如果说人类驾驶员主要是通过双眼来观察周边的路况，那么自动驾驶汽车则是通过安装在车上的各种传感器来感知道路环境信息。于自动驾驶汽车而言，传感器就是它们的“眼睛”。

目前自动驾驶汽车上的环境感知传感器主要有摄像头、超声波雷达、毫米波雷达、激光雷达几种，然由于这些传感器在性能上各有优劣——在获取车辆、行人以及红绿灯等环境信息方面，摄像头凭借其可以准确识别物体属性的特点，拥有出色的表现，但在强光、雨雪、大雾等恶劣环境下，摄像头的识别精度很容易受到影响，再加上基于摄像头的ADAS解决方案，往往需要汽车具备强大的计算机视觉能力，如果后者达不到要求，摄像头对环境的感知能力也将大打折扣；毫米波雷达虽然穿透力强，但成像效果较差；至于激光雷达，虽然分辨率高、探测距离远，但在雨、雪、雾霾、沙尘暴等恶劣天气中无法正常使用，且价格昂贵。随着汽车自动驾驶水平越来越高，仅仅依靠单一传感器已经无法满足自动驾驶应对复杂场景与安全冗余的需求，多传感器融合成为必然。

例如特斯拉的Autopilot 2. 0就搭载了8个摄像头、1个毫米波雷达和12个超声波雷达，而有着“全球首款L3级自动驾驶量产车型”之称的全新奥迪A8，则搭载了多达24个传感器，包括4 颗鱼眼摄像头、12 颗超声波雷达、4 颗中距离毫米波雷达、1 颗长距离毫米波雷达、1 颗激光雷达、1 颗前视摄像头。威马的Living Pilot驾驶辅助系统也采用了20个传感器，包括1个前置单目高清摄像头、3个毫米波雷达、4个全景摄像头和12个超声波雷达。

为什么一辆车需要搭载如此多的传感器呢？最直接的原因就是提升自动驾驶感知系统的准确度和精度，进而提高自动驾驶系统的安全性和鲁棒性。但这并不意味着自动驾驶汽车上的传感器越多越好。

理论上来讲，车上安装的传感器越多，车辆就更能够有效地检测出周围环境中的风险和障碍物。但这也会带来其他的问题，譬如成本，毋庸置疑车上多装一个传感器就会带来一笔成本的增加，以及海量的数据处理问题，因为这些传感器每天会产生大量的数据，这必然对芯片的处理能力提出更高的要求。

目前来看，随着ADAS及自动驾驶对计算的要求在不断提高，传统的MCU 算力已经难以满足自动驾驶汽车的计算要求，当下行业开始越来越依赖CPU、GPU、FPGA、ASIC等AI芯片。尤其是FPGA，与CPU、GPU、ASIC相比，由于具备高度自适应的应变能力，再加上其高吞吐、低时延的优点，可以更好地满足自动驾驶不同级别的功能要求。

“比如从时延上来讲，使用了FPGA方案后，有12倍的提高，而能耗相对通用计算架构来说，FPGA方案可能只有通用计算架构的1/10。此外，FPGA方案还有一些额外的好处是通用计算架构无法提供的，比如非常强的时序，更高的安全性。另外基于FPGA平台，我们还可以做一些定制化的开发，让我们的算法更加高效。”日前，在赛灵思 XDF 大会亚洲站上小马智行北京研发中心总经理李衡宇如是说。

在FPGA芯片的研发上，赛灵思一直走在行业的前沿。据悉，截至2018年赛灵思的自适应器件累计出货量高达1.7亿片，涵盖29个汽车品牌的111款车型。基于已有成绩，此次活动上赛灵思再度推出了两款汽车级产品Zynq UltraScale MPSoC 7EV 和11 EG。据悉，与此前的产品相比，新产品提供了最优异的可编程能力、性能和 I/O 功能，实现高速数据汇总、预处理和分配以及计算加速，能够满足L2 到 L4 级别的高级驾驶辅助系统和自动驾驶汽车的开发需求。

特别是可扩展性和高度的适应性，在赛灵思汽车战略与客户市场营销总监Dan Isaacs看来尤为重要，他指出在自动驾驶不同的发展阶段，对数据处理的要求是不同的，这就要求汽车的相关系统和器件都是具有可扩展性的，只有可扩展的有自适应性的产品才能更好地支持自动驾驶产品和技术不断的迭代。

不仅如此，Dan Isaacs认为未来自动驾驶汽车内部的连接性是非常重要的，必须要有分布式的算法让每个节点都有计算的能力，才能实现在自动驾驶当中不同功能的高性能的体现。李衡宇对此表示认同，在他看来，分布式系统让每个节点都有计算能力和智能化，才是最高效的系统，如果把所有的计算、所有的智能集中在一个中心节点或者是云端，其实并不是一个非常好的方案。

另外，此次活动中赛灵思还还发布了其最新的Vitis统一软件平台，该平台可以根据软件或算法代码自动适配和使用赛灵思硬件架构，将用户从繁杂的硬件专业知识中解放出来。而对于硬件开发者来说，Vitis则可以通过软硬件工程师在同一工具平台上的协作，显著提升工作效率，是赛灵思从器件向平台企业战略转型的里程碑式产品之一。

值得一提的是，尽管赛灵思在ADAS和自动驾驶两个领域有着丰富的研发经验，然而Dan Isaacs认为，汽车产品要想实现完全的自动化，还有很长的路要走，现在很多的技术功能都处于早期，还有待继续突破，特别是想在一个人口密度很高的地方实现自动驾驶，还有很多问题需要解决，需要在路上开展更多的测试来提高自动驾驶的性能。