目前网络上对Tesla自动驾驶硬件(AP1-AP4、HW1.0-HW4.0)迭代的相关介绍比较混乱,本文这里进行系统化梳理并澄清,并对一些错误进行更正。

1、AutoPilot HW迭代图

图1 AutoPilot HW+MCU迭代图
图2 AutoPilot HW 散热设计迭代图(图中第一个HW2.5应该是HW2)

图3 AutoPilot HW 算力迭代图(图中HW2.5应该是1个GPU)

上面的图中没有包含AutoPilot HW4.0,下图列出了从AutoPilot HW1.0 到AutoPilot HW4.0的迭代情况,以及MCU1到MCU3的迭代情况(左下角的表格)。

图4 从AutoPilot HW1.0 到AutoPilot HW4.0的迭代情况,以及MCU1到MCU3的迭代情况
图5 自动驾驶域和智能座舱域上车情况

下表中列出了从AutoPilot HW1.0 到AutoPilot HW4.0域控以及配套传感器的迭代情况。但是HW4的信息,下表没有列完整。

图6 从AutoPilot HW1.0 到AutoPilot HW4.0域控以及配套传感器的迭代情况

Ref:https://teslatap.com/articles/autopilot-processors-and-hardware-mcu-hw-demystified/

自驾域控

Camera

USS

Radar

HW1.0
(Autopilot1.0)

Mibleye Q3

Front Camera(黑白)*1;
Rear Camera(黑白)*1

12(5m)

1(160m博世)

HW2.0
(Autopilot2.0)

Drive PX2
(Parker SoC*1+Pascal GPU*1
+Infineon TriCore CPU*1)

Camera(RCCC)*8:
Front Camera*3(35°250m、50°150m、120°60m);
Side Front View Camera*2(90°80m);
Side Rear View Camera*2(100m);
Rear Camera*1(50m)

12(8m)

1(160m博世)

HW2.5
(Autopilot2.5)

Drive PX2
(Parker SoC*2+Pascal GPU*1
+Infineon TriCore CPU*1)

Camera(RCCB)*8:
Front Camera*3;
Side Front View Camera*2(80m);
Side Rear View Camera*2(100m);
Rear Camera*1(50m)

12(8m)

1(大陆170m)

HW3.0
(Autopilot3.0)

TESLA FSD1代(14nm)*2
(9个Camera接口:8个自驾Camera+1个DMS Camera)

Camera(RCCB)*8:
Front Camera*3(Onsemi AR0136AT--1.2M);
Side Front View Camera*2(80m);
Side Rear View Camera*2(100m);
Rear Camera*1(50m)

12(8m)

1(大陆170ms)部分车型取消

HW4.0
(Autopilot4.0)

TESLA FSD2代(7nm)*2
(12个Camera接口:10个自驾Camera+1个DMS Camera+预留1个)

Camera(RGGB)*11:
Front Camera*2(Sony IMX490)(5.43M);
Side Front View Camera*2(5.43M);
Side Rear View Camera*2(5.43M);
Rear Camera*1(5.43M);
环视(Rear Corner Camera*2+Front Bump Camera*1)(5.43M)

无??

1(自研4D Radar)

AutoPilot Hardware (AP)

硬件发布

常用名

AP1

2014年10月 – 2016年10月

AP1、HW1、AutoPilot1、Mobileye AutoPilot

AP2

2016年10月 – 2017年7月

AP2、HW2、AutoPilot2

AP2.5

2017年7月 – 2019年4月

AP2.5、HW2.5、AutoPilot2.5

AP3

2019年4月 – 2023年

AP3,HW3,全自动驾驶 (FSD)

AP4

2023年

AP4、HW4、FSD 2

图7-1 自动驾驶功能迭代图
图7-2 自动驾驶功能迭代图
图7-3 自动驾驶功能迭代图
图7-4 自动驾驶功能迭代图

Ref:https://hk.evoffer.com/blog/introducing-car-computer/

Ref:https://www.findmyelectric.com/tesla-autopilot-ultimate-guide/

Ref:https://teslatap.com/articles/autopilot-processors-and-hardware-mcu-hw-demystified/

在自动驾驶领域,从第一代 Autopilot HW1 的 Mobileye Eye Q3;迭代到第二代的 Autopilot HW2,主要采用了Nvidia 的 Drive PX2,这里应用了一颗 Parker 和 Pascal GPU;在一年之后又迭代为 2 颗 Parker 和 Pascal GPU,即Autopilot HW2.5;而到了第三代特斯拉进入了芯片领域,采用了自己的 FSD 芯片;后续到第四代,特斯拉升级了自己的FSD芯片。

每代的详细情况,如下:

2、AP1 HW1.0 – Mobileye EyeQ3

基于Mobileye芯片的第一代驾驶辅助硬件。它使用了Mobileye EyeQ3平台,全车共1个单色摄像头,单个前向毫米波雷达和12个超声波传感器,毫米波雷达是由博世提供,摄像头布置于后视镜附近,硬件选型都是基于市场上成熟的供应商产品,在HW1.0阶段特斯拉的主要工作是多传感器融合+应用层软件开发。

  • 最初的 Autopilot 系统于 2014 年发布,并在 Model S 和 Model X 上配备。

  • 它配备了一个前置摄像头和雷达来感知环境。

  • AP1 车辆于 2014 年至 2016 年生产。

  • AP1 的功能有限,包括交通感知巡航控制和自动驾驶。

AP1 Hardware Suite:

  • Front camera (single monochrome)

  • Front radar with range of 525 feet / 160 meters (Bosch Mid-range radar sensor)

  • 12 ultrasonic sensors with 16 ft range / 5 meters

  • Rear camera for driver only (not used in Autopilot)

  • Mobileye EyeQ3 computing platform

AP1 Core features:

  • Traffic-Aware Cruise Control (TACC), start & stop

  • Autosteer (closed-access roads, like freeways)

  • Auto Lane Change (driver initiated)

  • Auto Park

  • Summon

图8 基于Mobileye EyeQ3平台的前视一体机(HW1)
图9 基于Mobileye EyeQ3平台的HW1主板

以上雷达目标和视觉目标都在Mobileye EyeQ3平台中处理,12个超声的处理不确定是否在Mobileye EyeQ3中。

图10 ZF开发的基于Mobileye EyeQ3平台类似产品

3、AP2 HW2.0 – Nvidia Drive PX 2: 1 Parker SoC+1 Pascal GPU

Tesla 于2016 年7 月宣布(嫌Mbileye 太慢)自行开发全自动驾驶技术,基于Nvidia的Drive PX2系统打造了一个全新的AP2 硬件(位于手套箱下方),同时传感器数量大幅提升,使用8个摄像头,12个远程超声波传感器和一个前置毫米波雷达,这套传感器配置为特斯拉FSD功能打下良好的基础,现在回看当时的特斯拉传感器布局的前瞻性。特斯拉基于英伟达Drive PX2开发一个全新的驾驶辅助硬件,MCU芯片采用英飞凌TriCore系列产品,毫米波雷达仍然是博世产品,该驾驶辅助硬件安装于手套箱下方,这个阶段特斯拉掌握图像识别算法+多传感器融合+应用层软件开发。

AP2 的八个摄像头安装在了车辆周围,可提供 360 度全景视野,并配备了更强大的计算技术,而 AP1 则仅使用一个前置摄像头和雷达。虽然AP2并没有立即释放所有潜在功能,但这使 AP2 能够执行更复杂的操作,原因如下:

3、AP2 HW2.0 – Nvidia Drive PX 2: 1 Parker SoC+1 Pascal GPU

Tesla 于2016 年7 月宣布(嫌Mbileye 太慢)自行开发全自动驾驶技术,基于Nvidia的Drive PX2系统打造了一个全新的AP2 硬件(位于手套箱下方),同时传感器数量大幅提升,使用8个摄像头,12个远程超声波传感器和一个前置毫米波雷达,这套传感器配置为特斯拉FSD功能打下良好的基础,现在回看当时的特斯拉传感器布局的前瞻性。特斯拉基于英伟达Drive PX2开发一个全新的驾驶辅助硬件,MCU芯片采用英飞凌TriCore系列产品,毫米波雷达仍然是博世产品,该驾驶辅助硬件安装于手套箱下方,这个阶段特斯拉掌握图像识别算法+多传感器融合+应用层软件开发。

AP2 的八个摄像头安装在了车辆周围,可提供 360 度全景视野,并配备了更强大的计算技术,而 AP1 则仅使用一个前置摄像头和雷达。虽然AP2并没有立即释放所有潜在功能,但这使 AP2 能够执行更复杂的操作,原因如下:

  • 更好的传感器套件:新的摄像头、雷达和超声波传感器可以实现更好的物体和车道标记检测。

  • 改进的自动驾驶和车道保持功能:车道保持能力提升,尤其是在高速公路上。

  • 首次推出召唤和自动泊车功能:更先进的泊车功能,可实现远程驾驶。

  • 采用Machine Learning Neural Network 令汽车可以不断跟据之前行驶路段学习。

AP2 Hardware Suite:

  • Front cameras (3 cameras, medium, narrow and wide angle)

  • Side cameras (4 total, 2 forward and 2 rear-facing, on each side)

  • Rear camera (1 rear-facing)

  • Front radar with range of 525 feet / 160 meters (Bosch Mid-range radar sensor)

  • 12 ultrasonic sensors with 26 ft range / 8 meters

  • NVIDIA DRIVE PX 2 AI computing platform

AP2 Core features:

  • Traffic-Aware Cruise Control (TACC), start & stop

  • Autosteer (closed-access roads, like freeways)

  • Auto Lane Change (driver initiated)

  • Navigate on Autopilot (on-ramp to off-ramp)

  • Auto Park

  • Summon

  • 智慧召唤– Smart Summon

  • NoA – 自动驾驶导航

图11 HW2.0主板(最左侧)
图12 HW2.0域控拆解
图13 HW2.0域控拆解
图14 HW2.0域控拆解
图15 HW2.0域控拆解
图16 HW2.0域控拆解
图17 HW2.0域控拆解
图18 HW2.0域控拆解
图19 HW2.0域控拆解
图20 HW2.0域控拆解
图21 HW2.0域控拆解
图22 HW2.0域控拆解
图23 应该是Nvidia Drive PX 2平台的开发验证板
图24 应该是Nvidia Drive PX 2平台的开发验证板
图25 Nvidia Drive 平台迭代

需要明确的是 HW2.0 的方案是1 Parker SoC+1 Pascal GPU;而图23和图24并没有在实际产品中出现。

Ref:https://teslamotorsclub.com/tmc/threads/inside-the-nvidia-px2-board-on-my-hw2-ap2-0-model-s-with-pics.91076/

4、AP2.5 HW2.5 – Nvidia Drive PX 2:2*Parker SoC+1 Pascal GPU

AutoPilot2.5 (AP2.5) – 系统升级于 2017 年年中推出,在 AP2 的基础上进行了小幅改进。虽然计算机处理能力和传感器集成度有所提升,但硬件基本保持不变。AP2.5 中更强大的机载计算机增强了AutoPilot的整体功能和可靠性。

  • 提高处理能力:更强大的车载计算机可以实现更快的数据处理,从而提高车辆的决策速度和准确性。

  • 略微改进的摄像头和传感器:为了提高性能和集成度,对摄像头和传感器进行了微调。

  • 正在进行的自动驾驶和召唤开发:尽管 AP2.5 仍然缺乏特斯拉所追求的复杂功能,但它增强了现有的功能。

到 AP2.5 发布时,特斯拉已经开始解锁更多高级功能,例如 Summon(使车辆能够自行驶出停车位或到达车主所在地)和 Autopilot 穿越(可以穿越高速公路立交桥和出口)。 传感器升级:主要将前置雷达换成更长距离既Continental Advanced Radar Sensor ARS410 及将黑白镜头换成彩色镜头,功能上与AP2 并无很大差异;

HW2.5是对HW2.0的一个小版本更新,主要用于冗余和略微提高的可靠性。从1 Parker SoC+1 Pascal GPU升级到2 Parker SoC+1 Pascal GPU;

另外AP2.5版本还新增两个功能:行车记录仪和带有本地保存视频的哨兵模式。

另外HW2.5开始使用汽车冷却液回路中的液体冷却而不是风扇。

图26 两侧板位HW2.5的正反面,中间板为MCU2.5的正反面
图27 Drive PX2平台双SoC方案,但是HW2.5只用了一颗GPU

Ref:https://news.eeworld.com.cn/qcdz/ic495216.html

图28 HW2.5和HW3.0对比

5、AP3 HW3.0 – FSD一代

特斯拉在 AP3 中开始区分 Autopilot 和全自动驾驶 (FSD) 套件。尽管 Autopilot 3.0 仍然只是部分自动驾驶,但随着特斯拉致力于打造一个能够执行更复杂任务的系统,这是迈向完全自动驾驶的重要一步。 Autopilot 3.0 的显著特点包括完全自动驾驶计算机(FSD),这是一种专门的人工智能芯片,可以分析比之前技术更多的数据,使特斯拉能够不断改进其自动驾驶汽车软件。

  • 更快的数据处理:通过更快地处理传感器数据,新计算机可以更精确、更平稳地控制车辆的移动。

  • 使用AutoPilot进行导航改进:特斯拉开始为AutoPilot导航提供越来越复杂的功能,包括在很少的用户交互下自动驶出匝道和自动变换车道。

  • 其他全自动驾驶功能(测试版):特斯拉的 FSD Beta 功能可让车辆在城市街道上自动驾驶、转弯、在停车标志处停车以及在更复杂的路口行驶,并可由 AP3 硬件支持。

Autopilot 2.5 和 3.0 不仅在硬件方面有所不同,在软件功能方面也存在差异。提高自动化程度所需的复杂机器学习和神经网络可以由 AP3 的计算机处理。

  • 增强型AutoPilot是特斯拉汽车的可选驾驶辅助系统。(图7中的EAP)

  • 该系统使用多种传感器,包括超声波传感器、摄像头和 GPS,实现自动转向、速度调节和自动停车等功能。

  • 增强型AutoPilot允许车辆制动并调整速度,这使其成为自动驾驶功能的关键特性。

图29 HW3.0
图30 HW3.0+MCU2.0
图31 HW3.0和HW2.5对比
图32 AP3系统
图33 HW3.0系统框图,FSD没有把另外一颗FSD画出来

Ref:https://news.eeworld.com.cn/qcdz/ic495216.html

图34 HW3.0与传感器的信号处理分配
  • 8个Camera的Image Sensor均采用AR0136AT

图35 AP3摄像头的CIS
  • 只更换镜头,就可以配置不同的FOV和探测距离的Camera

图36 AP3 前视3目
  • 不在Camera端进行图像处理,Camera只负责采集,数据处理放到自驾域控中,Camera端的成本下降比较大

图37 AP3 前视3目不做ISP
图38 AP3的前视3目,ISP在HW3.0上处理

Tesla 于2018 年底曾经宣布自行开发AP 硬件,弃用其他厂牌晶片,而AP3 则是其完全自主研发的AP 电脑,Tesla 称之为Full Self-Driving Computer (FSD Computer)。此组晶片于2019 年4 月正式用于全线Tesla 品牌汽车上。现有AP2 或AP2.5 车主如已购买全自动驾驶配置,将可以免费升级硬件。 AP3 可用功能包括:

  • 定速巡航 – Traffic-Aware Cruise Control

  • 自动转向– Autosteer

  • 自动切线– Auto Lane Change

  • 自动泊车– Auto Park

  • 召唤– Summon

  • 智慧召唤– Smart Summon

  • NoA – 自动驾驶导航

Tesla 于2021 年低调将AP 硬件更新至3.2 版本(Part # 1566786-S1-C),暂时网上极少资料及讨论,估计系提升MCU 及AP 电脑之间既资料传输速度。

图39 HW3.0主板

早在2016年初,特斯拉就启动了全自动驾驶(FSD)计算机(也称为硬件3,简称HW3)的研发工作,当时他们意识到市场上没有其他好的解决方案。两年后,也就是2018年末,FSD计算机正式投入生产。

图40 FSD从芯片到系统

HW3.0 FSD采用三星 14 纳米工艺制造,集成 3 个四核 Cortex-A72 集群,共计 12 个 CPU,主频为 2.2 GHz。它还配备了一个定制设计的神经网络加速器,可提供高达 36 TOPS(万亿次运算/秒)的性能。 HW3.0取代了自 2016 年底以来在特斯拉汽车上使用的 NVIDIA DRIVE PX 2 AI 计算平台HW2.0(或 AP2)。HW3.0的性能明显高于 NVIDIA 平台,后者最高只能提供 21 TOPS 的性能。

图41 FSD1 芯片规格

特斯拉于2019年4月/5月左右开始在其所有车型上安装HW3。新硬件使特斯拉能够改进其FSD功能,例如自动驾驶导航、智能召唤、交通信号灯和停车标志控制以及FSD Beta测试版。新硬件还为显示屏添加了更多可视化功能,例如交通信号灯、交通锥、垃圾桶以及道路上绘制的转向箭头。

图42 HW3.0的GNSS

在HW3.0上,特斯拉使用了UBLOX生产的M8L,主要问题是仅支持单频GNSS(GPS BEIDOU),容易丢失GNSS卫星信号。M8L在静态、低速状态下的定位精度在2m左右波动,属于低端产品。 由于消费级GPS已经集成在LTE模块中,在FSD上使用同样低端的M8L显得有些过时。从下图可以看出,天线上只有一个贴片,因此只能支持一个频段。

图43 HW3.0的GNSS
图44 HW3.0的GNSS

6、AP4 HW4.0 – FSD二代

HW4.0 – 是使用特斯拉第二代芯片设计的最新 Autopilot ECU 更新版本。据称,它的神经网络性能是 HW3 的三倍。它最初出现在 2023 年 3 月的 Model S/X 车型中,后来也应用于其他车型。由于尺寸、设计和连接器略有不同,因此不太可能作为 HW3 的升级版提供。

AI3 / HW3 (FSD Computer 1)

AI4 / HW4 (FSD Computer 2)

Samsung Exynos-IP Based

Samsung Exynos-IP Based

12 CPU Cores

20 CPU Cores

CPU Frequency: 2.2 Ghz

CPU Frequency: 2.35 Ghz

2 Neural Network (NN) Processors

3 Neural Network (NN) Processors

NN Processor Frequency: 2.0 Ghz

NN Processor Frequency: 2.2 Ghz

14 nm Process

Estimated TSMC’s 7nm or N4 (4nm class)

36 TOPS

50 TOPS

1.2MP cameras around the car

5MP cameras around the car

Radar previously used was Continental’s ARS410 with a range of 160 meters. Discontinued in 2021.

TI 2243*2 6T8R and a 300 meter range.

配套的AP4系统新硬件包括以下内容:

  • 新型前置摄像头,分辨率更高,视野更宽(某些型号,例如 Cybertruck)。

  • 每个 B 柱上都装有一个新的摄像头,可以观察侧面和稍微向前的情况。

  • 每个 C 柱上都装有一个新的摄像头,可以观察侧面和稍微向后的情况。

  • 新型后置摄像头,分辨率更高,视野更宽。

  • 具有更高分辨率和更宽视野的新型客舱摄像机。

  • 每个挡泥板上都安装了一个新摄像头,可以看到车辆后方的情况(有待确定,传闻)

  • 车辆两侧各安装两个新摄像头,安装位置比以前更低、更靠前(有待确定,传闻)

  • 预计新雷达将被称为“凤凰”,其精度将高于之前的雷达。

新硬件最多可添加 12 个摄像头,而 HW3 中只有 9 个摄像头。电路板上的一个摄像头连接器标有“备用”,这表明特斯拉未来可能会添加另一个摄像头。

图45 AP4 摄像头与雷达布置
图46 左HW4.0,右HW3.0
图47 左HW4.0,右HW3.0
图48 上HW4.0,下HW3.0

全新的 FSD 芯片属于改良而非重新构建,毕竟 Jim Keller 大神也离职了,芯片依然基于三星的 Exynos 架构,但是 CPU 核心从之前的 12 个增加到了 20 个,最高频率 2.35GHz,低功耗频率 1.37GHz,TRIP 内核数量从 2 个增加到 3 个,最高频率 2.2GHz。 全新全自动驾驶计算机(FSD Computer 2)预计将比硬件 3 快 2 到 4 倍,处理能力显著提升。它同样基于与前代相同的三星 Exynos 架构,但此次迭代的性能更胜一筹,每侧 CPU 核心数量从 12 个增加到 20 个,每个核心的最高频率为 2.35 GHz,空闲速度为 1.37 GHz。神经网络加速器也得到了改进,性能高达 50 TOPS,而 HW3 仅为 36 TOPS。 同之前的 HW3.0 一样,每辆车也提供了两块 FSD 芯片,提供双重算力的时候也可以做到冗余,使得整个 PCB 看起来也呈现对称的状态,两侧的电源接口相同,也具备两个 MCU 的连接模块,但目前来看,HW4.0 还不能做到真正意义上的完全冗余,如果一侧电源失效,依然会让整个系统的数据连接出现问题。

图49 HW4.0主板
图50 FSD2芯片
图51 上HW3.0 下HW4.0

GNSS小幅升级

HW4.0的天线接口和芯片位置基本保持不变,但芯片封装从近似正方形变成了1:2的矩形。根据之前的报道,HW4.0的GNSS天线也发生了变化,因此推测特斯拉更换了GNSS芯片供应商。

图52 HW4.0的GNSS

GNSS 模块也得到更新,拥有更强性能的三频天线,之前欧洲的申报文档中就曾说明,这个新的模块会让其他国家标准的全球定位系统也得到受益。

图53 HW4.0的GNSS天线接口显示是三频

市面上符合车规的GNSS芯片并不多。目前UBLOX F9P在国内新势力中应用较为广泛,性能与测绘RTK接收机相差无几。但主要问题在于价格过高(散片1574.09元)。或许用价格更低的M9 F9h的可能性更大,但是有一点疑点就是包装上没有UBLOX的标志。

图54 车轨GNSS模组(不一定是HW4.0所用)
图55 双频GNSS天线(不一定是HW4.0所用)

国内另一个主流方案是ST 8100 9100。这款芯片性能未知,但也通过了AECQ100车规认证,支持L1 L5双频甚至L2 E6,信号质量和卫星捕获能力远胜M8L。相对而言,ST的价格有一定优势,Demo板上的封装也是矩形的。特斯拉也可能跟随国内GNSS供应商(如中国移动、中测)采用ST方案。

图56 ST车轨GNSS芯片(不一定是HW4.0所用)
图57 ST车轨GNSS芯片(不一定是HW4.0所用)

但单独使用ST是无法实现RTK的,需要做成模块,再加RTK算法。Mobile有基于ST 8100的RTK方案。 第三种可能性是方案比较少,比如SWIFT、华大北斗也有类似的高精度定位方案,这种可能性也是存在的。 值得注意的是,双天线配置至少有两个优点:一是可以在低速下获取高精度航向信息,避免机载导航和IMU的初始化;其次,主从天线互为备份,大大增加了系统的鲁棒性,更容易满足上述ASIL-B的要求。 无论HW4.0具体采用哪款芯片,都可以清晰地看出特斯拉已经彻底放弃了单频单点定位的低端方案,转向了多系统多频方案。不过,是否采用PPP RTK技术,从外观上来看,希望不大。 对于高精度定位市场,目前国内市场UBLOX和ST占据半壁江山,但UBLOX在海外市场占据绝对优势。

雷达:自研6T8R的4D雷达

在特斯拉于 2021 年转向纯视觉系统后,HW4.0 加回了雷达(一款名为 Phoenix 的高清雷达),代号 Phoenix(凤凰)的雷达还拥有自己的加热器,保证了更好的全天候性能。

图58 AP4的4D雷达
图59 AP4的4D雷达

此次将HW4.0重新搭载到毫米波雷达上,被业界广泛誉为新一代4D毫米波。根据照片来看,该方案初步分析应该是六发射八接收的级联方案,采用MIMO雷达体制。TI的2243双级联方案。

图60 AP4的4D雷达
图61 AP4的4D雷达
图62 TI 2243的4级联4D雷达 Demo板

值得注意的是,该雷达的信号处理芯片为Xilinx 7020系列,茂泽的报价为每片1275元,这大大增加了整套毫米波雷达的成本。笔者对此颇感意外,毕竟TI的方案是内嵌DSP的。而据茂泽介绍,7020内嵌了ARM和FPGA,可以作为传感融合芯片使用,FPGA的实时性是一大优势。据官网介绍,7020可用于环境意识和整合 所以这款雷达后处理潜力很大。 到目前为止,似乎只有 Model S 和 Model X 车辆配备了新的雷达装置:

图63 AP4的4D雷达

通信模块

通讯模块依然是SA415,由于高通SDX55价格过高,特斯拉目前还不愿意把通讯模块升级到5G。SA415还搭载了另一套GNSS定位系统(VEPP)。

图64 AP4 HW4.0配套的MCU3.0板
图65 AP4 HW4.0配套的MCU3.0板(通信模块在该板上)
图66 通信模组中的GNSS

自驾摄像头

HW4.0 Camera的信息目前还比较少,维基百科的信息是自驾相关的Camera 均为5MP,但是没有显示引用信息来源;另外还有一种说法除Front Camera为5MP外,其他均为1.36MP。 仅仅为猜测,需要相关信息确认:通过网上的HW4.0 VS HW3.0的Camera效果对比看,个人感觉HW4.0选择全系5MP Camera的可能性更高,CIS统一采用Sony IMX490,延续Tesla一贯的系统化最优设计风格,所有Camera统一5MP设计(增加CIS议价权,减少Camera PCBA的设计维护数量),后续搭配不同的镜头得到不同应用的Camera。Tesla走的是CIS尽量统一化路线,即使无法完全统一,也是品类最少化。 新的摄像头还将提供更好的图像质量,并将有利于哨兵模式等非FSD功能。 然而,新相机分辨率的提高只是即将发生的相机变化的一小部分。摄像头数量从接口上看增加到了12个。

具体如下,Camera(RGGB)*11,CIS统一化为5MP:

  • 前视*2(Sony IMX490)(5.43MP);

  • 侧前视*2(5.43MP);

  • 侧后视*2(5.43MP);

  • 后视*1(5.43MP);

  • 环视*3(Rear Corner Camera*2+Front Bump Camera*1)(5.43MP)

图67 Camera接口

每个插口上都标记了摄像头的连接位置,比如 F-SVC、L-SVC、R-SVC、L-FF-Rear、R-FF-Rear 等。

图68 Camera接口
图69 Camera接口

特斯拉HW4.0 搭载12 个摄像头连接器,其中一个标记为备用。目前所有特斯拉汽车共配备 9 个摄像头。其中三个是前向摄像头,位于挡风玻璃下方,两个位于挡泥板上,两个位于 B 柱上,一个位于后部,一个用于座舱摄像头。 可以确定的是,前挡风玻璃上有两个摄像头,这也在之前实车的照片中被拍到,而车厢内依然有一个摄像头。 升级后的摄像头以其独特的红色调为标志,能够提供车辆周围环境的全面视野。此外,前置挡风玻璃摄像头还配备了加热元件,以确保在各种天气条件下都能保持最佳运行。

图70 前视摄像头

其中有两个活动摄像头,颜色为红色,还有一个假摄像头(该插槽中已不再使用),如下所示:

图71 前视摄像头

新款相机的分辨率更高,细节更清晰。AI4 的后置摄像头分辨率为 1448×938,而硬件 3 的分辨率为1280×960。 前置摄像头的差异更大。HW4/AI4 的分辨率为 2896×1876,而 HW3 的分辨率为 1280×960。 此外,它们所具有的明显的红色色调确保了在低光照条件下更好的性能。 HW4/AI4 的摄像头带有红色镜头 – 最容易看到的地方是前置摄像头 – 那里有 2 个红色镜头和一个黑色(假)镜头。 AI4 取消了第三个前置摄像头,因为摄像头现在具有更高的分辨率。 侧摄像头也略有不同,具有相同的红色色调,但转向指示灯更小更窄。

图72 HW3和HW4 前视效果对比

L-FF-Rear 和 R-FF-Rear 两个摄像头应该是会出现在前翼子板的位置。

图73 侧视摄像头
图74 侧视摄像头的对比(HW3.0和HW4.0)

特斯拉 CyberTruck 上也配备了前保险杠摄像头,有传言称其他车型也可能配备该摄像头。事实上,有人在特斯拉网站上看到了新款 Highland Model 3 前保险杠摄像头的图片,但这些摄像头后来被移除了。

图75 特斯拉 Model 3 前保险杠摄像头(已从特斯拉网站上移除)

处理能力

HW4.0 的速度将比HW3.0快 2 到 4 倍。毫无疑问,部分性能将用于处理新的摄像头信号以及新摄像头提供的额外像素。然而,鉴于硬件 3.0 的处理能力已接近极限,额外的性能至关重要。 新硬件芯片的规格,其核心数量将从 12 个增加到 20 个,最高主频可达 2.35 GHz。此外,TRIP 核心数量也从 2 个增加到 3 个,最高主频可达 2.2 GHz。 马斯克之前曾表示,HW4 比硬件 3 快 3-5 倍,尽管目前尚未充分利用所有计算能力。 目前尚不清楚硬件 4.0 相比硬件 3 的速度会快多少,但听起来改进可能接近我们预期的 2-4 倍速度提升的下限。 提供的硬件规格是每个节点的,主板有两个节点,预计用于冗余。

图76 FSD1 vs FSD2
图77 FSD和NV Drive路标对照

特斯拉推出HW3.0 时,也考虑到了紧急情况下的冗余。每个电路板都包含两个相同的节点。两个节点可以计算相同的数据并比较输出,从而让车辆知道是否存在问题。即使一个节点发生故障,车辆也能继续自动驾驶足够长的时间,以便安全靠边停车。 然而,随着特斯拉处理需求的增加,HW3.0 上的冗余被消除,以便特斯拉可以利用两个节点的处理能力。 通过HW4.0,特斯拉再次在其硬件中增加了冗余,不仅在芯片和处理方面,而且在电源冗余方面。 电源

随着性能水涨船高的,是功耗,绿神表示 HW4.0 的功耗大约是 HW3.0 的 两倍,甚至加入了更强的电源支持。

图78 HW4.0的电源

Ref:https://www.autopilotreview.com/tesla-hardware-4-rolling-out-to-new-vehicles/ (有表格)

当前硬件 4 实现

在对 Model Y Hardware 4 单元进行拆解时, Model S 和 X 上的 Hardware 4 相比存在以下差异:

  • HW4 的物理结构与 S/X 型号相似,这打破了有关 HW3 汽车可能进行改装的任何猜测。

  • HW4 的电路板布局与 Model S 上的 HW4 类似,但某些组件(包括 GPU 和高级音频硬件)现在缺失或减少了。这似乎是特斯拉为了降低成本而采取的措施。

  • HW4 在信息娱乐系统方面使用了更便宜的非纠错码 RAM (ECC RAM)。它还增加了两个显示接口,但数量较少,这暗示车辆可能配备第二个显示屏。

  • HW4 的其他显著特征包括重新定位的 BroadR-Reach 以太网,以及新增的第三个非密集型以太网。网关芯片也进行了更改,目前使用的是来自其他供应商的不同型号。

  • 将 HW3 汽车改装为 HW4 汽车并非像看起来那么简单,因为需要进行修改以适应新的冷却液管道位置。这可能会使改装成本比简单地制造一块旧款尺寸的新电路板更高。

  • 德克萨斯州生产的 Model Y 配备了塑料“防火墙”,因此需要更改新款 HW4 的安装方式。尽管内部组件保持不变,但不同的安装方式导致电脑需要使用唯一的零件编号。

  • Model Y 的摄像头连接器数量有所减少,这也导致了 HW4 的诸多差异。缺失的摄像头连接器原本用于连接其他摄像头,例如前保险杠摄像头。然而,缺少连接器并不意味着特斯拉未来不会添加它们。

Ref:https://www.hstong.com/news/detail/22012608180858664

Ref:https://www.notateslaapp.com/news/2655/teslas-fsd-v13-pushes-hw4-hardware-capabilities-end-of-line-for-hw3

Ref:https://www.ark-invest.com/articles/analyst-research/tesla-fsd

Ref:https://semianalysis.com/2023/06/27/tesla-ai-capacity-expansion-h100/

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/web/94466.shtml
繁体地址,请注明出处:http://hk.pswp.cn/web/94466.shtml
英文地址,请注明出处:http://en.pswp.cn/web/94466.shtml

如若内容造成侵权/违法违规/事实不符,请联系英文站点网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

C 语言:第 20 天笔记:typedef(类型重命名规则、应用场景与实战案例)

C语言:第20天笔记 内容提要 构造类型枚举类型typedef综合案例:斗地主预处理 构造类型:枚举类型 使用建议 如果定义不相干的常量,使用宏定义(符号常量);如果需要定义一组相关联的常量(如月份011、…

在 vue3 和 vue2 中,v-for 和 v-if 可以一起用吗,区别是什么

在 Vue 2 和 Vue 3 中,v-for 和 v-if 可以一起使用,但两者在处理顺序和推荐用法上存在明显区别,主要体现在优先级和最佳实践上: 1. Vue 2 中的 v-for 与 v-if优先级:v-for 的优先级高于 v-if。 这意味着 Vue 会先循环渲…

Linux-进程相关函数

文章目录Linux-进程相关函数父子进程关系父子进程地址空间getpid函数 获取本进程号getppid函数 获取当前进程的进程的父进程号getpgid函数 获取进程组号示例fork函数 创建进程区分父子进程exit函数 进程退出wait函数 等待子进程退出waitpid函数Linux-进程相关函数 每个进程都由…

数据挖掘 6.1 其他降维方法(不是很重要)

6.1 Other dimensionality reduction methods 6.1 其他降维方法 其他降维方法前言问题答案流形3 降维大纲3.1 线性方法3.2 非线性方法3.2.1 流形学习方法(Manifold Learning)3.2.2 概率方法(Probabilistic Approaches)3.2.3 拓扑数…

Unity中的特殊文件夹

一.工程路径获取print(Application.dataPath);只用于游戏开发编辑器模式下,游戏发布后此路径就不存在了二.Resources 资源文件夹//路径获取: //一般不获取 //只能使用Resources相关API进行加载 //如果硬要获取 可以用工程路径拼接print(Application.dataPath "…

Seaborn数据可视化实战:Seaborn高级使用与性能优化教程

Seaborn最佳实践与技巧 学习目标 本课程将深入探讨Seaborn库的高级使用技巧,包括性能优化、常见问题解决方法等,旨在帮助学员掌握如何高效地使用Seaborn进行数据可视化,提升图表的美观度和信息传达效率。 相关知识点 Seaborn最佳实践与技巧 学…

分布式系统与单机系统的优劣势对比

近期有遇到一个本地部署的需求,他们希望用主备方案,这就涉及到了备用系统怎么收费的问题。我们是单机系统,其他友商是分布式系统,那20坐席的手拨需求到底是选单机系统好,还是选分布式系统好呢?了解了两者的…

深度学习:从手写数字识别案例认识pytorch框架

目录 一、PyTorch 核心优势与框架定位 二、实战基础:核心库与数据准备 1. 关键库导入与功能说明 2. MNIST 数据集加载与可视化 (1)数据集下载与封装 (2)数据集可视化(可选) 3. DataLoade…

二分|组合|旋转数组

lc1976dijk min_pathpq. min_wlcr187同lc1823.约瑟夫环class Solution { public:int iceBreakingGame(int num, int target) {int x0;for(int i2;i<num;i){x(xtarget)%i;} return x;} };lc2972计算数组中可移除的子数组数量先找最长递增前缀&#xff0c;再结合递增后缀…

【C语言16天强化训练】从基础入门到进阶:Day 10

&#x1f525;个人主页&#xff1a;艾莉丝努力练剑 ❄专栏传送门&#xff1a;《C语言》、《数据结构与算法》、C语言刷题12天IO强训、LeetCode代码强化刷题、洛谷刷题、C/C基础知识知识强化补充、C/C干货分享&学习过程记录 &#x1f349;学习方向&#xff1a;C/C方向学习者…

云计算与云原生技术探索

&#x1f31f; Hello&#xff0c;我是蒋星熠Jaxonic&#xff01; &#x1f308; 在浩瀚无垠的技术宇宙中&#xff0c;我是一名执着的星际旅人&#xff0c;用代码绘制探索的轨迹。 &#x1f680; 每一个算法都是我点燃的推进器&#xff0c;每一行代码都是我航行的星图。 &#x…

STM32之ADC详解

一、ADC概述 ADC&#xff08;模拟量转数字量转换器&#xff09;&#xff0c;在 STM32 开发中&#xff0c;利用 ADC 端口的电压数据&#xff0c;转换为对应的具体数字量数据内容。可通过 ADC 方式获取常用数据内容有&#xff1a; 光敏电阻、电池电量、油箱油量 ADC 转换…

深入理解计算机网络:从基础到应用的全面解析

标题&#xff1a;深入理解计算机网络&#xff1a;从基础到应用的全面解析 引言 计算机网络已经渗透到我们生活的方方面面。从家庭Wi-Fi到全球互联网&#xff0c;我们每天都在通过各种设备进行数据交换。本文将带领你走进计算机网络的世界&#xff0c;深入探讨网络的基础知识、常…

以结构/序列/功能之间的关系重新定义蛋白质语言模型的分类:李明辰博士详解蛋白质语言模型

上海交通大学第三届「AI for Bioengineering 暑期学校」于 2025 年 8 月 8—10 日正式开启。本次暑期学校汇聚了自全球 70 余所高校、 10 余所科研机构及 10 余家行业领军企业的 200 余位青年才俊、科研学者和产业代表&#xff0c;共同聚焦于人工智能&#xff08;AI&#xff09…

【大语言模型 15】因果掩码与注意力掩码实现:深度学习中的信息流控制艺术

【大语言模型 15】因果掩码与注意力掩码实现&#xff1a;深度学习中的信息流控制艺术 关键词&#xff1a;因果掩码、注意力掩码、下三角掩码、Padding掩码、序列建模、GPT解码器、BERT编码器、批量处理优化、自回归语言模型、信息流控制 摘要&#xff1a;在Transformer架构中&a…

大型电动化工程机械设备智能施工试验场的网络设计方案

随着工程机械设备逐步迈向智能化、电动化和无人化&#xff0c;传统施工试验场已经难以满足现代化施工设备的研发、测试和验证需求。为了适应这一趋势&#xff0c;建设一个基于高性能网络架构的大型智能施工试验场成为关键。本文将从网络架构、设备选型和功能实现等方面&#xf…

SPMI总线协议(一)

1、简单说明 系统电源管理接口( System Power Management Interface简称SPMI)是一种双线串行接口,用于连接片上系统(SoC)处理器系统的集成电源控制器(PC)与一个或多个电源管理集成电路(PMIC)电压调节系统。SPMI 使系统能够使用单个 SPMI 总线动态调整 SoC 内部电压域的…

数据存储的思考——从RocketMQ和Mysql的架构入手

数据存储是后台服务系统永远绕不开的知识 笔者希望能够从宏观的角度出发&#xff0c;思考数据存储系统的共性和设计方案&#xff0c;尝试从Mysql和RocketMQ的角度去思考谈谈系统存储架构的设计哲学 前置的知识 什么是RocketMQ、什么是Mysql&#xff0c;他们对于后端系统的主用…

MySQL 面试题系列(二)

目录1: SQL 中常见的 JOIN 类型有哪些&#xff1f;请分别说明其连接逻辑和适用场景。2: UNION 和 UNION ALL 有什么区别&#xff1f;它们各自的适用场景是什么&#xff1f;3: 什么是视图 (View)&#xff1f;它的作用和优缺点是什么&#xff1f;4: 什么是索引 (Index)&#xff1…

PostgreSQL诊断系列(2/6):锁问题排查全攻略——揪出“阻塞元凶”

&#x1f517; 接上一篇《PostgreSQL全方位体检指南》&#xff0c;今天我们深入数据库的“神经系统”——锁机制&#xff0c;解决最令人头疼的“卡顿”问题。 你是否经历过&#xff1a; 某个SQL执行着就不动了&#xff1f;应用界面卡在“加载中”&#xff1f;UPDATE 语句迟迟不…