1. 课程导入
智能驾驶系统不是单一算法的堆叠，而是一套由传感器、计算平台、软件栈、整车执行器与云端工具链共同构成的实时闭环系统。它必须在毫秒级时间内完成感知、融合、预测、规划、控制，并在有限的功耗、成本与散热条件下长期稳定运行。因此，“性能”与“算力”不是两个孤立指标，而是贯穿系统设计、选型、部署与迭代的核心约束。本课程的目标，是帮助学习者建立从需求到指标、从指标到算力、从算力到工程落地的完整方法论。
一、学习目标：从“会调模型”到“会做系统规划”
本课程面向智能驾驶系统工程师、算法工程师、计算平台架构师与项目技术管理者，强调三个层次的能力跃迁：
- 指标层：能够把“安全、舒适、及时”等模糊需求，拆解为时延、帧率、精度、召回率、功耗、温度、成本等可测量指标。
- 算力层：能够估算感知、融合、预测、规划、控制各模块的算力需求，并理解 TOPS、FLOPS、MAC、带宽、利用率之间的换算与陷阱。
- 工程层：能够根据车型定位、传感器配置、功能等级与量产约束，完成计算平台选型、任务部署、资源分配与性能验证。
二、核心概念：性能、算力与实时性三角
智能驾驶系统的性能通常由三类指标共同定义：功能性能（检测距离、精度、召回率）、实时性能（端到端时延、抖动、帧率）、资源性能（算力占用、内存带宽、功耗、温度）。三者相互制约：提高模型精度往往增加算力；降低时延可能要求更高主频或更强并行度；而功耗与散热又限制持续算力输出。
算力度量中，TOPS 表示每秒万亿次操作，但实际有效算力取决于数据位宽、稀疏化支持、算子映射效率与内存带宽。一个常见误区是只看峰值 TOPS，却忽略“利用率”和“带宽墙”。例如，某平台标称 200 TOPS，但若关键算子无法高效映射，实际有效算力可能不足 30%。
三、方法流程：算力规划的五步法
工程上，算力规划通常遵循“场景驱动、指标分解、逐层估算、平台匹配、实测校准”的路径。以下五步法可作为项目启动阶段的通用模板：
- 场景定义：明确 ODD（运行设计域），如高速 NOA、城市 NOA、泊车等，列出典型场景与极端场景。
- 指标分解：将场景需求转化为感知距离、时延、帧率、精度、冗余等级等可测指标。
- 算力估算：按模块估算 MAC 数、内存访问量与并行度，得到理论算力与带宽需求。
- 平台匹配：根据算力、带宽、功耗、接口、功能安全与成本，筛选 SoC 或计算平台。
- 部署验证：通过 profiling、仿真与实车测试，校准利用率、时延与温升，形成迭代依据。
# 算力估算示例（简化）
感知模型：输入 6×1080p，主干网络 2.5 GMAC/帧，30fps
→ 感知算力 ≈ 2.5G × 30 = 75 GMAC/s ≈ 150 GOPS
融合与预测：约 20 GOPS
规划控制：约 5 GOPS
安全冗余：预留 30%
总需求 ≈ (150 + 20 + 5) × 1.3 ≈ 227.5 GOPS
若平台有效利用率 60%，则标称算力需 ≥ 380 GOPS四、案例与场景：高速 NOA 与城市 NOA 的算力差异
以高速 NOA 与城市 NOA 为例，两者对算力的需求差异显著。高速场景道路结构相对规范，感知目标数量少，预测复杂度低；城市场景存在人车混行、遮挡、红绿灯、无保护左转等长尾问题，需要更高分辨率感知、更复杂的预测与规划，算力需求往往是高速场景的 3～5 倍。
| 维度 | 高速 NOA | 城市 NOA |
|---|---|---|
| 典型感知距离 | 150～200 m | 80～120 m（近距高精度） |
| 感知帧率 | 30 fps | 30～60 fps |
| 预测与规划复杂度 | 中 | 高 |
| 算力需求（相对值） | 1× | 3～5× |
| 功能安全冗余 | ASIL-B/C | ASIL-D 倾向 |
五、常见误区与复盘
复盘时建议回答三个问题：第一，关键路径的端到端时延是否满足最坏情况？第二，算力利用率是否达到预期，瓶颈在计算还是带宽？第三，当场景升级或模型迭代时，平台是否还有 20%～30% 的余量？只有把性能、算力与工程约束放在同一张图上权衡，才能避免“实验室跑得通、量产落不了地”的典型失败。