自駕系統研發成本三級跳　汽車供應鏈聯手解難題

德國汽車大廠Mercedes Benz所研發的Drive Pilot自駕軟體，在2023年第四季先後獲得德國與美國政府許可，允許使用者在高速公路等限制環境，且時速低於40英里的情況下啟用，實現Lv3自駕。雖然這只是有條件的開放，但仍是自駕技術發展的重要里程碑--合法可用的Lv3自駕終於上路了。

不過，為了使用Lv3自駕，使用者必須付出相當高昂的代價。除了必須購買搭載影像、雷達、光達(Lidar)及超音波感測技術的高階車款外，還必須支付每年2500美元左右的軟體訂閱費用。這也意味著Lv3自駕在短期內恐怕不易向下滲透到主流車款。如何將Lv3自駕的成本壓低，讓更多人能負擔得起，已成為汽車OEM、ADAS子系統開發者與晶片業者共同努力的方向。

Lv3硬體架構複雜　FPGA獲得新切入點
如果對Lv2+自駕車跟Lv3自駕車的系統結構進行對比分析，很容易看出Lv3自駕車不只搭載了成本更高的光達，攝影機、雷達等感測器的數量亦遠多於Lv2+車款。大量的感測器意味著大量資料，因此在後端進行運算處理的處理器，必須有更高的運算效能。因此，光是從硬體的成本結構來看，Lv3車款的原物料成本，就會比Lv2+高出一截。

事實上，由於Lv3自駕必須搭配更複雜的感測技術跟高效能處理器，目前汽車OEM在設計Lv3自駕車時，普遍採取硬體切割的作法，把數位儀表板(Digital Cockpit)跟Lv2+ ADAS整合成一套硬體，Lv3自駕所增加感測器及對應的資料運算，則由另一套獨立硬體負責支援。

也因為Lv3需要額外的硬體支援，讓超微(AMD)看到用FPGA實現功能整合的契機。AMD自適應與嵌入式運算事業群Versal產品行銷總監Manuel Uhm(圖1)表示，像自駕車這種邊緣AI的應用，涉及到相當複雜的運算任務。從感測器送出的資料，必須先經過感測器融合與資料預處理，再送到AI加速器進行推論，判斷車輛目前所處的場域環境，實現狀態感知，最後則是由CPU進行決策判斷、控制車輛。

沒有任何一種運算技術能同時適用於這三種場景。例如在感測器融合跟資料預處理階段，用FPGA內建的可編程邏輯資源來實現，是很理想的技術選擇，但如果要進行AI運算，就需要使用專為AI運算打造的加速器或向量引擎，以獲得最佳的每瓦效能。而負責進行決策判斷的CPU，由於性能要求也不低，因此通常是採用獨立的嵌入式CPU晶片。但也因為硬體架構如此複雜，使得汽車業者要開發下一代ADAS系統時，遇到一連串技術與成本上的問題。

為此，超微近日發表了第二代Versal自適應SoC。除了有針對典型嵌入式應用設計的Versal Prime系列外，還包含專為汽車等邊緣AI應用打造的Versal AI Edge系列。新一代FGPA內建了比第一代Versal每瓦TOPS增加3倍的向量引擎，可以在相近的功耗條件下，將AI對影像進行推論的能力增加4倍。且隨著AI運算效能提升，使用者不需要再使用可編程邏輯資源來實現AI加速，讓使用者可以實現其他客製化設計，或提升感應器融合的能力。

而在CPU方面，第二代Versal自適應SoC內建Arm Cortex-A78AE核心，其所提供的運算能力是前一代的10倍；針對即時控制，則採用Cortex-R52核心，整體效能亦為前一代的10倍。這樣的硬體配置使車廠不需要再使用外掛的嵌入式處理器，實現更精簡的系統設計。

由於Versal AI Edge系列是專門為ADAS這類應用設計，雖然該晶片要等到2025年才會開始提供樣品，並預計於2025年底量產，但速霸陸(Subaru)已決定以這款晶片為基礎，開發其下一代ADAS系統。

Lv3自駕難度遠勝Lv2+　普及要到2030年
安謀(Arm)亞太區車用市場資深總監鄧志偉(圖2)則指出，從處理器的角度觀察，自Lv3開始，自駕系統對運算效能的需求將呈現指數型成長。在此同時，車用處理器畢竟不是資料中心處理器，不能為了追求效能提升而放任功耗成長。這是汽車晶片產業必須共同面對的挑戰。

鄧志偉進一步說明，AI是導致Lv3自駕系統對處理器效能需求暴增的最大原因。在Lv2+，很多自駕相關功能還可以使用基於規則的演算法，但到了Lv3以上，由於場景變得更複雜，改用AI來判斷跟控制將是必然的趨勢。而AI對處理器效能的需求極高，必須用GPU或NPU來加速。

Arm認為，要讓Lv3自駕普及化，車用處理器的性能/功耗比必須提高到每瓦10~50TOPS。目前市面上已量產的處理器，只有非常少數產品能做到這點。因此，汽車產業大概都有共識，Lv3自駕要普及，大概還要等兩到三個世代，也就是7~10年左右的時間。

而隨著AI技術大舉進入自駕車，業界很快就會發現，軟體開發跟驗證所帶來的挑戰，會比硬體來得更艱鉅。汽車產業近幾年很流行談軟體定義汽車(Software Defined Viehcle)的概念，但伴隨著軟體在汽車裡扮演的角色更吃重，軟體同時也會定義汽車開發的成本，尤其是最終的整車驗證。因此，如何降低開發成本，將是整個汽車供應鏈必須共同設法解決的問題。

根據麥肯錫的研究估計，隨著自駕程度越高，汽車的開發費用也會呈現指數型成長。其中，軟硬體本身的開發成本上升速度，還相對可控，例如塞車時的Lv3自動駕駛功能，軟、硬體的開發費用均可以控制在2億美元以下；如果是在都會區行駛的Lv4自駕計程車，其軟硬體開發費用加總可能要耗費10億~20億美元。但驗證成本卻會隨著自駕等級提升而一飛衝天，從2億以下暴增到20億美元起跳。

因此，Arm除了不斷推出新的車用處理器IP，以滿足先進自駕系統的效能需求外，同時也透過和EDA業者合作，推出虛擬原型建構(Virtual Prototyping)方案，讓汽車OEM能在下一代硬體還在設計階段時，就同步展開軟體開發工作，以縮短軟體開發時程跟降低成本。在EDA跟IC設計業界，這種「Shift Left」的概念已經行之有年，Arm希望能將這樣的概念也帶到汽車產業。

而在降低硬體開發成本方面，鄧志偉預期，汽車生態系統的聯合研發研發將是不可避免的趨勢。不管是車廠帶著自家的供應鏈體系進行聯合研發，或是跨車廠的聯合研發，都有可能發生。事實上，在汽車產業，跨汽車品牌的聯合研發也已經行之有年，例如某些不同品牌的汽車會共用同一個底盤設計，汽車品牌廠則藉此分攤研發成本、降低風險，並且在汽車量產時，可以獲得更大的經濟規模效益。在自駕硬體方面，應該也會看到同樣的故事發生。

由日本車廠、Tier1及車用半導體業者所組成的先進車用SoC研發聯盟(Advanced SoC Research for Automotive, ASRA)，就是一個很好的案例。參與該聯盟的汽車OEM包含豐田(Toyota)、本田(Honda)、馬自達(Mazda)、日產(Nissan)與速霸陸，Tier 1業者則有電裝(Denso)、Panasonic，半導體相關廠商則有日本Cadence、日本Synopsys、MIRISE、瑞薩(Renesas)、索思未來(Socionext)等公司。

降低驗證成本　台灣能幫忙
至於在降低驗證成本部分，鄧志偉認為，這是一個需要產官合作才能解的議題。由於軟體設計對使用者體驗跟品牌印象有決定性的影響，在軟體層面，汽車OEM不太可能也採取聯合開發的策略。也因為每家車廠都必須獨力驗證自家開發的軟體，如果政府沒有出面主導，打造有利於自駕技術發展的驗證環境跟明確的法規要求，車廠的驗證工作會變得相當辛苦，燒錢更是不在話下。

為降低驗證成本，很多工具、儀器業者都提出以模擬(Simulation)或HIL(Hardware-in-the-Loop)測試手法，希望盡可能用成本較低的虛擬測試取代昂貴路測。但路測終究是不可或缺的驗證環節，因此，一個國家有沒有規劃良好的測試環境，包含法規跟場域，將對該國自駕技術的發展產生重大影響。

此外，即便是要用模擬或HIL測試，透過Google地圖車這類特種車輛來收集真實環境的資料，也是不可避免的前期作業。如果是要在人力成本較高的歐美地區執行，其費用依然不是個小數目。因此，相關業者似乎有將這類業務外包到東亞，特別是台灣的趨勢。

德凱(Dekra)全球葉業務管理副總裁張靜怡(圖3)就指出，近幾年該公司接到不少全球客戶的需求，希望能在台灣收集道路環境的資料。台灣之所以會獲得客戶青睞，跟台灣是一個具有代表性的場域，以及台灣的法規對資料收集比較友善有關。

首先，歐美的道路環境跟東南亞有非常大的差別，例如在歐美的道路上，摩托車是相當稀少的，但在東南亞卻是主流交通工具。如果自駕系統只在歐美地區測試，這樣的系統在東南亞的道路環境上，恐怕會適應不良。台灣是一個有大量摩托車的環境，因此我們的道路環境資料，正好是客戶需要的。

其次，與去其他東南亞國家收集資料相比，在台灣收集資料是比較方便的，因為我們的法規相對友善，容易獲得政府許可，而且本地有完善的科技供應鏈，資料收集設備的後勤維護會比在其他國家更方便。

綜合以上幾個因素，許多國際客戶都透過德凱分布全球的支援網路，將資料蒐集的需求轉到台灣來執行。這也意味著台灣將在自駕技術的發展上，提供更全面的協助。不只是提供晶片、模組或設備等硬體零組件，在整車開發完成後的測試驗證，台灣也能扮演更重要的角色。