Vorstudie zum Muster von Chips für autonomes Fahren: Nvidia führt die Branche an, und Huawei wird voraussichtlich eine wichtige Rolle spielen
Originaltitel: Vorläufige Studie zum Autopilot-Chipmuster: NVIDIA ist führend in der Branche, und Huawei wird voraussichtlich eine wichtige Rolle spielen
Mit steigendem Niveau des autonomen Fahrens steigt auch der Bedarf an Prozessor-Rechenleistung
Mit steigendem Niveau des autonomen Fahrens werden auch höhere Anforderungen an die Rechenleistung des Prozessors gestellt.
Da autonomes Fahren eine Echtzeitwahrnehmung der Umgebung unter verschiedenen Wetter- und Lichtbedingungen erfordert, verschiedene dynamische oder statische Objekte identifiziert und verfolgt und deren mögliches Verhalten vorhergesagt werden muss, steigt mit zunehmendem Niveau des autonomen Fahrens auch der entsprechende Wahrnehmungsbedarf erheblich. Laut den Daten des Horizonts sind zum Erreichen des L2-Niveaus 5 Kameras + 5 Millimeterwellenradar erforderlich, und um das automatische Fahren auf der Autobahn L3 zu erreichen, muss die erforderliche Sensorlösung erheblich auf 13 Kameras + 9 Millimeterwellenradar + 1 A erhöht werden Lidar (jeder OEM verwendet unterschiedliche Schemata, aber der Trend zu einer erheblichen Zunahme der Anzahl von Sensoren ist offensichtlich).
Durch die steigende Anzahl von Sensoren wächst auch die zu verarbeitende Datenmenge rasant. Laut den Daten des Horizonts sind die typischen Pixeldaten des autonomen Fahrens L4 bis zu 112 MP groß, was etwa dem 16-fachen des autonomen Fahrens L2 entspricht; die zu verarbeitende Datenmenge beträgt 4,08 Milliarden Bytes/s. Das ist etwa das 30-fache des autonomen Fahrens L2.
1
2
Nvidia (NVDA.US) führt Chips für autonomes Fahren an, und mehrere Giganten haben ihre eigenen Stärken
Derzeit lassen sich die Hauptakteure von Autopilot-Chips grob in drei Kategorien einteilen.
Die erste Kategorie ist eine offene Plattform, die eine hohe Rechenleistung bieten kann, hauptsächlich Qualcomm (QCOM.US) und Nvidia. Diese Art von Player verfügt über ein sehr reichhaltiges Software-Ökosystem. Darüber hinaus umfasst sie auch einen semi-universellen Zustand. Das Software-Ökosystem ist schwächer als Qualcomm und Nvidia, Huawei, Xilinx (XLNX.US) etc.
Die zweite Art von Akteuren sind hauptsächlich traditionelle Automobil-Halbleitergiganten, darunter hauptsächlich Renesas, Infineon, NXP (NXPI.US), Texas Instruments (TXN.US), STMicroelectronics (STM.US) usw. Nach dem Einstieg von Nvidia, Huawei und anderen Herstellern sind solche Spieler zwar teilweise betroffen, haben aber das autonome Fahren nicht komplett aufgegeben. Renesas ist beispielsweise der schnellste Spieler dieser Art in Bezug auf Chips für autonomes Fahren. Sein ASIL-D-Level-System-on-Chip R-Car V3U für ADAS und AD hat 60Tops in der Rechenleistung erreicht, was mit Qualcomms vergleichbar ist Fahrplattform Das Gleiche, aber der Zeitknoten der Massenproduktion kann später sein.
Die dritte Art von selbstentwickelten künstlichen Intelligenz-ASIC-Chips der Spieler, hauptsächlich Tesla, Mobileye und Domestic Horizon, schwarzer Sesam usw., mit Ausnahme von Teslas selbst entwickelten Chips, die in ihren eigenen FSD-Systemen verwendet werden, werden von anderen Herstellern oft extern bereitgestellt Full-Stack-Lösung mit Soft- und Hardwarekopplung.
3
Nvidia ist derzeit führend bei Chips für autonomes Fahren. Derzeit haben sich viele Autohersteller aus vielen Gründen für Nvidia-Chips entschieden:
NVIDIA hat eine einheitliche GPU-Hardwarearchitektur und CUDA-Softwarearchitektur rund um das Auto, den Desktop und die Cloud entwickelt und verfügt über eine starke Rechenleistung im Hochleistungs-Computing mit künstlicher Intelligenz. Nvidia ist das einzige Unternehmen der Branche, das in der Lage ist, eine einheitliche Architektur und eine einheitliche Softwareentwicklungsumgebung für Desktop-, Cloud- und Fahrzeugterminals bereitzustellen. Auf der Fahrzeugseite hat NVIDIA eine End-to-End-Plattform aufgebaut, die Lösungen für Sensoren, Domänencontroller und Datenerfassungssoftware bieten kann; auf der Desktop-Seite kaufen Unternehmen, die autonomes Fahren betreiben, häufig Intel-CPUs und NVIDIA-Spielkarten Cloud, CUDA und eine Reihe von SDK für künstliche Intelligenz können Nvidia nicht umgehen, und die Vorteile der Bildverarbeitung und andere Aspekte können der Simulationsplattform von Nvidia helfen, die Wettbewerbsfähigkeit zu erhalten. Die Full-Stack-Fähigkeit garantiert das starke Ökosystem von Nvidia, denn die Softwareplattformen aller Produkte im Auto, Desktop und in der Cloud sind gleich. In der Cloud entwickelte Autopilot-Software kann ohne Modifikation auf dem Desktop und im Auto ausgeführt werden Code-Änderung. Gleichzeitig geht Nvidia den GPU-Weg, der Entwicklungsprozess ist relativ einfach, es müssen keine zusätzlichen Anpassungen an der Hardware vorgenommen werden; und die Hauptgegner sind meist ASIC-Lösungen, die gesamte Toolkette ist noch nicht sehr ausgereift , und es ist nicht besonders freundlich zu Entwicklern.
4
Nvidia ist früher in den Markt für autonomes Fahren eingestiegen und liegt damit vor seinen großen Konkurrenten. Im April 2021 veröffentlichte Nvidia eine neue Generation von SoC-Atlan, eine einzelne SoC-Rechenleistung kann 1000TOPS erreichen, es wird erwartet, dass sie 2023 den Entwicklern Muster zur Verfügung stellt und 2025 eine große Anzahl von Fahrzeugen installiert wird. Derzeit liegen die Autopilot-Chips von Nvidia zwei Generationen vor den Hauptkonkurrenten, die fast zwei Jahre hinter dem Zyklus zurückliegen. Der First-Mover-Vorteil ist ein wichtiger Vorteil von NVIDIA, da für den OEM nach der Auswahl einer Plattform die anschließenden Migrationskosten relativ hoch sind. Das neuronale Netz selbst erfordert viel Abstimmung. Es hat einen relativ hohen Grad an Kopplung mit der Hardware. Es kann schwierig sein, eine bessere Wirkung auf eine bestimmte Hardware einzustellen. Wenn Sie eine Hardware ändern, müssen einige von ihnen neu abgestimmt werden, und jetzt Die Werkzeugkette ist noch nicht sehr ausgereift, und der Anpassungsprozess kann schmerzhafter sein.
Wir gehen davon aus, dass Qualcomm auch einer der Spieler am Finaltisch sein wird. Derzeit hat Qualcomm zumindest mehrere Vorteile:
Der Vorteil der Kostenleistung. Aus Kostensicht ist Qualcomm führend bei Consumer-Chips und Cockpit-Chips Die Migration von Consumer-Chips und Cockpit-Chips zu Chips für autonomes Fahren kann Qualcomm einige Kosten einsparen. Die Ride-Plattform der ersten Generation von Qualcomm verwendet beispielsweise zwei Cockpit-Chips plus einen ASIL-D-Autopilot-Chip auf Autoebene für Redundanz. Aus Sicht des Stromverbrauchs ist die GPU der Protagonist des parallelen Computings in Qualcomms wichtigem Rivalen NVIDIA-Chip.Bei einigen gängigen neuronalen Netzwerkmodellen ist die Effizienz nicht so gut wie bei ASIC, daher ist das Energieeffizienzverhältnis von NVIDIAs Chip für autonomes Fahren schwächer (Nvidia ist sich natürlich auch der Schwächen der GPU bewusst, und es gibt auch eine Deep-Learning-Beschleunigungs-Engine, die durch die ASIC-Architektur auf dem Chip implementiert ist).
5
Qualcomm ist der absolute Marktführer im Bereich Cockpit und trägt zur Förderung autonomer Fahrlösungen bei. Laut Qualcomms Daten haben sich Ende 2020 20 der 25 Top-Automobilhersteller für die Snapdragon Automotive Digital Cockpit Platform von Qualcomm entschieden. Modelle mit der 8155-Plattform werden 2021 in Serie produziert, und Qualcomm könnte bis 2022 70 % ausmachen - 80% des Marktanteils, obwohl es nicht viel Raum für eine weitere Steigerung des Marktanteils in der Zukunft gibt (der OEM wird in der Regel zwei Plattformen als Backup wählen), aber es besteht kein Zweifel, dass die Position von Qualcomm im Cockpit-Bereich hat etabliert, NVIDIA sitzt im Cockpit, es gibt nur wenige Kunden im Feld wie Mercedes-Benz, Audi und Hyundai. Da die Cockpit-Domäne schneller vordringt als die Cockpit-Domäne, hat Qualcomm über die Cockpit-Domäne eine kooperative Beziehung mit vielen OEMs aufgebaut, die Cockpit-Lösung durchbrochen und dann seine eigene Lösung für autonomes Fahren an den OEM weitergegeben. Für OEMs ist es vorteilhafter, den gleichen Lieferanten für das Cockpit und das autonome Fahren zu wählen, da er nicht zwei Teams gleichzeitig unterhalten wird, um das Software-Wissen der beiden Chiphersteller zu erlernen.
6
Tesla (TSLA.US) stellt ein relativ geschlossenes Ökosystem dar. Nach der Trennung von Mobileye und NVIDIA hat Tesla im April 2019 seinen selbst entwickelten FSD-Chip auf den Markt gebracht. Die Forschung und Entwicklung des FSD-Chips begann 2017, dauerte vom Design bis zur Serienreife 18 Monate und wurde im April 2019 offiziell auf das Model 3 angewendet. Es befinden sich zwei Chips auf derselben Platine und jeder Chip hat eine Rechenleistung von 72 TOPS Während des Fahrvorgangs analysieren die beiden Chips gleichzeitig die gleichen Daten und vergleichen die Analyseergebnisse, um sich gegenseitig zu verifizieren und die Sicherheit zu verbessern des autonomen Fahrens.
7
Die Eigenschaften von Teslas FSD-Chip zeigen sich hauptsächlich in drei Aspekten: Hochgeschwindigkeits-Bildverarbeitung, NPU und SRAM.
Hauptsächlich NPU: Der Mobileye EQ5-Chip besteht aus 4 Modulen, nämlich CPU, CVP, DLA und MA, hauptsächlich CPU und CVP; NVIDIA Xavier-Chip besteht hauptsächlich aus GPU, CPU, DLA, PVA und zwei ASICs Hauptsächlich GPU und CPU. Der Tesla FSD-Chip besteht hauptsächlich aus drei Modulen (CPU, GPU, NPU), hauptsächlich NPU, da Tesla die Radar-Vision-Lösung nicht übernimmt, enthält es nicht das CVP-Modul.
8
Hochgeschwindigkeits-Bildverarbeitung: 1) In Bezug auf die Datenübertragung erreicht die Datenübertragungsgeschwindigkeit des Bildprozessors SIP des FSD-Systems 2,5 Milliarden Pixel pro Sekunde, was weit über der von 8 Kameras gesammelten Datenmenge liegt; 2) In Bezug auf die Datenverarbeitung Die maximale Verarbeitungsgeschwindigkeit des im FSD-Chip integrierten Bildprozessors ISP beträgt 1 Milliarde Pixel/Sekunde, was den schnellsten DP1.4-Standard für die Videoübertragung für Verbraucher erreicht hat der Consumer-Grade-Chip.
SRAM: Die Hauptfunktion von ISP besteht darin, die von der Kamera erzeugten ursprünglichen drei Primärfarbdaten in komplexe Bildinformationen umzuwandeln, die im SRAM gespeichert werden, bevor sie zur weiteren Verarbeitung in die NPU eingegeben werden. Laut Pete Bannon, dem Chefingenieur von Teslas Chip, muss die Cache-Bandbreite für das vollautomatische Fahren mindestens 1 TB/sek erreichen, während die Bandbreite des FSD-Chips SRAM 2 TB/sek erreicht.
9
Es wird erwartet, dass Huawei eine sehr wichtige Kraft im Bereich des autonomen Fahrens wird. Das von Huawei selbst entwickelte Yueying-Betriebssystem ist LINUX-kompatibel und kann den Mikrokernel von QNX sowie die niedrige Latenzzeit erreichen und auf diese Weise die Migration vieler ursprünglich unter dem LINUX-Framework entwickelten Algorithmen auf diese Massenproduktion auf Autoebene reduzieren Schwierigkeit der Softwaremigration auf dem System. Gleichzeitig ist Huawei auch der einzige Sensorhersteller unter den Chip-Giganten, und sowohl Lidar als auch Millimeterwellenradar sind Eigenentwicklungen.
10
Mobileye bietet Black-Box-Lösungen und ist einem gewissen Wettbewerbsdruck ausgesetzt. Mobileye bietet eine Black-Box-Lösung, was auch ein wichtiger Grund dafür ist, dass die Branche derzeit nicht optimistisch ist, denn OTA ist ein großer Trend und für OEMs kann die Black-Box-Lösung immer mehr ihren Anforderungen nicht gerecht werden.