在当前汽车电子领域，一股潮流正在形成。
汽车行业的发展受到两大关键驱动因素的影响：对跨平台软件开发的一体化视图需求以及对硬件开发成本的限制。
汽车内部的智能化触及方方面面。从智能倒车摄像头到后视镜，都具备物体识别功能，能够检测车辆后方的儿童或宠物。驾驶舱内的驾驶员监控系统能够感知驾驶员注意力的分散，并在必要时采取行动。而占用监控系统则可检测是否有儿童被遗留在车内，这些系统通常结合使用视频和雷达监控技术。
管理智能化需求
软件复杂性与成本
在车辆外部感知方面，前向视频结合物体检测已经成为常规安全功能，用于感知碰撞风险和保持车辆在车道内行驶。
这些功能现在正与4D成像雷达相结合，为视频感知提供更丰富、天气不敏感的补充。视频加4DR将为自适应巡航控制等新功能提供支持，这对于智能驾驶的发展至关重要。
汽车企业（OEM）和一级供应商（Tier1）仍然致力于将所有这些功能集成到软件中，以通过驾驶舱屏幕和其他控制器进行管理。为了实现易于管理的集成，需要一个统一的软件定义跨所有这些分布式功能。
在硬件方面，尽管人工智能供应商在这方面投入了大量讨论，但单靠人工智能部件还远远不足以满足车企的需求。需要信号处理用于对象识别、处理4D点云的专用加速器以及高效且成本低廉的推理处理能力，同时还需要包括CPU集群、内存管理和通信等其他计算功能。
这些功能需要在单一封装解决方案中集成，以降低成本并提供性能和低功耗，这离不开最先进的半导体工艺的支持。
车企都在推动着共同的差异化平台架构，旨在实现汽车周围的、跨车型系列的和未来的托管分布式计算。车企还在降低成本，使汽车价格能够符合消费者的预期。
跟进潮流
● 以视觉+雷达应用为例，系统首先使用摄像头进行图像捕捉，然后进行一系列复杂的图像信号处理功能，最后进行人工智能操作。雷达从天线开始，然后经过复杂的信号处理链生成4D雷达点云，最终进行基于人工智能的识别。
● 以Cadence的Tensilica Vision 331和Vision 341 DSP为例，支持计算机视觉和雷达成像的信号处理，以及入门级人工智能和传感器融合。这些内核提供了改进的功率、性能和面积，同时通过指令集优化提供了雷达增强模式，可实现高达6倍的性能提升。添加可选的Vision 4DR加速器后，性能进一步提升4倍。这种增强使得汽车OEM可以减少芯片种类，同时支持可扩展性。
对于车企的软件开发人员来说，如果几乎每个芯片都是其通用平台芯片的实例，那么软件的问题基本上就得到了解决。底层IP应共享通用的、基于标准的API，例如用于DSP和GPU的OpenCL，用于连接MATLAB的Simulink，以及常用的AI模型接口（如ONNX、TensorFlow和PyTorch）。整个Tensilica IP系列及其NeuroWeave软件编译器工具链所支持的功能，可从标准训练网络映射到目标设备。
汽车企业可以从亚马逊AWS的Graviton平台的成功中汲取灵感，该平台目前已广泛应用于数据中心，并专注于下一代创新。虽然汽车领域的异构架构平台在某些方面会有所不同，但通用平台的长期价值并没有太大不同。
小结
汽车电子变化趋势给系统设计带来新的约束条件。通过对软件和硬件的综合考虑，车企正在努力实现更智能、更安全和更经济的车辆，将为未来的汽车技术发展带来更多创新，并将为驾驶体验带来新的变革。
来源：芝能智芯
