报告行业投资评级 - 该报告为AMD公司技术宣讲材料，未提供对行业的投资评级 [3][37][41] 报告的核心观点 - 多传感器融合是自动驾驶技术发展的必然趋势，但其在安全性、复杂性和效率方面面临挑战 [17][19] - 现场可编程门阵列（FPGA）在应对多传感器融合挑战方面具备显著技术优势，包括高吞吐与带宽、低延迟、支持多种数据融合类型以及高安全可靠性 [20][38] 多传感器融合的定义、优势、挑战 - 定义：多传感器融合是域控制器的一部分，指将雷达、激光雷达和摄像头等多种传感器的输入汇集，形成车辆周围环境的单一、更精确的模型，以支持更智能的车辆行动 [13] - 优势：可提高安全性（通过传感器冗余）、提高结果模型的准确性和决策速度、提高系统完整性与数据质量、增加视野覆盖面积 [16] - 必然性：不同传感器（激光雷达、摄像头、雷达）在各项性能指标上各有优劣，融合是必然趋势 [17][18] - 挑战： - 安全挑战：需要低延迟处理与准确反应；需要冗余设计以应对数据链路失效 [19] - 复杂性挑战：需解决多传感器在IO、传输协议、数据格式、时钟等方面的多样性；需解决多处理器在算力、热量、任务调度、互连等方面的问题 [19] - 效率挑战：需要高带宽以应对海量数据输入输出；需要灵活性以支持采用机器学习/人工智能技术的多种融合类型 [19] 历史事件分析（L2+/L2++级别自动驾驶事故） - 案例1（双传感器失效）：车速110km/h，静态大型卡车。雷达过滤了静态物体信号；摄像头因白色车身反光致盲，未能检测物体 [10] - 案例2（摄像头未及时检测）：车速100km/h，施工区域。自动紧急制动系统工作范围限8-85km/h；摄像头训练数据集对静态障碍物不足；雷达过滤了静态物体信号 [10] - 案例3（融合策略失败）：车速120km/h。雷达检测到卡车但车速超出AEB范围未接管；摄像头未检测到特殊形状卡车；融合策略以摄像头为主、雷达为辅，但雷达未能修正摄像头的错误检测 [10] FPGA应对多传感器融合的技术优势 - 高吞吐、多种类协议与带宽优势：支持不同的IO类型，提供广泛的速度和电压范围，可配置接口以连接内存或传感器 [22][23] - 具体带宽计算示例： - 每个DDR内存控制器最大带宽为34.1GB/s（LPDDR4 4266） [26] - 每个片上网络通道为独立的发送和接收接口，带宽为34.56GB/s [26] - 细水平NoC有2个通道，垂直NoC每列有2个通道，厚水平NoC有4个通道 [25][26] - 低延迟优势：通过高效的自定义指令、片上内存、丰富IO及灵活性实现 [27] - 更高的并行性（数据并行、任务并行、超标量执行）可实现低延迟 [28] - 支持多种类数据融合的优势：FPGA的灵活性可支持快速演变的机器学习融合算法及不同类型的融合方法 [29] - 高层次融合（目标级）：复杂度低，计算和通信资源需求少，但置信度较低，可能影响精度 [30] - 低层次融合（原始数据）：信息充分、更准确、信噪比低、可降低延迟，但需要大量内存和通信带宽，需精确校准 [30] - 中层次融合（特征级）：生成信息量小，计算负载低于低层次融合，特征向量强大，精度高于高层次融合，但需要大量训练集寻找显著特征集 [30] - 原始数据融合因性能优异而日益流行，但需要更多内存和带宽，这正是FPGA并行数据处理能力所能解决的 [30] - 冗余安全与可靠性：支持功能安全标准ISO26262 ASIL-D等级；零召回率，故障率低于12 FIT；符合ISO9001和IATF16949质量标准 [34] 基于FPGA的硬件方案示例 - 基于7nm Versal器件的演示示例展示了灵活、可扩展的传感器集成和接口能力，可集成任何传感器和数据类型 [35] - 方案具备细粒度并行处理、数据聚合和传感器融合功能，集成多种处理引擎（标量引擎、自适应引擎、智能引擎、AI引擎、DSP引擎）和接口（原生MIPI PHY、PCIe、DDR/LPDDR4），并通过可编程片上网络连接 [36]