汽車的“超級大腦”：下一代 ADAS 如何守護行車安全？

汽車自動駕駛的發展速度超出了大多數人的預期，但實現底層技術提升所需面對的工程挑戰也隨之增加。僅靠增加傳感器數量或提升計算能力，并不能讓車輛達到更高的 SAE 等級。車輛必須持續獲得關于周邊環境的精準感知數據，使其即使在霧、暴雨、眩光或道路碎片等惡劣環境條件下，也能處理復雜情況并在毫秒內采取行動。

政府和行業不斷出臺更嚴格的安全認證、可靠性和成本約束要求，并持續影響設計決策。汽車制造商面臨的真正挑戰，是構建一個完整的端到端 ADAS 平臺，使其能夠在毫秒級時間內安全、可靠地將檢測結果轉化為駕駛決策。這些更智能、具備環境感知能力的車輛能否成功，并不取決于單一系統的先進程度，而取決于所有系統能否實現無縫協同。

政府法規同樣在推動先進技術的開發與應用，以提升車輛安全性。當前法規要求包括駕駛員監測系統（用于確保駕駛員注意力保持在道路上）、用于避免碰撞的自動緊急制動，以及盲點檢測和乘員監測系統，以防止兒童被遺留在無人看管的車輛中。雖然具體要求因地區而異，但全球監管機構（從美國國家公路交通安全管理局到歐盟委員會，再到中國工業和信息化部）都有著共同目標：保障駕駛員、乘客以及弱勢道路使用者的安全。

要應對這些挑戰，并在全球范圍內提供安全可靠的自動駕駛汽車，汽車制造商需要在四個領域推動創新：

• 感知：系統捕獲并理解周邊環境。

• 計算：利用處理后的數據驅動實時駕駛決策。

• 通信：在全車范圍內傳輸海量的原始數據和處理后的數據。

• 響應：智能底盤系統（如線控系統）在毫秒內將決策轉化為實際行動。

圖 1 按傳感器類型劃分的車輛覆蓋范圍

雷達擅長通過調頻連續波 (FMCW) 測量進行距離和速度感知；即使在霧天、雨天或弱光環境下，也能基本不受環境條件影響地提供相關信息。高分辨率毫米波 (mmWave) 雷達傳感器在超過 300m 的范圍內持續提升探測精度，使車輛能夠更早發現目標。

雷達傳統上的不足在于低分辨率和高動態范圍場景中的物體分類能力。然而，先進的 4D 成像雷達正在縮小這一差距，從而實現以往標準毫米波雷達無法達到的物體分類精度和高度探測能力。即便取得了這些進步，單憑雷達仍無法提供像攝像頭那樣豐富的顏色、文本及物體分類信息。

激光雷達提供了互補優勢，尤其是在遠距離分辨率方面。傳統激光雷達系統采用飛行時間測量技術，通過近紅外光構建車輛周邊環境的精細 3D 地圖，并獲取物體的距離、形狀和相對位置等信息。在感知并繞過道路障礙物或在復雜地形中進行精細操控等復雜場景下，這些數據至關重要。

在遠距離場景下，掃描式激光雷達具有功耗低和人眼安全等優點，但其對電機驅動轉鏡的依賴會產生機械應力，從而縮短使用壽命。在短距離場景下，閃光式激光雷達因取消了運動部件而得到快速普及；它能夠同時觸發陣列中的所有激光器，并在單幀中捕獲完整場景。

閃光式激光雷達系統比掃描式系統更小巧、更易實現，但由于必須滿足人眼安全要求所需的激光輸出功率限制，因此無法支持遠距離應用。雖然霧雪等惡劣天氣仍是激光雷達面臨的挑戰，但激光脈沖激光雷達接收器技術的進步正在提升其在此類條件下的性能。工程師們正致力于將 FMCW 激光調制技術引入汽車激光雷達，以提升可靠性、減小所需孔徑尺寸，并增加物體速度數據。

攝像頭完善了三種感知模式，能夠提供雷達和激光雷達無法實現的能力：顏色、文本以及豐富的物體分類數據。攝像頭能夠準確識別路標、交通燈和行人。車道保持輔助等功能完全依賴于攝像頭系統，因為道路上的車道線是二維的，雷達或激光雷達無法檢測到。然而，在三種感知模式中，攝像頭最容易受到環境因素影響。弱光環境、強光眩光以及鏡頭上的泥污等雜物，都可能使攝像頭系統實際上處于“失明”狀態。

傳感器融合。每種感知模式都有其擅長的場景，也有其存在不足的環境。因此，汽車制造商開始通過傳感器融合實現更高等級的自動駕駛，即結合兩種或多種感知模式，而非僅依賴單一模式。例如，將用于物體探測的雷達與用于物體分類的攝像頭結合，可通過跨傳感器驗證和基于一致性的決策機制提升感知精度。多種傳感器類型還能提供冗余設計，從而提升安全性。如果攝像頭因光線不足而“失明”，雷達或激光雷達系統可以補充必要的視野，確保車輛安全運行。融合不同模式的傳感器數據，能夠集顏色感知、高分辨率、物體速度感知以及對抗惡劣天氣的高魯棒性等優勢于一身。

傳感器融合不僅能夠應對惡劣天氣和光照條件問題，還能解決更復雜的挑戰。例如，如圖 2 所示，不列顛哥倫比亞省多個地方政府曾設置一種名為“Pavement Patty”的視覺錯覺裝置。

這種路面圖案旨在讓超速駕駛員受到驚嚇并減速，其視覺效果看起來像是一名兒童正在道路中央追逐皮球。實際上，這只是一個以特定角度鋪設的 8 英尺乙烯基貼紙，用于在人眼中制造 3D 視覺錯覺。問題在于，這種錯覺同樣會誤導攝像頭系統。純粹依賴圖像數據的自動駕駛汽車會判斷車輛前方有兒童奔跑，從而采取緊急制動甚至駛入對向車道等激烈動作。由于圖像傳感器擅長物體分類，但并不擅長物體探測，因此可通過增加雷達或激光雷達傳感器來避免這種誤判。此時，當攝像頭檢測到道路上存在物體或行人時，系統可以利用擅長物體探測的傳感器進行交叉驗證。此時，雷達或激光雷達系統會正確識別前方道路不存在危險，而整個 ADAS 系統則能夠判斷攝像頭產生了“虛假危險”感知，從而避免執行危險操作。

這類視覺錯覺原本旨在提醒人類駕駛員保持注意力并安全駕駛，但對于本就會遵守限速并持續監測環境的自動駕駛汽車而言，卻會迫使其處理實際上并不存在的危險，從而帶來挑戰。“Pavement Patty”是一個極具代表性的案例，它揭示了每種感知模式都存在盲點。融合雷達、激光雷達和攝像頭的傳感器數據，能夠提供實現更高等級自動駕駛所需的冗余與交叉驗證，從而避免此類模糊場景。

圖 2 加拿大溫哥華的“Pavement Patty”3D 視覺錯覺裝置

感知環境數據只是自動駕駛運行的第一步。車輛必須將這些數據轉化為完整的周邊環境圖像，并在毫秒內做出實時決策。在當今的許多車輛架構中，針對特定應用的數據處理是在傳感器端完成的。例如，遠程前向雷達可能是自適應巡航控制的唯一輸入來源。隨著自動駕駛技術的發展以及傳感器融合程度不斷提高，數據處理正從邊緣側轉向集中式架構。

集中式計算單元具有多項優勢，包括提升處理效率、簡化軟件更新部署以及增強功能擴展性，因為更換邊緣側傳感器不再需要對整個電子控制單元或軟件進行全面改造。

傳感器融合應用和自動化決策需要專用計算加速器，例如神經處理單元、視覺數字信號處理器 (DSP) 以及雷達快速傅里葉變換加速器。這些技術有助于構建機器學習 (ML) 和預測性人工智能 (AI) 網絡，從而在道路行駛過程中做出復雜的實時決策。德州儀器 (TI) 的 TDA5 駕駛輔助系統級芯片集成了多個計算域，可在單一封裝內同時實現傳感器處理、實時控制和機器學習任務。參考設計和軟件還能幫助工程師縮短開發周期，并更快實現量產。

可靠的傳感和高性能計算固然重要，但如果沒有高帶寬、低延遲且長距離的通信系統網絡，這些功能將處于彼此隔離的狀態。如圖 3 所示，一系列針對特定數據輸入類型和任務需求定制的通信協議，將分布在全車各處的系統連接在一起。

諸如攝像頭等高速、數據密集型應用，其連接至計算單元的電纜長度往往超過 10m。串行器和解串器 (SerDes) 為數據提供非對稱傳輸管道：正向通道速率超過 7Gbps，而雙向通信則采用串行外設接口 (SPI) 或內部集成電路 (I2C) 等低速反向通道協議。

雖然 SerDes 技術傳統上僅用于攝像頭應用，但隨著雷達和激光雷達系統技術不斷演進，能夠將原始數據直接發送至中央計算單元的流式架構逐漸興起，而這同樣需要 SerDes 提供高速性能支持。隨著這些應用不斷擴展，時間同步變得至關重要。這不僅能夠防止雷達或激光雷達之間產生干擾，還能支持高分辨率級聯雷達配置，而此類配置高度依賴傳感器之間嚴格的時間耦合。

圖 3 支持不同車輛架構的各類網絡協議及帶寬的圖表

除了 SerDes 之外，汽車以太網也已成為可靠的車載網絡協議。以太網可連接各域控制器，并支持分布式處理及區域架構。對于需要獨立計算單元的 ADAS 和信息娛樂應用，以太網提供了長距離雙向信號鏈，并集成了媒體訪問控制安全 (MACsec) 等安全特性，以滿足日益增長的網絡安全需求。

此外，以太網還支持嚴格的時間同步，確保整車范圍內的數據與決策保持一致。在區域架構中，以太網可將角雷達、座椅電機控制和音頻信號等多個數據源，以及控制器局域網 (CAN) 和本地互連網絡 (LIN) 等傳統協議，匯聚為發送至中央計算單元的單一輸出，從而降低布線成本和復雜度。10BASE-T1S 等標準將以太網連接擴展到了區域內的低帶寬終端節點，進一步簡化了布線并降低了成本。這種區域網絡架構直接推動了軟件定義汽車的實現，使車輛在出廠后仍可通過無線 (OTA) 更新獲得新功能和新能力，從而減少對昂貴硬件修訂的需求。

盡管區域架構和流式 ADAS 傳感器推動了對以太網和 SerDes 的需求，但 CAN 和 LIN 對于整車中的控制系統仍然不可或缺，包括座椅電機、后處理雷達數據以及照明系統。對于 ADAS 感知或動力總成等高性能應用，CAN 靈活數據速率 (CAN FD) 提供了支持雙向命令傳輸的多主站拓撲結構。而對于暖通空調系統和座椅電機等較簡單的應用，CAN FD Light 則提供固定比特率和單主站拓撲結構，從而降低終端節點和區域控制器的成本與復雜度。

隨著車輛自動駕駛等級的提升以及架構不斷演進，設計人員需要更靈活的網絡方案，以支持精確的時間同步、功能安全和網絡安全防護。

傳感和計算固然重要，但如果無法轉化為實際動作，就毫無意義。更全面的數據、更先進的計算能力以及更快速的通信，正匯聚于自動駕駛運行的最后一步：讓車輛執行動作。智能底盤系統增加了關鍵的執行層，可將駕駛輔助決策轉化為精確的物理響應；線控技術則能夠在毫秒級時間范圍內提供更高的控制精度和性能。

隨著這些系統日益復雜，預測能力將基于經過驗證的真實世界數據來縮短反應時間，從而即時規避風險，在駕駛員意識到危險之前保護乘客和行人。圖 4 展示了此類過程的一個示例。

圖 4 從檢測到決策的流程圖

即便最先進的 ADAS 平臺，也依賴于模擬半導體和嵌入式處理器的支持，它們承載著全車的各大系統。體聲波和電源管理集成電路 (IC) 在更廣泛的自動駕駛討論中常被忽視，但它們提升了感知、計算和網絡層面的系統性能，確保這些系統在現實路況下能夠可靠運行。TI 在設計這些器件時，立足于整車架構進行全局考量，而非僅僅針對單一應用。

未來十年，自動駕駛技術的每一個層面都將迎來重大突破。FMCW 激光雷達將在已具備高精度的測距基礎上，提供更加精確的速度和方向數據。更先進的 AI 模型將能夠應對復雜駕駛環境以及當前系統尚無法處理的邊緣工況。隨著瓶頸從硬件轉向軟件，OTA 更新將為汽車制造商提供一條基于 Level 3 硬件實現 SAE J3016 Level 4 自動駕駛的路徑。智能底盤系統將利用實時信息將數據轉化為實際動作，從而提供更加平穩、響應更靈敏的駕乘體驗。

這些技術早已跨越了概念階段。隨著采用規模持續擴大，成本不斷下降，原本因成本過高而難以實現的設計也得以具備更高的安全水平。完全自動駕駛依賴于車輛中各系統之間的無縫集成。通過在傳感、處理、連接和執行領域持續推動創新，TI 正幫助全球汽車制造商為世界各地的駕駛員打造更安全、更智能的車輛。