# 智能驾驶这些年从硬件选型到算法适配是如何更新迭代的？

> 从 MDC、Xavier、Orin 到 Thor，从 ROS 到魔改 ROS2，再到感知算法一路演进。智能驾驶架构不是画图，是在量产里不断换骨架。

作者：[汤国放](https://tonwork.fun/#person)
发布日期：2025-06-14
原文：https://tonwork.fun/blog/%E9%80%A0%E8%BD%A6%E9%AA%A8%E6%9E%B6%E5%B8%88-%E6%88%91%E7%9A%84%E6%99%BA%E8%83%BD%E9%A9%BE%E9%A9%B6%E6%BC%94%E8%BF%9B%E5%BC%8F%E6%9E%B6%E6%9E%84%E5%93%B2%E5%AD%A6/

---

## 架构不是画图，是跟着项目换骨架

刚做智能驾驶时，总觉得架构师是在画一张很漂亮的系统图。后来才发现，真实工作更像是在泥地里搭架子：先让车跑起来，再想办法让它稳定、便宜、可量产、可维护。

0 到 1 阶段，目标就是快。ROS、Python、小脚本，只要能把链路跑通都可以。到了量产阶段，问题就变了：算力够不够、功耗压不压得住、日志会不会把盘打满、接口改了谁负责、异常时怎么降级。这些东西比“架构图好不好看”重要多了。

## SoC 选型：从 MDC 到 Orin，再到 Thor

我 2021 年毕业进上汽时，项目里还在用华为 MDC 跑智驾。那时候大家都在摸索，平台、工具链、量产节奏都还没完全稳定。后来因为量产和生态成熟度的问题，又切到 NVIDIA Xavier、Orin。再往后，我离开之后，平台继续往 Thor 这一代走。

![华为 MDC 官网里的智能驾驶应用场景配图](https://tonwork.fun/_astro/adas-architecture-huawei-mdc-travel.DjkOEjmb_npK2Y.webp)

这不是某一家公司的特殊经历，基本是国内智驾厂商都走过的路：先用能跑的，再用能量产的，最后再追更高算力、更高集成度。NVIDIA 这条线从 Xavier、Orin 往 Thor 演进，背后其实就是感知模型越来越大、数据吞吐越来越高、车端算力越来越不够用。

![NVIDIA 官方 DRIVE AGX Thor 开发平台](https://tonwork.fun/_astro/adas-architecture-nvidia-drive-agx-thor.DG7dBXMN_2cO8tU.webp)

所以选 SoC 不能只看 PPT 上的 TOPS。真正要看的是：模型实际跑出来延迟多少，发热怎么样，工具链好不好用，供应和量产能不能跟上，出了问题有没有人能一起扛。

有时候最强的芯片不一定最适合当前项目。架构选型，本质上就是在性能、成本、时间和风险之间做妥协。

## 国产平台也在追

地平线也是类似节奏，从 J3、J5 到 J6。J6 这种国产芯片的出现，说明国内供应链也在追这个节奏。不是只有海外平台能做智驾，只是工具链、生态和量产经验都需要时间堆。

![地平线官方征程 6 芯片示意](https://tonwork.fun/_astro/adas-architecture-horizon-journey6.CTXtHsD1_jv0BB.webp)

## 中间件：从 ROS 到魔改 ROS2

中间件这块，大家看起来方案很多，ROS、ROS2、DDS、SOME/IP、Adaptive AUTOSAR，但工程上没有那么神秘。

更准确地说，不是“只要符合 AUTOSAR 就行”。AUTOSAR 更像量产车的软件架构和约束体系，里面会涉及通信、诊断、服务治理、安全等一整套东西。智驾算法链路里真正痛的，还是大带宽数据怎么传、延迟怎么控、节点怎么管理、异常怎么恢复。

我们最早用 ROS 通讯，验证快，但量产味道很淡。后来换 ROS2，利用 DDS 这套发布订阅机制，整体工程化好一些。再后来又做 ROS2 的魔改，主要就是为了扛大通信量：多路相机、激光雷达、BEV 特征、感知结果、规划轨迹，全都在车上跑，原生方案不一定撑得舒服。

## 感知变化最大

这几年变化最大的其实是感知。

最早前辈们做简单 ADAS，更多是基于图像特征：车道线检测、车牌检测，再强依赖毫米波雷达做目标和距离。那时候模型不大，规则也多，能把 ACC、LKA 这类功能做好就不错了。

再往后进入 bbox 目标检测阶段，检测车、人、锥桶这些目标，再用接地点、相机标定去估距离。这个阶段比传统特征强很多，但本质上还是“看见目标，再拼几何关系”。

现在量产主流已经是 Transformer / BEV 这一套了。算力上来以后，多相机、多传感器的信息可以在统一空间里融合，感知不再只是一个个框，而是开始理解道路结构、障碍物、车道拓扑。

至于 VLA、端到端，方向很性感，但离真正大规模量产还有距离。不是论文里跑通就能上车，车上要考虑长尾、安全兜底、可解释、回归测试，还有责任边界。

## 接口和安全不能后补

系统一复杂，感知、定位、预测、规划、控制、车辆接口几十个节点一起跑，接口就必须像契约一样管理。字段怎么定义、谁能改、怎么兼容，都要落到 IDL、Protobuf、Code Review 里，不然联调迟早爆炸。

安全也是一样。主链路负责体验，监控链路负责兜底。规划轨迹离不离谱、控制指令会不会过大、系统心跳有没有掉，这些东西不能靠人品。AI 可以激进，但车上必须有一个冷静的“监工”。

## 写在最后

智能驾驶架构不是一次性设计出来的，它是被项目阶段、芯片平台、算法路线、量产压力一点点推着变出来的。

这几年看下来，所谓架构能力，其实就是知道什么时候该快，什么时候该稳，什么时候该重构，什么时候该认怂。