【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：bufenzidonghua，suiranzidongjiashixitongnenggouwanchengmouxiejiashirenwu，danjiashizherengxuzhuanxinyulukuang，dangxitongchuxianchacuoshixuyaorenweijinxingjiuzheng，changpeiyouzishiyingxunhangxitong
、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：高(gao)度(du)自(zi)動(dong)化(hua)
，在(zai)規(gui)定(ding)的(de)道(dao)路(lu)和(he)環(huan)境(jing)中(zhong)，車(che)輛(liang)自(zi)動(dong)駕(jia)駛(shi)係(xi)統(tong)能(neng)夠(gou)自(zi)主(zhu)完(wan)成(cheng)所(suo)有(you)的(de)駕(jia)駛(shi)操(cao)作(zuo)
，具(ju)備(bei)完(wan)全(quan)處(chu)理(li)緊(jin)急(ji)情(qing)況(kuang)的(de)能(neng)力(li)
，駕(jia)駛(shi)員(yuan)可(ke)以(yi)做(zuo)自(zi)己(ji)想(xiang)做(zuo)的(de)事(shi)情(qing)，如(ru)果(guo)出(chu)了(le)事(shi)，責(ze)任(ren)將(jiang)全(quan)部(bu)歸(gui)屬(shu)廠(chang)商(shang)，方(fang)向(xiang)盤(pan)、油門、刹車等裝置也或被取消；

L5 級：wanquanzidonghua
，zaisuoyoudaoluhetiaojianxia，zidongjiashixitongdounenggouwanchengjiashirenwu，yingduirenhegongkuang
，jiashiyuanquanchengwuxuganyu，cishiyebuzaiyoujiashicangdegainian，qichegengxiangshiyigezhinengjiqiren。

事實上
，在 2022 nianzhiqian，quanqiuqichechanyelianshangdeqiyeduimubiaochangjingbingmeiyounameqingxi，suoyizongxiwangtongguosuanlitaishenglaishixianyingjianrongyu，erjintiandangzidongjiashiwanggaojiefazhan
，cong L2 開始逼近 L3

，甚(shen)至(zhi)再(zai)往(wang)上(shang)走(zou)
，技(ji)術(shu)和(he)產(chan)品(pin)批(pi)量(liang)落(luo)地(di)麵(mian)臨(lin)的(de)最(zui)大(da)挑(tiao)戰(zhan)是(shi)需(xu)求(qiu)側(ce)的(de)承(cheng)受(shou)能(neng)力(li)，這(zhe)正(zheng)在(zai)倒(dao)逼(bi)車(che)廠(chang)進(jin)行(xing)新(xin)一(yi)輪(lun)的(de)成(cheng)本(ben)管(guan)控(kong)下(xia)的(de)係(xi)統(tong)優(you)化(hua)。通(tong)過(guo)實(shi)踐(jian)證(zheng)明(ming)，這(zhe)兩(liang)年(nian) 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 guzhang
，dankongzhiqicaiqulecuowudecaozuolaixiangyinggaiguzhang，congershixitongchuyubuanquanzhuangtai，zheleiguzhangkenenghuichanshengyanzhonghouguo，zhezhongqingkuangxiashejirenyuanjiuxuyaocaiyongrongyudeshejifangfa，ranglianggekongzhiqitongbuyunxing，laidadajiangdicileishijianfashengdekenengxing。

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 naruyanzhengliucheng
，youzhuyuwomenzaijinpodeqixiannei，tongguogengshaodehuiguiceshilaijiasuwanchengfugailvdeshoulianrenwu，tongshizuidaxianduditigaoyanzhengxingnenghezhengtiyanzhengxiaolv。”

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