Электрификация и повышение автономности автомобилей

Электрификация и повышение автономности автомобилей

Выпуск 3(6727) от 11 февраля 2021 г.
РУБРИКА: АВТОМОБИЛЬНАЯ ЭЛЕКТРОНИКА

В прошлом выпуске была опубликована первая часть данной статьи. В ней были рассмотрены факторы, влияющие на электрификацию автомобилей; различные типы электромобилей; вопросы перехода к полноценным электромобилям; тенденции в области датчиков для электрификации и ADAS. Во второй части представлены разделы, посвященные электрической и электронной архитектуре автомобиля, слиянию искусственного интеллекта (ИИ) и вычислительных возможностей, централизованным платформам и видеопроцессорам, конкуренции разработчиков и экологическим вопросам.


Электрическая и электронная архитектура

Исторически автомобильная промышленность опиралась на десятки распределенных, но различных автомобильных подсистем, известных как электронные блоки управления (ECU/ЭБУ).

Традиционно каждый ЭБУ был сосредоточен на одной функции, связи между отдельными блоками были слабыми или вовсе отсутствовали. Эта практика все еще распространена сегодня в менее продвинутых электрических и электронных архитектурах. С увеличением количества датчиков и функций в электрических и электронных архитектурах все шире будет использоваться концепция функциональной области – ​выделенные контроллеры для конкретных областей, таких как информационно-развлекательные системы, системы обеспечения комфорта, трансмиссии, системы датчиков и безопасности.

Первым изготовителем комплектного оборудования (OEM), который реализовал эту концепцию в своей модели A8 (модуль zFAS), была Audi. К модулю zFAS подключены фронтальные датчики, то есть радар дальнего действия, передняя камера с усовершенствованной системой помощи водителю (ADAS) и лидар. С помощью функциональных выделенных контроллеров такие функции, как ADAS, могут интегрировать данные из разрозненных систем датчиков и включать расширенные нейросетевые вычисления для принятия рациональных решений с малой задержкой во избежание столкновений и других аварийных событий.

Благодаря высокому уровню интеграции радаров и камер в автомобили связанные с ними доходы должны быстро восстановиться после пандемии коронавируса. Ожидается, что продажи радаров в 2021 г. превысят доходы 2019-го и достигнут в 2025-м 9,1 млрд долл. Среднегодовые темпы прироста продаж в сложных процентах (CAGR) за прогнозируемый период составят 19%. Продажи камер в 2021 г. также превысят уровень 2019 г. и достигнут в 2025-м 8,1 млрд долл. при CAGR=18%. Доход от продаж лидаров сегодня весьма невысок – ​известно только об одном OEM, который внедряет датчики этого типа в качестве опции в часть своих автомобилей. Ожидается, что в ближайшие годы к нему присоединятся и другие OEM, такие как BMW и Volvo, однако реализация лидаров будет по-прежнему ограничена высококлассными автомобилями. Поэтому объемы продаж останутся невысокими – ​в 2025 г. они достигнут 1,7 млрд долл. при CAGR=113%

.

Основа автономности машин – ​сочетание ИИ и вычислительных возможностей

Растущее число функций и увеличение их сложности требуют использовать аппаратные решения, специализированные под тип ПО, обрабатывающего конкретные функциональные области, перечисленные выше.

Во-первых, с точки зрения ПО становится все более очевидным, что стандартные скалярные процессоры, такие как микропроцессоры, микроконтроллеры и другие прикладные процессоры, к которым мы привыкли в компьютерах и встроенных приложениях, не способны справиться со всевозрастающим потоком данных в реальном масштабе времени, необходимых для ситуационной осведомленности и автономного управления автомобилем (скорость и т. п.). Требуется смена парадигмы от скалярной к векторной и в конечном итоге матричной обработке с использованием массивных архитектур параллельной обработки и вычислений больших данных с малой задержкой. Для объединения данных и реализации конфигурируемой параллельной обработки все чаще используются вентильные матрицы, программируемые пользователем (FPGA).

Еще один быстро развивающийся тип процессора для ADAS (и многих других приложений с большими данными) – ​ускоритель нейронной сети (NN). Специалистам, знакомым с нейронными сетями, такие ускорители могут показаться своего рода «черным ящиком». Незнание логики, используемой этими процессорами, и чрезвычайная сложность организации предсказуемых и воспроизводимых испытаний безопасности усиливают это ощущение. Все это может представлять препятствие для реализации ускорителей нейронных сетей – ​особенно потому, что вся эволюция автомобильных систем проходит под лозунгом «безо-пасность прежде всего».

Однако, несмотря на первоначальные препятствия, ускорители, они же нейронные блоки или нейронные процессоры (разные маркетинговые названия для одного и того же типа архитектуры), все увереннее внедряются в решения ADAS. Алгоритмы NN существуют с 1950-х гг. и предназначены для таких задач из области больших данных, как прогнозирование погоды, управление воздушным движением и сложные физические уравнения. Поскольку Интернет и социальные сети создали новый ландшафт больших данных, можно увидеть, как облачные алгоритмы NN решают соответствующие проблемы. Такие компании, как Google, Amazon и Microsoft, занимающиеся гиперразмерными вычислениями, инвестируют в NN огромные средства, в том числе на разработку собственных аппаратных ускорителей.

Более 10 лет назад важную роль в развитии сред разработки графических процессоров (GPU) общего назначения, поддерживающих ускорение NN и векторных уравнений в GPU, сыграла корпорация nVidia. С тех пор началась стремительная гонка в разработке глубоких нейронных сетей (DNN) – ​более продвинутого многоуровневого подхода к нейронным сетям – ​для формирования логических выводов в краевых приложениях.

Эти NN-блоки или ускорители быстро становятся стандартной подсистемой в мобильных телефонах. Они применяются для распознавания объектов, лиц и другого контекста с целью улучшения фотографий и повышения безопасности, а также реализации сложных приложений анализа изображений. Не потребовалось много времени, чтобы понять, что это именно то, что необходимо для ситуационной осведомленности, которая требуется автомобильной промышленности для решения самой большой проблемы в области безопасности – ​ошибки водителя. Tesla, Mercedes, Audi, Volvo и многие другие работают с поставщиками процессоров для разработки нейронных сетей. Многие из них в течение долгих лет оснащали автомобили автономными системами для обучения решениям DNN.

Большая часть ранних разработок была связана с nVidia, которая по-прежнему является крупным игроком в ADAS, однако существует также много альтернативных ускорителей от Mobileye, Xilinx, TI, Toshiba, Ambarella и Renesas и других перспективных платформ, полагающихся на ускорители DNN.

В прошлом году Tesla интегрировала эти ускорители и искусственный интеллект в свою ИС FSD (full self-driving – ​самоуправляемый компьютер, полностью автономное вождение). Для большинства ОЕМ решение появится к 2021–2022 гг., поскольку эти поставщики теперь интегрируют в свои машины наиболее современные или перспективные ADAS. Тенденция к интеграции все большего объема ИИ, а следовательно, большего числа ускорителей ИИ, линейно следует за ростом автономности транспортных средств. Другие тенденции, такие как централизация, постепенно изменят будущее вычислительных возможностей (рис. 1).



Источник: Artificial Intelligence Computing for Automotive report, Yole Développement, 2020

Рисунок 1. Дорожная карта: от набора датчиков к пакету вычислений (неполный список компаний)

* AEB (autonomous emergency braking) – система автоматического экстренного торможения.

** L1 (2, 2+) – уровень 1 (2, 2+).

*** ACC (adaptive cruise control) – адаптивный круиз-контроль.

**** LKA (line keep assist) – система удержания полосы движения.

***** TJA (traffic jam assist) – ассистент движения в пробке.


Централизованные платформы и процессоры технического зрения

Предполагается, что дальнейшее развитие автономности транспортных средств будет идти по двум направлениям.

Во-первых, развитие централизованных контроллеров сферы ADAS, отвечающих почти за все вычисления, связанные с восприятием и сенсорикой, обеспечивающие системы контроля безопасности и автономности. Подобные контроллеры разрабатываются корпорациями nVidia и Tesla (FSD). Эта тенденция реализуется в основном в сегменте роботизированных транспортных средств класса люкс. Подобные контроллеры имитируют «центральный мозг» (единый бортовой компьютер) автомобиля.

Во-вторых, многоуровневый подход, при котором часть постсенсорного визуального интеллекта распределяется на функцио-нально выделенные процессоры зрения или платформы, интегрирующие ускорение глубоких нейронных сетей. Увеличивается количество процессоров машинного зрения с ускорителями. Это направление в настоящее время выбрали несколько ОЕМ. Данная тенденция создает конкуренцию между указанными двумя типами платформ и определяет доходы, отображенные на рис. 2. Рынок ИИ в 2025 г., включая ADAS и робототехнику, оценивается более чем в 2,8 млрд долл., из которых 2,5 млрд обеспечиваются непосредственно ADAS.



Источник: Yole Développement

Рисунок 2. Рынок вычислений на основе ИИ для автомобилей


Гонка за автономностью: победители и проигравшие

Шумиха вокруг этих стратегий развития ИИ и их сложность побудили некоторых игроков рассматривать ИИ как второстепенную, трудно достижимую цель, а не как центральный инструмент для достижения настоящей цели – ​автономности.

Пандемия COVID‑19 может принести вторичную волну проблем, которые затормозят ход НИОКР в сфере автономности в 2021 и, вероятно, в 2022 г. из-за нехватки денежных средств. Этот отрицательный денежный поток может привести к тому, что некоторые ОЕМ разработают собственный автономный программный стек, но аппаратное обеспечение будет предоставлено им поставщиками автомобильных полупроводниковых приборов. Многие из этих поставщиков обладают значительными инструментальными мощностями, позволяющими ускорить массовую разработку на платформах, а не просто продавать микросхемы. Даже если нехватка денежных средств замедлит работу некоторых программ, они вряд ли будут остановлены совсем, поскольку были запущены уже несколько лет назад.

Есть и другие ОЕМ, которые разработали облегченные программы или не сделали исследования автономности основой своих проектов. Весьма вероятно, что такие программы (если они существуют) в лучшем случае будут отложены до окончания пандемии, а в худшем – ​полностью остановлены. Многие из таких ОЕМ смогут позже обратиться к разработчикам систем первого уровня автономности и купить готовое решение. Эти фирмы станут основными проигравшими в гонке, и им придется еще сильнее полагаться на внешних игроков при создании или приобретении полностью автономных решений и функций – ​вплоть до потери идентичности бренда.


Заключение

Среди четырех факторов, определяющих развитие автомобильной промышленности, два особенно важны для производителей комплектного оборудования.

Первый, связанный с электрификацией автопарков изготовителей комплектного оборудования, в основном обусловлен нормативными актами, ограничивающими выбросы CO2. Это займет некоторое время, поскольку необходимо перестроить всю автомобильную цепочку поставок. Таким образом, существует переходный период, когда клиентам предлагаются автомобили с разным уровнем электрификации.

Второй, связанный с автономным и автоматизированным вождением, вызван необходимостью повысить безопасность транспортных средств и разработки автоматизированных режимов вождения. Он подразумевает интеграцию многочисленных датчиков, таких как камеры, радары и лидары, а также необходимость объединения данных, чтобы транспортное средство могло четко воспринимать окружающее пространство. Чтобы обеспечить такое слияние, ОЕМ должны будут усовершенствовать традиционные вычисления и вычисления на основе ИИ. Все это делается ради достижения конечной цели – ​полной автономности транспортных средств. Для этого ОЕМ разрабатывают собственные автономные программные стеки или заключают партнерские отношения с ведущими разработчиками первого уровня и разработчиками платформ. Другие прибегают к доступному на рынке ПО независимых поставщиков, которое может быть менее оптимизированным, чем пользовательское.

Создание полностью автономных электрических транспортных средств все еще остается вопросом, который только предстоит решить. ОЕМ придется регулировать потреб-ление энергии встроенными датчиками и вычислительными блоками, что может повлиять на ассортимент электромобилей. В целом в отношении тенденций, определяющих развитие автомобильной промышленности, ясно одно: конкурентная среда богата возможностями для поставщиков полупроводниковых приборов, поставщиков первого уровня и ОЕМ.


Boulay Pierrick, Damianos Dimitrios, Rosina Milan, Hackenberg Tom. Electrification & Autonomy: Two Drivers of Auto Industry. EE Times magazine, December 21, 2020: https://www.eetimes.com/electrification-autonomy-two-drivers-of-auto-industry/


ЧИТАЙТЕ ТАКЖЕ

Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.
Выпуск 23(6747) от 25 ноября 2021 г. г.
Выпуск 18(6742) от 16 сентября 2021 г. г.
Выпуск 17(6741) от 02 сентября 2021 г. г.