2026 年 11 月 19 日,在第六届汽车 AI 智能底盘大会上,瑞萨电子管理上海有限公司 FAE 高级经理詹毅指出,整车架构正走向计算功能融合集中,但并非全部功能都会向高性能域控制器汇聚,底盘、BMS 等边缘节点因实时性、安全性与成本约束,部分功能仍需下沉至 MCU 端,行业不会走向单一集成路线,ZONE 与 DOMAIN 并存或将成为常态。
针对边缘节点 AI 落地痛点,瑞萨推出 RH850/U2C 系列量产 MCU 及 Reactive AI 软件工具,不靠硬件加速,通过模型优化实现轻量化 AI 部署,大幅压缩开发周期。芯片集成 ACP、TSN 以太网接口,优化单链路多节点组网能力,同时强化功能安全、信息安全及国密适配,搭配完善生态与 EMB 等参考原型,助力车企在控制端实现低时延 AI 应用,平衡整车性能、实时性与硬件成本。
詹毅丨瑞萨电子管理上海有限公司 FAE 高级经理
以下为演讲内容整理:
以往整车架构大多以域控制器为核心,涵盖底盘域与车身域。近两年,不少整车厂也在探索更深层次的功能集成,规划左域、右域方案,部分方案更进一步,采用单一大型控制域整合全部功能。
此前在诸多论坛交流中,大家普遍认为由独立分布式功能域向集成化的大型智能域或控制域演进是必然趋势。但实际情况有所不同,我们观察到并非所有车企都选择向集成化方案转型,不少车企出于成本、总带宽以及功能分配等方面考量,仍采用 ZONE 与 DOMAIN 并存的架构。
当然,也有部分新势力车企已经摒弃车身域划分,直接采用集成域方案。无论车企选择何种路线,整车架构层面存在一个较为清晰的趋势:各类计算与功能持续融合集中;与此同时,整车对外接 IO 接口以及实时性指标,提出了更高的要求。
在计算需求持续集中的背景下,我们产生了一项思考:各类功能是否都会集成至 ADAS 或 IVI 之中,抑或是仍会保留分布式布局。瑞萨内部对此开展了多项研讨,我们得出的结论是兼具两面性。一方面,我们认为未来不少功能将集成至 ADAS、IVI 或是更高层级的高性能控制单元中;另一方面,底盘、BMS 这类边缘节点,仍有部分功能需要下沉部署。这类功能对实时性、安全性以及成本控制均有较高要求,因此无法直接迁移至存储资源更大的控制器中。
比如 BMS 的相关管理工作,包括 SOC、SOH,我们可以将部分电量计算算法交由上层处理,但原始信号采样以及故障诊断,仍需在 MCU 上部署对应的 AI 算法实现。基于这一点,我们对下一代 MCU 形成了初步构想。我们不再单纯追求更大规格、更高性能的 MCU,转而更加兼顾落地适配与成本控制。因此新款 MCU 不会一味堆砌算力、ROM 与 RAM 资源,同时兼顾边缘节点在成本、功耗与计算能力方面的需求。除保留对电机、CAN 总线、LIN 总线的传统支持外,我们还在这类小型 MCU 中集成 TSN、ACP、低功耗以及安全防护等新增处理能力。我们希望借助全新接口以及内置 AI 能力,助力客户在边缘节点实现更优的成本与性能管控。
回到本次核心议题 AI,瑞萨是如何思考在这类小型边缘计算节点部署 AI 的。不少智能底盘方案选择将大模型部署于 SOC 端。该方案的优势在于大模型能够完成更为复杂的运算,输出效果更佳;但随之而来的是时延问题,模型数据传输与反馈指令最终下发至目标节点,会产生延迟。
以 CAN 或 CAN FD 为例,其时延可达 100 毫秒、200 毫秒甚至更高。即便采用百兆、千兆传统以太网,在不使用 TSN 的情况下,实时性与时延表现会更差,进而造成整车系统表现达不到预期。底盘控制的诸多场景均要求响应控制在毫秒级,因此将大模型部署于远端并传输指令的方案,难以满足车企的未来需求。为此,我们推出了面向 MCU 的专用 AI 工具,可将算法与模型压缩至 MCU 能够运行的规格。
它与常规 AI 开发方式有所区别。目前已有不少工程师在底盘或动力系统中部署 AI 算法,但部署方式仍较为传统,工作量较大。工程师需要借助 MATLAB 采集大量信号,基于信号提取特征量,再搭建若干小型模型。基于这些模型,工程师还需要权衡 ROM、RAM 占用、PCB 板上空间以及性能开销,实现各项指标的平衡。MCU 资源本身存在限制,因此需要 ROM、RAM 占用更小且 CPU 运算效率更高的轻量化模型。这对工程师而言是一项挑战。
在日常沟通中我们了解到,工程师开发负担较重,需要手动搭建并反复调优模型,耗费大量开发工时,最终得到的模型往往难以在成本、性能与实时性上同时达到预期。对此,我们提供了更优的 Reality 工具,这也是我们区别于部分竞品的方案。部分竞品为解决算力与 AI 运行需求,选择在 MCU 内部集成 NPU 或其它类神经网络加速器。这类方案我们在部分高性能 MCU 中也有采用,但我们认为在底盘控制器、EMB、EPS 等控制器中内置这类硬件加速器并不具备可行性。一方面,这会显著抬升成本;另一方面,将增加底盘控制器的功耗。
基于上述两点,瑞萨并不打算在这类小型控制器上硬塞成本和功耗更高的类神经计算单元。与之不同,我们致力于协助客户开发适配 MCU 的轻量化模型,Reality AI 正是对应的工具。借助 Reality AI,可直接基于 MATLAB 数据导出适配 MCU 的模型。工具能够自动提取特征并完成判别,再将判别结果压缩为数据集,生成模型部署至 MCU。生成模型高度轻量化,对存储空间和算力资源需求较低,十分适合在资源受限的 MCU 上部署。该方案无需增加硬件成本,仅通过模型压缩即可实现。模型压缩的整体耗时,相较于人工调优模型,能够大幅缩短工程师的开发周期。过去高度依赖工程师经验、耗时较长的模型开发与优化工作,如今通过 AI 工具与工程师协同,可以更高效地完成。例如针对滞环算法或是 EPS 底盘感知算法,完成模型归类,生成轻量化模型并部署至 MCU 运行。
依托 MATLAB 采集数据是常规操作,以往工程师会借助 MATLAB Simulink 积累数据集;现在可通过 Reality AI 一站式完成模型训练与导出。模型既可以由 CPU 运行,也可依托终端芯片内置的 DFA 处理模块执行。两种运行方式,均能够匹配 MCU 低成本、低算力的应用需求。
不可否认,部分智能底盘场景确实需要更高算力,这类算力需求通常只能依托高端 SoC 承载。由此引出一个问题:如何实现两类节点之间的数据实时交互。正如前面提到,传统 CAN FD 时延偏高、带宽有限,相较于千兆以太网,传输效率较低。因此,车载引入全新的 RCP 协议,正是为了解决上述痛点。
RCP 以太网协议相比 CAN、CAN FD 拥有更大带宽,同时在实时性、安全性与时延指标上,均较传统 CAN 提升一个层级。借助该方案,模型数据与推理结果可在中央 ECU 完成运算后快速下发至子 ECU。其时延相比 CAN 能够大幅降低,可满足车企对低时延和高实时性的应用需求。这也是 RCP 成为热点的原因:它不只是一种总线方案,更深层次的价值在于推动软件与硬件解耦,将软件作为算法架构中的核心要素纳入设计考量。
后续算法工程师的开发模式将发生转变,不再依托单板、单 MCU 开展开发工作,而是基于整车系统进行开发,总线仅作为系统内需要考量的数据传输时延项。因此 RCP 对整车 AI 数据传输具备显著价值,同时成本更优。TSN 本身支持一对多组网,TC18 工作组的目标就是在单根 TSN 网线上挂载更多传感器与执行器。传统 CAN 难以满足该需求,以往 MCU 常需要配置 16 路甚至 20 路 CAN 接口,根源在于带宽与时延限制。TSN 协议体系针对时延、带宽以及数据优先级调度做了更多优化,实时性和带宽优于 CAN FD。
总而言之,TC18 工作组定义的 RCP,未来将和 CAN XL 一样成为主流方案。该方案旨在将网络架构融入算法运算流程,后续算法与 AI 设计不再局限于单板视角,而是从系统层面开展设计与落地。
接下来介绍瑞萨面向该场景的落地产品。我们推出了面向中低端底盘及执行器的全新芯片 RH850/U2C 系列。U2C 衍生于两款中高性能产品 U2A 与 U2B,二者已在多家车企的域控制器中大规模应用。相较于竞品以及前代产品,该架构优势在于性能更强、片上 ROM 与 RAM 容量更大;顶配 U2B 的片上存储可达 26 兆,算力最高可达 10k DMIPS,无论是域控制还是功能融合,采用单芯片 MCU 方案即可满足需求。
我们在开发该系列芯片时集成了大量 IP,覆盖电驱、动力、车身与底盘等场景,可在单芯片内实现相关功能,属于高集成度产品。但回到前述观点,在底盘场景中,我们并未优先选用这类高性能、高成本 MCU,原因在于该方案不利于成本管控,落地可行性不足。
瑞萨今年实现量产的全新 U2C 系列,是在这两款高性能芯片基础上做的规格裁剪,裁剪方向与前面的思路相契合。在性能、ROM 及 RAM 规格上做精简,进一步控制成本。该芯片算力区间为 0.7K 至 1.5K DMIPS,ROM 容量控制在 8 兆以内。这类小型芯片有利于成本与实时性管控,同时为适配 AI 规模化应用的需求,U2C 新增多种接口,例如 RCP,并配套提供前述软件化 AI 相关能力支持。
该产品现已量产,相关参数并非方案阶段指标,各位可通过代理商或瑞萨原厂获取样片开展评估。产品提供 8 兆、4 兆、2 兆 ROM 版本,引脚封装从最低 100 脚至最高 292 脚。相较于前代产品,U2C 延续了 U2A 的 CAN FD、CAN XL 以及 U2B 的 Hypervisor 等特性;同时匹配 AI 底盘场景需求,集成 TSN、RCP 网络以及配套 AI 算法支撑能力。
基于 TSN 与 RCP 的应用需求,OTA、功能安全与信息安全能力不可或缺。因此我们按照 RCP 规范完善相关能力,强化信息安全与功能安全,满足 ISO 21434、ISO 26262 以及国密要求,并配套 OTA 升级方案。
因此该器件的接口能力丰富,应用范围并不局限于底盘部件,也可满足后舱域等轻型 ECU 的使用需求。核心思路与前述保持一致,基础的 ASIL D、ISO 21434 能力均已具备。除此之外,芯片新增深度休眠等低功耗功能,这也是 RCP 方案所需:以太网支持唤醒机制,当底盘整板进入休眠时,整板功耗可能需要控制在 1 毫安以内,U2C 能够满足该项指标要求。
另外是 U2C 的核心特性与相关数据。大家可以观察竞品动态,行业厂商的产品方向大体相近,均围绕同类 AI 应用场景进行开发。部分竞品缺少 Reality AI 这类工具,因此只能选择成本更高的 NPU,客户可按需选型。而瑞萨 RH850/U2C 定位为低功耗、低时延的控制芯片,相较 U2A、U2B,其算力规格有所精简,但接口能力与 AI 支撑能力优于 U2A;功耗指标依托工艺实现优化。
芯片支持传统总线,同时也对面向未来的 RCP 网络、全新 TSN 实现全面适配。TSN 是一项核心特性。结合本次 AI 主题来看,搭载 AI 的控制板基本离不开以太网,无法脱离外部 ECU 独立完成数据交互。因此,具备 AI 智能控制能力的标准 ECU,一般需要配置 TSN 或 CAN XL,二者择一选用。CAN XL 适合小数据量、低时延场景;以太网单帧传输的数据量更大,但时延相较 CAN XL 会略高。
此外,瑞萨投入大量资源研发新一代 TSN 模块。TSN 本质仍属于以太网,原有以太网的软件协议栈与硬件架构可复用。如果开发者已经开发过百兆、千兆以太网对应的协议栈与上层软件生态,无需大幅改动,因为 TSN 在 MAC 层面没有变化,仅在底层协议层调整编码方式。瑞萨在保留原有 MAC 机制的基础上,优化了自协商与优先级调度逻辑。
我们的核心目标是帮助客户依靠单路 TSN 链路接入多路传感器与执行器。部分竞品方案规划 4 至 5 路 TSN 接口,我们也评估过该路线,但判断其必要性不足。TSN 的设计初衷就是依托单根链路组网;如果配置 4 至 5 根链路,架构将回归类似 CAN 总线的模式,成本难以控制。整车线束本身存在成本,线缆数量越多,整车成本越高,因此我们主推单链路 TSN 方案。
针对单链路在节点增加时的带宽与时延问题,瑞萨在 MAC 模块与 PRCA 模块中集成多项硬件机制,包含独立收发通道、独立 FIFO 以及专用邮箱资源。模块同时支持噪声处理、流量优先级调度与高精度时钟同步。
瑞萨该模块的设计定位是,助力客户实现低成本 TSN 部署。我们将研发重心放在 MAC 与 TSN 的优化设计上,保障客户基于单根 TSN 链路挂载更多节点,各节点通信互不干扰,满足 ASIL D 功能安全要求,契合协议组织的设计目标。
除此之外还有信息安全能力。AI 应用同样离不开安全防护,当前针对车载系统的攻击风险持续存在。ISO 21434 是行业熟知的规范,除此之外,国密相关要求今年已落地,不少车企,尤其是 TBOX 这类涉及账号、密钥的场景,提出国密强加密要求。以往方案需要外挂独立国密芯片,成本较高;而 U2C 可依托片内硬件与固件实现国密支持。
我们的 U2A 已于今年通过国密安全认证,U2C 预计在未来数月内完成国密合规认证。后续采用单芯片即可搭建国密方案,能够有效降低板级成本,为 RCP 通信与 AI 应用提供可靠的安全保障。
瑞萨的另一项优势是生态体系。已有使用经验的客户可获取丰富工具链,Vector 等厂商,以及国内东软睿驰等,均已完成对瑞萨芯片的适配。依托团队长期积累的技术支持经验,我们能够协助客户在 1 至 2 个月内完成单板从零到 A 样版本的开发落地。M Core 相关底层驱动均可在官网免费获取。驱动经过严格的 QM 与 ASIL D 认证,稳定性与品质符合瑞萨规范标准,适配范围广,便于和上层 AUTOSAR 完成集成。
除基础软件组件外,瑞萨也在持续开发各类参考方案原型。针对前面提到的线控以及其他底盘应用场景,我们同步开展原型开发,旨在缩短 Tier1 与 OEM 的方案验证评估周期,让客户可以将更多精力投入 AI 算法优化,底层软硬件相关基础工作由瑞萨团队承担。
我们准备了诸多参考原型,其中 EMB 方案是当下热点方向,我们已开发出可运行的 EMB 参考方案,契合前述架构思路:由四路 EMB 执行制动控制与智能监测类功能,四轮协同等复杂度更高的控制任务交由中央 HPC 处理。各节点之间通过 CAN 或 TSN 网络交互数据,实现低时延、高性能协同运行。
瑞萨的愿景是提供一站式解决方案,帮助车企与 Tier1 减少底层细节的投入,将资源聚焦于算法及上层应用开发。
(以上内容来自瑞萨电子管理上海有限公司 FAE 高级经理詹毅于 2026 年 11 月 18-19 日在第六届汽车 AI 智能底盘大会发表的《从分散到集中,从控制到智能——高实时控制芯片的演进与技术创新》主题演讲。)