1. 课程导入与平台全景

智能驾驶计算平台正从“分布式ECU+简单ADAS”快速演进到“中央计算+区域控制”的架构。早期L1/L2功能由独立ECU承担，摄像头、雷达各自闭环，算力分散、线束复杂、升级困难。随着L2+/L3对多传感器融合、BEV感知、端到端规划的需求出现，行业转向以高算力SoC为核心的域控制器，再进一步走向多域融合的中央计算平台。这一演进的核心驱动力是：传感器数量与分辨率提升、算法模型参数规模扩大、整车OTA与数据闭环要求提高，以及功能安全与信息安全合规要求趋严。

高通Snapdragon Ride正是面向这一趋势推出的可扩展智能驾驶计算平台。它不是单一芯片，而是“SoC+加速器+安全岛+软件栈+工具链”的组合方案。其产品定位可以概括为三点：第一，覆盖从L2到L4的算力区间，通过不同SoC组合与扩展实现阶梯式配置；第二，强调开放与可编程，支持主流AI框架与中间件，便于Tier1和OEM做差异化开发；第三，把功能安全与信息安全作为平台底座，而不是事后补丁。理解这三点，是后续所有开发与集成工作的前提。

从硬件生态看，Snapdragon Ride通常以SoC为核心，配合AI加速器、ISP、安全MCU、高速接口（如PCIe、以太网、MIPI CSI-2）以及电源与时钟管理。软件生态则包括底层BSP、Hypervisor、实时操作系统、中间件（如ROS 2、AUTOSAR Adaptive）、感知与规划算法库、以及调试与性能分析工具。对开发者而言，最关键的是建立“硬件资源—软件抽象—算法部署”三层映射关系：算法需要多少TOPS、多少内存带宽、多少摄像头输入，最终都要落到具体SoC的算力单元、内存控制器和IO接口上。

课程目标围绕“能看懂、能配置、能部署、能验证”四个层次展开。具体来说，完成本课程后，你应该能够：读懂Snapdragon Ride的硬件框图与资源分布；在开发板上完成BSP烧录、系统启动与基础外设验证；使用QNN/SNPE工具链把训练好的模型量化并部署到NPU；通过Profiler观察推理延迟、内存占用与功耗；最后在台架或实车上完成感知链路的端到端联调。这些目标不是孤立的，而是层层递进：没有稳定的系统启动，就无法谈模型部署；没有性能数据，就无法判断部署是否达标。

实战路线按“环境搭建→单模块验证→链路联调→性能调优”推进。第一阶段，准备开发板、调试串口、以太网连接和电源，烧录官方BSP镜像，确认系统能正常启动并登录。第二阶段，分别验证摄像头出图、CAN报文收发、NPU推理单模型，确保每个子系统独立可用。第三阶段，把摄像头数据送入感知模型，输出结果通过中间件传给规划模块，观察端到端延迟。第四阶段，针对瓶颈做量化、算子融合、内存对齐和线程调度优化。每个阶段都有明确的通过标准，例如摄像头出图要求帧率稳定在30fps、NPU单模型推理延迟低于50ms（示例目标，实际以具体模型和配置为准）。

需要特别说明的是，本课程中出现的算力数值、延迟目标、内存带宽等参数，除特别标注外均为教学示例或合理假设，用于说明配置与判断方法，不代表任何具体量产项目的实测结果。实际开发中应以所用SoC数据手册、官方工具链文档和台架实测数据为准。建立这种“示例—验证—修正”的意识，本身就是智能驾驶平台开发的重要素养。