大多数自动驾驶系统已经集中式处理摄像头数据。但当涉及到毫米波雷达数据时，集中化处理仍然是不现实的。高性能的毫米波雷达通常需要数百个天线通道，这就大幅增加了产生的数据量。因此，本地处理就成了一个更具性价比的选择。AI 增强的毫米波雷达感知算法在不需要额外物理天线的情况下，可以提高雷达角分辨率和性能。来自较少信道的原始雷达数据可以通过使用标准汽车以太网等接口，以较低的成本传送到中央处理器。当自动驾驶系统将原始的 AI 增强雷达数据与原始摄像头数据相融合时，它们就能充分利用这两种互补的传感方式来建立一个完整的环境图像，使融合后的结果更加全面。 　　

  毫米波雷达的更新迭代有助于降低成本，也大幅地提高自动驾驶系统的性能。传统的低成本雷达量产时，每个毫米波雷达的价格可以低于 50 美元，比激光雷达的目标成本低一个数量级。与无处不在的低成本摄像头传感器相结合，AI 雷达提供了可接受的精确度，这对大规模商业化的自动驾驶汽车量产至关重要。而激光雷达传感器与运行 AI 算法的摄像头/毫米波雷达感知融合系统相重叠，如果激光雷达的成本逐渐下降，将可作为摄像头 + 毫米波雷达在 L4/L5 自动驾驶系统中的安全冗余。算法优先的中央处理架构深化传感器融合以优化自动驾驶系统性能。

  相反，算法优先的中央处理架构实现了我们称之为深度、集中式的传感器前融合。该技术利用最先进的半导体工艺节点优化了自动驾驶系统的性能，这主要是因为该技术在所有传感器上动态分布的处理能力，以及能根据驾驶场景提升不同传感器和数据动向的性能。通过获取高质量、底层原始数据，中央处理器可以做出更智能、更准确的驾驶决策。自动驾驶汽车制造商可以使用低功耗毫米波雷达和摄像头传感器，并结合尖端的算法优先的特定应用处理器，如安霸最近宣布的 5 纳米制程 CV3 AI 大算力域控制芯片，具备最佳感知和路径规划性能、具有最高的能效比，显著增加每辆自动驾驶汽车行驶里程的同时，降低电池消耗。 　　

  不要抛弃传感器——投资于它们的融合，自动驾驶系统需要多样化的数据才能做出正确的驾驶决策，只有深度、集中式的传感器融合才能提供最佳自动驾驶系统的性能和安全所需的广泛数据。   

  1.低功耗、AI 增强的毫米波雷达和摄像头传感器在本地与自动驾驶汽车外围的嵌入式处理器相连。 　

  2.嵌入式处理器将原始检测级对象数据发送到中央域SoC。 　　

  3.使用 AI、中央域处理器分析组合的数据以识别物体，做出驾驶决策。 　

  集中式传感器前融合可以改进现有的高层级融合架构，让使用传感器融合的自动驾驶汽车强大而可靠。为了获得这些好处，自动驾驶汽车制造商必须投资算法优先的中央处理器，以及支持 AI 的毫米波雷达和摄像头传感器。通过多方努力，AI 制造商可以迎来下一阶段的自动驾驶汽车发展的技术变革。自动驾驶系统已经集中式处理摄像头数据。但当涉及到毫米波雷达数据时，集中化处理仍然是不现实的。高性能的毫米波雷达通常需要数百个天线通道，这就大幅增加了产生的数据量。因此，本地处理就成了一个更具性价比的选择。