借助Arm Zena CSS加速自动驾驶落地

作者：Arm 汽车事业部欧洲、中东和非洲市场总监 Guilherme Marshall

闭上双眼，想象你正坐上车准备去上班。车内温度和座舱设置早已根据你的习惯调整到位。上车后，汽车通过学习已经了解你的驾乘习惯，主动询问你现在是否再次前往办公室。尽管你的车目前还无法在你居住的繁忙城区实现无监督导航，但你可以双手离开方向盘，让汽车在拥堵路段自主行驶，而你只需留意路况即可。

很快地，你的车就会提示你：现在可以放松下来，无需再紧盯路面，它将在约 45 分钟内把你送到公司。在这段时间里，你可以浏览新闻、处理邮件、开完两场会议，或是安心看完昨夜还没追完的剧集。

这些场景将通过车载人工智能 (AI) 技术，稳步推进而实现。此前关于全自动驾驶私家车在城市道路中穿梭的预言，已让位于更务实的发展路径。车企当前正聚焦于拓展 L2+/++ 级驾驶员控制辅助系统 (DCAS) 和 L3 级自动车道保持系统 (ALKS) 的运行设计域 (ODD)，以此为更高阶的自动驾驶铺路。

然而，自动驾驶的大规模部署仍面临诸多挑战，具体包括：

算法局限性

高昂的开发成本与漫长的开发周期

硬件制约

借助 Arm Zena CSS 加速自动驾驶落地

尽管存在上述的限制，L2++ 及 L3 级驾驶功能的实现仍有可行路径——这一路径正由 Arm Zena 计算子系统 (CSS) 联合汽车生态的全行业合作伙伴共同打造。目前，Zena CSS 已被头部车厂采用，即将集成于前沿的自动驾驶控制单元，并将正式投入公共出行。事实上，依托 Zena CSS，汽车行业领军者相信他们能够超越分析师预测，大幅加速 L2+ 至 L4 级汽车的量产进程。

突破算法局限，为 AI 定义的汽车时代量身打造适用的技术

在马路上运行自动驾驶，是一项多维度的复杂任务。业内已投入数十亿美元，用于将明确的行业安全规范转化为可执行的程序逻辑，这些规范界定了在 ODD 内，自动驾驶汽车在已知安全状态和已知风险下应如何运行。然而，随着 ODD 的拓展及新市场的加入，由于存在海量已知与未知风险构成的“长尾效应”，这种方式已被证明成本过高，难以实现安全规模化应用。

尽管多数风险是可预知的，但仍会存在一些未知风险，导致汽车难以做出恰当的反应。例如，汽车能够对马路上出现的牛做出反应并及时调整行驶状态，但如果是遇到拖车上运输的巨型牛模型，汽车并不需要类似反应，这时又该如何应对？这类问题正是设计自动驾驶系统时需要纳入考量的要素。

幸运的是，AI 领域的最新突破为车厂提供了新工具，助力其构建可持续的技术模式，从而在更多市场中更快推出更先进的自动驾驶系统。借助基于注意力机制的神经网络和视觉-语言-动作模型 (VLAM)，端到端学习技术为自动驾驶系统开辟了一条技术路径，使之能更好地应对端侧场景，即便在前所未见的场景中，也能通过上下文推理做出决策。与此同时，自监督学习大幅减少了目前在数据整理和标注上耗费的时间与成本。在适当的安全防护措施到位后，这些新技术将助力打造具备泛化能力的自动驾驶系统，真正满足全球车厂的规模化需求。

若要深入了解自动驾驶领域的端到端 AI 技术，可聆听Arm 汽车事业部产品和解决方案副总裁 Suraj Gajendra 与 Wayve 软件副总裁 Silvius Rus 的对话。

Zena CSS 专为 AI 定义汽车中的下一代自动驾驶系统精心打造。这套经过全面验证的计算子系统，具备无缝的系统扩展能力，从集成入门级车载信息娱乐系统 (IVI) 和先进驾驶辅助系统 (ADAS) 的中央计算机，到 L2+、L3 及 L4 级域控制单元均能适配。Zena CSS 基于 Neoverse CMN S3AE 汽车网状网络互连技术构建，原生支持芯粒 (chiplet) 架构，可通过标准化 UCIe 接口轻松集成 GPU 及 AI 加速器等异构计算芯粒，助力打造定制化、适配的产品。

Zena CSS 搭载 16 核 Arm Cortex-A720AE CPU，在高性能处理模块中集成了强大的 AI 计算能力。这些基于 Armv9 架构的 CPU 引入了全新的指令，能显著加速 AI 和计算机视觉 (CV) 等工作负载，开发者通过开源的 Arm KleidiAI 软件库，即可无缝调用相关功能。例如，在感知基准测试（如点云转换和鸟瞰图构建）中，当汽车工作负载从 Arm Cortex-A78AE CPU 迁移至 Cortex-A720AE 后，其性能提升了 30%。

此外，通过选配集成创新性的 Arm Mali-C720AE ISP，可进一步提升 AI 感知性能。传统 ISP 往往需要通过漫长且半手动的流程，以针对人眼视觉效果进行优化；而 Mali-C720AE 的可微分 ISP 功能模型则能与摄像头感知模型开展闭环训练，为用户专属的计算机视觉技术栈自动生成理想配置。此外，Mali-C720AE 的双流水线支持为人眼视觉流水线和计算机视觉流水线分别配置参数，从而为两种使用场景均带来更优的性能。

破解成本与周期难题，使开发周期缩短多达 12 个月

面向自动驾驶的下一代系统级芯片 (SoC) 是非常复杂的半导体器件。硬件和软件开发均需投入高昂成本，即便是资金雄厚的全球性企业也倍感压力。而软硬件在不同车型平台间的复用性受限，更让这一问题雪上加霜——不仅导致成本成倍增长，还延长了量产启动周期。Zena CSS 直面这些挑战，通过规范非差异化构建模块、优化生态系统投入、简化移植流程，有效解决了上述难题。

正如 Arm 高级副总裁兼汽车事业部总经理 Dipti Vachani 所言，在 AI 时代，车厂若想保持竞争力，就必须在确保安全性、能效和灵活性的前提下，同时具备可扩展的计算能力。Zena CSS 可将芯片开发时间缩短长达 12 个月，并将每个项目的芯片工程投入减少多达 20%，助力车厂和芯片供应商更快将新车推向市场。

Zena CSS 整合了经过验证的低功耗高性能 CPU、专用安全岛、运行时信息安全飞地、参考固件及软件支持，形成了一套可直接用于芯片实现的完整子系统。尤为重要的是，它还提供符合 ISO 26262 （功能安全）和 ISO 21434（网络安全）的相关认证。

为了加速启动软件开发，Arm 携手生态合作伙伴，在硬件就绪之前就提前提供 Zena CSS 的子系统级虚拟平台。总体而言，计算子系统及基础软件层的标准化可将跨平台移植工作量减少高达 30%。

打破硬件局限，重新定义能效

如今，车厂已找到一条可行路径：既能设计出可跨车型级别与 ODD 扩展的计算架构，又能满足严苛的成本与能效要求。Zena CSS 采用模块化且可扩展的设计理念，该理念依托 Arm 在能效领域的领先优势及成熟的授权商业模式。通过削减行业内的同质化成本，基于 Zena CSS 构建的 SoC 将更具竞争优势，而车厂的研发投入也能更精准地投向为其创造更高价值的核心能力领域。

迈向自动驾驶的进阶之路

无论是为紧凑车型的 L2+ 级 DCAS 提供支持，还是助力高端车型实现 L4 级高速公路自动驾驶功能，Zena CSS 都为车厂提供了理想路径，助力其打造一套覆盖全系车型的统一自动驾驶计算平台。这一平台不仅能减少集成工作量、缩短产品上市周期，还能降低验证与合规认证成本，从而加速自动驾驶规模化落地的愿景实现。

以 Zena CSS 为核心，自动驾驶的未来发展前景可期。Arm 期待见证专为 AI 定义的汽车量身打造的自动驾驶计算系统，在加速自动驾驶技术规模化落地的进程中大放异彩。