【研報】計算機行業：主流玩家如何應對L3自動駕駛的落地困難-20200703[18頁].pdf

《【研報】計算機行業：主流玩家如何應對L3自動駕駛的落地困難-20200703[18頁].pdf》由會員分享，可在線閱讀，更多相關《【研報】計算機行業：主流玩家如何應對L3自動駕駛的落地困難-20200703[18頁].pdf（18頁珍藏版）》請在三個皮匠報告上搜索。

1、 2020.07.03 主流玩家主流玩家如何如何應對應對 L3 自動駕駛自動駕駛的落地困難的落地困難 齊佳宏齊佳宏(分析師分析師) 010-83939837 證書編號 S0880519080007 本報告導讀：本報告導讀： 多重因素疊加多重因素疊加導致導致 L3 落地難落地難，面對這一情況，面對這一情況，主機廠與科技企業各顯其能主機廠與科技企業各顯其能；L4 級別級別 自動駕駛或在商用車中率先落地自動駕駛或在商用車中率先落地；推薦虹軟科技推薦虹軟科技/中科創達中科創達/四維圖新四維圖新/銳明技術。銳明技術。 摘要：摘要： 多重因素疊加，多重因素疊加，L3 級自動駕駛級自動駕駛落地難。落地難。1

2、)責任劃分：L3 責任劃分尚不明 晰， 由于交通事故將產生非常嚴重的后果， 責任不明晰的潛在風險是主機 廠難以承擔的。2)技術維度：L3 需要駕駛員和智能駕駛系統頻繁交接車 輛控制權，這一過程的技術實現非常復雜，考慮到該環節在 L4、L5 級自 動駕駛中并不會出現，廠商研發相關技術的動力不足。3)成本維度：由于 車輛要對結果負責，必須有足夠的系統冗余，這將產生高昂成本。 主機廠與科技企業主機廠與科技企業各顯其能，各顯其能，L4 級別自動駕駛級別自動駕駛或或在商用車中在商用車中率先落地率先落地。 1)面對 L3 的落地難，主機廠走的是漸進式路徑，在 L2 的基礎上疊加新 的 L3、L4 級功能；

3、科技企業走的是跨越式路徑，直接開發特定場景下的 L4 級自動駕駛。2)不同的發展路徑背后反映出的是兩類玩家不同的稟賦 和定位。主機廠的稟賦在于行業 Know How 和品牌積累，未來其主要價 值還是通過賣車實現； 科技企業的稟賦在于軟件開發能力， 入局自動駕駛 的目的并不是為了造車，而是搶占數據入口，或是與自身業務形成協同。 3)L4 級自動駕駛或在商用車中率先落地，一方面，商用車可以通過劃定 ODD 的方式降低技術難度并繞開法規；另一方面，乘用車算的是體驗賬， 商用車算的是成本賬。 后者車作為“生產資料”， 用戶衡量的是其商業價值， 只要使用自動駕駛系統的成本低于人工駕駛員的成本就符合用戶的

4、利益。 特斯拉特斯拉智能駕駛中的智能駕駛中的“異類異類”。1)淡化自動駕駛級別的概念，專注于提 升用戶體驗。 2)高級別自動駕駛商業化的重要前提是實現對長尾場景的覆 蓋， 通過對于加州脫離報告的分析， 我們認為測試車隊實現這一目的仍需 較長時間。 特斯拉采用影子模式取代測試車隊模式， 通過眾包的方式來解 決長尾場景的快速覆蓋問題。截至 2019 年末，特斯拉 AP 激活狀態下累 積形式里程已超過 20 億公里，遠超 Waymo(2000 萬公里)。3)與傳統車企 不同，特斯拉采用域控制器架構，使得 OTA 成為了可能。截至 2020 年 3 月，特斯拉 OTA 升級次數已超 50 次。 投資建

5、議：投資建議：推薦虹軟科技、中科創達、四維圖新、銳明技術。推薦虹軟科技、中科創達、四維圖新、銳明技術。我們認為， 在智能駕駛加速發展的過程中，車端基于視覺的 DMS、ADAS 解決方案 以及智能座艙方案需求將快速增加， 路端高精地圖等配套基礎設施建設也 有望提速。據此，推薦虹軟科技、中科創達、四維圖新、銳明技術。 風險提示：風險提示：智能駕駛政策推出不及預期、智能駕駛技術發展不及預期 評級：評級： 增持增持 上次評級：增持 細分行業評級 計算機 增持 相關報告 計算機VMware：云計算巨頭是如何煉成 的 2020.06.18 計算機一文讀懂奇安信 2020.06.07 計算機區域醫療投資仍將

6、落地于院內信 息化廠商 2020.06.01 計算機中臺，下一個企業級服務主戰場 2020.06.01 計算機 把握最強確定性： 網絡安全和醫療 信息化 2020.06.01 行 業 專 題 研 究 行 業 專 題 研 究 股 票 研 究 股 票 研 究 證 券 研 究 報 告 證 券 研 究 報 告 計算機計算機 行業專題研究行業專題研究 2 of 18 目目 錄錄 1. 面對 L3 的落地困難，主流玩家各盡其能 . 3 1.1. L3 級自動駕駛有些“雞肋” . 3 1.2. 面對 L3 的落地困難，主機廠與科技企業選擇了不同發展路徑 5 1.3. L4 級自動駕駛在商用車中的落地或先于乘

7、用車 . 7 2. 特斯拉智能駕駛中的“異類” . 9 2.1. 淡化自動駕駛級別，專注于提升用戶體驗 . 9 2.2. 采用影子模式取代測試車隊，實現長尾場景的快速覆蓋 . 9 2.2.1. 加州脫離報告的價值在于判斷行業拐點，測試車隊“覆蓋長 尾場景”仍需較長時間 . 9 2.2.2. 特斯拉采用影子模式實現場景的快速積累 . 13 2.3. 利用領先的電子電器架構率先實現 OTA 升級 . 14 3. 投資建議 . 16 4. 風險提示 . 17 qRtMoQyQoOqPmMrOtNqOoN6MdN8OmOrRmOmMeRnNoReRmMrP6MrRvMvPsRyRMYnMmM 行業專題

8、研究行業專題研究 3 of 18 1. 面對面對 L3 的的落地落地困難困難，主流玩家主流玩家各盡其能各盡其能 1.1. L3 級自動駕駛有些“雞肋”級自動駕駛有些“雞肋” 2020 年 5 月，奧迪技術總監 Hans 在接受 Automotive News Europe 的采 訪時表示，奧迪將不會在全球范圍內為現款 A8 引入 TJP 功能；此前福 特北美總裁也曾表示，福特將放棄 L3 級別自動駕駛；博世則在公開演 講中一再推遲 TJP 落地的時間。 “L3 落地難”正逐步成為業內共識。 “L3 落地難”的原因是多方面的： 責任劃分維度責任劃分維度： L0-L2 階段屬于智能駕駛輔助系統的范

9、疇，人類駕駛員仍然需要負 責所有的駕駛任務，一旦出現交通事故，責任依然是由人類駕駛員 來承擔。 L4 及以上級別自動駕駛則明確不需要人類駕駛員接管駕駛， 車輛對結果負責。而處于過渡階段的 L3 級別自動駕駛沒有給車輛 和人類駕駛員進行清晰的責任劃分，一旦出現事故，責任主體可能 涉及駕駛者、OEM、軟件供應商等多方。從監管的角度來看，目前 全球還沒有適用于 L3 級別自動駕駛的法律框架。 圖圖 1：在在 SAE 自動駕駛分級中，從自動駕駛分級中，從 L3 開始車輛需要承擔責任開始車輛需要承擔責任 數據來源：SAE，國泰君安證券研究 表表 1：工信部發布汽車駕駛自動化分級工信部發布汽車駕駛自動化分

10、級 分級分級 名稱名稱 車輛橫向和縱向運動控制車輛橫向和縱向運動控制 目標和事件探測與響應目標和事件探測與響應 動態駕駛任務接管動態駕駛任務接管 設計運行條件設計運行條件 0 級 應急輔助 駕駛員 駕駛員及系統 駕駛員 有限制 1 級 部分駕駛輔助 駕駛員和系統 駕駛員及系統 駕駛員 有限制 2 級 組合駕駛輔助 系統 駕駛員及系統 駕駛員 有限制 3 級 有條件自動駕駛 系統 系統 動態駕駛任務接管用 戶(接管后成為駕駛員) 有限制 4 級 高度自動駕駛 系統 系統 系統 有限制 5 級 完全自動駕駛 系統 系統 系統 無限制* 注：*排除商業和法規因素等限制 數據來源：工信部，國泰君安證券

11、研究 由于一旦發生事故由于一旦發生事故造成的損失太大，造成的損失太大，責任不明晰責任不明晰導致導致的潛在風險是的潛在風險是 行業專題研究行業專題研究 4 of 18 主機廠主機廠難以難以承擔的。承擔的。 我們通過 AI 在智能駕駛、 醫療、 教育等三個行 業的推廣情況來說明這個問題。首先明確一點，目前 AI 技術的可 解釋性不高，不論應用于哪個場景都難以做到 100%準確。 對于教育場景，比如科大訊飛的個性化學習手冊根據學生的課內數 據為其推送題目，必然也會有一些推送不當的情況存在，但這種負 面的應用個例所造成的損失是比較小的，導致大家在檢驗產品效果 的時候更多地關注“整體”而不是“個體” ，

12、即只要絕大部分的題目 是推送恰當的，對廠商和用戶而言就是一款好產品。所以相關技術 的推廣速度就會快一些。 對于醫療/自動駕駛等場景， 由于負面的應用個例將會產生非常嚴重 的后果(比如重大疾病的誤診、自動駕駛產生的交通事故)，導致在 檢驗產品效果的時候更多地關注“個體”而不是“整體” ，在這些場 景中安全性的優先級會高得多。 對于主機廠而言， 在責任明晰之前， 即使是 99.99%的可靠性也是不能接受的， 因為這可能意味著每賣出 10000 臺車可能就會產生一起事故。所以相關技術的推廣速度會慢 一些。需要說明的是，從這點上來說，并不能根據比較自動駕駛和 駕駛員駕駛的事故率來判斷 L3 及以上級自

13、動駕駛的量產節奏。 表表 2：負面的應用個例所造成損失負面的應用個例所造成損失的大小在一定程度上決定了技術在不同場景下的推廣速度的大小在一定程度上決定了技術在不同場景下的推廣速度 教育教育 醫療醫療/自動自動駕駛駕駛 出現負面的應用個例所造成的損失 小 大 效果驗證方式 整體 個體 企業的核心關注點 效率 安全 對于可解釋性的要求 低 高 AI 推廣速度 快 慢 數據來源：國泰君安證券研究 技術維度：技術維度：L3 屬于駕駛員駕駛與汽車自動駕駛過渡的階段， 這意味 這在使用過程中需要人類駕駛員和智能駕駛系統頻繁交接車輛的 控制權， 而這個人機交互過程的技術實現非常復雜， 且具有偶然性。 此前福

14、特北美總裁 Raj Nair 就曾表示公司放棄 L3 而直接提供 L4 級別全自動駕駛的車輛，原因是從機械操控切換到人工操控的問題 不容易解決。 考慮到從長遠來看， 頻繁交接車輛控制權的情況在 L4、 L5 級別自動駕駛中并不會發生， 廠商又怎么會有足夠的動力去投入 大量資源研發此類終將無用的技術呢？更何況是在目前責任劃分 還不明確，導致 L3 級自動駕駛很難大規模量產的情況下。 成本維度：成本維度：由于從 L3 開始車輛要對結果負責，必須有足夠的系統 冗余，這將產生高昂成本。以全球首個量產 L3 自動駕駛車型 奧迪 A8 為例，根據 System Plus 咨詢的研究，其 TJP 系統成本的

15、 60是半導體的成本。 表表 3：自動駕駛對于芯片算力要求極高自動駕駛對于芯片算力要求極高 主流芯片主流芯片 Mobilieye Intel Nvidia 英偉達英偉達 Qualcomm 高通高通 TI Renesas 瑞薩瑞薩 NXP 恩智浦恩智浦 Infineon 英飛凌英飛凌 SoC EyeQ5 Xavier SD8155A TDA4x H3 S32G TC397 安全等級 ASIL C ASILC ASIL A ASIL C ASIL B ASIL D ASIL D 85K 80K 40K 7200 2040 行業專題研究行業專題研究 5 of 18 GPU GFlops32bits

16、0 1300 1100 250 288 SOP 時間 2020Q3 2020Q1 2020Q1 2021 2019Q4 2021Q1 2019Q1 成本指標評估 數據來源：廣汽，國泰君安證券研究 1.2. 面對面對 L L3 3 的落地的落地困難困難，主機廠與科技企業主機廠與科技企業選擇了不同發展選擇了不同發展 路徑路徑 自動駕駛的主流玩家可以分為自動駕駛的主流玩家可以分為兩類兩類。一方是主機廠和傳統 Tier1，根據 Navigant Research的數據， 目前這類玩家中處于領先地位的是通用Cruise 和福特自動駕駛。 另一方是科技企業， 典型代表是與谷歌同源的 Waymo、 百度，以

17、及剛剛被亞馬遜收購的 Zoox 等。 圖圖 2：2020 年自動駕駛汽車排行榜年自動駕駛汽車排行榜 數據來源：Navigant Research，國泰君安證券研究 針對發展 L3 級別自動駕駛中遇到的困難，這兩類玩家選擇了不同的發 展路徑： 主機廠主機廠整體上整體上走的是走的是漸進漸進式路徑式路徑。一方面從 L1、L2 向高階自動駕駛升 級，另一方面從高端車型向中低端車型滲透。整體來看是在 L2 的基礎 上疊加新的 L3、L4 級別的功能來給予客戶更好的消費體驗，通過“L3 的功能+L2 的責任劃分”來規避掉 L3 責任劃分問題，同時由于脫離了 SAE J3016 和法律的限制，相對于 L3

18、級自動駕駛，主機廠可以節約部分 冗余設計，降低了成本。 科技企業整體上走的是跨越式路徑?？萍计髽I整體上走的是跨越式路徑。和主機廠不同，科技企業往往直接 切入L4及以上級自動駕駛， 從車型上主要以Robotaxi為代表的商用車， 以及物流車、礦區車等針對具體工況的車輛入手，通過車型對使用場景 的限制來降低開發難度。 比如Waymo在美國鳳凰城推出了Waymo ONE， 百度 Robotaxi 車隊 2019 年 9 月開始在長沙部分已開放測試路段進行試 運營。 Execution Strategy主機廠或傳統Tier1IT企業或初創公司 FollowersChallengersContender

19、sLeaders Waymo Ford Autonomous Vehicles Baidu Cruise Volkswagen Group Intel-Mobileye Aptiv-Hyundal ZooxYandex Toyota Daimler-Bosch May Mobility Voyage Auto BMW Renault-Nissan-Mitsubishi Volvo Tesla NAVYA 行業專題研究行業專題研究 6 of 18 圖圖 3：在自動駕駛技術開發過程中，主機廠走漸進式路徑，科技公司則在自動駕駛技術開發過程中，主機廠走漸進式路徑，科技公司則 選擇跨越式路徑選擇跨越式路

20、徑 數據來源：廣汽，國泰君安證券研究 圖圖 4：不同的玩家類型決定了不同的玩家類型決定了乘用車和商用車兩個賽道的自動駕駛發展乘用車和商用車兩個賽道的自動駕駛發展 路徑不同路徑不同 數據來源：華為，國泰君安證券研究 不同的發展路徑背后反映出的是兩類玩家不同的稟賦和定位。 對于主機廠而言，其稟賦在于行業 Know How 和品牌積累，一下子跳出 現有框架是不合適也是不容易的。從定位上看，即使高階自動駕駛衍生 出的商業生態成為現實，未來主機廠的主要價值還是通過賣車實現，就 像智能機產業鏈中霸占 APP 榜單的應用并不是由蘋果、 華為等手機廠商 開發的一樣。 對于科技企業而言，其稟賦在于軟件開發能力，

21、并不直接制造汽車，或 此前并不具有造車經驗。從定位上看，這些企業入局自動駕駛的目的并 不是為了造車，而是搶占繼手機之后最大的數據入口，或是與自身業務 形成協同效應。如阿里巴巴自動駕駛專注于物流領域，以支撐電商、外 賣等上層商業應用，服務于其“讓天下沒有難做的生意”的愿景；亞馬 Zoox 同樣是出于物流方面的考量。 自動駕駛漸進式的技術開發路線自動駕駛漸進式的技術開發路線 輔助駕駛輔助駕駛L2 配置競爭配置競爭 有條件自動駕駛有條件自動駕駛L3 商品競爭商品競爭 高度高度/完全自動完全自動 駕駛駕駛L4-L5 技術競爭技術競爭 車車+AI 漸進式路徑漸進式路徑 國際領先品牌已有國際領先品牌已有L

22、3級別產級別產 品發布，自主品牌品發布，自主品牌L3規劃在規劃在 2020年年實現實現 跨越式路徑跨越式路徑 AI+車車 漸進式路徑漸進式路徑 車車+AI 商用車：跨越式路徑商用車：跨越式路徑 限定區域等典型應用場景下，跨越式實現高度智能駕駛 L 2 201920222025 商用車商用車 乘用乘用車車 從ADAS漸進演進到高度/完全智能駕駛 乘用車：漸進式路徑乘用車：漸進式路徑 L 2 L 3 L 4 L 4 行業專題研究行業專題研究 7 of 18 圖圖 5：阿里巴巴自動駕駛專注于物流領域阿里巴巴自動駕駛專注于物流領域 數據來源：阿里巴巴，國泰君安證券研究 1.3. L4 級自動駕駛在商用

23、車中的落地或先于乘用車級自動駕駛在商用車中的落地或先于乘用車 L4 級別自動駕駛在商用車中的落地或先于乘用車級別自動駕駛在商用車中的落地或先于乘用車。L4 級自動駕駛將率 先在商用車中落地已逐漸成為各方共識，根據華為的預測，Robotaxi 和 功能型車輛或可在 2023-2025 年搭載 L4 級別自動駕駛，而對應乘用車 搭載 L4 則要等到 2025 年之后。 類似的結論也出現在羅蘭貝格的研究中， 他們認為 2023-2025 年就將出現城際無人客運巴士、城際無人物流干線 貨運等， 而指定場景無人駕駛私家車的出現則在 2025 年之后。 根據廣汽 的預測，從 2020 年開始，以 Robo

24、taxi 為主的自動駕駛車輛在新車銷售 量中的占比將逐步提升，至 2040 年，這一比例將超過 70%。 圖圖 6：L4 級別自動駕駛在商用車中的落地或先于乘用車級別自動駕駛在商用車中的落地或先于乘用車 數據來源：華為，國泰君安證券研究 圖圖 7： 在羅蘭貝格的預測中， 自動駕駛技術在商用車中的落地快于乘用車在羅蘭貝格的預測中， 自動駕駛技術在商用車中的落地快于乘用車 階段階段 乘用車乘用車 出行出行 運營運營商商 物流物流 運營運營商商 卡車卡車客車客車作業車作業車 豪華車豪華車中低檔車中低檔車 第一波第一波 (2021-2022) ADAS/L2 L0 (NCAP/AEB) L4 Robo

25、Taxi (AVP) L4 (物流配送物流配送) L4 (港口物流港口物流) L4 (園區小巴園區小巴) L4 (礦礦卡卡環衛環衛) 第二波 (2023-2025) L2+ (HWA/APA) L1/L2 L4 RoboTaxi (ODD) L4 (干線物流) L4 (無人公交) L4 (工程機械) 第三波 (2026-2030) L3/L4 (HWP/AVP) 行業專題研究行業專題研究 8 of 18 數據來源：羅蘭貝格，國泰君安證券研究 圖圖 8：以以 Robotaxi 為代表的為代表的 L3 及以上級自動駕駛車輛占比望提升及以上級自動駕駛車輛占比望提升 數據來源：廣汽，國泰君安證券研究

26、L4 級別自動駕駛在級別自動駕駛在商用車商用車中中落地更快的原因落地更快的原因有很多有很多： 商用車可以通過劃定商用車可以通過劃定 ODD 的方式降低技術難度。的方式降低技術難度。乘用車需要面對各種 各樣的路況，大規模量產 L4 需要大量的測試和仿真結果作為支撐。而 相較于乘用車，Robotaxi 可以通過劃定設計運行區域(ODD)來對車輛的 行駛時間和地點進行限制，避開那些道路識別比較困難和路況比較復雜 的區域，同時限制駕駛速度，從而繞過面對復雜場景的技術困難。 乘用車算的是體驗賬乘用車算的是體驗賬，而，而商用車算的是成本賬商用車算的是成本賬。私家車用戶在購買車輛 的時候衡量的是使用價值，自

27、動駕駛功能雖然能夠帶來更好的體驗，但 需要付出相對高昂的費用， 同時傳感器會影響車體美觀。 商用車作為 “生 產資料” ， 用戶衡量的是其商業價值， 只要使用自動駕駛系統的成本低于 人工駕駛員的成本就符合用戶的利益。根據麥肯錫的研究，隨著技術逐 步成熟帶動 AV 系統成本下降，到 2025-2027 年采用自動駕駛技術的出 租車每公里的總成本就將下降到和傳統出租車相當的水平，在這之后 Robotaxi 的推廣將大幅提速。 圖圖 9：至至 2025-2027 年年，自動駕駛出租車成本自動駕駛出租車成本將與將與傳統出租車傳統出租車相當相當 復雜 市區 市郊 大道 高速 道路 特定 園區 封閉 低速

28、 傳統無輔助私家車出行 ADAS輔助的城市場景私家 車出行 ADAS輔助的城市場景司機 駕駛貨運/客運 1 2 3 2016-2018實現 Level 0-2Level 3Level 4Level 5 擁堵路段與簡單道路自動駕 駛的私家車出行 高速路段自動駕駛物流車隊 高速路段自動駕駛長途客運 . 城內最后3公里無人接駁小巴 城內最后3公里無人物流派送 小車（店到家、外賣） 指定場景無人駕駛私家車 城際無人客運巴士 城際無人物流干線貨運 特定區域無人物流派送小車 （最后1公里、室內派送） 特定區域/郊區無人接駁巴士 停車場自主泊車（Valet Parking） 7 8 9 10 4 5 6 1

29、1 12 13 14 全場景無人駕駛私家車 全場景Robcab出行服務 全場景無人駕駛移動服務平臺 2025-2030實現 2023-2025實現 2020-2023實現 2030+實現 15 16 17 私家車出行客運接駁貨運物流及其他 2018-2022實現 0% 20% 40% 60% 80% 100% 201520202025203020352040 私有的人工駕駛車輛共享的人工駕駛車輛 私有的自動駕駛車輛共享的自動駕駛車輛 行業專題研究行業專題研究 9 of 18 數據來源：麥肯錫，國泰君安證券研究 2. 特斯拉特斯拉智能駕駛中的“異類”智能駕駛中的“異類” 2.1. 淡化自動駕駛級

30、別，專注于提升用戶體驗淡化自動駕駛級別，專注于提升用戶體驗 特斯拉淡化自動駕駛級別的概念特斯拉淡化自動駕駛級別的概念，專注于提升用戶體驗，專注于提升用戶體驗。如前所述，對 于 L3 的落地難題，科技企業大多直接切入 L4，而主機廠(尤其是國內) 則主要通過 L2.5、L2.9 的方式來實現“L3 的功能+L2 的責任劃分” ，和 兩類企業都不同，特斯拉很少強調自己是 L2 還是 L4，淡化自動駕駛級 別的概念，只是單純講其實現的功能，專注于提升用戶體驗。 圖圖 10：特斯拉自動駕駛發展歷程特斯拉自動駕駛發展歷程 數據來源：特斯拉、廣汽，國泰君安證券研究 2.2. 采用影子模式采用影子模式取代測

31、試車隊，取代測試車隊，實現實現長尾長尾場景的快速場景的快速覆蓋覆蓋 2.2.1. 加州脫離報告的價值在于判斷行業拐點，加州脫離報告的價值在于判斷行業拐點， 測試車隊 “覆蓋長尾場測試車隊 “覆蓋長尾場 景”景”仍需較仍需較長長時間時間 MPI 值是加州脫離報告中最引人關注的指標。值是加州脫離報告中最引人關注的指標。 美國加州是全球首個為自 動駕駛車輛上路制定路測法規的地區。 自 2015 年起， 加州機動車管理局 要求取得自動駕駛路測牌照的公司每年上交一份自動駕駛路測數據報 告， 報告中涵蓋測試里程數、 測試路段場景、 自動駕駛脫離記錄等信息。 加州機動車管理局則根據各公司提供的數據發布年度自

32、動駕駛脫離報 告（Autonomous Vehicle Disengagement Reports） ，在這份報告中，最令 人關注的是 MPI 值(每兩次人工干預之間行駛的平均里程)，該指標被認 衡量自動駕駛系統運行性能的重要指標。 0.0 0.2 0.4 0.6 0.8 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 美元/千米自動駕駛出租車傳統出租車 自動駕駛汽車系統成 本在未來5年將下降 傳統汽車(非自動駕駛 汽車)的總擁有成本 當前模型的交叉點在2025 和2027年之間 L2+級自動駕駛級自動駕駛 Au

33、topilot 2.0 L2+級自動駕駛級自動駕駛 Autopilot 2.5 L3級自動駕駛級自動駕駛 FSD 3.0 L4級自動駕駛級自動駕駛 FSD 4.0 2014.9 2016.10 2017.8 2019.4 2021.Q3（預計預計） 具備高速道路 輔助駕駛的能 力，一鍵泊車 具備城市道路 輔助駕駛的能 力，智能召喚 可用于特斯拉 Robotaxi業務 行業專題研究行業專題研究 10 of 18 單純根據單純根據 MPI 值進行排名，值進行排名，2019 年國內公司表現搶眼。年國內公司表現搶眼。2020 年 2 月， 2019 年加州脫離報告發布。如果按照 MPI 值進行排名，百

34、度的 MPI 值 高達 18050 英里/次，首次超過 Waymo(13219 英里/次)排名第一，此外， 國內企業如 AutoX、小馬智行、滴滴等也獲得了較高排名。 表表 4：2019 年加州脫離報告中年加州脫離報告中百度、百度、Waymo、Cruise 等公司等公司 MPI 值值較高較高 車企名稱車企名稱 總里程數總里程數(萬英里萬英里) 接管次數接管次數(次次) MPI(英里英里/次次) Baidu USA LLC 1083 6 18050 Waymo LLC 14541.37 110 13219 CRUISE LLC 8310.4 68 12221 AutoX Technologies

35、, Inc. 320.54 3 10685 PONY.AI, INC. 1748.45 27 6476 Nuro 687.62 34 2022 Zoox, Inc 670.15 42 1596 PlusAI, Inc. 18.8 2 940 AImotive Inc. 60.56 26 233 WeRide Corp 59.17 39 152 Apple Inc. 75.44 64 118 Aurora Innovation, Inc. 134.29 141 95 Qualcomm Technologies, Inc. 21.64 37 58 SAIC Innovation Center 22

36、.3 40 56 Drive.ai Inc 39.74 75 53 Nissan North America, Inc 22.77 47 48 Nullmax 24.3 70 35 Lyft 429.31 1667 26 Phantom AI, Inc. 11.25 43 26 SF Motors, Inc. 34.93 140 25 NVIDIA 72.18 655 11 Mercedes Benz Research & Development North America, Inc. 142.38 2054 7 Telenav, Inc. 0.22 3 7 BMW of North Amer

37、ica 0.21 8 3 Udelv, Inc 7.07 444 2 Toyota Research Institute 18.17 2947 1 Valeo North America Inc. 1 92 1 數據來源：加州脫離報告，國泰君安證券研究 是否憑借是否憑借 MPI 值值就能就能判斷判斷國內自動駕駛企業已處于國內自動駕駛企業已處于全球全球領導者地位？領導者地位？ 答案是否定的。答案是否定的。 測試里程測試里程和車輛數和車輛數不同不同。在測試過程中，80%的情況是相似的，尤 其對于頭部企業而言， 這些情況此前也都處理過。 但在自動駕駛中， 真正難以處理的是最后 20%甚至 1%的長尾

38、場景。而解決這些場景 中出現的問題的前提就是要遇到過這樣的場景。所以在一定程度上 來講，積累了更多的數據里程、擁有更大規模的測試車隊也是體現 自動駕駛公司實力的重要指標。 在 2019 年的加州報告中， Waymo、 CRUISE 的測試里程分別達到 145.41 萬英里、83.10 萬英里，占比 分別達到 51%、29%；測試車數量則分別為 148 輛、228 輛，占比 行業專題研究行業專題研究 11 of 18 為 23%、35%。 圖圖 11：Waymo、CRUISE 測試里程數分別占整體的測試里程數分別占整體的 51%、29% 數據來源：加州脫離報告，國泰君安證券研究 圖圖 12：CR

39、UISE、Waymo 測試車數量分別占整體的測試車數量分別占整體的 35%、23% 數據來源：加州脫離報告，國泰君安證券研究 測試場景不同測試場景不同。由于加州機動車管理局并沒有對路測環境進行統一 規定， 導致各公司的實際路測環境并不相同。 如 NVIDIA、 SF Motors 等公司主要脫離場景集中在公路和高速路，據此可以推斷這些公司 的主要測試場景都集中在公路和高速路；而 Waymo、Cruise 等公司 的脫離則主要發生在城市街道，表明其更多地將路測重點放在了城 市街道場景之中。即使對于城市街道分類下，各家公司的具體路測 環境也有所不同，而不同的路測環境往往意味著不同的測試難度， 造成

40、 MPI 值的失真。 表表 5：不同不同公司的脫離次數在不同公司的脫離次數在不同測試測試環境中的分布并不相同環境中的分布并不相同(單位：單位：次次) Freeway highway Parking Facility Parking Lot Rural Rural Road street Total Baidu USA LLC 6 6 Waymo LLC 2 23 1 84 110 CRUISE LLC 68 68 AutoX Technologies, Inc. 3 3 PONY.AI, INC. 27 27 Nuro 34 34 Zoox, Inc 42 42 0 20 40 60 80 1

41、00 120 140 160 Waymo CRUISE PONY.AI Baidu Nuro Zoox Lyft AutoX Mercedes Benz Aurora Apple NVIDIA Aimotive WeRide Drive.ai SF Motors Nullmax Nissan SAIC Qualcomm PlusAI Toyota Phantom AI Udelv Valeo Telenav BMW Tesla 萬英里 0 50 100 150 200 250 CRUISE Waymo Apple Nuro Zoox PONY.AI Lyft Mercedes Benz NVI

42、DIA AutoX Drive.ai WeRide Aurora Toyota BMW Baidu Nissan SAIC Udelv Aimotive Qualcomm PlusAI SF Motors Nullmax Phantom AI Telenav Tesla Valeo 輛 行業專題研究行業專題研究 12 of 18 PlusAI, Inc. 2 2 AImotive Inc. 26 26 WeRide Corp 5 2 32 39 Apple Inc. 13 51 64 Aurora Innovation, Inc. 8 10 123 141 Qualcomm Technolog

43、ies, Inc. 37 37 SAIC Innovation Center 40 40 Drive.ai Inc 75 75 Nissan North America, Inc 2 45 47 Nullmax 45 13 12 70 Phantom AI, Inc. 43 43 Lyft 1667 1667 SF Motors, Inc. 122 18 140 NVIDIA 574 47 34 655 Telenav, Inc. 3 3 Mercedes Benz Research & Development North America, Inc. 183 1871 2054 BMW of

44、North America 8 8 Udelv, Inc 444 444 Valeo North America Inc. 92 92 Toyota Research Institute 1 2946 2947 數據來源：加州脫離報告，國泰君安證券研究 對于對于脫離次數脫離次數的的統計標準不同統計標準不同。加州 DMV 對于什么樣的情況才必 須接管也沒有明確的規定，導致各家對于駕駛員接管車輛的標準并 不統一。實際上，不接手就要發生事故和不接手只是略微影響其他 車輛行駛，是完全不同的情況。 綜上， 單純通過比較 MPI 值來判斷各家公司的自動駕駛能力是有失公允 的。 加州加州脫離脫離報告的報告的

45、真正真正價值在于價值在于通過通過縱向縱向比較來比較來判斷判斷行業拐點行業拐點。我們認為 加州脫離報告更大的意義在于我們可以通過對領先企業在不同年份的 脫離數據進行縱向比較，來判斷其是否實現了對于長尾場景的覆蓋，從 而粗略研判行業拐點。 我們嘗試著對領頭羊我們嘗試著對領頭羊 Waymo 不同年份的脫離原因進行分析，以判斷它不同年份的脫離原因進行分析，以判斷它 是否實現了對長尾場景的覆蓋。是否實現了對長尾場景的覆蓋。以 MPI 和測試里程兩個維度作為標準， Waymo 仍然是自動駕駛的霸主。毫無疑問，Waymo 的自動駕駛能力是 逐年增強的，那么在行駛同樣里程的前提下，如果下一年由于某一類問 題產

46、生的脫離次數多于上一年，就很可能意味著工況仍處于持續增加的 過程中，即還沒有實現對“長尾場景”的全覆蓋。 圖圖 13：如果將“里程”維度納入，如果將“里程”維度納入，Waymo 毫無疑問仍是自動駕駛霸主毫無疑問仍是自動駕駛霸主 行業專題研究行業專題研究 13 of 18 注：三角形標記、正方形標記、圓形標記分別為 2017 年、2018 年、2019 年數據 數據來源：加州脫離報告，國泰君安證券研究 從領頭羊從領頭羊 Waymo 的的測試數據來測試數據來看，看，測試測試車隊車隊在“覆蓋在“覆蓋長尾場景長尾場景”方面”方面 仍有仍有很很長長的路要走的路要走。通過對比 2015-2019 年 Waymo 的加州測試結果可 以發現，每百萬英里中如“感知”等問題所造成的脫離次數仍在明顯增 加，并沒有出現收斂，表明測試車隊在“覆蓋長尾場景”方面仍有很長 的路要走。 圖圖 14：Waymo 部分部分問題問題所造成的脫離次數并沒有出現收斂所造成的脫離次數并沒有出現收斂 數據來源：加州脫離報告，國泰君安證券研究 2.2.2. 特斯拉采用影子模式實現場景的快速積累特斯拉采用影子模式實現