《智能网联汽车视觉感知计算芯片技术要求和测试方法》

T/CSAEXX－XXX

智能网联汽车视觉感知计算芯片技术要求和测试方法

1范围

本文件规定了智能网联汽车视觉感知计算芯片的技术要求和计算性能测试方法。

本文件适用于智能网联汽车视觉感知计算芯片的设计开发参考和计算性能的测试评价。

本文件所提到的视觉感知芯片的计算性能测试方法，其他领域的视觉感知芯片计算性能测试可参考

采用。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T2900.13-2008电工术语可信性与服务质量

GB/T2900.66-2004电工术语半导体器件和集成电路

GB/T5080.1-2012可靠性试验第1部分：试验条件和统计检验原理

GB/T5271.1-2000信息技术词汇第1部分基本术语

GB/T5271.28-2001信息技术词汇第28部分：人工智能基本概念与专家系统

GB/T18305-2016质量管理体系标准汽车生产件及相关服务件组织应用GB/T19001-2008特别要求

GB/T28046.1-2011道路车辆电气及电子设备的环境条件和试验第1部分：一般规定

GB/T28046.2-2011道路车辆电气及电子设备的环境条件和试验第2部分：电气负荷

GB/T28046.3-2011道路车辆电气及电子设备的环境条件和试验第3部分：机械负荷

GB/T28046.4-2011道路车辆电气及电子设备的环境条件和试验第4部分：气候负荷

GB/T34590-2017道路车辆功能安全

GB/T38187-2019汽车电气电子可靠性术语

T/CSAE222—2021纯电动乘用车车规级芯片一般要求

T/CESA1120-2020人工智能芯片面向边缘侧的深度学习芯片测试指标与测试方法

AEC-Q001Rev-DGuidelinesforpartaveragetesting

AEC-Q002Rev-AGuidelinesforstatisticalyieldanalysis

AEC-Q003Guidelinesforcharacterizationofintegratedcircuits

AEC-Q004ZerodefectsGuideline

AEC-Q100Rev-HFailuremechanismbasedstresstestqualificationforintegratedcircuits

3术语和定义

GB/T2900.66-2004、GB/T5271.1-2000、GB/T18305-2016和GB/T34590.1-2017界定的以及下

1

T/CSAEXX－XXX

列术语和定义适用于本文件。

3.1

智能网联汽车intelligentandconnectedvehicle；ICV

搭载先进的车载传感器、控制器、执行器等装置，融合现代通信与网络、人工智能等技术，实现车

与X（车、路、人、云等）智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可

实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代汽车。

3.2

车规级芯片automotivegradechip

满足汽车质量管理体系，符合可靠性和功能安全要求的集成电路。

[来源：T/CSAE222—2021，定义3.5]

3.3

视觉感知计算芯片visualperceptioncomputingchip

主要用于执行视觉感知计算任务的芯片，主要用于智能驾驶，人机交互。本文件中视觉感知计算芯

片属于车规级芯片。

3.4

汽车安全完整性等级automotivesafetyintegritylevel；ASIL

四个等级中的一个等级，用于定义相关项或要素需要满足的GB/T34590中的要求和安全措施，以

避免不合理的风险，其中，D代表最高严格等级，A代表最低严格等级。

注：QM不是一个ASIL等级。

[来源：GB/T34590.1-2017，定义2.6]

3.5

系统性故障systematicfault

以确定的方式显现失效的故障,只有通过使用流程或设计措施才有可能防止其发生。

[来源：GB/T34590.1-2017，定义2.131]

3.6

预期功能安全safetyoftheintendedfunctionality；SOTIF

由功能不足、或者由可合理预见的人员误用所导致的危害和风险。

3.7

汽车信息安全vehiclecyber-security

汽车及其功能被保护，以使其电子电气组件不受威胁的状态。

[来源：GB/T40861-2021，定义3.1]

2

T/CSAEXX－XXX

3.8

可靠性reliability

产品在规定的条件下，在规定的时间内，无故障地执行指定功能的能力或可能性。可通过可靠度、

失效率、平均无故障间隔等来评价。

3.9

失效failure

执行要求的能力的丧失。

[来源：GB/T38187-2019,定义1]

3.10

精度保持下的平均帧率meanaccuracy-guaranteedprocessingspeed；MAPS

针对视觉感知计算任务，在精度有保障范围内的平均处理速度。该指标的计量单位为FPS（处理图

像数量/秒），即每秒可处理的图像帧数。

3.11

精度accuracy

与具体任务和评估指标相关的模型推理的准确性度量。

3.12

帧率framerate

以帧称为单位的位图图像连续出现在显示器上的频率（速率），在本标准中代表吞吐率，单位是FPS。

3.13

测试数据集testdata

独立的数据集，用于调参后模型的无偏估计。

[来源：ISO/IECTR29119-11-2020，定义3.1.75]。

3.14

前N正确率top-N

图像识别算法给出前N个答案中有一个是正确的概率，N常取值为1或5。

3.15

批次大小batchsize

一个批次中的样本数。批次大小在训练和推理期间通常是固定的。

[来源：T/CESA1120-2020，定义3.12]。

3

T/CSAEXX－XXX

4缩略语

下列缩略语适用于本文件：

AI人工智能ArtificialIntelligence

AEC-Q汽车电子委员会测试认证规范AutomotiveElectronicsCouncilTestQualification

ASIL汽车安全完整性等级AutomotiveSafetyIntegrityLevel

ASPICE汽车软件过程改进的能力和测定AutomotiveSoftwareProcessImprovementand

CapacityDetermination

BIT内置测试Built-inTest

DFMEA设计失效模式及影响分析DesignFailureModeandEffectsAnalysis

FPS每秒处理图像帧数FramePerSecond

MAPS精度保持下平均帧率MeanAccuracy-guaranteedProcessingSpeed

PAT零件平均测试PartAverageTesting

DUT被测设备DeviceUnderTest

ATE自动试验设备AutomaticTestEquipment

5技术要求

5.1环境可靠性要求

5.1.1车规级芯片（也可简称“芯片”）的应用环境应涵盖车辆及其电子控制单元的制造、运输和使用

环境，主要包括温度、湿度、机械振动、热应力和电气环境。其它应用环境还包括电磁场、光照、气压、

水、粉尘以及化学气体和试剂等。视觉感知计算芯片的工作环境温度等级选择可根据其具体应用环境进

行选择，根据在车辆上搭载位置，将汽车芯片的工作环境温度分为4个等级，分别为：

a)Grade0：-40℃to+150℃；

b)Grade1：-40℃to+125℃；

c)Grade2：-40℃to+105℃；

d)Grade3：-40℃to+85℃

注：该部分等级按AEC-Q100等级划分。

5.1.2视觉感知计算芯片环境可靠性试验项目应包括：

a)环境应力加速验证，主要包括的项目有：预处理试验PC，有偏温湿度或有偏高加速应力试验

HAST，温度循环试验UHAST,功率温度循环试验PTC，高温存储试验HTS；

b)加速寿命模拟验证，主要包括的项目有：高温工作寿命试验HTOL，早期寿命失效EFR；

c)封装验证，主要包括的项目有：可焊性试验SD，锡球推力试验SBS，物理尺寸试验PD；

d)芯片晶圆可靠性验证，主要包括的项目有：电迁移EM,电介质击穿TDDB,热电子注入效应

HCI,负偏压温度不稳定性NBTI,应力迁移SM；

e)电性验证，主要包括的项目：应力测试和试验前后功能/参数TEST,静电放电人体模式HBM，

静电放电带电器件模式CDM，闩锁效应Latchup，电分配ED故障等级FG,特性描述CHAR；

4

T/CSAEXX－XXX

f)缺陷筛查测试，主要包括的项目有：过程平均测试和试验PAT，统计式良率分析SBA。

5.1.3环境可靠性试验应符合AEC-Q100标准规定的采样要求和流程，并在满足环境可靠性试验项目测

试能力的CNAS-CL01-2018要求的合格实验室中进行。用于验证环境可靠性试验结果的测试程序应覆盖

主要功能性能指标。其中，功能性能指标来自芯片的产品规格书。

5.1.4芯片供应商提供AEC-Q100测试报告，测试报告应包括必要的试验项目的测试条件、样品量和测

试结果。针对加速生命周期模拟测试(HTOL)，在报告中标明测试时的电压加速条件、环境温度（Ta）和

结温(Tj)。

5.1.5车规级芯片供货周期内的设计寿命应覆盖车辆的设计寿命。芯片供应商与芯片使用方应结合车

辆电子控制单元的任务曲线计算确认芯片的任务剖面。

5.1.6当芯片的构成要素发生变更时，应按AEC-Q100标准中3.2的要求再次验证。

5.2功能安全要求

5.2.1为避免系统性故障，车规级芯片产品的功能安全要求应贯穿产品的全生命周期，参考GB/T34590

标准中相关要求。

5.2.2视觉感知计算芯片可根据不同的应用场景选择对应的ASIL等级。

5.2.3功能安全管理应包括：

a)组织层面的独立于项目的功能安全管理：芯片供应商应建立符合GB/T34590要求的功能安全

管理体系；

b)针对项目的特定安全生命周期内的功能安全管理：在芯片的整个开发过程中，应对安全生命周

期内的各项安全活动实施功能安全管理，主要安全活动包括芯片开发、芯片生产等。

5.3质量管理体系及质量控制要求

5.3.1芯片供应商的质量管理体系应符合GB/T18305的要求及质量控制，见资料性附录D。

5.3.2量产期间中对制造过程至少每3个月应进行一次可靠性周期性检验，检验项目为AEC-Q100测试

组A中要求的项目。周期性可靠性样品计划基于周期内生产的产品，按供需双方要求抽样。

5.4计算性能要求

5.4.1视觉感知计算芯片的算力和对应的算法应能支撑智能网联汽车具备准确且实时的感知能力。

5.4.2视觉感知计算芯片设计时应同时考虑视觉感知计算时的精度和速度，测试方法按6计算性能测

试方法进行。

5.5其他要求

5.5.1芯片的质量控制考虑设计和制造过程，还应考虑原材料采购和出厂后的电子装联过程。

5.5.2芯片的预期功能安全可参考ISOPAS21448:2019相关要求。

5.5.3芯片的信息安全可参考ISO21434:2021的相关要求。

6计算性能测试方法

6.1MAPS测试方法

5

T/CSAEXX－XXX

MAPS测试方法是指在精度有保障范围内的平均处理速度，在视觉感知计算任务中，该指标的计量

单位为FPS，即每秒可以处理的图像帧数，见图1所示。

图1MAPS测试架构图

6.2测试环境

MAPS测试方法所需要的测试环境如下：

a)模型库：验证视觉感知计算芯片计算性能的一组模型集合，一种任务类型对应一组模型库。MAPS

所限定的模型精度范围通过模型库来限制，各类型测试模型应不少于5个；

b)数据集：验证视觉感知计算芯片计算性能的一组图片集合，包含图片和图片信息标注文件，一

种任务类型对应一组数据集，可以是开源数据集，也可以是特定场景的私有数据集，如

ImageNet分类、Voc检测、Coco检测等；

c)被测设备（DUT）：一般为待测视觉感知计算芯片及支撑芯片运行软硬件系统；

d)测试程序：运行在DUT上或服务器上，能根据给定的数据集对模型库中不同模型进行精度和速

度验证，并能输出对应的模型精度值和速度值（帧率）；

e)结果分析工具：运行在服务器上，能够根据所有测试模型的精度值和帧率值绘制出MAPS折线

图，输出MAPS值。

6.3测试流程

6.3.1测试准备

a)准备测试程序，应包含模型帧率测试脚本（运行在DUT上，测试模型推理性能）、模型精度测

试脚本（运行在DUT上，测试模型推理结果）、模型精度评测脚本（运行在服务器上，根据数

据集标注文件和DUT精度测试日志，评测模型精度）；

b)准备测试数据集，应包含测试图片和图片信息标注文件；

c)准备测试模型库，要求所有模型均可在DUT上进行推理；

d)部署测试环境，将模型帧率测试脚本、模型精度测试脚本、测试模型及测试数据集部署到DUT

上，并将模型精度评测脚本部署到服务器上。

6.3.2测试实施

6

T/CSAEXX－XXX

a)模型帧率测试：在DUT上执行模型帧率测试脚本，遍历模型库，完成所有模型测试后统计各模

型对应的帧率；

b)模型精度测试：在DUT上执行模型精度测试脚本，遍历模型库，完成所有模型测试后使用精度

评测脚本计算各模型在相应数据集上的推理精度；

c)计算MAPS值：根据所有测试模型的帧率和精度值，使用结果分析工具绘制MAPS折线图，根据

实际使用场景需求选择精度上下限并输出MAPS值。

6.4测试评价指标

6.4.1帧率

帧率计算公式：

平均前向推理速率总测试样本数量总预测时间（1）

式中:

=/

总测试样本数量——测试数据集中样本的总数量；

总预测时间——被测系统使用神经网络模型，在测试数据集上完成测试所使用的总计算时间。

6.4.2精度

针对不同应用场景，精度包括top-1、top-5算法准确率、mAP、mIoU、F-Score、FAR、FRR、

Identificationrate、WER、SER、Precision和Accuracy等指标。

模型精度测试中涉及的模型精度在不同应用场景中应进行区别性测试。

6.4.3MAPS值

在不同精度点上选择最优的FPS值（选取规则参考附录C.2.8），将这些点绘制在以帧率为横坐标，

精度为纵坐标的坐标系内，顺序连接这些最优FPS对应点，绘制出一条折线。MAPS的计算公式为：

（2）

�1

式中：𝑀𝐴=�=12𝑓��−1+𝑓��∗𝑎��−𝑎��−1𝑎��−𝑎�0

N——最优FPS点的个数；

——第i-1个点对应的帧率；

第i个点对应的帧率；

𝑓��−1——

第i个点对应的精度；

𝑓��——

第i-1个点对应的精度；

𝑎��——

测试结果中落在指定精度范围内获得的最高精度；

𝑎��−1——

测试结果中落在指定精度范围内获得的最低精度。

𝑎��——

MAPS计算公式说明：

𝑎�0

a)第i点和第i-1点之间的连线与纵轴围成的面积为：*；

1

2(𝑓��−1+𝑓��)(𝑎��−𝑎��−1)

b)整个曲线与纵轴围成的总面积则为分段面积总和，即：；

�1

�−1���−1

c)精度区间为；�=12(𝑓�+𝑓�)∗(𝑎�−𝑎�)

𝑎��−𝑎��7

T/CSAEXX－XXX

d)MAPS值为曲线所围面积/精度区间，即：。

�1

注:具体测试方法参见附录C。�=12(𝑓��−1+𝑓��)∗(𝑎��−𝑎��−1)/(𝑎��−𝑎��)

8

T/CSAEXX－XXX

附录A

（资料性附录）

MAPS测试方法参考模型说明

表A-1MAPS模型来源参考表

序号模型下载链接备注

/tensorflow/tpu/tr

EfficientNet-lite是一组应用于移动端的

A1Efficientnet-lite0ee/master/models/official/efficientn

图像分类模型

et/lite

/tensorflow/tpu/tr

EfficientNet-lite是一组应用于移动端的

A2Efficientnet-lite1ee/master/models/official/efficientn

图像分类模型

et/lite

/tensorflow/tpu/tr

EfficientNet-lite是一组应用于移动端的

A3Efficientnet-lite2ee/master/models/official/efficientn

图像分类模型

et/lite

/tensorflow/tpu/tr

EfficientNet-lite是一组应用于移动端的

A4Efficientnet-lite3ee/master/models/official/efficientn

图像分类模型

et/lite

/tensorflow/tpu/tr

EfficientNet-lite是一组应用于移动端的

A5Efficientnet-lite4ee/master/models/official/efficientn

图像分类模型

et/lite

MobileNets是基于一个流线型的架构，它使

/shicai/MobileNet-用深度可分离的卷积来构建轻量级的深层神

A6MobilenetV1

Caffe经网络，主要是针对手机等嵌入式设备提出

的一种轻量级的深层神经网络

MobileNets是基于一个流线型的架构，它使

/shicai/MobileNet-用深度可分离的卷积来构建轻量级的深层神

A7MobilenetV2

Caffe经网络，主要是针对手机等嵌入式设备提出

的一种轻量级的深层神经网络

ResNet由微软研究院提出的，通过在深度神

经网络中加入残差单元使得训练深度比以前

/HolmesShuan/ResNe

A8ResNet18更加高效，ResNet的结构可以极快的加速超

t-18-Caffemodel-on-ImageNet

深神经网络的训练，模型准确率也有非常大

的提升。

ResNet由微软研究院提出的，通过在深度神

经网络中加入残差单元使得训练深度比以前

/KaimingHe/deep-re

A9ResNet50更加高效，ResNet的结构可以极快的加速超

sidual-networks

深神经网络的训练，模型准确率也有非常大

的提升。

/ultralytics/yolov

A10Yolov5用于目标检测的算法模型

5/releases/tag/v2.0

9

T/CSAEXX－XXX

序号模型下载链接备注

/wingniuqichao/cafUNet是比较早的使用全卷积网络进行语义分

A11UNet

fe_Unet割的算法

备注：若评测方有自定义模型也可使用；如果选择其他说明，需给出其他模型的说明以及来源。

10

T/CSAEXX－XXX

附录B

（资料性附录）

MAPS测试方法参考数据集

表B-1MAPS数据集来源参考表

序测试数据

下载链接备注

号集

ImageNet是根据WordNet层次结构组

织的图像数据库，其中层次结构的每

个节点都由成百上千个图像表示。目

B1ImageNet/download-images前，平均每个节点有五百多张图像。

ImageNet主要用于图像分类模型训练

/评测，现已在研究、教学等不同领域

应用。

PascalPascalVOC是一个非常流行的数据集，

B2/projects/pascal-voc-dataset-mirror/主要用于训练和评测图像分类，目标

Voc

检测和分割算法模型。

COCO是大规模的对象检测、目标分割

B3MSCoco/zips/和图像字幕算法模型的训练和评测数

据集。

Cityscapes由德国多个计算机视觉实

验室开发的用来训练和测试像素级或

实例级语义标注的基准数据集。2015

年平台上线，2016年2月正式发布了

B4CityScape/数据集，3月发布了在线评估图像语义

分割模型的功能。数据集包含来自50

个不同城市街道场景的视频序列，其

中有20000个弱注释帧和5000个高质

量像素级注释帧。

11

T/CSAEXX－XXX

12

T/CSAEXX－XXX

附录C

（规范性附录）

MAPS方法测试流程与实例

C.1测试流程

图C-1测试流程图

C.2测试实例

C.2.1准备测试环境

准备一台X86测试服务器、一台测试计算机和一台DUT，并将三个设备通过以太网进行联通。其中，

X86服务器用于上板模型转换、测试数据集存储及上板测试辅助脚本运行，DUT主要进行测试模型推理

及数据统计。

13

T/CSAEXX－XXX

C.2.2准备测试程序

a)使用DUT对应工具链的嵌入式API编写各模型性能测试程序（不包含后处理，使用静态图作为

输入），使能够输出不同模型帧率；

b)使用DUT对应工具链的嵌入式API编写各模型在相应数据集下精度测试程序，能够输出不同模

型检测结果日志（输出结果日志与真值(GroundTruth,简称GT)日志格式相同）；

c)编写不同模型输出精度计算脚本，能够根据模型输出结果和数据集GT计算出相应模型精度（分

类模型为acc，检测模型为mAP，分割模型为mIOU）。

注：如果DUT存储空间有限，需要编写远程同步测试数据脚本，用于向精度评测程序发送数据集图像。

C.2.3准备测试数据集

a)准备Imagenet数据集，用于分类模型评测；

b)准备PascalVOC或MSCOCO数据集，用于检测模型评测；

c)准备Cityscape数据集，用于分割模型评测。

注：以上测试数据集参考附录B。

C.2.4准备测试模型

测试模型没有具体要求，能够反映芯片最优性能和最优精度即可，但为保证客观全面呈现芯片计算

性能，尽量保证同类测试模型大于5个。

注：测试模型可参考附录A，原则上测试模型不做限定，本标准更强调方法本身。

C.2.5测试各模型推理速度

在各类模型对应的数据集中建议选择110张图片作为推理速度测试输入，在芯片环境中执行性能

测试程序，每个模型测试10分钟，并计算每个模型平均帧率。

~

C.2.6测试各模型推理精度

a)在DUT环境启动精度测试程序；

b)使用远程同步测试脚本通过以太网发送数据集图片给DUT环境中的精度测试程序；

c)待DUT环境中的精度测试程序执行完成后，收集精度测试程序输出结果，使用精度评测脚本计

算模型精度。

注：分类、检测、分割模型推理精度分别使用acc指标、mAP指标、mIoU指标。

C.2.7绘制可视化图表

根据以上测试步骤得到的模型帧率数据和模型精度数据，绘制以帧率为横轴，精度为纵轴的MAPS

折线图。

注：分类、检测、分割三类模型分别绘制。

C.2.8生成测试结果

根据6.4.3公式1计算MAPS指标。

14

T/CSAEXX－XXX

注：MAPS测试目标是验证算法和芯片端到端的整体计算性能，为保证芯片测试公平，测试程序和测试模型由芯片厂

商提供，并提供源码及公开评测过程。

以某型号芯片MAPS测试结果为例：

a)将某算法模型运行得到的处理速度和精度用一个点表示在二维坐标系（如图C-2所示），其中

横坐标表示处理速度即帧率，单位为FPS，纵坐标表示模型精度，即在Imagenet数据集下TOP-1

分类精度（不同类型模型的精度单位不同，如：分类模型精度为acc，检测模型精度为mAP等），

尝试多种不同的选择，生成多个点；

b)在以帧率为横轴，精度为纵轴的坐标系下，选择最优的FPS点形成的包络线。最优FPS点选取

规则为：以最高精度点为起点，沿纵轴递减方向，第一个FPS大于当前FPS的点即为下一连接

点；

c)与纵轴围成的面积除以精度范围，即可得到该芯片的MAPS值，单位仍是FPS，表示在此精度

保障范围内的平均处理速度，其公式为MAPS=所围多边形面积/（最高精度-最低精度）。

图C-2MAPS可视化折线图

C.2.9评估测试结果

原则上MAPS的数值越大，表征芯片计算性能越优。为方便直观对比，可结合MAPS的图形化结果进

行综合评估。

注：当出现MAPS值相近(5%)时，在纵轴所示的精度范围内，做与横轴平行的辅助线，辅助线与MAPS曲线的交点

的帧率值越大，即表示同等精度±水平下的性能表现更佳，以此可选出计算性能表现更好的芯片。

15

T/CSAEXX－XXX

附录D

（资料性附录）

质量控制

D.1通则

D.1.1芯片研制过程包括：芯片设计和芯片制造（含封测）。为保障产品在研制过程的一致性和稳定

性，需在研制过程进行严格的质量控制，应符合AEC-Q100系列标准中关于研制过程质量控制的规定。

D.1.2量产产品出现局部变更，例如打线材料变更、外包装变更、封装材料变更等，需给芯片使用方

提供规范性的通知文档，文档内容应符合芯片使用方的工程变更相关规定。

D.2设计过程

D.2.1设计过程应符合经过认证的功能安全管理流程，并进行设计验证，且应符合AEC-Q004第3章的

要求，主要包括设计失效模式和影响分析（DFMEA）、冗余设计、BIT设计、可测试性、可制造性和可靠

性的设计等。

D.2.2对设计开发带有嵌入式软件的芯片，应按照ASPICE标准策划并实施软件开发全过程。

D.3制造过程

D.3.1符合AEC-Q001中要求的PAT方法，该方法是用来检测芯片异常特性的统计方法，用以将异常器

件从所有产品中剔除。

D.3.2符合AEC-Q002的要求，该标准属于统计式良品率分析，分为统计箱限制（SBL）和统计良品率

限制（SYL）提供使用统计技术来检测和剔除异常器件的方法。

D.3.3符合AEC-Q003的要求。

D.3.4符合AEC-Q004的第4章和第5章的要求，主要包括芯片制造和芯片测试相关的工艺、过程控制

和统计要求。

D.3.5符合GB/T18305的要求。

D.4变更管理

D.4.1应符合JEDECJ-STD-046的及时通知要求。

D.4.2产品变更的通知，应符合AEC-Q100修订版H规定。

16

T/CSAEXX－XXX

参考文献

[1]ISO/IEC15504Informationtechnology—Processassessment

[2]CNAS-CL01：2018Accreditationcriteriaforthecompetenceoftestingandcalibration

laboratories

[3]ISOPAS21448Roadvehicles—Safetyoftheintendedfunctionality

[4]IATF16949:2016Qualitymanagementsystemfororganizationsintheautomotiveindustry

[5]ITU-TF.748.11-2020Metricsandevaluationmethodsforadeepneuralnetworkprocessor

benchmark

[6]JEDECJ-STD-046

[7]节能与新能源汽车技术路线图2.0

[8]ISO/PAS21448-2019Roadvehicles—Safetyoftheintendedfunctionality

[9]ISO/SAE21434-2021Roadvehicles—Cybersecurityengineering.

17

ICS

中国标准文献分类号

团体标准

T/CSAEXX–XXX

智能网联汽车视觉感知计算芯片技术要

求和测试方法

Technicalspecificationandtestmethodforvisualperceptioncomputingchipof

intelligentandconnectedvehicle

(征求意见稿)

在提交反馈意见时，请将您知道的该标准所涉必要专利信息连同支持性文件一并附上。

xxxx-xx-xx发布xxxx-xx-xx实施

中国汽车工程学会发布

T/CSAEXX－XXX

智能网联汽车视觉感知计算芯片技术要求和测试方法

1范围

本文件规定了智能网联汽车视觉感知计算芯片的技术要求和计算性能测试方法。

本文件适用于智能网联汽车视觉感知计算芯片的设计开发参考和计算性能的测试评价。

本文件所提到的视觉感知芯片的计算性能测试方法，其他领域的视觉感知芯片计算性能测试可参考

采用。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T2900.13-2008电工术语可信性与服务质量

GB/T2900.66-2004电工术语半导体器件和集成电路

GB/T5080.1-2012可靠性试验第1部分：试验条件和统计检验原理

GB/T5271.1-2000信息技术词汇第1部分基本术语

GB/T5271.28-2001信息技术词汇第28部分：人工智能基本概念与专家系统

GB/T18305-2016质量管理体系标准汽车生产件及相关服务件组织应用GB/T19001-2008特别要求

GB/T28046.1-2011道路车辆电气及电子设备的环境条件和试验第1部分：一般规定

GB/T28046.2-2011道路车辆电气及电子设备的环境条件和试验第2部分：电气负荷

GB/T28046.3-2011道路车辆电气及电子设备的环境条件和试验第3部分：机械负荷

GB/T28046.4-2011道路车辆电气及电子设备的环境条件和试验第4部分：气候负荷

GB/T34590-2017道路车辆功能安全

GB/T38187