车载芯片的PDN设计注意事项

在这里插入图片描述

车载芯片与消费类芯片的主要差异

1. 可靠性要求
  • 车载芯片:在汽车中,芯片必须经过严格的测试以确保在长期使用中不发生故障。例如,汽车电子控制单元(ECU)可能需要在高温和低温的环境下运行,因此其芯片需要能够承受这些极端条件,确保在10年或更长时间内无故障运行。
  • 消费类芯片:智能手机的芯片通常只需在室温下正常工作,寿命要求相对较短,一般为2-3年,使用环境变化对其影响较小。
2. 温度范围
  • 车载芯片:例如,车载GPU可能需要在-40°C至+125°C的温度范围内工作,以适应不同的驾驶环境和季节。
  • 消费类芯片:如个人电脑的处理器,其工作温度通常为0°C至+70°C,缺乏对极端温度的耐受能力。
3. 缺陷率
  • 车载芯片:需要遵循如AEC-Q100标准,以确保芯片的缺陷率低于0.1%,这样可以在复杂的汽车环境中保持高可靠性。
  • 消费类芯片:缺陷率相对宽松,通常在1%到5%之间,尽管也会影响用户体验,但对整体安全性影响较小。
4. 安全标准
  • 车载芯片:如自动驾驶系统中的传感器芯片,必须符合ISO 26262标准,以确保在任何情况下都不会导致安全隐患。
  • 消费类芯片:虽然安全性仍然重要,但不会达到汽车行业的安全标准,例如手机的指纹传感器。
5. 电源管理
  • 车载芯片:需要复杂的电源管理,例如高功率电动汽车的电池管理系统(BMS)必须在不同的充电和放电状态下提供稳定的电压和电流。
  • 消费类芯片:智能手表等设备对电源管理的要求相对简单,通常只需确保在日常使用中延长电池寿命。

车载芯片的SIPI Tradeoff设计

A. PI的恶化
  • 电源分配网络(PDN):车载芯片的PDN设计必须考虑到芯片的高功耗。例如,在一款电动汽车的主控芯片中,PDN需要能承受峰值功率,并能够有效降低噪声,确保芯片在工作时不会出现电压波动。
  • 电容选择:在设计中,工程师可能会选择使用背贴电容,因为它的ESL(等效串联电感)更小,从而提高了PI性能。但由于汽车芯片的空间限制,设计师必须在电容数量和布局上做出权衡。
B. 贴容设计考虑
  • 表贴电容 vs. 背贴电容:在一款汽车中央控制单元的设计中,可能采用背贴电容来改善PI性能,因为它可以降低PDN的电感,提供更好的电压稳定性。然而,背贴电容占用BGA封装资源,导致其他电容无法放置,最终可能影响整体性能。
  • 温度特性:在选择电容时,工程师需要考虑AEC-Q200标准,选择耐高温、低漏电的电容,以满足汽车环境的严苛要求。

LPDDR4 SIPI Tradeoff设计评估

示例评估
  • 设计背景:假设我们在设计一款支持LPDDR4的车载系统,目标是实现高带宽和低功耗。
  1. 不同封装设计的比较

    • 背贴电容设计(LSC):PDN设计较好,但可能导致SI性能略有下降。
    • 表贴电容设计(DSC):可以利用更多的电容资源,但可能在高频下对PI性能有负面影响。
  2. PDN阻抗与频率的关系

    • 在仿真中发现,使用背贴电容的PDN阻抗在高频下表现较好,而使用表贴电容时,虽然可以增加电容数量,但在高频时,阻抗会显著上升,导致电压稳定性下降。
  3. 串扰与信号质量

    • 眼图仿真结果显示,在电源平面共享路径的情况下,串扰明显增加,信号质量下降。例如,当PDN设计不当时,眼图可能出现闭合现象,影响信号完整性和数据传输速率。

总结

在设计车载芯片时,工程师必须综合考虑可靠性、温度、缺陷率、安全标准和电源管理等多方面的因素。在满足严格的汽车行业标准的同时,还需要在信号完整性和电源完整性之间找到最佳平衡,确保系统的安全与高效运行。通过合理选择电容、优化PDN设计和考虑封装结构,工程师能够在车载芯片的设计中实现良好的SIPI性能,最终提高汽车电子系统的整体性能和可靠性。

  • 18
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

空间机器人

您的鼓励是我创作最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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