在智能汽车迈入域控制器（Domain Controller）时代后，传统的分布式ECU架构被整合为以中央计算平台为核心的集中式电子电气架构（如Tesla HW、NVIDIA DRIVE、华为MDC、地平线Journey）。这一变革对视觉感知系统提出了更高要求：不仅要高性能、低延迟，还需在多传感器协同与功能安全冗余之间取得平衡。
以下是视觉感知系统在域控制器架构下实现高效协同与冗余设计的关键策略：
一、架构演进：从“各自为战”到“统一调度”
传统分布式架构：
- 每个摄像头/雷达连接独立ECU；
- 数据孤岛，难以融合；
- 资源重复，成本高，升级困难。
域控制器架构：
- 所有传感器（摄像头、LiDAR、雷达、IMU等）接入中央视觉/感知域控制器；
- 统一时间同步、标定、数据分发；
- 支持端到端AI pipeline，从原始数据到感知输出一体化处理。
✅ 优势：算力集中、软件定义、OTA升级灵活、跨传感器特征级融合成为可能。
二、高效协同：多模态感知的深度融合
域控制器通过硬件加速 + 软件框架实现视觉与其他传感器的高效协同：
1. 时空同步与标定
- 硬件级同步：通过PTP（精确时间协议）或GPIO触发，确保所有传感器数据打上统一时间戳（误差<1ms）。
- 在线标定：利用道路特征（车道线、路沿）自动校正外参漂移，避免因振动导致的坐标系错位。
2. 异构传感器融合层级
| 融合层级 | 实现方式 | 优势 |
|---|---|---|
| 数据级融合 | 原始点云+图像像素对齐（如PointPainting） | 信息无损，精度高 |
| 特征级融合 | CNN提取图像特征，GNN处理点云，再融合（如Deep Fusion） | 平衡效率与性能 |
| 决策级融合 | 各传感器独立检测，结果用卡尔曼滤波/贝叶斯融合 | 模块解耦，易调试 |
🌟 趋势：高端系统（如NVIDIA Thor）支持特征级紧耦合融合，在Transformer架构中统一处理多模态token。
3. 计算资源动态分配
- 域控制器内置异构计算单元（CPU + GPU + NPU + DSP）；
- 视觉前处理（ISP、畸变校正）由专用ISP单元处理；
- 深度学习推理由NPU加速；
- SLAM/跟踪等几何算法由CPU/DSP执行；
- 任务调度器根据场景动态分配算力（如高速时优先处理前向感知）。
三、冗余设计：满足功能安全（ASIL-D）的关键
L3/L4自动驾驶要求感知系统具备故障可操作（Fail-Operational）能力，即单点失效时仍能安全运行。视觉系统通过以下方式实现冗余：
1. 传感器异构冗余
- 主感知链：前向800万像素摄像头 + 激光雷达 + 毫米波雷达；
- 备份感知链：独立的立体视觉模块 或 4D成像雷达；
- 即使主摄像头被遮挡（泥污、强光），备份链仍可提供基础障碍物检测。
📌 示例：奔驰DRIVE PILOT L3系统采用双目立体视觉作为主视觉，同时配备独立毫米波雷达阵列，形成交叉验证。
2. 计算冗余
- 域控制器采用双核锁步（Lockstep）或多核异构冗余设计：
- 主NPU运行完整感知模型；
- 备用CPU/DSP运行轻量级fallback模型（如YOLO-Nano + 卡尔曼滤波）；
- 一旦主系统异常，0.1秒内切换至备份路径。
3. 软件架构冗余
- 分层安全机制：
- Level 1：传感器自检（图像黑屏、点云缺失）；
- Level 2：感知结果合理性校验（如障碍物速度>200km/h？）；
- Level 3：多传感器一致性仲裁（若摄像头说“有车”，但雷达+LiDAR均无信号 → 判定为误检）。
4. 通信冗余
- 传感器与域控之间采用双千兆以太网或TSN（时间敏感网络）；
- 关键数据（如AEB触发信号）走独立CAN FD通道作为保底。
