本文约7,000字,建议收藏阅读
出品 | 汽车电子与软件
引 言
在汽车智能化浪潮下,L1/L2级ADAS已快速普及(预计2025年渗透率达65%),而L3/L4仍处验证阶段,面临技术与商业化挑战。智能驾驶系统需解决定位、路径规划与控制三大核心问题,依赖感知、决策、执行三大模块。作为“大脑”的域控制器,其芯片平台的性能、架构、功能安全与软件生态,直接决定系统能力与开发效率。
本文从工程师视角,简述域控制器及主流芯片平台的技术演进、关键指标,并聚焦NVIDIA Jetson Orin NX的硬件设计要点,以期为工程师朋友提供一些参考。
一、智能驾驶系统:
感知、决策、执行的“铁三角”
1.1 智能驾驶系统核心架构:解决“驾驶三问”
无论自动驾驶等级如何,其系统模型都围绕三大核心问题展开:
1. 环境感知:系统通过各类传感器(摄像头、毫米波雷达、超声波雷达、激光雷达、高精地图/IMU/GPS等)获取车辆周围环境、交通参与者(车辆、行人、交通信号灯、路标)及自身状态信息。其目标是构建精确的环境模型,包含道路、障碍物和可行驶区域等。
2. 决策规划:基于融合后的感知数据和高精地图,系统制定驾驶策略并生成轨迹规划方案。这要求系统能以拟人化的方式融入交通流,做出替代人类的驾驶决策。
3. 控制执行:将决策规划的抽象指令转化为车辆的实际物理动作,通过精确控制车辆的驱动、制动和转向系统,实现横向和纵向控制(如避让、减速、车距保持、转向)。
图 1 典型ADAS系统‘铁三角’
1.2 感知系统:智能汽车的“眼睛”和“耳朵”
自动驾驶的感知系统远不止于“看清”外部世界,它还包括车辆自身状态感知和精确定位。传感器是收集这些信息的关键,以下为主要传感的基本信息汇总:
感器类型 | 核心功能 | 优势 | 局限 | 典型应用场景 | 适用系统级别 |
摄像头(Vision Camera) | 提供丰富的视觉信息 | • 高分辨率细节捕捉 | • 易受光照、天气影响 | 前向目标识别、车道线检测、交通标志识别、环视泊车 | L2+及以上 |
毫米波雷达(Radar) | 测距测速与全天候感知 | • 不受光照和天气影响 | • 分辨率较低 | 自适应巡航、盲点监测、变道辅助、碰撞预警 | L2+及以上 |
超声波雷达(USS) | 近距离精确测距 | • 低成本 | • 作用距离短 | 泊车辅助、低速防碰撞、障碍物检测 | L1-L2 |
激光雷达(LiDAR) | 高精度三维环境建模 | • 毫米级空间分辨率 | • 成本高昂 | 高精度地图构建、复杂场景感知、L3+自动驾驶决策 | L3及以上 |
惯性测量单元 | 测量车辆三轴加速度和角速度 | • 无信号依赖,适用于隧道/城市峡谷 | • 长期使用存在累积误差 | 定位补偿、姿态估计、紧急避障控制 | L2+及以上 |
GNSS/RTK定位系统 | 提供绝对地理位置信息 | • 全球覆盖的绝对定位 | • 信号易受遮挡 | 高精地图匹配、全局路径规划、地理围栏 | L3及以上 |
轮速传感器轮速 | 精确测量各车轮转速 | • 直接反映车辆运动状态 | • 轮胎打滑时精度下降 | 车辆运动学模型构建、定位校正、防抱死系统 | L1-L3 |
转向角传感器 | 监测方向盘转角和转向速率 | • 预测车辆行驶轨迹 | • 机械磨损影响长期精度 | 路径预测、车辆动力学控制、车道保持辅助 | L2及以上 |
V2X通信模块 | 车辆与外界信息交互 | • 超视距感知能力 | • 依赖基础设施部署 | 交叉路口预警、协同变道、红绿灯信息获取 | L3+未来系统 |
红外摄像头 | 夜间热成像感知 | • 极佳的夜间探测能力 | • 分辨率较低 | 夜间行人检测、动物识别、雾天辅助 | L2+特定场景 |
高精地图数据 | 提供先验环境信息 | • 降低实时感知压力 | • 更新维护成本高 | 定位增强、路径规划、场景预判 | L3及以上 |
4D成像雷达 | 增强版毫米波雷达 | • 提供类似激光雷达的点云 | • 分辨率仍低于激光雷达 | 远距离目标识别、高架桥检测、高度感知 | L3+系统 |
事件相机 | 动态视觉感知 | • 解决传统摄像头运动模糊 | • 与传统图像处理不兼容 | 高速场景感知、强光环境、无人机应用 | 研发阶段 |
量子定位系统 | 无卫星定位 | • 无需卫星信号 | • 体积大、成本高 | 隧道/地下停车场定位、军事应用 | 未来系统 |
1.3 ADAS系统方案演进:从分散到集中
早期的L0-L2级别ADAS系统多采用分布式控制器架构。每个子系统(如智能前视摄像头模块FCM、前雷达模块FCR、自动泊车系统APA、全景环视系统AVS等)各自独占传感器,独立实现特定功能。这种“一体机”或“智能传感器”方案的局限性在于无法进行多传感器深度融合,也难以实现跨子系统的复杂功能。
随着整车EE架构向域集中式EEA演进,ADAS域控制器整合了原来分散的子系统,配置了集成度更高、算力更强的计算处理平台。这使得传感器数据可以被多个ADAS功能复用,支持更复杂的传感器数据融合算法,从而实现更高级别的ADAS功能(如高速自动领航HWP和自动泊车AVP)。
二、自动驾驶芯片平台:
算力与智能的引擎
域控制器作为自动驾驶的核心,其计算平台是整个系统性能的“天花板”。一个高性能的自动驾驶主处理器需要无缝连接并处理来自多个摄像头、毫米波雷达、激光雷达和IMU等传感器的海量数据。
2.1 核心评估指标:工程师的“选型宝典”
工程师在评估自动驾驶芯片时,通常会关注以下关键指标:
关键指标类别 | 指标名称 | 说明与典型值 | 重要性说明 |
计算性能 | AI算力 | • INT8/INT4精度下的每秒万亿次运算 | 核心指标,决定可运行的神经网络复杂度和并行任务数量 |
| CPU性能 | • 核心数/线程数(如8核32线程) | 影响系统控制、决策算法和通用计算任务处理能力 |
| GPU性能 | • CUDA核心数/着色器单元 | 用于可视化、部分并行计算和图形渲染任务 |
能效比 | 算力功耗比 | • 每瓦特提供的AI算力 | 直接影响系统散热设计、电池续航和整体能效,是商业化关键指标 |
| 典型功耗 | • 待机功耗:1-5W | 决定散热方案、电源设计和车辆电气系统负载 |
制程工艺 | 制造工艺节点 | • 当前主流:7nm/5nm | 影响芯片性能、功耗和集成度,先进制程可提供更高性能和更低功耗 |
内存系统 | 内存类型与带宽 | • LPDDR4/LPDDR5/GDDR6/HBM | 决定数据吞吐能力,影响多传感器数据处理和大模型运行效率 |
| 存储支持 | • eMMC/UFS/NVMe SSD支持 | 影响系统启动速度、数据记录能力和OTA更新效率 |
传感器接口 | 摄像头接口 | • 支持通道数:8-20+ | 决定可连接摄像头数量和质量,直接影响感知系统配置 |
| 雷达/LiDAR接口 | • CAN FD/Ethernet | 支持多类型传感器接入,构建冗余感知系统 |
功能安全 | ASIL等级 | • ASIL-B(基础ADAS) | 汽车安全关键指标,决定系统可应用的自动驾驶级别 |
| 故障检测与冗余 | • 双核锁步 | 确保系统在故障情况下仍能安全运行或安全停靠 |
实时性 | 实时操作系统支持 | • 支持AUTOSAR/QNX/Linux RT | 确保关键控制任务按时执行,满足汽车电子实时性要求 |
连接性 | 网络接口 | • 千兆/万兆车载以太网 | 支持车内高速数据传输和V2X通信 |
| 无线连接 | • 5G/C-V2X支持 | 实现车联网、OTA更新和高精度定位 |
开发支持 | 软件工具链 | • SDK支持(如NVIDIA DRIVE/TI Jacinto SDK) | 影响开发效率和算法部署便捷性 |
| 生态系统成熟度 | • 合作伙伴数量 | 决定开发风险和产品上市时间 |
可靠性 | 工作温度范围 | • -40℃至+125℃(车规级) | 确保在各种气候条件下稳定工作 |
| 抗振动与EMC性能 | • 符合AEC-Q100标准 | 满足汽车恶劣环境使用要求 |
成本 | 芯片单价 | • L2级:<50-100美元 | 直接影响整车成本和市场定位 |
| 系统总拥有成本 | • 开发成本 | 综合评估商业化可行性 |
2.2 主流芯片平台解析:技术路线的竞合
当前市场上的主要自动驾驶芯片平台各有特色,形成了独特的竞争格局。
主流平台对比:
参数/芯片 | Mobileye EyeQ™6H | NVIDIA Jetson Orin | Mobileye EyeQ™5 | 地平线征程5 | 黑芝麻智能A1000 | 高通Snapdragon Ride |
发布年份 | 2023 | 2021 | 2020 | 2022 | 2021 | 2020 |
制程工艺 | 7nm | 8nm | 7nm | 16nm | 16nm | 7nm |
峰值算力 | 34 TOPS | 275 TOPS | 24 TOPS | 128 TOPS | 58 TOPS | 30-100 TOPS |
计算精度 | Int8 | FP16 | Int8 | Int8 | Int8 | Int8/FP16 |
ResNet-50延迟模式 | ~0.5 ms | ~1.64 ms | ~1.0 ms | ~0.8 ms | ~1.2 ms | ~1.0 ms |
EfficientViT-B1延迟 | ~0.564 ms | ~1.48 ms | ~1.2 ms | ~0.9 ms | ~1.5 ms | ~1.3 ms |
EfficientViT-B2延迟 | ~0.932 ms | ~2.63 ms | ~2.0 ms | ~1.6 ms | ~2.8 ms | ~2.5 ms |
典型功耗 | 25-30W | 30-60W | 15-20W | 15-25W | 8-10W | 35-50W |
架构特点 | 异构计算: | GPU + CPU + DLA | 异构计算: | BPU贝叶斯架构 | NPU+CPU+ISP | AI加速器+CPU+DSP |
支持自动驾驶级别 | L2-L4 | L2-L4 | L2-L3 | L2-L4 | L2-L3 | L2-L4 |
主要客户/应用 | 蔚来、极氪、吉利等 | 小鹏、理想、蔚来等 | 蔚来、宝马、大众等 | 理想、上汽、比亚迪等 | 一汽、东风、江汽等 | 宝马、通用、长城等 |
优势 | • 极低延迟 | • 高峰值算力 | • 成熟稳定 | • 高算力性价比 | • 低功耗 | • 5G集成优势 |
局限性 | • 峰值算力较低 | • 实际应用延迟高 | • 算力有限 | • 新进入者验证期 | • 品牌影响力有限 | • 自动驾驶专用优化不足 |
三、域控制器硬件设计实战:
NVIDIA Jetson Orin NX的工程细节
3.1 供电与时序
电源系统是任何电子设备的生命线,域控制器更是如此。正确的电源管理和时序设计至关重要。
图 2 Jeston电源架构
VDD_IN输入与功耗模式:NVIDIA Jetson Orin NX模块支持5V-20V的宽电压输入。但如果模块的MODULE_ID引脚(Pin 217)接地,则仅支持5V输入。对于Jetson Orin NX,40W的MAXN_SUPER模式要求VDD_IN最小为8.0V。载板必须支持5V的VDD_IN。
上电/关机时序与信号控制:
上电(Power-ON):载板负责提供主电源并生成POWER_EN信号(高电平有效)以启动模块。当POWER_EN拉高,模块开始上电时序。完成时,SYS_RESET*信号被释放(由模块内部拉高),载板可据此启用其各种电源。从POWER_EN拉高到SYS_RESET*释放的典型延迟约为80毫秒。
图 3 上电时序
关机请求(SHUTDOWN_REQ*):模块在发生软件关机、过热或欠压等故障时会驱动SHUTDOWN_REQ*信号(低电平有效),请求载板关机。载板必须尽快拉低POWER_EN信号以响应关机请求。关机时,3.3V I/O电源必须在SYS_RESET*置高后1.5毫秒内降至0.5V以下,1.8V I/O电源必须在4毫秒内降至0.5V以下。
图 4 下电时序
I/O引脚电压限制与隔离:在SYS_RESET*信号变为高电平之前,任何I/O引脚的电压不得超过0.5V。载板不得驱动或拉高与模块关联的任何信号,当模块供电关闭时,必须确保相关电源轨被隔离或缓冲。
RTC备份:PMIC_BBAT引脚(235)可连接可选的备用电池(如锂电池)为模块实时时钟(RTC)提供备份电源。此引脚仅支持输入,不支持充电电池。
3.2 高速接口设计:信号完整性的艺术
自动驾驶域控制器需要处理大量高速数据,因此高速接口的布线和信号完整性是硬件设计的核心挑战。
Jetson Orin模块提供了多组USB和PCIE接口:
图 5 引脚信息
USB 3.2:从布线到组件选择
阻抗匹配:差分阻抗为90Ω±15%,单端阻抗为50Ω±15%。
走线长度与延迟:Gen1主机的最大走线长度为160mm(1071ps),Gen2主机或设备为114mm(765ps)。过长的走线会导致信号衰减。
串扰与回流路径:关键高速信号走线应避免靠近其他信号走线、无关电源走线或电源组件。地平面(GND)完整性至关重要,不允许在信号走线下方出现空洞(Routing over Voids Not Allowed)。
过孔设计:Y型拓扑结构推荐用于差分信号过孔设计,有助于抑制串扰。接地过孔应与数据对过孔对称放置,以维持回流路径。
信号完整性元件:
AC耦合电容(AC Capacitor):在发送(TX)差分对上是必需的,放置位置应靠近芯片或连接器,且与相邻不连续点的距离限制为8mm。
共模扼流圈(Common Mode Choke, CMC):通常不推荐,仅在解决EMI问题绝对需要时使用,应放置在靠近连接器的位置,且距离相邻不连续点最大8mm。
ESD保护:虽然芯片有内置保护,但外部ESD保护是可选的,应放置在靠近连接器的位置,且距离相邻不连续点最大8mm。
无线共存:USB 3.2的高速信号可能对附近的WiFi和蓝牙接收器产生干扰。建议增加USB 3.2与天线的分离距离,选择屏蔽性更好的USB 3.2连接器,优化连接器区域的布线和接地,并将USB 3.2线路路由到内层并进行屏蔽。
图 6 USB参考电路
PCIe:Gen3/Gen4的挑战与“无残桩”要求
接口配置:Orin模块提供4个PCIe接口,最多7个通道(1x4 + 1x1 + 1x2)。x4接口(PCIE0)支持Gen4,可作为Root Port或Endpoint。x1接口(PCIE1)和x2接口(PCIE2,可拆分为两个x1接口PCIE2和PCIE3)支持Gen4,仅支持Root Port操作。
阻抗匹配:差分阻抗85Ω±15%,单端阻抗50Ω±15%。
走线长度与延迟:Gen4直接连接设备的最大走线长度为345mm(2208ps),Gen3为467mm(2987ps)。
光纤编织效应(Fiber-weave effect):对于Gen4,强制要求使用更密集的扩散玻璃(spread-glass),而非稀疏的普通玻璃(regular-glass),以最小化差分对内部(intra-pair)的偏差。同时,强制使用“之”字形布线(zig-zag route)而非直线布线来最小化偏差。
过孔设计:不允许过孔残桩(Via Stub Not Allowed),建议使用微过孔或背钻过孔。接地过孔应与数据对过孔对称放置。
AC耦合电容:仅对TX差分对且连接到连接器时必需,推荐0.22uF,放置在TX侧附近。
功能安全信号隔离:当Orin模块配置为Endpoint时,PCIe控制信号(如CLKREQ*、RST*、WAKE*)需要隔离电路,以隔离模块上的上拉电阻,并确保Endpoint和Root Port器件在供电前不会被驱动高。
图 7 PCIe参考电路
DisplayPort/HDMI:视频输出的信号要求
接口共享:NVIDIA Jetson Orin NX提供1个HDMI和DP端口,它们共享同一组接口引脚,因此只能选择其中一个接口使用。
阻抗匹配:eDP和DP差分阻抗目标为100Ω。HDMI目标为100Ω±10%。实际布线中85Ω或95Ω是可选的。
走线长度与串扰:要求严格的走线长度匹配和串扰抑制。对于DP/eDP HBR3,Stripline最大走线长度为162mm (1120ps)。对于HDMI,最大总延迟为76mm (535ps) (HDMI 2.1)或101mm (700ps) (HDMI 1.4b/2.0)。
AC耦合电容:DP/eDP需要0.1uF,HDMI需要0.1uF。放置位置需靠近芯片或连接器。
HPD信号电平转换:DP0_HPD需要电平转换器,以避免模块关闭时该引脚被驱动。HDMI的HPD也需要电平转换器,因为Orin的引脚不是5V耐压的。
过孔设计:DP/eDP允许最大4个PTH过孔,且过孔残桩长度限制在0.4mm。HDMI推荐Y型过孔拓扑。
图 8 DP接口参考电路
图 9 HDMI接口参考电路
3.3 传感器及外设接口:连接万物的桥梁
域控制器需要多种接口来连接各类传感器和外设,确保数据流畅传输。
MIPI CSI-2:多摄像头接入与数据处理
接口标准:MIPI CSI 2.0接收器规范和D-PHY® 2.1物理层规范。
通道数:Orin NX支持8通道MIPI CSI-2,D-PHY 2.1标准,最高数据速率20 Gbps。支持多达8个虚拟通道和数据类型交织。
阻抗与走线:差分阻抗90-100Ω,最大数据速率2.5 Gbps。数据线和时钟线之间、差分对内部和对间都需要严格的走线长度和时延匹配。
ISP功能:Jetson Orin NX内置ISP,支持噪声抑制、黑电平补偿、镜头畸变校正、坏点校正、边缘增强、色彩和伽马校正、全局和局部色调映射、颜色空间转换等功能。
I2C/SPI/UART/CAN:车内通信的通用协议
I2C:Orin NX提供4个I2C接口。CAM_I2C和I2C0/I2C1上拉至3.3V,I2C2上拉至1.8V。需确保同一总线上设备地址不重复。最大频率可达1MHz (Fm+)。
图 10 I2c总线参考电路
SPI:Orin NX支持2个SPI接口,可在主/从模式下运行,最高频率65MHz。
图 11 SPI总线参考电路
UART:Orin NX提供3个UART接口。UART0_TXD, UART0_RTS*和UART1_TXD是RAMCODE的捆绑引脚,不推荐用作GPIO。UART接收器在1停止位模式下波特率容差较低,外部设备必须使用2停止位。
图 12 UART总线参考电路
CAN:Orin NX集成一个CAN接口。支持最高8 Mbps的数据速率。CAN收发器应在载板上实现,走线阻抗50Ω。
风扇控制与调试接口:
风扇控制:Orin模块提供PWM(脉冲宽度调制)和Tachometer(转速计)功能用于风扇控制。GPIO14 (PWM) 用于FAN_PWM,GPIO08用于FAN_TACH。
图 13 风扇模块参考电路
调试UART:UART2是专为调试目的设计的接口。
图 14 调试模块参考电路
总结与展望:
智能驾驶的未来蓝图
自动驾驶域控制器与芯片平台是智能汽车走向未来的核心支柱。从Mobileye在L2领域的深耕,再到NVIDIA和高通凭借极致算力与开放生态在L3-L5领域的激烈竞逐,我们清晰地看到了技术路线的多元化和创新步伐的加速。
对于汽车工程师而言,深入理解这些平台的底层技术细节、关键指标,以及在实际硬件设计中所面临的诸多挑战(如电源管理、高速信号完整性、复杂传感器融合等),将是掌握未来智能汽车开发主动权的关键。
随着技术的不断成熟和成本的进一步优化,我们有理由相信,自动驾驶将从少数高端车型专属,逐步走向普及,最终彻底改变人类的出行方式,并将汽车真正打造成为人们的“第三生活空间”。