2. 智能驾驶系统概述
智能驾驶系统并不是单一算法的堆叠，而是一条从“看世界”到“做动作”的闭环链路。工程上通常把它拆成感知、定位、规划、控制四个核心模块，再辅以地图、V2X、人机交互、数据回传等支撑系统。理解每个模块的功能边界、性能指标和算力特征，是后续做算力预算与平台选型的前提。
一、感知模块：把原始信号变成结构化世界
感知模块负责把摄像头、毫米波雷达、激光雷达等原始数据转换成目标列表、车道线、可行驶区域、交通标志等结构化信息。它的核心指标包括检测精度（mAP、IoU）、召回率、误检率、输出频率和端到端时延。对智能驾驶而言，漏检比误检更危险，因此工程上常要求关键目标召回率高于 99%。
感知是四模块中算力最密集的部分。以 BEV+Transformer 架构为例，多路摄像头图像先做骨干网络特征提取，再通过 BEV 编码器融合到统一空间，最后接检测、分割、跟踪等多任务头。其算力消耗与输入分辨率、BEV 网格大小、Transformer 层数强相关。典型 L2+ 系统感知推理算力在 20~100 TOPS 量级，L4 城市 NOA 可超过 200 TOPS。
感知典型配置示例：
输入：6V 摄像头 1920x1080@30fps + 1 颗激光雷达 10Hz
骨干：ResNet-50 / Swin-Tiny
BEV 网格：200x200，特征通道 256
输出：目标框、车道线、可行驶区域、跟踪 ID
时延预算：单帧 < 80ms，端到端 < 150ms
算力占用：约 60% NPU 峰值二、定位模块：回答“我在哪里”
定位模块输出车辆在全局坐标系和局部地图中的位姿，包括位置、航向角、速度。常用组合是 GNSS+RTK 提供全局初值，IMU 提供高频姿态，激光雷达或视觉与高精地图做匹配修正。核心指标是横向误差、纵向误差、航向误差和定位可用率。城市峡谷、隧道、地下车库是定位最易失效的场景。
定位的算力需求通常低于感知，但强依赖传感器融合和地图匹配。点云配准（如 NDT、ICP）和视觉重定位会消耗一定 CPU/GPU 资源，且对内存带宽敏感。工程上常把定位放在独立安全岛或 CPU 大核上，保证在感知降级时仍能维持短时可靠位姿。
三、规划模块：从“看到”到“决定怎么走”
规划分为行为决策和轨迹生成两层。行为决策负责换道、跟车、避让、路口通行等宏观选择；轨迹生成负责输出满足车辆运动学约束、舒适性和安全性的平滑轨迹。核心指标包括求解时间、轨迹舒适性（ jerk、曲率）、安全性（与障碍物最小距离）和通行效率。
规划算力以 CPU 为主，常见方法包括采样搜索、优化求解和部分学习型策略。城市复杂路口可能同时评估数百条候选轨迹，对单核性能和实时性要求很高。若规划周期超过 100ms，控制跟踪就会明显滞后，因此规划模块通常要求单次求解在 20~50ms 内完成。
四、控制模块：把轨迹变成油门、刹车和转向
控制模块接收规划轨迹和车辆状态，输出横向转向角与纵向加速度指令。核心指标是跟踪误差、响应时延、超调量和乘坐舒适性。控制算法本身算力需求低，但实时性和确定性要求最高，通常运行在 MCU 或实时核上，周期为 10~20ms。
五、四模块性能指标与算力特征对比
| 模块 | 核心功能 | 关键性能指标 | 算力特征 | 典型周期 |
|---|---|---|---|---|
| 感知 | 目标检测、车道线、可行驶区域 | mAP、召回率、时延 | GPU/NPU 密集，占 50%~70% | 30~100ms |
| 定位 | 全局位姿、局部地图匹配 | 横向误差、可用率 | 中等，CPU/融合为主 | 10~50ms |
| 规划 | 行为决策、轨迹生成 | 求解时间、舒适性、安全性 | CPU 为主，搜索/优化 | 20~100ms |
| 控制 | 横向转向、纵向加减速 | 跟踪误差、响应时延 | 低算力，高实时确定性 | 10~20ms |
六、案例场景：城市 NOA 一次变道
以城市 NOA 变道为例：感知先识别相邻车道后方来车，输出目标距离和速度；定位确认自车在车道内的精确位置；规划判断变道收益与风险，生成一条带时间戳的轨迹；控制按轨迹输出转向角和加速度。整个链路要求在 200ms 内完成，否则后车距离估计会失真。若感知漏检一辆快速接近的摩托车，规划可能给出错误变道决策，控制再精确也无法避免碰撞。
七、复盘：算力规划的三个关键结论
- 感知是算力主战场，优先为感知预留 NPU 峰值和内存带宽。
- 定位和规划对 CPU 单核性能与实时性敏感，不能被感知任务无限挤占。
- 控制算力需求低，但必须保证确定性调度，周期抖动要控制在毫秒级。