All Node List by Editor

作者：ADI产品应用工程师Wangning Ge

摘要

本文介绍ADI ADRV9002的数字预失真(DPD)功能。所用的一些调试技术也可应用于一般DPD系统。首先，概述关于DPD的背景信息，以及用户试验其系统时可能会遇到的一些典型问题。最后，文章介绍在DPD软件工具帮助下可应用于DPD算法以分析性能的调优策略。

简介

数字预失真（通常称为DPD）是无线通信系统中广泛使用的一个算法。DPD旨在抑制通过射频功率放大器(PA)传递宽带信号上的频谱再生，从而提高PA的整体效率。一般而言，在处理高功率输入信号时，PA会出现非线性效应和效率不高的问题。由于频谱再生，相邻频带出现非线性效应和频谱干扰。图1显示在ADRV9002平台上使用TETRA1标准进行DPD校正之前和之后的频谱再生。

图1.使用ADRV9002的TETRA1 DPD

ADRV9002提供经过功率优化的内部可编程DPD算法，该算法可自定义，以校正PA的非线性效应，从而提高整体邻道功率比(ACPR)。尽管DPD能够为通信系统带来预期的优势，但缺乏经验的人员开始使用DPD时往往困难重重，更别提正确设置了。这主要因为数字预失真涉及多个因素，可能会导致误差，而降低DPD性能。实际上，即使在正确设置硬件后，要确定正确的参数以微调DPD并获得最优解决方案，仍可能具有挑战性。本文旨在帮助在ADRV9002中使用DPD选项的工程师，以及提供一些使用可用参数微调DPD模式以获得最优DPD性能的一般策略。此外，还使用MATLAB^®工具帮助用户分析DPD，并消除常见错误，同时提供有关内部DPD操作的一些见解。

启用DPD选项时，ADRV9002可提供高达20MHz的信号带宽。这是因为接收带宽限制在100MHz。DPD通常将以发射带宽5倍的接收带宽工作，因此可以看到和校正三阶和五阶交调信号。ADRV9002支持的最高PA峰值功率信号约为1dB（通常称为P1dB）压缩区。该指标表示PA压缩的程度。如果PA压缩超过P1dB点，则无法保证DPD正常工作。但是，这个要求并不严格；在许多情况下，DPD在超过P1dB点时依旧能够工作，并且仍然提供非常出色的ACPR。但这要具体问题具体分析。一般而言，如果压缩得太严重，DPD可能会出现不稳定和崩溃的问题。在后面，将详细讨论压缩区，包括如何使用MATLAB工具观察当前PA压缩状态。

有关DPD的更多详细信息，请参见UG-1828的“数字预失真”章节。

架构

执行DPD功能有两种基本方法。第一种方法称为间接DPD，即在PA前后捕捉信号。与之不同的是直接DPD方法，即在DPD模块前和PA后捕捉信号。每种方法的优势和劣势不在本文章的讨论范围内。间接DPD通过分析PA前后的信号了解其非线性特性，并在DPD模块上执行反转。直接DPD分析DPD前和PA后的信号，并通过在DPD模块上应用预失真，消除二者之间的误差。用户应该了解，ADRV9002使用的是间接方法以及与之相关的影响。另外，请务必了解，在使用MATLAB工具时，捕捉数据也是采用间接方法。

图2显示了ADRV9002的简化DPD操作方框图。输入信号u(n)进入DPD模块。DPD将对信号进行预失真处理，并生成x(n)。在这里，称之为发射捕捉，不过这实际上是发射信号的预失真版本。然后，信号经过PA，成为y(n)，信号最终发送到空中。这里将y(n)称为接收捕捉，不过这实际上是PA后的发射信号。然后，y(n)反馈到接收器端口，用作观察接收器。本质上，DPD引擎将使用捕捉的x(n)和y(n)，然后生成系数，在DPD的下一次迭代中将应用这些系数。

图2.间接DPD的简化方框图

工作模式

ADRV9002在DPD上支持TDD和FDD操作。在TDD模式下，每个发射帧都会更新DPD。这意味着，在发射帧期间，接收器将充当观察路径。在FDD中，由于发射器和接收器同时运行，因此需要专用接收器通道。ADRV9002中的2T2R能够在2T2R/1T1R TDD和1T1R FDD模式下支持DPD。

DPD模式

结构

以下等式显示在发射路径中实现的DPD模式。

其中：

u(n)是DPD的输入信号，x(n)是DPD的输出信号

T是DPD模式的总分支数

ψ_t是用于实现分支t查找表(LUT)的多项式函数，l_t是幅度延迟

k_t是数据延迟

a_t,lt,i是DPD引擎计算的系数

bt,lt,i是启用或禁用项的开关

i是多项式项的指数和幂

用户可为每个分支配置多项式的项数量。ADRV9002提供3个记忆项分支和1个交叉项分支，每个分支的阶从0到7。

模式选择

用户可选择ADRV9002提供的默认模式选项（如图3所示），该模式应该适合大多数常见应用。或者，用户可通过启用和禁用项，选择自己的模式。前3个分支（0到2）表示记忆项，其中分支1是中心分支。分支3是交叉项分支。

注意，为了与记忆项分支区分，分支3（或交叉项分支）不应启用零阶项。

图3.DPD模式多项式的项

• LUT大小：用户可设置LUT大小。ADRV9002提供两个选项，256和512。选择512大小，用户将获得更好的量化噪声电平，从而获得更好的ACPR，因为一般而言，较大的尺寸将提供更好的信号分辨率。对于窄带应用，ADI建议使用512作为默认选项。256可用于宽带，因为噪声电平不那么严格，并且可以改进计算和功率。

• 预LUT缩放：用户可设置预LUT缩放模块，以便对输入数据进行缩放，使其更适合压缩扩展器。压缩扩展器选择来自发射器的信号，对其进行压缩，以适合8位LUT地址。根据输入信号电平，用户可调整该值，以优化LUT利用率。其值可以在(0,4)的范围内设置，步长为0.25。在本文的最后一个部分，提供了更多有关压缩扩展器的内容。

配置

图4.启用DPD的基本配置

为了执行DPD，用户将必须在PA上启用外部环回路径，然后设置反馈功率，以确保其未超出范围。注意，这是峰值功率，不是平均功率。功率太强或者太弱都会影响DPD性能。用户还需要设置外部路径延迟，可使用External_Delay_Measurement.py获取。用户可在IronPython文件夹下的ADRV9002评估软件安装路径中找到该脚本。

注意，只需为高采样速率曲线设置外部延迟（例如，LTE 10MHz）。对于低采样速率曲线(TETRA1 25kHz)，用户可将其设置为0。在本文的后面部分，将使用该软件工具来观察捕捉数据，以了解外部延迟的影响。

其他配置

图5.DPD上的其他配置

用户可配置样本数量。默认情况下，用户可设置4096个样本。建议使用默认值。在大多数情况下，默认的4096个样本将为DPD提供最优解决方案。

• 其他功率缩放是更高级的参数。在大多数情况下，建议对ADRV9002使用默认值4。该参数与内部相关矩阵有关。根据实验，默认值为ADI测试的现有波形和PA提供最佳性能。在少数情况下，如果输入信号幅度极小或极大，用户可尝试将该值调整成较小和较大的值，以使相关矩阵维持适当的条件数，从而获得更稳定的解决方案。

• Rx/Tx规范化：用户应将接收器/发射器规范化设置为数据呈线性的区域。在图6中，线性区域用红色显示。在该区域，数据的幂没有到达压缩区，并且足够高，可用于计算增益。选择该区域后，DPD可估算发射器和接收器的增益，然后继续对算法进行进一步处理。在大多数情况下，-25dBFS至-15dBFS应适合大多数标准PA。但是，用户仍然应该留意，因为特殊PA可能具有截然不同的AM/AM曲线形状，在这种情况下，将需要进行适当的修改。本文后面部分将对此进行详细说明。

图6.典型AM/AM曲线。线性区域用红色显示

设置

硬件设置

图7.典型DPD硬件方框图

典型设置如图7所示。在信号进入PA之前，需要低通滤波器，以防止出现LO信号谐波。在某些情况下，如果内部LO相位噪声性能无法满足应用需求，则可能需要外部LO。在这种情况下，外部LO源需要与DEV_ CLK同步。近带噪声要求更严格的窄带DPD通常需要外部LO。通常建议在PA前提供一个可变衰减器，用于防止对PA造成损害。反馈信号应具有适当的衰减，以便按照上一部分中讨论的方式设置峰值功率。

软件设置

IronPython

下载IronPython库，以便在GUI上执行IronPython代码。

图8.IronPython GUI窗口

在这里，用户可以在GUI的IronPython窗口中运行dpd_capture.py，如图8所示，它与MATLAB工具一起提供，以获取发射器和接收器的捕捉数据。DPD采样速率也包含在捕捉的文件中。

注意，该脚本应在启动或校准状态下运行。

MATLAB工具

MATLAB工具分析从dpd_capture.py中捕捉的数据。该工具将帮助检查信号完整性、信号对齐、PA压缩水平，最后是DPD的微调。

MATLAB工具需要MATLAB Runtime。首次安装需要一些时间下载。安装完成后，用户可加载IronPython脚本捕捉的数据，然后观察图形，如图9所示。

图9.MATLAB DPD分析仪

此外，用户还可设置数据规范化的高/低阈值，然后按“重新加载”以查看变化。

首先，在时域中绘制规范化的发射器和接收器数据。用户可以放大图形来观察发射器和接收器的对齐状态。这里只显示了数据的实部，但用户也可轻松绘制虚部。实部和虚部通常应该对齐或不对齐。

然后是发射器和接收器频谱——蓝色是发射器，红色是接收器。注意，这是间接DPD——发射器数据将是预失真数据，而不是SSI端口上的发射器数据路径。

接下来，有两条AM/AM曲线，这两条曲线均在线性和dB坐标系中。这些是有关DPD性能和PA压缩状态的重要指标。

AM/PM曲线和接收器/发射器相位差也会被提供。

此外，还有高阈值和低阈值数字。这些数字应该与ADRV9002 TES评估软件中的设置相匹配。

注意，由于提供了API来捕捉数据，因此如果需要，用户可以开发自己的图形和分析模型。该工具提供用于分析DPD的一些常见检查。API包括：

adi_ADRV9002_dpd_CaptureData_Read，这是读取DPD捕捉数据，必须在校准或启动状态下运行。

adi_ADRV9002_DpdCfg_t → dpdSamplingRate_Hz，这是DPD采样速率，是只读参数。

典型问题

DPD可能受许多不同因素的影响。因此，请务必确保用户考虑并检查了列出的所有潜在问题。在考虑所有问题之前，用户应确保硬件正确连接。

发送数据过载

图10.DPD的简化硬件方框图

图10显示了ADRV9002实现DPD的简化示意框图。来自接口的发射器数据可能会使DAC过载。如果DAC过载，发射器的RF信号在PA介入之前就已失真。因此，请务必确保发射器数据不会使DAC过载。

用户可通过GUI观察发射器DAC是否过载。图11显示TETRA1 25kHz波形。峰值与数字满量程仍相距甚远。对于ADRV9002，建议与满量程至少保持几dB，避免导致DAC过载。很难量化用户应该回退多少——这是因为DPD将尝试执行预失真，预失真信号将为“峰值扩展”，因而可能会导致DAC过载。这取决于DPD如何应对特定PA——一般而言，PA压缩得越厉害，所需的峰值扩展空间就越大。

图11.时域中的一部分TETRA1标准波形

接收器数据过载

另一个常见错误是接收器数据导致反馈DAC过载。造成该错误的原因是，没有足够的衰减返回到接收器端口。这可以从调试工具中观察到，造成的影响是接收器数据被裁剪，因此，发射器和接收器无法有效对齐，导致DPD出现计算错误。DPD通常会表现得非常糟糕，从而使整个频谱中的噪声增加。

图12.接收器数据过驱

接收器数据欠载

与接收器过载相比，这个问题常常被忽视。造成该问题的原因是，没有正确设置反馈衰减。用户可能给反馈路径提供过多的衰减，这导致接收器数据太小。默认情况下，建议对ADRV9002使用-18dBm峰值，因为它能够将数据从模拟转换为数字，达到已知良好的DPD功率电平。但用户可以根据需求调整该数字。用户应该了解，DPD反馈接收器使用的衰减器与常规接收器不同，其步长更高。衰减水平通过用户设置的峰值功率电平进行调整。-23dBm是最低功率电平（0衰减）——如果超出该范围，将得到低功率电平，这会影响DPD性能。根据经验，用户应确保始终正确测量和设置反馈功率。很多时候，用户往往会尝试不同的功率电平，但忘记正确设置反馈功率，从而导致该问题。

TDD与FDD

TDD模式下的DPD必须在自动状态机中运行。使用TES进行评估时，在手动TDD模式下，用户仍可启用DPD，但性能会很差。这是因为DPD只能基于帧工作。在手动TDD模式下，帧的长度将由发射/接收启用信号切换来确定。换言之，每次播放和停止就是一个帧。但是，在人工切换的时间内，PA已转变为不同的温度状态。因此，如果不使用可以频繁切换发射启用信号的自动TDD模式，将无法维持DPD状态。然而，在FDD模式下，DPD应正常进行。

例如，用户可能希望使用TETRA1，它遵循类似TDD的帧方案（实际上是TDM-FDD）。因此，不应该直接选择TDD模式并手动检查DPD，并且DPD往往表现糟糕。相反，用户可以使用“定制FDD”配置文件，选择与TETRA1相同的采样速率和带宽，或者用户可以设置TETRA1 TDD帧定时，并使用自动TDD模式。这两种方法都可以提供比手动TDD更好的性能。

发射器/接收器未对齐

ADRV9002将尝试对齐发射器和接收器数据的时间。当用户捕捉到数据时，用户期望数据是对齐的。延迟测量在初始校准时完成。但是，对于高采样速率曲线，需要单独完成更精确的子样本对齐。

图13.未对齐的DPD捕捉

图14.放大LTE10的发射器和接收器实部数据（未对齐）

DPD是自适应算法，需要计算两个实体（即发射器和接收器）的误差。在计算发射器和接收器的误差之前，需要正确对齐这两个信号——尤其是在使用高采样速率曲线（例如，LTE10）的情况下。对齐至关重要，因为样本之间的间隔非常小。因此，用户需要运行脚本External_Delay_Measurement.py来提取外部路径延迟。可在“板配置”→“路径延迟”下方输入该数字。

图15.IronPython外部延迟测量

如果未对齐发射器和接收器数据，造成的影响是用户将观察到噪声更大的AM/AM曲线。

图16.对齐的DPD捕捉

设置了路径延迟数字后，可以观察到，AM/AM和AM/PM曲线更干净，噪声更小。相位差也明显减小。

图17.放大的LTE10发射器和接收器实部数据（对齐）

PA过载

每个PA对于能够处理的压缩程度都有自己的规范。虽然数据手册中通常提供P-1dB数据，但实际上，仍建议对DPD进行准确测量，以确保压缩点位于P-1dB。通过DPD软件，用户能够查看基于捕捉数据的AM/AM曲线，从而观察压缩点与P-1dB的接近程度。

图18.PA过载数据

图19.以dB为单位呈现的AM/AM曲线（已放大）

但是，如果信号超出P-1dB，这可能会导致DPD不稳定，或者甚至中断，频谱跳转到非常高的电平，再也不会降下来。在图19中，峰值时的压缩远超出1dB区域，曲线的形状也开始变得更平坦。这表示PA被过驱，为了增加输出功率，将提供更多输入，以支持输出功率电平。此时，如果用户决定继续增加输入功率，DPD性能将下降。

一般策略模式选择与调整

间接DPD就是在PA前后捕捉数据，而DPD引擎将尝试模拟PA的相反效应。LUT用于使用系数应用该效应，该模式基于多项式。这意味着，DPD更像是曲线拟合问题，用户将尝试使用各项来“曲线拟合”非线性效应。区别在于，曲线拟合问题拟合的是单个曲线，而DPD还必须考虑记忆效应。ADRV9002有3个记忆分支，和1个用于对DPD LUT进行建模的交叉分支。

图20.记忆项和交叉项映射

图20显示ADRV9002提供的3个记忆分支和1个交叉分支。一般策略与曲线拟合问题类似。用户可从基线着手，然后添加和移除项。一般而言，中心分支必须存在（分支1）。用户可以逐个添加和移除项，以测试DPD的效应。然后，用户可以继续添加两个记忆分支（分支0和2），以添加记忆效应校正的效果。注意，由于ADRV9002有两个侧分支，因此这些分支应该相同——也就是，应该对称。此外，添加和移除项时，必须逐个操作。最后，用户可以试验交叉项。交叉项从数学的角度完成曲线拟合问题，因而提供更好的DPD性能。

注意，用户不得通过将项留空来跳过项，因为这将导致DPD出现不良行为。另请注意，用户不得在交叉项分支上设置第0项，因为从数学的角度来看，这也是无效的。

图21.无效的模式项设置

高级调整

压缩扩展器和预LUT缩放模块

在上一部分中，已提到了压缩扩展器。首次阅读用户指南时，这一概念可能会令人困惑，不知道它是什么意思或者该选择什么（256还是512）。压缩扩展器的目的是压缩输入数据，并将其放入LUT。

图22.压缩扩展器——估算平方根的形状

压缩扩展器的一般形状是平方根，在这里，I/Q数据传入。在将这些数据放入LUT之前，等式√(i(n)2+q(n)2)将用于从之前的等式中获得信号幅度。然而，由于平方根运算对速度的要求很高，并且还需要将其映射到LUT（8位或9位），因此需使用压缩扩展器。图22是理想的平方根曲线。此处将不显示实际实现方案，但简言之，这将是对平方根曲线的估算。

了解数据如何放入LUT后，可以更加明智地开始调整数据。ADRV9002可选择8位(256)或9位(512)作为LUT大小。更大的LUT意味着数据的地址位置加倍。这意味着，数据的分辨率更高，并且一般而言，量化噪声电平更好。对于窄带应用，由于噪声非常重要，因此建议始终选择512。对于宽带应用，由于噪声电平没那么重要，因此可使用任一选项。但是，如果选择512，消耗的功率会略高，计算速度会比较慢。

直方图和CFR

在DPD配置部分，曾简要提及预缩放。该参数用于为LUT提供大量输入数据。需要大量输入数据的原因是，在某些情况下，DPD未正确使用数据。对于此类PA压缩问题，真正被压缩并导致问题的是高幅度样本。因此，不能平等对待所有样本；相反，要重点关注高幅度样本。

看一下TETRA1标准波形直方图（参见图23和图24）。可以看到，大多数值出现在中高幅度区域。这是因为TETRA1标准使用D-QPSK调制方案，结果是信号将获得恒定包络。峰值功率与平均功率之间没有太大的区别。

这正是DPD所需要的。如前所述，DPD将捕捉更高幅度的样本，因此将更好地表征PA的行为。

图23.TETRA1幅度直方图

图24.TETRA1功率直方图

现在，以类似方式来看LTE10标准。LTE使用OFDM调制方案，将成百上千的子载波组合在一起。这里可再次看到LTE10的幅度和功率。可以轻松观察到与TETRA1的区别，即峰值离主平均值非常远。

图25.LTE10幅度直方图，没有CFR

图26.LTE功率直方图，没有CFR

在功率直方图中（参见图26），如果放大远端，可以看到，仍有非常高的峰值出现，但概率非常低。对于DPD，这是非常不利的。原因有二。

首先，高峰值（高幅度信号）的低概率计数将使PA的效率极其低下。例如，LTE PAPR约为11dB。这是很大的不同。为了避免损坏PA，输入电平将需要大幅回退。因此，PA没有用其大部分增益能力来提高功率。

其次，高峰值也是在浪费LUT的利用率。由于这些高峰值，LUT将为它们分配大量资源，并为大部分数据仅分配一小部分LUT。这会降低DPD性能。

图27.放大高幅度样本

削峰(CFR)技术将信号峰值向下移动到更能接受的水平。这通常用于OFDM类型的信号。ADRV9002不包含片内CFR，因此需要在外部实现该功能。为此，在ADRV9002 TES评估软件中，还包含CFR版本的LTE波形。CFR_sample_ rate_15p36M_bw_10M.csv如图28所示。可以看到，由于CFR，在高功率时，信号的峰值被限制在特定水平（在末端倾斜）。这将PAPR有效地推动到6.7dB，差值约为5dB。CFR的操作将对数据造成“损害”，因为EVM将降级。但是，与整个波形相比，高电平幅度峰值出现的概率非常小，将带来巨大的优势。

图28.LTE10幅度直方图，有CFR

图29.LTE10功率直方图，有CFR

结论

DPD是一种复杂的算法，许多人都觉得很难用。为了获得最优结果，需要花费大量精力设置硬件和软件，并且要小心谨慎。ADI的ADRV9002提供集成式片内DPD，将显著降低复杂性。ADRV9002还配备有DPD软件工具，可以帮助用户分析其DPD性能。

关于ADI公司

ADI是全球领先的高性能模拟技术公司，致力于解决最艰巨的工程设计挑战。凭借杰出的检测、测量、电源、连接和解译技术，搭建连接现实世界和数字世界的智能化桥梁，从而帮助客户重新认识周围的世界。详情请浏览ADI官网www.analog.com/cn。

作者简介

Wangning Ge是一名产品应用工程师，工作地点在新泽西州萨默塞特。他于2019年加入ADI公司。在此之前，他在诺基亚（以前的阿尔卡特朗讯）担任软件工程师。在DPD算法设计和基站射频应用领域，Wangning拥有丰富的经验。他负责ADRV9001系列收发器产品。

NVIDIA之前发布的业绩显示，游戏业务净利润大幅下滑，是用户需求的下降，导致了显卡销售极速下滑，而整个PC行业其实目前的情况都差不多，大家的需求都很弱。据国外媒体报道，存储芯片市场目前的状况并不乐观，已有研究机构预计NAND闪存和DRAM的价格均在下滑，市场供过于求的状况在明年会加剧。

拥有三星电子和 SK 海力士这两大存储芯片巨头的韩国，是全球重要的存储芯片供应地，存储芯片价格下滑，势必会影响到韩国半导体厂商的业绩。

而韩国媒体在报道中也表示，在存储芯片市场增速放缓的情况下，存储芯片价格的下滑将使韩国半导体厂商的经营状况进一步恶化。

此外，韩国媒体在报道中还提到，存储芯片价格的下滑，还有可能影响韩国整体的出口。

其实在这之前，DIGITIMES就曾报道，业内人士透露，NAND闪存的价格将在2022年下半年进一步下降，因为供应商处理过剩库存的压力越来越大。

消息人士指出，NAND闪存芯片供应商现在面临四到五个月的库存。今年下半年，芯片价格将迅速下降，季度价格降幅达到近20%。

此外，消息人士还指出，SSD的库存在整个PC供应链中堆积。华硕电脑等品牌厂商自二季度以来库存居高不下，并继续向下调整SSD和其他组件的订单。

来源：快科技

2022年8月28日，蔚来首款搭载激光雷达的SUV车型ES7在北京、上海、合肥、厦门等城市顺利向终端用户开启交付。ES7与蔚来ET7同样搭载的是来自Innovusion的超远距高精度激光雷达，为车辆更早、更精准、更稳定的感知探测提供助力，赋能山路、越野等复杂地形与工况下更为安全、舒适与智能的户外行车体验。

时尚运动，大气精致

蔚来引领的自动驾驶时代外观设计语言首次被用于SUV，ES7整体车型的打造简约而富有科技感，搭配年轻个性的线条，带来活力运动感；瞭望塔式激光雷达布局，站得高，看得广。通过梯形轮廓加圆角处理的包裹, 流线型平滑过渡，ES7将激光雷达完美融入外观，整体造型流畅，大气而不失精致。

优异性能，畅享舒适

Innovusion作为ES7所搭载的Aquila超感系统的重要组成部分，守护驾乘人员逐梦户外，尽享自由。

沙漠的夜色星河、高原的冰川雪山、丘陵的梯田万顷……户外活动让我们得以置身更广阔的空间，带来身心的减压与释放，在全新的视野中解锁新奇而丰富的体验。

然而在户外旅程中，复杂地形和相对恶劣的行车环境，也难以避免地为驾乘体验带来了不小的挑战。搭载了激光雷达的蔚来ES7超感系统不仅能支持城市快速路、高速路等常规行车场景，也能很好地适配户外行车环境的需求。

• 面对山路颠簸起伏、大曲率转弯等路况，Innovusion"定睛凝视"功能可实现ROI（感兴趣区域）的动态调节，提升对前方路况更好的感知与识别，有效地提前发现远处危险目标。

• 得益于ES7激光雷达1550nm波长激光的更强的抗干扰能力、更好的光束准直度、同等环境下更高的大气穿透率，在户外飞尘环境中行车时也可获得精准感知。

• 涉水也是户外环境中的常见现象，ES7激光雷达瞭望塔式布局，很好地避开了低处坑洼、涉水或泥水飞溅等环境带来的视窗遮挡隐患，同时也带来了更为清晰、开阔的探测视野。

• 即使在户外夜晚无路灯的情况下，车辆的探测也不会受到影响。Innovusion高性能激光雷达的加入，补足了夜晚行车场景中原有感知的痛点，更好地为户外夜行保驾护航。

严苛验证，惬意户外

ES7所搭载的激光雷达经受"千锤百炼"：接受耐有害气体与化学试剂腐蚀的环境测试；经历10次以上循环的温湿交变与霜冻测试；拥抱环境温度85摄氏度的高温炙烤和-40摄氏度急速冷冻，在冷热冲击测试中循环100次以上；承受50个G的冲击测试；模拟阳光辐射和紫外线对零部件影响的光照测试，在大于盛夏吐鲁番光照强度的最强光照下，保持几千小时的持续运行……

通过一系列严苛的车规验证与优化，Innovusion确保产品在各项严酷测试后性能依旧稳定，为应对户外长时间行车、颠簸、沙尘等复杂恶劣路况，体验更加精彩刺激的户外活动提供可靠加持。

Innovusion超远距高精度激光雷达，对行车中常见的较难识别的黑色车辆，标准探测距离（10%反射率物体）可达250米；最远探测距离达500米。可在户外环境中更早、更精准、更稳定地探测，提升在户外越野等复杂地形中的舒适制动与驾乘体验，呵护我们尽情享受有趣、惬意、温馨的房车旅行。

Innovusion已经建立起年产能可达10万台的全工业化高性能激光雷达产线，且仍在持续扩大产线与产能，为高性能激光雷达量产交付到用户端保驾护航。不断追求科技突破的背后，是Innovusion致力于用科技切实为大家创造更安全可靠、智慧便捷生活体验的美好愿景。携手蔚来ES7，Innovusion激光雷达守护驾乘者感知万物、体察细微，逐梦户外、尽享自由。

稿源：美通社

随着数据中心的变革，这股国产“大芯片”创业浪潮也正在从AI芯片，GPU、DPU涌向CPU，这引起了国内外的广泛讨论。特别是在数据中心CPU方面，因为在过去十多年里一直是由英特尔X86处理器垄断的市场，这就使得国内的这波创业潮获得了高度关注，有投资者甚至将其称之为“最后一颗大芯片投资机会”。

为什么大家对Arm服务器芯片关注度那么高？它们的门槛又在哪里？其是否真的有实力叫板英特尔？带着这些疑问，半导体行业观察记者拜访了半导体Arm服务器CPU初创企业遇贤微 [一家成立之初就获得了知名机构和行业大咖们认可及支持的行业先行者] ，并与该公司创始人罗勇博士、首席架构师陈争胜和研发副总裁彭亮等进行了一番交流，力争与大家分享Arm服务器芯片繁荣的台前幕后。

大有可为的服务器CPU市场

Q：服务器CPU这颗芯片的市场规模有多大？

罗勇博士：这颗CPU在中国是600亿市场规模，云计算是主要场景，比GPU的市场规模还要大很多，随着数据和算力需求的增长，到了2030年国内预计达到1500亿规模，目前市场集中度非常高，能供应的公司不多，这也是英特尔的核心造血业务。

因为这是一颗设计难度高、人才密集度高、交付周期长的产品，难度高在指定的目标内、完成高性能的设计。因为软件兼容性的要求，在2010年，只有x86是可行。最终客户软件只能跑x86的芯片。经过从2010年到2020年10年行业攻关，完成了x86向Arm架构的软件移植，现在云计算软件平台和服务器可以支持Arm架构和x86架构。这是遇贤和美国的Ampere都可以基于Arm架构来研发高性能服务器CPU的基础，客户需要一个更适合云计算的CPU，现在也可以规模化的部署这个产品。

算力的增长，CPU的需求量持续增加。同时也需要更加强大计算能力的CPU，可以在有限的数据中心里面增加算力密度。对研发公司的要求，要提前预判市场的需求，按照同期高性能的要求来做研发。

Q：同样作为大芯片，和这几年已经炙手可热的GPU相比，CPU被一些投资人称为最后一颗大芯片投资机会，那么GPU和CPU的创业有什么差异？

罗勇博士：同样作为大芯片，GPU的火爆在于人工智能、大数据对于算力的需求，而GPU适用于AI的训练和推理，CPU实际上真正承担了云端主要常规算力。大家以前之所以忽略CPU创业，是因为在这个赛道，英特尔的x86一直以来占据霸主地位，直到今天ARM化的大潮流的成型，才让大家看到了革命的大机遇。对比GPU，CPU在服务器端的市场规模更大，而从技术落地的角度而言，做GPU创业的公司都无法回避的难关是开发新的软件系统或者兼容CUDA，英伟达的CUDA是独有的封闭生态。芯片公司投入人力开发一个新的软件系统，熟悉新软件系统的人才又需要很长时间培养。建立新软件、新人才、规模应用这个正向循环的挑战非常大。而CPU不一样，云计算软件是一个完全开放的生态系统，上下游已经成熟，换句话说，GPU做出来，距离客户去学会你的软件，去开发，去应用，需要很多努力，而Arm CPU做出来，客户就可以即买即用了，可以说服务器CPU是能够实现商业落地的大芯片。在过去10年的ARM架构云计算移植中，我们团队核心成员是主要的推动力量。大家推动了这个时期的发展，而不是搭便车。

Q：服务器CPU跟PC的CPU有什么不一样？能否直接用？

彭亮：服务器CPU和PC的CPU两者都是设计难度极高的芯片，但存在的差异也是很大，主要体现在CPU算力、接口多样化、功耗要求、封装技术、RAS（可靠性、可用性、可维护性）、物理实现难度等，另外软件生态也非常不一样，这些都需要长期的知识积累才能得到其中的know-how，所以是需要有专注在某个方向的团队才能把这两种不同类型的CPU芯片做好。

陈争胜：对的，从技术上看，PC的“CPU”是一种典型的SoC架构，其架构更分化，芯片上会集成有CPU Core、Graphics Processor、Nerual Processor，这每一个Processor都有自己的生态要求。而云计算CPU聚焦在CPU 单元的弹性扩展和服务器平台需求。云计算CPU需要考虑怎么有效降低整个数据中心整体的TCO、怎么满足日益严苛的云端数据安全的问题等。从微架构上看，这两者对CPU Core的要求上也不一样，PC的处理器规模小，线性扩展容易做，而云计算场景要求集成大量的计算单元，大规模并发的资源冲突和性能瓶颈是必须解决的问题。因此二者技术攻关的问题是不一样的，云计算CPU需要解决更多难题，比如超多核线性度问题、复杂多变的应用场景带来架构弹性问题，如何满足高可靠性应用等等。从目前成功的商业策略上看，都是要采用不同的产品线来覆盖这两个市场，每个产品线要非常专注，是两个不同的赛道。

Arm的新机遇和挑战

Q：过去那么多年X86都占绝对份额，您怎么看ARM的这轮切换，为什么认为这是未来？

罗勇博士：

a)全球云计算CPU的趋势

其实全球的服务器市场，一开始并不是大家理解的这样。服务器市场在1990年代是百花齐放的，当时由市场公司主导，做系统、芯片、软硬件一体化的服务器方案，当时代表性的架构是SUN SPARC，IBM Power, DEC Alpha等多样化RISC系统，一台服务器要卖10万美金以上。我在1999年加入英特尔，从那时候就在英特尔架构团队将原本用于PC市场的奔腾处理器，“改装”成服务器用的CPU，我们大概花了3代的时间，将这个产品真正推向市场，数据中心此时也正在经历大变革，互联网公司崛起，英特尔联合服务器整机品牌，将服务器价格从百万级别打到20万级别，分享了互联网时代的数据红利，于是2010年英特尔就拿下了90%服务器市场份额，成为了服务器CPU的绝对龙头，伴随而生的是，浪潮、Dell等整机厂的崛起。

图：2000年-2010年 服务器x86架构渗透率变化

b)变化的核心原因

这一轮会产生架构切换的原因，与二十年前一样，云计算和云原生的崛起，算力需求在爆发式扩张，本身云计算对CPU的需求却变成小核高性能化、多核虚拟化、功耗更低，“经济适用”。ARM架构CPU在这些点上都有着独到的优势。Arm架构单片可以集成超过150个核。这对于云计算公司就变成了一笔非常划算的买卖。

所以过去十年arm和软件公司、CPU公司、生态公司，一个个软件去推动适配，才在2019年前后，伴随着华为鲲鹏、亚马逊的arm cpu规模化应用，最终实现了全行业的架构更迭。

全球最大云计算厂商亚马逊在自己云计算的ARM架构CPU Graviton真正部署起来，并且占到自己数据中心绝对量的20%，这是ARM架构CPU在云计算/服务器行业上量的标志性转折点。包括近期，谷歌也宣布了采用ARM架构服务器CPU，也是业内一个标志性事件。

Q：做这类型大芯片的难点是什么？

陈争胜：对于先进工艺下面积超过100平方毫米这样的大芯片，不仅仅投资巨大，商业门槛高，而且其单纯的芯片技术门槛也很高。要想研发一款商业成功的高性能计算CPU，需要突破的技术限制非常多，比如Memory、IO、Power、Yield以及Frequency等等瓶颈。这里面比较为人熟知的是“Memory瓶颈”，内存带宽的增加速度远远赶不上各种Core的性能增加速度，不合理的架构会导致片上堆叠的Core性能发挥不出来。核数增加，如何保障性能的线性增长，是CPU的一个大难点。我们做过多代处理器，每次都是采用多项创新性技术突破来解决这些难点。

一般的方法，要从整个硬件系统、软件全栈的角度思考如何做最优化的设计，除了CPU架构外，对接的设备，如DIMM、存储设备等，是否可以一起创新来做更优化的设计，还很需要对每个模块技术的掌控。所以，既需要架构上合适的权衡取舍，又需要工程上的精益求精，加上创新性的思维以及长期的经验积累，在技术研发中碰撞解决，通过“系统工程方法论”保障交付。这也是我们几个这十几年一直做大CPU的经验。

实力雄厚的遇贤微

Q：罗博士，是什么样的经历和体会让您这样的前辈走上现在的创业之路？

罗勇博士：我自己北美UBC计算机博士毕业后，就从事高性能计算机架构研究，在美国最大的计算中心做CPU的性能分析和架构优化，特别是推出各种不同架构处理器做一致性的性能标准，便利于我们对不同芯片做针对性的应用架构调整。这个成果对我在99年加入英特尔，把奔腾处理器应用到服务器上，有很大的作用。当时英特尔x86处理器刚刚进入服务器领域。到2000年，国内仍然很少做服务器的公司，我的联合创始人姬信伟当时正在华为美国研究所，请我协助和英特尔服务器研发部门的合作，就这样我们认识，协作推动了国内刀片式服务器的研发、机架式服务器的研发。当时英特尔负责服务器的部门有通信事业部和数字企业事业部，得到两个部门的同意，我在深圳设立研发团队，姬信伟作为科学家和架构师协助我在技术、商务、团队组织上，做了大量的工作，是深圳最大服务器公司最有力的推动人。

图：罗勇博士

我主要的工作在美国总部，在2005年前后，建立并管理了美国、深圳、北京和上海的100多人服务器平台技术团队。这些团队，正是2009年前后推动了x86进入服务器和云计算的一个重要力量，同时培养一批中国大型数据中心的服务器系统人才。不同的处理器架构研发和云计算公司骨干，都有我们团队的成员。像我的联合创始人离开英特尔以后，推动了Arm云计算软件和芯片研发的工作。

中国公司在产业链上有系统集成的优势，而CPU这样的核心部件研发，还在持续发展中。回国后我在兆芯担任高级副总裁，部署国产化CPU的研发和应用，包含PC和服务器。总结起来，我自己将近30年，都是在做服务器CPU的工作，包括研发、应用，行业和企业管理。

我的搭档不同点是他更决断看到Arm架构是未来方向，在离开英特尔后，就投身到Arm架构服务器的事业。在2016年，ARM服务器应用的难点在于软件生态不成熟，于是ARM生态公司Linaro联合ARM、欧美公司，国内的一流芯片公司和云计算公司，主导了全行业的生态演进，协同开发突破RedHat、KVM、Ubuntu等等云计算的软件适配Arm架构的处理器。姬信伟在Linaro做副总裁期间，主要推出了适用于国内Arm架构云计算的参考平台，大幅度推进了国内云计算最终用户的软件兼容Arm架构服务器。

当时我正在做国产CPU，我们俩围绕着如何做CPU、如何做软件、如何做应用、如何有更大的市场份额形成良性的循环做了很多交流。从国产化的角度出发，我认为国内需要走一条符合高性能、通用市场需求的芯片产品道路，同时过去在英特尔实现的x86替换老架构，让我总结了服务器变革的源动力，认为这是二十年一遇的良机；从我合伙人的角度出发，他深度推动和参与了ARM服务器在中国的发展，坚定地认为ARM替代X86的时机已到，而且国内的技术团队中少壮派领袖已经成长起来。所以我们一拍即合，做一款国产、高性能、ARM架构的一流CPU产品，在今天的中国，是可行且必须走的路径。没有创业公司去踏，就由我们这些行业老兵来拉团队先干起来。

另外，我们创立之初对国内的行业做了很多说明工作，特别是创业公司为什么能够做出来、能够做好这颗大芯片。幸运的是，遇贤创始团队都很熟悉服务器和云计算市场，特别是CPU的研发、云计算的需求和产业的演进，并且核心人员在不同的项目中交叉共事过，思维模式和分工都很明确，团队之间有默契和信赖感，所以我们才能走得那么稳健、快速。

这一年半的发展，研发的成果，一流的技术领导团队和精干的研发力量，也证明我们选择是正确的。遇贤微电子——国内第一家做高性能CPU的创业公司，给大家做了表率。我们更要集中精力，致力于我们的初心，做一流的CPU产品和系统。

Q：能否先再深入简要介绍一下咱们核心团队背景？

罗勇博士：遇贤微电子的独特性和团队独特性，正是来自国内涌现出新一代的技术领袖。我们国内已经拥有多家一流的处理器公司，像海思、中兴微电子、展讯。这些公司的核心技术高管普遍都是在过去15年专注于处理器的研发，交付了5代以上的处理器，特别是Arm架构的处理器，每一代有数百万片、上千万片的发货量。我们副总裁陈争胜和彭亮两位80后，是业内第一梯队芯片公司的技术大牛。研究生毕业后就分别在海思团队和中兴微电子团队做了5代计算芯片，对Arm架构的多核计算芯片了如指掌。

图：陈争胜及其负责的芯片

陈争胜在海思超过10年，曾担任过海思鲲鹏SEGL（首席架构师），也是大家眼中最年富力强的核心架构师；彭亮则是原中兴微电子大芯片的研发总负责人，全盘主持了ARM最新架构两代大CPU的完整研发；我的联合创始人、遇贤COO姬信伟，他是我在英特尔多年的老搭档，他担任过Arm中国服务器市场的负责人，也曾是ARM最重要的生态公司Linaro的副总裁、还担任过华为美研所和处理器研究部的总监。我自己的经历也都是CPU研发管理和技术性工作，上一段经历是担任兆芯的SVP，曾在英特尔美国总部任职十一年，担任过Intel服务器CPU架构师，后来作为事业部总经理带领服务器CPU验证部门完成过多代Intel主流服务器至强芯片。最早博士毕业后的第一份工作就是数据中心CPU研发，在美国最先进的超算数据中心做架构师，我们娴熟于当时三、四种不同架构的服务器CPU，用那些优点改造了x86 处理器，成为2000年服务器的新力量。除了我们4位以外，在软件、硬件、前端、后端、验证、先进封装等全链路各个环节，我们都分别有了20年上下专业经验的资深团队leader。可以说对这颗大芯片的设计理解，在行业内遇贤是最完整和强健的。我们会研发一款非常有特色的CPU，重复我们过去两轮的CPU成功。

图：彭亮及其负责的芯片

市场对高性能和国产化CPU的紧迫需求，我们遇贤微电子团队可以用云原生处理器来替代老架构的CPU，交付这个产品，就是遇贤微电子的核心团队的承诺。

Q：国内现在芯片做得轰轰烈烈，遇贤微电子是否能够推出具备国际水平的产品？

罗勇博士：我们有非常明确的目标，就是不仅实现在国内的研发，产品规格也要达到同期的国际一流水平。

大CPU的研发是重度依赖技术团队的核心经验，并且还要具备顶层视角，在过往经验的基础上具备前瞻的演进能力。我们这些人过去在ARM架构计算CPU、服务器CPU、自研架构等多个领域都曾作为技术负责人，推出过国际一流水平的产品，发货量过千万，完成了通信领域和计算领域CPU的国产替代。坚定的往前走一步，是责无旁贷。

所以，基于历史经验和市场情况，我们很早就能够把产品规格定在了新一代产品中Tier 1竞争力的位置，把以前从32核做到64核再到128核的经验，进一步提高核数，以核心技术创新拉高整芯片性能。对未来三代，我们也制定了极具竞争力的产品技术路标。

Q：作为一家国内的创业公司，遇贤微为何能做这样高难度的产品？

陈争胜：毋庸置疑，高性能CPU是半导体行业的皇冠。为什么我们敢挑战和发起冲锋？

首先当下出现了一个二十年一遇的架构切换机会窗口，这是格局即将变革的节点。Fabless模式有一个高度分工的产业链，我们得以立足在技术核心芯片设计上，跟其他成熟的产业链公司合作，实现CPU最终的商业化闭环。这也是海思、中兴微等一流芯片公司的经验。

虽然创业公司没有像大公司那样的众多“平台”部门支撑研发，但创业公司的项目非常聚焦，协同管理变得极度简化，资源集中，效率很高；同时公司是团队自己的，不会是打工心态，借由我们团队原来在大平台的经验可以很快形成效率组织，反而能用最精干的部队，最高效地做出最有价值的产品。

创业公司也有难点，核心专家的技术经验和高度对每个技术关卡都有决定性因素，资源“对”的整合，战略决策和方向的稳定，骨干团队要对、要齐，整个团队像精密的齿轮一样啮合紧密、高效运转，既要有定海神针，又要有少壮派的冲劲。有干劲和技术基础，我们团队就能解决这些难点。

Q：Chiplet技术最近很多人谈？会是个趋势吗？

彭亮：首先这是一个解决特定问题的技术，这个技术并不是今天才有的，已存在多年，业界已经采用这种技术用于解决例如单芯片规模、算力、良率、异构计算等问题，Chiplet芯片的设计交付和量产本身是个成熟方案，而在这方面我们过去做过多代Chiplet，加上和领先封测厂家的紧密合作，可以进一步加大芯片规模。

陈争胜：对的，Chiplet并不是一个很新的技术，是沿着MCM、SiP技术发展而来。技术上强调的是架构上的拆分、先进的封装技术掌握以及异构生态的构建。广义的Chiplet已经广泛使用，对国产化意义重大。Chiplet真正要带来革命性的变化，还需要类似IP生态一样的Chiplet生态出现，才能真正实现异构、异质系统的构建。我们也会采用这样的技术，来满足不同的市场需要。

Q：你们对大厂纷纷做芯片怎么看？

彭亮：全球化分工是不可逆的。早在intel成名之前，服务器公司也是从芯片、软件、生态、系统一体化垂直做，后来intel改变了这个格局，降低了下游的应用成本，将市场蛋糕也做大了。产业链上一定会有独立第三方芯片公司作为供应商。

对大部分不以芯片作为核心业务的云计算公司，自己做大CPU是不划算的投入，不仅要做当代产品的巨大研发投入，还同时需要构建长期竞争力。遇贤定位是芯片公司，我们团队的经验和投入都会非常聚焦。

陈争胜：是的，我在独立的Fabless公司和大厂的芯片研发部都有过研发经历，有些大厂做芯片，是利用业务Known-how进行垂直整合创新，降低采购成本，以及提高对供应链的话语权。即使如此，像亚马逊这样的大厂，采用自研芯片的同时，也持续的采用商业化方案，构建更稳健的供应链。技术团队很重要，如果自研芯片达不到通用市场水平，或者大厂本身的采购量不足以覆盖一代代产品的研发投入，会形成很大的资源浪费。更广阔的客户还是需要第三方来服务。

未来将何去何从？

Q：Arm服务器芯片未来在于Intel的竞争中，会处于怎样的位置？

罗勇博士：美国著名的ARK基金给出过一个大胆预测，预计到2030年，服务器CPU的市场占有率会有70%从X86转变为ARM架构，这意味着英特尔会从绝对的霸主，交出宝座，而与此同时，可能会产生数家千亿级的新巨头。

从行业分工的角度而言，未来英特尔面临很大的压力。主要是IDM模式难以支持市场需求减弱、工厂开支增加的矛盾。Arm架构能够胜出，也是因为众多的合作公司分担了软件和架构的研发成本，分担了代工厂持续迭代的设备投资。

未来云计算CPU的格局，和现在手机处理器的格局会类似。系统公司自研CPU、和独立CPU公司并存。像三星、华为、苹果是前面的模式，而高通、展讯、联发科是后面的模式。我们看到现在中国市场上，因为产业形态的原因，对独立CPU公司的需求更大。这也是遇贤坚持的一个方向。在这一点上，我们从创业到现在，都是保持一致的。

Q：如你所言，服务器Arm化的趋势，有一天也有可能会被其他架构（如RISC-V架构）突破？

罗勇博士：当然有这个可能性，比如我们也看好RISC-V的发展，但距离RISC-V的生态成熟还有需要许多年的路程要走。从x86到今天的ARM化，是二十年一遇的浪潮，得益于整个大生态环境的支持已经完善。过去十年一直有很多创新型公司都试图用arm替代intel，用新的架构以满足服务器和云计算的需求，但受制于软件应用没有打通，一直没有很大突破。生态公司、ARM、软件公司、芯片公司投钱、投人力，有组织的联合研发，耕耘了十年，直到在2019年前后，才完成软件的适配工作。

生态的建设不是一朝一夕之力，也不是一家公司的成就，必须得新需求的拉动，加上全行业巨头、上下游的参与，才能够完成。

写在最后

自英特尔一统服务器芯片市场以来，他们垄断这个市场的地位是几乎从没有人撼动过的。翻看过往的统计数据，我们发现Intel在服务器芯片市场份额曾一度高达98%，即使在AMD和Arm服务器芯片强势崛起的当下，Intel在这个市场依然遥遥领先。

据分析机构Omdia的统计数据显示，在今年第二季度，全球服务器出货量为 340 万台。Omdia 衡量英特尔在数据中心市场的份额为 69.5%，AMD 为 22.7%，Arm 为创纪录的 7.1%，剩下的0.6% 归于其他架构的芯片。值得注意的是，Arm服务器芯片的的市场份额同比增长了 48%。我们也期盼随着CPU的演进，国产CPU的比例也可以大幅度的增长。

2022 年第二季度 Arm 与 x86 服务器市场份额（source：omdia）

众所周知，过去多年的发展里，即使Arm多次尝试，他们依然仅仅是手机和嵌入式市场的王者，但在服务器芯片市场却动不了英特尔分毫，这除了本身性能的原因外，英特尔在服务器市场上做的巨大贡献更是其中一个关键因素。

但现在，一个全新的机会摆在Arm和遇贤微面前，接下来就让我们看他们如何运筹帷幄。让我静待一个革命性时代的到来。