特斯拉HW4.0与HW3.0

最新推荐文章于 2025-05-26 16:38:55 发布
最新推荐文章于 2025-05-26 16:38:55 发布
阅读量2.6k 收藏 2
点赞数 2
文章标签： 人工智能
原文链接：https://zhuanlan.zhihu.com/p/607254200
版权

1. 外观造型上的差异

相比于HW3.0

1）HW4.0 的面积更大一些，但厚度更薄一些

2）HW3.0 采用3个固定点，HW4.0采用4个固定点

 

2. 智驾域控模块硬件上的差异

2.1 外设接口

（HW3.0 - 智驾模块PCB板 图片来源- 中信证券报告）

（HW4.0 - 智驾模块PCB板 资料来源- 博主Greentheonly披露的相关信息）

1）摄像头接口的变化

HW3.0 的智驾域控模块PCB板子上有9个摄像头接口：

  • 前风挡 - 前视三目摄像头（3）
  • 车内后视镜上方 - 舱内监控摄像头（1）
  • 前翼子板 - 左右各1个侧后视摄像头（2）
  • B柱 - 左右各1个侧前视摄像头（2）
  • 后尾门牌照上方- 1个后视摄像头（1）

 

HW4.0 的智能驾驶模块PCB板子上有12个摄像头接口：

HW4.0 相比 HW3.0 ：预留1个摄像头接口，舱内监控需要1个摄像头接口，前风挡位置的前视摄像头接口的需求由3个变为2个。那么除此之外，车外其它位置还需要布置8颗摄像头。

HW3.0与HW4.0 前置摄像头布置

这11颗摄像头具体怎么布置，目前尚未有明确的答案。据业内相关人士猜测：

  • 前风挡 - 前视双目摄像头（2）
  • 车内后视镜上方 - 1个舱内摄像头（1）
  • 前翼子板 - 左右各1个侧后视摄像头（2）
  • 前保险杠 - 左右各1个侧前视+ 1前视（3）
  • 后保险杠 - 左右各1个侧后视+ 1后视（3）

HW4.0系统11个摄像头布置示意图

备注：据相关资料显示，HW4.0 ：前风挡上的前置摄像头的分辨率将由120万像素提升至500万像素。HW3.0：前置摄像头配备的图像传感器为安森美的AR0136AT，HW4.0：前置摄像头配置的图像传感器为索尼的IMX490。对于HW4.0 系统，如果其它摄像头也采用500万像素的配置，那么对算力的需求会比较大，同时成本也会比较高。那么，其它摄像头会不会也采用500万像素的配置，目前尚未可知。

2）GPS模块接口变化

HW4.0 ：3频GPS模块接口，新增L5频率，有利于GPS测量过程中的周跳探测、电离层延迟误差改正和整周模糊度的确定，将民用定位精度从5米提升至30厘米。

备注：HW3.0中的GPS模块为 NEO-M8L-01A-81（应该是双频GPS模块）

HW4.0 中的GPS模块接口

 

3）毫米波雷达接口变化

HW3.0 —— 毫米波雷达采用CAN总线接口

HW4.0 —— 采用定制的高分辨率毫米波雷达，代号Phoenix（很可能是4D毫米波雷达），采用100 Mbps的以太网接口

备注：还配置了雷达加热器，应该是用以防止冰雪天气中对雷达信号的影响

4）智驾模块与座舱模块之间的通讯接口

HW3.0 —— 1个以太网接口

HW4.0 —— 2个以太网接口

 HW4.0 中的智驾模块与座舱模块之间的通讯接口

2.2 FSD芯片架构的变化


 

HW3.0 中的FSD芯片架构

1）HW3.0 内的 FSD芯片（14nm制程，三星代工）的架构：

  • 12个Cortex-A72 CPU核 ，分成3个集群，每个集群包含4个CPU核心，CPU的最大频率为2.2GHz
  • 2个NPU，工作频率为2GHz

2）HW4.0 内的FSD芯片（7nm制程，三星代工）的架构：

  • 20个CPU核（CPU架构未知 ） ，分成5个集群，每个集群包含4个CPU核心，CPU的最大频率为2.35GHz，闲时频率1.37GHz
  • 3个NPU，工作频率为2.2GHz
     

3. 座舱域控模块硬件上的差异

HW3.0的座舱域控模块是APU+GPU两块板子，HW4.0的座舱域控模块的GPU和APU被集成在了一块板子上，集成度更高一些。（所以，HW4.0 盒子整体的厚度看着更薄一些）。

但是板子上主要的配置并没有什么变化：

  • 处理器：AMD的APU+GPU
  • 存储器：16G RAM，256G NVME存储HW3.0- 座舱域模块APU正面

 

HW3.0- 座舱域模块APU反面

APU与GPU板子之间通过ePCI连接

HW4.0 - 座舱域控模块主板正面


HW4.0 - 座舱域控模块主板反面

于大博
关注
Tesla FSD是什么？
a1809032425的博客
10-18 1082
同时功能性而言，HW4.0拥有更好的硬件，必然会比当前已经充分释放潜能的HW3.0，有更多或更强的功能，那么HW3.0系统会持续维护多久，同时如何对已经全额购买FSD的消费者进行升级，我们建议持续关注。当前大规模部署的HW3.0，特斯拉对域控算力进行了大升级，从英伟达的算力平台改为自研的FSD芯片和NPU，GPU算力提升了12倍，每秒可以处理的视频帧数也提升了将近21倍，这在其推出的19年是业界公认的性能第一梯队。采用Transformer的算法架构，所谓的“大模型”，通常有大量的参数需要训练。
特斯拉HW3.0电路板电子元器件详细解析和NVIDIA Orin 或 特斯拉FSD 作为主处理器自动驾驶L4方案参考
weixin_43199439的博客
09-10 1166
这块电路板集成了多种模块，支持特斯拉自动驾驶系统的核心功能，如感知、计算、通信、音频处理等。每个模块通过合理的电源管理、CAN总线通信和高速以太网接口，确保系统在各种驾驶场景下的高效运行。为了设计一个全面的自动驾驶系统方案，我将增加几个模块，以提高系统的安全性、可靠性、性能和可扩展性。这个方案将结合自动驾驶感知、决策和执行的核心功能，并集成相关的高级硬件和通信接口。计算平台: 自动驾驶域控制器，负责处理传感器数据、环境感知、路径规划和车辆控制。传感器子系统。
ADAS/AD笔记之特斯拉Autopilot-HW3.0系统
yessunday的专栏
05-04 2742
奔驰的Drive Pilot系统的L3功能（TJP），目前是单车道场景，还可以handle，一旦涉及到频繁变道，比较担心基于Radar/Lidar等主动性传感器的能力（反过来说，也很期待以售卖4D Radar + Lidar部件的厂商，尽快能够推出基于Radar/Lidar为主传感器的高端智驾系统，来证明该技术路线的是可行的）。鉴于ICA、LCC这种功能也是L2，为了体现特斯拉NOA良好的高速和城区的变道、匝道汇入汇出、复杂场景通行能力，用“L2+”来形容特斯拉NOA的先进性，也是被行业接受的。
全网最详细的特斯拉HW3.0元器件料号介绍，没有之一。
Eric的博客
08-23 362
智能驾驶控制板的主控为Tesla自己设计，台积电生产的，型号为UBQ01B0，一共两颗，每颗配置 4 个三星 2GB内存，总计8GB，同时每颗 FSD配备一片东芝的 32GB闪存以及一颗 Spansion的 64MB NOR flash 用于启动。HW3.0中总共包含了四块大的PCB板，如下所示。其中PCB1为智能驾驶控制板、PCB2为智能座舱控制板、PCB3为LTE板通信板。2024年05月31日 12:08。
特斯拉HW4.0揭开面纱，除了5MP摄像头/7nm芯片还有高分辨率雷达？
高工智能汽车
06-21 947
本周，有消息称，三星已经与特斯拉签订一份价值约为4万亿至5万亿韩元（约合32亿至40亿美元）的合同，为后者智能驾驶驾驶传感器关键套件—500万像素摄像头，而目前的摄像头仅为120万像素。
hw_des_descfb_www.2hw3.com_AES_2020_
10-03
hw2 2020/05/01hw3 2020/05/14hw4 2020/05/23hw3被坑了 不然应该能更快完成的其他也没什么了 总结了一下本人该学期的作业完成情况
特斯拉HW 4.0硬件，不含雷达！
weixin_53077062的博客
06-10 1136
虽然目前搭配 HW4.0 的 Model Y 不包含HD 高清雷达，但其实不影响 FSD 全视觉化系统的发展，因为现在的高清雷达对特斯拉来说只是个辅助功能，并不是依赖在雷达上面。目前看到的 Model Y 配备有新的 HW4.0 硬件，但并不包含高清雷达，也有可能是目前供应链上的问题，由于硬件上和镜头上的升级，已经可以让现有的 FSD 全自动驾驶带来更好的提升，跟目前绝大部分车辆上的 HW3.0 相比较下，升级 HW4.0 但没有搭配高清雷达的 Model Y 还是提高不少效能。
特斯拉自动驾驶（FSD系统）简介
a1809032425的博客
10-18 1740
HW4.0的摄像头数量由HW3.0的9个增加至12个摄像头。具体分布来看，前置三目摄像头，变为了双目，车辆新增了2个侧视摄像头，以及1个前摄像头，加上原本的1个倒车影像摄像头，4个侧向ADAS摄像头，以及座舱内的1颗摄像头，一共11颗，还有1个备用摄像头。HW4.0使用的第二代FSD芯片，预估的总算力在300Tops-500Tops左右（预计单片算力216Tops），属于目前一个比较中规中矩的水平，基本上可以达到HW3.0硬件算力的3倍以上，新一代的FSD芯片由三星代工，采用了7nm制程，成本更低。
2023年特斯拉新能源汽车核心部件解密
harryxia2014的博客
03-18 1400
2023年特斯拉新能源汽车核心部件解密 1、特斯拉新能源汽车的感知层 2、决策层 3、FSD 软件和硬件 4、HW 4.0 5、斯拉新能源汽车的底盘控制 6、斯拉新能源汽车的电子电汽架构 7、斯拉新能源汽车的软件架构
东兴证券：智能驾驶行业深度报告系列之一-汽车行业-特斯拉FSD进化之路(1).pdf
12-07
特斯拉从最初的外购算力到自主研发，推出了完全自研的HW3.0芯片，并于2022年2月为Model Y车型升级至HW4.0，算力提升五倍。特斯拉不仅注重车端算力，还打造了专门用于深度学习模型训练的超级计算机Dojo，随着其进入...
高通android新建项目
入门虽易，精通不易，且学且珍惜！
08-28 5480
How to add a new project in qualcomm android platform Original project name: msm8226 New project name: d801 1. Add system(Directory: system/core/rootdir/)     Add: d801/ 2. Add kernel
座舱一体的小科普
m0_60622516的博客
01-12 1489
融合降本是趋势，软件会需要迭代一种能把兼容和性能做到能达标。硬件需要做到算力和量产成本都可以接受。在未来的汽车智能化才能走远。
阿里开源 CosyVoice2：打造 TTS 文本转语音实战应用
蜗牛的博客
05-23 1829
阿里通义实验室推出的音频基座大模型 FunAudioLLM 包含 SenseVoice 和 CosyVoice 两大模型。CosyVoice 2.0 在多语言支持、超低延迟、高精度、强稳定性和自然体验方面均有显著提升。它支持中文、英文、日文、韩文及多种中文方言，并实现了跨语言和混合语言的语音克隆。CosyVoice 2.0 集成了离线和流式建模技术，首包合成延迟低至150毫秒，发音错误率减少了30%到50%，并在基准测试中达到了最低字符错误率。
YOLO12改进-Backbone-引入Swin Transformer替换backbone
qq_64693987的博客
05-23 1548
在计算机视觉领域，卷积神经网络（CNNs）和Transformer架构分别在不同任务中取得了显著成功。受Transformer在自然语言处理中的启发，研究人员将其应用于视觉任务，但面临计算复杂度高等挑战。SwinTransformer通过引入滑动窗口机制和层次化设计，有效降低了计算复杂度，同时保持了Transformer的建模能力。改进后的SwinTransformer结合了移位窗口自注意力和相对位置偏差，进一步提升了模型性能。此外，SwinTransformer与YOLOv12的结合，通过层次化特征图和移
Prompt Tuning：优化提示调优全攻略
最新发布
ZJQ的博客
05-26 425
Prompt Tuning（提示调优）是一种通过优化提示词来调整预训练语言模型行为的技术。主要变体包括：Prefix Tuning（添加可训练前缀向量）、Hard-Prompt Tuning（直接使用自然语言提示）、Soft-Prompt Tuning（学习通用提示向量）、Prompt Ensemble（多提示集成）和Auto-Prompt（自动搜索最优提示）。其中Hard-Prompt Tuning最为直观，可通过自然语言指令（如"这段文字的情感是积极的"）引导模型输出。代码示例展示了
一、OpenCV的基本操作
qq_48904748的博客
05-23 653
OpenCV是一个功能强大的计算机视觉库，包含多个模块，如图像处理、视频分析、机器学习等。基础操作包括图像的IO操作、绘制几何图形、获取和修改像素点、获取图像属性、图像通道的拆分与合并以及色彩空间的转换。此外，OpenCV还支持图像的算术操作，如图像的加法和混合，这些操作可以用于图像增强和合成。通过这些功能，OpenCV能够处理各种图像处理任务，为计算机视觉应用提供强大的支持。
React笔记-Ant Design X样本间对接智谱AI
IT1995的博客
05-26 653
本文介绍了如何将AntDesignX样本间对接智谱AI的API接口。主要步骤包括：1）搭建AntDesignX样本间；2）获取智谱AI的API接入信息；3）修改代码中的请求配置，设置基础URL、API密钥和模型参数；4）调整请求处理逻辑，实现流式响应处理和数据拼接。关键点在于正确配置请求参数和实现流式数据的实时更新，最终完成与智谱AI的对接。
基于音频Transformer与动作单元的多模态情绪识别算法设计与实现（在RAVDESS数据集上的应用）
weixin_42380711的博客
05-24 1673
摘要：情感识别技术在医学、自动驾驶等多个领域的广泛应用，正吸引着研究界的持续关注。本研究提出了一种融合语音情感识别（SER）与面部情感识别（FER）的自动情绪识别系统。实验结果显示，通过附加多层感知器进行整体微调时取得最佳准确率，验证了迁移学习相较于从头训练更具鲁棒性，且预训练知识有助于任务适应。在FER方面，通过提取视频动作单元对比静态模型与顺序模型的性能差异，发现两者差异较小。错误分析表明，视觉系统可通过高情绪负载帧检测器进行优化，这为视频情感识别方法研究提供了新思路。
深入探讨新能源电车智架哪家强？包含特斯拉、小鹏、华为、蔚来、理想、比亚迪、小米等，为什么强？
03-28
<think>嗯，用户想深入探讨新能源电车智能驾驶哪家强，包括特斯拉、小鹏、华为、蔚来、理想、比亚迪、小米这些品牌，还要分析他们强的原因。首先，我需要确定用户的需求是什么。可能他们是在考虑购买电动车，或者对行业动态感兴趣，或者做市场分析。不管怎样，用户希望得到一个结构清晰、有深度的比较，而不仅仅是表面的信息。 接下来，我得收集这些品牌在智能驾驶方面的最新信息。特斯拉的FSD肯定是一个重点，他们一直处于领先地位，但最近其他品牌也在追赶。小鹏的XNGP和华为的ADS 2.0都是值得注意的技术，尤其是华为的无图方案。蔚来的NAD可能依赖高精地图，而理想可能更注重家庭场景的智能驾驶。比亚迪虽然销量高，但在智驾方面可能相对保守，而小米作为新入局者，可能有潜力但还需要观察。 需要确保提到的每个品牌都有覆盖，并且突出他们的技术特点、优势和不足。比如特斯拉的算法和数据积累，小鹏的本土化适配，华为的硬件和算法整合能力。同时，可能还需要比较各家的传感器方案，比如是否依赖激光雷达，视觉方案的不同，以及是否使用高精地图。 另外，用户可能想知道为什么这些公司强，所以需要分析他们的核心技术，比如自研芯片、算法优化、数据量、测试里程等。比如特斯拉的Dojo超算和影子模式，华为的MDC计算平台，小鹏的XNet感知架构。 还要注意行业趋势，比如从有图到无图的发展，城市NOA的普及情况，以及各家公司的落地时间表。比如华为年底实现全国无图，小鹏明年完成大部分城市覆盖，这些时间节点对用户来说可能有参考价值。 最后，总结部分需要给出一个综合对比，可能分几个维度，比如技术领先性、本土化能力、硬件配置、数据积累等，帮助用户理解各家的优势和适合的场景。比如特斯拉适合追求前沿技术的用户，而华为和小鹏可能更适合中国路况。 需要确保回答结构清晰，分点明确，每个品牌单独分析，然后有对比总结。同时，按照用户的要求，使用中文，数学公式正确，行内用$...$，独立公式用$$...$$，虽然这个问题可能涉及较少的数学公式，但如果有提到算法或数据量时可能需要使用，比如特斯拉的数据量可以用$1.3亿英里$表示。 检查是否有遗漏的品牌，比如小米作为新进入者，可能信息较少，但需要提到他们的进展和潜力。同时，注意各品牌的最新动态，比如华为和长安的合作，比亚迪的销量但智驾进展较慢，这些都需要准确无误。 最后，确保语言流畅，专业术语解释清楚，让不同层次的读者都能理解。可能用户对智能驾驶的技术细节不太熟悉，所以需要用易懂的语言解释，比如解释无图方案的优势，激光雷达的作用等。</think>### 新能源电车智能驾驶技术深度对比分析 --- #### 一、技术路线与核心能力 **1. 特斯拉（Tesla）** **核心优势**：纯视觉方案 + 超强算法迭代能力 - **FSD（Full Self-Driving）**：基于$8 \times 摄像头$的视觉感知系统，依赖**BEV（鸟瞰图）网络**和**Occupancy Network（占据网络）**实现环境建模。 - **数据壁垒**：全球超过**1.3亿英里**的自动驾驶里程数据，通过**影子模式**持续优化算法。 - **芯片自研**：搭载**HW4.0**计算平台（算力$72 \text{TOPS}$），支持端到端神经网络。 *弱点*：中国复杂路况适配性不足，依赖高精地图的竞品在城区表现更优。 **2. 小鹏（XPeng）** **核心优势**：全域场景覆盖 + 本土化适配 - **XNGP系统**：2023年实现「无图」方案，支持城市/高速/停车场全场景，依赖$2 \times 激光雷达+12 \times 摄像头$融合感知。 - **算法架构**：XNet 2.0感知架构，实时生成动态BEV地图，时延低于$100\text{ms}$。 - **落地进度**：2024年计划覆盖全国90%以上城市道路。 *竞争力*：本土复杂路口处理能力优于特斯拉。 **3. 华为（HUAWEI）** **核心优势**：全栈自研 + 硬件协同 - **ADS 2.0**：融合$3 \times 激光雷达+毫米波雷达+视觉$，支持**GOD（通用障碍物检测）网络**，识别率提升至$99.9\%$。 - **鸿蒙生态**：车机与手机/家居无缝互联，支持跨设备算力共享（如调用手机NPU）。 - **无图方案**：2023年底实现全国高速/城区NOA（导航辅助驾驶）。 *突破点*：与长安、赛力斯深度合作，智驾系统装机量快速攀升。 --- #### 二、差异化竞争策略 **4. 蔚来（NIO）** - **NAD（NIO Autonomous Driving）**：依赖高精地图，专注**换电站场景自动泊车**，但城区NOA推进较慢。 - **硬件堆料**：搭载$4 \times 英伟达Orin芯片$（算力$1016\text{TOPS}$），但算法效率待优化。 **5. 理想（Li Auto）** - **家庭场景优先**：AD Max 3.0优化**高速NOA**和**自动变道**，城区重点开发**幼儿园/学校区域避让算法**。 - **保守策略**：暂未全面推广无图方案，依赖高精地图+激光雷达冗余。 **6. 比亚迪（BYD）** - **销量驱动**：2023年新能源车销量超300万辆，但智驾技术**以供应商合作为主**（如与Momenta合作）。 - **短板**：自研算法起步晚，DiPilot系统仍以L2+为主。 **7. 小米（Xiaomi）** - **后发潜力**：首款车型SU7搭载**小米Pilot**，采用$2 \times 激光雷达+Orin-X芯片$，算法复用小米机器人实验室技术。 - **生态协同**：计划打通手机-车机-智能家居的智驾场景联动。 --- #### 三、关键指标对比 | 厂商 | 传感器方案 | 计算平台 | 数据规模（2023） | 城市NOA落地进度 | |----------|----------------------|----------------------|------------------|------------------| | 特斯拉 | 8摄像头（纯视觉） | HW4.0（72TOPS） | 1.3亿英里 | 北美为主 | | 小鹏 | 2激光雷达+12摄像头 | 双Orin-X（508TOPS） | 3000万公里 | 50城（2023） | | 华为 | 3激光雷达+多模融合 | MDC 810（400+TOPS） | 2000万公里 | 全国无图（2023）| | 理想 | 1激光雷达+视觉 | 双Orin-X | 1500万公里 | 10城（测试中） | --- #### 四、行业趋势与总结 1. **技术路线收敛**：2024年主流厂商将全面转向「无图+激光雷达融合」方案，硬件成本下降至$5000元内$。 2. **场景深挖**：从高速NOA转向**城区拥堵跟车**/**窄路通行**/**跨层停车场**等高难度场景。 3. **竞争焦点**： - **算法效率**：BEV+Transformer架构的实时性优化（如特斯拉的$C++$底层重构）。 - **数据闭环**：仿真测试占比超$70\%$（小鹏已建**亚洲最大自动驾驶仿真中心**）。 **选购建议**： - 追求技术前沿选**特斯拉/小鹏**，注重本土体验选**华为/理想**，保守用户可选**比亚迪**，科技生态玩家关注**小米**后续迭代。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值