xiàn)隨機(jī)故障，如果控制器檢測(cè)到 DSP 故障，但控制器采取了錯(cuò)誤的操作來(lái)響應(yīng)該故障，從而使系統(tǒng)處于不安全狀態(tài)，這類(lèi)故障可能會(huì)產(chǎn)生嚴(yán)重后果，這種情況下設(shè)計(jì)人員就需要采用冗余的設(shè)計(jì)方法，讓兩個(gè)控制器同步運(yùn)行，來(lái)大大降低此類(lèi)事件發(fā)生的可能性。
綜上，為了實(shí)現(xiàn)系統(tǒng)級(jí)別的安全目標(biāo)，像雷達(dá)模塊中的 SoC 這樣的處理器設(shè)計(jì)是非常復(fù)雜的，所以芯片設(shè)計(jì)企業(yè)通常會(huì)向可靠的第三方購(gòu)買(mǎi) IP，來(lái)簡(jiǎn)化設(shè)計(jì)流程，提高流片的成功率，而 Tensilica 處理器 IP 是個(gè)不錯(cuò)的選擇。
Xcelium ML
Xcelium Logic Simulation 是 Cadence 為 IP 和系統(tǒng)級(jí)芯片驗(yàn)證收斂提供的一款高速的仿真器，可為 SystemVerilog、VHDL、SystemC?、e、UVM、混合信號(hào)、低功耗和 X 態(tài)傳播（X-propagation）提供業(yè)內(nèi)優(yōu)異的核心引擎性能，從而加快驗(yàn)證吞吐量。
其中，Xcelium Machine Learning（ML）App 利用專(zhuān)有的機(jī)器學(xué)習(xí)技術(shù)來(lái)縮短回歸時(shí)間，可從以往的回歸運(yùn)行中學(xué)習(xí)并指導(dǎo) Xcelium 隨機(jī)引擎，在實(shí)現(xiàn)相同覆蓋率的前提下大幅度減少仿真回歸周期，或者產(chǎn)生特定覆蓋點(diǎn)的激勵(lì)觸發(fā)更多的 bug來(lái)提高驗(yàn)證質(zhì)量。
同時(shí)，Cadence 對(duì)特定領(lǐng)域還提供了相應(yīng)的 App，包括混合信號(hào)、基于機(jī)器學(xué)習(xí)的測(cè)試壓縮和功能安全，可以幫助汽車(chē)芯片設(shè)計(jì)團(tuán)隊(duì)盡早實(shí)現(xiàn)對(duì) IP 和系統(tǒng)級(jí)芯片（SoC）設(shè)計(jì)的驗(yàn)證收斂，非常適合 Level 2+ 級(jí)以上 SoC 設(shè)計(jì)。
瑞薩電子汽車(chē) SoC 業(yè)務(wù)部杰出工程師 Tatsuya Kamei 對(duì)此表示：“將 Xcelium Machine Learning（ML）App 納入驗(yàn)證流程，有助于我們?cè)诰o迫的期限內(nèi)，通過(guò)更少的回歸測(cè)試來(lái)加速完成覆蓋率的收斂任務(wù)，同時(shí)最大限度地提高驗(yàn)證性能和整體驗(yàn)證效率。”
而在這段表述的背后，是瑞薩電子借助 Verisium AI-Driven 驗(yàn)證平臺(tái)，整體調(diào)試效率提高了 6 倍，整體隨機(jī)驗(yàn)證回歸縮短了 66%；以及依托 Xcelium ML App，實(shí)現(xiàn)了回歸用例 2.2 倍壓縮和 100% 覆蓋率收斂的事實(shí)。
此外值得一提的是，瑞薩電子在不斷使用機(jī)器學(xué)習(xí)進(jìn)行回歸迭代過(guò)程中，在實(shí)現(xiàn) 100% 覆蓋率的前提下，將工作量減少了 3.6 倍。
瑞薩電子利用機(jī)器學(xué)習(xí)大大減少回歸運(yùn)行次數(shù)（從 3774 次減少到 1168 次），成功在規(guī)定時(shí)間內(nèi)實(shí)現(xiàn)產(chǎn)品上市。除了節(jié)省資源、時(shí)間和加速覆蓋率收斂外，Xcelium ML Apps 還為瑞薩電子節(jié)省了約 27 個(gè)工時(shí)。
寫(xiě)在最后
汽車(chē)產(chǎn)業(yè)的變革還在繼續(xù)，芯片和電子系統(tǒng)的重要性只會(huì)越來(lái)越高。不可否認(rèn)的是，在克服未知挑戰(zhàn)的路上缺少不了整個(gè)產(chǎn)業(yè)鏈的通力合作，而 EDA 和 IP 將是貢獻(xiàn)者鏈路上重要的一環(huán)。
免責(zé)聲明：本文為轉(zhuǎn)載文章，轉(zhuǎn)載此文目的在于傳遞更多信息，版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問(wèn)題，請(qǐng)聯(lián)系小編進(jìn)行處理。
推薦閱讀：
利用低功耗 77GHz 雷達(dá)傳感器改善運(yùn)輸和工業(yè)設(shè)計(jì)
芯原股份戴偉民：Chiplet會(huì)在A(yíng)IGC和智慧駕駛領(lǐng)域率先落地
設(shè)計(jì)支持寬輸入電壓和電池電壓范圍的應(yīng)用
先進(jìn)電氣化技術(shù)加速實(shí)現(xiàn)可持續(xù)交通
MVG測(cè)試測(cè)量解決方案確保汽車(chē)天線(xiàn)通信性能的安全、穩(wěn)定和高效
