根据高工智能汽车研究院最新发布的《2022年度中国市场乘用车标配L2+NOA功能智驾域控制器芯片方案市场份额榜单》显示，地平线市场份额达49.05%，排名第一

随着地平线的大势，芯驰的X9也打着顺风车起量，部分域控制器还带着芯驰的E3

天准TADC-D52高阶自动驾驶域控制器

如上天准TADC域控制器即是基于地平线征程5和芯驰X9、E3系列产品的高阶自动驾驶域控制器方案；

东软睿驰也基于地平线征程5、芯驰科技X9U系列芯片，构建了国内首个全国产化自动驾驶域控制器平台，实现国产化芯片、算法、软件、硬件从研发到量产应用全方面全链条打通，该产品已获得某国内主流车型量产定点，即将于2023年下半年量产上市。

有意思的一点，自动驾驶域控制器中和地平线搭配的芯驰X9是一颗座舱芯片；

为什么会有这样的配合？在全国产的自动驾驶域控制器中，为什么会需要地平线NPU，芯驰CPU，和一颗功能安全MCU这样的组合？

带着这些疑问，小二和业内资深专家请教交流，结合部分公开资料，做个分享

1、L2+ADAS/AD传感器及系统架构概览

L2+ ADAS/AD配套的传感器方面，摄像头、毫米波雷达甚至激光雷达，都是有技术上的需求的，常见的视觉和雷达“满负荷”传感器架构如下图：

如果摄像头配置较多，可能方案如下

11V(12V) - 5R - 3L - 12USS - 1DMS

11V(12V) - 5R - 2L - 12USS - 1DMS

11V(12V) - 5R - 1L - 12USS - 1DMS

如果摄像头配置较少，可能方案如下

7V - 5R - 1L - 12USS - 1DMS

系统层面的ADAS域控制器系统如下，图中的Central Automomous Processing中的三个组成，即需要的三类不同的算力；

2、算力要求

如下，是从焉知汽车转载的一张传感器数据处理架构

据估算，假设 一辆自动驾驶汽车配置了GPS、声纳、 相机、雷达和激光雷达等传感器，则上述传感器每秒钟产生的数据将是：50kB（GPS）+10-100kB（声呐）+20-40MB（相机）+10-100kB（雷达）

而针对如此大量的数据处理，可以分为前处理，机器学习处理，后处理三个主要步骤，如下图

上图中，每个步骤右边白色小框的即是承担主要任务的算力类型，即CPU算力，GPU/NPU算力；

市场主流的智驾芯片即参数，如下图

可以看到类似地平线的J5，提供了非常强悍的AI算力，如J5的单一芯片算力为128TOPS，但是其提供的CPU算力却非常有限，J5的CPU算力是26K

而芯驰的X9U，则能提供多达14个核（2颗X9HP合封，通过PCIe相连），高达100K的CPU算力

相信看了上述的数据，大家会有比较直观的认知；

3、不同算力区别

不同的算力的区别在哪里？我们通过单位来简单了解下：TOPS/DMIPS

TOPS是Tera Operation Per Second的缩写，表示每秒钟可以进行的操作数量，用于衡量自动驾驶的算力，

计算机视觉(Computer Vision)算法会消耗很大一部分自动驾驶芯片的算力，那么视觉处理能力为什么用TOPS评估呢？通常计算机视觉算法是基于卷积神经网络的，而卷积神经网络的本质是累积累加算法（Multiply Accumulate）

转自：知乎，泛亚汽车技术中心 Wayne

在每个周期中，将在整个MAC阵列中广播输入数据的底行和权重的最右列。每个单元独立执行适当的乘法累加运算。

在下一个循环中，将输入数据向下推一行，而将权重网格向右推一行。在整个数组中广播输入数据的最底行和权重的最右列，重复此过程。单元继续独立执行其操作。

全点积卷积结束时，MAC阵列一次向下移动一行96个元素，这也是SIMD单元的吞吐量。

转自：知乎，泛亚汽车技术中心 Wayne

TOPS是MAC在1秒内操作的数，计算公式为：TOPS = MAC矩阵行 * MAC矩阵列 * 2 * 主频

MIPS是Million Instructions Per Second的缩写，每秒处理的百万级的机器语言指令数

为了排除不同的CPU指令集不同、硬件加速器不同、CPU架构不同带来的影响，业内出了一个跑分算法叫Dhrystone：程序用来测试CPU整数计算性能

其输出结果为每秒钟运行Dhrystone的次数，即每秒钟迭代主循环的次数是衡量CPU的整数计算性能的

DMIPS（DhrystoneMIPS），其含义为每秒钟执行Dhrystone的次数除以1757（这一数值来自于VAX 11/780机器，此机器在名义上为1MIPS机器，它每秒运行Dhrystone次数为1757次）

转自：知乎，泛亚汽车技术中心 Wayne