自动驾驶软硬一体演进趋势研究报告

自动驾驶软硬一体演进趋势研究报告 概述 软硬一体化是一种产品设计模式，它将软件和硬件系统集成在一起，以提高系统效率和性能。这种设计模式使得在硬件上进行软件的优化和协作变得更加容易，从而达到更高的性能、更低的功耗、更低的延迟和更加紧密的结合。 软硬一体又可分两种不同模式：1）像苹果一样，自己完成从芯片到操作系统及其他核心软件的研发；2）像 PC 产业 Windows+Intel，以及智能手机产业的安卓 +ARM，操作系统厂商与芯片厂商深度绑定。前者我们称为“重软硬一体”，而后者则是“轻软硬一体”。这两类，都是通过软硬一体的战略获得共赢的典型代表。 在自动驾驶领域，特斯拉，从早期采用 Mobileye 的软硬一体解决方案，到采用英伟达的芯片 + 自研算法的软硬解耦方案，再逐步过渡到基于自研的芯片以及自研智驾算法的“重软硬一体”策略，引领了行业潮流。可见，同一家公司在不同阶段会有软硬解耦或软硬一体的不同选择，具有很强的灵活性。 国内的诸多自动驾驶芯片以及算法供应商在经历了初期的百花齐放，如今经过市场的筛选，已经有几家公司确立了“头部”地位。当前，整体的产业模式也从初期软硬解耦和软硬一体两种思路的巨大分歧逐步收敛至软硬一体方案，并围绕这种模式建立业态以及利益分配链条。 在当前市场上不同案例并存的情况下，本报告会对软硬一体给出详细的定义，并分析其出现的成因，以及对未来行业在软硬一体方向发展趋势进行预测。 内容目录 概述 01软硬一体定义及行业现状分析04 1.1 软硬一体定义1.2 软硬一体方案为何成为行业的主流选择？1.3 供应商的软硬一体策略1.4 整车厂的软硬一体策略04060911 02软硬一体开发能力分析 13 2.1 智驾系统算法架构2.2 智驾域控芯片架构2.3 智驾域控系统底层软件131417 03 自动驾驶赛道公司概况19 3.1 主流芯片厂商3.2 整车厂3.3 软件 Tier1192327 04 4.1 软硬一体的综合趋势4.2 自动驾驶赛道玩家未来的道路选择4.3 端到端算法对软硬一体未来趋势的影响4.4 舱驾一体对软硬一体未来趋势的影响4.5 具身赛道软硬一体的未来趋势4.6 趋势总结303234353536 【附录】软硬件一体的现状调查39 本报告访谈和编写项目组特别声明4344 图示目录 图示 1：智驾系统的不同合作模式图示 2：英伟达和特斯拉主力自动驾驶芯片参数和成本结构对比图示 3：软硬一体是否能带来成本优势？图示 4：回顾历史，摩尔定律是支撑 PC 端出现通用芯片的底层原因图示 5：软硬一体的方案优势对比及 Tier2 厂家未来生存空间调研图示 6：车载智能计算基础平台参考架构图示 7：典型的车载芯片分布图示 8：不同芯片类型优劣势对比图示 9：英伟达最新的 Thor 芯片可达接近 2000 TOPS 算力图示 10：Thor 可被配置为支持多种模式图示 11：地平线征程系列芯片图示 12：高通骁龙 Ride 芯片架构图示 13：特斯拉 BEV 网络架构图示 14：蔚来的神玑芯片参数图示 15：小鹏发布图灵芯片图示 16：影响软硬一体策略判定的三要素图示 17：以手机行业的软硬一体发展趋势为参考图示 18：软硬一体发展趋势及驱动因素调研图示 19：全栈自研是否会成为成为未来整车厂的主流趋势 ?图示 20：构建生态是否是芯片行业成功的必要途径 ?图示 21：软硬一体方案是最优的方案么 ?040708091113151620202122232526293031323437 1. 软硬一体定义及行业现状分析 1.1 软硬一体定义 尽管软硬一体已经成了行业内很多领先玩家的重要战略，但是目前仍没有对软硬一体给出有效的定义，本报告尝试给出一个对于软硬一体讨论范畴的定义。 首先，软硬一体中的“软件”，主要指的是智能驾驶系统的软件和算法，其中可能包括应用层、中间件、操作系统等。当我们讨论软硬一体相关公司时，“软件基因的公司”通常是指有较强算法能力和壁垒的公司。 虽然智能驾驶系统中的硬件包括了各类传感器、高性能计算芯片、域控制器以及围绕核心计算芯片的其他芯片和电子元器件，但是大部分行业专家都认为，软硬一体范畴中的“硬件”，主要讨论的是对象是高性能计算芯片。 虽然软件和硬件的概念都相对清晰，但是“软硬一体”在智能驾驶系统的语境下，却很难给出一个单一的标准界定。我们认为，软硬一体讨论的对象是自动驾驶公司及要做自动驾驶的芯片厂商以及主机厂，描述的是公司具备的软硬件协同的研发能力和开发模式。基于软硬一体的能力和开发模式，公司可以提供软硬一体的产品。 自动驾驶软硬一体演进趋势研究报告 以上三个案例展示了几种业界比较典型的自动驾驶领域公司提供软硬一体产品的模式： 1.最极致的软硬一体模式是由同一个公司完成芯片、算法、操作系统 / 中间件的全栈开发，芯片厂商同时也是整体解决方案提供方，或者，整体解决方案商也自己做芯片。这方面的典型例子包括海外的 Mobileye、特斯拉、Nvidia（开发中）以及国内的华为、地平线、Momenta（开发中）等。这样做的好处是，公司通过垂直整合拥有了最大程度的自主权，可以将软硬一体的性能和效率优势发挥到极致。在这类模式中，软与硬两部分结合最紧密、耦合最严重，为了与接下来的第二种模式相区分，这里我们将其定义为“重软硬一体”模式。 2.部分自动驾驶解决方案公司，虽然采用第三方的芯片，但是在该款特定芯片上具备极致的优化能力和丰富的产品化交付经验，能够最大化发挥该款芯片的潜能。这方面的典型案例包括卓驭（大疆）、Momenta 等。这样做的好处是通过合理分工节省了大量芯片和硬件研发投入，但是对公司在某款 / 某系列芯片上进行软件优化和部署的能力提出了很高的要求。这种模式需要解决方案公司与芯片方密切配合，但是耦合程度不如模式一紧密，所以我们将其定义为“轻软硬一体”模式。 3.部分具备软硬件全栈能力的公司，会将软硬件耦合最紧密的部分（通常是感知算法和 SOC 芯片）作为标准产品提供，而其他模块则由生态合作伙伴（如域控制器硬件公司、规控算法公司等）完成，这种模式可以看作是第一种模式的衍生，由于给下游客户提供了更大的自主权和灵活性，因而更容易得到部分主机厂客户的青睐。值得一提的是，这类合作模式中涉及到的生态合作伙伴公司，并不能被划分为软硬一体公司，因为其中软硬件耦合的核心环节并不由他们掌控。 当然，自动驾驶领域的软硬一体开发模式还有很多其他形态。我们通过以上三个定义可以看到：尽管软硬一体的核心要素是软件和 SoC 芯片如何耦合，但无论是从算法、操作系统到芯片的全栈能力带来的完全垂直整合，还是基于第三方芯片进行极致的软硬件协同优化，都可以实现软硬一体的目的。 需要注意的是，公司采用的是软硬一体还是软硬解耦战略，这个判定并非绝对，而是相对的。 比如，英伟达为自己的芯片开发算法，这是软硬一体；而某个算法公司一直基于英伟达芯片提供解决方案，基于英伟达芯片进行深度适配，这也是软硬一体。在本报告中，我们将前者归类为“重软硬一体”，将后者归为“轻软硬一体”。从另一角度看，英伟达的芯片可以跟多家的算法适配，这就属于软硬解耦策略。 再比如，地平线在 J2 及 J3 时代是“重软硬一体”，因为在这个阶段，芯片上集成的都是地平线自己开发的感知算法；而 J5 时代则变为软硬解耦（由生态合作伙伴做算法，对地平线来说就是软硬解耦）和“重软硬一体”（自己做算法， 自动驾驶软硬一体演进趋势研究报告 如理想的项目）并行。类似的是，J6 的旗舰版 J6P 的落地，在短期内会是“重软硬 一 体” 模 式（ 算 法 由 地 平 线 自 己 开 发）， 待 后 续 有 软 件 Tier1 或 车 企 基 于 J6P做算法后，则又走向软硬解耦的路线；对长期使用 J6P 的软件 Tier1 或车企来说，则是“轻软硬一体”。 再比如，一家主机厂或算法公司从供应商的芯片切换到自研芯片的过程，也属于软硬解耦；但切换完成后，则又是“重软硬一体”。 最后，为了明确本报告讨论的范围，我们也需要澄清哪些能力并不是软硬一体所需要的，或者哪些公司不应该被定义为软硬一体公司。例如：以域控制器的设计和生产、包括部分底层软件（如驱动、诊断等）开发为核心能力而不具备智驾核心算法开发和部署能力的公司，并不属于软硬一体公司。 关于软硬一体涉及的能力，本报告将在第二章《软硬一体开发能力分析》中详细讨论。 1.2 软硬一体方案为何成为行业的主流选择？ 对于汽车行业本身，早期的 ADAS，动力系统以及底盘系统都带有很强的软硬一体的痕迹，上一代 Tier1 领域的霸主博世更是从芯片到控制器再到软件算法实现了全环节交付。 而在自动驾驶兴起后，深度学习算法成为行业感知模块的通用解决方案，传统的芯片架构已经无法支持实时感知需要的大量并行计算能力。英伟达则通过移植其在通用 GPU 上的能力，先后发布了 DrivePX,DrivePX2,DriveAGXXavier以及 DriveAGXOrin 四代自动驾驶平台，希望通过提供通用平台的方式支持其芯片在自动驾驶领域落地。然而，这种硬件解耦的方式操作起来却并不成功——关键原因在于，其平台的通用特性导致其芯片在算力利用效率以及功耗方面这两个 OEM 非常关注的指标上均表现不佳，同时价格也比较昂贵，只能用于支持高端车型的智驾方案。 自动驾驶软硬一体演进趋势研究报告 与特斯拉类似，所有走“重软硬一体”路线的公司都可以针对自己的算法及架构特点构建平台体系，并以此为基础开发其他模块。无论是算法对于传感器，算法对于主芯片，抑或是中间件及底软对于芯片的整个相关性的设计都可以形成平台，并自此基础之上不断的迭代优化。特别需要强调的是，对苹果和特斯拉来说，“算法是平台”。 “算法是平台”这一观点，跟主流的认知截然相反，因为，在自动驾驶行业里，尤其是被硬件思维主导的车企管理层的认知里，只有芯片才是“平台”，算法应该“跟着芯片走”。算法本身可被看作平台的核心原因是：算法是连接传感器 / 自动驾驶软硬一体演进趋势研究报告 数据 / 功能 / 应用及底层芯片的“链主”，因而，将算法视作平台并提供相应的迭代机制，就可以让原本只能割裂开发的各个环节（如芯片和最终实现功能之间）之间实现有机的连接。作为对比，如果将芯片作为平台，则无法实现各环节之间的有效连接。 苹果与特斯拉这类公司搭建起以算法为“链主”的平台的好处包括：可以提升开发效率；能够提升开发质量；系统侧的成本也会越来越低——在整个量产落地的过程中，顺畅度及解决问题的效率都会大大提升。 这种成本优势引导行业走向软硬一体的路线基本也得到了业界的共识，通过对行业内 28 名专家的访谈和调研我们可以看到，有 25 位专家认为通过软硬一体的模式确实能够为企业带来足够的成本优势。 与苹果及特斯拉模式相对的是，走“轻软硬一体”路线的公司则会基于自身的算法选择供应商或合作伙伴的芯片来做适配。在产业早期，市场上可选择的芯片较少，同时芯片算力的增长不能适配算法需求的增长时，他们也会针对性的对自研算法进行调整来配合芯片。而随着芯片算力遵循摩尔定律不断增长，当其能力远大于算法所需算力之后，这种针对性的优化和适配的工作会逐步减少，让软硬一体的程度变得更轻，因而耦合度进一步降低，甚至可能会走向软硬解耦。 1.3 供应商的软硬一体策略 1.3.1 芯片公司采用软硬一体策略的核心原因 软硬一体的根基是芯片。 目 前 看 到 的 自 动 驾 驶 主 芯 片 的 主 要 架 构 是 在 ARM 体 系 结 构 上 搭 载 CPU 及NPU，其中，CPU 作为通用的计算芯片，目前已经实现了很好的软硬解耦，但针对深度学习的 NPU 部分，还需要针对主流的量产算法进行定制化设计，使其利用率更高、且整体平衡性更好。因为，自动驾驶算法对于芯片的不同处理单元会有不同的需求，若需求与处理单元提供的能力不能吻合，就导致资源不均衡或者需要频繁的移动数据，进而造成额