车载芯片的发展趋势(CPU-GPU-FPGA-ASIC)
　　过去汽车电子芯片以与传感器一一对应的电子控制单元(ECU)为主，主要分布与发动机等核心部件上。随着汽车智能化的发展，汽车传感器越来越多，传统的分布式架构逐渐落后，由中心化架构DCU、MDC逐步替代
　　随着人工智能发展，汽车智能化形成趋势，目前辅助驾驶功能渗透率越来越高，这些功能的实现需借助于摄像头、雷达等新增的传感器数据，其中视频(多帧图像)的处理需要大量并行计算，传统CPU算力不足，这方面性能强大的GPU替代了CPU。再加上辅助驾驶算法需要的训练过程，GPU FPGA成为目前主流的解决方案。

　　着眼未来，自动驾驶也将逐步完善，届时又会加入激光雷达的点云(三维位置数据)数据以及更多的摄像头和雷达传感器，GPU也难以胜任，ASIC性能、能耗和大规模量产成本均显着优于GPU和FPGA，定制化的ASIC芯片可在相对低水平的能耗下，将车载信息的数据处理速度提升更快，随着自动驾驶的定制化需求提升，ASIC专用芯片将成为主流。本文以如上顺序梳理车载芯片发展历程，探讨未来发展方向。
　　车载芯片的过去—以CPU为核心的ECU
　　ECU的核心CPU
　　ECU(ElectronicControlUnit)是电子控制单元，也称“行车电脑”,是汽车专用微机控制器。一般ECU由CPU、存储器(ROM、RAM)、输入/输出接口(I/O)、模数转换器(A/D)以及整形、驱动等大规模集成电路组成。
　　ECU的工作过程就是CPU接收到各个传感器的信号后转化为数据，并由Program区域的程序对Data区域的数据图表调用来进行数据处理，从而得出具体驱动数据，并通过CPU针脚传送到相关驱动芯片，驱动芯片再通过相应的周边电路产生驱动信号，用来驱动驱动器。
　　即传感器信号——传感器数据——驱动数据——驱动信号这样一个完整工作流程。
　　分布式架构向多域控制器发展
　　汽车电子发展的初期阶段，ECU主要是用于控制发动机工作，只有汽车发动机的排气管(氧传感器)、气缸(爆震传感器)、水温传感器等核心部件才会放置传感器，由于传感器数量较少，为保证传感器-ECU-控制器回路的稳定性，ECU与传感器一一对应的分布式架构是汽车电子的典型模式。
　　后来随着车辆的电子化程度逐渐提高，ECU占领了整个汽车，从防抱死制动系统、4轮驱动系统、电控自动变速器、主动悬架系统、安全气囊系统，到现在逐渐延伸到了车身各类安全、网络、娱乐、传感控制系统等。
　　随着汽车电子化的发展，车载传感器数量越来越多，传感器与ECU一一对应使得车辆整体性下降，线路复杂性也急剧增加，此时DCU(域控制器)和MDC(多域控制器)等更强大的中心化架构逐步替代了分布式架构。
　　域控制器(DomainControlUnit)的概念最早是由以博世，大陆，德尔福为首的Tier1提出，是为了解决信息安全，以及ECU瓶颈的问题。
　　根据汽车电子部件功能将整车划分为动力总成，车辆安全，车身电子，智能座舱和智能驾驶等几个域，利用处理能力更强的多核CPU/GPU芯片相对集中的去控制每个域，以取代目前分布式汽车电子电气架构。
　　而进入自动驾驶时代，控制器需要接受、分析、处理的信号大量且复杂，原有的一个功能对应一个ECU的分布式计算架构或者单一分模块的域控制器已经无法适应需求，比如摄像头、毫米波雷达、激光雷达乃至GPS和轮速传感器的数据都要在一个计算中心内进行处理以保证输出结果的对整车自动驾驶最优。
　　因此，自动驾驶车辆的各种数据聚集、融合处理，从而为自动驾驶的路径规划和驾驶决策提供支持的多域控制器将会是发展的趋势，奥迪与德尔福共同开发的zFAS，即是通过一块ECU，能够接入不同传感器的信号并进行对信号进行分析和处理，最终发出控制命令。
　 车载芯片的现在—以GPU为核心的智能辅助驾驶芯片
　　人工智能的发展也带动了汽车智能化发展，过去的以CPU为核心的处理器越来越难以满足处理视频、图片等非结构化数据的需求，同时处理器也需要整合雷达、视频等多路数据，这些都对车载处理器的并行计算效率提出更高要求，而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案。
　　GPUVs.CPU
　　CPU的核心数量只有几个(不超过两位数)，每个核都有足够大的缓存和足够多的数字和逻辑运算单元，并辅助很多复杂的计算分支。而GPU的运算核心数量则可以多达上百个(流处理器)，每个核拥有的缓存大小相对小，数字逻辑运算单元也少而简单。
　　CPU和GPU最大的区别是设计结构及不同结构形成的不同功能。CPU的逻辑控制功能强，可以进行复杂的逻辑运算，并且延时低，可以高效处理复杂的运算任务。
　　而GPU逻辑控制和缓存较少，使得每单个运算单元执行的逻辑运算复杂程度有限，但并列大量的计算单元，可以同时进行大量较简单的运算任务。
　　GPU占据现阶段自动驾驶芯片主导地位
　　相比于消费电子产品的芯片，车载的智能驾驶芯片对性能和寿命要求都比较高，主要体现在以下几方面:
　　1、耗电每瓦提供的性能;2、生态系统的构建，如用户群、易用性等;3、满足车规级寿命要求，至少1万小时稳定使用。
　　目前无论是尚未商业化生产的自动驾驶AI芯片还是已经可以量产使用的辅助驾驶芯片，由于自动驾驶算法还在快速更新迭代，对云端“训练”部分提出很高要求，既需要大规模的并行计算，又需要大数据的多线程计算，因此以GPU FPGA解决方案为核心;在终端的“推理”部分，核心需求是大量并行计算，从而以GPU为核心。

　　NVIDIA
　　NVIDIA在自动驾驶领域的成就正是得益于他们在GPU领域内的深耕，NVIDIAGPU专为并行计算而设计，适合深度学习任务，并且能够处理在深度学习中普遍存在的向量和矩阵操作。相对于Mobileye专注于视觉处理，NVIDIA的方案重点在于融合不同传感器。
　　2016年，英伟达在DrivePX2平台上推出了三款产品，分别是配备单GPU和单摄像头及雷达输入端口的DrivePX2Autocruise(自动巡航)芯片(下图左上)、配备双GPU及多个摄像头及雷达输入端口的DrivePX2AutoChauffeur(自动私人司机)芯片(右上)、配备多个GPU及多个摄像头及雷达输入端口的DrivePX2FullyAutonomousDriving(全自动驾驶)芯片(下方)。
　　以目前的销售情况，DrivePX2搭载上一代Pascal架构GPU已经实现量产，并且已经搭载在Tesla的量产车型ModelS以及ModelX上。
　　目前PX2仍然是NVIDIA自动驾驶平台出货的主力，Tesla，Audi和ZF等对外公布DrivePX2应用在量产车上。
　　Xavier是DrivePX2的进化版本，搭配了最新一代的Volta架构GPU,相较于DrivePX2性能将提升近一倍，2017年年底量产。
　　由于多家主机厂L3级别以上自动驾驶量产车的计划在2020年左右，而Xavier的量产计划将能和自动驾驶车的研发周期相互配合(一般3年左右)，因此Xavier的合作都是有量产车落地计划的。
　　而对于较早与NVIDIA达成合作的车厂来说，他们在小批量测试、量产的优先级别以及可定制化空间等方面都能获得一定的优势。
　　目前，L4及以上的市场基本上被NVIDIA垄断，CEO黄仁勋称全球有300余家自动驾驶研发机构使用DrivePX2。
　　DrivePX2单价为1.6万美金，功耗达425瓦，但目前没有达到车规，按功耗和成本看，只能小规模测试阶段使用。
　　国内地图行业龙头，向ADAS和自动驾驶进军。公司成立于2002年，是国内首家获导航地图制作资质的企业(目前仅13家)，为领先的数字地图内容、车联网与动态交通信息服务、基于位置的大数据垂直应用服务的提供商之一。
　　其拳头业务——地图业务，以国内60%的份额稳居垄断地位。2017年以来，公司收购杰发科技、入股中寰卫星与禾多科技，“高精度地图 芯片 算法 软件”的自动驾驶产业链全方位布局雏形已现。
　　高精度地图:代表国内最高水平。
　　公司以地图起家，目前国内高精度地图仅两家玩家(另一家为高德)，公司深度绑定获得宝马、大众、奔驰、通用、沃尔沃、福特、上汽、丰田、日产、现代、标致等主流车企发展，占绝对优势。2017年公司实现支持L3级别(至少20个城市)的高精度地图，计划于2019年覆盖所有城市，并为L4的推出做准备。
　　公司地图编译能力亮眼，全球首位提供NDS地图从生产到编译环节。此外，公司在荷兰、美国硅谷、新加坡等地设立研发中心和分支机构，合作伙伴涵盖国际主流车厂、新一代整车企业以及腾讯、滴滴、搜狗、华为等国内知名企业。
　　芯片:收购杰发科技布局汽车芯片。
　　杰发科技(2017年3月完成收购)脱胎于联发科，主攻车载信息娱乐系统芯片。
　　现阶段在国内后装市场市占率超70%，前装超30%(主要为吉利、丰田等车企)，其车规级IVI芯片被多家国际主流零部件厂商采用，并计划推出AMP、MCU及TPMS(胎压监测)芯片等新一代产品。公司通过收购杰发科技，具备了为车厂提供高性能汽车电子芯片的能力，打通从软件到硬件的关键性关卡，并与蔚来、威马、爱驰亿维等造车新势力公司达成了合作。
　　该芯片采用64位QuadA53架构，内置硬件图像加速引擎，支持双路高清视频输出，和四路高清视频输入，能同时支持高级车载影音娱乐系统全