1. 课程导入与Mobileye EyeQ平台概览

在智能驾驶的感知、决策与执行链路中，视觉感知长期承担着最繁重的计算任务。Mobileye EyeQ系列芯片正是围绕这一任务从零设计的专用视觉计算平台：它不是把通用CPU或GPU简单塞进车里，而是把图像信号处理、稠密光流、深度神经网络推理、以及面向功能安全的冗余机制，按车载视觉的固定数据流重新组织成一颗SoC。理解EyeQ，关键不是记住某一代的算力数字，而是理解它"为视觉流水线而生"的设计取向，以及这种取向如何影响我们后续的开发方式。

一、EyeQ系列演进：从辅助驾驶到中央计算

EyeQ的演进可以按"感知能力"和"集成度"两条线索来梳理。第一代EyeQ1（约2007年）主要服务前视单目ADAS，典型任务是车道线检测与前车识别，算力在个位数TOPS以下，采用较简单的多核架构。EyeQ2、EyeQ3逐步引入更完整的视觉加速单元，支撑AEB、车道保持等L1/L2功能，EyeQ3是特斯拉早期Autopilot平台的核心芯片之一。

EyeQ4是一个明显的分水岭：它采用多核异构架构，包含MIPS CPU核、专用视觉加速器（VMP）、深度神经网络加速器（DNN）以及图像信号处理器（ISP），可同时处理多路摄像头输入，支撑L2+级功能。EyeQ5进一步面向L4/L5，采用7nm工艺，集成8个MIPS CPU核与多组加速器，强调"多摄像头、多任务、可冗余"的中央感知计算。EyeQ6系列则继续向更高集成度、更优能效比演进，并强化对多芯片级联与集中式架构的支持。

需要强调的是，EyeQ的算力表述（如EyeQ4约2.5TOPS、EyeQ5约24TOPS）通常指特定精度下的等效算力，不同代际的加速器结构差异很大，直接横向比较TOPS并不能反映真实感知性能。开发中更应关注的是：某代芯片支持几路摄像头、每路的分辨率与帧率上限、DNN加速器支持的算子集合与量化方式。

二、核心设计理念：为视觉流水线定制

EyeQ的设计理念可以概括为三点。第一是异构专用化：ISP负责把原始Bayer数据转成高质量图像，VMP处理稠密光流与立体匹配，DNN加速器执行卷积网络，CPU核负责调度与后处理。每一类任务交给最合适的硬件，而不是全部压在通用核上。第二是确定性数据流：从摄像头输入到感知输出，数据在芯片内部的搬运路径相对固定，便于做延迟分析和功能安全论证。第三是冗余与安全：EyeQ5等代际支持锁步核、ECC内存、以及多芯片互为备份，满足ISO 26262 ASIL-B/D级别的设计需求。

对开发者而言，这意味着不能像写PC程序那样随意分配线程和内存。你需要理解数据在ISP→VMP→DNN→CPU之间的流动顺序，知道哪些算子被硬件加速、哪些会回落到CPU，以及帧缓冲和中间结果的驻留位置。这些约束直接决定了感知延迟和吞吐。

三、在智能驾驶视觉平台中的定位

EyeQ处于"传感器—计算—执行"链路的计算层，但它不是孤立的芯片，而是一套包含芯片、板级参考设计、底层驱动、以及Mobileye感知算法库的完整平台。在典型的L2+方案中，多路摄像头接入EyeQ，芯片内部完成图像处理与感知推理，输出目标列表、车道线、可行驶区域等结构化结果，再通过CAN或以太网送给域控制器或整车控制器。

与通用GPU方案相比，EyeQ的优势在于能效比和确定性；代价是编程灵活性较低，算法需要适配其加速器特性。因此本课程的重点不是"如何写一个通用CNN"，而是"如何把感知任务映射到EyeQ的硬件资源上，并验证其延迟、精度与安全性"。

四、本课程知识框架与学习目标

课程将沿四条主线展开：平台与硬件（芯片架构、加速器、接口与板级设计）、感知算法与部署（ISP调优、DNN量化与映射、多传感器融合）、开发工具链（SDK、编译器、仿真与调试工具）、工程与安全（功能安全、冗余设计、性能与功耗优化）。

学完本课程，你应当能够：读懂EyeQ某代芯片的数据手册与资源约束；把一个视觉感知任务拆解到ISP、VMP、DNN、CPU四类资源上；使用工具链完成模型量化、编译与部署；通过延迟、帧率、精度、资源占用四类指标判断方案是否达标；并理解功能安全对软件设计的具体约束。