1.1. 分布式 E/E 架构之下：ADAS 硬件以一体机方案为主，且相互独立、功能单一
传统汽车采用分布式的 E/E 架构，单车功能的升级仅依赖于 ECU 数量的叠加。ECU 是集成 电路技术应用于汽车领域的重要成果，同时亦是推动汽车电子化的核心元件。与其他工业领 域中的电子控制单元类似，ECU 的主要物理结构为“单片机+外围电路”。其中，单片机是 将中央处理器、存储器、输入/输出接口等集成到一块硅片上构成的微型计算机系统。而外围 电路则包含电容、电阻、电感等，与单片机共同集成于单个电路板之上，并最终被安装于一 个铝质盒内，通过卡扣或者螺钉方便安装于车身钣金上。根据 ECU 实际应用领域的不同， 传统汽车中的 ECU 可分为发动机控制、无极变速器控制、自动变速箱控制、主动安全控制、 汽车仪表控制等几十种分类，单车整体功能体系的丰富度依赖于车身所搭载的 ECU 类型。 同时，在传统汽车的分布式 E/E 架构之下，单个 ECU 仅对应实现某一种功能，且软硬件强 耦合（软件升级难度大），因而单车功能的升级方式也仅依赖于 ECU 数量的增加。
具体至自动驾驶领域而言，在传统分布式架构之下整车自动驾驶系统亦由几个相互独立的子 系统构建而成，且每个子系统中的 ECU 独占其所配套的传感器，产品形态通常以“传感器+ 控制器”的一体机方案为主。同时，根据控制模块可实现功能的不同，各个子系统具体可分 为前向 ADAS 系统、侧后 ADAS 系统、自动泊车系统、全景环视系统共四大类，所对应的 可实现部分 L2 级及以下自动驾驶功能。
（1） 前向 ADAS 系统：以前视摄像头模块（FCM）或前视雷达模块（FCR）两种方案为 主。其中，前视摄像头模块根据所搭载摄像头数量的不同，又可分为单目、双目、双焦、三焦共四种形态。举例来看，经纬恒润的先进辅助驾驶系统 ADAS，即为典型的 单目一体机方案，控制器主板上包含两颗芯片，一颗为 Mobileye EyeQ4 负责完成视 觉算法计算（包括图像预处理、样本采集标记、样本训练及分类等）；另一颗为英飞 凌 TC297 负责逻辑控制，同时进行安全冗余。此外，若搭配前视雷达模块，形成 1V1R 的传感器方案，则可支持交通拥堵辅助、智能巡航辅助等行车辅助驾驶功能。同时， 由于多数传统主机厂在面向低阶自动驾驶领域时主要也以解决行车辅助驾驶功能为 主，因此相比较其他子系统，前向 ADAS 系统当前在前装领域的渗透率最高。根据 佐思汽研的统计数据，2020 年中国乘用车新车前视系统（即公司 ADAS 产品）渗透 率为 26.4%，预计到 2025 年，我国乘用车前视系统装配量将达到 1630.5 万辆，渗 配率将达到 65.0%。
（2） 侧后 ADAS 系统：主要由两个侧后向24G 毫米波雷达模块组成，通常辅以前视 ADAS 系统搭配上车，用以实现部分横向辅助驾驶功能，例如变道盲区预警、开门预警、变 道辅助功能等。
（3） 泊车辅助系统：主要由泊车控制器及 12 颗超声波雷达共同组成（8 颗安装于车前/ 后、4 颗安装于车两侧）。根据可实现泊车功能等级的不同，泊车辅助系统大致可分 为三个级别：最低级的辅助泊车系统仅实现 APA 功能，也即当汽车在低速巡航时， 将使用超声波雷达感知周围环境，帮助驾驶员找到尺寸合适的空车位，并在驾驶员发 送泊车指令后，将汽车泊入车位。更高一阶的泊车辅助系统则增加了车载蓝牙通讯模 块，可实现 RPA 远程遥控泊车功能。而最高阶的辅助泊车系统可结合前视 ADAS 系 统、全景环视系统实现 AVP 代客泊车功能。典型的辅助泊车系统为德赛西威基于 Jacinto TDA4 打造的 IPU02，低阶版本可实现 APA 功能并融合 AVM（此前被命名 为 IPU01）；高阶版本可实现 AVP 代客泊车功能，并已在吉利星越 L 等车型上规模 化量产。从渗透率角度来看，如前文所述，由于当前行业整体自动驾驶渗透率较低， 尤其在面向中低端车型时，主机厂对自动驾驶硬件成本敏感度较高，往往仅选择解决 行车功能的辅助驾驶系统，因而泊车系统当前成体渗透率仍然较低。根据高工智能汽 车研究院监测数据显示，2021 年中国市场（不含进出口）乘用车新车前装标配搭载 APA 上险量为 243.26 万辆，渗透率仅为 11.93%，远低于前向 ADAS 系统。从竞争 格局角度来看，目前国内 80%以上的市场份额由外资 Tier1 垄断，德赛西威则凭借 IPU02 在内资厂商中排名第一（市占率 6.49%）。
（4）全景环视系统：主要由全景环视控制器及 4 颗环视摄像头组成。同时，由于 4 颗环视 摄像头亦可一定程度上弥补传统泊车辅助系统车位线识别能力不足的缺陷，因而目前全景环 视控制器已多与泊车辅助控制器融合。例如，经纬恒润基于“TC297+TDA2”芯片方案的泊 车控制器，即可同时实现自动泊车及全景环视功能。
1.2. 域集中 E/E 架构之下：ADAS 硬件升级为域控制器，主控芯片性能决定智驾功能等级
在汽车智能化升级趋势下，若仍采用传统分布式架构，则单车 ECU 数量将成倍增加，伴之 而来的将是整车线束长度及成本增加、系统性升级难度大、难以自动化生产等问题。因此， 在全球头部主机厂与 Tier1 的引领下，汽车 E/E 架构正由分布式走向域集中，所对应的 ECU 也将多合一融合为域控制器。而当域控制器成为实现整车功能的核心硬件时，单车功能升级 的根本逻辑亦从原本纯粹的累加 ECU 数量，转为提升域控制器主控芯片的算力及其所驱动 的算法。换言之，域控制器主控芯片的性能将一定程度决定单车智能化功能的等级。可以看 到，在特斯拉的引领下。
目前，域控制器中主控芯片多以“MCU+GPU+DSP/ISP+XPU+外围电路”的多芯片组合的 SoC 为主，其中各类芯片各司其职，涵盖控制、计算、加速三个单元。分别来看：（1）MCU 实际就是将 CPU、RAM、ROM、定时器和输入输出 I/O 引脚集成在一颗芯片之上，其中 CPU 为核心运算单元。同时，由于 CPU 遵循冯诺依曼架构（存储程序并顺序执行），因而在 SoC 主要对应控制单元，主要负责自动驾驶规化、控制及决策算法。（2）GPU 从物理结构上与CPU 有本质的不同，ALU 计算单元占比更大，因此更适合并行计算（也即将计算任务分割 成若干子任务，可在同一时间或空间内完成多个子任务运算，从而快速完成该项计算任务； 与之相对应的是 CPU 擅长的串行计算），主要负责完成图像感知、SLAM 构图等算法。
（3） XPU 指针对于某特定领域的计算所开发的一类专用芯片（或称为加速器）。当其运用在自动 驾驶领域时，可根据芯片架构设计思路的不同，分为谷歌专门为加速深层神经网络运算能力 而研发的 TPU、寒武纪等公司专门为加速神经网络模型的 NPU、地平线基于自研贝叶斯架 构而研发的 BPU 等。（4）DSP 和 ISP 是在模拟信号变换成数字信号以后进行高速实时处理 的专用芯片，其中 DSP 擅长声音领域加速；ISP 擅长图像领域加速，其主要功能包括 AE（自 动曝光）、AF（自动对焦）、AWB（自动白平衡）、去除图像噪声等，通过 ISP 可以得到更好 的图像效果。
我们以英伟达 Orin 为例，进一步说明当前车载主控芯片结构。Orin SoC 集成了 GPU、CPU、 深度学习加速器 DLA、视觉加速器 PVA、视频编解码器、ISP 等，同时引入了车规级的安全 岛 Safety Island 设计。其中，GPU 对应运算单元、CPU 对应控制单元、ACCEL 对应加速 单元。GPU 采用英伟达自研的 Ampere 架构，其中包含 2048 个 CUDA Core 和 64 个 Tensor Core，是提供算力的核心硬件单元。CPU 采用 ARM Cortex-A78 架构，合计包含 12 个 CPU 内核，最大 CPU 频率达到了 2.2GHz。
DLA 全称为 Deep Learning Accelerator，顾名思义 即用于加速在自动驾驶领域中常用的卷积神经网络模型（CNN），其设计原理也完全依照于卷积神经网络模型的运算原理，也即对乘和累加运算单元的堆砌，但有效提高了整体运算效 率，释放了 GPU 来运行用户所执行的更复杂的网络和动态任务。PVA 则主要负责对视觉相 关算法加速，尤其针对滤波、扭曲、图形三角生成、特征检测、FFT 等矢量运算，具体应用 主要是立体双目、特征检测器、特征追踪、目标追踪。（报告来源：未来智库）
软件在智能车全生命周期过程中地位越来越重要，涵盖定义、开发、验证、销售、服务所有 环节，同时当硬件配臵逐渐趋同时，软件算法将成为各主机厂间追求差异化的战略要塞。软 件定义汽车”的概念最早于 2007 年 4 月份的 IEEE 会议论文中被提出，而后于 2016 年被百 度自动驾驶事业部总经理再次提及，随之这一概念开始在产业界广为流传，并已逐步成为产 业界对于智能汽车演进方向的共识。可以看到，在智能汽车的全生命周期中，定义、开发、 验证、销售、服务每个环节中软件的地位均越来越重。当硬件配臵竞赛达到白热化阶段时， 软件层面的竞争则更能体现差异化竞争力。同时，软件的边际开发成本更低，更易满足用户 千人千面的需求，且完善的软件生态亦可为整车厂树立更加牢固的护城河、打造更为差异化 的品牌特征，从而反向推动新车的销量。根据 McKinsey analysis 数据预计，2030 年全球车 载软件市场规模将有望达到 500 亿美元。
为实现真正的软件定义汽车，智能汽车软件架构向 SOA 转型升级，提升软件开发效率、降 低边际开发成本、实现软硬件松耦 合。如果说集中化的 E/E 架构是实现软件定义汽车的硬件基础，那 SOA 架构则是实现软件定义汽车的软件基础。在传统的整车功能开发中，开发过程基于总线信号，将每个功能都部 署在具体的 ECU 中，这个 ECU 是软硬一体的黑盒子交付，如果要新增或升级某项功能，除 了要修改与该信号相关的所有 ECU 软件外，还需要对总线的网关配臵、节点的数量等进行 修改。而在 SOA 架构下，本质上是将本质上是将整车的功能分解为多个微服务（例如语音 功能服务、导航功能服务、蓝牙功能服务等），其中每个微服务都可视为一个高内聚、低耦 合、相互独立的软件模块，并且对外提供标准化服务的接口（不依赖于硬件平台）。对于后 期进行功能开发工程师而言，仅需要简单的调用这些标准服务接口并有序的排列组合，即可 便捷的持续开发新应用、并一定程度上实现对软件功能的复用，降低边际开发成本。
我们以疲劳驾驶检测和人车共舞两个功能的实现，来举例说明 SOA架构下应用的开发原理。 如前文所述，SOA 软件架构下将整车功能分解为若干微服务模块。而每个服务模块包含三大 要素：（1）所需调用的具体设备或网络；（2）可实现的某类功能；（3）可输出的数值或状态。 例如对于单一的 DMS 服务模块而言，所对应的三大要素就是座舱内视摄像头、检测驾驶员 面部、驾驶员疲劳状态。而当我们要开发一个完整的疲劳检测功能时，则需要将 DMS、导 航、音乐播放等微服务模块通过逻辑组合关系构建为一个疲劳检测功能。类似的，当我们要 推送人车共舞功能时，则需要调用摄像头、音乐微服务等，仅需要参考各类微服务所包含的 要素，并按一定逻辑组合即可实现该功能。
进一步来看，若分层拆解 SOA 软件架构，自下而上可分为四大层级，相对应的技术壁垒依 次降低、但价值量依次递增。
（1）系统内核、虚拟机：该层级在开发时与整车的产品定义以及所采用的硬件平台均无关， 为所有汽车软件架构中最为基础以及必不可少的部分。其中，系统内核是软件架构中直接且 唯一可对接硬件资源的部分，具备调度硬件的作用。而虚拟机（或称为虚拟化平台）的主要 作用为将有限的硬件资源进行抽象化并按需求再次分配，例如座舱内“一芯多屏”的实现即 依赖于虚拟机将单颗芯片的硬件资源划分为两个区域，以便不同安全功能等级的操作系统运 行（中控往往采用安全功能等级较低的安卓系统、仪表则需采用安全功能等级较高的 QNX 系统等）。目前可自研系统内核的厂商仅有特斯拉、华为、QNX 等；而虚拟机技术则多由内 核供应商或芯片厂商提供。
（2）中间件：该层级在开发时需考虑整车的产品定义以及所采用的硬件平台，但与该车型 智能驾驶功能水平无关。中间件泛指一类提供系统软件和应用软件之间连接、便于软件各部 件之间沟通的软件，是实现软硬件解耦、构建 SOA 软件架构的核心环节。通过对底层软件 模块的封装和接口标准化（也即上文所提到的将整车功能分解为若干个微服务），可以将硬 件功能抽象化并将其通过标准化接口提供给上层软件开发者，实现软硬件分离。同时推动跨 平台开发，减少设计的复杂性，从而消除了多次重新开发相同软件的问题。
（3）功能软件及算法模块：该层级与整车产品定义、硬件平台、智能驾驶功能水平均有关，但与具体要实现某项智能驾驶功能无关。该层级也可以理解为一类中间件，只不过是特定针 对于自动驾驶领域的一类，例如感知算法、SLAM 建模算法、控制算法等。由于智能驾驶涵 盖多种跨行业技术，单一厂商很难在系统软件之上完成端到端的设计，因此只有实现功能软 件化、模块化、标准化，使得产业链各方力量各抒己长（例如算法公司专注于感知或规控等 算法、Tier1 亦可专注自己擅长的模块），整车厂才能根据功能软件框架进行集成、灵活配臵， 从而推动智能网联产品快速落地。
（4）：应用程序：该层级代表着某项具体的智能驾驶功能，与整车产品定义、硬件平台、智 能驾驶水平都息息相关。应用程序涵盖智能座舱、自动驾驶等多个领域，在 SOA 软件架构 下，主机厂软件工程师可快速调用各类基础模块完成新的应用程序开发并通过云端推送至车 主。以上汽零束为例，目前已实现“T+0+1+7”的迭代速度，也即在新的应用场景可于“T+0” 快速上线；新的轻应用可于“T+1”快速上线；新的 APP 则可在“T+7”时快速上线。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
