圖片來源：互聯網

明年上市的現代G90和GV80將是現代汽車L3級自動駕駛車型，當然，L3級自動駕駛是選配的。圖中是測試原型車，很明顯可以看到兩個激光雷達。

G90自動駕駛諜照車

圖片來源：互聯網

這是在韓國首爾拍攝到的G90自動駕駛諜照車，激光雷達似乎是后加的。

搭載激光雷達的G90諜照

圖片來源：互聯網

標準版G90諜照

圖片來源：互聯網

現代汽車的全球銷量穩居600萬輛之上，2020年銷量下滑12%，但仍達635萬輛，算單獨廠家不算聯盟的話，現代汽車銷量第三，比第四名的通用汽車略高，因此現代汽車的自動駕駛還是值得一看的。

圖片來源：互聯網

L3級自動駕駛傳感器布局如上。激光雷達方面，現代汽車旗下子公司現代摩比斯曾經5千萬美元投資老牌激光雷達公司Velodyne，并且與Velodyne研發量產低價激光雷達，現代摩比斯代工Velodyne的激光雷達，但比較遙遠，現代汽車沒有選擇Velodyne的激光雷達，而是選擇更老的法雷奧激光雷達，即二代Scala。

圖片來源：互聯網

更詳細的參數如下。

圖片來源：互聯網

有效距離的參數尤其精密，不像大多數廠家簡單說一個幾百米，沒有限定條件的參數毫無意義。在正前方，掃描密度有所增加，特別為雙激光雷達設計。

圖片來源：互聯網

L3系統計算架構如上圖。與大多數廠家不同，現代的方案力求低成本，連前視攝像頭FR CMR居然用CAN-FD總線連接，而不是常見的以太網或SerDes，因此像素必然很低，估計不超過150萬像素。FR RDR是前主毫米波雷達，FR C RDR和RR C RDR是4個角毫米波雷達。FR C LDR LH為左激光雷達，FR C LDR RH為右激光雷達。CCIC是中控與儀表一體的座艙顯示屏，CCU實際是TCU，做OTA升級的。用韓文標注的那個是debug用的，量產時不存在。PHY是物理層芯片，大概率會是Marvell的88Q211，使用了7個PHY，大概要105-140美元。兩個以太網交換機，大概率會是Marvell的88Q5050。MCU是英飛凌的TC397XP，目前缺貨嚴重。

盡管是L3，仍然是雙系統設計，且有兩套供電系統。如果換了其他廠家肯定會說是L4。右側的方框是主系統，左側的是緊急備份系統。實際上是三套，還有一套自動泊車。這套系統應該是現代和Aptiv合資的Motional設計并生產的。

圖片來源：互聯網

先看備份系統，CPU是英特爾的Denverton，也就是Atom C3000系列，C3000系列只有三款是16核，即C3950、C3955和C3958。其中C3950的TDP功率最低，只有24瓦，C3958是31瓦，C3955是32瓦，現代大概率會選擇C3958。C3000系列主要面向IoT領域，不是針對汽車領域，而針對汽車領域的是A3900系列。不過兩者應該高度相似，均屬于Atom3000系列。與A3900系列不同，C3000系列不帶GPU，只有CPU。C3950目前零售價大約160美元，大量采購估計在100美元左右。

4核@2.0GHz的A3950的CPU算力為42160 DMIPS，C3958是16核@2.0GHz，算力應該為168.6K，大致略高于高通5納米的SA8295，不過C3958是14納米。此外X86的亂序執行能力比ARM要高不少，雖然DMIPS相當，但實際表現上X86很多時候都會比較好。寶馬的L3系統也是選擇了Denverton，估計也是16核，在傳統激光雷達ICP算法中，主要靠CPU出力，這或許是為什么選擇Denverton的原因。

主系統的核心元件是德州儀器的TDA4VMID，這是德州儀器針對ADAS和自動泊車推出的芯片，目前量產的僅一款即TDA4VMID，還有兩款在2022年上半年有樣片，一款是TDA4VMID Plus，一款是TDA4VLow。一片算力不夠的話，可以4片并聯。

圖片來源：互聯網

2022年德州儀器還有一款TDA4AH提供樣片，這是德州儀器的旗艦芯片，采用8個A72@2.4GHz，算力達100KDMIPS，4個MMA，算力為36TOPS@INT8，4個C7x DSP，算力為320GFLOPS。

TDA4VMID內部框架圖

圖片來源：互聯網

TDA4VMID采用兩個A72，算力大約25KDMIPS，1個MMA，算力為8TOPS，1個C7x DSP，算力80GFLOPS，1個GE8430，算力100GFLOPS。從板子看現代L3應該是采用了4片TDA4VMID，總CPU算力有100K，NPU有32TOPS，也算不錯了。

圖片來源：互聯網

3個ARM Cortex-R5F實時鎖步系統，讓整體芯片達到ASIL-D級。

圖片來源：互聯網

預裝與底層抽象層MCAL關聯的Autosar驅動，由Vector開發。

圖片來源：互聯網

預裝KPIT開發的AUTOSAR，包括網關、安全島、OTA、V2X、診斷、IPC通訊。

圖片來源：互聯網

深度學習方面，德州儀器開發了TI Deep Learning (TIDL)，對三大推理深度學習模型都做了優化，尤其是微軟的開放式神經網絡交換ONNX。硬件方面，DSP增加了MMA即矩陣乘法加速器。

DSP在深度學習方面有一個NPU之類加速器無法比擬的優勢，那就是DSP采用了哈佛結構，將存儲器空間劃分成兩個，分別存儲指令和數據。它們有兩組總線連接到處理器核，允許同時對它們進行訪問，每個存儲器獨立編址，獨立訪問。這種安排將處理器的數據吞吐率加倍，更重要的是同時為處理器核提供數據與指令。

在這種布局下，DSP得以實現單周期的MAC指令。除DSP外的包括NPU一般都采用馮諾依曼架構，數據和程序共用總線和存儲空間，在深度學習推理的卷積運算中，一條指令同時取兩個操作數，在流水線處理時，同時還有一個取指操作，如果程序和數據通過一條總線訪問，取指和取數必會產生沖突，而這對大運算量的循環的執行效率是很不利的。

哈佛結構能基本上解決取指和取數的沖突問題。它沒有存儲的瓶頸，并且是天生的流水線架構。最終的結果是DSP的深度學習推理加速算力值是幾乎不含水分的，而NPU專用的深度學習推理加速表現不穩定，需要高度定制化，軟硬一體，在針對其架構開發的某個模型上，加速器的利用率有90%，但是換一個模型，可能只有10%或5%，例如英偉達的Orin，其理想算力如果是254TOPS，但在某些模型上，算力會下降到12.7TOPS。實際考慮到存儲瓶頸，沒有一個馮諾依曼架構的加速器能達到理想值的80%。DSP的通用性強，任何模型都有90%的利用率。

現代的L3系統不依賴深度學習算力，更多依賴CPU和傳統可確定可解釋算法，可靠性遠比依賴深度學習這種不確定不可解釋算法的自動駕駛系統要高得多。

TDAV4MID的視覺加速管線

圖片來源：互聯網