汽車行業AI大模型賦能自動駕駛：特斯拉自動駕駛技術跟蹤占用網絡算法驅動自動駕駛落地-230528（21頁）.pdf

《汽車行業AI大模型賦能自動駕駛：特斯拉自動駕駛技術跟蹤占用網絡算法驅動自動駕駛落地-230528（21頁）.pdf》由會員分享，可在線閱讀，更多相關《汽車行業AI大模型賦能自動駕駛：特斯拉自動駕駛技術跟蹤占用網絡算法驅動自動駕駛落地-230528（21頁）.pdf（21頁珍藏版）》請在三個皮匠報告上搜索。

1、AIAI大模型賦能自動駕駛：特斯拉自動駕駛技術跟蹤，占用網絡大模型賦能自動駕駛：特斯拉自動駕駛技術跟蹤，占用網絡算法驅動自動駕駛落地算法驅動自動駕駛落地證券研究報告證券研究報告 行業動態報告行業動態報告發布日期：2023年5月28日本報告由中信建投證券股份有限公司在中華人民共和國（僅為本報告目的，不包括香港、澳門、臺灣）提供。在遵守適用的法律法規情況下，本報告亦可能由中信建投（國際）證券有限公司在香港提供。同時請參閱最后一頁的重要聲明。分析師：于芳博分析師：于芳博SAC編號：S1440522030001分析師：金戈分析師：金戈SAC編號：S1440517110001SFC編號：BPD352分析

2、師：分析師：閻貴成閻貴成SAC編號：S1440518040002SFC編號：BNS315 核心觀點：近期核心觀點：近期，特斯拉更新其特斯拉更新其FSDFSD算法至算法至v v1111.4 4，此次升級實現此次升級實現FSDFSD端到端的能力端到端的能力，即包含高速領航即包含高速領航、城市道路領航和泊車三個域的智駕功能城市道路領航和泊車三個域的智駕功能。特斯拉將改進車輛性能置于引入新功能之上特斯拉將改進車輛性能置于引入新功能之上，可以更快地針對環境做出反應可以更快地針對環境做出反應，并在必要時調整車速并在必要時調整車速，確保所有相關人員都能獲得更安全的體驗確保所有相關人員都能獲得更安全的體驗。我

3、們認為我們認為AIAI對整個汽車產業生態變革將產生重大影響對整個汽車產業生態變革將產生重大影響，特斯拉作為整個自動駕駛領域開拓者特斯拉作為整個自動駕駛領域開拓者，正引領相關技術應用落地正引領相關技術應用落地。特斯拉自動駕駛算法主要經歷四個階段特斯拉自動駕駛算法主要經歷四個階段，目前架構包括目前架構包括RegNetRegNet、HydraNetHydraNet等等。20162016-20182018年年，特斯拉自動駕駛算法處于第一階段，在該階段中，使用常規的骨干網結構；使用2D檢測器進行特征提??；訓練數據為人工標注，整體來看整體來看比較原始比較原始，相對傳統相對傳統；20182018-20192

4、019年年，特斯拉自動駕駛算法采用了HydraNet結構；加入特征提取網絡BiFPN；將圖像空間從image space直接轉化為vector space，能執行多任務、對視覺特征進行充分融合以及很大程度上避免映射偏差，相較于精度提升相較于精度提升，這個階段注重提高效率；這個階段注重提高效率；20192019-20202020年年，特斯拉自動駕駛算法來到第三階段，使用了Transformer；骨干網結構使用了RegNet；能夠實現自動標注數據；以及主張去掉雷達，使用純視覺方案，不僅解決了CNN算法在BEV遮擋區域預測問題，同時還有更高的性能和算法準確度以及能夠快速得到高精度地圖數據，相較于提高

5、效率相較于提高效率，這個階段注重提高精度；這個階段注重提高精度；20212021年以來年以來，特斯特斯拉自動駕駛算法來到第四階段拉自動駕駛算法來到第四階段，增加了時空序列與時序信息融合等能力；在空間感知方面，使用占用網絡；使用Lanes Network；為了增強汽車感知能力，考慮到4D雷達的效果與成本，預計會將雷達重新安裝，整體來看整體來看，該階段在感知能力上大做文章該階段在感知能力上大做文章，自動駕駛算法已相對成熟自動駕駛算法已相對成熟。特斯拉自動駕駛算法特斯拉自動駕駛算法20222022年的核心改變在于使用年的核心改變在于使用OccupancyOccupancy NetworksNetwo

6、rks進行感知以及使用進行感知以及使用LanesLanes NetworkNetwork進行矢量地圖繪制進行矢量地圖繪制。OccupancyOccupancyNetworksNetworks（占用網絡占用網絡）可以通過3D物體檢測的方式來估計行駛中其他車輛、物體的位置和大小，占用網絡可以使用多個攝像機拍攝的圖像進行3D處理，即使是動態占用也可以計算出來并且運行效率較高；LanesLanes NetworkNetwork通過對離散空間的預測，能夠以自回歸的方式將所有的車道線節點進行生成，從而獲取更精確的車道線拓撲結構。20232023年年5 5月月，特斯拉推出特斯拉推出FSDFSD v v111

7、1.4 4，實現實現FSDFSD端到端能力端到端能力。FSD端到端的能力，即包含高速領航、城市道路領航和泊車三個域的智駕功能。映射到國內映射到國內，以蔚小理為代表的車廠以特斯拉為錨以蔚小理為代表的車廠以特斯拉為錨，在自動駕駛領域持續發力在自動駕駛領域持續發力，可像人類司機那樣實時地感知、決策、規劃，蔚來NAD、小鵬XNGP等逐步實現L4駕駛水平。特斯拉正持續引領廠商技術革新，例如特斯拉將Occupancy網絡引入到自動駕駛感知技術中，后續理想AD Max3.0也將Occupancy網絡納入技術棧中用于汽車感知。特斯拉引領自動駕駛走向落地階段特斯拉引領自動駕駛走向落地階段，全球自動駕駛產業鏈推進

8、加速全球自動駕駛產業鏈推進加速，域控制器放量或將提速域控制器放量或將提速。重點推薦德賽西威重點推薦德賽西威、中科創達中科創達、均勝電子均勝電子、經緯恒經緯恒潤潤、華陽集團華陽集團。核心觀點 OYeXsWkZmUtRtRqN9PbP7NnPqQnPtQfQpPqNiNmPqQbRmMqQuOnQqPMYpOzQ特斯拉自動駕駛算法使用的是多任務學習特斯拉自動駕駛算法使用的是多任務學習HydraNetsHydraNets架構，從而讓汽車共享相同神經網絡或特征提取器的同時能進行交通燈檢測、車架構，從而讓汽車共享相同神經網絡或特征提取器的同時能進行交通燈檢測、車輛避讓等多項任務。特斯拉自動駕駛算法中，首

9、先讓車載攝像頭使用輛避讓等多項任務。特斯拉自動駕駛算法中，首先讓車載攝像頭使用RegNetRegNet對路況對路況/汽車進行原始圖像提取，多個特征層通過汽車進行原始圖像提取，多個特征層通過FPNFPN相相互交互，從而進行特征提取?；ソ换?，從而進行特征提取。在每個攝像頭都處理完單個圖像后，使用具有多頭自注意力的在每個攝像頭都處理完單個圖像后，使用具有多頭自注意力的TransformerTransformer模型進行處理，模型進行處理，TransformerTransformer模型不僅解決了模型不僅解決了CNNCNN算法在算法在BEVBEV（鳥瞰圖）遮擋區域預測問題，同時還有更高的性能和算法準確

10、度。（鳥瞰圖）遮擋區域預測問題，同時還有更高的性能和算法準確度。后續將處理結果進行多尺度特征、視頻神經網絡等處理，從后續將處理結果進行多尺度特征、視頻神經網絡等處理，從而完成整個自動駕駛算法。近年來而完成整個自動駕駛算法。近年來TransformerTransformer憑借傳統憑借傳統 CNN CNN 算法所不能企及的感知能力以及其優秀的魯棒性和泛化性，已逐步取算法所不能企及的感知能力以及其優秀的魯棒性和泛化性，已逐步取代代IPMIPM、LiftLift-splatsplat、MLPMLP成為成為BEVBEV感知領域的主流算法。感知領域的主流算法。以特斯拉為錨把握自動駕駛技術演進資料來源：T

11、esla，中信建投圖圖表：特斯拉自動駕駛算法架構表：特斯拉自動駕駛算法架構圖圖表：特斯拉自動駕駛算法架構表：特斯拉自動駕駛算法架構 Autopilot是特斯拉自動駕駛技術底座AutopilotAutopilot于于20142014年發布年發布，是一種先進的駕駛輔助系統是一種先進的駕駛輔助系統，可提高駕駛的安全性和便利性可提高駕駛的安全性和便利性。多年來多年來，AutopilotAutopilot隨著整車隨著整車OTAOTA及硬件及硬件更新不斷迭代升級更新不斷迭代升級?，F階段現階段，AutopilotAutopilot可實現的功能包括：交通感知巡航可實現的功能包括：交通感知巡航（控制車速與交通流

12、一致控制車速與交通流一致）、變道輔助變道輔助（協助用戶轉向變道協助用戶轉向變道）、自動駕駛自動駕駛導航導航（主動引導車輛進出匝道主動引導車輛進出匝道、自動接通轉向信號并選擇正確出口自動接通轉向信號并選擇正確出口）、自動變道自動變道、自動泊車自動泊車、智能召喚智能召喚（自動在復雜環境和停車自動在復雜環境和停車位間行駛位間行駛，找到用戶找到用戶）、自動緊急制動自動緊急制動、側面碰撞預警側面碰撞預警、車道偏離提醒等車道偏離提醒等資料來源：Tesla,中信建投圖圖表：特斯拉表：特斯拉AutopilotAutopilot圖圖表：表：AutopilotAutopilot能實現多種自動駕駛功能能實現多種自動

13、駕駛功能所有Tesla車輛都標配Autopilot所有Tesla車輛都具有所有安全功能約有100萬輛特斯拉汽車改進了高速公路駕駛系統約100,000輛特斯拉汽車擁有“FSD Beta”軟件 特斯拉自動駕駛技術變遷總結資料來源：Tesla,中信建投第一階段1、使用常規的骨干網結構；2、使用2D檢測器進行特征提??；3、訓練數據為人工標注比較原始，相對傳統第二階段1、采用了HydraNet結構；2、加入特征提取網絡BiFPN；3、將圖像空間從image space直接轉化為vector space1、能執行多任務；2、相較于FPN，BiFPN能夠更加充分的進行特征融合并且賦予不同特征權重；3、很大程

14、度上避免了圖像到向量空間中映射偏差第三階段1、使用了Transformer；2、骨干網結構使用了RegNet；3、自動標注數據；4、主張去掉雷達，使用純視覺方案1、不僅解決了CNN算法在BEV遮擋區域預測問題，同時還有更高的性能和算法準確度；2、更加簡單、易理解，而且還能夠運行高復雜計算量；3、能夠快速得到高精度地圖數據第四階段1、增加了時空序列與時序信息融合等能力；2、在空間感知方面，使用占用網絡；3、使用Lanes Network；4、為了增強汽車感知能力，考慮到4D雷達的效果與成本，預計會將雷達重新安裝到汽車上1、讓汽車有短時間記憶，增強了汽車感知的魯棒性；2、能夠對多個圖像進行3D處理

15、、識別出被遮擋的部位以及快速運行；3、更精準的識別車道線路拓撲結構階段技術變遷技術變化帶來的影響 占用網絡算法升級資料來源：Tesla，中信建投圖圖表：鳥瞰圖與占用網絡算法對比表：鳥瞰圖與占用網絡算法對比圖圖表：對象檢測與占用網絡算法對比表：對象檢測與占用網絡算法對比圖圖表：固定矩形與占用網絡算法對比表：固定矩形與占用網絡算法對比相比相比HydraNetHydraNet結構的鳥瞰圖結構的鳥瞰圖、固定矩形固定矩形、物體檢測物體檢測進行了全面升級和優化進行了全面升級和優化。occupancyoccupancy networknetwork將世界分為小立方體將世界分為小立方體，預測每個預測每個格子被

16、占用概率如何格子被占用概率如何。從從2 2D D升級到升級到3 3D D。對象檢測的算法受數據集限制對象檢測的算法受數據集限制，一旦遇到沒有標注一旦遇到沒有標注的物體出現的物體出現，則沒法檢測到前方物體則沒法檢測到前方物體。而占用網絡而占用網絡算法可以避免這個問題算法可以避免這個問題。特斯拉自動駕駛技術經歷四代資料來源：Tesla,中信建投圖圖表：表：AutopilotAutopilot發展歷程發展歷程 Input：特斯拉幾乎采用了純視覺解決方案TeslaTesla VisionVision自自AutopilotAutopilot發布以來經歷了多次發展：發布以來經歷了多次發展：2016 201

17、6 年，年，Tesla Autopilot Software 1.0Tesla Autopilot Software 1.0正式上線，主要網絡結構為正式上線，主要網絡結構為RegNetRegNet 搭上搭上 2D detector2D detector；20182018-20192019年，年，公司在計算機視覺中提出了公司在計算機視覺中提出了v vector ector s space pace 的概念，的概念，v vector spaceector space與與image spaceimage space相比相比，將視覺的圖像空間轉移至向量空間，這個技術路線基調更是在將視覺的圖像空間轉移至

18、向量空間，這個技術路線基調更是在20202020年的年的smart summonsmart summon功能功能研發時確定下來研發時確定下來。20212021年年，TeslaTeslaVisionVision 在上一版本的在上一版本的TransformerTransformer中引入中引入SpacialSpacialTemporalTemporal 模型，將時序信息加入視覺模型。模型，將時序信息加入視覺模型。20202020年馬斯克決心從特斯拉車上移除雷達，而全部采用攝影機，讓自動駕駛完全采用視覺方案，年馬斯克決心從特斯拉車上移除雷達，而全部采用攝影機，讓自動駕駛完全采用視覺方案，8 8個攝像

19、頭和強大的視覺處理能個攝像頭和強大的視覺處理能力可實現力可實現360360度視野范圍，對周圍環境的監測距離最遠可達度視野范圍，對周圍環境的監測距離最遠可達250250米。后來，為了在感知層提升自動駕駛能力，特斯拉在米。后來，為了在感知層提升自動駕駛能力，特斯拉在HW 4.0HW 4.0硬件硬件系統中，配置了高精度系統中，配置了高精度4D4D毫米波雷達。毫米波雷達。資料來源：Tesla,中信建投圖圖表：特斯拉純視覺解決方案表：特斯拉純視覺解決方案圖圖表：表：4D4D毫米波雷達效果更好毫米波雷達效果更好 骨干網是用于圖像物體特征提取，常見的骨干網包括骨干網是用于圖像物體特征提取，常見的骨干網包括A

20、lexNetAlexNet、ResNetResNet、VGGNetVGGNet 等。特斯拉采用等。特斯拉采用RegNetRegNet識別圖像中的對象，并提供識別圖像中的對象，并提供對象的豐富特征信息。對象的豐富特征信息。20202020年年Meta AIMeta AI包括何愷明在內的科學家提出了包括何愷明在內的科學家提出了RegNetRegNet網絡，在網絡設計范式上更加簡單、易理解，而且還能網絡，在網絡設計范式上更加簡單、易理解，而且還能夠運行高復雜計算量。夠運行高復雜計算量。RegNetRegNet的核心是網絡設計空間，的核心是網絡設計空間，其思想是，可以在設計空間中對模型進行采樣，從而產

21、生模型分布，并可以使用經典統計學中的工其思想是，可以在設計空間中對模型進行采樣，從而產生模型分布，并可以使用經典統計學中的工具來分析設計空間。設計一個不受限制的初始設計空間的逐步簡化版本就稱為設計空間設計（具來分析設計空間。設計一個不受限制的初始設計空間的逐步簡化版本就稱為設計空間設計（design space designdesign space design）。在設計過程）。在設計過程的每個步驟中，輸入都是初始設計空間，輸出則是更簡單、或性能更好的模型的精簡模型。通過對模型進行采樣，并檢查其誤差分的每個步驟中，輸入都是初始設計空間，輸出則是更簡單、或性能更好的模型的精簡模型。通過對模型進行

22、采樣，并檢查其誤差分布，即可表征設計空間的質量。布，即可表征設計空間的質量。Backbone：特斯拉采取RegNet進行特征提取資料來源：Designing Network Design Spaces,中信建投圖圖表：表：RegnetRegnet中網絡設計空間的概念中網絡設計空間的概念圖圖表：表：RegnetRegnet要好于最優網絡要好于最優網絡EfficientNetEfficientNet NeckNeck位于骨干網和檢測頭之間，是用于提取更細的特征。位于骨干網和檢測頭之間，是用于提取更細的特征。特斯拉自動駕駛算法采用特斯拉自動駕駛算法采用BiFPNBiFPN（加權雙向特征金字塔網絡），

23、（加權雙向特征金字塔網絡），BiFPNBiFPN是一種易于快速進行多尺度特征融合的特征金字塔網絡。它融是一種易于快速進行多尺度特征融合的特征金字塔網絡。它融合了合了FPNFPN、PANetPANet和和NASNAS-FPNFPN的多級特征融合思想，使信息在自上而下和自下而上兩個方向上流動。的多級特征融合思想，使信息在自上而下和自下而上兩個方向上流動。BiFPNBiFPN具有以下幾點改進：通過增加殘差鏈接，增強特征的表示能力；移除單輸入邊的結點，減少計算量；針對融合的各個尺度特征具有以下幾點改進：通過增加殘差鏈接，增強特征的表示能力；移除單輸入邊的結點，減少計算量；針對融合的各個尺度特征增加一個

24、權重，調節每個尺度的貢獻度，提高檢測速度。增加一個權重，調節每個尺度的貢獻度，提高檢測速度。簡單來說，簡單來說，BiFPNBiFPN是在是在FPNFPN的基礎上對其進行改進，對原始的的基礎上對其進行改進，對原始的FPNFPN模塊又添加了添加上下文信息的邊，并對每個邊乘以一個相應的權重。模塊又添加了添加上下文信息的邊，并對每個邊乘以一個相應的權重。Neck：使用BiFPN對更精細特征進行提取與特征融合資料來源：EfficientDet:Scalable and Efficient Object Detection，中信建投圖圖表：表：BiFPNBiFPN網絡結構網絡結構圖圖表：表：BiFPNBi

25、FPN能加強特征提取能加強特征提取 骨干網為模型提供相關的矩陣輸入，對于一些實際任務，例如檢測、分割等，通常要在特征圖上應用“檢測頭”。特斯拉使用骨干網為模型提供相關的矩陣輸入，對于一些實際任務，例如檢測、分割等，通常要在特征圖上應用“檢測頭”。特斯拉使用HydraNetsHydraNets進行具體任務實施。進行具體任務實施。HydraNetsHydraNets包含用于處理視覺特征的多個組件，在訓練期間分別訓練出專業的組件，在推理過程中選包含用于處理視覺特征的多個組件，在訓練期間分別訓練出專業的組件，在推理過程中選擇相應組件進行執行，能處理多種任務，極大提升了效率。擇相應組件進行執行，能處理多

26、種任務，極大提升了效率。8 8個攝像頭使用個攝像頭使用RegnetRegnet提取完圖像后，使用提取完圖像后，使用TransformerTransformer模型進行圖像特征融合，其中還會有時間信息融合操作，圖像信息處理完后，模型進行圖像特征融合，其中還會有時間信息融合操作，圖像信息處理完后，就通過就通過HydraNetsHydraNets將信息分到不同的視覺組件中處理不同的下游任務。將信息分到不同的視覺組件中處理不同的下游任務。Head：特斯拉使用HydraNets實施多任務資料來源：HydraNets:Specialized Dynamic Architectures for Effici

27、ent Inference，Tesla，中信建投圖圖表：表：HydraNetsHydraNets算法架構算法架構圖圖表：特斯拉中的表：特斯拉中的HydraNetsHydraNets 自動駕駛感知能力：占據網絡(Occupancy Networks)特斯拉采用占用網絡技術進行駕駛感知特斯拉采用占用網絡技術進行駕駛感知，占據網絡占據網絡可以通過可以通過3 3D D物體檢測的方式來估計行駛中其他車輛物體檢測的方式來估計行駛中其他車輛、物體的位置和大小物體的位置和大小。占據占據網絡網絡利用利用RegNetRegNet和和BiFPNBiFPN從多相機獲取特征從多相機獲取特征，然后模型通過帶然后模型通過帶

28、3 3D D空間位置的空間位置的spatialspatial queryquery對對2 2D D圖像特征進行基于圖像特征進行基于attentionattention的多的多相機融合相機融合。之后利用之后利用3 3D D-toto-2 2D D queryquery，即根據每個相機的內外參將即根據每個相機的內外參將3 3D D spatialspatial queryquery投影到投影到2 2D D特征圖上特征圖上，提取對應位置的特征提取對應位置的特征。最后進行時序融合最后進行時序融合。實際上實際上，占用網絡實際上是對占用網絡實際上是對BEVBEV技術的拓展技術的拓展。占用網絡具有多個優點占

29、用網絡具有多個優點，例如占用網絡可以使用多個攝像機拍攝的圖像進行例如占用網絡可以使用多個攝像機拍攝的圖像進行3 3D D處理處理，即使是動態占用也可以計算出來即使是動態占用也可以計算出來，哪怕是遮哪怕是遮擋的部分擋的部分，也可以更加精準的識別出來也可以更加精準的識別出來。占用網絡可以在占用網絡可以在1010msms時間內運行時間內運行。資料來源：Tesla,中信建投圖圖表：占用網絡整體架構表：占用網絡整體架構圖圖表：占用網絡在特斯拉自動駕駛模型中的位置表：占用網絡在特斯拉自動駕駛模型中的位置 自動駕駛矢量地圖：Lanes Network在在BEVBEV（鳥瞰圖）上進行地圖分割和識別，往往是在像

30、素級別進行操作，因為無法得到車道線的拓撲結構，因此不能用于軌跡規（鳥瞰圖）上進行地圖分割和識別，往往是在像素級別進行操作，因為無法得到車道線的拓撲結構，因此不能用于軌跡規劃。特斯拉使用劃。特斯拉使用Lanes NetworkLanes Network進行矢量地圖規劃，進行矢量地圖規劃，LanesLanes NetworkNetwork可幫助獲取更精確的車道線拓撲結構，以識別車輛從一條車道可幫助獲取更精確的車道線拓撲結構，以識別車輛從一條車道變換到另一條車道的路徑。變換到另一條車道的路徑。Lanes NetworkLanes Network在模型結構上，是在感知網絡在模型結構上，是在感知網絡ba

31、ckbonebackbone基礎上加入一個解碼器基礎上加入一個解碼器，以序列的方式自回歸地輸出結果。具體實現上來以序列的方式自回歸地輸出結果。具體實現上來說，模型首先要選取一個生成順序（如從左到右，從上到下），對空間進行離散化（說，模型首先要選取一個生成順序（如從左到右，從上到下），對空間進行離散化（tokenizationtokenization），然后就可以用然后就可以用Lanes Lanes NetworkNetwork進行一系列離散進行一系列離散tokentoken的預測的預測，網絡會以自回歸的方式將所有的車道線節點進行生成。，網絡會以自回歸的方式將所有的車道線節點進行生成。資料來源：

32、Tesla,中信建投圖圖表：表：Lanes NetworkLanes Network網絡架構網絡架構圖圖表：表：Lanes NetworkLanes Network使用使用 特斯拉FSD升級到v11.4 資料來源：Tesla,Twitter,中信建投采用端到端人工智能采用端到端人工智能，即包含高速領航、城市道路，即包含高速領航、城市道路領航和泊車三個域的智駕功能。該算法在簡化流程領航和泊車三個域的智駕功能。該算法在簡化流程的同時，能夠模擬人類駕駛員做出恰當的決策行為。的同時，能夠模擬人類駕駛員做出恰當的決策行為。通過聯合空間評估，改進人行橫道上的行為決策。通過聯合空間評估，改進人行橫道上的行為

33、決策。運用運動學數據測量風險并提前減速，改善自動駕運用運動學數據測量風險并提前減速，改善自動駕駛車輛在駛車輛在VRUVRU附近的行為。附近的行為。改進在密集非結構化城市環境中的轉彎性能，避免改進在密集非結構化城市環境中的轉彎性能，避免轉入公交車道等。轉入公交車道等。優化路由提示和自動貼標機，解決由于不良路由類優化路由提示和自動貼標機，解決由于不良路由類型引起的干預措施。型引起的干預措施。通過更新車道類型檢測網絡和改進地圖視覺融合等，通過更新車道類型檢測網絡和改進地圖視覺融合等，提高自動駕駛系統的理解能力和安全性。提高自動駕駛系統的理解能力和安全性。馬斯克評論：FSD V11.4表現優秀特斯拉特

34、斯拉20232023年年4 4月月3030日發布日發布FSD Beta v11.4FSD Beta v11.4，版本為，版本為2023.6.152023.6.15，并于，并于5 5月月8 8日向員工推出測試。通過此次更新，特斯拉將改進車輛性日向員工推出測試。通過此次更新，特斯拉將改進車輛性能置于引入新功能之上。能置于引入新功能之上。FSD Beta v11.4FSD Beta v11.4 可根據當前天氣條件、能見度、道路濕度、輪胎胎面，甚至其他車輛的輪胎印記等因素，可根據當前天氣條件、能見度、道路濕度、輪胎胎面，甚至其他車輛的輪胎印記等因素，調整自動駕駛儀的最大速度，確保在惡劣條件下獲得更安全

35、的駕駛體驗。同時，調整自動駕駛儀的最大速度，確保在惡劣條件下獲得更安全的駕駛體驗。同時，FSD Beta v11.4FSD Beta v11.4可以更快地針對環境做出反應，并可以更快地針對環境做出反應，并在必要時調整車速，確保所有相關人員都能獲得更安全的體驗。在必要時調整車速，確保所有相關人員都能獲得更安全的體驗。圖圖表：特斯拉表：特斯拉FSD v11.4FSD v11.4特性與馬斯克對其評價特性與馬斯克對其評價 蔚小理四月交付量出爐，理想交付量領先資料來源：wind，中信建投蔚小理發布四月份交付量數據蔚小理發布四月份交付量數據，其中理想汽車交付其中理想汽車交付2568125681輛輛，創下單

36、月新紀錄創下單月新紀錄，同比增長同比增長516516.3 3%，1 1-4 4月累計交付月累計交付7878,265265輛品牌累計輛品牌累計交付交付335599335599輛；品牌累計交付輛；品牌累計交付335599335599輛；蔚來交付新車輛；蔚來交付新車66586658輛輛，同比增長同比增長3131.2 2%，1 1-4 4月累計交付月累計交付3769937699輛輛，同比增長同比增長2222.2 2%，品牌累品牌累計交付計交付327255327255輛輛。小鵬汽車交付新車小鵬汽車交付新車70797079輛輛，同比下降同比下降2121%，1 1-4 4月累計交付月累計交付25309253

37、09輛輛，品牌累計交付品牌累計交付284019284019輛輛。6,658-50%0%50%100%150%200%02,0004,0006,0008,00010,00012,00014,00016,00018,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4銷量同比25,681-100%0%100%200%300%400%500%600%05,00010,00015,00020,00025,00030,0002022.12022.2202

38、2.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4銷量同比圖圖表：蔚來汽車銷量表：蔚來汽車銷量圖圖表：理想汽車銷量表：理想汽車銷量圖圖表：小鵬汽車銷量表：小鵬汽車銷量7,079-100%-50%0%50%100%150%200%250%02,0004,0006,0008,00010,00012,00014,00016,00018,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022

39、.122023.12023.22023.32023.4銷量同比 蔚來自動駕駛NAD由Aquila與Adam構成資料來源：蔚來，中信建投NIONIO AssistedAssisted andand IntelligentIntelligent DrivingDriving（NADNAD）是蔚來汽車自動駕駛技術是蔚來汽車自動駕駛技術，擁有全棧自動駕駛技術能力擁有全棧自動駕駛技術能力，能夠從地圖定位到感知算能夠從地圖定位到感知算法法，從底層系統到控制策略從底層系統到控制策略，實現自動駕駛在高速實現自動駕駛在高速、城區城區、泊車和換電場景的全覆蓋泊車和換電場景的全覆蓋，主要包含主要包含AquilaAq

40、uila、AdamAdam及相關算法等及相關算法等，支持支持L L4 4級別級別。AquilaAquila蔚來超感系統實現融合感知蔚來超感系統實現融合感知。AquilaAquila蔚來超感系統擁有蔚來超感系統擁有3333個高性能感知硬件個高性能感知硬件，包括包括1 1個超遠距高精度激光雷達個超遠距高精度激光雷達、7 7顆顆800800萬像素萬像素高清攝像頭高清攝像頭、4 4顆顆300300萬像素高感光環視專用攝像頭萬像素高感光環視專用攝像頭、1 1個增強主駕感知個增強主駕感知、5 5個毫米波雷達個毫米波雷達、1212個超聲波傳感器個超聲波傳感器、2 2個高精度定位單元和個高精度定位單元和V V

41、2 2X X車路協同車路協同，協助算法實現全向無盲區融合協助算法實現全向無盲區融合，具備具備L L4 4能力能力。AdamAdam超算平臺作為底層提供算力超算平臺作為底層提供算力，AdamAdam搭載搭載4 4顆顆NVIDIANVIDIA DRIVEDRIVE OrinOrin 芯片芯片，算力高達算力高達10161016TopsTops。同時借助于超級圖像處理流水線同時借助于超級圖像處理流水線、超超高帶寬骨干數據網絡高帶寬骨干數據網絡、熱備份冗余設計等熱備份冗余設計等，為自動駕駛決策控制提供算力保障為自動駕駛決策控制提供算力保障。圖圖表：蔚來自動駕駛（表：蔚來自動駕駛（NADNAD）系統）系統

42、圖表：圖表：800800萬高清攝像頭提升感知距離萬高清攝像頭提升感知距離 小鵬自動駕駛技術：XNGP資料來源：小鵬汽車，汽車之心，中信建投XNGPXNGP是繼是繼XPILOTXPILOT系統之后系統之后，小鵬推出的第二代智能輔助駕駛系統小鵬推出的第二代智能輔助駕駛系統，XNGPXNGP在第一代在第一代XPilotXPilot系統的基礎上系統的基礎上，增加了城市路況下的全程智增加了城市路況下的全程智能輔助駕駛功能能輔助駕駛功能（城市城市NGPNGP），以及高速以及高速NGPNGP和和VPAVPA記憶泊車的增強版功能記憶泊車的增強版功能，是目前是目前國內唯一一款能夠實現城市路況下全程智能輔助駕國內

43、唯一一款能夠實現城市路況下全程智能輔助駕駛的系統駛的系統，并且可以在沒有高精地圖的情況下并且可以在沒有高精地圖的情況下，讓車輛在城市道路上實現自動跟隨讓車輛在城市道路上實現自動跟隨、自動變道自動變道、自動超車等功能自動超車等功能。NGPNGP系統主要包括系統主要包括兩顆激光雷達兩顆激光雷達、雙雙NVIDIANVIDIA DRIVEDRIVE OrinOrin超級計算平臺超級計算平臺、1313個攝像頭個攝像頭、1212個超聲波雷達個超聲波雷達、5 5個毫米波雷達和個毫米波雷達和1 1個車內攝像頭個車內攝像頭。小鵬汽車感知技術采用小鵬汽車感知技術采用XNETXNET，通過多相機和雷達收集數據通過多

44、相機和雷達收集數據，實時生成實時生成3 3D D場景地圖和高精度地圖場景地圖和高精度地圖，靜態靜態、動態感知能力大幅提升動態感知能力大幅提升，無無縫連接城市道路縫連接城市道路、高速和停車場等場景高速和停車場等場景。具公司介紹具公司介紹，今年今年6 6月推送的高速月推送的高速 NGPNGP 2 2.0 0預計達到非常接近于預計達到非常接近于L L4 4的體驗水準的體驗水準。圖圖表：表：XNGPXNGP擁有超強的算力芯片及多個感知傳感器擁有超強的算力芯片及多個感知傳感器圖圖表：表：XNGPXNGP是行業首個全場景智能輔助駕駛系統是行業首個全場景智能輔助駕駛系統 理想自動駕駛技術：AD Max3.0

45、資料來源：理想汽車，中信建投理想理想ADAD MaxMax3 3.0 0通過大模型通過大模型AIAI算法算法，擺脫對高精地圖的依賴擺脫對高精地圖的依賴，該技術使用三種神經網絡大模型算法該技術使用三種神經網絡大模型算法，分別是靜態分別是靜態BEVBEV 網絡網絡、動態動態 BEVBEV網絡和網絡和OccupancyOccupancy網絡網絡，并通過并通過NeRFNeRF技術增強技術增強OccupancyOccupancy網絡還原的精度和細節網絡還原的精度和細節，實現對物理世界的完整還原實現對物理世界的完整還原。三種神經網絡大模型三種神經網絡大模型算法的感知結果匯總到預測模型算法的感知結果匯總到預

46、測模型，就可以實時輸出對周圍所有交通參與者未來幾秒內的行動軌跡預測就可以實時輸出對周圍所有交通參與者未來幾秒內的行動軌跡預測，該預測結果會動態調整該預測結果會動態調整，為為后面的決策規劃提供更準確的信息后面的決策規劃提供更準確的信息。目前理想汽車的自動駕駛訓練里程已超過目前理想汽車的自動駕駛訓練里程已超過 4 4 億公里億公里，時長超時長超 10741074 萬小時萬小時。理想理想ADAD MaxMax 3 3.0 0的城市的城市NOANOA將于將于2323年第二季度開始推送年第二季度開始推送內測用戶內測用戶，到年底將推送到年底將推送100100座國內城市座國內城市。圖圖表：理想表：理想ADA

47、D Max3.0Max3.0 物理世界數字化物理世界數字化圖圖表：表：ADAD Max3.0Max3.0日常場景實測日常場景實測 風險提示AI技術發展不及預期：技術發展不及預期：自動駕駛算法屬于先進AI算法，若后續自動駕駛算法演進不及預期，則會影響特斯拉以及自動駕駛廠商相關技術演進以及產品落地。全球宏觀經濟下滑風險：全球宏觀經濟下滑風險：全球宏觀經濟下滑下，居民收入水平與消費觀念會收到一定沖擊與影響，對于高端自動駕駛汽車需求可能會有所下滑，從而影響自動駕駛車廠相關銷售業績。市場競爭加劇導致利潤水平下滑：市場競爭加劇導致利潤水平下滑：全球范圍內自動駕駛車廠競爭加劇，各廠商可能通過采用打價格戰方式

48、提高用戶忠誠度，從而影響自身收入水平，導致自身利潤水平下滑。個人隱私風險：個人隱私風險：自動駕駛汽車可能會收集用戶相關駕駛數據、駕駛員特征等數據進行后續模型訓練，這可能會涉及用戶隱私問題。自動駕駛立法落地不及預期：自動駕駛立法落地不及預期：若有關自動駕駛汽車立法政策不及預期，則會極大影響車廠相關技術推進以及相關產品落地。感謝辛俠平對本報告的貢獻。分析師介紹分析師介紹閻貴成：閻貴成：中信建投證券通信&計算機行業首席分析師，北京大學學士、碩士，專注于云計算、物聯網、信息安全、信創與5G等領域研究。近8年中國移動工作經驗，6年多證券研究經驗。系2019-2021年新財富、水晶球通信行業最佳分析師第一

49、名，2017-2018年新財富、水晶球通信行業最佳分析師第一名團隊核心成員。金戈：金戈：中信建投證券研究發展部計算機行業聯席首席分析師，帝國理工學院工科碩士，擅長云計算、金融科技、人工智能等領域。于芳博于芳博：中信建投計算機行業分析師，北京大學空間物理學學士、碩士，2019年7月加入中信建投，主要覆蓋方向智能汽車、CPU/GPU/FPGA/ASIC、EDA和工業軟件等方向。楊艾莉：楊艾莉：傳媒互聯網行業首席分析師，中國人民大學傳播學碩士，曾任職于百度、新浪，擔任商業分析師、戰略分析師。2015年起，分別任職于中銀國際證券、廣發證券，擔任傳媒與互聯網分析師、資深分析師。2019年4月加入中信建投

50、證券研究發展部擔任傳媒互聯網首席分析師。曾榮獲2019年wind資訊傳播與文化行業金牌分析師第一名；2020年wind資訊傳播與文化行業金牌分析師第二名；2020年新浪金麒麟評選傳媒行業新銳分析師第二名。評級說明評級說明投資評級標準評級說明報告中投資建議涉及的評級標準為報告發布日后6個月內的相對市場表現，也即報告發布日后的6個月內公司股價（或行業指數）相對同期相關證券市場代表性指數的漲跌幅作為基準。A股市場以滬深300指數作為基準；新三板市場以三板成指為基準；香港市場以恒生指數作為基準；美國市場以標普 500 指數為基準。股票評級買入相對漲幅15以上增持相對漲幅5%15中性相對漲幅-5%5之間

51、減持相對跌幅5%15賣出相對跌幅15以上行業評級強于大市相對漲幅10%以上中性相對漲幅-10-10%之間弱于大市相對跌幅10%以上 分析師聲明分析師聲明本報告署名分析師在此聲明：（i）以勤勉的職業態度、專業審慎的研究方法，使用合法合規的信息，獨立、客觀地出具本報告,結論不受任何第三方的授意或影響。（ii）本人不曾因，不因，也將不會因本報告中的具體推薦意見或觀點而直接或間接收到任何形式的補償。法律主體說明法律主體說明本報告由中信建投證券股份有限公司及/或其附屬機構（以下合稱“中信建投”）制作，由中信建投證券股份有限公司在中華人民共和國（僅為本報告目的，不包括香港、澳門、臺灣）提供。中信建投證券股

52、份有限公司具有中國證監會許可的投資咨詢業務資格，本報告署名分析師所持中國證券業協會授予的證券投資咨詢執業資格證書編號已披露在報告首頁。在遵守適用的法律法規情況下，本報告亦可能由中信建投（國際）證券有限公司在香港提供。本報告作者所持香港證監會牌照的中央編號已披露在報告首頁。一般性聲明一般性聲明本報告由中信建投制作。發送本報告不構成任何合同或承諾的基礎，不因接收者收到本報告而視其為中信建投客戶。本報告的信息均來源于中信建投認為可靠的公開資料，但中信建投對這些信息的準確性及完整性不作任何保證。本報告所載觀點、評估和預測僅反映本報告出具日該分析師的判斷，該等觀點、評估和預測可能在不發出通知的情況下有所

53、變更，亦有可能因使用不同假設和標準或者采用不同分析方法而與中信建投其他部門、人員口頭或書面表達的意見不同或相反。本報告所引證券或其他金融工具的過往業績不代表其未來表現。報告中所含任何具有預測性質的內容皆基于相應的假設條件，而任何假設條件都可能隨時發生變化并影響實際投資收益。中信建投不承諾、不保證本報告所含具有預測性質的內容必然得以實現。本報告內容的全部或部分均不構成投資建議。本報告所包含的觀點、建議并未考慮報告接收人在財務狀況、投資目的、風險偏好等方面的具體情況，報告接收者應當獨立評估本報告所含信息，基于自身投資目標、需求、市場機會、風險及其他因素自主做出決策并自行承擔投資風險。中信建投建議所

54、有投資者應就任何潛在投資向其稅務、會計或法律顧問咨詢。不論報告接收者是否根據本報告做出投資決策，中信建投都不對該等投資決策提供任何形式的擔保，亦不以任何形式分享投資收益或者分擔投資損失。中信建投不對使用本報告所產生的任何直接或間接損失承擔責任。在法律法規及監管規定允許的范圍內，中信建投可能持有并交易本報告中所提公司的股份或其他財產權益，也可能在過去12個月、目前或者將來為本報告中所提公司提供或者爭取為其提供投資銀行、做市交易、財務顧問或其他金融服務。本報告內容真實、準確、完整地反映了署名分析師的觀點，分析師的薪酬無論過去、現在或未來都不會直接或間接與其所撰寫報告中的具體觀點相聯系，分析師亦不會

55、因撰寫本報告而獲取不當利益。本報告為中信建投所有。未經中信建投事先書面許可，任何機構和/或個人不得以任何形式轉發、翻版、復制、發布或引用本報告全部或部分內容，亦不得從未經中信建投書面授權的任何機構、個人或其運營的媒體平臺接收、翻版、復制或引用本報告全部或部分內容。版權所有，違者必究。中信建投證券研究發展部中信建投證券研究發展部中信建投（國際）中信建投（國際）北京東城區朝內大街2號凱恒中心B座12層電話：(8610)8513-0588聯系人：李祉瑤郵箱：上海浦東新區浦東南路528號南塔2103室電話：(8621)6882-1612聯系人：翁起帆郵箱：深圳福田區福中三路與鵬程一路交匯處廣電金融中心35樓電話：（86755）8252-1369聯系人：曹瑩郵箱：香港中環交易廣場2期18樓電話：（852）3465-5600聯系人：劉泓麟郵箱：charleneliucsci.hk21