汽车模型仿真十大排名（1000TOPS）
周彦武
安霸成立于2004年，核心团队均来自硅谷，创始人王奉民。安霸依靠GoPro运动相机一炮而红，并借助群光电子打入GoPro供应链，是GoPro独家芯片供应商。运动相机市场饱和后，安霸转入行车记录仪业务，后自2018年开始进军汽车ADAS前装市场，安霸2021年收入大约3亿美元，其中约15%来自汽车前装领域。目前已进入丰田高端雷克萨斯供应链，新兴造车企业Rivian也是安霸客户，此外还有现代汽车与安波福合资的Motional，与Uber合作打造无人车的英国新兴造车势力ARRIVAL。安霸自2022年开始进军L4级自动驾驶域控制器，首发芯片CV3。
图片来源：互联网
国内客户主要有吉利、长安、长城、上汽、宇通、比亚迪，合作项目主要是行车记录仪或DMS。
图片来源：互联网
安霸在2021年下半年推出CV3，采用16核ARM Cortex-A78AE设计，同样的内核也可以在英伟达的Orin里发现，不过Orin是12核。AI算力方面，INT8位精度达500TOPS，如果INT4位精度，可达1000TOPS。
图片来源：互联网
安霸CV3简介，采用三星5纳米工艺制造，比英伟达Orin的7纳米要高。运行温度范围最高上限达125℃，比Orin高20度。功能安全达到B级，加上MCU安全岛为D级。安霸晶圆代工合作伙伴一直都是三星，产能比较宽松，价格也最低。
图片来源：互联网
ASIL-B级主要就是决策部分，其底层采用QNX操作系统。安全域采用ARM的安全岛即Cortex R-52。域控制器层面采用硬件安全模块（HSM），这是安霸的特色之一。
HSM对于完全的安全车载通信 (SecureOnboard Communication, SecOC) 是必不可少的。HSM有助于确保所收到的所有数据的真实性，并防止攻击者通过绕过与安全性相关的ECU接口，获得对中央处理器甚至车载网络的访问权限。然而，集中式车载网络所面临的挑战不仅限于此：每当车辆计算机（通常划分为多个虚拟机）接管多个ECU的软件应用程序和功能时，对安全组件的需求也会增加。新一代的HSM也为此做好了准备。物理上，HSM的安全功能封装在相应处理器的HSM内核中。在那里，安全功能通过HSM软件协议栈激活和操作。因此，车辆计算机的主控制器可以专注于其实际任务，而HSM内核则处理安全性的要求：安全的车载通信、运行时的操作检测以及安全的启动、刷新、日志记录和调试。这使HSM比纯粹基于软件的安全解决方案要强大得多。
新一代的HSM将具备一个精简的实时操作系统，或者称之为固件。新的HSM固件可确保HSM内核最多处理16个并行会话，而HSM软件中的会话数量可配置。这种多核和多应用程序支持的秘密在于HSM固件驱动程序的特殊体系结构。这允许不同的虚拟化应用程序独立集成驱动程序，从而为独立开发各种软件部件铺平了道路：在集成过程中，“链接器”步骤可确保驱动程序的各种实例在硬件的共享RAM中使用通用结构。新一代HSM设计用于多核和多应用程序任务，使用批量MAC接口，即使在高数据负载和异构格式的情况下，也可以确保通信的实时性。
安霸的AI加速器是CVflows，安霸没有透露过太多细节，核心就是数据流架构，类似于DSP。数据流架构是一种计算机体系结构，直接与传统的冯·诺依曼架构或控制流体系结构进行对比，数据流架构没有概念上的指令计数器（所以它的算力无法使用TOPS这样的单位，安霸只能说等效于500TOPS）。其使用粗粒度表示（Coarse-grained Representation）来提高数据的并行度，并允许编译器同时调度多个顺序循环和功能，以实现更高的吞吐量及更低的延迟。
现在大部分的GPU、CPU都是基于指令集的架构，应用层可以通过软件和编辑器去将语言最终转化为机器语言，即二进制的码，从而执行指令和操作，并保证对不同应用的兼容性。DSP有个重复循环机制，即进入这种模式时，指令自动变为单周期指令，零存储开销，零译码开销，效率飞速增加。某种意义上等于没有了指令的概念。安霸的CVflows应该就是这种设计。
图片来源：互联网
传统AI加速器靠堆砌MAC数量，数量越多，算力越强，非常简单粗暴，缺点是成本高，效率低。
图片来源：互联网
安霸特别拿英伟达的Xavier做了个对比，汽车GPU达到30TOPS算力的只有英伟达的Xavier。安霸的效率是英伟达的5倍。
图片来源：互联网
安霸也提供完整的软件协议栈，还精细地分为有HD地图和无HD地图两种模式。
安霸的EVA原型车演示界面
图片来源：互联网
图片来源：互联网
安霸也不会忘记与Mobileye对比，安霸是一个开放的平台。
图片来源：互联网
安霸汽车软件合作伙伴，其中DMS领域的Seeing Machines是澳洲上市公司，其产品大量用于通用汽车上。
图片来源：互联网
除了CVflows，安霸另一个特色是立体双目，上图中Rivian的R1T就用了安霸的CV2实现立体双目。
立体双目的主要使用者包括奔驰、路虎、雷克萨斯、斯巴鲁、本田第一辆L3和铃木，支持立体双目的Tier1包括博世、德国大陆汽车、日立、电装、电产和华为。立体双目需要深厚的技术积累。
必须说激光雷达或立体双目是L3级智能驾驶必备的传感器，自动驾驶领域，感知部分的任务就是建立一个准确的3D环境模型。深度学习加单目三目是无法完成这个任务的。单目和三目摄像头的致命缺陷就是目标识别（分类）和探测（Detection）是一体的，无法分割。必须先识别才能探测得知目标的信息，而深度学习的穷举法特性导致其肯定会出现漏检，也就是说3D模型有缺失，因为深度学习的认知范围来自其数据集，而数据集是有限的，不可能穷举所有类型，因此深度学习容易出现漏检而忽略前方障碍物，也就是说如果无法识别目标，系统会认为前方障碍物不存在，不做任何减速，特斯拉多次事故多半皆是这个原因。传统算法，则可能无法识别前方障碍物，但依然能够获知前方障碍物的信息，能够最大限度地保证安全。当然这需要传感器配合，激光雷达和双目立体视觉都是以传统算法为核心（因为它不需要识别目标也能探测到目标的3D信息，当然你也可以用深度学习处理激光雷达数据，也可以让激光雷达识别目标）。也就是说三目系统只能用于L2，因为它必然有漏检，漏检是无法避免的，L2以上必须要有激光雷达或立体双目。
所以即使特斯拉的HW4.0（FSD Beta）算力再高也是L2，也是无法避免漏检的，并且FSD Beta版在识别与对于物品的警示功能方面仍有限，对于静态的物体、紧急驶出的车辆、施工区域、较复杂的十字路口等无法进行辨别。
安霸之后或许会出现更多的英伟达挑战者，三星的5纳米产能充足，价格估计不到台积电的1/4，超过1000TOPS算力也不是什么难事，超过4TFLOPS的GPUIP也有出现。就是ARM的A78架构比较昂贵。单纯从芯片指标挑战英伟达并不困难，难的是整体竞争力。
报告订购及合作咨询私信小编
佐思 2022年研究报告撰写计划
智能网联汽车产业链全景图（2021年12月版）
「佐思研究月报」
ADAS/智能汽车月报 | 汽车座舱电子月报 | 汽车视觉和汽车雷达月报 | 电池、电机、电控月报 | 车载信息系统月报 | 乘用车ACC数据月报 | 前视数据月报 | HUD月报 | AEB月报 | APA数据月报 | LKS数据月报 | 前雷达数据月报
声明:本文由"麦兜"发布，不代表"知识分享"立场，转载联系作者并注明出处：https://www.029ipr.com/auto/7471.html
