百度集团：十年一刻终量产智能驾驶闪耀时（44页）.pdf

1、车规级芯片的制造壁垒很高，需要满足相关标准认证，包括可靠性标准 AEC-Q100 认证、质量管理标准 ISO/TS16949 认证、功能安全标准 ISO26262 认证等，比如：1) 温度要求：按照AEC-Q100 认证的Grade 1 级温度范围要求，车规级芯片需要满足-40 到+150 摄氏度的工作环境，而一般消费级芯片满足 0-70 摄氏度工作环境即可。2) 使用寿命：车规级芯片一般要达到 15 年使用寿命，一般消费级芯片达到 1-3 年即可。3) 质量安全：车规级芯片的不良率要在百万分之一以下，一般消费级芯片可接受的不良率则在万二左右。国内车规级芯片代表产品包括华为的麒麟 990A、地

2、平线的征程系列芯片等。车规级芯片企业的高壁垒和稀缺性让这些企业也在自动驾驶赛道中获得了站到台前、向全栈方案拓展的机会。正如 Mobileye 芯片和算法一体、Qualcomm 在通过 Snapdragon Ride 自动驾驶平台进行软硬件一体的解决方案产出，华为、地平线等推出的 ADAS 系统正在接到越来越多车企的合作需求。在智能驾驶的软件层面，“数据驱动算法”是业内较认可的算法演进模式。数据决定了算法的迭代成熟程度，也决定了最终有多少 corner case(极端情况)可以被解决。数据量不同，算法的应用也不一样。百度Apollo 技术委员会把数据驱动的算法迭代过程定义为三个阶段：1) 阶段一

3、：人为设定规则。早在数据基础还很薄弱时，深度学习算法能发挥的作用较低。这一阶段核心依托技术人员依据经验采用功能性确定的代码。依据经验设定的代码，对经验的依赖度较高、拟合的场景有限。2) 阶段二：算法搭建。在数据基础设施更完善以后，数据的获取效率和质量都显著提升。此时技术人员就可以用更多的深度学习算法，包括神经网络(DNN)，来进行算法体系搭建。这一阶段体现了明显的算法结构化、数据规模化。3) 阶段三：数据优化。在经过了长时间测试之后，模型框架已经基本稳定，更多优化是由数据来驱动：从车端数据收集、到数据清洗、到模型迭代。随着模型的成熟和数据的充裕，这一阶段算法的任务也从预测头部问题收敛到预测特定场景。