百度集團：十年一刻終量產智能駕駛閃耀時（44頁）.pdf

1、車規級芯片的制造壁壘很高，需要滿足相關標準認證，包括可靠性標準 AEC-Q100 認證、質量管理標準 ISO/TS16949 認證、功能安全標準 ISO26262 認證等，比如：1) 溫度要求：按照AEC-Q100 認證的Grade 1 級溫度范圍要求，車規級芯片需要滿足-40 到+150 攝氏度的工作環境，而一般消費級芯片滿足 0-70 攝氏度工作環境即可。2) 使用壽命：車規級芯片一般要達到 15 年使用壽命，一般消費級芯片達到 1-3 年即可。3) 質量安全：車規級芯片的不良率要在百萬分之一以下，一般消費級芯片可接受的不良率則在萬二左右。國內車規級芯片代表產品包括華為的麒麟 990A、地

2、平線的征程系列芯片等。車規級芯片企業的高壁壘和稀缺性讓這些企業也在自動駕駛賽道中獲得了站到臺前、向全棧方案拓展的機會。正如 Mobileye 芯片和算法一體、Qualcomm 在通過 Snapdragon Ride 自動駕駛平臺進行軟硬件一體的解決方案產出，華為、地平線等推出的 ADAS 系統正在接到越來越多車企的合作需求。在智能駕駛的軟件層面，“數據驅動算法”是業內較認可的算法演進模式。數據決定了算法的迭代成熟程度，也決定了最終有多少 corner case(極端情況)可以被解決。數據量不同，算法的應用也不一樣。百度Apollo 技術委員會把數據驅動的算法迭代過程定義為三個階段：1) 階段一

3、：人為設定規則。早在數據基礎還很薄弱時，深度學習算法能發揮的作用較低。這一階段核心依托技術人員依據經驗采用功能性確定的代碼。依據經驗設定的代碼，對經驗的依賴度較高、擬合的場景有限。2) 階段二：算法搭建。在數據基礎設施更完善以后，數據的獲取效率和質量都顯著提升。此時技術人員就可以用更多的深度學習算法，包括神經網絡(DNN)，來進行算法體系搭建。這一階段體現了明顯的算法結構化、數據規?；?。3) 階段三：數據優化。在經過了長時間測試之后，模型框架已經基本穩定，更多優化是由數據來驅動：從車端數據收集、到數據清洗、到模型迭代。隨著模型的成熟和數據的充裕，這一階段算法的任務也從預測頭部問題收斂到預測特定場景。