一、車端軟硬件基礎(chǔ)架構(gòu)

（一）底層硬件與控制器結(jié)構(gòu)

底層硬件以SOC芯片為核心載體，集成了GCPU、DSP、GPU等處理單元，同時(shí)包含存儲(chǔ)芯片及其他輔助芯片，共同構(gòu)成車端計(jì)算的硬件基礎(chǔ)。在芯片之上便是各類控制器，不同控制器的中間結(jié)構(gòu)雖存在差異，但均依托底層硬件實(shí)現(xiàn)核心功能。

功能安全設(shè)計(jì)是硬件架構(gòu)的關(guān)鍵環(huán)節(jié)。功能安全系統(tǒng)通常采用帶lock - step的設(shè)計(jì)，需滿足最高功能安全等級(jí)SLD，而性能芯片一般達(dá)到SLB即可。這一安全標(biāo)準(zhǔn)為車輛的安全運(yùn)行提供了堅(jiān)實(shí)保障，不過功能安全的具體細(xì)節(jié)在此不做過多展開。

板載支持（BSP/MCAL）作為硬件與軟件之間的橋梁，發(fā)揮著重要作用。它實(shí)現(xiàn)了內(nèi)核調(diào)用的標(biāo)準(zhǔn)化，連接著OS層內(nèi)核、中間件以及OS調(diào)用的API層，并最終與應(yīng)用業(yè)務(wù)端相結(jié)合，為上層軟件提供了穩(wěn)定、高效的硬件訪問接口，確保了軟件對(duì)硬件資源的有效利用。

（二）軟件架構(gòu)層級(jí)體系

操作系統(tǒng)（OS）層包含多種類型的操作系統(tǒng)，如屬于宏內(nèi)核的Linux和微內(nèi)核的QNX等。這些操作系統(tǒng)負(fù)責(zé)管理硬件資源，為上層軟件提供基礎(chǔ)的運(yùn)行環(huán)境，包括進(jìn)程管理、內(nèi)存管理、文件系統(tǒng)等核心功能，是軟件運(yùn)行的基礎(chǔ)支撐。

中間件（Middleware）在軟件架構(gòu)中處于承上啟下的位置。它封裝了底層復(fù)雜的硬件操作和系統(tǒng)調(diào)用，為應(yīng)用層提供了統(tǒng)一、簡(jiǎn)潔的接口，使得應(yīng)用程序能夠更加便捷地調(diào)用底層資源和服務(wù)，降低了應(yīng)用開發(fā)的難度，提高了開發(fā)效率。

虛擬層由虛擬硬件環(huán)境（Hypervisor）和虛擬OS環(huán)境（Container）組成。通過虛擬化技術(shù)，虛擬層實(shí)現(xiàn)了硬件資源的虛擬化和隔離，使得多個(gè)操作系統(tǒng)或應(yīng)用程序能夠在同一硬件平臺(tái)上高效、安全地運(yùn)行，提高了硬件資源的利用率和系統(tǒng)的靈活性。

應(yīng)用層采用L1、L2、L3的典型設(shè)計(jì)模式。這一設(shè)計(jì)明確了各層級(jí)的功能定位，應(yīng)用層主要承擔(dān)監(jiān)控職責(zé)，不直接參與功能的實(shí)現(xiàn)。當(dāng)監(jiān)控到異常情況時(shí)，應(yīng)用層會(huì)觸發(fā)功能安全系統(tǒng)進(jìn)行最終的操作，確保業(yè)務(wù)迭代系統(tǒng)不受監(jiān)控性能的影響，保證了系統(tǒng)的穩(wěn)定運(yùn)行。

二、算法體系及芯片適配策略

（一）算法類型及核心特性

基于規(guī)則的算法屬于演繹型算法，其核心是根據(jù)預(yù)設(shè)的業(yè)務(wù)邏輯和規(guī)則進(jìn)行推理和決策。在實(shí)際應(yīng)用中，需要根據(jù)具體的業(yè)務(wù)邏輯確定合適的處理芯片，并且要針對(duì)環(huán)境的不確定性進(jìn)行必要的邏輯控制。然而，該算法缺乏成體系的方法論，在不同的速度、環(huán)境等條件下，其表現(xiàn)會(huì)存在差異，而且并行與串行的設(shè)計(jì)需要同步進(jìn)行，增加了開發(fā)的復(fù)雜性。

數(shù)據(jù)驅(qū)動(dòng)型的“可微分”算法以神經(jīng)網(wǎng)絡(luò)算法為代表，屬于歸納型算法。它具有恒定時(shí)間和常量?jī)?nèi)存的顯著優(yōu)勢(shì)，神經(jīng)網(wǎng)絡(luò)前向傳播的每一次迭代的FLOPS（每秒能夠執(zhí)行的浮點(diǎn)運(yùn)算的平均次數(shù)）相同，不會(huì)因輸入數(shù)據(jù)量的變化而產(chǎn)生較大波動(dòng)。同時(shí)，由于沒有動(dòng)態(tài)分配的內(nèi)存，避免了內(nèi)存交換到磁盤以及代碼中內(nèi)存泄露的問題，在工程應(yīng)用中表現(xiàn)出良好的穩(wěn)定性。

（二）不同業(yè)務(wù)場(chǎng)景的算法應(yīng)用現(xiàn)狀

在感知算法領(lǐng)域，網(wǎng)絡(luò)模型占據(jù)了絕大多數(shù)份額，采用規(guī)則算法進(jìn)行感知的情況已極為少見。這是因?yàn)榫W(wǎng)絡(luò)模型在處理大量圖像、點(diǎn)云等數(shù)據(jù)時(shí)，能夠通過多層神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征，具有更高的識(shí)別精度和魯棒性。

融合和預(yù)測(cè)領(lǐng)域，規(guī)則算法與數(shù)據(jù)驅(qū)動(dòng)算法目前處于不分伯仲的狀態(tài)。但從發(fā)展趨勢(shì)來看，網(wǎng)絡(luò)模型的占比正在逐漸提高，并且感知、融合、預(yù)測(cè)存在合并的趨勢(shì)。這種合并能夠減少數(shù)據(jù)傳遞過程中的損耗，提高處理效率和準(zhǔn)確性。

規(guī)控領(lǐng)域是數(shù)據(jù)驅(qū)動(dòng)算法應(yīng)用最少的部分，從工程量產(chǎn)的角度來看，仍然以規(guī)則算法為主。盡管存在對(duì)抗學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等數(shù)據(jù)驅(qū)動(dòng)算法，但由于其在工程穩(wěn)定性上尚未達(dá)到理想狀態(tài)，目前還未大規(guī)模應(yīng)用。不過，隨著技術(shù)的不斷發(fā)展，數(shù)據(jù)驅(qū)動(dòng)算法在規(guī)控領(lǐng)域的應(yīng)用潛力巨大。

（三）算法與芯片的適配原則

不同的算法在不同類型的芯片上表現(xiàn)出不同的適配性。DSP芯片通常用于感知前端的預(yù)處理過程，因?yàn)樗谔幚頂?shù)字信號(hào)方面具有高效性，能夠快速完成數(shù)據(jù)的濾波、變換等預(yù)處理操作。

由于網(wǎng)絡(luò)模型主要采用并行計(jì)算，而GPU在并行計(jì)算方面具有得天獨(dú)厚的優(yōu)勢(shì)，因此GPU在前端的使用比例較高，能夠高效地處理神經(jīng)網(wǎng)絡(luò)中的大量并行計(jì)算任務(wù)。

CPU則更多地用于后端處理，在規(guī)控部分以及功能安全系統(tǒng)中應(yīng)用較多。CPU具有強(qiáng)大的串行計(jì)算能力和復(fù)雜邏輯處理能力，能夠滿足規(guī)控算法中復(fù)雜的決策邏輯和功能安全系統(tǒng)中嚴(yán)格的安全控制要求。

定制芯片具有高度的靈活性，可根據(jù)具體的業(yè)務(wù)需求應(yīng)用于不同的場(chǎng)景。它能夠針對(duì)特定的算法和業(yè)務(wù)進(jìn)行優(yōu)化設(shè)計(jì)，提高處理效率，但其開發(fā)成本較高，周期較長(zhǎng)。

三、通信調(diào)度機(jī)制及技術(shù)發(fā)展趨勢(shì)

（一）主流通信調(diào)度機(jī)制對(duì)比

時(shí)間敏感網(wǎng)絡(luò)（TSN）采用精準(zhǔn)調(diào)度方式，類似于計(jì)劃經(jīng)濟(jì)模式。它對(duì)每個(gè)任務(wù)的調(diào)度時(shí)間、執(zhí)行順序等都有明確的規(guī)劃，能夠保證諸如緊急剎車等關(guān)鍵操作的耗時(shí)穩(wěn)定在固定范圍內(nèi)，具有極高的穩(wěn)定性。然而，這種調(diào)度機(jī)制對(duì)業(yè)務(wù)迭代不友好，每次業(yè)務(wù)調(diào)整都需要重新計(jì)算和調(diào)整時(shí)間排布，即使有工具輔助，也需要耗費(fèi)大量的精力。

基于TCP/IP協(xié)議等的傳統(tǒng)通信調(diào)度機(jī)制屬于競(jìng)爭(zhēng)性調(diào)度，如SOA通訊服務(wù)等，類似于互聯(lián)網(wǎng)中的自由競(jìng)爭(zhēng)模式。它具有很高的靈活性，能夠快速適應(yīng)業(yè)務(wù)的變化和擴(kuò)展。但這種靈活性也帶來了潛在的工程不穩(wěn)定性，可能導(dǎo)致網(wǎng)絡(luò)擁堵、負(fù)載波動(dòng)等問題，影響系統(tǒng)的正常運(yùn)行。

（二）通信調(diào)度機(jī)制的發(fā)展趨勢(shì)

網(wǎng)絡(luò)模型化成為解決靈活性和穩(wěn)定性矛盾的重要方向。將通信過程進(jìn)行網(wǎng)絡(luò)模型化后，能夠像人類大腦處理信息一樣，在保證靈活性的同時(shí)，避免不可控性。網(wǎng)絡(luò)模型對(duì)資源的負(fù)載穩(wěn)定，不會(huì)因通信量的變化而產(chǎn)生劇烈波動(dòng)，能夠有效提高系統(tǒng)的可靠性和效率。

在智能出行領(lǐng)域，未來的發(fā)展趨勢(shì)是實(shí)現(xiàn)輔助駕駛的智能化和無(wú)人化，去除人為因素的影響。就像網(wǎng)絡(luò)模型化逐漸取代傳統(tǒng)的SOA一樣，智能汽車將能夠?qū)崿F(xiàn)整個(gè)出行服務(wù)的最優(yōu)化，包括合理規(guī)劃加油站和充電位置、優(yōu)化行駛路線等，提高出行的效率和安全性。

 四、網(wǎng)絡(luò)模型全景及技術(shù)演進(jìn)路徑

（一）網(wǎng)絡(luò)模型的基本結(jié)構(gòu)及功能模塊

網(wǎng)絡(luò)模型的主干層多采用殘差網(wǎng)絡(luò)，其主要功能是強(qiáng)化底層特征的提取。通過殘差連接，能夠有效解決深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的梯度消失問題，使得網(wǎng)絡(luò)能夠更深、更有效地學(xué)習(xí)數(shù)據(jù)的底層特征。

中間層通過Hourglass block模型強(qiáng)化點(diǎn)檢測(cè)，RESA模型強(qiáng)化線檢測(cè)。這些模型結(jié)構(gòu)能夠針對(duì)點(diǎn)、線等特定特征進(jìn)行優(yōu)化，提高特征提取的準(zhǔn)確性和魯棒性，為后續(xù)的目標(biāo)檢測(cè)、識(shí)別等任務(wù)奠定基礎(chǔ)。

末端檢測(cè)頭根據(jù)具體的業(yè)務(wù)需求輸出相應(yīng)的檢測(cè)結(jié)果，如檢測(cè)紅綠燈、車道線、車輛、行人等。同時(shí)，中間或末端的結(jié)果會(huì)通過遞歸網(wǎng)絡(luò)在時(shí)間序列上進(jìn)行累積，形成類似于規(guī)則算法中感知和融合的狀態(tài)，能夠充分利用時(shí)間信息提高檢測(cè)和預(yù)測(cè)的準(zhǔn)確性。

（二）不同類型網(wǎng)絡(luò)模型的特點(diǎn)及應(yīng)用

CNN網(wǎng)絡(luò)主要進(jìn)行信息的層層壓縮，類似于人眼的感受野。它能夠從大量的圖像像素點(diǎn)中，通過卷積、池化等操作，逐層提取特征，最終將高維度的圖像數(shù)據(jù)轉(zhuǎn)化為低維度的特征向量或標(biāo)量結(jié)構(gòu)，在圖像感知前端應(yīng)用較多。

RNN網(wǎng)絡(luò)（如LSTM）會(huì)將輸出結(jié)果重新輸入到網(wǎng)絡(luò)的起始端進(jìn)行訓(xùn)練，適用于處理時(shí)間序列數(shù)據(jù)。它能夠捕捉數(shù)據(jù)在時(shí)間維度上的依賴關(guān)系，在融合和預(yù)測(cè)過程中應(yīng)用廣泛，如車輛軌跡預(yù)測(cè)、速度預(yù)測(cè)等。

記憶網(wǎng)絡(luò)采用QKV（查詢、鍵、值）架構(gòu)，能夠處理具有映射關(guān)系的高維度信息。它通過查詢與鍵的匹配，從記憶中提取相應(yīng)的值，解決了CNN和RNN難以處理的跳躍性記憶問題，在需要記憶和推理的任務(wù)中表現(xiàn)出色。

Transformer融合了CNN、RNN、記憶網(wǎng)絡(luò)等概念，通過自注意力機(jī)制能夠捕捉數(shù)據(jù)中的長(zhǎng)距離依賴關(guān)系，提升了網(wǎng)絡(luò)的層次。它能夠發(fā)現(xiàn)潛在的因果關(guān)系，在深層次認(rèn)知任務(wù)中表現(xiàn)出色，如自然語(yǔ)言處理、復(fù)雜場(chǎng)景下的目標(biāo)理解等。

（三）網(wǎng)絡(luò)模型的發(fā)展階段及特征

第一階段主要針對(duì)淺層認(rèn)知，處理簡(jiǎn)單的時(shí)序信息和簡(jiǎn)單地物感知，如車速、車頭時(shí)距、簡(jiǎn)單車輛識(shí)別等。這一階段的時(shí)序模型相對(duì)簡(jiǎn)單，主要采用RNN、LSTM等結(jié)構(gòu)，能夠滿足基本的感知和預(yù)測(cè)需求。

第二階段聚焦于深層次認(rèn)知，要求網(wǎng)絡(luò)模型能夠根據(jù)已有信息想象出未見的事物。例如，在交叉口沒有車道線時(shí)，網(wǎng)絡(luò)模型能夠虛擬出車道線，類似于人類的推理能力。這一階段主要采用圖神經(jīng)網(wǎng)絡(luò)、Transformer等復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，是當(dāng)前輔助駕駛領(lǐng)域的研究熱點(diǎn)和發(fā)展重點(diǎn)。

未來，網(wǎng)絡(luò)模型將向更復(fù)雜的方向發(fā)展，如對(duì)抗生成模型和強(qiáng)化學(xué)習(xí)等。對(duì)抗生成模型能夠生成逼真的數(shù)據(jù)，用于擴(kuò)充訓(xùn)練數(shù)據(jù)集；強(qiáng)化學(xué)習(xí)能夠通過與環(huán)境的交互不斷優(yōu)化策略，提高系統(tǒng)的決策能力。但目前這些模型在工程實(shí)踐中的穩(wěn)定性還有待提高，需要進(jìn)一步的研究和優(yōu)化。最終目標(biāo)是形成一個(gè)全可微分的網(wǎng)絡(luò)模型，實(shí)現(xiàn)感知、融合、預(yù)測(cè)、決策等各環(huán)節(jié)的無(wú)縫融合，提高系統(tǒng)的整體性能。

（四）傳感器建模的重要性及方法

傳感器作為感知系統(tǒng)的輸入源，其建模能力直接決定了上層算法的策略邊界。在工程應(yīng)用中，需要對(duì)各類傳感器（如超聲波、激光雷達(dá)、光學(xué)相機(jī)、GPS定位、慣導(dǎo)、V2X、毫米波雷達(dá)、車身信號(hào)等）的特性進(jìn)行精細(xì)建模。

例如，對(duì)于超聲波傳感器，不僅要考慮其測(cè)距功能，還要考慮在不同點(diǎn)位上的測(cè)距精度、盲區(qū)范圍等細(xì)微差異。在多定位場(chǎng)景中，這些細(xì)微差異可能會(huì)對(duì)定位結(jié)果產(chǎn)生較大影響，因此需要通過大量的實(shí)驗(yàn)和數(shù)據(jù)分析，建立準(zhǔn)確的傳感器模型。

傳感器建模與深度學(xué)習(xí)算法并無(wú)直接關(guān)聯(lián)，但其建模的準(zhǔn)確性直接影響到后續(xù)算法處理的效果。精確的傳感器模型能夠?yàn)樗惴ㄌ峁┛煽康妮斎霐?shù)據(jù)，提高算法的識(shí)別精度和魯棒性。

（五）輔助駕駛開發(fā)中的感知方法分類及應(yīng)用

Dense Prediction方法主要應(yīng)用于全局像素級(jí)別的語(yǔ)義提取業(yè)務(wù)，包括語(yǔ)義分割、雙目匹配、光流估計(jì)等。該方法能夠?qū)D像中的每個(gè)像素進(jìn)行分類或預(yù)測(cè)，從而得到全局的語(yǔ)義信息，為后續(xù)的路徑規(guī)劃、障礙物避讓等提供全面的環(huán)境信息。

Proposal - Based方法用于局部矢量提取以及局部像素提取業(yè)務(wù)，如2D/3D目標(biāo)檢測(cè)、多人骨架檢測(cè)、目標(biāo)實(shí)例分割等。其核心思想是在精調(diào)之前先提供一個(gè)先驗(yàn)的Proposal來約束精調(diào)的范圍，減少搜索空間，提高檢測(cè)的效率和精度。

基于關(guān)鍵點(diǎn)檢測(cè)的方法常用于復(fù)雜的局部矢量結(jié)構(gòu)感知，其核心是Anchor - Free思想。與傳統(tǒng)的基于Anchor的方法相比，Anchor - Free方法不需要預(yù)設(shè)大量的Anchor框，能夠更靈活地檢測(cè)出復(fù)雜結(jié)構(gòu)中的關(guān)鍵點(diǎn)，如車輛的角點(diǎn)、行人的關(guān)節(jié)點(diǎn)等，在姿態(tài)估計(jì)、目標(biāo)跟蹤等任務(wù)中具有良好的表現(xiàn)。

車端應(yīng)用層技術(shù)正處于快速發(fā)展的階段，軟硬件深度融合、算法智能化和網(wǎng)絡(luò)模型化是其主要發(fā)展方向。通過不斷的技術(shù)創(chuàng)新和工程實(shí)踐，車端應(yīng)用層將不斷提升車輛的智能化水平、安全性和可靠性。在未來的發(fā)展中，如何進(jìn)一步平衡靈活性與穩(wěn)定性，推動(dòng)數(shù)據(jù)驅(qū)動(dòng)算法在各業(yè)務(wù)場(chǎng)景的大規(guī)模工程化應(yīng)用，以及優(yōu)化網(wǎng)絡(luò)模型結(jié)構(gòu)以提高處理效率和準(zhǔn)確性，將是車端應(yīng)用層技術(shù)研究的重要課題。同時(shí)，隨著5G、人工智能等技術(shù)的不斷發(fā)展，車端應(yīng)用層將與云端、路端等進(jìn)行更緊密的協(xié)同，構(gòu)建更加智能、高效的智能交通系統(tǒng)。