2. NVIDIA DRIVE硬件与计算平台解析
在车载感知系统的工程落地中，硬件平台决定了“能跑什么模型、能接多少路传感器、能承受多大功耗”。NVIDIA DRIVE 系列并不是单一芯片，而是一套从 SoC、板卡到开发套件的计算平台体系。理解它的架构分层、传感器接口与功耗约束，是后续做模型部署和系统集成的前提。
一、从 Xavier 到 Thor：平台代际与算力定位
NVIDIA 车载计算平台大致经历了 DRIVE PX、DRIVE AGX Xavier、DRIVE AGX Orin，以及新一代 DRIVE Thor 的演进。它们共享“AGX”这一车载级计算架构命名，但算力、制程与集成度差异明显。
- DRIVE AGX Xavier：较早的量产级平台，典型算力约 30 TOPS（INT8），集成 8 核 Carmel CPU 与 Volta 架构 GPU，常见于 L2 级辅助驾驶与早期自动驾驶开发。
- DRIVE AGX Orin：当前主流平台，单颗 Orin 算力约 254 TOPS，采用 Ampere GPU 与 12 核 Cortex-A78AE CPU，支持多路高分辨率摄像头、激光雷达与毫米波雷达接入，是 L2+ 到 L4 开发的主力。
- DRIVE Thor：面向中央计算的新一代平台，单颗算力可达 1000 TOPS 级别（不同配置有差异），采用 Blackwell 架构 GPU，强调舱驾融合与多域集中计算。
需要强调的是，厂商标称的 TOPS 通常是 INT8 稀疏算力，实际可用算力受模型结构、精度、内存带宽和调度影响，往往只能达到标称值的 30%～60%。因此在选型时不能只看 TOPS 数字，还要看内存带宽、CPU 性能与接口数量。
二、SoC 内部架构：异构计算的协作方式
以 Orin 为例，一颗 SoC 内部集成了多个异构计算单元，它们分工协作：
- GPU：承担卷积、Transformer 等神经网络推理的主力，通过 Tensor Core 加速矩阵运算。
- CPU（Cortex-A78AE）：负责传感器驱动、数据调度、后处理、规划控制等通用逻辑，AE 版本支持锁步运行以满足功能安全。
- DLA（深度学习加速器）：专用推理加速单元，功耗效率高于 GPU，适合固定算子的小模型或部分子网络。
- PVA（可编程视觉加速器）：处理图像预处理、光流、特征提取等视觉任务。
- ISP：图像信号处理，负责 RAW 图去马赛克、降噪、HDR 合成等。
这种异构结构意味着部署时要考虑“算子放在哪个单元上”。例如把主干网络放 GPU、把轻量后处理放 DLA，可以降低整体功耗并释放 GPU 资源。
三、传感器接口类型与接入方式
DRIVE 平台的传感器接入能力直接决定系统能“看多远、看多清”。常见接口包括：
| 接口类型 | 典型用途 | 关键参数 |
|---|---|---|
| MIPI CSI-2 | 摄像头模组 | 每路 2–4 lane，速率 1.5–2.5 Gbps/lane |
| 千兆/万兆以太网 | 激光雷达、高分辨率相机 | 1000BASE-T1 / 10GBASE-T1，支持 PTP 时间同步 |
| CAN / CAN-FD | 毫米波雷达、车身信号 | 500 kbps–5 Mbps，需网关转发 |
| PCIe | 扩展加速卡、存储 | Gen3/Gen4 x4/x8 |
以 8 路 1920×1080@30fps 摄像头为例，若采用 RAW10 格式，单路数据率约为 1920×1080×10×30 ≈ 622 Mbps，8 路合计约 5 Gbps。Orin 的 CSI 总带宽足以支撑，但要注意 ISP 处理能力和内存带宽的分配。激光雷达若通过以太网接入，单帧点云可达数 MB，需在 CPU 侧做解析和降采样后再送入 GPU。
四、算力与功耗约束的实际权衡
车载部署与数据中心最大的区别在于：功耗和散热是硬约束。Orin 的典型功耗模式有 15W、30W、45W、60W 等档位，算力随功耗提升而增加，但并非线性。工程上常用以下方法做权衡：
- 模型量化：将 FP32 转为 INT8，算力利用率可提升 2–4 倍，精度损失通常控制在 1% 以内。
- 算子分配：把卷积密集层放 GPU，把轻量层放 DLA，降低 GPU 占用。
- 分辨率裁剪：感知模型输入从 1920×1080 降到 1280×720，计算量约降 55%。
- 帧率控制：非关键感知分支从 30fps 降到 15fps，算力减半。
五、平台选型的判断依据
选型时建议按以下顺序判断：先看传感器路数与接口是否匹配，再看模型算力需求是否留有余量（建议预留 30% 以上），最后核对功耗与散热方案是否可行。若项目需要舱驾融合或多域集中，Thor 的集成优势更明显；若以 L2+ 量产为目标，Orin 的成熟生态和工具链更具工程可行性。
理解平台架构、接口与约束之后，下一步才能谈具体的模型部署与优化。硬件是地基，感知系统的性能上限由它决定。