【導讀】汽車芯片主要分為功能芯片
、功率器件和傳感器三大類。在傳統燃油車中，平均芯片搭載量約為 500-600 顆/輛，而隨著前麵提到的汽車電動化、智能化的演進，平均芯片搭載量已提升至 1000 顆/輛，在新能源車中更是超過了 2000 顆/輛，未來隨著電車智能化的升級
，還有望提升至 3000 顆/輛，甚至更多。

2018 年，汽車行業“缺芯”潮來得猝不及防
，而後波及所有電子元器件品類

，自此汽車電子“一芯難求”成cheng為wei街jie頭tou巷xiang尾wei熱re議yi的de話hua題ti。今jin天tian

，我wo們men看kan到dao經jing過guo幾ji年nian的de上shang遊you擴kuo產chan
，疊die加jia近jin期qi汽qi車che終zhong端duan市shi場chang的de不bu景jing氣qi因yin素su
，缺que芯xin現xian象xiang得de到dao明ming顯xian緩huan解jie
，僅jin剩sheng下xia少shao部bu分fen主zhu控kong芯xin片pian依yi舊jiu維wei持chi長chang交jiao付fu周zhou期qi的de狀zhuang態tai。

汽車電動化
、智能化下的增量市場相當可觀

回顧過去，真的隻是電子供應鏈市場周期性波動帶來的“缺芯”問題嗎？回答是否定的
，究其最深層的原因，還是汽車電動化
、智能化趨勢下電子電氣架構變革帶來的增量市場上升速度太快，導致車規級芯片市場供不應求
，從而產生“缺芯+漲價”的應激反應。

汽車芯片主要分為功能芯片、功率器件和傳感器三大類。在傳統燃油車中，平均芯片搭載量約為 500-600 顆/輛，而隨著前麵提到的汽車電動化
、智能化的演進，平均芯片搭載量已提升至 1000 顆/輛
，在新能源車中更是超過了 2000 顆/輛，未來隨著電車智能化的升級，還有望提升至 3000 顆/輛，甚至更多。

商業價值最大化

，L2/L2+是短期內的行業共識

作為汽車智能化的核心，近年來自動駕駛技術的發展非常迅速。當前，部分汽車廠商已經推出了具備 L2 級別自動駕駛功能的車型，比如特斯拉 ModelS、廣汽新能源 AionS
、小鵬 G3、蔚來 ES8、一汽大眾探嶽
、長安 CS75、WEYVV6

、吉利繽瑞等。

那麼，到底什麼是 L2 級別自動駕駛呢？事實上，市麵上有兩套自動駕駛分級標準，分別是 2014 年國際汽車工程師學會（SAE）首發的《SAE J3016 推薦實踐：道路機動車輛駕駛自動化係統相關術語的分類和定義》


，簡稱《SAE 駕駛自動化分級》；以及 2021 年我國國家市場監督管理總局出台的《汽車駕駛自動化分級》國家標準（標準號：GB/T 40429-2021）。兩者的區別在於國家市場監督管理總局、國家標準化管理委員會將 L1 至 L2 級別統稱為輔助駕駛
，L3 至 L5 級別統則稱為自動駕駛。下麵
，我們以國際標準為例來具體介紹一下。

在《SAE 駕駛自動化分級》標準中
，自動駕駛被分為 L0 級~L5 級：

L0 級：無自動化
，純人工駕駛
；

L1 級：駕駛支持，以人工操控為主，係統提供適時輔助
，常配有製動防抱死係統、車身電子穩定係統等；

L2 級：部(bu)分(fen)自(zi)動(dong)化(hua)，雖(sui)然(ran)自(zi)動(dong)駕(jia)駛(shi)係(xi)統(tong)能(neng)夠(gou)完(wan)成(cheng)某(mou)些(xie)駕(jia)駛(shi)任(ren)務(wu)
，但(dan)駕(jia)駛(shi)者(zhe)仍(reng)需(xu)專(zhuan)心(xin)於(yu)路(lu)況(kuang)，當(dang)係(xi)統(tong)出(chu)現(xian)差(cha)錯(cuo)時(shi)需(xu)要(yao)人(ren)為(wei)進(jin)行(xing)糾(jiu)正(zheng)，常(chang)配(pei)有(you)自(zi)適(shi)應(ying)巡(xun)航(hang)係(xi)統(tong)、主動車道保持係統、自動刹車輔助係統和自動泊車係統等；

L3 級：有you條tiao件jian自zi動dong化hua，某mou些xie特te定ding場chang景jing下xia的de自zi動dong駕jia駛shi，車che輛liang自zi動dong駕jia駛shi係xi統tong的de優you先xian級ji高gao於yu駕jia駛shi員yuan，但dan是shi駕jia駛shi員yuan可ke以yi通tong過guo緊jin急ji按an鈕niu隨sui時shi取qu得de車che輛liang的de控kong製zhi權quan，如ru交jiao通tong擁yong堵du路lu段duan的de自zi動dong跟gen車che行xing駛shi、遠程倒車入庫等


，以在公用路麵上完成 L3 級別的自動駕駛車輛奧迪 A8 為例，其搭載了 24 個感應器和 41 種駕駛輔助係統軟件
；

L4 級：gaoduzidonghua
，zaiguidingdedaoluhehuanjingzhong
，cheliangzidongjiashixitongnenggouzizhuwanchengsuoyoudejiashicaozuo，jubeiwanquanchulijinjiqingkuangdenengli，jiashiyuankeyizuozijixiangzuodeshiqing
，ruguochuleshi，zerenjiangquanbuguishuchangshang
，fangxiangpan、油門
、刹車等裝置也或被取消；

L5 級：完(wan)全(quan)自(zi)動(dong)化(hua)
，在(zai)所(suo)有(you)道(dao)路(lu)和(he)條(tiao)件(jian)下(xia)
，自(zi)動(dong)駕(jia)駛(shi)係(xi)統(tong)都(dou)能(neng)夠(gou)完(wan)成(cheng)駕(jia)駛(shi)任(ren)務(wu)，應(ying)對(dui)任(ren)何(he)工(gong)況(kuang)，駕(jia)駛(shi)員(yuan)全(quan)程(cheng)無(wu)需(xu)幹(gan)預(yu)
，此(ci)時(shi)也(ye)不(bu)再(zai)有(you)駕(jia)駛(shi)艙(cang)的(de)概(gai)念(nian)
，汽(qi)車(che)更(geng)像(xiang)是(shi)一(yi)個(ge)智(zhi)能(neng)機(ji)器(qi)人(ren)。

事實上
，在 2022 年nian之zhi前qian
，全quan球qiu汽qi車che產chan業ye鏈lian上shang的de企qi業ye對dui目mu標biao場chang景jing並bing沒mei有you那na麼me清qing晰xi，所suo以yi總zong希xi望wang通tong過guo算suan力li抬tai升sheng來lai實shi現xian硬ying件jian冗rong餘yu，而er今jin天tian當dang自zi動dong駕jia駛shi往wang高gao階jie發fa展zhan，從cong L2 開始逼近 L3，shenzhizaiwangshangzou，jishuhechanpinpiliangluodimianlindezuidatiaozhanshixuqiucedechengshounengli
，zhezhengzaidaobichechangjinxingxinyilundechengbenguankongxiadexitongyouhua。tongguoshijianzhengming，zheliangnian L2、L2+級別的自動駕駛將成為車廠標配，這一趨勢已形成行業共識。

自動駕駛技術演進下，“大芯片”成為標配

隨sui著zhe自zi動dong駕jia駛shi技ji術shu的de不bu斷duan演yan進jin，不bu僅jin車che載zai芯xin片pian的de數shu量liang在zai逐zhu步bu增zeng加jia，在zai跨kua域yu集ji中zhong式shi和he中zhong央yang計ji算suan式shi架jia構gou中zhong
，大da芯xin片pian正zheng在zai成cheng為wei標biao配pei，芯xin片pian設she計ji的de複fu雜za性xing急ji劇ju升sheng高gao。

2014 年~2018 年間仍以分布式 E/E 架構為主，跨域集中式架構剛起步
，主流玩家 Mobileye、英偉達和瑞薩、TI 等傳統 MCU 廠商的上車智駕芯片算力大都在 10TOPS 以下，如牢牢占據 L1~L2 級別視覺 ADAS 芯片市場的 Mobileye EyeQ3/Q4 的算力僅為 0.256TOPS 和 2.5TOPS。

不過也有特殊的
，比如 2016 年搭載於特斯拉 HW2.0 平台的英偉達 Tegra Parker SoC 算力就提高到了 24TOPS
，同時把 GPU 路線的自動駕駛 SoC 正式推向市場。

2019 年~2023 年間跨域集中式架構發展提速，英偉達開始引領高算力市場，相關電子供應鏈結構同步發生轉變，除了英偉達外
，特斯拉自研 FSD 芯片崛起
，國產品牌地平線、黑芝麻、芯馳等抓住國產替代窗口開始發力。此時
，智駕芯片麵向應用場景和汽車終端產品定位出現算力需求分化，行業形成共識，L2/L2+級別自動駕駛在短期內更具商業落地價值，紛紛發力搶占市場。

值得一提的是，在 L2/L2+級別的中高算力自動駕駛市場中
，算力需求已經達到了 30 TOPS~1000 TOPS 這個範圍，比如 2020 年英偉達發布的針對 L2 級別市場的 Xavier 芯片，已上車小鵬 P7/P5 等車型，算力為 30TOPS

；2022 年地平線發布的 J5 芯片，已上車理想、比亞迪、蔚來旗下阿爾卑斯、哪吒等車型，算力為 128TOPS
；同年英偉達又針對 L2+級別高階輔助駕駛車型推出 Orin 芯片，成為主機廠合作的王者
，算力為 256TOPS。根據業內人士反饋，Orin 芯片的出現給 Mobileye、地平線、高通、黑芝麻智能
、寒武紀等自動駕駛芯片企業帶來了空前壓力。

EDA 正在助力汽車芯片廠商實現性能和先發優勢

對於這些大芯片設計廠商而言，如何縮減上市時間取得先發優勢，在提高算力、安全等級的同時
，改善芯片的 PPA（功耗
、性能和麵積），成為共同的追求目標。

傳統的 EDA 工具常使用“經驗法則”，需要設計人員根據直覺和經驗進行優化，這種建模和仿真技術存在很多局限性，包括：無法從以前的設計中汲取經驗，導致生產力受限且設計不夠準確；多次迭代導致設計時間增加；HLS 通常需要更多的時間來完成綜合
；布局和布線取決於設計師的預測/經驗，會增加運行時間；就時間和資源而言，製造成本高昂等。與此同時
，車規級芯片的質量在很大程度上取決於底層半導體技術和設計規則，因此對 EDA 又提出了更高的要求。

所以對於一顆車規級大芯片而言，為了確保設計的正確性

，必須在生產製造前進行大規模的仿真和驗證，而芯片的算力規模越大
、集成度越高，仿真驗證的過程就會越複雜，設計人員需要更快地實現收斂和驗證

，來降低成本並提高結果質量。同時，傳統的隨機/自動測試模式生成（ATPG）方案在故障覆蓋率方麵已經不能滿足實際需求。因此，將 AI 和 EDA 融合是大勢所趨。

Cadence 作為 EDA 領域的深耕者和領導者，可以提供汽車智能設計所需的全部 EDA 工具、設計流程等，幫助工程師加速自動駕駛設計。同時
，通過將 AI/ML 功能融入現有的 EDA 工具中
，能夠從手動到完全自動化不同等級產生更好、更可預測的結果，助力汽車廠商利用多學科分析和優化（MDAO）技術提高整體設計，從而實現更快速、更優質的結果
，係統的精確行為建模也提高了產品保真度和安全性。

下麵介紹兩個 Cadence 在自動駕駛中所提供的典型解決方案——Cadence Tensilica 處理器 IP
、Xcelium ML。

• Cadence Tensilica 處理器 IP

  
  

Tensilica 處理器 IP 是 Cadence 根據應用需求量身定製的差異化處理器係列 IP，可滿足各類 ADAS 硬件加速平台需求
，其 DSP 內核 Tensilica ConnX 支持用於 L2 級別自動駕駛下 ADAS 的激光雷達
、毫米波雷達中的高性能數據處理，提供性能、功耗和麵積的理想組合，同時其 DSP 處理器 Tensilica Vision 與 Tensilica Al 處理器的集成可輕鬆實現視覺傳感器數據處理。

對於汽車芯片廠商來說，在將 Tensilica DSP 產品集成到係統級芯片的同時，可以快速、輕鬆地進行軟硬件劃分的探索分析，滿足將來算法的演進同時大大降低 CPU，GPU 和 AI 處理器的負載。同時使用 Tensilica Instruction Extension（TIE）語言自動生成處理器擴展和與之匹配的軟件工具，並創建特定領域的差異化解決方案。

值得一提的是，搭載 FlexLock 的 Tensilica Xtensa 處理器現已通過車規級安全認證，完全符合汽車安全完整性等級 D 標準，提供 ASIL D 係統級和 ASIL D 隨機故障防護，適用於功能安全（FuSa）應用，可以幫助更多大芯片設計廠商將安全模塊集成到 SoC 中，減少模塊設計和驗證時間
，增加產品先發優勢。

以汽車雷達模塊中的 SoC 為例，其通常由多個處理元件組成，包括控製器 CPU 和一個或多個 DSP 等。當 SoC 中的晶體管出現隨機故障時，包括晶體管或其他物理元件磨損並卡在邏輯“0”或“1”處，由於 α 粒子引起的靜態故障導致內存位從“0”翻轉為“1”等永久性故障，或是由 SoC 中zhong的de信xin號hao串chuan擾rao等deng噪zao聲sheng引yin起qi的de瞬shun態tai故gu障zhang等deng，這zhe些xie故gu障zhang都dou可ke能neng發fa生sheng在zai與yu處chu理li器qi緊jin密mi耦ou合he的de邏luo輯ji門men或huo存cun儲chu器qi中zhong的de處chu理li元yuan件jian中zhong，最zui終zhong造zao成cheng安an全quan問wen題ti。

因此，係統設計人員必須設定一個安全目標
，即 DSP 中(zhong)的(de)隨(sui)機(ji)故(gu)障(zhang)不(bu)得(de)導(dao)致(zhi)車(che)道(dao)標(biao)記(ji)等(deng)物(wu)體(ti)檢(jian)測(ce)失(shi)敗(bai)。該(gai)安(an)全(quan)目(mu)標(biao)將(jiang)指(zhi)導(dao)設(she)計(ji)人(ren)員(yuan)采(cai)取(qu)適(shi)當(dang)的(de)安(an)全(quan)機(ji)製(zhi)，以(yi)便(bian)在(zai)檢(jian)測(ce)到(dao)隨(sui)機(ji)故(gu)障(zhang)時(shi)，安(an)全(quan)控(kong)製(zhi)器(qi)會(hui)收(shou)到(dao)通(tong)知(zhi)並(bing)可(ke)以(yi)采(cai)取(qu)措(cuo)施(shi)
，例(li)如(ru)重(zhong)新(xin)初(chu)始(shi)化(hua) DSP 等。如果 DSP 已經進行處理，則安全控製器負責采取措施確保在 DSP 重新初始化之前/期間達到安全狀態。

在這種設計中，位於“安全島”中的安全控製器可以起到安全關鍵決策的作用。當然，控製器也可能會出現隨機故障

，如果控製器檢測到 DSP 故gu障zhang，但dan控kong製zhi器qi采cai取qu了le錯cuo誤wu的de操cao作zuo來lai響xiang應ying該gai故gu障zhang，從cong而er使shi係xi統tong處chu於yu不bu安an全quan狀zhuang態tai，這zhe類lei故gu障zhang可ke能neng會hui產chan生sheng嚴yan重zhong後hou果guo
，這zhe種zhong情qing況kuang下xia設she計ji人ren員yuan就jiu需xu要yao采cai用yong冗rong餘yu的de設she計ji方fang法fa，讓rang兩liang個ge控kong製zhi器qi同tong步bu運yun行xing，來lai大da大da降jiang低di此ci類lei事shi件jian發fa生sheng的de可ke能neng性xing。

綜上，為了實現係統級別的安全目標，像雷達模塊中的 SoC 這樣的處理器設計是非常複雜的，所以芯片設計企業通常會向可靠的第三方購買 IP
，來簡化設計流程，提高流片的成功率
，而 Tensilica 處理器 IP 是個不錯的選擇。

• Xcelium ML

  
  

Xcelium Logic Simulation 是 Cadence 為 IP 和係統級芯片驗證收斂提供的一款高速的仿真器
，可為 SystemVerilog、VHDL
、SystemC®、e、UVM

、混合信號、低功耗和 X 態傳播（X-propagation）提供業內優異的核心引擎性能
，從而加快驗證吞吐量。

其中
，Xcelium Machine Learning（ML）App 利用專有的機器學習技術來縮短回歸時間，可從以往的回歸運行中學習並指導 Xcelium 隨機引擎，在實現相同覆蓋率的前提下大幅度減少仿真回歸周期，或者產生特定覆蓋點的激勵觸發更多的 bug來提高驗證質量。

同時，Cadence 對特定領域還提供了相應的 App，包括混合信號、基於機器學習的測試壓縮和功能安全，可以幫助汽車芯片設計團隊盡早實現對 IP 和係統級芯片（SoC）設計的驗證收斂，非常適合 Level 2+ 級以上 SoC 設計。

瑞薩電子汽車 SoC 業務部傑出工程師 Tatsuya Kamei 對此表示：“將 Xcelium Machine Learning（ML）App 納na入ru驗yan證zheng流liu程cheng，有you助zhu於yu我wo們men在zai緊jin迫po的de期qi限xian內nei，通tong過guo更geng少shao的de回hui歸gui測ce試shi來lai加jia速su完wan成cheng覆fu蓋gai率lv的de收shou斂lian任ren務wu，同tong時shi最zui大da限xian度du地di提ti高gao驗yan證zheng性xing能neng和he整zheng體ti驗yan證zheng效xiao率lv。”

而在這段表述的背後，是瑞薩電子借助 Verisium AI-Driven 驗證平台，整體調試效率提高了 6 倍，整體隨機驗證回歸縮短了 66%；以及依托 Xcelium ML App，實現了回歸用例 2.2 倍壓縮和 100% 覆蓋率收斂的事實。

此外值得一提的是，瑞薩電子在不斷使用機器學習進行回歸迭代過程中

，在實現 100% 覆蓋率的前提下，將工作量減少了 3.6 倍。

瑞薩電子利用機器學習大大減少回歸運行次數（從 3774 次減少到 1168 次）
，成功在規定時間內實現產品上市。除了節省資源、時間和加速覆蓋率收斂外，Xcelium ML Apps 還為瑞薩電子節省了約 27 個工時。

寫在最後

汽qi車che產chan業ye的de變bian革ge還hai在zai繼ji續xu，芯xin片pian和he電dian子zi係xi統tong的de重zhong要yao性xing隻zhi會hui越yue來lai越yue高gao。不bu可ke否fou認ren的de是shi，在zai克ke服fu未wei知zhi挑tiao戰zhan的de路lu上shang缺que少shao不bu了le整zheng個ge產chan業ye鏈lian的de通tong力li合he作zuo
，而er EDA 和 IP 將是貢獻者鏈路上重要的一環。

免責聲明：本文為轉載文章，轉載此文目的在於傳遞更多信息

，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯係小編進行處理。

推薦閱讀：

利用低功耗 77GHz 雷達傳感器改善運輸和工業設計

芯原股份戴偉民：Chiplet會在AIGC和智慧駕駛領域率先落地

設計支持寬輸入電壓和電池電壓範圍的應用

先進電氣化技術加速實現可持續交通

MVG測試測量解決方案確保汽車天線通信性能的安全、穩定和高效