（报告出品方/作者：国信证券，熊莉）
1决策篇
车载计算平台由硬件平台+系统软件+功能软件构成智能驾驶产业主要可以分为感知层、决策层与执行层，本篇是汽车智能化系列专题的第二篇，主要围绕着汽车智能化的决策层展开。本篇报告针对车载计算平台全产业链的每个细分环节，从其概念、技术路径、发展趋势、竞争格局等内容展开。车载计算平台是智能网联汽车的“大脑”，从硬件到软件主要包括：
（1）异构硬件平台：CPU计算单元、AI单元（GPU、ASIC、FPGA）、MCU控制单元、存储、ISP等其他硬件组成的自动驾驶域控制器；
（2）系统软件：硬件抽象层（Hypervisor、BSP）、操作系统内核（QNX/Linux/Andriod/Vxworks）、中间件组件等；
（3）功能软件：自动驾驶通用框架（感知、决策、执行）、功能软件通用框架（数据抽象/数据流框架/基础服务）；
（4）其他：工具链（开发、仿真、调试、测试等）、以及安全体系（功能安全、信息安全等）。
EEA架构逐渐走向域集中，DCU应运而生
单车ECU数量激增，无法满足汽车智能化的需求。年代开始，以机械为主宰的汽车行业内掀起一场电子电气化革命，电子控制单元（ElectronicControlUnit，ECU）占领了整个汽车，此时的汽车电子电气架构都是分布式的，各个ECU都通过CAN（ControllerAreaNetwork，控制器域网络）或LIN（LocalInterconnectNetwork，局部互联网络）总线连接在一起，通过工程师预设好的通信协议交换信息。在传统的EEA架构下，ECU是系统的核心，智能功能的升级依赖于ECU数量的累加。
原有智能化升级方式面临研发和生产成本剧增、安全性降低、算力不足等问题，传统分布式架构亟需升级，传统EEA架构主要面临以下问题：（1）控制器数量过多：各级别汽车ECU数量都在逐年递增，每台汽车搭载的ECU平均25个，一些高端车型通常会超过个；（2）线束布置过于复杂：ECU数量越多，总线数量必将更长，年奔驰S级轿车的电子系统已经拥有80个ECU，1,条总长达4km的通信总线。年奥迪Q7和保时捷卡宴的总线长度突破6km，重量超过70kg，基本成为位列发动机之后的全车第二重部件；（3）“跨域”信号传输需求增加：智能驾驶需要大量的“跨域”信号传输，环境传感器（雷达，视频和激光雷达）产生了大量数据传输的需求，这也对传统分散式ECU基础架构提出了挑战。
为适应智能化需求，催生出以DCU为主的域集中架构。为了控制总线长度、降低ECU数量，从而降低电子部件重量、降低整车制造成本，将分散的控制器按照功能域划分、集成为运算能力更强的域控制器（DomainControlUnit，DCU）的想法应运而生。博世用三类EEA架构共六个阶段来展示架构演进方向：分布式（模块化、集成化）、域集中式（集中化、域融合）、集中式（车载电脑、车-云计算）。
功能域与空间域是当前域控制器发展的两条路径。域控制器根据划分方式，主要可以分为以五大功能域划分和以车辆特定物理区域划分两种，相较于纯粹以功能为导向的域控制器，空间域划分的集中化程度更高，对OEM厂商自身开发能力要求也会更高：
（1）基于功能划分的域控制器：典型代表博世、大陆等传统Tier1
博世、大陆等传统Tier1将汽车EEA架构按功能划分为动力域（安全）、底盘域（车辆运动）、信息娱乐域（座舱域）、自动驾驶域（辅助驾驶）和车身域（车身电子）五大区域。每个区域对应推出相应的域控制器，最后再通过CAN/LIN等通讯方式连接至主干线甚至托管至云端，从而实现整车信息数据的交互。
（2）基于空间划分的域控制器：典型代表特斯拉
基于空间划分的域控制器是以车辆特定物理区域为边界来进行功能划分，相较于纯粹以功能为导向的域控制器，其集中化程度更高。特斯拉则是其中的典型代表，年ModelS还是以典型的功能域划分为主，年推出Model3则直接进入准中央架构阶段，特斯拉的EE架构只有三大部分，包括CCM（中央计算模块）、BCMLH（左车身控制模块）、BCMRH（右车身控制模块）。中央计算模块直接整合了驾驶辅助系统（ADAS）和信息娱乐系统（IVI）两大域，以及外部连接和车内通信系统域功能；左车身控制模块和右车身控制模块分别负责剩下的车身与便利系统、底盘与安全系统和部分动力系统的功能。特斯拉的准中央E/E架构已带来了线束革命，ModelS/ModelX整车线束的长度是3公里，Model3整车线束的长度缩短到了1.5公里，ModelY进一步缩短到1公里左右，特斯拉最终的计划是将线束长度缩短至米。
以功能域划分的域集中式会是大部分主机厂当下的主要选择。采用功能域还是空间域，核心还是取决于OEM自身的实力和与供应商体系的博弈，OEM未来会加大垂直整合程度，将核心软硬件尽可能掌握在自己手中，形成技术壁垒。但是目前来看，以大部分主机厂和Tier1自身的战略布局，预计大部分主机厂仍会使用混合域的EEA架构，即部分功能域集中化，形成“分布式ECU+域控制器”的过渡方案，最后形成“Supercontroller（中央超级计算机）+Zonalcontrolunit（区控制器）”的架构，这一演进过程可能长达5-10年。
单车智能化逐步提升，对计算平台的需求持续增加
当前自动驾驶正处在L2向L3级别跨越发展的关键阶段。其中，L2级的ADAS是实现高等级自动驾驶的基础，从全球各车企自动驾驶量产时间表来看，L3级别自动驾驶即将迎来大规模地商业化落地。
随着自动驾驶级别的提升，单车传感器的数量呈倍级增加。预计自动驾驶Level1-2级需要10-20个传感器，Level3级需要20-30个传感器，Level4-5级需要40-50个传感器。
Level1-2级别：通常具有1个前置远程雷达和1个摄像头，用于自适应巡航控制，紧急制动辅助和车道偏离警告/辅助。2个向后的中程雷达可实现盲点检测，外加4个摄像头和12个超声波雷达则可实现度视角的泊车辅助功能。预计Level1-2的总传感器数量约为10-20个左右。
Level3级别：在Level1-2配置的基础上，外加1个远程激光雷达，由于主动距离测量，激光雷达还具有高分辨率，广角和高精度的特点，这对于检测和分类对象或跟踪地标以进行定位将是必需的。对于高速公路领航系统（Highwaypilot）应用，通常会额外增加1颗后向的远程激光雷达。预计会使用6-8个摄像头，8-12个超声波雷达和4-8个毫米波雷达，以及1个激光雷达，因此，预计Level3的传感器总数量会在20-30个左右。
Level4-5级别：通常需要多种传感器进行°视角的交叉验证，以消除每种传感器的弱点。预计会使用8-15个摄像头，8-12个超声波雷达和6-12个毫米波雷达，以及1-3个激光雷达，因此，预计用于Level4至5的传感器总数量会在30-40个左右。
随着自动驾驶等级的提高，所需的算力高速提升。汽车自动驾驶的智能化水平取决于算法是否强大，从L1到L5，自动驾驶每提升一个等级，算力要求也同样提升一个等级：L3之前，自动驾驶所需算力较低；L3需要的AI算力达到20TOPS；L3之后，算力要求数十倍增长，L4接近TOPS，L5算力要求更为严苛，达到0+TOPS。每增加一级自动驾驶等级，算力需求则相应增长一个数量级。根据英特尔推算，在全自动驾驶时代，每辆汽车每天产生的数据量将高达0GB。
2硬件平台之一：芯片
计算芯片是算力时代下智能网联汽车的核心
计算芯片可分为MCU芯片与SoC芯片。随着汽车EE架构的不断革新，汽车半导体高速发展，按功能不同，汽车半导体可分为汽车芯片和功率半导体，而在汽车芯片中，最重要的是计算芯片，按集成规模不同，可分为MCU芯片与SoC芯片。MCU（MicroControlUnit）微控制器，是将计算机的CPU、RAM、ROM、定时计数器和多种I/O接口集成在一片芯片上，形成芯片级的芯片；而SoC（SystemonChip）指的是片上系统，与MCU不同的是，SoC是系统级的芯片，它既像MCU那样有内置RAM、ROM，同时又可以运行操作系统。
智能化趋势驱动汽车芯片从MCU向SoC过渡。自动驾驶对汽车底层硬件提出了更高的要求，实现单一功能的单一芯片只能提供简单的逻辑计算，无法提供强大的算力支持，新的EE架构推动汽车芯片从单一芯片级芯片MCU向系统级芯片SoC过渡。
SoC市场高速发展，预计年市场规模达到亿美元。汽车智能化落地加速了车规级SoC的需求，也带动了其发展，相较于车载MCU的平稳增长，SoC市场呈现高速增长的趋势，根据GlobalMarketInsights的数据，预计全球车规级SoC市场将从年的10亿美元达到年的亿美元，CAGR达到35%，远超同期汽车半导体整体增速。
传统MCU：MCU需求稳步增长，海外寡头长期垄断
MCU是ECU的运算大脑。ECU（ElectronicControlUnit，电子控制单元）是汽车EE架构的基本单位，每个ECU负责不同的功能。MCU芯片嵌入在ECU中作为运算大脑。当传感器输入信号，输入处理器对信号进行模数转换、放大等处理后，传递给MCU进行运算处理，然后输出处理器对信号进行功率放大、数模转换等，使其驱动如电池阀、电动机、开关等被控元件工作。
MCU根据不同场景需求，有8位、16位和32位。8位MCU主要应用于车体各子系统中较低端的控制功能，包括车窗、座椅、空调、风扇、雨刷和车门控制等。16位MCU主要应用为动力传动系统，如引擎控制、齿轮与离合器控制和电子式涡轮系统等，也适合用于底盘机构上，如悬吊系统、电子动力方向盘、电子刹车等。32位MCU主要应用包括仪表板控制、车身控制以及部分新兴的智能性和实时性的安全功能。在目前市场的主流MCU当中，8位和32位是最大的两个阵营。
汽车智能化不断渗透，单车MCU需求增加。随着汽车EE架构的演变，单车MCU需求量不断增加。自动驾驶浪潮带动MCU需求，根据IHS统计，与传统燃油车单车相比，智能驾驶汽车所需MCU数量是其4倍以上，且高位数MCU由于其高算力将扮演重要角色。
MCU市场稳步发展，预计年全球规模达88亿美元。在市场规模上，全球MCU市场呈现稳步发展的趋势，根据ICInsights估计，预计全球MCU市场规模从年的65亿美元达到年的88亿美元，CAGR达到5.17%，略低于同期汽车半导体增速。同时我国MCU发展与世界齐头并进，预计年市场规模达到56亿元，CAGR达到5.33%，与世界同期基本持平。
瑞萨、恩智浦、英飞凌等海外厂商占据主要市场份额，国产厂商渗透率较低。目前全球MCU市场呈现寡头竞争局面，市占率靠前的瑞萨、恩智浦、英飞凌等厂商均是国际厂商，CR7占比达到98%，由于车规级MCU研发周期较长，认证要求较高，目前国内厂商渗透率较低，仅有几家企业能够实现中低端产品的量产。
智能座舱SoC：高通在中高端数字座舱呈现垄断局面
一芯多屏不断普及，高通在中高端数字座舱呈现垄断地位。伴随着数字座舱渗透率不断提升，车内数量不断增加，屏幕尺寸不断增大，智能座舱快速普及，一芯多屏逐渐成为主流，也带动智能座舱SoC芯片的快速放量。SoC应用在智能汽车上主要有智能座舱以及自动驾驶两方面，相比于自动驾驶SoC，座舱域SoC由于要求相对较低，成为SoC落地智能汽车的先行者。高通、恩智浦、德州仪器、英特尔、联发科等各家不断更新其座舱SoC产品，在中高端数字座舱域，目前高通呈现垄断地位。目前，高通已经赢得全球领先的20+家汽车制造商的信息影音和数字座舱项目，高通骁龙A和两代平台成为众多车型数字座舱平台的主流选择，高通也将推出的第四代座舱SoCSA，在算力、I/O能力等方面表现出色，不断稳固其在中高端数字座舱的稳固地位。（报告来源：未来智库）
自动驾驶SoC：CPU+XPU是当前主流，英伟达当前领先
自动驾驶芯片是指可实现高级别自动驾驶的SoC芯片。随着自动驾驶汽车智能化水平越来越高，需要处理的数据体量越来越大，高精地图、传感器、激光雷达等软硬件设备对计算提出更高要求，因此在CPU作为通用处理器之外，增加具备AI能力的加速芯片成为主流，常见的AI加速芯片包括GPU、ASIC、FPGA三类。
CPU作为通用处理器，适用于处理数量适中的复杂运算。CPU作为通用处理器，除了满足计算要求，还能处理复杂的条件和分支以及任务之间的同步协调。CPU芯片上需要很多空间来进行分支预测与优化，保存各种状态以降低任务切换时的延时。这也使得它更适合逻辑控制、串行运算与通用类型数据运算。以GPU与CPU进行比较为例，与CPU相比，GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache。而CPU不仅被Cache占据了大量空间，而且还有有复杂的控制逻辑和诸多优化电路，相比之下计算能力只是很小的一部分。
常见的AI加速芯片包括GPU、ASIC、FPGA三类：
GPU：适用于处理数量庞大的相对简单的运算。GPU拥有一个由数以千计的更小、更高效的ALU核心组成的大规模并行计算架构，大部分晶体管主要用于构建控制电路和Cache，而控制电路也相对简单，GPU的计算速度有拥有更强大的处理浮点运算的能力，更擅长处理多重任务，比如图形计算。
FPGA：现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。
ASIC：一种为专门目的而设计的集成电路。是指应特定用户要求和特定电子系统的需要而设计、制造的集成电路。ASIC的特点是面向特定用户的需求，在批量生产时与通用集成电路相比具有体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。
“CPU+XPU”是当前自动驾驶SoC芯片设计的主流趋势。根据XPU选择不同，又可以分为三种技术路线：CPU+GPU+ASIC、CPU+ASIC以及CPU+FPGA三类。
（1）“CPU+GPU+ASIC”，主要代表英伟达、特斯拉FSD以及高通Ride。英伟达Xavier和特斯拉FSD采用“CPU+GPU+ASIC”的设计路线，英伟达Xavier以GPU为计算核心，主要有4个模块：CPU、GPU、以及两个ASIC芯片DeepLearningAccelerator（DLA）和ProgrammableVisionAccelerator（PVA）；特斯拉FSD芯片以NPU（ASIC）为计算核心，有三个主要模块：CPU、GPU和NeuralProcessingUnit（NPU）。
（2）“CPU+ASIC”，主要代表MobileyeEyeQ5系列和地平线征程系列。MobieyeEyeQ5和地平线征程系列采用“CPU+ASIC”架构，EyeQ5主要有4个模块：CPU、ComputerVisionProcessors（CVP）、DeepLearningAccelerator（DLA）和MultithreadedAccelerator（MA），其中CVP是针对传统计算机视觉算法设计的ASIC；地平线自主设计研发了Al专用的ASIC芯片BrainProcessingUnit（BPU）。
（3）CPU+FPGA，主要代表Waymo。与其余厂商不同，Waymo采用“CPU+FPGA”的架构，其计算平台采用英特尔Xeon12核以上CPU，搭配Altera的Arria系列FPGA。
目前各家发布的最新芯片平台均可以支持L3或L4级的算力需求，英伟达当前处于领先位置。英伟达单颗Orin的算力可以达到TOPS，而年落地的车型中搭载4颗Orin的蔚来ET7和威马M7其巅峰算力将超过0TOPS，高通骁龙Ride平台的巅峰算力预计在-TOPS，Mobileye也推出了面向高阶自动驾驶的EyeQ6Ultra，算力达到TOPS，当前各家最先进的算力平台均可以支持L3或L4级的算力需求。从相关量产车型来看，英伟达Orin成为当下的主流选择，Mobileye正在逐渐掉队。
评估芯片性能，算力、能耗、效率缺一不可
评估芯片的性能，一般采用PPA即Power（功耗），Performance（性能），Aera（面积）三大指标来衡量性能。而智能驾驶领域，峰值算力成为衡量自动驾驶芯片的最主要指标，常见的指标有TOPS、FLOPS、DMIPS三种：
TOPS（TeraOperationPerSecond）：每秒完成操作的数量，乘操作算一个OP，加操作算一个OP。TOPS的物理计算单位是积累加运算（MultiplyAccumulate,MAC），1个MAC等于2个OP。TOPS表示每秒进行1万亿次操作。
FLOPS（Floating-PointOperationsPerSecond）：每秒可执行的浮点运算次数的字母缩写，它用于衡量计算机浮点运算处理能力。浮点运算，包括了所有涉及小数的运算。MFLOPS（MegaFLOPS）等于每秒1百万次的浮点运算；GFLOPS（GigaFLOPS）等于每秒10亿（=10^9）次的浮点运算；TFLOPS（teraFLOPS）等于每秒1万亿次的浮点运算。
DMIPS（DhrystoneMillionInstructionsPerSecond）：是测量处理器运算能力的最常见基准程序之一，常用于处理器的整型运算性能的测量。MIPS：每秒执行百万条指令，用来计算同一秒内系统的处理能力，即每秒执行了多少百万条指令。不同的CPU指令集不同、硬件加速器不同、CPU架构不同，导致不能简单的用核心数和CPU主频来评估性能，Dhrystone作为统一的跑分算法，DMIPS比MIPS的数值更具有意义。
（1）智能座舱SoC：DMIPS衡量CPU算力的主要单位是DMIPS，基本上SoC高于20,DMIPS才能流畅地运行智能座舱的主要功能，如AR导航或云导航、全景、播放流媒体、AR-HUD、多操作系统虚拟机等。GPU方面，GFLOPS的算力就可以支持3个P的屏幕。一般来说，CPU高于20,DMIPS，GPU高于GFLOPS的SoC就是智能座舱SoC芯片。
（2）自动驾驶SoC：TOPS峰值算力体现的只是芯片的理论上限，不能代表其全部性能。自动驾驶需要的计算机视觉算法是基于卷积神经网络实现的，而卷积神经网络的本质是累积累加算法（MultiplyAccumulate，MAC），实现此运算操作的硬件电路单元，被称为“乘数累加器”。这种运算的操作，是将乘法的乘积结果b*c和累加器a的值相加，再存入累加器a的操作。TOPS=MAC矩阵行*MAC矩阵列*2*主频，TOPS峰值算力反映的都是GPU理论上的乘积累加矩阵运算算力，而非在实际AI应用场景中的处理能力，具有很大的局限性。以英伟达的芯片为例，Orin、Xavier的利用率基本上是30%左右，而采用ASIC路线，ASIC芯片针对不同的神经网络模型去优化，基本上可以做到60%~80%之间。
地平线提出最真实的AI效能由理论峰值计算效能、有效利用率、AI算法效率组成。地平线在全球人工智能和机器人峰会提出了芯片AI性能评估方式MAPS（MeanAccuracy-guaranteedPrecessingSpeed），地平线认为最真实的AI效能实际上由三要素组成，分别为理论峰值计算效能、有效利用率、AI算法效率。（1）理论峰值计算效能，TOPS/W、TOPS/$，即传统理论峰值衡量的方法；（2）芯片有效利用率，把算法部署在芯片上，根据架构特点，动用编译器等系统化解决一个极其复杂的带约束的离散优化问题，而得到一个算法在芯片上运行的实际利用率，这是软硬件计算架构的优化目标；（3）AI算法效率，每消耗一个TOPS算力，能带来多少实际的AI算法的性能，它体现的是AI算法效率的持续提升。
3硬件平台之二：域控制器
面向高阶自动驾驶，异构多核硬件架构成为趋势
车载计算平台需采用异构多核芯片硬件架构。自动驾驶的域控制器，要具备多传感器融合、定位、路径规划、决策控制、无线通讯、高速通讯的能力。通常需要外接多个摄像头、毫米波雷达、激光雷达，以及IMU等设备，完成的功能包含图像识别、数据处理等。面向L3及以上高阶自动驾驶，单一芯片无法满足诸多接口和算力需求，计算基础平台需采用异构芯片的硬件方案，具有芯片选型灵活、可配置拓展、算力可堆砌等优点。计算平台的异构分布硬件架构主要包括CPU计算单元、AI单元和控制单元。
（1）CPU计算单元：由车规级多个多核CPU组成，大多为ARM架构，单核主频高，计算能力强，擅长处理高精度浮点数串行计算，通过内核系统管理软硬件资源、完成任务调度，用于执行自动驾驶相关大部分核心算法，同时整合多源数据完成路径规划、决策控制等功能。
（2）AI单元：AI单元是整个异构硬件平台中算力的最主要来源，承担大规模浮点数并行计算需求，主流的AI芯片可选用GPU、FPGA、ASIC三种等。通常内核系统进行加速引擎及其他芯片资源的分配、调度。AI单元实现对多传感器的数据高效处理与融合，获取用于规划及决策的关键信息。
（3）控制单元：负责可靠性和车辆控制，功能安全和冗余监控作用，不要求很高的算力，但是可靠性必须要有保障。基于传统车辆控制器MCU，实现车辆动力学横纵向控制并满足功能安全ASIL-D等级要求。
高性能的车载计算平台是高阶自动驾驶的必备，除了异构多核的硬件架构外，分布弹性可扩展、丰富的I/O接口资源、高内存带宽、车规与功能安全等也都是高阶自动驾驶域控制器的必备特点：
（1）硬件异构：面向高阶自动驾驶的计算平台需兼容多类型多数量传感器，单一芯片无法满足诸多接口和算力要求，需采用“CPU+XPU”的异构硬件方案，前文已做详细介绍；
（2）分布弹性可扩展：车载计算平台需具有弹性扩展特性以满足不同等级自动驾驶需求。针对L3及以上高阶自动驾驶，随着自动驾驶等级提升，车载智能计算基础平台算力、接口等需求都会增加。除提高单芯片算力外，硬件单元也可复制堆叠，自动驾驶操作系统弹性适配硬件单元并可进行平滑拓展，达到整体系统提升算力、增加接口、完善功能的目的；
（3）丰富的I/O接口资源：高阶自动驾驶的感知系统传感器种类与数量众多，车载摄像头、激光雷达、毫米波雷达、超声波雷达、组合导航、IMU、V2X模块等，因此丰富的接口资源也是很自动驾驶域控制器的关键特点。车载摄像头的数据接口一般采用GMSL或FPDLink，激光雷达都是采用Ethernet接口，目前大多是普通Ethernet；毫米波雷达都是CANFD传输，超声波雷达采用LIN总线，组合导航和惯导常见接口为RS串口，V2X模块采用Ethernet接口传输。除了上述传感器所需IO接口外，常见的其它高速接口与低速接口比如PCIe、USB、I2C、SPI等；
（4）高内存带宽：自动驾驶芯片平台因为要接入大量的传感器数据，因此内存的压力非常大。整个系统往往呈现出Memory-Bound系统的特点，因此内存带宽通常决定了系统性能的理论上限；
（5）车规与功能安全：与消费级不同，车规级产品在安全性和可靠性上有更高要求。如AEC-Q、ISO等，ISO对安全等级做了划分，常见的是ASIL-B和ASIL-D级别。
高性能SoC主芯片占整体域控制器的主要成本
当前市面上最为成熟的域控制器为特斯拉19年推出的HW3.0，特斯拉首次推出其自研的FSD芯片，通过以太网总线的方式承载数据输入与以太网交换的功能，其成本整体较为透明，通过拆解其BOM成本，梳理高阶自动驾驶域控制器的成本分布。
预计HW3.0板上全部芯片的成本约在5元左右，外加车规级接插件、以太网连接器以及PCB等外围硬件，整块板子的硬件成本大约在-人民币之间。其中，主控SoC芯片约占总芯片成本的61%左右，占整体硬件成本的20%左右。特斯拉HW3.0的主板上共搭载了两块的自研芯片，双芯片的目的是作为安全冗余，互相对照，每块芯片可以独立运算。每块芯片周围有四块镁光DRAM内存，每块芯片分别配有一块东芝闪存芯片，用于承载操作系统和深度学习模型。
主板的右侧是视频输出接口，从上到下依次是FOV摄像头、环视摄像头、A柱左右摄像头、B柱左右摄像头、前视主摄像头、车内DMS摄像头、后摄像头、GPS同轴天线；左侧是电源接口和其他另外的输入/输出接口，从上到下依次是第二供电和I/O接口（车身LIN网络等），以太网诊断进/出、调试USB、烧录、主供电和I/O（底盘CAN网络等）。
OEM自研、系统集成商、软件平台商三方势力各显身手
自动驾驶域控制器玩家主要分为系统集成商、软件平台厂商以及OEM厂商三大类。（1）OEM厂商：特斯拉以及国内的造车新势力如蔚来、小鹏、威马、理想、上汽智己等都已实现或宣布将自研自动驾驶域控制器，以掌握未来软件定义汽车下底层的硬件自主权；（2）系统集成商和Tier1：如博世、大陆、采埃孚等国际Tier1和系统集成商,德赛西威、经纬恒润、华为等一批本土Tier1和系统集成商；（3）软件平台厂商：如映驰科技、东软睿驰、TTech、中科创达等公司。
（1）智能座舱域控制器：全球范围内，伟世通、大陆、博世、安波福在座舱域控制器市场占据主导地位，国内企业华为、德赛西威、航盛电子、东软等也纷纷推出了座舱域控制器解决方案。在座舱SoC芯片方面，主要包括高通A与P、英特尔Atom、恩智浦i.MX8、瑞萨R-CARH3、德州仪器Jacinto系列等。
（2）自动驾驶域控制器：全球范围内，全球Tier1基本都已布局自动驾驶域控制器产品，典型产品如伟世通DriveCore、博世DASy、大陆集团ADCU、采埃孚ProAI、VeoneerZeus、麦格纳MAX4等，国内方面，如德赛西威IPU系列、经纬恒润ADC、东软睿驰CPDC、华为MDC等。
除了OEM厂商自研之外，OEM厂还孵化成立独立第三方智能驾驶软件平台型公司参与域控制器市场。此外，在域控制器市场还有一类重要的玩家，就是从主机厂孵化成立的智能驾驶软件平台型公司，如长城汽车的毫末知行，吉利汽车的亿咖通等。长城汽车即将在年发布的新摩卡车型将搭载高通骁龙Ride平台，相关域控制器设计与生产则是由毫末知行来实现的。亿咖通在年与伟世通和高通达成战略合作，为全球市场提供领先的智能座舱解决方案，此外亿咖通在年与安谋中国合作成立芯擎科技，年10月国内首颗7nm车规级座舱芯片“龍鹰一号”流片成功，计划在年三季度实现量产，年底实现前装上车。
4系统软件之一：操作系统
操作系统标准与分类：车控OS与座舱OS
在智能网联时代，车机操作系统OS（operatingsystem）按下游应用划分，可以分为车控OS和座舱OS两大类：（1）车控OS：主要负责实现车辆底盘控制、动力系统和自动驾驶，与汽车的行驶决策直接相关；（2）座舱OS：主要为车载信息娱乐服务以及车内人机交互提供控制平台，是汽车实现座舱智能化与多源信息融合的运行环境，不直接参与汽车的行驶决策。
对于车控OS而言，可分为嵌入式实时操作系统RTOS和基于POSIX标准的操作系统。（1）嵌入式实时操作系统RTOS：传统车控ECU中主控芯片MCU装载运行的嵌入式OS，面向经典车辆控制领域，如动力系统、底盘系统和车身系统等。要求实时程序必须保证在严格的时间限制内响应，特点包括速度快，吞吐量大，代码精简，代码规模小等；（2）基于POSIX标准的操作系统：主要面向智能驾驶系统，主要满足其高通信和低延时的要求。
汽车电控ECU必须是高稳定性的嵌入式实时性操作系统，主流的嵌入式实时操作系统都兼容OSEK/VDX和ClassicAUTOSAR这两类汽车电子软件标准。嵌入式实时操作系统具有高可靠性、实时性、交互性以及多路性的优势，系统响应极高，通常在毫秒或者微秒级别，满足了高实时性的要求。目前，主流的嵌入式实时操作系统都兼容OSEK/VDX和ClassicAUTOSAR这两类汽车电子软件标准。
欧洲在上世纪90年代提出了汽车电子上分布式实时控制系统的开放式系统标准OSEK/VDX。但随着技术、产品、客户需求等的升级，OSEK标准逐渐不能支持新的硬件平台。年，宝马、博世、大陆、戴姆勒、通用、福特、标志雪铁龙、丰田、大众9家企业作为核心成员，成立AUTOSAR组织，致力于建立一个标准化平台，独立于硬件的分层软件架构，制定各种车辆应用接口规范和集成标准，AUTOSAR是基于OSEK/VDX发展出来的，但涉及的范围更广。
AUTOSAR主要包括ClassicPlatformAUTOSAR（CP）和AdaptivePlatformAUTOSAR（AP）两个平台规范：CPAUTOSAR是基于OSEK/VDX标准的，广泛应用于传统嵌入式ECU中，如发动机控制器、电机控制器、整车控制器、BMS控制器等；APAUTOSAR基于POSIX，主要应用于自动驾驶等需求高计算能力、高带宽通信、分布式部署的下一代汽车应用领域中。
QNX、Linux、VxWorks是主要的底层内核
狭义OS仅包含内核（如QNX、Linux），广义OS从下至上包括从BSP、操作系统内核、中间件及库组件等硬件和上层应用之间的所有程序。
QNX、Linux是目前常见内核OS，VxWorks也有一定应用。随着WinCE停止更新逐渐退出，OS内核的格局较为稳定，主要玩家为QNX（Blackberry）、Linux（开源基金会）、VxWorks（风河）。其中Linux属于非实时操作系统，而QNX和VxWorks属于实时操作系统，WinCE是微软开发的嵌入式操作系统，正在逐步退出汽车操作系统市场。
（1）BlackberryQNX：QNX是遵从POSIX规范的类UNIX实时操作系统，是全球第一款达到ASILD级别的车载操作系统，优点是稳定性和安全性非常高，QNX依靠其微内核架构实现性能和可靠性的平衡，主要特点有内核小、代码少以及故障影响小，驱动等错误不会导致整个系统都崩溃，通用、沃尔沃、奥迪、上汽等均用QNX作为自动驾驶OS。但缺点是QNX作为非开源系统，兼容性较差，开发难度大，在娱乐系统开发中应用不多，主要是开放性不够，应用生态缺乏。
（2）Linux（Android）：Linux是基于POSIX和UNIX的开源操作系统，可适配更多的应用场景，具有很强的定制开发灵活度，主要用于支持更多应用和接口的信息娱乐系统场景。Android是谷歌基于Linux内核开发的开源操作系统，主要应用在车载信息娱乐系统、导航领域，在国内车载信息娱乐系统领域占据主流地位。由于其完全开源，基于Linux开发的难度也极大，而且开发周期比较长，这就限制了车机系统进入门槛。
（3）VxWorks：VxWorks由WindRiver设计开发的嵌入式实时操作系统，以其良好的可靠性和卓越的实时性被广泛地应用在通信、*事、航空、航天等领域，VxWorks由多个相对独立的目标模块组成，但与Linux相比，VxWorks需要收取高昂的授权费，开发定制成本较高，这限制了其市场占有率的增长。
QNX、Linux是当前车机OS内核的首选。根据赛迪顾问的统计，QNX由于其典型的实时性、低延时、高稳定等特征，年QNX市占率达到43%，是当前市占份额最高的车机OS，已应用在包括宝马、奥迪、奔驰等超过40个品牌，全球使用了QNX的汽车超1.75亿辆；Linux（含Android）Linux版本丰富，经过改造Linux内核也将具备实时性功能，21年市占率35%；WinCE当前市占率8%，呈现快速下滑态势，未来可能将逐步在市场消失；VxWorks同时具备实时性及开源特点，但其业务重点一直在复杂工业领域，对于汽车产业投入较少，售价及维修费用极其昂贵，目前仅在部分高端品牌车型上有所尝试。（报告来源：未来智库）
QNX+Linux或QNX+Android是当前的主流趋势
随着智能座舱和智能驾驶的进步，OEM厂商更加
