---

您应当了解的情况：

• 自动驾驶已远远超越概念验证阶段；当前决定竞争胜负的关键问题在于，系统能否在各类车型、各个市场以及不同代际产品间实现规模化应用 – 而Snapdragon Ride Pilot的集中式计算架构正是为此量身打造。
• Snapdragon Ride Pilot将感知、AI 处理、规划及数据管道整合至统一平台，可通过车队数据进行持续学习，并确保原始设备制造商（OEM）能够在各个整车项目范围内实现功能更新和改进，且无需重构堆栈。
• Snapdragon Ride Flex通过混合关键型基础将其延伸，构建出完全由AI定义的汽车架构 –在共享计算平台上整合高级驾驶辅助系统（ADAS）、自动驾驶和智能座舱工作负载 – 从而降低硬件复杂度，加速功能部署，并支持各个车系的长期软件演进。

---

自动驾驶领域的核心挑战，已不再是证明系统可行，而是要证明系统能够在不同车型、市场及真实路况中实现规模化部署，且不会因自身复杂性过高而崩溃。

这一转变迫使整个行业对架构进行更深层次的重新思考。实现规模化应用不再是增加传感器数量或提升AI算力的问题，而是关乎如何将数据、模型、软件和硬件构成的整个系统设计为一个协同运作、不断演进的平台。 

在Snapdragon Ride平台上，Snapdragon Ride Pilot的构建正是基于这一现实考量。它反映了汽车行业更为广泛的转型趋势，即转向集中式计算、AI优先架构以及软件定义汽车，将其作为在各类车型项目及代际演进中实现规模化智能应用的首要可行路径。

为何分布式ECU架构会限制自动驾驶的规模化应用

多数自动驾驶系统的一大局限是架构碎片化。各个系统通常分散在多个电子控制单元（ECU）中，具有独立优化的感知、规划与控制模块。这种模式虽能实现功能开发，但也导致在规模化应用时难以管理的复杂性。

Snapdragon Ride Pilot围绕着集中式计算模型构建。它将传感、AI处理与驾驶智能整合为统一平台，既实现整车实时协同，又降低集成复杂度，并为后续功能创建更具扩展性的基础。正是这一基础，使得AI优先的计算模式不仅作为一种设计选择切实可行，更成为在不同项目中实现一致、可部署智能的关键赋能者。

集中式计算如何赋能各个整车平台范围内的可部署AI

汽车领域AI规模化应用的目的并非实现峰值性能的最大化，而是在各个整车平台上以高效、一致的方式启用可部署智能。Snapdragon Ride Pilot将AI感知、规划与决策功能整合在一个共享算力基础上，从而实现在不同环境和应用场景中的一致执行。

该架构支持多模态AI，并为系统未来向更先进模型（包括端到端方法）的演进奠定了基础。中央计算还能促使不同的汽车域实现融合，从而构建更加统一且响应迅速的系统，同时赋予制造商在整个车辆范围内部署和迭代AI功能的更大灵活性。

持续学习：车队数据如何推动自动驾驶改进

可扩展的自动驾驶系统最终由数据驱动，并取决于将数据持续转化为更优车辆智能的能力。Snapdragon Ride Pilot实现了一个持续学习闭环，通过收集、整理车队数据并将其反馈至开发环节，解决仅在真实部署中才会出现的问题，包括：罕见边缘案例、区域驾驶行为差异、传感器识别模糊、道路布局变化，以及发生频率低、但关乎安全的长尾事件。这类数据带来的提升不止于感知层面。它通过揭示技术堆栈中的性能短板、置信度失效环节以及需要额外训练的部分，可帮助优化融合、预测、规划、驾驶策略及系统校准。

系统将车队数据管道与集中式计算结合在一起，从而能够更高效地完成从车载观测到离线分析、针对性再训练、仿真、验证及重新部署的流程。随着各种模型日益趋向端到端、多模态和软件定义化，进步的关键在于能否快速识别故障模式、生成更高价值的训练数据、在系统层面验证改进效果，以及在各个项目范围内部署更新内容，且无需重新构建技术堆栈。在该模型中，车队数据不仅是信息反馈，更成为推动能力持续增长、加速软件演进以及在各车辆平台上更高效部署改进内容的引擎。

Snapdragon Ride Flex：面向高级驾驶辅助系统、自动驾驶与智能座舱的统一计算平台

Snapdragon Ride Flex将集中式计算扩展至以AI为核心的车辆架构，通过独特的内存架构实现信息共享，使高级驾驶辅助系统（ADAS）、自动驾驶和智能座舱工作负载能够在单一智能平台上协同运行。这一转变使架构从孤立的功能模块演进为基于共享算力、通用软件和可复用性的可扩展系统，从而更便于在各个项目中部署先进AI功能，并随时间持续迭代升级。

对于OEM而言，这意味着一个可扩展的AI基础，能够降低系统复杂性、减少硬件与集成成本，并加速功能在各车型系列中的部署。它为软件的持续复用和差异化创造了条件，并确保在车辆整个生命周期内 – 即在初始项目量产交付很久之后 – 仍能在很大程度上保持这些改进成果。

系统级集成是一项竞争优势

Snapdragon Ride Pilot的差异化因素并非由任何单一传感器、模型或处理器决定，而是取决于如何将感知、融合、规划、控制功能以及系统软件整合到一个可以在各个项目、地区和未来车型世代中实现规模化应用的平台中。AI模型、数据管道、中间件和异构计算作为统一的技术栈协同优化，确保系统能够在驾驶处理流程中更有效地管理延迟、带宽和功能分区。

该系统级集成减少了各个域间的切换开销，简化了验证流程，并提高了在各个车型项目中部署新功能的效率。随着算力、软件和AI模型的同步演进，该平台可实现更可预期的应用扩展，同时保持性能和一致性，并为实现长期创新和部署灵活性铺就更清晰的路径。

定义可扩展自动驾驶未来的架构决策

自动驾驶的下一阶段不会由孤立的技术突破或渐进式功能改进来定义，而是取决于智能技术如何在全系列车型中实现有效部署、改进与规模化应用。

这正是架构决策发挥决定性作用的关键所在。

集中式计算不仅仅是一次技术演进；它是平台定义过程中的关键基础决策，可确保AI、数据和软件能够作为统一系统运行。正是集中式计算将自动驾驶从一组功能转化为一个可扩展的平台，从而支持在车辆整个生命周期内实现软件的持续演进。

Snapdragon Ride Pilot正是围绕这一基础打造。该系统将计算、AI、软件和数据整合为一个不断演进的系统，该系统可以在真实场景中部署。该系统助力OEM加快研发速度、降低复杂性，并在各类车型项目中更高效地部署功能，同时在车辆出厂后持续优化驾驶体验。

在一个日益由规模、适应性和长期价值定义的市场中，差异化因素不再是谁能开发出某项功能，而是谁能实现规模化应用。

Snapdragon Ride平台正是为实现这一目标而生。

---

更深入了解

Snapdragon Ride Flex是什么，它在更广泛的Snapdragon Ride Pilot架构中扮演着怎样的角色？‌

Snapdragon Ride Flex将集中计算基础拓展至完全由AI定义的整车架构中 – 通过独特的共享内存架构，将高级驾驶辅助系统（ADAS）、自动驾驶和智能座舱整合到单一智能平台上。对OEM而言，这意味着降低系统复杂度，减少硬件与集成成本，并以更快的速度在各个车系中完成功能部署，并为项目量产交付后持续的软件复用与差异化创造了条件。

获得Snapdragon Ride Pilot的完整架构概览，及其所支持功能的介绍

持续学习闭环在真实部署中究竟是如何运作的？‌

Snapdragon Ride Pilot会收集并整理车队数据，以解决仅在现实条件下才会出现的问题 – 包括罕见边缘案例、区域驾驶差异、传感器歧义、道路布局变化，以及发生频率低、但关乎安全的长尾事件 – 然后通过有针对性的再训练、仿真、验证和重新部署将这些洞察反馈回系统。在该模式下，车队数据不仅仅是反馈，更成为推动功能持续提升、加速软件演进以及在各车型项目中更高效部署改进措施的引擎。

了解该系统如何转化为真实的汽车规模化应用和市场认可

探索一个真实的城市部署案例

除架构设计之外，该平台如何在各类车型项目中转化为具有可扩展性的长期价值？

Snapdragon Ride Pilot将计算、AI、软件和数据整合为一个不断演进的统一系统，确保OEM厂商能够加快研发速度、降低复杂性，并在各车型项目中更高效地部署功能，同时在车辆出厂后持续优化驾驶体验。此处所述的架构决策直接实现了各个车系和代际的体验可扩展性。

想要了解可扩展性如何塑造辅助驾驶与自动驾驶体验的更多视角，可查阅这篇相关内容

是否想要了解支撑该平台的SoC架构的基础背景信息？

探索Snapdragon Ride Flex SoC

---

在所发布内容中表达的观点仅为原作者的个人观点，并不代表高通技术公司或其子公司（以下简称为“高通技术公司”）的观点。所提供的内容仅供参考之用，而并不意味着高通技术公司或任何其他方的赞同或表述。本网站同样可以提供非高通技术公司网站和资源的链接或参考。高通技术公司对于可能通过本网站引用、访问、或链接的任何非高通技术公司网站或第三方资源并没有做出任何类型的任何声明、保证、或其他承诺。

骁龙品牌产品均为高通技术公司和/或其子公司的产品。

关于作者

汤姆·托马，高通技术公司产品营销总监

阅读更多