不差钱的话，您会用激光雷达吗？

高阶自动驾驶的量产落地需要整个技术体系的进步。感知、决策、控制，每一个环节的软硬件都需要持续不断的创新。其中，后两者能否安全、准确地实现，取决于自动驾驶车辆的感知能力。

因此，智能电动汽车关于感知传感器的装载，也在不断增加和技术迭代。

从传感器的形态和功能维度来看，可以分为几个阶段：

随着高级别自动驾驶对感知传感器需求的变高，传感器本身的技术迭代和技术创新也在加速。

No.1

硬件竞争短期不会结束

在科技产品中，硬件是基础，为实现一些系统性的功能而存在。在自动驾驶系统中，感知传感器就像眼睛，让车辆能够丰富且更精准地感知真实环境。

如果把整个自动驾驶系统拆分来看，感知本身只是一套小系统存在，由物理硬件、软件算法、芯片组成。这三者之间的关系是：硬件识别到的数据，由感知算法解析，解析标定之后提交有用数据与其他传感器数据比对，通过整个自动驾驶计算平台计算得到答案后交给决策机构。过程中的每个步骤都会影响传感器性能。

在传感器识别模组上，想要感知更丰富的信息，就需要传感器处理芯片具备更高性能。而在现阶段，激光雷达几乎成了智能汽车感知传感器的必选项，因其具备诸多优势：

❶ 精确的距离/深度和速度测量；

❷ 空间分辨率 - 高分辨率 3D 对象特征化；

❸ 200 m+ 的检测距离；

❹ 为方位角和仰角提供宽视角（ FoV ）和角度分辨率。

相比大多数厂商采用的“视觉+雷达”方案，在高级别自动驾驶对传感器高精度需求的驱动下，激光雷达会迅速成为车企与自动驾驶企业的标配，推动市场迅速扩大。然而，随之而来的问题是：激光雷达的升级迭代能否满足需求？

11 月 25 日下午 13:30 ，Xilinx Adapt – 中国站迎来汽车与自动驾驶专场。

扫描下图二维码报名并观看直播👇

No.2

传感器技术迭代缓慢

很多人将激光雷达等传感器落地和迭代慢，归结于机械结构以及光学组件升级慢。但这背后还有一个核心原因——专用芯片。

高性能传感器对芯片以及整个计算平台的性能有着极高要求，通常有几个主要指标：

算力：

激光雷达需要高算力，用于 3D 点云的高数据速率图像处理，3D 点云由每秒超过 100 万个数据点构成，数据量远超摄像头和其他雷达传感器。

高可扩展性：

未来传感器的融合，需要芯片架构具有非常强的拓展性。以支持运行不同软件，而且不同技术体系的之间需要进行复杂数据的计算。

性能与低功耗：

要做到限制成本与传感器模块尺寸以满足热管理要求。

低时延和动态数据吞吐量：

处理数据的延迟越低，越能够降低执行机构的执行时间，从而降低危险。

算法匹配：

当前芯片算法既要满足大数据量的计算，也要满足 AI 边缘算法需求。

左右滑动查看更多指标

目前最大的挑战在于，市场上的激光雷达硬件、深度学习算法软件尚未形成产业规模，也就是标准的通用型产品。因此，使用专用的 ASSP/ASIC 架构芯片效率并不高。在此情况下，芯片的灵活性就显得更加重要。

也正因如此，FPGA 处理平台正在被大规模应用。从结果来看，未来基于 FPGA 架构的芯片可能会更受制造商青睐。

No.3

基于 FPGA 的方案正跻身主流

针对激光雷达，FPGA 可以在众多方面提供助力，如灵活性、自适应能力、低时延、高吞吐量、快速上市进程等。其允许工程师更改内部电路的特性，则使汽车激光雷达系统能响应不断演进的设计与性能要求。凭借这些优势，FPGA 解决方案正跻身投产汽车激光雷达处理应用的主流。

截至目前，赛灵思在汽车电子领域的累计出货量已达 2.05 亿片，其中 8000 万片用于ADAS 领域。仅去年一年，赛灵思在汽车行业的出货量就接近 2000 万片器件。

面向汽车市场，赛灵思可以提供从 28 nm 工艺的 FPGA、Zynq SoC，16 nm 的 Zynq UltraScale + MPSoC 7EV 和 11 EG，以及 7nm 工艺的 Versal ACAP。在芯片制造行业，这是一条又宽又深的护城河。

车规级固态激光雷达已量产

11 月 25 日下午 13:30 ，Xilinx Adapt – 中国站汽车与自动驾驶专场，将围绕 FPGA 如何赋能激光雷达、毫米波雷达、以及自动驾驶域控制器等话题展开。

届时，赛灵思技术专家、一径科技研发副总裁以及苏州豪米波公司总工程师，将从技术角度深度分析相关技术具体应用。

扫描下方二维码，即刻报名吧👇

转载：赛灵思