深度解析特斯拉最强自动驾驶芯片及视觉传感器

您是否想浏览中国自主品牌出口车型，可以为您切换到易车国际站。

2505

前言

HW2.0增加了侧前侧后方摄像头，前置摄像头由单目进化为三目摄像头，周边车辆的感知能力提升了6倍，前方障碍物识别也得到了极大更新。辅助数据除雷达、超声波传感器之外还包括深度学习构建的高精度地图和白名单。

HW2.0使用NVIDIA的DrivePX2芯片，主板的整体集成度并不高，有大片留白。所有芯片加起来理论算力仅有NVIDIA的DrivePX2的一半。HW2.5芯片整体集成度空前提高，在之前主板构造的基础上增加了4块CPU，集成度上的飞跃带来算力的跃升，基本达到了DrivePX2的理论算力水平。

核心优势

1.1自主研发芯片：算力安全双保险

FSD主板设计的最大特点是双芯片设计形成冗余，减少了功能区故障隐患，同时提高了图像处理的安全与精准性。根据马斯克的说法，FSD芯片主板做了完整的冗余，也就是说HW3.0的每一个功能区都可以损坏，而整套硬件依然可以保持正常工作。

FSD的核心优势在于强大的图像处理和高速传输数据能力。GPU单元为图形处理单元，工作是协助核心处理器完成图形和动画的渲染，让用户能在屏幕上获取有效信息。图像处理器ISP的作用主要是将摄像头产生的原始RGB三原色数据转化成复杂的图像信息。GPU和ISP构成了智能驾驶AI芯片的主角。

FSD内置了主频为1GHZ的GPU，拥有600TOPS的超强运算力，同时图像处理器ISP最高可以25亿像素/秒的高速处理10亿像素的数据量数据。大概是往21块1080P的全高清屏幕塞60帧画面的程度，这已经追上现在世界上最快的消费级图像传输标准DisplayPort1.4了，而车载芯片“传统上”要落后消费级起码一个时代的。

FSD的优势之二在于神经处理单元NPU储存芯片容量巨大、带宽速度极快。NPU负责根据深度学习模型对ISP产生的图像数据作出处理——但在此之前，这些数据将会存储在SRAM内。

SRAM可以简单地将它理解为比运行内存速度快很多，同时成本也高很多的存储芯片，一般被应用在处理芯片的1-3级缓存上。FSD现在拥有32MB的缓存，对比来看，零售价16999元的英特尔酷睿i9-9980XE，SRAM缓存总量也仅为33.75MB，2010年英特尔CPU的最大SRAM仅为16MB，2014年也只是增长到了24MB。

1.2颠覆EEA构架,集中化打破自动驾驶硬件瓶颈

（1）ECU的算力不能协同，并相互冗余，产生极大浪费。

（2）大量分离的嵌入式OS和应用程序Firmware，由不同Tier1提供，语言和编程风格迥异，导致统一维护和OTA升级困难。

（3）分布式的架构需要大量的内部通信，客观上导致线束成本大幅增加，加大装配难度。

（4）第三方应用开发者无法与这些硬件进行便捷的编程，软件开发低效。

2.1传感器方案：摄像头为主，多传感器融合

激光雷达最重要的两个属性是测距和精度。激光雷达可以主动探测周围环境，属于“主动视觉”，即使在夜间仍能准确地检测障碍物。因为激光光束更加聚拢，所以比毫米波雷达拥有更高的探测精度。缺点在于成本高昂、技术不成熟、影响车辆整体外观。激光雷达成本高于2万元，而摄像头最多仅2000元，雷达则更便宜，激光雷达主导的解决方案为主机厂带来成本压力。

摄像头测距能力相对较弱，且受环境光照的影响大，但摄像头的核心优势在于非常适用于物体识别、数据量远超其他传感器。摄像头成像原理与人眼类似，都是物体反射的光通过镜片在传感器上成像，人眼就能看懂摄像头拍摄的内容，摄像头可以完成物体分类。同时摄像头拥有最丰富的线性密度，其数据量远超其他类型的传感器。基于图像信息密度最高的优势，使得它处于整个感知融合的中心地位。

2.2深度学习：神经网络算法提高精度

深度学习搭建时空结构网络，实现机器不干预的自我学习，深度学习能够在图像识别能力上显著超越传统算法。ClarifAI针对行人等复杂物体识别实验数据显示，2010年误检率（ErrorRate）在30%-80%之间，两年传统算法优化将误检率降低至20-30%左右，陷入瓶颈。深度学习算法则进一步降低误检率，接近至10%以下。ImageNet数据同样显示，深度学习算法可将行人的识别率提升至90%以上。

此外，全球各地不同国家有着完全不同的路况、交规、暴雨、冰雹、大雾、甚至洪水、火灾、火山等罕见的长尾场景。每一次AP启用状态下的人为介入接管，系统都会记录下该场景的信息和数据，并自行学习人类的决策和驾驶行为。

竞品分析：水平远超同行

若ADAS只能在理想的单一路况下行驶，无法处理实际突发情况，人工干预次数增加、安全性难以保证，落实自动驾驶在真实道路上的应用就只能是纸上谈兵。