下载掌阅APP，畅读海量书库
立即打开
分层递阶式体系结构是一种串联式系统结构，如图2-1所示。在这种体系结构中，传感器感知、建模、任务规划、运动规划、运动控制和执行器等模块次序分明，前者的输出结果为后者的输入，又称感知-模型规划行动的结构。该结构具有良好的规划推理能力，自上而下对任务逐层分解，使得模块的工作范围逐层减小，问题的求解精度逐层增高，比较容易实现高层次的智能化。
图2-1 分层递阶式体系结构
在这种体系结构下，系统所产生的动作不是传感器数据直接作用的结果，而是经历一系列从感知、建模到规划、控制等阶段之后的结果，具有处理明确描述特定任务的能力。在给定目标和约束条件之后，规划模块根据局部环境模型和已有全局环境模型决定下一步行动，从而依次完成整个任务。全局环境模型建立的依据，一部分根据用户对环境中已知对象的了解及相互关系的推测与分析，另一部分根据传感器的构造。全局环境模型的表示具有一定的通用性，适用于许多任务规划场合；反之，如果没有这样一个通用模型，系统就不能获得执行任务规划时所需要的一些特征。分层递阶式体系结构对通用环境模型的要求比较理想化。它对传感器提出了很高的要求，并且认知过程和环境模型的建立存在计算瓶颈，即传感器到执行器的控制环路中存在延时，缺乏实时性和灵活性。另外，这种依序排列的结构导致系统的可靠性不高，一旦某个模块出现软件或硬件故障，就可能导致整个系统瘫痪。这种实时反应功能只有将感知、规划和控制三者紧密地集成在一个模块中才能实现。
在不同的反应式体系结构中，基于行为的反应式体系结构较为常用，这种体系结构又称包容结构。基于行为的反应式体系结构是并联体系结构，如图2-2所示。
它针对各个局部目标设计各种基本行为，形成各种不同层次的能力。每个控制层直接基于传感器的输入进行决策，可以适应完全陌生的环境。尽管高层次会对低层次施加影响，但低层次本身具有独立控制系统运动的功能，而不必等待高层次处理完成。它突出了“感知动作”的行为控制。
图2-2 基于行为的反应式体系结构
这种体系结构集合了控制中应具备的感知、探测、避障、规划和执行任务等能力。系统中存在着多个并行控制回路，构成各种基本行为。传感器数据根据需求以一种并行方式给出。各种行为通过协调配合后作用于驱动装置，产生有目的的动作。基于行为的反应式体系结构中的许多行为仅设计成一个简单的特殊任务，占用的内存不大，故可以产生快速的响应，实时性强；整个系统可以方便、灵活地实现从低层次的局部定位到高层次的障碍规避，再到漫游等，逐步提高和扩展；系统的鲁棒性和灵活性也得到很大提高。每一层负责系统所需执行的一个行为，而每个行为包含一个从感知到动作的完整路径，且执行方式可以并行，即使某一层模块出现故障，其他层次仍然能够产生有意义的动作。
基于行为的反应式体系结构需要克服的最大难点，是需要设计一个协调机制来解决各个控制回路对同一执行器争夺控制的冲突，更重要的是各种行为需要相互协调，以获得有意义的结果。不仅如此，随着任务复杂程度以及各种行为之间交互作用的增加，预测一个体系整体行为的难度将会增大，这也是这种体系结构的主要缺点。
分层递阶式体系结构的系统缺乏实时性和灵活性，且可靠性不高；以“感知动作”结构为代表的基于行为的反应式体系结构的系统虽然实时性和可靠性得到提高，但是缺乏较高等级的智能化。两种结构都存在各自的问题，因此越来越多的业内人士开始研究混合体系结构——将分层递阶式体系结构和反应式体系结构的优点有效地结合在一起。
汽车电子电气架构（又称E/E架构）是指整车电子电气系统的总布置方案，即将汽车里的各类传感器、处理器、线束连接、电子电气分配系统和软硬件整合在一起，以实现整车的功能、运算、动力及能量的分配。电子电气架构的关键变化主要体现在硬件架构、软件架构和通信架构三个方面。
在智能网联化进程驱动下，AI算力需求呈现出指数级提升的趋势。AI算力常指针对矩阵运算做加速的能力，对应用于图像、视频等非结构化数据的运算处理的情况下，单位功耗将更低，计算速度更快。传统汽车功能简单，与外界交互较少，如今多采用分布式ECU，其芯片采用MCU/MPU，主要为控制指令运算（约为百万条指令每秒），无AI运算能力且存储容量较小；智能网联汽车不仅需要与人实现交互，也需要大量与外界环境甚至云数据中心交互，将面临海量的非结构化数据需要处理，车终端中央计算平台将需要5亿多条指令每秒的控制指令运算能力、300多TOPS（即300×10 12 次/s）的AI算力。
由分布式ECU向域控制/中央集中架构方向发展，从博世对E/E架构定义来看，汽车E/E架构的升级路径表现为分布式（模块化→集成化）、域集中（域控制集中→跨域融合）、中央集中式（车载电脑→车-云计算），如图2-3所示。即为分布式ECU（每个功能对应一个ECU）逐渐模块化、集成向域控制器（一般按照动力域、底盘域、车身域、信息娱乐域和ADAS域等），然后部分域开始跨域融合发展（如底盘和动力域功能安全、信息安全相似），并发展整合为中央计算平台，最后向云计算和车端计算（中央计算平台）发展。其中车端计算主要用于车内部的实时处理，而云计算作为车端计算的补充，为智能汽车提供非实时性（如座舱部分场景可允许微秒级别的延迟）的数据交互和运算处理。
传统汽车嵌入式软件与硬件高度耦合，因此软件依赖于硬件。在发展早期阶段，受限于硬件资源匮乏，各类硬件种类繁多且各自具有差异性，因此最初的软件设计开发较为封闭。随着汽车电子应用需求日趋复杂，传统汽车软件系统的缺陷逐渐暴露，包括：①软件重用性极差；②硬件平台各式各样，难以统一、重用；③软件模块化极其有限。若整车厂商想要改变硬件，则需要重新测试验证整个软件堆栈。
图2-3 由控制指令运算为主的分布式ECU向AI运算的中央计算平台发展
软件架构分层解耦，提升了软件通用性，便于管理供应商。AutoSAR可提供标准的ECU接口定义，模块化设计，从而使软件层和组件不受硬件影响，实现软硬件设计分离，从而使软件开发易管理，软件系统易移植、裁剪，也更易维护。2003年，促进ECU软件标准化的AutoSAR联盟成立，其主导者是以主机厂/传统Tier 1级供应商为核心的阵营。创立之初，联盟成员中核心成员有9家（图2-4），包括7家整车厂（宝马、奔驰、福特、通用、Stellantis、丰田、大众）和2家传统1级供应商（博世、大陆）。高级合作伙伴共有58家，华为、百度、长城、沃尔沃都在其中。此外还有发展伙伴、合作伙伴、参会者等。AutoSAR联盟的设立，是为了主机厂与各级供应商建立软件接口统一标准，更好地区分供应商之间的责任，便于整车厂/强1级供应商管理整个供应链。
图2-4 AutoSAR核心合作伙伴
软件架构逐渐由Classic AutoSAR向Classic AutoSAR+AdaptiveAutoSAR混合式方向发展。AutoSAR软件架构主要分为Classic AutoSAR和Adaptive AutoSAR两类：Classic Au toSAR较为成熟，广泛应用于传统汽车嵌入式软件中；Adaptive AutoSAR尚处于发展初期，主要面向更复杂的域控制器/中央计算平台等。
Classic AutoSAR基础软件分为四层，分别为服务层、ECU抽象层、微控制器抽象层和运行时环境，运行时环境使应用软件从底层软件和硬件平台相互独立。除此之外还包括复杂驱动程序，由于对复杂传感器和执行器进行操作的模块涉及严格的时序问题，这部分暂时未被标准化。
Adaptive AutoSAR相较于Classic AutoSAR具有软实时、可在线升级、操作系统可移植等优势。Classic AutoSAR是基于强实时性（微秒级）的嵌入式操作系统上开发出来的软件架构，可满足传统汽车定制化的功能需求，但受网络的延迟、干扰影响较大，无法满足强实时性要求。随着自动驾驶、车联网等应用的复杂化，软实时性的软件架构系统Adaptive AutoSAR诞生，其主要用于域控制器/中央计算平台，相对于Classic AutoSAR的优点：①为软实时系统，偶尔超时也不会造成灾难性后果。②更适用于多核动态操作系统的高资源环境，如ONX。③软件功能可灵活在线升级。
自动驾驶需要以更快速度采集并处理更多数据，传统汽车总线无法满足低延时、高吞吐量要求。随着汽车电子电气架构日益复杂化，车上传感器、控制器和接口越来越多，自动驾驶也需要海量的数据用于实时分析决策，因此要求车内外通信具有高吞吐速率、低延时和多通信链路。在高吞吐速率方面，LIDAR模块产生约70Mbit/s的数据流量，一个摄像头产生约40Mbit/s的数据流量，RADAR模块产生约0.1Mbit/s的数据流量。若L2级自动驾驶需要使用8个RADAR和3个摄像头，需要最大吞吐速率超过120Mbit/s，而全自动驾驶对吞吐速率要求更高，传统汽车总线不能满足高速传输需求。传统汽车总线的发展历程见表2-1。
表2-1 传统汽车总线的发展历程
车载以太网是汽车中连接电子元器件的一种有线网络，具有带宽较宽、低延时、低电磁干扰、低成本等优点。在2010年前后，以太网从DLC诊断端口到网关只有一条100Base-T11TPCE（速率为100Mbit/s）基带传输系统，仅用于诊断和固化软件更新。随着以太网技术发展，自2015年起，以太网由诊断应用逐渐延伸至信息娱乐域和ADAS系统，未来技术进一步突破，1000Base-T1 RTPGE（速率为1Gbit/s）以太网将成为新网络骨干。
各域通过网关完成数据交换。各企业对控制域划分不尽相同，博世公司将汽车分为五大控制域，包括车身电子系统、娱乐信息系统、车辆运动系统、安全系统以及辅助驾驶系统，每个域下继续细分各个子域。这其中，每个域或子域对应相应的域控制器DCU和ECU，并通过网关实现数据交换，共同构成汽车E/E架构。