2023年AI大模型在自动驾驶中的应用分析报告.pdf

《2023年AI大模型在自动驾驶中的应用分析报告.pdf》由会员分享，可在线阅读，更多相关《2023年AI大模型在自动驾驶中的应用分析报告.pdf（29页珍藏版）》请在三个皮匠报告上搜索。

1、2023 年深度行业分析研究报告 2 内容目录内容目录 1.AI 大模型如何应用于自动驾驶算法中？.4 1.1.神经网络加快自动驾驶感知算法发展，小模型向大模型迭代趋势明确.4 1.1.1.1.深度神经网络 DNN 是人工智能的开端.5 1.1.1.2.卷积神经网络 CNN 广泛用于特征提取.5 1.1.1.3.循环神经网络 RNN 有效处理有时间序列信息.7 1.1.2.Transformer 大模型的注意力机制成为自动驾驶感知算法的利器.8 1.2.特征级融合逐步取代后融合，BEV+Transformer 为当前主流方案.10 1.2.1.自动驾驶感知技术从后融合向特征级融合迭代趋势明确.

2、10 1.2.2.Transformer 大幅提升 BEV 空间中的特征级融合效果.12 2.AI 大模型的应用对自动驾驶领域所带来的好处？.15 2.1.城市 NGP 落地在即，AI 大模型的应用驱动自动驾驶算法具备更强的泛化能力.15 2.2.从特斯拉感知算法迭代历程看 AI 大模型对城市 NGP 的赋能方向.17 2.2.1.第一阶段：BEV+transformer，实现“脱高精度地图”.18 2.2.2.第二阶段：升级到占用网络，实现“脱激光雷达”.21 2.2.3.第三阶段：从感知到决策控制端到端的自动驾驶模型有望成为未来发展方向.22 3.AI 大模型应用于自动驾驶中的前置条件？.

3、23 3.1.条件一：具备相当数量的里程数据，因而自动标注+仿真平台环节将尤为重要.23 3.2.条件二：具备相当算力的云端训练平台，因而超算中心将成为主机厂必要基础设施.26 4.关注标的.28 4.1.德赛西威.28 4.2.经纬恒润.28 4.3.寒武纪.29 图表目录图表目录 图 1.自动驾驶系统分为感知、决策和执行三部分.4 图 2.一个感知机就类似一个生物神经元.5 图 3.DNN 架构：不同层感知机全连接，逐层单向传递信号.5 图 4.人类能够通过观察特征高效判别人脸.6 图 5.CNN 相比于 DNN 在全连接层之前加入卷积/池化层.6 图 6.CNN 通过卷积和池化操作提取图

4、像特征并降低数据维度.7 图 7.多次池化可能丢失特征位置信息，CNN 可能误判.7 图 8.RNN 借助循环核提取时间特征，实现连续数据预测.8 图 9.Transformer 的目标是寻找元素间的权重关系.8 图 10.Vision Transformer 模型架构.8 图 11.注意力机制能够获得一个元素和其他元素多角度相关度的矩阵.9 图 12.编码器-解码器架构.9 图 13.transformer 架构.10 图 14.按照融合环节不同分为前-特征-后融合.11 图 15.后融合过程.11 图 16.前融合过程.12 PZdUuUlYlXoMsQnQ8OcM8OmOoOsQtQlO

5、mMsPfQoOqN6MpOoOxNrNtNMYqMxO 3 图 17.特征级融合过程.12 图 18.图像空间中的感知结果通过后融合投影到 BEV 空间中出现严重的失真.13 图 19.BEV 感知框架.13 图 20.英伟达 LSS 算法基本架构.14 图 21.特斯拉基于 Transformer 的 BEV 空间转换架构.14 图 22.BEV 转换过程.15 图 23.基于交叉注意力机制在 BEV 空间内做特征级融合的效果远好于基于规则的方法在BEV 空间内后融合.15 图 24.城市场景具有高频、刚需特征，落地价值凸显.16 图 25.高速场景自动驾驶 Corner case 较少.

6、17 图 26.城市场景自动驾驶 Corner case 大幅提升.17 图 27.特斯拉自动驾驶算法迭代历程.18 图 28.BEV 鸟瞰图视角.19 图 29.特斯拉 BEV 语义地图.20 图 30.理想 BEV 语义地图.20 图 31.XNet 感知架构重感知、轻地图.20 图 32.BEV 与占用网络效果对比.21 图 33.BEV 与占用网络效果对比.22 图 34.深度强化学习典型框架.23 图 35.车道保持功能的端到端训练框架.23 图 36.特斯拉数据引擎.24 图 37.特斯拉自动标注系统迭代历程.24 图 38.毫末视频自监督大模型.25 图 39.仿真场景中对同一路