401
与人脑一样，负责驾驶车辆的计算机需要在瞬间做出决定，以应对突发状况，即使是微小的延迟也会给车辆和乘客带来灾难性的后果。
传感器融合通过结合来自多个输入的数据（包括雷达、LiDAR和摄像头）来复制人类的感官。通过融合这些数据，车厂可以缓解单一传感器的不足，以获得车辆周围环境的完整图像，并提供高水平的空间感知。
然而，为了使传感器融合可靠地工作，必须以非常高的速度收集、分发和处理传感器的数据。就像人脑一样，负责驾驶车辆的计算机需要在瞬间做出决定，以应对突发状况。在这个过程中，即使是微小的延迟也会对车辆和乘客产生灾难性的后果。
正如人们所预料的那样，将自动驾驶汽车（AV）所需的所有传感器整合到一起会增加车辆的复杂性，并需要OEM在设计、工程和制造车辆时改变方法。如何最好地将那么多电子装置联网是特别具有挑战性的。它可能会大大影响数据移动和处理的速度和效率，并带来一系列的二级挑战，如对车辆整体重量的影响。
重量挑战
对于那些从事汽车网络和AV的人来说，车辆的重量是一个不可忽视的因素。更多的传感器意味着需要更多的线束来连接它们，这可能导致系统重量增加，并对车辆的整体速度、能效或电动车的续航产生不利影响。事实上，对于许多车辆来说，线束是最重的四个子系统之一，在目前的汽车中重达132磅。此外，复杂的布线影响了汽车的生产速度，因为它需要更多的时间来完成和测试。
这个问题变得更加复杂，因为越来越多的汽车转向电动化，由于电动动力系统的重量增加，需要减去多余的重量。更重要的是，电动车厂商往往是最努力推动自动驾驶的人，这意味着他们同时需要更多的传感器和更好的网络，同时还需要减轻重量，为电池留出空间。
幸运的是，MIPI（Mobile Industry Processor Interface）控制器等组件的进步有助于减少额外布线的需求，在某些情况下，甚至降低了所需线束的总长度。MIPI允许直接从传感器到CPU的布线达45英尺，没有延迟或处理损失。实际上，这就像传感器直接连接到CPU上一样，不需要额外的网关来增加多余的布线。
此外，特斯拉等车厂正在尝试中央网络架构的新变化，包括环形架构。最近的专利表明，使用圆形外观线束的系统使所有部件都能连接到线束并进入CPU，而不是在多个点上单独连接到CPU。
无线电池管理系统等其它技术进步也有望减少未来车辆的整体布线需求。除此之外，zonal架构和虚拟ECU的发展趋势引入了一个更强大的多功能ECU的概念。这些将被连接到智能传感器，以减少ECU的整体数量，这反过来又对布线产生积极影响。
这种系统有可能大幅减少所需的布线量，并可能使线束系统在生产过程中更容易安装，从而减少车辆生产时间。
对速度的需求如前所述，速度（指的是移动和处理数据的能力）对于传感器融合和AV来说是至关重要的。大量的数据必须实时收集、传输和计算，以便迅速做出决策，因此高吞吐量是一个严格的要求。这一要求影响到汽车网络的数据交换和出入内存的数据传输。
传统的汽车网络，如CAN、LIN和FlexRay，根本无法提供足够的带宽来传输传感器融合和使用深度神经网络的车载AI计算引擎所需的大量数据。根据Micron的预测，估计需要高达512-1024GB/s的内存带宽来支持L3和L4自动驾驶。在L4时，车辆是高度自动驾驶的，但在某些情况下仍然需要与人类互动。
2020年，大多数汽车系统都配备了x32 LPDRAM组件，每个设备的I/O信号速度高达4266 MB/s（4.266 GB/s）。使用可行数量的DRAM器件实现更高水平的自动驾驶需要高性能存储，如GDDR6。一个x32 GDDR6 DRAM设备以16Gb/s的速度运行，可以提供64GB/s的带宽。一个拥有16个这样的GDDR6 DRAM的架构可以满足L4内存带宽的要求。
许多车厂正在努力解决当前技术的局限性，并寻找方法来达到完全自动驾驶的必要性能水平。纵观物理、电气和计算方面的挑战，显然需要最先进的解决方案才能让自动驾驶汽车上路。
[参考文章]
The Networking Challenges Confronting Autonomous Vehicles — Thierry Kouthon
