追求完全的自动驾驶现在已经成了老生常谈，而且已经在公众心中造成很大困惑。根源在于早期对自动驾驶技术成熟度的炒作。当时，汽车制造商和一些芯片供应商对于完全自动驾驶的可行性提出了过于激进的主张。受计算平台蓬勃发展的鼓舞，行业的思想领袖们展开了全球的自动驾驶方案讨论。

从那时起，我们不断学习新的经验。比如改进开发所需计算能力的方法，以及如何将这项技术从入门级车辆推向更高端的车辆。对于汽车制造商，这两点至关重要。所有这些考虑因素的基础是安全性。无论在什么阶段，安全性都是自动驾驶革命中最重要的决定性因素。

安全性

全球与驾驶有关的死亡统计数据触目惊心。每年全球交通事故会造成130万人的死亡，其中90%是由人为错误造成的。这些令人警醒的数字是我们追求自动驾驶的重要原因之一。但在某些方面，这些数字忽视了一个基本点。虽然这些统计数据记录了交通事故给人类带来的痛苦，但事实上，考虑到路面上驾驶者和汽车的数量以及我们的驾驶条件，人类在驾驶方面表现得非常出色。真正的问题不是自动驾驶汽车如何做得比人类更好，而是如何达到或者接近人类驾驶的安全性水平。

在过去的30年里，汽车制造商、芯片公司和一流企业已经创建了功能安全性的标准。这是将电子设备引入汽车安全性的第一步。从广义上讲，功能安全性的核心在于汽车中的每个电子元件都必须具有特定功能：如果元件发生故障，系统能够检测到故障并将其报告给车辆。如果您看到过橙色或红色的警示灯提示您检查发动机、元件或ECU，这就说明功能安全性系统在默默工作。

在自动驾驶领域，安全性包括功能安全性，但很快就会进入更复杂的安全性领域。在这个领域中，我们不再局限于简单的功能正常或不正常的概念。自动驾驶对于安全性已经有了全新的认知，其核心是行为安全性和环境安全性等概念。

在行为安全性情景中，关注点是汽车的表现是否正常。例如，它是在路边还是在道路上行驶、是否按照适合车流的速度行驶、是否遵循所在地区的法律法规。通过对行为安全性进行更复杂和先进的评估，也能回答诸如“在正确的情况下，车辆是否具备适当的积极性；在其他情况下，是否具备适当的防御性”这样的问题。

除了行为安全性，我们还有环境安全性的概念。环境安全性旨在解决汽车无法针对周围动态环境变化做出适当反应的问题。如果在车辆前方的道路上有快递车辆掉落的快递盒，会发生什么？自动驾驶汽车如何应对？如何定义适当的方式来应对意外的环境挑战？环境安全性的另一部分有关在雨、雾、结冰或交通密集的情况下该怎么办。我们必须确保自动驾驶车辆配备的电子系统和软件能够使车辆正确地作出反应。

一个系统如何应对自动驾驶所需要的安全性和数据的挑战？

自动驾驶的计算需求

为了安全地实现自动驾驶功能，相关系统需要满足大量计算的需求。如果我们研究自动驾驶计算需求的变化，则高级驾驶辅助领域通常是1-2级，自动驾驶则涵盖3-5级。随着自动化等级的上升，计算需求从每秒数百万条指令增加到机器学习等应用才能处理的每秒兆级操作。

恩智浦将关于自动驾驶感知和处理的讨论扩展为由感知、思考和行动组成的概念领域。在“感知”领域，雷达、激光雷达、视觉和V2X等技术产生了大量的原始数据。从这些数据开始，系统通过这些数据的处理结果来“思考”或评估正在发生的情况，最后做出决策并“行动”。这一框架贯穿于所有类型的机器人构造。

最早一批自动驾驶汽车开发人员都选择配备高性能的消费级GPU和CPU，试图通过大规模计算和单一性的方法解决自动驾驶问题。他们找到了功能最强大的GPU和CPU，将它们装入汽车并开始分析数据。这种方法的问题在于无法提供安全性和高效节能。这就是为什么我们思考细分挑战的原因。

关于思考的再思考

自动驾驶会对“思考”功能的特定区域提出高性能的要求。思考领域主要发生两件事，因此我们决定将该领域的挑战细分，使我们的客户更容易实现安全性。

我们将“思考”划分为两个组成部分。一个组成部分侧重于对车辆周围的环境进行感知和建模。另一个部分侧重于安全地规划驾驶路径。这种分配的原因是允许将应用或子功能的不同部分进行扩展，以满足特定车辆的需要和要求。更具体地说，感知和建模将随着车辆中传感器的数量和传感器的类型而扩展。而路径规划将随着驾驶功能的复杂性而扩展。

感知和建模侧重于识别车辆的周围环境，包括环境和物体。系统将模拟车辆周围的环境，以便识别树等木物体并最终对其进行分类。先通过传感器部分地了解和识别车辆周围的物体，然后再移动到需要高性能处理的区域，进而完成“看”的过程。系统还需要跟踪物体，确定它们的轨迹、它们的行进速度、它们想要做什么，然后对汽车前方和周围的区域划分场景，比如车道、其他车辆、人行横道或人行道。

在系统形成车辆周围的环境模型后，就需要基于感知做出决定。这些决定围绕着安全路径规划，回答汽车将要做什么的问题：汽车是左转、减速还是加速？以上就是安全地操纵汽车、规划汽车运动、预测交通状况、规划汽车路径、驱动汽车前进并到达最终目的地的整个过程。

路径规划不看传感器，而是看决策算法和驾驶功能的复杂性（从塞车辅助到高速路巡航、有无施工区域、有无高速并道等）。独立扩展这两个领域的方法非常有用。从功率比的角度来看，这种方法有助于提高系统效率。此外，独立硬件和软件有助于证明安全性。

在今年的拉斯维加斯CES博览会上，恩智浦与Kalray携手开发以安全为基础的中央计算平台。该平台支持分区化的决策，这对于自动驾驶的工业产品化至关重要。 

在新一代平台中，恩智浦提供了高性能S32的主处理器，以及对安全至关重要的ASIL-B和ASIL-D性能。这将帮助整个平台应对汽车中央计算的要求，并实现决策和路径规划功能。Kalray将提供MPPA®处理器，以一流的性能满足安全处理机器学习需求。

此次合作的第一个项目是将Kalray的MPPA®处理器集成到恩智浦嵌入式自动驾驶平台BlueBox中。这个迭代过程，将利用基于ARM®的技术来解决自动驾驶功率与安全的两大挑战，并且支持开放的软件平台。