智能驾驶行业深度:驱动因素、行业现状、产业链及相关公司深度梳理-240708(46页).pdf

编号:167855 PDF  DOC 46页 5.71MB 下载积分:VIP专享
下载报告请您先登录!

智能驾驶行业深度:驱动因素、行业现状、产业链及相关公司深度梳理-240708(46页).pdf

1、 1/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 行业研究报告 慧博智能投研 智能驾驶行业深度:驱动因素、行业现状、智能驾驶行业深度:驱动因素、行业现状、产业链及相关公司深度梳理产业链及相关公司深度梳理 随着芯片算力的提升以及算法、传感设备的成熟,初期部分车企出于差异化竞争的目的引入了智能驾驶功能,但随着产业链成熟,汽车同质化水平提升,行业竞争加剧,因此提供智能化功能成为车企为了不掉队的必然选择。当前随着行业政策、需求提升等一系列因素催化,技术端逐步成熟,智能驾驶有望发展提速。本篇报告将针对智能驾驶行业进行分析,从行业现状、驱动因素、商业模式、产业链布局及市场

2、预测等多个层面进行全面而详实的讲解,剖析行业发展方向。希望对读者了解智能驾驶行业提供帮助。目录目录 一、行业概述.1 二、行业驱动因素.5 三、行业现状.9 四、影响高阶智驾商业化落地的因素.11 五、产业链分析.12 六、商业模式分析.36 七、相关公司.38 八、参考研报.46 一、行业一、行业概述概述 1、智能驾驶是汽车驾驶发展的必然过程智能驾驶是汽车驾驶发展的必然过程 智能驾驶简称智驾,是信息化时代中机器通过多方面行为辅助人类进行驾驶以及部分情况下代替人类进行驾驶汽车的技术。智能驾驶有别于自动驾驶。自动驾驶指代智能系统通过机器学习后掌握行驶技术并代替人类进行驾驶汽自动驾驶指代智能系统通

3、过机器学习后掌握行驶技术并代替人类进行驾驶汽车的系统技术,分为单车智能和车路协同两种路线。单车智能车的系统技术,分为单车智能和车路协同两种路线。单车智能下自动驾驶主要包括感知、决策与控制三个部分,车辆通过硬件设备对周边环境、状态的感知将信息交由软件系统分析决策,并控制车辆。车路车路协同协同可以做到人、车、路、云多个终端的数据协同,通过路测的数据和信息同步,能够有效帮助单车智能覆盖更多“盲区”,解决自动驾驶发展的瓶颈难题,促进自动驾驶进一步成熟。2/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 而智能驾驶的范围更加广泛。智能驾驶通常指包括而智能驾驶的范围更加广泛。

4、智能驾驶通常指包括 ADAS(高级驾驶辅助系统)和自动驾驶两大部分(高级驾驶辅助系统)和自动驾驶两大部分的机器辅助人类进行驾驶的全部技术总和,涵盖了从基础到精深的多方面技术和效果层次。的机器辅助人类进行驾驶的全部技术总和,涵盖了从基础到精深的多方面技术和效果层次。2、智能驾驶级别、智能驾驶级别 按照美国汽车工程师学会(按照美国汽车工程师学会(SAE),智能驾驶按照自动化水平分为),智能驾驶按照自动化水平分为 L0 至至 L5 六个级别。六个级别。其中 L3 级别为自动驾驶的分水岭,L3 级别以下为辅助驾驶,L3 及以上级别为自动驾驶。L3 级别的最大区别在于由人负责监控环境变为系统负责监控环境

5、,而这导致了事故后的责任归属的改变。因此,L3 级别是智能驾驶发展的瓶颈。NOA 是 L2+级辅助驾驶的典型功能,是 L2 向 L3 发展的过渡。目前,NOA 主要包括高速 NOA 和城市 NOA 两种应用场景。高速高速 NOA:系统利用安装在车辆上的传感、通估、决策及执行等装置,在商速商架、环路、城市快速路等封闭或半封闭场景下实现智能驾驶,实现功能包括自主上下匝道、主动变道、主动超车等。城区城区 NOA:系统利用安装在车辆上的传感、通信、决策及执行等装置,在城市开放路况下实现智能驾驶,可以实现无保护左转、无保护掉头、识别交通信号灯、主动变道、主动超车等功能,能够自主处理各类城市路况,能够处理

6、日常交通场景中的车与车、车与人、车与其他交通参与要素交互。3/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 当然按照现在的技术模式,这种粗糙的 L0 至 L5 的分类已不能完全描述目前市场中主流的智驾方案,现在也有不少主机厂的思路是按照驾驶行为进行分类,比如按照人对智能汽车的介入程度进行划分:毫秒级、秒级、分钟级、小时级等。4/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 3、智能驾驶设计理念分类:模块化智能驾驶设计理念分类:模块化 vs 端到端端到端 模块合成式驾驶方法:包含感知、规划决策,执行控制三大模块,通过分别调试每个模块

7、的参数来适应模块合成式驾驶方法:包含感知、规划决策,执行控制三大模块,通过分别调试每个模块的参数来适应各种各样的驾驶场景。各种各样的驾驶场景。感知模块主要负责车周信息感知和目标检测。感知模块输入各类传感器的数据,输出车道线,行人,车辆等的位置和轨迹等信息。主流的感知方式包含激光雷达和摄像头视觉两种。决策模块主要负责预测车周物体的运动,评估障碍物下一时刻可能的动作,输出物体运动轨迹的预测。规划模块主要负责计算车辆下一时刻的运动路径,规划与决策在开发环节往往结合在一起,基于感知模块输出的车周信息在神经网络训练融合,输出行动路线。控制模块主要负责精准控制车辆按规划轨迹行驶。控制模块根据决策规划输出的

8、路线,生成具体的加速、转向和制动指令,控制驱动系统,转向系统,制动系统和悬架系统。端到端智能驾驶方法:端到端智能驾驶方法本质上是使用一个独立系统进行驾驶,通过训练一个深度神端到端智能驾驶方法:端到端智能驾驶方法本质上是使用一个独立系统进行驾驶,通过训练一个深度神经网络从感官输入(如摄像头采集的道路信息)直接映射到驾驶动作。经网络从感官输入(如摄像头采集的道路信息)直接映射到驾驶动作。4、参与者:车企自研参与者:车企自研+专业化供应商参与专业化供应商参与 参考第三方咨询机构标准,当前厂商自动驾驶的技术水平可划分为领先一代(发展城区 NOA)、次世代(发展高速 NOA)、正当代(具备基础 L2 能

9、力),并将部分未实现基础 L2 功能的传统车厂归类为落后一代。5/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 自研、供应商、自研自研、供应商、自研+供应商三类并存,车厂需多维度综合权衡。供应商三类并存,车厂需多维度综合权衡。从智驾产品提供方的角度,领先一代和次世代的玩家又可以分为自研派、供应商派和冗余派(供应商合作+自研),百度、华为等供应商目前也可提供城区 NOA 级别的高级智驾解决方案,车企需综合权衡研发成本、落地周期、产品性能、协调成本、供应商议价权等问题,新势力通常选择自研以打造差异化竞争优势;部分在新能源领域话语权较弱的车厂愿意接受华为智选等全方位解

10、决方案;部分大厂选择将部分功能包给多家供应商做,以保障自身话语权与产业链地位。对车企智驾水平的分析需综合考虑其性能与成本,性能方面是算法、算力、数据的综合协同,成本方面车企在几大方向上希望削减支出。二、行业驱动因素二、行业驱动因素 1、需求端:智能汽车的认知逐步扩大需求端:智能汽车的认知逐步扩大 消费者对智能驾驶认知不足。消费者对智能驾驶认知不足。目前,智能驾驶的体验者数量相对较小,排斥这一技术的消费者则相对较多。尽管智能汽车体验者主要给予正向评价,但智驾汽车的普及仍面临着技术认知和接受度的瓶颈。有一部分消费者对自动驾驶技术存在疑虑,对其安全性和可靠性产生担忧,因此表现出对自动驾驶汽车的排斥态

11、度。华为崛华为崛起成为智能汽车的引领者。起成为智能汽车的引领者。在这一局面中,华为的崛起成为一次重要的“教育”机会。作为消费者端认知度最高的品牌之一,华为的涉足使得更多消费者开始关注智能汽车,并逐渐理解其技术和应用价值。华为在智能汽车领域的投入和表现成为引领智能汽车认知普及的重要驱动力,为未来消费者对智能化的需求奠定基础。预计明年供给端改善,迎来第二波认知提升浪潮。预计明年供给端改善,迎来第二波认知提升浪潮。随着供给端不断改善和技术进步,明年有望迎来更大范围的智能汽车认知提升浪潮。供给端的技术改进将为消费者提供更为出色的智能驾驶体验,降低技术上的担忧和排斥情绪,使更多的消费者认知到智能汽车的实

12、际益处,进而提高其接受度。2、政策端政策端:政策持续催化政策持续催化 6/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 政策持续催化,政策持续催化,“智能网联汽车智能网联汽车”再次写入政府工作报告。再次写入政府工作报告。2020年以来,我国在新能源汽车、自动驾驶领域的政策力度不断强化,2023 年 11 月,四部委联合发布关于开展智能网联汽车准入和上路通行试点工作的通知,对具备量产条件的 L3、L4智能汽车,开展准入试点,这将加速 L3 级以上的智驾商业化进程。12 月,交通运输部印发自动驾驶汽车运输安全服务指南(试行),规范了 L3+级别的自动驾驶在运输服务领

13、域的应用,意味着交通运输行业正式“接纳”自动驾驶汽车。在 2024年政府工作报告中,把智能网联汽车产业列入发展新质生产力的重点;多位代表也纷纷献言献策,建议加快完善自动驾驶领域的立法空白,加速高级别自动驾驶汽车上路。政策法规两个趋势:事故定责政策法规两个趋势:事故定责+数据安全数据安全。事故责任方面,参考海外有望进一步降低消费者事故成本,明确简化智驾提供商的定责方法。参考海外经验,在定责流程中呈现出更为保护消费者的立场和趋势,明确特定条件下,智驾提供商应该更多或者无条件承担责任。数据安全方面,特斯拉 4 月 28 日获批符合数据安全 4 项合规要求,有望加速落地入华。早在 2021 年,特斯拉

14、 CEO 埃隆 马斯克就公开表示,特斯拉不会向美国政府提供在中国收集的数据,并强调公司在中国建立了数据中心,以确保所有在中国市场产生的数据本地化存储。马斯克在 4 月 28 日访华,在北京与中国高级官员会面后,获得中汽协的数据处理安全 4 项安全检测的合规批准。3、供给端:供给端井喷,新车型崛起引领智能化浪潮供给端:供给端井喷,新车型崛起引领智能化浪潮 供给端呈现井喷态势,推动智能驾驶技术的迅猛发展。供给端呈现井喷态势,推动智能驾驶技术的迅猛发展。科技公司和车企的不断合作、数据和算法的不断进步使智能驾驶系统在成本和效率上取得显著突破,从基础 L2 功能到高速 NOA,再到通勤 NOA和城区 N

15、OA 逐渐落地,供给端呈现出不断升级的趋势。7/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 新势力车企蔚来、小鹏、理想等集中涌现。这些车企以软件科技创新为核心,在智能驾驶上侧重感知、定位、规划等核心算法研发,同时注重与用户的互动,通过用户数据和反馈不断优化智能驾驶能力。传统车企也加大了研发投入,力求在智能化竞争中扮演重要角色。大型互联网企业如华为、百度等通过与传统车企的合作,共同研发智能驾驶算法,降低智能汽车制造门槛,推动整个汽车行业向智能化转型。在市场竞争激烈的情况下,传统车企、新势力和科技公司之间的深度协作将成为常态,为我国汽车产业带来新的优势和机遇。4、

16、成本端:高阶智驾整车进一步下探至成本端:高阶智驾整车进一步下探至 10 万元市场,新技术崛起带动进万元市场,新技术崛起带动进一步降本一步降本 8/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 小鹏计划推出小鹏计划推出 10-15 万元级别的万元级别的 A 级汽车,并搭载高等级智能驾驶方案。级汽车,并搭载高等级智能驾驶方案。轻舟智航的轻舟乘风 Air 版搭载征程 6E+7V 视觉方案,可实现高速 NOA 和行泊一体,适配车型下探至 10 万元级。此外大疆车载、百度 Apollo 等智驾硬件成本进入万元以内,搭载车型逐步普及至 15 万级别车型。大疆车载的“7V+3

17、2TOPS”方案采用前视惯导立体双目等 7 个摄像头,可实现主动安全、记忆泊车、跨层记忆泊车、记忆行车和高速领航等功能,硬件数量进一步压缩,实现最大程度的硬件复用。智驾硬件中,智驾硬件中,激光雷达、智驾芯片降本空间大。激光雷达、智驾芯片降本空间大。24 年 1月,一径科技发布 ZVISION EZ6 激光雷达,价格下探至 2000 元以内。速腾聚创新一代中长距激光雷达 MX 公开亮相北京车展,首款 500 线超远距激光雷达 M3 完成国内首秀,公司宣布将以低于 200 美元的成本为基础实现量产,并进一步推动成本进入千元级别。芯片方面,地平线在北京车展发布的面向全场景 NOA 的旗舰版产品征程

18、6P,成本已下降至1 万元以内,征程 6E 则支持 5000 元以内的高速 NOA硬件系统成本。智能化渗透率有望持续提升。智能化渗透率有望持续提升。2023 年 L2 等级的渗透率,比 2022 年整体上高出 9.4pct。2023 年 1 月至 12 月,各智驾等级的搭载量及渗透率均发生了显著变化。其中,L2 及以上等级的渗透率稳步上升。23Q4L2 及以上等级渗透率已突破 40%。分价格看,20-30 万区间的 L2 等级渗透率提升最明显,2023年(70.9%)相较于 2022 年(57.5%)提升 13.4pct。9/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告

19、研究报告 三、行业现状三、行业现状 1、行车:、行车:基础基础 L2 级渐成标配,级渐成标配,NOA 高速端快速渗透,城市端加强投入,高速端快速渗透,城市端加强投入,车路协同实现技术补足车路协同实现技术补足(1)技术路线单车智能与技术路线单车智能与“车路云车路云”协同并行发展,我国持续推进智能网联汽车协同并行发展,我国持续推进智能网联汽车标准标准体系建设体系建设 当前我国自动驾驶正处于 L2 级+向 L3 级过度的关键期,技术路线有单车智能与“车路云”协同并行发展,由于目前单车智能自动驾驶在安全性和处理突发事故等方面存在技术突破困难,因此我国主要是“车路云”一体化战略。特别是单车智能的发展进入

20、瓶颈期之后,以车路协同为代表的基础设施建设,就成为从外部推动自动驾驶最终落地的一个重要助力。(2)我国智能驾驶渗透率快速提速我国智能驾驶渗透率快速提速 2023 年,乘用车 L2 级(自动驾驶)渗透率达到 47.3%,2024 年 1 至 5 月突破 50%,部分功能接近 L3级智能驾驶水平。10/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 我国 NOA(领航辅助驾驶)的发展始于 2019 年,特斯拉向中国用户推送了 NOA 功能,随后蔚小理等新势力也纷纷入局,推出高速 NOA 功能,目前高速 NOA 功能已进入 0-1 快速渗透阶段。国内城市NOA 技术(导

21、航辅助驾驶)近年来蓬勃发展,成为智能驾驶领域的热点。根据盖世汽车研究院预测,预计到 2025 年,国内搭载城市 NOA 功能的车辆数量将超过 300 万辆。这一市场趋势被认为是智能驾驶技术发展的重要里程碑,提升了车辆的智能化水平,为车企提供了新的竞争优势和数据训练方式。国内城市 NOA 技术正处于快速发展阶段,多家车企积极投入,推动该技术的普及和应用。L3 自动驾驶开始试点,自动驾驶开始试点,L3 级自动驾驶技术迎来发展热潮级自动驾驶技术迎来发展热潮。根据工业和信息化部于 2024 年 6 月 4 日发布的消息,比亚迪、广汽集团、蔚来、上汽、一汽等九家汽车生产企业获批进入智能网联汽车准入和上路

22、通行试点,成为全国首批开展 L3 自动驾驶上路通行试点的车企。这些企业涵盖了乘用车、客车以及货车三大类,显示出试点的广泛性和多样性。此次试点的实施将分为五个阶段,包括试点申报、产品准入试点、上路通行试点、试点暂停与退出、评估调整。这意味着,尽管这些企业已经通过了初步遴选,但实际的自动驾驶功能是否能够量产和上路通行还需要经过进一步的测试和评估。九家企业的入围不仅展示了中国在智能驾驶领域的快速发展,也为未来自动驾驶技术的规模化应用奠定了基础。随着试点工作的推进,L3 级自动驾驶技术有望在未来几年内实现更广泛的应用和发展。2、泊车:泊车:头部车企基本实现自动泊车、智能召唤和遥控泊车功能上车头部车企基

23、本实现自动泊车、智能召唤和遥控泊车功能上车 11/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 智能泊车可划分为自动泊车、遥控泊车、记忆泊车和代客泊车,各功能渗透率稳步提升。按照实现难度和自动化水平,智能泊车功能可划分为自动泊车(APA)、遥控泊车(RPA)、记忆泊车(HPA)和代客泊车(AVP)。“行泊一体行泊一体”与与“舱泊一体舱泊一体”为行业发展方向。为行业发展方向。高工智能汽车研究院预测,随着行泊一体逐步取代和升级传统的分布式行车+泊车系统配置,预计 2025 年泊车标配市场规模有机会冲刺 900 万辆。而在市场预期明确的背景下,供应商也在持续受益。尤其

24、是城区 NOA 推进仍受制于诸多因素,泊车场景的相对受控,反而更易拓展。此外随着域控集成度的进一步提升,舱泊一体也成为行业的关注焦点。过去需要单独一套独立控制器的泊车功能,正在迎来集成红利窗口期,在一定程度上也降低了车企标配自动泊车的成本压力。尤其是在座舱高算力平台的加持下,功能集成从主驾驶员延伸至座舱内的全员(副驾和后排乘员),同时还能支持舱泊一体的跨域功能。四四、影响、影响高阶智驾商业化落地的因素高阶智驾商业化落地的因素 目前自动驾驶技术已取得巨大的进步,自动驾驶的商业化进程也初见成效,但距离自动驾驶的大规模普及应用,还有很长的路要走。总结来看,影响自动驾驶走向规模商业化落地的因素主要集中

25、在安全性、运行设计范围(ODD)和经济性三个方面。12/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 1、安全性安全性 在低等级自动驾驶方面,车辆辅助驾驶系统的功能仍然存在特定场景下应对能力不足和失效的风险,以自动紧急刹车为例,在夜间、下雨天、打伞等特殊天气或高精度定位(如隧道、城市桥梁等)方面,也较容易出现系统失效的现象。并且,车辆对静止交通设施和静止交通参与者的准确识别和实时干预控制也存在一定困难。2、运行设计范围(运行设计范围(ODD)自动驾驶 ODD 是指自动驾驶系统设计时确定的适用于其功能运行的外部环境条件,例如:道路条件(高速公路、无信号灯十字路口、

26、山区道路等)、环境条件(天气和日照状况等)、其它(地图信息、收费站、水洼、低垂的植物、道路结冰、遗撒的物体、特种机械和违反交通规则的人类行为)。限制ODD 是保证车辆安全的重要手段,但不利于自动驾驶的连续运行,其本质原因是自动驾驶存在感知长尾、混行交通博弈、极端场景等一系列问题难以克服,无法在所有场景下保证成功应对。在日常的驾驶环境中,已能实现单车自动驾驶,但受车端传感器物理特性、车端算力等限制,车辆在恶劣天气、遗撒物体、鬼探头等长尾场景中的感知能力,仍然需要持续提升。在这些场景中,路端可以发挥其稳定性和全局性等优势,提供高性能交通信号数据、全量感知数据、为单车智能自动驾驶系统提供支持,减少因

27、为感知不足带来的 ODD 限制。除感知外,单车智能自动驾驶车辆还需要面对混行交通博弈等挑战,从交通全局的角度看,依靠个体智能无法取得最优的效果,因此需要车与路的统一协调管理,才能更好地权衡自动驾驶车辆的安全与效率。3、经济性经济性 自动驾驶要实现规模商业化落地,形成一个健康的商业闭环,就必须降低成本。如今,激光雷达、芯片的价格正在不断降低,这是整个产业链共同努力的结果,特别是国产企业在这方面做出的积极贡献。为了进一步降低成本,还需要持续加强软硬件一体化自主研发,并在设计制造、生产管理和质量管控工艺上投入更多精力打磨优化,量产规模越大,规模效应就越明显,成本就压得更低。高阶自动驾驶要实现商业化落

28、地,需找到安全性、高阶自动驾驶要实现商业化落地,需找到安全性、ODD 限制和经济性的平衡点,从本质上提升自动驾限制和经济性的平衡点,从本质上提升自动驾驶的能力。驶的能力。在一定的自动驾驶能力条件下,安全、ODD 和经济性这三个方面存在矛盾关系。例如,为提高自动驾驶安全性,必须通过限制 ODD 并针对性调优逼近系统上限,才能实现小规模商业化落地;或使用较昂贵的设备来提升单车智能自动驾驶的安全性,但这样会损失自动驾驶的经济性。自动驾驶要实现规模商业化落地,需要进一步探索找到安全性、ODD 限制和经济性的平衡点,从本质上提升自动驾驶的能力水平。五、产业链分析五、产业链分析 智能驾驶产业上游主要由传感

29、器、芯片、算法、高精地图、智能驾驶解决方案等产业组成,其中随着国产芯片产业的崛起,涌现出了一批专注于智能驾驶解决方案的科创企业,例如德赛西威、智加科技等;中游分主要为主机厂,又为传统车企与新势力车企,主机厂通过自主研发或合作研发方式不断开发智能驾驶产品并制定研发计划;下游则为由智能驾驶技术升级和运营而衍生出的服务市场,主要企业有京东物流、高德打车、德邦快递等,无人配送车、无人网约车运营等将在运输环节为企业降本增效。13/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 1、传感器传感器 智能驾驶技术依智能驾驶技术依赖于多种传感器来实现车辆的安全和有效操作。赖于多种传

30、感器来实现车辆的安全和有效操作。传感器主要包括感知类传感器、定位类传感器,能够收集周围的信息,包括其他车辆的位置和速度、行人、道路标志、交通灯状态和道路边界等,这些信息经过处理后,为系统提供了准确的环境模型和动态变化的数据,使得车辆能够“看到”并“理解”其所处的环境。在自动驾驶系统中,传感器大致可以分为两类:感知类和定位类。感知类传感器的主要任务是收集车辆周围环境的信息,它们相当于车辆的“眼睛”和“耳朵”,帮助车辆“看到”和“听到”周围的世界,包括摄像头、超声波雷达、毫米波雷达、激光雷达(LiDAR)等。目前主流的感知方式包含激光雷达和摄像头两种。定位类传感器是一类用于测量和确定物体位置、方向

31、或运动状态的传感器。这些传感器通常能够提供有关物体在三维空间中的坐标、方位、速度和加速度等信息,包括 GPS、IMU 等。(1)感知类传感器感知类传感器 传感器是自动驾驶感知层的核心硬件,主要利用车载摄像头、激光雷达、超声波雷达、毫米波雷达等对传感器是自动驾驶感知层的核心硬件,主要利用车载摄像头、激光雷达、超声波雷达、毫米波雷达等对车辆周边的环境进行实时感知。车辆周边的环境进行实时感知。各自有独特的工作原理和作用,通过它们的数据融合,可以显著提高环境感知的准确性和可靠性。14/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 1)摄像头摄像头 摄像头在环境感知中的作

32、用是提供视觉信息,如识别交通标志、信号灯、行道线等。通过图像处理和计算机视觉技术,可以实现对环境中物体的分类和识别。摄像头通过捕捉光线形成图像,这些图像能够提供丰富的颜色和纹理信息,帮助系统理解环境特征。根据摄像头安装位置及其视野不同,一般分为前视、后视、环视、侧视以及内视摄像头。随着智能驾驶技术的加速落地,单车摄像头平均搭载数量逐渐增加,2022 年中国乘用车市场单车摄像头平均搭载数量为 3 颗,2023 年一季度,摄像头平均搭载数量提升至 3.3 颗,预计到 2025 年中国乘用车摄像头平均搭载数量增长至 4.9 颗。根据 CINNO Research 预测,2023 年中国乘用车市场摄像

33、头搭载量将增长至 7200 万颗,到 2025 年,国内乘用车摄像头总搭载量将超 1 亿颗,2022-2025 年年复合增长率 CAGR 为 17%。15/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 2)激光雷达激光雷达 激光雷达(激光雷达(LiDAR)主要用于提供高精度的距离测量和三维空间信息,能够精确识别和定位道路上的)主要用于提供高精度的距离测量和三维空间信息,能够精确识别和定位道路上的车辆、行人、障碍物等,特别是在复杂的交通环境中。车辆、行人、障碍物等,特别是在复杂的交通环境中。激光雷达通过发射激光束并测量其返回的反射信号来获取物体的距离和位置,然后将

34、这些数据转换为离散的三维坐标点,形成点云数据。点云数据通常以直角坐标系表示,每个点都对应着空间中的一个位置,并包含有关该位置的附加信息,如反射强度、法向量等。通过对点云数据进行处理和分析,可以实现对周围环境的感知和理解,包括识别障碍物、建筑物、道路标记等目标,从而支持自动驾驶、机器人导航、地图构建等应用。这些点云数据合在一起可以构建出环境的三维模型。激光雷达具有分辨率高、精度高、三维感知、数据密度高、不受光照影响的优势,适用于处理近处高精激光雷达具有分辨率高、精度高、三维感知、数据密度高、不受光照影响的优势,适用于处理近处高精度的建模,劣势在于其成本高昂、有盲区、物体识别能力较差。度的建模,劣

35、势在于其成本高昂、有盲区、物体识别能力较差。由于激光波长比毫米波短 3 个数量级,因此分辨率精度比毫米波强很多,可以清楚地识别周围的车辆、行人与障碍物。激光雷达可以激光雷达可以提供非常精确的距离测量,通常能够达到亚厘米级别的精度,并提供精确的三维环境地图,提供非常精确的距离测量,通常能够达到亚厘米级别的精度,并提供精确的三维环境地图,包括障碍物的高度、形状和位置等信息。包括障碍物的高度、形状和位置等信息。与摄像头不同,激光雷达不受光照条件的影响,因为它是通过测量激光的反射来工作的。这使得它在夜间或恶劣天气条件下也能够正常工作。激光雷达能够以高频率采集数据,产生高密度的点云,从而提供更加详细和准

36、确的环境信息。激光雷达会因为发射角度和方向存在一定的视野盲区,因此通常需要和其他传感器配合使用。激光雷达会因为发射角度和方向存在一定的视野盲区,因此通常需要和其他传感器配合使用。激光雷达的工作原理导致其在某些情况下会有盲区,比如在高速移动时可能会因为激光束的角度限制而无法完整地探测到障碍物。激光雷达主要提供距离信息,对于物体的识别能力相对有限,通常需要与其他传感器如摄像头配合使用才能实现更准确的目标识别和分类。16/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 随着 2023 年国内城市 NOA逐步落地,国内众多车企推出搭载激光雷达的高阶智能驾驶车型,推动202

37、3 激光雷达出货量高速增长。能够认为短期内激光雷达并不会被完全取代,而且出于安全性、可靠性等因素的考量,结合激光雷达成本持续下降,激光雷达销量仍有望提升。预计 2024 年车载激光雷达市场规模为 86.3 亿元,同比增长 205%,2027 年车载激光雷达市场规模有望超过 280 亿元。3)超声波雷达超声波雷达 超声波雷达主要用于近距离物体检测和测距,主要用于停车辅助、低速碰撞避免等场景。超声波雷达主要用于近距离物体检测和测距,主要用于停车辅助、低速碰撞避免等场景。它对于小物体和近距离障碍物特别有效。超声波雷达通过超声波发射装置向外发出超声波,并通过接收器接收到发送过来超声波时的时间差来测算距

38、离。目前,常用探头的工作频率有 40kHz,48kHz 和 58kHz 三种。一般来说,频率越高,灵敏度越高,但水平与垂直方向的探测角度就越小,故一般采用 40kHz 的探头。超声波雷达防水、防尘即使有少量的泥沙遮挡也不影响。探测范围在 0.1-3 米之间,而且精度较高,因此非常适合应用于泊车。17/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 常见的超声波雷达有两种,常见的超声波雷达有两种,UPA 和和 APA。UPA通常安装在汽车前后保险杠上作为倒车雷达,其探测距离一般在 15250cm 之间,主要用于测量汽车前后方的障碍物。APA 通常安装在汽车侧面,用于

39、测量侧方障碍物距离,探测距离一般在 30500cm 之间。APA的探测范围更远,因此相比于 UPA 成本更高,功率也更大。超声波雷达具有成本低、适用于近距离探测等优势,适用于一些低成本、近距离探测的应用场景,例如超声波雷达具有成本低、适用于近距离探测等优势,适用于一些低成本、近距离探测的应用场景,例如自动泊车,然而其自动泊车,然而其探测范围有限、易受环境影响以及分辨率较低等劣势也需要考虑。探测范围有限、易受环境影响以及分辨率较低等劣势也需要考虑。超声波传感器成本只需要几元人民币,在近距离探测方面表现良好,通常能够精确地测量距离,并且在距离较近的情况下具有较高的分辨率。与光学传感器相比,超声波传

40、感器不受光照条件的影响,因此可以在光照较弱或全黑的环境下正常工作。然而,超声波传感器的探测范围相对较短,通常在几米到十几米之间,因此在远距离目标探测方面表现较差。同时,其性能易受环境因素的影响,如温度、湿度和空气密度等因素可能影响超声波的传播速度和反射特性,从而影响传感器的测量精度。超声波传感器在目标识别和分类方面的分辨率相对较低,难以区分不同类型的目标,特别是在复杂环境下。4)毫米波雷达毫米波雷达 毫米波雷达主要用于测量物体的距离和相对速度,主要用于自适应巡航控制(ACC)和碰撞预警系统。毫米波雷达是一种利用毫米波进行探测的雷达系统,其工作原理主要基于雷达的发射、接收和信号处理过程。毫米波雷

41、达系统首先通过天线发射一束毫米波信号。这些毫米波信号具有很高的频率,通常在30GHz 到 300GHz 之间,波长很短,约为 1 毫米到 10毫米。发射的毫米波信号在空间中传播,遇到目标物体时会一部分被反射回来,在这个过程中,出现多普勒效应,即当物体与车载传感器相对运动的时,反射波的频率会发生变化。当物体靠近车辆的时候,频率会增高;物体远离车辆的时候,频率会降低。通过测量反射波的频率差,可以得到目标物的速度。因此,接收天线接收被目标反射回来的毫米波信号,包括了目标物体的距离、速度、角度等信息。接收到的毫 18/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 米波信

42、号经过信号处理单元进行处理。这个处理过程包括了对信号的放大、滤波、时域分析和频域分析等步骤。通过对接收到的信号进行处理,可以提取出目标物体的距离、速度和方向等信息。总的来说,毫米波雷达通过发射和接收毫米波信号,并对接收到的信号进行处理和分析,可以实现对目标物体的距离、速度和方向等信息的检测和识别。这种工作原理使得毫米波雷达在自动驾驶、车辆防撞、安全监测等领域有着广泛的应用。毫米波雷达具有全天候性、长距离探测能力、高精度和穿透性强等优势,尤其在自动驾驶、车辆防撞等毫米波雷达具有全天候性、长距离探测能力、高精度和穿透性强等优势,尤其在自动驾驶、车辆防撞等领域有着广泛的应用。领域有着广泛的应用。毫米

43、波雷达作为主动感知设备不受光照条件的限制,可以在白天、黑夜以及恶劣天气条件下(如雨雪、雾霾等)正常工作,因此具有全天候性,相比于红外传感器和超声波传感器,毫米波雷达具有更远的探测距离,通常可以探测数百米甚至几公里之外的目标,这对于远距离目标探测和追踪具有明显优势。毫米波雷达具有较高的测量精度,能够提供较准确的目标位置和速度信息,尤其在对小目标的探测方面表现优异。与光学传感器(如摄像头)相比,毫米波雷达不受光照强度、方向和波长等因素的影响,因此在复杂光照条件下具有稳定的性能。毫米波信号在大气和某些物质(如雨雪、雾霾等)中的穿透性较好,因此毫米波雷达可以检测被遮挡的目标,对于目标检测和定位具有一定

44、的优势。19/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 然而,传统毫米波雷达(然而,传统毫米波雷达(3D 毫米波雷达)分辨率相对较低、高度测量能力不佳、目标识别能力有限。毫米波雷达)分辨率相对较低、高度测量能力不佳、目标识别能力有限。传统毫米波雷达准确性较低,存在如误报、虚假目标、多径等影响因素。同时,在测量目标高度上性能不佳,通常只包含距离、方位和速度信息,且存在杂波、噪声和低分辨率等问题,特别是在角度维度上,这最终限制了它在复杂感知任务中的适用性。而且传统毫米波雷达点云非常稀疏,没有语义信息,对周围环境的感知能力很差,与光学传感器相比,其在目标识别和分类

45、方面的分辨率可能相对较低,难以识别物体的具体特征。4D 毫米波雷达是传统雷达的升级版,可以测量四种类型的目标信息:距离、方位、高度毫米波雷达是传统雷达的升级版,可以测量四种类型的目标信息:距离、方位、高度(俯仰角俯仰角)和速和速度。度。传统毫米波雷达可以检测物体的水平方位角(Azimuth)、距离和速度,在此基础上,4D 毫米波雷达还能够处理俯仰方位角信息,即四维数据,4D 毫米波雷达可以实现类似于激光雷达的成像功能。在汽车应用场景中,由于缺乏高度信息,传统雷达在视角上只有一个平面,无法区分目标物体是在路上还是在空中,这使得毫米波雷达无法有效发挥作用,尤其是在静态物体识别方面。4D 毫米波雷达

46、可以捕捉汽车周围目标的空间坐标和速度信息,还能计算目标的俯仰角信息,进而提供汽车周围的环境信息,规划出逼真的行驶路径。(2)定位类传感器定位类传感器 定位类传感器是一类用于测量和确定物体位置、方向或运动状态的传感器。这些传感器通常能够提供有定位类传感器是一类用于测量和确定物体位置、方向或运动状态的传感器。这些传感器通常能够提供有关物体在三关物体在三维空间中的坐标、方位、速度和加速度等信息。维空间中的坐标、方位、速度和加速度等信息。自动驾驶要实现高精度定位,需要通过GNSS 提供绝对位置,IMU 提供相对位置,而高精地图可以用于环境感知,能够与激光雷达、摄像头等感知设备输出结果形成冗余,提高识别

47、的准确度。20/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 1)GNSS(全球导航卫星系统)(全球导航卫星系统)GNSS(全球导航卫星系统)通过接收来自地球轨道上多颗导航卫星的信号,使用三角测量法计算出接(全球导航卫星系统)通过接收来自地球轨道上多颗导航卫星的信号,使用三角测量法计算出接收器的精确位置(包括纬度、经度和高度)和时间信息,是一种利用卫星信号来提供地面、海面或空中收器的精确位置(包括纬度、经度和高度)和时间信息,是一种利用卫星信号来提供地面、海面或空中用户全球范围内的定位、导航和时间测量服务的系统。用户全球范围内的定位、导航和时间测量服务的系统。G

48、NSS 是一个总称,它包括美国的 GPS、俄罗斯的 GLONASS、欧洲的 Galileo 和中国的北斗导航系统。广泛应用于汽车导航、航海、航空、户外探险、军事和科研等领域。优点在于全球覆盖,能在大部分地区提供定位服务;精度较高,通常定位精度在几米范围内;易于使用,不需要用户安装特殊设备。缺点在于在室内、隧道和城市的高楼大厦之间可能无法接收到卫星信号;受到大气条件、电磁干扰等因素的影响。GPS 指全球定位系统是一种以空中卫星为基础的高精度无线电导航的定位系统。GPS 主要应用于导航定位,自问世以来就以其高精度、全天候、全球覆盖、方便灵活吸引了众多用户。21/46 2024 年年 7月月 8 日

49、日 行业行业|深度深度|研究报告研究报告 2)IMU(惯性测量单元)(惯性测量单元)IMU(惯性测量单元,(惯性测量单元,Inertial Measurement Unit)是一种电子装置,通常由陀螺仪、加速计、算)是一种电子装置,通常由陀螺仪、加速计、算法处理单元三部分组成,用于测量和监测车辆的加速度、角速度和方向等信息。法处理单元三部分组成,用于测量和监测车辆的加速度、角速度和方向等信息。在自动驾驶系统中,IMU 起着至关重要的作用,它能够提供车辆当前的姿态、运动状态和位置等关键数据。以牛顿力学定律为基础,通过测量载体在惯性参考系的加速度,将它对时间进行积分,且把它变换到导航坐标系中,就能

50、够得到在导航坐标系中的速度、偏航角和位置等信息。INS(惯性导航系统)是一种不依赖外部参考的自主导航系统,通过测量设备上的加速度计和陀螺仪的数据来计算设备的移动速度和方向,然后积分这些数据来估算位置变化。广泛应用于飞机、舰船、潜艇、导弹以及一些地面车辆的导航和控制系统。优点在于可以在没有外部信号的情况下工作,适用于极端环境;隐蔽性好,不容易被干扰或侦测。缺点在于随着时间的推移,误差会累积增加;成本较高,需要使用精密的传感器。3)高精地图高精地图 高精地图(高精地图(High-DefinitionMaps,HD Maps)是自动驾驶汽车使用的一种详细地图,它提供比传统)是自动驾驶汽车使用的一种详

51、细地图,它提供比传统导航地图更高精度的道路、车道和环境特征信息。导航地图更高精度的道路、车道和环境特征信息。不仅包括道路几何形状和语义信息,还包括道路参与者的实时感知、天气状况、工作区域和事故的更新等数据。高精地图可以帮助自动驾驶系统精确定位自身位置,理解和预测周围环境,从而安全地导航和驾驶。根据百度 Apollo,高清地图中包括五个不同的元素:1)道路元素包含道路边界、车道类型和车道行驶方向等特征;2)相交元素具有相交边界;3)交通信号元素包括交通信号灯和标志;4)逻辑关系元素包含交通规则;5)其他要素包括人行横道、路灯和建筑物。高精地图在自动驾驶中可以提供精确的地理信息、用于传感器校准和定

52、位、支持高级路径规划。高精地图在自动驾驶中可以提供精确的地理信息、用于传感器校准和定位、支持高级路径规划。高精度地图提供准确的道路几何结构、车道标记、交通信号等地理信息,有助于自动驾驶系统准确地感知和理解周围环境;通过与地图进行比较,可以纠正传感器输出的误差,提高系统的定位准确性;高精度地图提供了详细的道路信息和交通规则,使得自动驾驶系统能够进行更精确的路径规划和决策,从而提高行驶的效率和安全性。22/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 高精地图用于环境感知,能够与激光雷达、摄像头等感知设备输出结果形成冗余,提高识别的准确度。高精地图用于环境感知,能够

53、与激光雷达、摄像头等感知设备输出结果形成冗余,提高识别的准确度。在自动驾驶“感知-决策-执行”流程中,感知层中,车辆通过摄像头、毫米波雷达、激光雷达等设备获取周围场景信息,实现周围感知;将周围场景信息与高精度地图进行比对,确定车辆相对位置,并通过GNSS、RTK定位、惯性导航系统确定自身姿态、速度和绝对位置,共同实现自我感知。不过由于高精地图存在成本高、更新周期长等问题,一部分企业选择不过由于高精地图存在成本高、更新周期长等问题,一部分企业选择“重感知、轻地图重感知、轻地图”方案,也就是基方案,也就是基本不用高精地图,而使用常规路图方案。本不用高精地图,而使用常规路图方案。高精地图的测绘需要资

54、质,自然资源部下发的关于促进智能网联汽车发展维护测绘地理信息安全的通知规定高精地图测绘制作只能由具备导航电子地图制作甲级资质的单位进行。2022 年,共有 19家单位通过资质复审;图商需要使用上百台专业移动测量采集设备获取信息,设备的使用成本高。信息经过加密处理和审核后才能被使用,流程长,导致信息容易过时,实际的道路信息可能与地图数据不符,这也会导致汽车在使用时的风险提高。23/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告(3)传感器搭载方案传感器搭载方案 在自动驾驶技术路径主要分为“纯视觉方案”和“融合感知方案”,主要围绕自动驾驶车辆如何感知环境这一核心问题展

55、开。这两个派别分别强调了摄像头(视觉系统)和雷达技术(主要是激光雷达,也包括毫米波雷达)在自动驾驶车辆的感知系统中的作用和重要性。以特斯拉为代表的视觉派不搭载激光雷达,认为摄像头捕捉的图像和视频能够提供与人类视觉类似的丰以特斯拉为代表的视觉派不搭载激光雷达,认为摄像头捕捉的图像和视频能够提供与人类视觉类似的丰富环境信息,包括颜色、纹理、形状等,这对于理解复杂的交通场景至关重要。富环境信息,包括颜色、纹理、形状等,这对于理解复杂的交通场景至关重要。通过高级的图像处理和计算机视觉技术,车辆可以识别交通标志、信号灯、行人、其他车辆以及各种道路条件。纯视觉方案的支持者认为,随着深度学习和人工智能技术的

56、进步,摄像头系统足以提供必要的信息来实现高级别的自动驾驶功能,而且成本相对较低,有利于大规模商业化。24/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 特斯拉的感知方案采用的是纯视觉方案。目前特斯拉 Model3/Y共采用 9 个摄像头分布在车体四周:前视摄像头 3 个,位于前挡风玻璃上方,分别为主视摄像头、鱼眼镜头、长焦距镜头;后视摄像头 1 个,位于后车牌上方;左右两侧各有 2 个摄像头,分别为侧方前视摄像头和侧方后视摄像头。通过通过 8 个摄像头,特斯拉可以整体实现个摄像头,特斯拉可以整体实现 360 度全局环视视野,最大监测距离可以达到度全局环视视野,最

57、大监测距离可以达到 250 米。米。摄像头捕获环境中的视觉信息经过一系列神经网络模型的处理,最终输出 3D 场景下的“矢量空间”,用于后续规划和智驾系统。“矢量空间”(VectorSpace)技术同时兼具非凸优化算法(Non-convex)、高维度两大优势,可以通过 8 个摄像头输入的数据为基础绘制 3D 鸟瞰视图,形成 4D 的空间和时间标签的“路网”以呈现道路等信息,帮助车辆把握驾驶环境,更精准的寻找最优驾驶路径。融合感知方案则采用了多传感器融合的方法,结合了摄像头、激光雷达、毫米波雷达和其他传感器的优融合感知方案则采用了多传感器融合的方法,结合了摄像头、激光雷达、毫米波雷达和其他传感器的

58、优点,以达到最佳的环境感知效果。点,以达到最佳的环境感知效果。通过融合不同传感器的优势,可以弥补单一传感器的不足,提高感知的准确性和可靠性。通过融合激光雷达的精确距离测量、摄像头的丰富视觉信息以及毫米波雷达的速度检测能力,系统能够获得更全面、更准确的环境感知结果。例如,在复杂的城市环境中,摄像头可能因为光线问题而识别不清交通标志,而激光雷达可以提供准确的距离信息,毫米波雷达则可以确保在恶劣天气条件下也能进行有效感知。综合利用这些传感器的优势,智能驾驶系统能够实现更安全、更有效的导航和驾驶辅助功能,为自动驾驶车辆的发展奠定了坚实的基础。具体来讲,基于融合的不同位置,可以分为前、中、后融合三种方式

59、,三种方式分别发生在数据处理的不同阶段,在信息保留、算力使用、通信速率等多方面也具有不同特征。25/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 两条感知路线成本、技术难度方面各有优劣。两条感知路线成本、技术难度方面各有优劣。成本方面,相比于激光雷达和毫米波雷达,摄像头的成本是最低的,单目相机的价格一般低于 100 美元,而激光雷达的价格现在大约在 5000 美元以内,纯视觉 26/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 方案单车传感器成本低于多传感器融合方案。从技术难度方面看,多传感器方案的复杂度主要体现在融合层,由于不同

60、传感器特性不同,所采集的数据类型也有很大差异,要将不同模态的数据统一映射到同一个空间,需要考虑融合错位、信息丢失、误差累加等问题,同时还需要解决当不同传感器感知结果不同时,应该选择信任谁的问题。而纯视觉方案的难度主要体现在数据的算法加工处理上,由于都是通过摄像头采集的同模态数据,在数据融合层面困难度比多传感器方案要小得多,但是由于摄像头自身能力的局限性,需要设计更为复杂的算法模型,从摄像头数据中识别到目标信息,例如对距离的计算、在恶劣环境下的识别能力等,这需要海量数据、复杂算法、大量算力作为支撑,因此纯视觉路线的门槛和壁垒极高。能够认为两种方案的区别更多的是成本和发展时间上所导致了差异,而并非

61、方案的优劣。能够认为两种方案的区别更多的是成本和发展时间上所导致了差异,而并非方案的优劣。特斯拉是纯视觉的鼻祖,到今天一直坚持不用激光雷达,核心原因是在于其的技术领先性。特斯拉在实现城市 NOA时,可以单纯的借助BEV+Tranformer+Occupancy来实现道路拓扑、通用障碍物的识别等任务。相比特斯拉的纯视觉方案,不过国内车企引入激光雷达,不仅会减少一定的算法开发压力,还能减少更多的隐形成本支出,在感知算法层面加速超车纯视觉方案,尽快实现高阶智驾。从商业角度来看,特斯拉纯摄像头的方案在感知方面成本更低但是芯片成本更好,激光雷达方案则相对来说感知成本更高但是却可以用算力成本更低的芯片完成

62、整车智能,在目前国内市场芯片紧缺的今天,也是一种优秀的解决方案。2、算法端、算法端(1)BEV+Transformer 算法为主流趋势,优势在于全局视野算法为主流趋势,优势在于全局视野 算法迭代:2D 直视图+CNNBEV+TransformerBEV+Transformer+Occupancy端到端。传统传统“2D 直视图直视图+CNN”感知框架:感知框架:路况感知信号由相机收集到的 2D 图像和雷达收集到的 3D 图像组成,不同感知结果通过 CNN(卷积神经网络)进行后融合,通过大量计算统一升维到 3D 状态下车机行驶的坐标系。不够精确、难以预测:不够精确、难以预测:1)画面遮挡部分难以预

63、测,矩形框标注损失细节;2)高度或深度方面认知存在误差,坡度影响难以准确预测;3)感知与预测的连续性难以确认;4)时间与人力成本较高。27/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 BEV+Transformer 算法算法应运而生:应运而生:BEV(BirdsEyeView)是指一种鸟瞰式的视角或坐标系,可以立体描述感知到的现实世界,也指将视觉信息由图像空间端到端地转换到 BEV 空间下的技术。Transformer 作为一种新型神经网络架构,相比传统神经网络(如 CNN),可以直接进行 2D、3D 不同序列之间的转换。Transformer 采用交叉注意力

64、机制,并行训练数据,在跨模态融合以及时序融合过程中,能够更加全面地在空间时序上建模。BEV 使信息展示更加全面,Transformer 使感知结果更加连续、稳定,预测更可靠:1)算法可以对被遮挡区域进行预测;2)异构数据进行特征级融合,减少层层处理以及先验规则带来的信息丢失;3)多模态数据特征在同一空间中融合,信息关联性更强;4)引入时序信息,感知结果更连续稳定;5)下游规控模块提取更高效;6)感知任务迭代更快,可实现端到端优化。应用于处理多类长尾场景,加速去高精地图:应用于处理多类长尾场景,加速去高精地图:BEV+Transformer 方案能够处理多种自动驾驶的cornercase 场景,

65、比如感知复杂道路、应对恶劣天气和应对动态交通。将静态道路信息与动态道路参与方统一到了同一个坐标系下,通过实时感知与转换,在行驶中即可实时生成“活地图”,意味着高精地图不再成为强需求。算法方面业内趋于一致,开始实现算法方面业内趋于一致,开始实现 BEV+Transformer 的大一统:的大一统:国内车企在“鲶鱼”领头下纷纷加入跃上智驾龙门的队伍,具有一定研发实力与数据积淀的企业,纷纷自研 BEV+Transformer 方案,为原有方案脱胎换骨,一时间成果丰硕。28/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 (2)端到端模型有望成共识,占用网络为算法导向感知

66、更精确端到端模型有望成共识,占用网络为算法导向感知更精确 基于基于 BEV 算法迭代为占用网络:算法迭代为占用网络:BEV算法进一步迭代为 Occupancy Networks(占用网络),更加直接地打造 3D 空间。有别于感知 2D 图像、提取像素(pixel)转化为 3D 特征,Occupancy Networks 直接感知 3D 空间中的体素(voxel),也就是将世界划分为多个大小一致的立方体,快速识别每个体素是否被占用,继而判断车辆是否要躲避。与与 3D 目标检测相比,占用网络目标检测相比,占用网络 Occupancy Networks 感知更高效、结果更精准:感知更高效、结果更精准

67、:1)更准确的描述物体的几何形状:对每一个体素进行预测,所以对目标的描述会更加的细粒度。2)可以预测数据集以外的目标类别:针对当前数据集中未见过的物体,也可以对所占据的栅格进行预测。端到端发展框架有望成共识。端到端发展框架有望成共识。“端到端”模型的主要优势在于将所有模块串在一起统一训练,更利于追求“全局最优解”,数据驱动的同时意味着提升性能所需的数据量和算力规模更大。在数据量达到一定程度后,训练后“端到端”模型有望产生智能涌现的能力,智驾性能或显著提高,上限较传统的“规则驱动”算法显著提升;但是缺点是数据量较小时候性能上升缓慢,远低于解耦的传统规则驱动策略。当前当前“端到端端到端”方案主要两

68、种路线,一是类似于华为方案主要两种路线,一是类似于华为 ADS3.0、小鹏天玑、小鹏天玑 AI 大模型的感知一张网、规控大模型的感知一张网、规控一张网;而另一种类似于特斯拉的感知到规控完全一体化的神经网络。一张网;而另一种类似于特斯拉的感知到规控完全一体化的神经网络。特斯拉凭借自己在模型参数、数据、算力层面多年的积累,已逐渐实现自动驾驶的规模效应。国内车企在智驾层面的端到端实践已经逐步落地,后续其他车企有望持续跟进。29/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 (3)智算中心为智驾提供新基建,加速发展智驾迭代智算中心为智驾提供新基建,加速发展智驾迭代 智算

69、中心为算力、数据和算法服务的供应和生产平台。智算中心为算力、数据和算法服务的供应和生产平台。智能计算中心是基于最新人工智能理论,采用领先的人工智能计算架构,提供人工智能应用所需算力服务、数据服务和算法服务的公共算力新型基础设施。智算中心是自动驾驶迭代的加速器,优势在于促使成本降低、满足数据需求。智算中心是自动驾驶迭代的加速器,优势在于促使成本降低、满足数据需求。先从成本考量,自动驾驶不仅对车载算力提出了高要求,在完善策略的过程中,也需要更高性能的智算中心来完成训练、标注等工作;从需求的角度来看,自动驾驶的开发包括从数据采集到数据筛选、打标、模型训练、回放性验证、仿真测试等等,智算中心将在这几大

70、环节中发挥重大作用。通过在海量数据基础上不断地重复训练与验证,车辆对道路环境的认知水平逐渐趋近于真实情景,判断的准确性在这一过程中不断提升。30/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 3、算力端算力端(1)SoC 芯片芯片 高阶智驾诞生系统级高阶智驾诞生系统级 SoC 芯片,取代分散化芯片,取代分散化 MCU 芯片。芯片。SoC 芯片相较于只集成一个 CPU 处理器单元的 MCU 芯片,它创新性地集成了 CPU、GPU、DSP、NPU 等多个处理器,以及 ASIC、存储、接口单元等组件,大幅提升了计算能力以及数据处理和传输的效率。自动驾驶 SoC芯片通常

71、被集成到一个摄像头模块或一个自动驾驶域控制器中,用于决策层,负责来自感知层传感器的数据处理及融合,然后代替驾驶员做出驾驶决策。高于高于 30TOPS 中高算力市场仅占全球十分之一,高中低三阶分化。中高算力市场仅占全球十分之一,高中低三阶分化。据不完全统计,2023 年全年智驾L2 等级及以上的 SoC全球出货量超过 6000 万颗,最大的出货量依然来自 Mobileye 和瑞萨,占据市场超过 80%的份额,但主要集中在前视一体机等低阶智驾功能,可以认为是传统 L2 ADAS 领域商业模式的延续。2023 年中高算力智驾 SoC的出货量全球为 500 多万片,仅占智驾 SoC 总量十分之一,占比

72、较小;真正有较大出货量的中高算力 SoC 仅有英伟达的 Orin 系列/Xavier 系列、Tesla 的 FSD(HW3.0/4.0)、地平线的 J5 系列和华为的昇腾 610系列,这四家占据了 98%以上的市场份额,其中Tesla 占比超过 60%,其采取的硬件预埋策略贡献很大。英伟达引领第三方供应商高端算力市场,英伟达引领第三方供应商高端算力市场,2022 年占据中国市场超年占据中国市场超 8 成。成。2022 年在全球高算力(算力大于 50Tops)自动驾驶 SoC芯片领域,英伟达、地平线、黑芝麻智能、华为海思、高通这几家巨头占据全球 94.7%的市场份额。在中国市场上,它们合计拿下

73、94.6%的高算力自动驾驶 SoC 芯片市场份额。值得一提是,在这超 94%的市场份额中,超 8 成被英伟达这一家企业拿走。31/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 (2)智驾域控智驾域控 智驾域控渗透率快速提升,智驾域控渗透率快速提升,25-35 万是智驾域控主要增量市场。万是智驾域控主要增量市场。随着智能驾驶技术的加速落地,智驾域控在汽车行业应用越来越广泛。2024 年一季度,国内乘用车前装市场累计标配智驾域控 49.2 万套,同比增长 59.11%,渗透率同比提升 1.6pct 至 10.3%。分价格区间来看,2024 年 1-2 月 25-35

74、 万价格区间是智驾域控的主要增量市场,但随着智能驾驶价格持续下探,25 万以下车型搭载智驾域控的渗透率有望快速提升。合作定制化成趋势,华为、比亚迪表现亮眼。合作定制化成趋势,华为、比亚迪表现亮眼。目前在智能驾驶域控制器行业,主要存在“车企自研+代工”、Tier1“白盒”或“黑盒”等多种不同业务模式,其中整车自研和设计域控,硬件由代工厂生产是当前智驾域控主流发展模式,如特斯拉、蔚来、小鹏均采用这种模式。从份额上来看,德赛西威仍是智驾域控龙头,2024年一季度智驾域控装机量累计达 11.25 万套,以 23%的市场份额位居第二。华为和比亚迪凭借高度垂直的的供应体系,在域控赛道表现亮眼。2024 年

75、一季度华为智驾域控出货量 8.22 万套,对应的市场份额从 2023 年的 2.1%大幅提升至 16.8%。受益于智能驾驶渗透率的持续提升,智驾域控装机量有望保持高速增长,建议重点关注德赛西威、经纬恒润、保隆科技。32/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 4、执行层执行层 智驾加速落地推动线控底盘快速增长。智驾加速落地推动线控底盘快速增长。受益于智能驾驶水平的提升,当下时间点线控底盘处于技术升级和渗透率提升的快速成长阶段。2023 年,中国乘用车市场智能底盘规模达 391.9 亿元,预计 2024年智能底盘市场规模同比增长 36%达 533 亿元。预计

76、在 2027 年将突破千亿元,2030 年超过 1800 亿元。线控底盘中主要包括底盘域控制器、线控制动、线控转向、线控油门和空气悬架等组件。从渗透率和技术成熟度两个维度来看,线控油门和线控换挡相对成熟,空气悬架技术相对成熟但渗透率较低,线控制动、线控转向技术成熟度和渗透率处于相对较低水平。从空间来看,主动悬架市场空间最大,预计 2030 年市场规模大 823.5 亿元,占智能底盘的 45.7%,2024-2030 年均复合增速为 28.3%。(1)线控制动:电动智能化助推单车价值量持续提升线控制动:电动智能化助推单车价值量持续提升 33/46 2024 年年 7月月 8 日日 行业行业|深度

77、深度|研究报告研究报告 制动系统趋于电动智能化,单车价值量持续制动系统趋于电动智能化,单车价值量持续提升。提升。传统机械制动通过机械连接,由制动踏板施加能量,经液压或气压管路传递至制动器。由于设计机构阀类元件多、制动速度慢,机械制动易产生制动滞后现象。相较于传统制动系统,线控制动无需驾驶员提供制动能量,响应速度更快,制动距离更短,安全性更高。同时由于引入更多传感器、控制器、电动化执行器,升级后的制动系统单车价值量约 2000 元,相较传统制动也将有较大提升。线控制动按结构设计分为线控制动按结构设计分为 EHB(电子液压制动)和(电子液压制动)和 EMB(电子机械制动),(电子机械制动),EHB

78、 保留了液压部分,而 EMB 则完全摒弃了液压部件,由电机直接驱动卡钳完成制动,是真正意义的线控制动系统,EHB 为当前主流线控制动形态,根据 ESC控制器是否与电机控制器集成,又可分为 onebox 和 two-box两种形态;其中,one-box 集成了助力电机控制器和 ESC 算法控制器。高阶自动驾驶更倾向搭载 EMB,EMB凭借更高制动功率、更快响应速度、更精准制动控制,有望成为线控制动终极形态之一。国外线控制动厂商核心厂商包括博世、大陆和采埃孚,伯特利是国内首家研发出国外线控制动厂商核心厂商包括博世、大陆和采埃孚,伯特利是国内首家研发出 One-Box 产品的供应产品的供应商,商,其

79、 WCBS 产品已开始量产,与博世等外资的量产时间差距不大,且 WCBS 集成了双控 EPB,具备一定的性价比优势,有望从国内供应商内脱颖而出。(2)线控悬架:国产替代加速,高端化电动化催生新需求线控悬架:国产替代加速,高端化电动化催生新需求 消费者对汽车行驶的舒适性、操控性等要求逐渐增加,叠加汽车电动化智能化快速提升,汽车悬架正在消费者对汽车行驶的舒适性、操控性等要求逐渐增加,叠加汽车电动化智能化快速提升,汽车悬架正在由被动悬架向主动悬架升级。由被动悬架向主动悬架升级。空气悬架结构较为复杂,由减震系统、气路系统、控制系统组成,但作为主动悬架,其优势显著:1)可调节弹簧的弹性系数及减震器的阻尼

80、系数;2)无视自身载荷调节车身高度;3)提升车辆通过性和行驶稳定性,改善驾乘体验等。34/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 自主供应商布局空悬,打破外资垄断格局。自主供应商布局空悬,打破外资垄断格局。海外的空悬供应商多为老牌零部件集团,如大陆集团、威伯科、威巴克等,成立时间较早,与外资车企合作时间较久。但自主供应商目前已具备技术实力,空悬逐步走向国产化。中鼎股份通过收购国外空悬巨头 AMK布局空气压缩机业务;拓普集团依靠自身 NVH技术优势,已具备全套空悬系统的供应能力;保隆科技在空气弹簧领域有先发优势并正向减震器等细分领域开拓;天润工业空悬业务主要

81、集中在商用车领域,正在向乘用车领域拓展;孔辉汽车是国内首家实现乘用车空悬系统量产的企业。渗透率处于低位,国产替代加速。渗透率处于低位,国产替代加速。当前空气悬架渗透率相对较低,2024 年 Q1 空气悬架标配/选配渗透率为 2.5%/0.9%,同比减少 0.1pct/增加 0.3pct,环比减少 0.2pct/减少 0.1pct;电磁悬架标配/选配渗透率为 0.4%/0.3%,同比持平,环比减少 0.1pct/减少 0.2pct。空气悬架核心组件包括空气供给单元、空气弹簧、空气悬架 MCU,竞争格局相对集中。2024 年 Q1 空气供给单元采埃孚/大陆集团/AMK 分别占据 69.5%/14.

82、9%/12.5%;空气弹簧孔辉科技/威巴克/大陆集团的市占率分别为 35.9%/30.1%/14.8%;空气悬架 MCU 大陆集团/理想-科博达/马瑞利的市占率分别为 27.4%/24.2%/13.9%。未来空气悬架/电磁悬架渗透率有望快速提升。(3)线控转向:迈向高阶自动驾驶,量产元年临近线控转向:迈向高阶自动驾驶,量产元年临近 EPS 方案为核心,规模化落地仍需时日。方案为核心,规模化落地仍需时日。当前液压转向助力系统(EPS)仍是主要方案,2024 年一季度 EPS 方案渗透率高达 98.9%,同比提升 0.4pct,环比下降 0.1pct。随着自动驾驶渗透率的逐步提升,转向系统将加速向

83、线控转向系统演进。受制于安全性和法律法规,目前线控转向系统仍保留了部分机械件,以保证电子器件失灵时的转向安全。线控转向产品未来有望受益低压架构升级和产品技术稳定,线控转向有望迎来大规模应用。35/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 5、车载软件车载软件 中国智能汽车基础软件市场存在巨大潜在经济效益。未来随着汽车制造业规模化应用的普及率提升,基础软件单车成本有望下降,叠加功能复杂度的增加,基础软件单车使用频率或有所提升,未来随着整车销量上涨,预计 2025 年汽车基础软件市场规模将达到 142.5 亿元。据华经产业研究院的数据,汽车电子软件行业市场的主要

84、竞争者为 Elektrobit、东软集团、中科创达、诚迈科技、四维图新等公司。多数公司绑定大型经销商进行汽车电子软件销售,业务涉及基础软件、自动驾驶、车联网等业务。由于行业涉及领域较广,增量空间较大,未来汽车电子软件行业的销售的软件公司业绩有望迎来高速增长。汽车软件方面,随着车路云一体化的推进以及自动驾驶技术的提升,汽车软件使用量有望增加,叠加整车销量提升,将带动相关软件公司营收较快增长。相关公司包括中科创达等。6、车载通信模组车载通信模组 汽车网联化是汽车智能化的基础。根据发改委、工信部、交通部等 11部委联合印发的智能汽车创新发展战略,到 2025 年车用无线通信网络(LTE-V2X等)实

85、现区域覆盖,新一代车用无线通信网络(5G-V2X)在部分城市、高速公路逐步开展应用。借助 4G/5G 和 C-V2X 通信技术,将“人-车-路-云”交通要素有机地联系在一起,有效满足车路协同自动驾驶需求。同时 T-Box(Telematics Box)可以读取汽车 Can 总线数据,并借助 4G/5G 网络,将数据传到云服务器,随着汽车智能化趋势不断加速以及5G 网络的加持,传统的 T-Box 产品形态向智能化产品方向发展也将成为大势所趋。车载通信模组是汽车接入车联网和互联网的底层硬件。目前车载通信模组产业发展迅速,根据中商产业研究院2024-2029全球与中国车载通信模组市场现状及未来发展趋

86、势显示,2023 年中国车载通信 36/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 模组出货 11517.9万片,预计到 2025 年出货 15452.7 万片,2 年 CAGR 为 15.83%。中国车载通信模组市场规模预计由 2023 年 60亿元增长至 2025 年 92 亿元,2 年 CAGR 为 23.83%。通信模组厂商加快产品迭代,助力智能车网时代到来。通信模组厂商加快产品迭代,助力智能车网时代到来。在 5G+C-V2X 解决方案中,广和通 AN768 系列5G 模组可快速与 TBOX、ADAS、OBU、RSU、TCAM等车载 ECU 产品进行适

87、配,其已在国内新能源品牌正式量产交付;美格智能计划推出下一代 5G C-V2X 车规级系列模组产品及解决方案,采用创新型SoC架构芯片,模组集成 CPU 芯片,有效支持 5G+C-V2X 功能;2023 年移远通信 G55xQ、AG57xQ、AG56xN 系列等车载 5G 模组迎来放量增长,其车载 5G 模组已被全球 20 多家主流车厂选用,在多个项目实现落地;高新兴 GM860A-C1AX 模组和 GM860A-C1AG 模组能支持 C-V2XPC5,实现低时延信息传输,GT568、GT569 产品是高新兴物联设计的 TBOX,外挂 8G EMMC 用于大数据上传需求,便于优化各个控制器的逻

88、辑和方案,提升整车各方面的表现。六、六、商业模式分析商业模式分析 智驾软件收费模式多样化、收费标准差异化。智驾软件收费模式多样化、收费标准差异化。梳理当前主流品牌的智驾收费模式,车型售价中一般只包含基础智驾功能,如 AEB、ESA 等主动安全功能及 APA、RPA 等泊车功能,高速/城市 NOA 功能大多需要额外购买获得,具体来看可拆分为以下几类模式:1)硬件标配,软件选配:硬件标配,软件选配:激光雷达等感知硬件全系标配,硬件已充分定价,软件包付费获得。蔚来、阿维塔、问界 M9采用该形式。2)硬件选配,软件捆绑销售:硬件选配,软件捆绑销售:新车型通常分为配置激光雷达和未配置激光雷达版本,高配版

89、本则自带软件包(相当于捆绑销售)。小鹏、理想、腾势等车企均采用该形式,其中 Max 与 Pro 版车型差价(硬件价格)为 2-3 万元。3)软硬件皆标配:软硬件皆标配:采用车企包括零跑、上通五菱等,车企自研或采用纯视觉算法降低成本,软硬件均为标配。针对软件付费,各车企又可分为买断式与订阅式:针对软件付费,各车企又可分为买断式与订阅式:37/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 1)买断式:买断式:用户一次性付清软件包费用,后续 OTA功能升级一般免费。华为、智己、飞凡、极氪等均采用该形式,未实施权益前买断价格均超 3 万元(约为订阅 5 年价格),权益优

90、惠后价格降至几千元水平。2)订阅式:订阅式:用户可选择按月或年进行订阅。蔚来高阶 NOP+订阅价格为 380 元/月;华为智选合作车型亦提供该选择,ADS2.0 订阅价格为 720元/月。智能驾驶付费从培育期向发展期过渡,降低门槛以获取消费者。智能驾驶付费从培育期向发展期过渡,降低门槛以获取消费者。2021 年小鹏开启软件付费探索之路,一年后小鹏宣布取消辅助驾驶系统最高达 3.6 万元的额外收费,转为软硬件一体销售的商业模式。同时,诸多车企开展大额限时优惠或购车赠送软件包等方式以获取消费者。车企希望通过降低购买成本以培养消费者习惯,同时强化智驾能力领先的标签、加强消费者认知,并提升在跑车辆规模

91、以获取训练数据、摊薄成本。而消费者付费意愿较低的原因在于智驾适用场景有限、功能体验欠佳、市场教育不足,且软件定价相对较高。2023 年下半年以来,用户硬件付费意愿有所提升,在小鹏 G6、问界 M7 等订单中有所体现,智驾版车型占比普遍提升至 50%以上,但软件付费率仍处于较低水平。中低端市场车型对智驾软件另外收费的难度较大,参考智能手机,提升消费者软件付费的必要条件为:1)使用频率足够高,针对性解决日常用车的痛点,如城区行车、复杂场景泊车等;2)产品力足够强,付费和不付费的功能和体验存在差异性;3)不同车企智驾产品技术和体验有分化,否则在竞品持续以低价甚至不收费的模式获客的囚徒困境下,车企收费

92、的难度依然较大。当前硬件付费+软件免费的打包制更容易让消费者有“获得感”,原因在于硬件存在明确的市场定价,而软件名义上免费,等同于赠送权益。但如果上述必要条件达成,订阅制是更容易达到收费目的的方式,其优势在于订阅制降低了付费的门槛,消费者可根据自身需要选择订阅周期,易于培养付费习惯。L3 自动驾驶功能将实现软件后向付费,或将成中高端车专属配置。当智驾真正走向自动驾驶功能将实现软件后向付费,或将成中高端车专属配置。当智驾真正走向 L3+后,理论上智后,理论上智驾收费模式有望向驾收费模式有望向“代驾代驾”靠拢。靠拢。车辆处于 L3 自动驾驶级别时,人类驾驶员尚需要监控车辆行驶;L4-L5 级别基本

93、由智能驾驶系统主导,人类驾驶员更接近乘客角色。预测由于 L3 对单车成本提升较高,且需要车企长期为其自动驾驶系统购买保险,同时有雇佣专属司机的功能逻辑;同时,智驾水平达到 L3+后,智驾软件新增授权使用的边际成本将大幅降低,进一步支持车企向消费者进行后向功能订阅收费。38/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 七七、相关公司、相关公司 1、特斯拉:自动驾驶历经十余年迭代,从探索开荒到自研引领创新特斯拉:自动驾驶历经十余年迭代,从探索开荒到自研引领创新 最新最新 FSDV12.3 迎来推送,迎来推送,V12 转向端到端网络。转向端到端网络。3月 17 日消

94、息,特斯拉的 FSD Beta 版 12 正式迎来新版本推送,此次推送的 FSD BetaV12.3 面向美国的部分用户开放。本次推送似乎涵盖了美国所有拥有FSD Beta 测试资格的车辆,此前该版本已经推送给内部员工和配备 HW4 的特别测试组。一些用户指出,新版本在舒适完成 U 型转弯和低可见度路况行驶方面取得了显著进步,这得益于 V12 版本转向了“端到端神经网络”控制车辆的方式。算法端:特斯拉采用端到端大模型,引领算法时代。算法端:特斯拉采用端到端大模型,引领算法时代。2020 年特斯拉引入 BEV+Transfomer 架构,过去自动驾驶依靠2D 图像+CNN是不太可能实现全自动驾驶

95、。2021 年特斯拉构建了多任务学习神经网络架构 HydraNet,并使用了特征提取网络 BiFPN。HydraNet 结构能够完成多头任务,而非此前的单一检测。2022 年底的 AI DAY 上进一步得到了强化,特斯拉将 BEV 升级到了占用网络(occupancy network),进一步提升了泛化能力。2024 年 1 月下旬,特斯拉面向普通用户正式推送了 FSDV12 的测试版本。FSDV12 将城市街道驾驶的软件栈升级为单一的端到端神经网络,该网络经过数百万个视频片段的训练,替代了超过 30万行 C+代码。实现输入到输出的大模型思维。FSDV12 是一个端到端 AI,它能够输入图像,

96、然后从输出转向、加速、刹车灯动作。特斯拉对于 AI 的探索已经进入通过单一基础视频网络来直接驾驶汽车从技术范式上来说,通过端到端的算法变革,特斯拉已经整体上转向类似于 OpenAI 旗下 GPT 这样的大模型思维。特斯拉特斯拉 Hardware 硬件迭代,硬件迭代,HW4.0 全面提升。全面提升。HW1.0 阶段特斯拉的主要工作是多传感器融合+应用层软件开发。HW2.0 阶段特斯拉掌握图像识别算法+多传感器融合+应用层软件开发。HW2.5 是对HW2.0 的一个小版本更新,主要用于冗余和略微提高的可靠性。HW3.0 特斯拉驾驶辅助硬件的重大革新,首次采用自研的自动驾驶芯片,具备全套芯片设计+图

97、像识别算法+多传感器融合+应用层软件开发。39/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 HW4.0 全面提升,处理数据、影像能力提升。全面提升,处理数据、影像能力提升。HW4.0 的摄像头像素从 120 万像素提升到 500 万像素,虽然前摄像头从三目变成双目,总体摄像头数量从 8 个减少到 7 个,但是视觉最大探测距离从 250 米变为 424 米,系统可以看得更远更清楚。芯片算力是原来的 5 倍,从 HW3.0 的 144TOPS 提升到 HW4.0的 720TOPS,CPU 内核也从 12 个上升到 20 个,以帮助快速处理图像信息。同时,为了让图像

98、大数据传输更快,CPU 内存从 LPDDR4 升级到 GDDR6。Dojo 超超算不断发展,建立算不断发展,建立 FSD 更新迭代基础。更新迭代基础。Dojo是特斯拉为人工智能机器学习和计算机视觉训练目的而开发的超级计算机。Dojo 在 2021 年 8 月的特斯拉 AI 日上首次公开,Dojo 的设计初衷是为了处理大量的视频数据,加速特斯拉的 Autopilot 和完全自动驾驶(FSD)系统的迭代。2023 年 7 月,马斯克在公司财报会议上称 Dojo 已开始投产,用于训练自动驾驶汽车的人工智能模型,正在考虑向其它汽车厂商授权其 FSD 硬件和软件,并计划到 2024 年在 Dojo 上投

99、入超过 10亿美元。根据特斯拉 2023 年在 6 月发布的算力发展规划,将在 2024 年 10 月达到 100EFlops 算力。2024 年 1 月,马斯克在 X平台上表示,特斯拉计划在 Dojo 超级电脑上投入巨额资金,在纽约超级工厂(Gigafactory)启动 5 亿美元新项目。以节点、芯片和训练模块为核心组建以节点、芯片和训练模块为核心组建 Dojo 超算集群,最终高达超算集群,最终高达 1.1EPlops。芯片上承载了最小的计算元素被称为训练节点,训练节点的算力在 BF16/CFP8数据格式下,为 1024GFLOPS,在精度更高的FP32 格式下,浮点运算性能达到 64GFL

100、OS。354 个这样的训练节点连接到一起,构成计算阵列(computearray),便在逻辑上构成了一个 D1 芯片。基于 D1 芯片,特斯拉在系统层面设计了训练模块(TrainingTile),训练模块就是 Dojo超算的基本构成单位。一个完整的训练模块上集成了 25个 D1 芯片,一个训练模块 BF16/CFP8 精度下的浮点算力总算力为 9PFLOPS。然后 120 个训练模块共同构成 ExaPOD,即特斯拉 Dojo 超算的最终硬件形态,其总算力在 BF16 精度下达 1.1EPlops。40/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 算力端:外购芯

101、片走向算力端:外购芯片走向 FSD 自研芯片,算力处理能力大幅上升。自研芯片,算力处理能力大幅上升。特斯拉第二代 FSD 芯片自 2023 年 2月开始在汽车上发货,该芯片的设计与第一代芯片非常相似。第一代基于三星的 14nm工艺,围绕三个四核集群构建,共有 12 个 Arm Cortex-A72 核心在 2.2GHz 主频下运行。在第二代设计中,特斯拉将CPU内核数量增加到了五个 4核集群(20 个),总共有 20 个 Cortex-A72 内核。第二代 FSD 芯片最重要的部分是三个 NPU 核心。三个核心使用 32MB 的 SRAM,每个用于存储模型权重和激活。特斯拉自动驾驶的数据闭环体

102、系:数据采集特斯拉自动驾驶的数据闭环体系:数据采集搭建数据集搭建数据集自动自动+人工标注人工标注送入模型训练送入模型训练量化部署量化部署到车端上。到车端上。数据采集:数据采集:影子模式采集高价值数据:2019 年 4 月,特斯拉首次发布“影子模式”(shadowmode),这是一种全新的车端数据触发采集方式。影子模式运行在车辆后台,但不参与控车,通过对模型的结果数据与驾驶员的行为数据分析,从而判断自动驾驶模型的“短板”,并上传对应的数据到云端。特斯拉的影子模式支持量产车上运行并采集数据,等同于将自己卖出的每一辆车,都能够化身为“数采车”,充分发挥量产车覆盖场景广、成本低的优势。数据标注:数据标

103、注:4D 标注标注+自动标注技术:自动标注技术:在 BEV 感知兴起之前,2D 标注由专业的标注人员通过特定的工具在图像上进行绘制而完成的,这种方式非常直接,但是其标注效率低、人力成本高。随着 BEV 感知技术的兴起,4D 标注技术应运而生,其用于标注具有时序的 3D 数据,即 4D 标注=3D 标注+时序。4D标注不仅需要标注 3D 空间中的静态目标,还需要标注具有时序信息的动态目标,它是一项为输出 3D空间中具有时序信息的任务提供真值的技术。2020 年,特斯拉研发并使用了数据自动标注系统。特斯拉采用人机合作的标注方式,既有人工标注,也有机器标注,机器标注效率更高,通过高效率标注,让现实世

104、界中的时空片段转化为可用数据,使得FSD 更加智能和高效。特斯拉的 AI 团队开发自动化的标注工具可在行驶时实时地对道路、交通参与者以及障碍物等进行标注、重建,基于完整的高质量数据集去训练新的神经网络去处理车前摄像头出现雪花导致其视线无法看清前车等复杂场景。仿真数据:场景仿真理解复杂动态驾驶场景,保证安全性:仿真数据:场景仿真理解复杂动态驾驶场景,保证安全性:特斯拉依靠过去收集到的数据,仿真出全新的、自带标注的场景以供训练。现实场景的复杂程度超乎想象,比如场景非常罕见以至于几乎收集不到(例:高速上人车狗同时飞奔),或者是场景复杂程度超过自动化工具能力(例:一条街上塞了重重叠叠的几十上百号人)。

105、2、华为:提供零部件、华为:提供零部件、HI 和智选车模式赋能车企,主导权依次上和智选车模式赋能车企,主导权依次上升升 41/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 零部件供应模式提供多种部件,华为逐步弱化模式转移重心:零部件供应模式提供多种部件,华为逐步弱化模式转移重心:华为入局造车就成为了许多车企的一级供应商,为它们提供智能化解决方案,甚至包括电机零部件。除了给车企供货,华为还会作为二级供应商,为自动驾驶公司提供计算平台和底层软件。2022 年华为车 BU 收入约 20 亿元,2023 年上半年收入约10 亿元,基本没有增长,难以覆盖每年超过 100

106、亿元的投入成本。因此华为逐步弱化零部件供应模式,更加重视 HI 模式和智选车模式,并且通过升级 HI 模式和智选车模式,实现逐步扭亏的目标。HI 模式与车企联合开发,提供解决方案:模式与车企联合开发,提供解决方案:华为 HI 模式(HuaweiInside),是华为与车企共同定义、联合开发智能汽车的一种合作模式。在此模式下,华为会将一整套包括华为自研的智能驾驶系统、座舱系统、域控制器、芯片、电机、各类传感器等集成到智能汽车里,与车企深度配合。总之,HI 模式是华为与车企联合开发,华为提供全栈解决方案帮助车企造车,但最终主导权还是在车企。2023 年底华为改变策略,将汽车 BU 与车企合资,实现

107、利益绑定。智选车模式华为主导决策,智选车模式华为主导决策,“含华量含华量”最高:最高:智选车模式在 HI 模式的基础上,华为深度介入产品定义、研发、制造和销售全流程。在智选车模式下,华为占据主导权。目前有赛力斯问界、奇瑞智界系列选择智选车模式,后续还将有享界和傲界两个品牌。2023 年底,华为智选车业务也升级为鸿蒙智行。华为在鸿蒙智行模式下,为合作伙伴提供产品、质量、销售、服务、营销等全方面的赋能。42/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 算法方面:华为智驾方案持续升级,城市算法方面:华为智驾方案持续升级,城市 NCA 覆盖率高达覆盖率高达 99.56

108、%。ADS2.0 基于基于 GOD2.0 和和RCR2.0 实现实现“看得懂路和物看得懂路和物”。ADS2.0 高阶智能驾驶系统,在融合感知 BEV(BirdEyeView,鸟瞰图)网络,能“看得懂物”,在识别白名单障碍物如车、人等物体的基础上,升级 GOD(General Obstacle Detection,通用障碍物检测)网络 2.0,拥有强大的识别及处理能力,通用障碍物识别率达到 99%,识别种类更精细,类别无上限。RCR 网络实现无图驾驶:RCR(道路拓扑推理网络)网络 2.0 实现导航地图和现实世界匹配,复杂环境推理,感知面积达到 2.5 个足球场,道路拓扑实时生成,能“看得懂路”

109、。基于多传感融合感知系统,结合道路预测神经网络,能够实现交通要素关联,通过道路拓扑推理网络实时生成,实现了导航地图与现实道路匹配,实现自主看懂复杂路况,有图无图都能开。拟人化智驾算法和首发 PDP 预测决策与规划网络,持续迭代进步:ADS2.0 高阶智能驾驶系统还采用华为首创的智驾交互博弈算法,解决了智驾在人车混杂的复杂场景中遇到疑难路况的问题,能解决超过70%的交互场景接管难题,缩短 40%的通行时间;动态路况极其复杂,每一步算法犹如下围棋般千变万化,PDP 算法可以在 1 秒之内计算出最佳路线。ADS3.0 算法:端到端架构,实现深度理解驾驶场景。算法:端到端架构,实现深度理解驾驶场景。A

110、DS3.0 基于 GOD(通用障碍物识别)大网、PDP(预测决策规控)网络、以及运动控制全面提升智驾安全性与体验。8 月份即将发布的享界 S9有望成为 ADS3.0 首发车型。GOD 大网:去掉了传统的 BEV 网络,构建了端到端的 GOD 大网,实现对驾驶场景、障碍物识别更深度理解。PDP 网络:实现预测决策和规划一张网,从而实现类人化的决策和规划,行驶轨迹更类人,通行效率更高,复杂路口通过率96%。43/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 昇腾三种芯片模块设计,提升智驾性能:昇腾三种芯片模块设计,提升智驾性能:华为智能驾驶芯片主要有昇腾 310、昇

111、腾 610 和昇腾 620,这三款芯片还可以级联增加性能。华为设计芯片是模块形式,复用研发成果。昇腾系列芯片的 CPU 和 AI核心基本是相同的,只是核心数量不同,针对不同的应用使用不同的核心和数量配置。云端算力云端算力平台:昇腾芯片助力智驾模型快速迭代。平台:昇腾芯片助力智驾模型快速迭代。云端算力平台提供强大的算力支持,其总算力高达3.3EFLOPS。昇腾云服务除了支持华为的 Al 框架昇思 Mindspore 外,还支持 Pytorch,Tensorflow等主流 AI 框架。这些框架中的 90%算子,都可以通过华为的迁移工具从 GPU平滑迁移到昇腾,出了一些硬核的框架和异构优化编程接口,

112、为昇腾体系专门建设了一套 AI 开发的产品化工具-Mindstudio。昇腾AI 云服务可以提供更长稳的 AI 算力服务,千卡训练 30天长稳率达到 90%,断点恢复时长不超过 10 分钟。模型每 5 天迭代一次。3、大疆车载:打破高阶智驾大算力依赖,主打极致性价比大疆车载:打破高阶智驾大算力依赖,主打极致性价比 由无人机公司大疆孵化出的智能驾驶品牌“大疆车载”,在智能驾驶行业所走的是“极致性价比”路线,通过开发低算力产品就能够实现高阶智能驾驶能力的解决方案。为适应不同价格市场的需求,大疆车载能够提供多样化、可选择的灵活配置。目前的合作车企有上海通用五菱、奇瑞、上汽大众等诸多主流汽车品牌。接下

113、来的 2024 年,将会有超过 20 款车型搭载大疆车载的系统上市。2025 年,大疆车载预计将有 200 万台左右车型搭载大疆车载的智驾系统。如果将时间线拉长 3-5 年,大疆车载认为,其量产车型的合作数量将会上升到 500 万台这一量级。算法方案:以算法方案:以“BEV+OCC+Transformer”纯视觉方案为基础的多样化配置方案。纯视觉方案为基础的多样化配置方案。2023 年,大疆车载就推出了 7V/9V+32TOPS 智驾方案(成行平台),通过 7 颗或 9 颗摄像头搭配 32TOPS 算力芯片,实现了高速领航辅助驾驶、记忆泊车、城区记忆领航辅助驾驶等功能。2024年大疆车载将方案

114、算力升级为 100TOPS,其中 7V 方案为两颗前视立体双目摄像头、一颗后视单目摄像头,以及 4颗环视鱼眼摄像头。10V方案多出一颗前视长焦摄像头、两颗侧视摄像头。同时,该方案最高支持扩展算力至200TOPS,可以扩展毫米波雷达、超声波雷达、激光雷达、高精度地图等传感器,增强系统的安全冗余,并提升领高速领航与城区领航等高阶 L2+功能的舒适体验,打造了“强视觉在线实时感知、无高精地图依赖、无激光雷达依赖”的方案效果。从大疆车载官方公众号获悉,该方案目前已处于可用状态,正与合作车企积极推进量产。算力方案:大疆的芯片来源于多个不同的供应商。算力方案:大疆的芯片来源于多个不同的供应商。合作供应商有

115、业内领先企业如美国高通、英伟达等。此外,为打造高性价比产品,大疆也会选择与其他专业的汽车芯片制造商进行合作,如 NXP、Infineon、地平线等。相比于芯片算力指标,大疆车载更关注系统运行时的实际算力水平,不主张堆大算力,而是通过算力优化,提升实际运行时的算力利用率。例如,200TOPS 的芯片算力,如果算力利用率是 10%,则实际的芯片算力只有 20TOPS,而 32TOPS 的芯片算力,如果将算力利用率提升到 50%,则实际的芯片算力可以达到 16TOPS。2022 年发布的宝骏 KiWi EV 大疆款算力仅为 32TOPS。数据方案:大疆的数据来源于中国高速路快速路拥堵场景的航测数据集

116、数据方案:大疆的数据来源于中国高速路快速路拥堵场景的航测数据集 AD4CHE,针对中国典型驾驶拥堵场景,采用无人机悬停航测,基于多种中国城市场景的部分高速路和快速路进行数据采集。采集轨迹共计 53761 条,采集轨迹长度共计 6540.7 公里,采集精度为 5cm 左右,最大误差不超过 10cm。4、Momenta:数据驱动,:数据驱动,Mpilot(L2+)+MSD(L4)两条腿战略)两条腿战略 Momenta 主要提供两套自动驾驶解决方案:量产自动驾驶主要提供两套自动驾驶解决方案:量产自动驾驶 Mpilot(量产(量产 L2+自动驾驶产品)与完全自动驾驶产品)与完全无人驾驶无人驾驶 MSD

117、(L4 完全无人驾驶产品)。完全无人驾驶产品)。momenta已与上汽智己、长城沙龙、吉利、比亚迪等多家 44/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 企业达成合作,并且据芯流汽车消息 momenta 已拿下丰田国内项目定点。在 L4 级自动驾驶解决方案(MSD)上推出的 momentago 自动驾驶出租车,已在上海、苏州、深圳等多地进行运营。算法方案:算法方案:momenta 关键战略即关键战略即“一个飞轮,两条腿一个飞轮,两条腿”。一个飞轮是指 momenta 自主研发的 L4 级别的数据驱动 AI 飞轮;两条腿之一是 L2+级别的量产智能驾驶 Mpi

118、lot,Mpilot 使用了BEV+Transformer 框架,并结合与特斯拉占用网络类似的 DD4D(Data-Driven 4D Model),实现了针对私家车前装可量产的高度自动驾驶全栈式解决方案,可以覆盖高速/城市快速路、泊车和城区等场景;目的是通过与领先的主机厂进行量产合作,实现千万数量级的车辆装载量,产生海量数据流以训练自动驾驶算法,解决 L4 完全无人驾驶的长尾问题;另一条腿是 L4 级别的完全无人驾驶 MSD,持续提供技术流,赋能量产智能驾驶产品能力的快速进步。这样两条腿交替提升,让量产 L2+车辆的数据,可以用来训练 L4的算法,让 L4 的算法为 L2+提供足够高的技术上

119、限和进步空间,打通量产智能驾驶(Mpilot)和完全无人驾驶(MSD)的技术架构和数据流,最终实现规模化无人驾驶。算力方案:算力方案:Mpilot 高度自动驾驶产品可以通过高度自动驾驶产品可以通过 open Solution 适配十种以上的主流量产芯片平台,适配十种以上的主流量产芯片平台,能够满足定制化需求提供更多选择。能够满足定制化需求提供更多选择。momenta 借助 NVIDIA Drive AGX 所提供的拥有不同算力规模和传感器接入能力的硬件平台,以及一致的硬件和软件开发接口,让研发人员在统一的平台上进行算法开发,如 Mpilot Highway 和 Mpilot Parking 的

120、视觉系统,都能在一块 Drive AGX Xavier 上实现,可提供高达 320TOPS 的算力。数据方案:数据方案:momenta 的数据来源体现在两个方面。的数据来源体现在两个方面。第一是来源于其积极布局的自动驾驶出租车(Robotaxi)市场,已实现商业化运营。momenta 运营的自动驾驶车队装备有先进的传感器和数据记录设备,用于收集道路测试数据,再基于其“飞轮式”数据驱动技术自动化地处理量产数据,并反馈促进算法的优化,使其更好地做出行驶决策。另一方面,momenta 采取数据众包的方式采集数据,例如2017 年东赢恒康投资控股集团与 momenta 达成合作,在重庆开始试点,在 2

121、0 台车辆上完成的大数据采集设备安装,来获取交通环境数据以及司机行为数据,逐步解决自动驾驶的数据难题。目前与momenta 建立相关合作的企业还包括上汽集团、通用汽车、丰田中国等。5、百度百度 Apollo:依托:依托 Robotaxi,L4 降维推出降维推出 L2+纯视觉方案纯视觉方案 Apollo 是由百度推出并开发的智能驾驶产品,国内首个推出支持城市场景的城区是由百度推出并开发的智能驾驶产品,国内首个推出支持城市场景的城区 NOA 纯视觉智驾方纯视觉智驾方案。案。旗下纯视觉高阶智能驾驶产品-Apollo City Driving Max,现已搭载吉利极越 01量产上市,目前已经在全国 2

122、0 多个城市开设了 40 家以上的线下体验中心。从销量数据来看,从销量数据来看,2023 年 12 月极越 01 的销量为 774 辆。算法方案:算法方案:百度 Apollo 使用了“BEV+OCC+Transformer”纯视觉方案,其中极越与百度联合研发的国内首个 OCC 占用网络技术的使用,能够更好地理解和处理三维空间数据,成功打破了传统依赖激光雷达的局限,可以完全依靠相机和传感器来实现智能驾驶。在智驾域控制器上,百度 Apollo 具有 MCU 和SOC 两大异构的控制芯片。MCU 部署了 AUTOSAR 协议站,在此基础上开发 CDD 和应用算法;SOC系统芯片连接了硬件的戳向层以及

123、百度自研的中间件 Apollo OS、算法的原子能力服务以及算法的各种应用逻辑。在传感控制器上,雷达获取的深度数据精度高,不容易受外界环境光照情况影响;摄像头采集的图像分辨率高,更擅长辨别色彩。因此百度 Apollo提供了雷达-摄像头一体化解决方案,这种解决方案能够充分利用摄像头与雷达的互补性,形成更强大的感知能力。例如百度 Apollo量产上市的极越01 装备了 28 个智驾传感器,包括 5颗毫米波雷达、12 颗超声波雷达、11颗高清摄像头。45/46 2024 年年 7月月 8 日日 行业行业|深度深度|研究报告研究报告 算力方案:算力方案:百度 Apollo 采用了高性能的计算平台和算法

124、优化策略,以支持自动驾驶系统的高效运行。目前,百度 Apollo 已推出五代产品,其中吉利极越 01搭载的 Apollo City Driving Max,芯片是基于英伟达研发推出的双 NVIDIA DRIVE OrinX,AI 算力 508TOPS。数据方案:百度数据方案:百度 Apollo 的数据方案注重数据采集的多样性和全面性。的数据方案注重数据采集的多样性和全面性。供给高品质数据用以模型训练,为智驾持续进化保驾护航。百度 Apollo 依托 Robotaxi8000 万公里路跑精炼上亿帧超高精数据,供给高品质模型训练真值数据,背靠百度云海量的 AI 算力集群实现周级模型迭代,为智驾持续

125、进化保驾护航。商业化应用也是百度 Apollo 的重要数据来源。例如百度萝卜快跑,现已在北京、上海、武汉、广州、合肥等 11 个城市开放运营,截至 2024 年 1 月 2 日,百度萝卜快跑累计向公众提供乘车服务 500 万次,四季度内,萝卜快跑服务单数同比增长 49%至 83.9万单,在武汉地区全无人驾驶订单比例达到 45%。6、毫末智行:出自长城汽车,毫末智行:出自长城汽车,24 年城市年城市 NOH 有望落地百城有望落地百城 毫末智行成立于毫末智行成立于 2019 年,前身是长城汽车智能驾驶前瞻分部,现提供乘用车辅助驾驶产品年,前身是长城汽车智能驾驶前瞻分部,现提供乘用车辅助驾驶产品 H

126、Pilot、末端物流自动配送车和智能硬件等产品。末端物流自动配送车和智能硬件等产品。业内估计 2024 年上半年毫末城市 NOH 落地将达到 100 城。毫末智行以重感知、大模型的技术路线及技术应用、用户闭环的数据建设等方向保持业内领先位置。2022 年 6 月乘用车辅助驾驶用户行驶里程已经突破 1000 万公里。目前搭载最新辅助驾驶产品Hpilot3.0的新款摩卡 DHT-PHEV 激光雷达版已于 2023 年上车交付。算法方案:发布算法方案:发布 DriveGPT 雪湖雪湖 海若。海若。毫末智行几乎与特斯拉同期引入以 Transformer 为核心的自动驾驶算法大模型,应用在如车道线检测、

127、障碍物检测、可行驶区域分割、红绿灯检测&识别等实际的道路感知问题。不同于特斯拉的纯视觉方案,毫末智行坚持摄像头+激光雷达的多模态传感器路线,即以视觉感知为主、激光雷达提供冗余感知为辅的“重感知”技术方案。在借助 Transformer 大模型的优势的基础上,利用激光雷达建立的点云信息,使得激光雷达能够轻松为视觉感知进行验证与补充,不仅能模拟出类似特斯拉 Occupancy 网络的感知效果,还有效实现了成本控制。此外,2023 年发布的毫末DriveGPT 雪湖 海若通过引入驾驶数据建立 RLHF(人类反馈强化学习)技术,对自动驾驶认知决策模型进行持续优化,最终目标是实现端到端自动驾驶,现阶段主

128、要用于解决自动驾驶的认知决策问题,后续持续会将毫末多个大模型的能力整合到 DriveGPT。算力方案:算力方案:在大算力芯片方面,毫末与高通联手研发辅助驾驶域控制器小魔盒 3.0,平台单板算力达360TOPS,可持续升级到 1440TOPS,可以支撑大量的感知推理计算,以及车端感知数据的筛选、清洗、脱敏和回流。而仅从算力来看,1000TOPS 以上能力已足以满足 L4 级以上自动驾驶需求。数据方案:毫末构建了自己的数据智能体系数据方案:毫末构建了自己的数据智能体系 MANA 系统,并在系统,并在 21 年初搭建起中国自动驾驶行业最大年初搭建起中国自动驾驶行业最大智算中心智算中心 MANAOAS

129、IS 雪湖雪湖绿洲。绿洲。MANA 系统是由 TARS(数据原型系统)、LUCAS(数据泛化系统)、VENUS(数据可视化平台)、BASE(底层系统)四个子系统组成的,能够实现完整运转的自动驾驶数据智能体系。MANA 体系在自动驾驶领域的应用具有显著优势。通过使用大规模量产车无标注数据的自监督学习方法,MANA 能够高效地将数据优势转化为模型效果,适应各种自动驾驶感知任务需求。同时,MANA还构建了增量式学习训练平台,通过混合数据集的训练方式,实现算力节省和响应速度提升,从而让数据发挥更大的价值。7、智驾智驾 Tier1 相关公司相关公司 46/46 2024 年年 7月月 8 日日行业行业|

130、深度深度|研究报告研究报告 八、参考研报八、参考研报 1.东兴证券-计算机行业汽车智能化系列报告:汽车智能化快速渗透,车路协同再迎催化2.东北证券-计算机行业智能驾驶研究框架系列一:AI 数据驱动视角下的智能驾驶3.东北证券-汽车行业深度:智驾时代来袭,多玩家多模式齐发力推动行业走向落地4.华鑫证券-智能驾驶行业系列研究(一):从特斯拉视角,看智能驾驶研究框架5.兴业证券-计算机行业周报:智能驾驶行业正在发生哪些变化?6.信达证券-策略周观点:出海的长逻辑和短逻辑7.招商证券-汽车行业 2024 年年中投资策略:“智能驾驭,电动未来”加速发展8.国联证券-汽车行业:智能网联车路云一体化三问三答9.中金公司-汽车及零部件行业十年展望 IV:车企智能驾驶演进法10.华福证券-智能驾驶行业专题:NOA 快速渗透,建议关注智驾产业链机会11.国元证券-伯特利-603596-首次覆盖报告:线控制动领跑者,布局底盘一体化打开成长空间12.国泰君安-产业深度:高度竞争时代已至,技术创新与量产能力为王13.国信证券-计算机行业汽车智能化系列专题之决策篇(3):特斯拉 FSD 持续升级,智能驾驶加速落地免责声明:以上内容仅供学习交流,不构成投资建议。

友情提示

1、下载报告失败解决办法
2、PDF文件下载后,可能会被浏览器默认打开,此种情况可以点击浏览器菜单,保存网页到桌面,就可以正常下载了。
3、本站不支持迅雷下载,请使用电脑自带的IE浏览器,或者360浏览器、谷歌浏览器下载即可。
4、本站报告下载后的文档和图纸-无水印,预览文档经过压缩,下载后原文更清晰。

本文(智能驾驶行业深度:驱动因素、行业现状、产业链及相关公司深度梳理-240708(46页).pdf)为本站 (securities) 主动上传,三个皮匠报告文库仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知三个皮匠报告文库(点击联系客服),我们立即给予删除!

温馨提示:如果因为网速或其他原因下载失败请重新下载,重复下载不扣分。
客服
商务合作
小程序
服务号
会员动态
会员动态 会员动态:

wei**n_... 升级为高级VIP wei**n_... 升级为高级VIP

wei**n_... 升级为标准VIP wei**n_... 升级为标准VIP

wei**n_... 升级为高级VIP wei**n_... 升级为标准VIP

139**55... 升级为高级VIP 133**69... 升级为标准VIP

wei**n_... 升级为高级VIP wei**n_... 升级为至尊VIP

wei**n_... 升级为高级VIP 风**... 升级为至尊VIP

微**... 升级为至尊VIP 微**... 升级为高级VIP

wei**n_... 升级为高级VIP wei**n_... 升级为标准VIP

wei**n_... 升级为标准VIP 157**01... 升级为标准VIP

139**49... 升级为高级VIP wei**n_... 升级为标准VIP

186**80... 升级为标准VIP wei**n_... 升级为标准VIP

134**15... 升级为至尊VIP wei**n_... 升级为标准VIP

wei**n_... 升级为至尊VIP Ja**n 升级为至尊VIP

186**83... 升级为高级VIP 186**39... 升级为标准VIP

150**14... 升级为高级VIP Lis**oy... 升级为高级VIP

wei**n_... 升级为高级VIP 139**47... 升级为至尊VIP

大**... 升级为高级VIP wei**n_... 升级为高级VIP

wei**n_... 升级为高级VIP 邹** 升级为至尊VIP

wei**n_... 升级为标准VIP 180**36... 升级为至尊VIP

186**20... 升级为高级VIP 173**08... 升级为至尊VIP

wei**n_... 升级为标准VIP 136**63... 升级为高级VIP

189**70... 升级为至尊VIP 153**00... 升级为高级VIP

wei**n_... 升级为至尊VIP wei**n_... 升级为标准VIP

186**10... 升级为高级VIP wei**n_... 升级为高级VIP

wei**n_... 升级为至尊VIP 聂** 升级为标准VIP

wei**n_... 升级为标准VIP h**o 升级为标准VIP

178**32... 升级为标准VIP wei**n_... 升级为至尊VIP

wei**n_... 升级为至尊VIP wei**n_... 升级为标准VIP

136**77... 升级为至尊VIP wei**n_... 升级为至尊VIP

许** 升级为至尊VIP wei**n_... 升级为至尊VIP

wei**n_... 升级为标准VIP wei**n_... 升级为至尊VIP

wei**n_... 升级为高级VIP 爱**... 升级为高级VIP

wei**n_... 升级为高级VIP 小** 升级为标准VIP

yo**a 升级为高级VIP wei**n_... 升级为标准VIP

wei**n_... 升级为高级VIP wei**n_... 升级为标准VIP

wei**n_... 升级为高级VIP 153**29... 升级为标准VIP

wei**n_... 升级为高级VIP wei**n_... 升级为至尊VIP

w**e 升级为至尊VIP Pen** C... 升级为标准VIP

186**41... 升级为高级VIP 136**75... 升级为至尊VIP

wei**n_... 升级为至尊VIP wei**n_... 升级为标准VIP

188**00... 升级为高级VIP wei**n_... 升级为标准VIP

138**67... 升级为至尊VIP wei**n_... 升级为至尊VIP

hao**an 升级为高级VIP Jaz**oM... 升级为至尊VIP

153**40... 升级为标准VIP 176**19... 升级为高级VIP

wei**n_... 升级为标准VIP wei**n_... 升级为高级VIP

wei**n_... 升级为标准VIP wei**n_... 升级为高级VIP

wei**n_... 升级为至尊VIP 136**15... 升级为至尊VIP

wei**n_... 升级为至尊VIP wei**n_... 升级为高级VIP

wei**n_... 升级为高级VIP wei**n_... 升级为高级VIP

wei**n_... 升级为高级VIP wei**n_... 升级为至尊VIP