芯片SoC选型和域控设计-上｜盖世大学堂舱驾、行泊一体系列知识讲解

SoC，即片上系统，英文全称为system on chip，是将多种不同类型的芯片集成在一块芯片上的技术。这些集成的芯片包括中央处理器（CPU，central processing unit）、图形处理器（GPU，graphic process ingunit）、现场可编程门阵列（FPGA，Field-Programmable Gate Array）、专用集成电路（ASIC，Application-Specific Integrated Circuit）、神经网络处理器（NPU，Neural Network Processing Unit）、存储器以及蓝牙芯片等。以高通的8155芯片为例，它是一款常用于座舱的SoC型号。8155集成了CPU、GPU、AI引擎（算力约20 TOPS）、摄像头图像信号处理器（ISP），还具备集成音频处理功能，并且集成了Wi-Fi和蓝牙技术。再看特斯拉的FSD芯片，其集成了CPU、GPU、NPU、硬件编解码模块、ISP和内存等组件。在实际研发工作中，常接触到SoC和微控制单元（MCU，Micro controller Unit）这两个概念，然而从百科定义上看，二者存在一定相似性，容易混淆。实际上，二者在算力、构成等方面存在显著差异。

从算力角度来看，SoC通常具有强大的算力，例如其AI算力可达数十甚至上百TOPS，CPU算力可达几百KDMIPS，能够承担复杂运算和高强度处理任务。而MCU虽然也配备CPU，但其算力相对微弱，与SoC不在同一数量级。在构成方面，二者的存储器规模差异巨大。SoC的内存容量通常以GB为单位，甚至还可外接大容量存储设备，如UFS，容量可达128GB或512GB。相比之下，MCU的存储器则以KB或MB为单位，常见的是配置64MB左右的pflash和dflash。此外，MCU是高度集成的微型系统，内部集成了时钟、ADC、电源处理单元、系统时钟（如STM，system time module）等组件，还拥有众多外设接口以及内部通信总线。给MCU接上电源，在完成基本的板子设计和贴片等操作后，它便能够运行。而SoC则需要外接辅助设备，例如若要将Linux操作系统、虚拟机、板级支持包（BSP）等烧录进SoC，必须外接硬盘（如EMMC等存储设备），否则无法完成加载。这是因为SoC的设计重点在于运算集成化，为降低成本、提高通用性，会将与运算性能无关的部分，如大容量存储和电源模块等置于芯片外部，由客户根据需求自行选型配置。由此可见，MCU是专门用于特定控制场景的芯片，因其功能专一，所以能够将存储和时钟等集成在内部。而SoC功能多元化，应用场景广泛，为适配不同场景，会尽量排除受场景影响较大的部分。除了上述差异，二者在其他方面还有一些细微差别，但这两个概念的核心区别主要体现在这些方面。接下来介绍几种常见的芯片类型。CPU作为中央处理器，主要负责逻辑运算。其主频较高，能够运行如Linux、QNX等大型操作系统（在满足功能安全要求的情况下）。CPU具备强大的进程调度能力，可支持多进程以及成百上千个线程的复杂调度。但需要注意的是，对于“支持多进程或成百上千个进程的复杂调度”这一表述并不准确，以常见的ARM的Cortex-A78核为例，假设其为12核，若一个核运算一个进程，那么最多同时运行12个进程；若一个进程绑定两个核，则最多运行6个进程。不过在多线程方面，CPU可以通过分时调度实现高并发，即同一进程下的多个线程可以并发执行。CPU的应用场景广泛，常用于传感器数据的输入、预处理（如二维图像到三维空间的变换、四维数据到三维数据的转换等复杂计算）、加速器的调度（涉及大量进程和线程的调度）、感知融合（例如图像数据和雷达数据的决策运算，需进行复杂的条件判断和数据处理）以及导航规划等软件模块的部署。在激光雷达数据处理中，CPU承担着主要的算力消耗。

衡量CPU算力的常用单位是KDMIPS（具体含义为每秒钟执行百万次指令的千倍，即10的9次方次特定复杂指令运算，实际运算中代表10的12次方，也就是百亿次特定复杂指令运算）。这一特定算法模拟了CPU正常运行时的基本场景，包含各种计算机访问、调度和切换指令。例如，英伟达OrinX的CPU采用12核A78架构，在主频2GHz下，算力可达220 KDMIPS，意味着该CPU每秒能够运算220乘以100亿次特定指令。数字信号处理器（DSP，Digital Signal Processing）是一种具有特殊结构的微处理器，与通用微处理器（CPU）有所不同。以图像信号处理器（ISP，Image Signal Processing，它是一种特殊的DSP）为例，在摄像头传感器工作时，外部感光单元接收到的光信号会转换为电频信号，不同强度的光会产生不同强度的电信号，这属于模拟电路范畴。DSP的首要任务是将模拟电路信号转换为数字电路信号。例如，对于800万像素的摄像头，其原电子感光元件会产生800万个介于0伏到0.5伏的电压信号，这些电压信号代表不同的像素信息。DSP需要将这些模拟信号转换为数字信号，如将接近0.5伏的红色像素信号转换为255（近似值），0伏转换为0，0.3伏转换为约100多（如178）等，从而将连续的线性电压信号转换为0101的数字信号。

然而，DSP的工作不仅仅是模数转换，更重要的是对数字图像数据进行处理。当图像数据进入DSP后，会进行大量复杂的运算。以800万像素、帧率为30帧/秒的图像为例，每秒进入的数据量为8000万乘以30倍（假设每个像素用10比特表示，若用12比特表示数据量更大），若处理五分钟的图像数据，运算量将达到惊人的数量级。若使用CPU处理如此庞大的数据量，会严重消耗CPU算力，导致其无法正常运行其他进程和操作系统。因此，需要专门的DSP来处理这类数据。与CPU不同，DSP采用并行处理方式，能够同时处理大量相同类型的数据。在图像信号处理方面，DSP负责白平衡调整、3A（自动曝光、自动对焦、自动白平衡）处理、去畸变、拜尔阵列（如RGB或YUV颜色空间转换）处理以及降噪等多种操作。可以说，DSP是专门用于处理信号的单元，它无法像CPU一样运行操作系统。MCU在CPU的基础上，增加了随机存取存储器（RAM）、只读存储器（ROM）、计数器/定时器以及输入输出（I/O）接口等组件，集成构成了一个小而完善的微型计算机系统，被称为“芯片级别的芯片”，是传统汽车中最常用的芯片类型。以TI的TDA4VM芯片内置的MCU为例，它控制着汽车内众多电子系统，包括多媒体、音响、导航、主动悬挂等。作为汽车电子控制系统的核心，MCU具备耐高温、耐振动等车规电子器件的特性。

与CPU相比，MCU性能相对较弱，但在实时性和安全性方面表现更为出色，其功能安全等级可达ASILD级别。因此，MCU一般用于运行整车的数据交互、诊断、控制算法等软件。

GPU，即图形处理器，是一种特殊形式的处理器，也具备并行处理能力，但与DSP的应用场景有所区别。以3D游戏中的人物图像变化为例，在人物的正脸、侧脸转换过程中，涉及到眼睛、嘴巴等部位的坐标、纹理和颜色等信息的空间位置转换，以及像素的3D坐标变换。英伟达的GPU通常具有大量核心，例如2048个核，相比之下，CPU的Cortex-A78核一般为12个。GPU可以利用多个核心并行处理像素信息，一个核处理一个像素，大大提高处理效率。在处理图像时，GPU需要进行大量的浮点运算。因为在3D图像的像素变换过程中，无法保证像素的跳变都是整数变化，例如人物脸部移动时，鼻子和眼睛的移动距离可能存在小数，这就需要GPU进行浮点运算以保证图像的细腻度和真实感。因此，GPU常以浮点运算作为其运算单位，运算能力一般也以百亿次为数量级衡量。FPGA，即现场可编程门阵列，具有独特的特性。与CPU不同，CPU从工厂生产出来后其架构和功能便固定下来，难以修改。而FPGA允许用户根据自身需求进行重复编程。其基本原理是在芯片内集成大量的数字电路基本门电路以及存储器，用户通过烧入FPGA配置文件来定义这些门电路以及存储器之间的连线。这种烧录操作并非一次性的，可以重复编写定义和配置。

FPGA的优点众多，它可以无限次编程，具有较低的延时性，同时具备流水线并行和数据并行能力（GPU仅具备数据并行），实时性强且灵活性高。例如，用户可以使用同一套FPGA，通过编程将其设计成CPU、GPU或DSP等不同功能的芯片，适用于不同的项目需求，能够快速迭代。然而，FPGA也存在一些缺点，其开发难度较大，价格相对昂贵。并且随着产量的增加，FPGA的成本优势逐渐丧失，这也是AMD在推广FPGA时面临的挑战之一。NPU，即神经网络处理器，是针对特定算法进行加速设计的芯片，属于专用定制芯片（ASIC的一种）。NPU在电路层模拟神经元，通过突触权重实现存储和计算一体化，能够使用一条指令完成一组神经元的处理，大大提高了运行效率，广泛应用于大数据处理、图像处理等领域。尤其在高性能、低功耗的移动端，NPU在功耗、可靠性、体积方面具有显著优势。

以特斯拉FSD中的NPU为例，其采用MAC阵列（乘积累加运算，Multiply Accumulate）作为神经网络加速的核心。卷积运算、点积运算等复杂的神经网络运算都可以分解为多个MAC指令，从而提升运算效率。NPU普遍以OPS（Operations Per Second，每秒操作次数）为单位来评估算力，1TOPS代表每秒可进行一万亿次操作。其算力的计算公式为TOPS=MAC矩阵行×MAC矩阵列×2×主频（其中1个MAC为1次乘法和1次加法，共2次运算操作）。例如，特斯拉FSD中的NPU主频为2GHz，每个NPU的算力为36.86TOPS，该芯片采用2个单核NPU，其峰值算力可达73.7TOPS（INT8）。

NPU是专门为神经网络设计的处理器，主要进行加法和乘法的整形运算。它与其他芯片功能差异明显，无法像CPU、GPU、DSP或MCU那样执行多种复杂任务，只能专注于神经网络中的加法和乘法运算。但正是这种专注性，使得相关企业在设计芯片时能够简化设计流程，降低研发成本，推动了如地平线、特斯拉等企业在该领域的发展。不同类型的芯片在性能指标、开发速度、成本以及适用场景等方面存在差异。在性能指标方面，CPU的算力使用KDMIPS衡量，用于处理复杂运算；GPU由于主要处理图像处理，涉及大量浮点运算，衡量单位较为复杂；FPGA因其可灵活配置成不同功能芯片，需根据配置后的功能选择相应衡量单位，如配置成CPU用KDMIPS衡量，配置成GPU用GFLOPS衡量，配置成类似NPU功能时可用TOPS衡量；ASIC（当作为NPU时）使用TOPS衡量算力。在开发速度上，CPU和GPU开发速度较快，这是因为市场上存在大量现成的IP可供选择，如高通、ARM的CPUIP，英伟达的GPUIP等。FPGA的开发也相对较快，其灵活性使得开发过程可以快速调整。而ASIC和NPU的开发速度较慢，原因是目前市场上缺乏现成的IP，企业只能依赖如地平线等专业厂商的研发成果，在其产品推出后才能进行相关应用开发。成本方面，由于ASIC和NPU开发时缺乏现成IP，需要企业投入更多研发成本，因此成本相对较高。FPGA虽然单价成本较高，但因其可重复编程、灵活性强，试错成本较低，并且在大规模生产时成本能够有所降低。适用场景上，CPU应用广泛，几乎涵盖所有领域；GPU主要用于图像处理，特别是3D图形处理；FPGA除了在常规的计算领域应用外，还适用于科研等对灵活性要求较高的场景；NPU的应用场景则较为单一，主要集中在消费类电子和汽车等特定领域的神经网络相关计算任务。