2018 年，汽車行業(yè)“缺芯”潮來得猝不及防，而后波及所有電子元器件品類，自此汽車電子“一芯難求”成為街頭巷尾熱議的話題。今天，我們看到經(jīng)過幾年的上游擴產(chǎn)，疊加近期汽車終端市場的不景氣因素，缺芯現(xiàn)象得到明顯緩解，僅剩下少部分主控芯片依舊維持長交付周期的狀態(tài)。

1

汽車電動化、智能化下的增量市場

相當可觀

回顧過去，真的只是電子供應(yīng)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(gòu)變革帶來的增量市場上升速度太快，導致車規(guī)級芯片市場供不應(yīng)求，從而產(chǎn)生“缺芯+漲價”的應(yīng)激反應(yīng)。

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(tǒng)燃油車中，平均芯片搭載量約為 500-600 顆/輛，而隨著前面提到的汽車電動化、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。

2

商業(yè)價值最大化

L2/L2+是短期內(nèi)的行業(yè)共識

作為汽車智能化的核心，近年來自動駕駛技術(shù)的發(fā)展非常迅速。當前，部分汽車廠商已經(jīng)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、一汽大眾探岳、長安 CS75、WEYVV6、吉利繽瑞等。

那么，到底什么是 L2 級別自動駕駛呢？事實上，市面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(fā)的《SAE J3016 推薦實踐：道路機動車輛駕駛自動化系統(tǒng)相關(guān)術(shù)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(jiān)督管理總局出臺的《汽車駕駛自動化分級》國家標準（標準號：GB/T 40429-2021）。兩者的區(qū)別在于國家市場監(jiān)督管理總局、國家標準化管理委員會將 L1 至 L2 級別統(tǒng)稱為輔助駕駛，L3 至 L5 級別統(tǒng)則稱為自動駕駛。下面，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

1

L0 級：無自動化，純?nèi)斯ゑ{駛；

2

L2 級：部分自動化，雖然自動駕駛系統(tǒng)能夠完成某些駕駛?cè)蝿?wù)，但駕駛者仍需專心于路況，當系統(tǒng)出現(xiàn)差錯時需要人為進行糾正，常配有自適應(yīng)巡航系統(tǒng)、主動車道保持系統(tǒng)、自動剎車輔助系統(tǒng)和自動泊車系統(tǒng)等；

3

L3 級：有條件自動化，某些特定場景下的自動駕駛，車輛自動駕駛系統(tǒng)的優(yōu)先級高于駕駛員，但是駕駛員可以通過緊急按鈕隨時取得車輛的控制權(quán)，如交通擁堵路段的自動跟車行駛、遠程倒車入庫等，以在公用路面上完成 L3 級別的自動駕駛車輛奧迪 A8 為例，其搭載了 24 個感應(yīng)器和 41 種駕駛輔助系統(tǒng)軟件；

4

L4 級：高度自動化，在規(guī)定的道路和環(huán)境中，車輛自動駕駛系統(tǒng)能夠自主完成所有的駕駛操作，具備完全處理緊急情況的能力，駕駛員可以做自己想做的事情，如果出了事，責任將全部歸屬廠商，方向盤、油門、剎車等裝置也或被取消；

5

L5 級：完全自動化，在所有道路和條件下，自動駕駛系統(tǒng)都能夠完成駕駛?cè)蝿?wù)，應(yīng)對任何工況，駕駛員全程無需干預(yù)，此時也不再有駕駛艙的概念，汽車更像是一個智能機器人。

事實上，在 2022 年之前，全球汽車產(chǎn)業(yè)鏈上的企業(yè)對目標場景并沒有那么清晰，所以總希望通過算力抬升來實現(xiàn)硬件冗余，而今天當自動駕駛往高階發(fā)展，從 L2 開始逼近 L3，甚至再往上走，技術(shù)和產(chǎn)品批量落地面臨的最大挑戰(zhàn)是需求側(cè)的承受能力，這正在倒逼車廠進行新一輪的成本管控下的系統(tǒng)優(yōu)化。通過實踐證明，這兩年 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(yè)共識。

3

自動駕駛技術(shù)演進下

“大芯片”成為標配

隨著自動駕駛技術(shù)的不斷演進，不僅車載芯片的數(shù)量在逐步增加，在跨域集中式和中央計算式架構(gòu)中，大芯片正在成為標配，芯片設(shè)計的復雜性急劇升高。

2014 年~2018 年間仍以分布式 E/E 架構(gòu)為主，跨域集中式架構(gòu)剛起步，主流玩家 Mobileye、英偉達和瑞薩、TI 等傳統(tǒng) MCU 廠商的上車智駕芯片算力大都在 10TOPS 以下，如牢牢占據(jù) 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 年搭載于特斯拉 HW2.0 平臺的英偉達 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(gòu)發(fā)展提速，英偉達開始引領(lǐng)高算力市場，相關(guān)電子供應(yīng)鏈結(jié)構(gòu)同步發(fā)生轉(zhuǎn)變，除了英偉達外，特斯拉自研 FSD 芯片崛起，國產(chǎn)品牌地平線、黑芝麻、芯馳等抓住國產(chǎn)替代窗口開始發(fā)力。此時，智駕芯片面向應(yīng)用場景和汽車終端產(chǎn)品定位出現(xiàn)算力需求分化，行業(yè)形成共識，L2/L2+級別自動駕駛在短期內(nèi)更具商業(yè)落地價值，紛紛發(fā)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(jīng)達到了 30 TOPS~1000 TOPS 這個范圍，比如 2020 年英偉達發(fā)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(fā)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(jù)業(yè)內(nèi)人士反饋，Orin 芯片的出現(xiàn)給 Mobileye、地平線、高通、黑芝麻智能、寒武紀等自動駕駛芯片企業(yè)帶來了空前壓力。

4

EDA 正在助力汽車芯片廠商

實現(xiàn)性能和先發(fā)優(yōu)勢

對于這些大芯片設(shè)計廠商而言，如何縮減上市時間取得先發(fā)優(yōu)勢，在提高算力、安全等級的同時，改善芯片的 PPA（功耗、性能和面積），成為共同的追求目標。

傳統(tǒng)的 EDA 工具常使用“經(jīng)驗法則”，需要設(shè)計人員根據(jù)直覺和經(jīng)驗進行優(yōu)化，這種建模和仿真技術(shù)存在很多局限性，包括：無法從以前的設(shè)計中汲取經(jīng)驗，導致生產(chǎn)力受限且設(shè)計不夠準確；多次迭代導致設(shè)計時間增加；HLS 通常需要更多的時間來完成綜合；布局和布線取決于設(shè)計師的預(yù)測/經(jīng)驗，會增加運行時間；就時間和資源而言，制造成本高昂等。與此同時，車規(guī)級芯片的質(zhì)量在很大程度上取決于底層半導體技術(shù)和設(shè)計規(guī)則，因此對 EDA 又提出了更高的要求。

所以對于一顆車規(guī)級大芯片而言，為了確保設(shè)計的正確性，必須在生產(chǎn)制造前進行大規(guī)模的仿真和驗證，而芯片的算力規(guī)模越大、集成度越高，仿真驗證的過程就會越復雜，設(shè)計人員需要更快地實現(xiàn)收斂和驗證，來降低成本并提高結(jié)果質(zhì)量。同時，傳統(tǒng)的隨機/自動測試模式生成（ATPG）方案在故障覆蓋率方面已經(jīng)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(lǐng)域的深耕者和領(lǐng)導者，可以提供汽車智能設(shè)計所需的全部 EDA 工具、設(shè)計流程等，幫助工程師加速自動駕駛設(shè)計。同時，通過將 AI/ML 功能融入現(xiàn)有的 EDA 工具中，能夠從手動到完全自動化不同等級產(chǎn)生更好、更可預(yù)測的結(jié)果，助力汽車廠商利用多學科分析和優(yōu)化（MDAO）技術(shù)提高整體設(shè)計，從而實現(xiàn)更快速、更優(yōu)質(zhì)的結(jié)果，系統(tǒng)的精確行為建模也提高了產(chǎn)品保真度和安全性。

下面介紹兩個 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(jù)應(yīng)用需求量身定制的差異化處理器系列 IP，可滿足各類 ADAS 硬件加速平臺需求，其 DSP 內(nèi)核 Tensilica ConnX 支持用于 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(shù)據(jù)處理，提供性能、功耗和面積的理想組合，同時其 DSP 處理器 Tensilica Vision 與 Tensilica Al 處理器的集成可輕松實現(xiàn)視覺傳感器數(shù)據(jù)處理。

對于汽車芯片廠商來說，在將 Tensilica DSP 產(chǎn)品集成到系統(tǒng)級芯片的同時，可以快速、輕松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，并創(chuàng)建特定領(lǐng)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(xiàn)已通過車規(guī)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 系統(tǒng)級和 ASIL-D 隨機故障防護，適用于功能安全（FuSa）應(yīng)用，可以幫助更多大芯片設(shè)計廠商將安全模塊集成到 SoC 中，減少模塊設(shè)計和驗證時間，增加產(chǎn)品先發(fā)優(yōu)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，包括控制器 CPU 和一個或多個DSP 等。當 SoC 中的晶體管出現(xiàn)隨機故障時，包括晶體管或其他物理元件磨損并卡在邏輯“0”或“1”處，由于 α 粒子引起的靜態(tài)故障導致內(nèi)存位從“0”翻轉(zhuǎn)為“1”等永久性故障，或是由 SoC 中的信號串擾等噪聲引起的瞬態(tài)故障等，這些故障都可能發(fā)生在與處理器緊密耦合的邏輯門或存儲器中的處理元件中，最終造成安全問題。

因此，系統(tǒng)設(shè)計人員必須設(shè)定一個安全目標，即 DSP 中的隨機故障不得導致車道標記等物體檢測失敗。該安全目標將指導設(shè)計人員采取適當?shù)陌踩珯C制，以便在檢測到隨機故障時，安全控制器會收到通知并可以采取措施，例如重新初始化 DSP 等。如果 DSP 已經(jīng)進行處理，則安全控制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(tài)。

在這種設(shè)計中，位于“安全島”中的安全控制器可以起到安全關(guān)鍵決策的作用。當然，控制器也可能會出現(xiàn)隨機故障，如果控制器檢測到 DSP 故障，但控制器采取了錯誤的操作來響應(yīng)該故障，從而使系統(tǒng)處于不安全狀態(tài)，這類故障可能會產(chǎn)生嚴重后果，這種情況下設(shè)計人員就需要采用冗余的設(shè)計方法，讓兩個控制器同步運行，來大大降低此類事件發(fā)生的可能性。

綜上，為了實現(xiàn)系統(tǒng)級別的安全目標，像雷達模塊中的 SoC 這樣的處理器設(shè)計是非常復雜的，所以芯片設(shè)計企業(yè)通常會向可靠的第三方購買 IP，來簡化設(shè)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 和系統(tǒng)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(tài)傳播（X-propagation）提供業(yè)內(nèi)優(yōu)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(shù)來縮短回歸時間，可從以往的回歸運行中學習并指導 Xcelium 隨機引擎，在實現(xiàn)相同覆蓋率的前提下大幅度減少仿真回歸周期，或者產(chǎn)生特定覆蓋點的激勵觸發(fā)更多的 bug 來提高驗證質(zhì)量。

同時，Cadence 對特定領(lǐng)域還提供了相應(yīng)的 App，包括混合信號、基于機器學習的測試壓縮和功能安全，可以幫助汽車芯片設(shè)計團隊盡早實現(xiàn)對 IP 和系統(tǒng)級芯片（SoC）設(shè)計的驗證收斂，非常適合 Level 2+級以上 SoC 設(shè)計。

“

瑞薩電子汽車 SoC 業(yè)務(wù)部杰出工程師?Tatsuya Kamei?對此表示

“將?Xcelium Machine Learning（ML）App?納入驗證流程，有助于我們在緊迫的期限內(nèi)，通過更少的回歸測試來加速完成覆蓋率的收斂任務(wù)，同時最大限度地提高驗證性能和整體驗證效率。”

而在這段表述的背后，是瑞薩電子借助 Verisium AI-Driven 驗證平臺，整體調(diào)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(xiàn)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(xiàn) 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(shù)（從 3774 次減少到 1168 次），成功在規(guī)定時間內(nèi)實現(xiàn)產(chǎn)品上市。除了節(jié)省資源、時間和加速覆蓋率收斂外，Xcelium ML Apps 還為瑞薩電子節(jié)省了約 27 個工時。

寫在最后

汽車產(chǎn)業(yè)的變革還在繼續(xù)，芯片和電子系統(tǒng)的重要性只會越來越高。不可否認的是，在克服未知挑戰(zhàn)的路上缺少不了整個產(chǎn)業(yè)鏈的通力合作，而 EDA 和 IP 將是貢獻者鏈路上重要的一環(huán)。

審核編輯：黃飛

?