随着L2渗透率越过15%之后，L2将走向普及阶段。L2.5车型将进入密集发布期，L3和限定场景的L4量产也已经不远。
当汽车配置迈向高阶自动驾驶时，环境感知传感器开始大量安装，对主控芯片的算力和算法要求越来越高。
单一类型的汽车处理器，无论是FPGA、CPU、GPU还是ASIC，都无法满足高阶自动驾驶车辆的需要。集成CPU、GPU、NPU、ISP等一系列运算单元的系统级SoC（主控芯片），开始成为市场竞争的焦点。
在主控芯片领域，不同厂商有着不同的技术路线，主流方案为不同芯片构型的异构融合。CPU负责逻辑运算和任务调度；GPU作为通用加速器，可承担CNN等神经网络计算与机器学习任务，将在较长时间内承担主要计算工作；FPGA作为硬件加速器，具备可编程的优点，在RNN/LSTM/强化学习等顺序类机器学习中表现优异，在部分成熟算法领域发挥着突出作用；ASIC可实现性能和功耗最优，作为全定制的方案将在自动驾驶算法成熟后成为最终选择。
Mobileye是做传统算法起家的。EyeQ5主要有 4 个模块：CPU, CVP（计算机视觉处理器）, DLA（深度学习加速器） 和 MA。从各个模块的大小来看，CPU 和 CVP 是大头。CPU 占据很大空间。CVP 是针对很多传统计算机视觉算法设计的 ASIC。Mobileye一直以传统计算机视觉算法而闻名，也因为低功耗而受到广泛欢迎。DLA 在 EyeQ5 最初的宣传材料里并没有出现，是后来才加进去的。DLA 在整个芯片里占据的比例还是较小，应该是受市场压力才添加的。
Mobileye先知先觉，早早选择出售给INTEL，未来可以和英特尔的CPU、FPGA技术资源整合。目前EyeQ5的短板是开放性不足，加上算力不强，车企用户并不多，公开的只有四家，比英伟达Xavior少了很多。
我们推测Mobileye为了解决开放性问题，投入很大力量补课。NXP和瑞萨也在补课，除了完善API、工具链、生态链，还参股和收购相关企业，如NXP投资Kalray，瑞萨收购IDT。
刚才提到Mobileye 的算法解决方案还是以传统计算机视觉算法为主，深度学习算法为辅。而Mobileye 的主要竞争对手Nvidia则是以深度学习算法为主。
Xavier 主要有 4 个模块: CPU，GPU，DLA（深度学习加速器）和 PVA。占据最大面积的是 GPU，然后CPU，最后辅以两个专用 ASIC：一个是用于推理的 DLA，还有一个是加速传统计算机视觉算法的 PVA。
英伟达最强大的地方，其实是它的开放性和工具链。
2019年的GPU技术大会上，英伟达推出 NVIDIA DRIVE AP2X。这是一套完备的L2+级别自动驾驶解决方案，其中包含 DRIVE AutoPilot 软件、DRIVE AGX 和 DRIVE 验证工具。为了增强制图和定位功能，DRIVE AP2X软件增添了MapNet，用于识别车道和地标。
DRIVE AutoPilot负责在地图上准确定位并规划安全高效的行驶路线，Drive Works则为开发人员提供了参考应用程序、工具和一个全面的模块库。ClearSightNet是英伟达基于摄像头的障碍物感知软件，该软件将会实时监测车辆检测摄像机的失灵状况，它接受实时摄像机传回的画面，评估每一帧以检测摄像机是否失灵。
强大如英伟达，也有短板，就是功耗太大。高通芯片和TI芯片都只需风冷散热，而英伟达芯片和特斯拉芯片需要水冷散热。这是追求高算力的副作用。
“主要车企和Tier1的ADAS/AD主控芯片选择表”中还有一个重要选手是赛灵思，凭借FPGA的独特优势（低功耗、低时延、高性价比）也获得众多汽车行业客户。在ADAS/AD主控芯片集成化趋势下，赛灵思也不甘心做配角。
2018年，Xilinx正式推出Versal ACAP，这是一个完全支持软件编程的异构计算平台，可将标量引擎、自适应引擎和智能引擎相结合。这表明Xilinx打算从一家专业芯片制造商转型为一家计算平台提供商。
Xilinx产品从传统的 FPGA 到 SoC（具有单个硬核心处理器的 FPGA 可编程结构）、MPSoC（具有多个硬核心处理器的 FPGA 可编程结构）、再发展到RFSoC（具有 RF 功能的MPSoC）和 ACAP（自适应计算加速平台）。
2019年，Xilinx正式推出了一个名为Vitis的统一软件开发平台，降低开发人员利用FPGA的障碍。Vitis 软件平台支持异构系统架构，包括 Zynq SoC，MPSoC 和 Versal ACAP 等。Vitis 能够让开发者在无需深入掌握硬件专业知识的情况下，即可通过软件或算法代码来自动适配。
总之，推出Vitas和Versal的目标，是将Xilinx从一个FPGA供应商转变为一个灵活的、可适应的计算平台供应商。
ADAS/AD主控芯片市场竞争日趋激烈，除了取得不错收获的Mobileye, 英伟达和赛灵思，老牌汽车芯片厂家NXP、瑞萨等也在力争赶上潮流。消费电子领域的重量级选手高通和华为正在重兵杀入ADAS/AD主控芯片市场，初创企业地平线、黑芝麻和芯驰借国产替代东风也小有收获。
集成趋势下，无人不变革。未来不可测，一切皆可能。
第一章 汽车半导体产业综述
1.1 汽车半导体行业综述
1.1.1 汽车半导体分类
1.1.2 汽车半导体分类和产品
1.1.3 不同级别自动驾驶汽车内平均半导体成本
1.1.4 自动驾驶车辆对不同传感器的需求量预测（L2-L5）
1.1.5 智能网联汽车芯片的价值增长
1.1.6 全球汽车半导体市场规模和市场结构
1.1.7 汽车芯片产品种类和代表企业
1.1.8 全球前20大汽车半导体企业列表
1.1.9 按系统划分的汽车半导体市场规模
1.1.10 全球汽车芯片企业市场份额
1.1.11 全球汽车芯片企业市场份额(分领域)
1.1.12 全球汽车芯片细分应用领域
1.1.13 汽车芯片细分领域规模与竞争格局：MCU
1.1.14 汽车芯片细分领域规模与竞争格局：主控芯片
1.1.15 汽车芯片细分领域规模与竞争格局：存储芯片
1.1.16 全球汽车芯片细分领域规模与竞争格局：通信芯片和模组
1.1.17 全球汽车芯片细分领域规模与竞争格局：功率芯片
1.1.18 不同电气化程度新能源汽车平均功率半导体含量
1.2 汽车芯片发展趋势
1.2.1 汽车芯片发展趋势（1）：
1.2.2 汽车芯片发展趋势（2）：
1.2.3 汽车芯片发展趋势（3）：
1.2.4 汽车芯片发展趋势（4）：
1.2.5 汽车芯片发展趋势（4）：
1.2.6 汽车芯片发展趋势（5）：
1.2.7 汽车芯片发展趋势（6）：
1.2.8 汽车芯片发展趋势（7）：
1.2.9 汽车芯片发展趋势（8）：
1.2.10 汽车芯片发展趋势（9）：
1.3 车规级芯片的要求
1.3.1 车规级芯片需满足的基本条件
1.3.2 车规级芯片准入门槛和行业壁垒分析
1.3.3 车规级芯片评价要素：性能、功耗和价格
1.3.4 车规级芯片需满足的汽车供应链标准体系规范（1）
1.3.5 车规级芯片需满足的汽车供应链标准体系规范（2）
1.4 中国芯片产业结构和车规级芯片发展现状
1.4.1 中国芯片产业结构和总体发展现状分析（1）
1.4.2 中国芯片产业结构和总体发展现状分析（2）
1.4.3 中国汽车芯片产业政策环境
1.4.4 中国汽车芯片产业需克服的难题
1.4.5 中国汽车芯片产业需克服的难题（1）：
1.4.6 中国汽车芯片产业需克服的难题（2）：
1.4.7 中国汽车芯片产业需克服的难题（3）：
1.4.8 中国汽车芯片各细分领域产业差距和自给率
1.4.9 中国汽车芯片企业类型和列表（1）
第二章 ADAS/AD主控芯片及趋势
2.1 汽车ADAS/AD主控芯片分类
2.2 CPU，GPU，FPGA和ASIC
2.3 GPU特点介绍
2.4 FPGA特点介绍
2.5 ASIC特点介绍
2.6 ADAS/AD主控芯片的算力要求
2.7 全球ADAS/AD主控芯片厂商和产品性能参数对比
2.8 中国ADAS/AD主控芯片厂商和产品性能参数对比
2.9 Waymo计算平台采用的芯片
2.10 Apollo计算平台采用的芯片
第三章 全球ADAS/AD主控芯片厂商研究
3.1 NXP
3.1.1 NXP 经营情况
3.1.2 恩智浦汽车处理器（芯片）产品
3.1.3 NXP S32系列产品线
3.1.4 恩智浦下一代高性能SoC
3.1.5 NXP下一代处理器将集成 MPPA智能处理器
3.1.6 恩智浦推出服务型网关芯片S32G
3.1.7 恩智浦S32G处理器关键特性和芯片架构
3.1.8 NXP S32 ADAS芯片产品
3.1.9 NXP S32 ADAS芯片产品架构特点
3.1.10 NXP S32 ADAS芯片产品技术线路
3.1.11 NXP自动驾驶计算平台Bluebox
3.1.12 Bluebox的芯片组成和特性
3.1.13 下一代NXP BlueBox的芯片组成
3.1.14 NXP 的AI布局
3.1.15 NXP 汽车芯片合作动向
3.2 Intel/Mobileye
3.2.1 英特尔自动驾驶部门简介
3.2.2 英特尔汽车主控芯片产品
3.2.3 英特尔Apollo Lake平台
3.2.4 Mobileye 的EyeQx产品线
3.2.5 Mobileye 的EyeQ 芯片的用户及出货量
3.2.6 Mobileye EyeQ4 芯片
3.2.7 Mobileye EyeQ4 参数及应用案例
3.2.8 Mobileye EyeQ5 芯片
3.2.9 Mobileye EyeQ5 芯片：架构
3.2.10 Mobileye 的EyeQx产品线与INTEL体系整合
3.2.11 英特尔新一代FPGA产品
3.2.12 英特尔L3自动驾驶开发平台
3.2.13 英特尔芯片在宝马自动驾驶平台的应用
3.2.14 英特尔Mobileye汽车芯片合作动向
3.2.15 英特尔AI芯片发展进程
3.3 TI
3.3.1 德州仪器简介
3.3.2 TI汽车主控芯片产品
3.3.3 TI 发布下一代汽车处理器平台
3.3.4 TI Jacinto 7系统架构
3.3.5 德州仪器ADAS芯片TDAx
3.3.6 TDA4VM的特点
3.4 高通
3.4.1 高通简介
3.4.2 高通汽车芯片业务布局
3.4.3 高通主要汽车芯片产品
3.4.4 高通第三代芯片平台
3.4.5 Snapdragon Ride自动驾驶平台
3.4.6 Snapdragon Ride软件平台
3.4.7 Snapdragon Ride的三种配置版本
3.5 英伟达
3.5.1 英伟达概述
3.5.1.1 英伟达简介
3.5.1.2 英伟达汽车芯片产品一览
3.5.1.3 英伟达汽车芯片产品路线图
3.5.1.4 Ampere GPU 架构
3.5.1.5 NVIDIA GPU 架构技术路线
3.5.1.6 NVIDIA 自动驾驶芯片参数对比
3.5.1.7 NVIDIA自动驾驶芯片生态
3.5.1.8 Nvidia 自动驾驶合作动向
3.5.1.9 Nvidia 在自动驾驶芯片中的排名
3.5.2 NVIDIA AGX
3.5.2.1 NVIDIA AGX简介
3.5.2.2 AGX Xavier简介
3.5.2.3 AGX Xavier构成
3.5.2.4 Pegasus
3.5.2.5 DRIVE AGX Orin
3.5.2.6 DRIVE AGX Orin三类产品
3.5.3 Nvidia 自动驾驶配套软件
3.5.3.1 NVIDIA 软件堆栈
3.5.3.2 NVIDIA DRIVE AutoPilot
3.5.3.3 DRIVE AutoPilot的用户
3.5.3.4 AP2X软件方案
3.5.3.5 自动驾驶模拟平台
3.6 瑞萨电子
3.6.1 瑞萨电子简介
3.6.2 瑞萨电子自动驾驶布局
3.6.3 瑞萨电子补短板
3.6.4 瑞萨R-Car车规级芯片技术路线图
3.6.5 瑞萨第三代R-Car主控芯片（1）
3.6.6 瑞萨第三代R-Car主控芯片（2）
3.6.7 瑞萨第三代R-Car主控芯片（3）
3.6.8 瑞萨主控芯片与竞争对手的对比
3.6.9 瑞萨电子R-Car虚拟化支持包
3.6.10 瑞萨电子L4运算平台中的芯片应用
3.6.11 Renesas 下一代自动驾驶SoC
3.6.12 瑞萨电子Autonomy生态
3.6.13 瑞萨电子汽车芯片合作动向
3.7 赛灵思
3.7.1 Xilinx的简介及产品
3.7.2 赛灵思Zynq UltraScale+MPSoC 7EV
3.7.3 Virtex UltraScale+ VU19P
3.7.4 Xilinx的Soc+FPGA系列产品（1）
3.7.5 Xilinx的Soc+FPGA系列产品（2）
3.7.6 Xilinx 可拓展产品系列
3.7.7 Versal ACAP 系列
3.7.8 Xilinx推出Vitis的统一软件开发平台
3.7.9 实现高吞吐量和低时延
3.7.10 RFSoC发展路线图
3.7.11 Zynq UltraScale+ MPSoC 产品特点
3.7.12 Xilinx芯片汽车应用案例
3.7.13 Xilinx AD/ADAS应用路线图
3.7.14 Xilinx 汽车芯片合作伙伴
3.8 特斯拉
3.8.1 特斯拉Autopilot系统及处理器演变
3.8.2 计划使用7nm 工艺量产FSD芯片
3.8.3 特斯拉自研FSD芯片
3.8.4 FSD双冗余芯片设计
3.8.5 特斯拉自研芯片：主要构成
3.8.6 特斯拉自研芯片：NNA
3.8.7 特斯拉自研芯片：ISP
3.8.8 特斯拉芯片产品总结
第四章 中国ADAS/AD主控芯片厂商研究
4.1 地平线
4.1.1 地平线征程芯片产品
4.1.2 地平线自动驾驶计算平台
4.1.3 地平线芯片生态规划
4.1.4 地平线自动驾驶芯片架构路线图
4.1.5 地平线征程二代（Journey™ 2）处理器
4.1.6 自动驾驶计算平台Matrix1.0
4.1.7 地平线征程3芯片
4.1.8 地平线下一代产品征程 5 & 征程 6
4.1.9 地平线车规级AI芯片客户
4.1.10 地平线汽车芯片合作伙伴
4.2 华为
4.2.1 华为智能汽车业务简介
4.2.2 华为汽车新四化业务布局仅次于博世
4.2.3 定位于“汽车增量零部件供应商”
4.2.4 华为汽车芯片产品
4.2.5 华为汽车计算平台产品
4.2.6 华为昇腾910和昇腾310
4.2.7 全场景AI计算框架MindSpore
4.2.8 MDC自动驾驶计算平台框架
4.3 安霸
4.3.1 安霸简介
4.3.2 发展历程
4.3.3 安霸计算机视觉芯片架构
4.3.4 视觉芯片CV系列
4.3.5 Viewing/Recording芯片
4.3.6 视觉芯片CV22AQ
4.3.7 安霸视觉芯片应用场景和合作伙伴
4.3.8 安霸汽车业务主要客户
4.3.9 Ambarella芯片应用案例
4.4 黑芝麻智能
4.4.1 黑芝麻智能介绍
4.4.2 黑芝麻感知平台解决方案
4.4.3 黑芝麻感知计算芯片
4.4.4 黑芝麻智能驾驶平台SOC
4.4.5 黑芝麻智能华山系列芯片
4.4.6 黑芝麻智能发展动态
4.5 芯驰科技
4.5.1 芯驰科技简介
4.5.2 芯驰科技主控芯片产品
4.5.3 芯驰科技ADAS芯片V9
4.5.4 芯驰科技Vehicle-On-Chip战略
4.5.5 芯驰科技发展动态
4.6 西井科技
4.6.1 西井科技介绍
4.6.2 西井科技AI芯片核心技术
4.6.3 西井科技自动驾驶终端产品及应用领域