自动驾驶车辆数据的中央集中式处理

科技进步推动产品创新，给各行各业的设计师们带来了前所未有的挑战，这一点在汽车行业尤为明显。汽车厂商正努力将已实现 ADAS 功能的 L2 自动驾驶技术升级到 L3 和 L4，并最终能在自动驾驶领域，将基于 AI 的系统发展到 SAE 6 级水平。L3 级乘用车已在全球多个地区上路行驶，L4 级自动驾驶出租车目前也在旧金山等城市街道上进行广泛试验（在有些地区已投入商业使用）。但是，在这些车辆大规模投入市场之前，仍存在许多商业、物流和监管方面的挑战。

汽车厂商面临的挑战之一是要弥合两种情况之间的差距：一边是于少数技术实例的概念验证，另一边是将概念转化成为稳健、可重复和实用的大规模制造和部署。后者要求设计稳定、安全、可靠，并且定价合理。

在进行概念验证时，可以通过不同的途径实现目标。“自上而下”的方法是在车辆中集成尽可能多的硬件、传感器和软件，然后通过实现融合、降低复杂性，达到性能、成本和重量目标。相反，“自下而上”的方法则更有条理，汽车厂商先完成一个级别的自动驾驶设计，然后再收集数据并克服必要的挑战，达到下一个级别。后一种方法越来越受到大型主机厂的青睐。

设计过渡从L2到L3到L4逐步提升

汽车要提供先进的 ADAS 系统，并最终实现自动驾驶，必须感知周围环境，然后根据 “看到的内容”采取行动。车辆对环境的认知越准确，就能做出越好的决策，行车也越安全。因此，设计自动驾驶汽车时，首先要确定部署在车辆周围的传感器数量和类型。在环境传感方面，有三种常用技术：图像传感器即摄像头、毫米波雷达和激光雷达，三者各有利弊。

在上述的三种传感器中，很明显，摄像头和激光雷达的算法处理已经普遍在中央域控了，而目前市场上的各类毫米波雷达，通常还是前端处理，生成目标以后，再送到中央域控，而并非中央集中处理。我们将在本文中着重介绍对于 4D 成像毫米波雷达进行中央集中处理的必要性和安霸 CV3 在这方面的技术优势。

一旦确定了车辆对传感器的需求，就要做出一系列关键决定，包括设计系统架构和选择配备合适的处理器。这就需要从根本上考虑是集中处理传感器数据，还是在前端处理传感器数据。