随着汽车产业的不断发展和技术的不断进步，汽车电子电气架构（E/E架构）也在经历着从分布式架构向集成化架构的演变。
这一趋势不仅推动了汽车行业的“软件定义汽车”到“AI定义汽车”的转变，也带来了前所未有的机遇和挑战。在这种背景下，舱驾融合域控制器（DCU）的资源分配和优化成为了关键议题之一。
01大机遇和大挑战
●大机遇：近年来，分布式电子电气架构正在向集成化电子电气架构演进。从最初的每个功能域有独立的控制器，到现在多个功能域控制器逐步融合在一个集成化架构中，这种变化不仅提升了系统的集成度和性能，还降低了整车的重量和成本。
在这一过程中，软件和人工智能的作用愈加重要。软件定义汽车（Software-DefinedVehicle，SDV）的概念已经被广泛接受，而AI定义汽车（AI-DefinedVehicle）的时代也正在到来。
这不仅为汽车行业带来了新的机遇，例如自动驾驶、智能座舱、车辆互联等新功能的实现，还推动了整个产业链的技术进步和创新。
然而，机遇总是伴随着挑战。面对复杂多变的市场需求和技术发展，汽车制造商和供应商必须不断调整开发模式、优化架构设计，并在算力、数据接口和软件生态方面取得突破，以应对快速变化的市场环境。
●大挑战：汽车智能化和网联化的发展，使得车辆对计算能力、数据处理能力和软件生态的要求越来越高。
面对这些挑战，汽车制造商需要解决以下几个关键问题：
◎产品适应性：如何开发出能够应对快速变化的市场需求的产品？什么样的架构设计能够支持这种灵活性？
◎开发模式：什么样的开发模式能够更高效地实现功能创新和技术迭代？
◎异构算力：如何在一个集成化平台上实现多种异构算力的高效利用？
◎数据接口：如何设计灵活高效的数据接口，以支持多种传感器和设备的接入？
◎软件生态：如何构建一个开放、灵活且高效的软件生态系统，以支持各种应用和服务的快速部署和迭代？
随着人工智能技术的发展，大语言模型和多模态交互技术开始在汽车领域得到应用。大语言模型可以实现更自然、更智能的人机交互，而多模态交互技术则可以通过语音、触摸、手势等多种方式与用户进行互动。
端到端的智能驾驶算法也在不断进步，助力城区NOA（导航驾驶系统）的持续开城。这些技术的应用，不仅提升了驾驶体验，还大大增强了车辆的智能化和安全性。
02舱驾资源需求和分配
在舱驾融合域控制器的设计和开发中，资源需求的合理分配和优化是关键。根据不同的功能需求，舱驾融合域控制器需要具备强大的计算能力、足够的接口数量和带宽，以及支持多操作系统的能力。
●座舱资源需求
◎CPU/GPU：座舱域控制器的CPU能力要求较高，以保障不同设备上多个应用程序同时运行的流畅度。GPU的图形处理能力则决定了屏幕显示的清晰度和动画效果的流畅度。强大的CPU和GPU组合，能够确保座舱系统在处理复杂任务时依然保持高效运行。
◎多操作系统：为了更好地支持多系统运行，硬件层面需要能够较好地支持Hypervisor（虚拟机监控器）或硬件隔离。这样，不同的操作系统可以在同一硬件平台上并行运行，彼此之间互不干扰，从而提升系统的稳定性和安全性。
◎DDR带宽：多屏显示、多应用并行运行、多传感器输入等需求，都需要足够的DDR带宽支持。例如，4K屏幕的数据传输、多个摄像头的图像处理、多任务处理等都对带宽提出了高要求。因此，DDR带宽的合理分配和优化，是确保系统高效运行的关键。
●智驾资源需求
随着智能驾驶技术的不断进步，智驾功能对算力和传感器接口的需求也在不断增加。不同的智能驾驶功能，对CPU和NPU（神经网络处理器）算力的需求各不相同。
◎主动安全：主动安全功能对NPU算力的需求较低，通常在2TOPS（万亿次运算每秒）以下，对CPU算力的需求也较低，一般在5Kdmips（千百万条指令每秒）以下。
◎辅助驾驶：辅助驾驶功能的算力需求有所增加，NPU算力在8TOPS以下，CPU算力在15Kdmips以下。这些功能包括ACC（自适应巡航）、自动变道、路口通行等。
◎高速NOA：高速NOA功能的算力需求进一步增加，NPU算力在80TOPS以下，CPU算力在100Kdmips以下。这些功能包括高速公路上的自动驾驶和智能导航。
◎城区NOA：城区NOA功能对算力的需求最高，NPU算力在100TOPS以上，CPU算力在200Kdmips以上。这些功能包括城区内的自动驾驶、自动泊车等。
●系统方案需求
为了应对汽车智能化、网联化升级需求，整车的EE架构需要进行系统方案升级迭代。这不仅包括平台化、成本、轻量化的需求，还需要提高域控制器的计算能力、数据带宽、功能复杂性以及功能开发的灵活性。
◎通信：系统需要具备高带宽、低延时的通信能力，以支持大量数据的实时传输和处理。
◎优化功能体验：通过优化系统的硬件和软件设计，提升用户的功能体验。例如，通过降低硬件成本、提高算力利用率等，实现高性价比的智能驾驶功能。
◎低成本：系统方案需要考虑降低硬件成本，同时通过软件复用和平台化设计，进一步降低整体开发和维护成本。
◎高算力：系统需要具备高算力，并且在设计中预埋硬件，以支持未来功能的扩展和升级。
◎轻量化：通过降低整车重量，增加布置空间，提高车辆的燃油经济性和空间利用率。
◎平台化：通过平台化设计，实现高低配兼容、软件复用，支持多种车型的灵活配置。
◎软件升级：实现软硬件的深度解耦，通过软件升级实现功能扩展和性能优化。
●资源分配及性能优化的思考
●CPU：189K/230KDMIPS
●GPU：800/1300GFLOPS
●AI：48/72/96TOPS
●DRAM：LPDDR5，76.8GB/s，18/24/36GB
●CAN：8xCANFD，配置ASIL-D安全岛
●Display：5x4k，2xDPMST4，2xDPMST2，2xDSI
●Ethernet：2x2.5GbE
●Camera：16cameras，4xCSI24-lane
在进行舱驾资源分配时，需要综合考虑客户功能需求、应用的稳定性运行要求、算力利用率等因素，做针对性的资源分配和定义。
●安全功能：确保系统在各种情况下都能稳定、安全地运行。
●算力效率：优化算力的分配和利用，确保各项功能都能高效运行。
●功能扩展：预留足够的算力和带宽，以支持未来的功能扩展和升级。
●升级优先：在进行资源分配时，优先考虑未来的升级需求，确保系统的可持续发展。
小结舱驾融合域计算平台的资源分配和优化成为了关键议题之一，合理的资源分配和性能优化，确保系统高效运行和功能扩展，是实现智能化、网联化汽车的重要步骤。