《汽車和汽車零部件行業AI大模型應用于汽車智能駕駛梳理：吐故納新如日方升-230706（31頁）.pdf》由會員分享，可在線閱讀，更多相關《汽車和汽車零部件行業AI大模型應用于汽車智能駕駛梳理：吐故納新如日方升-230706（31頁）.pdf（31頁珍藏版）》請在三個皮匠報告上搜索。

1、證券研究報告證券研究報告 吐故納新，如日方升吐故納新，如日方升 2023年7月6日 作者：作者：倪昱婧，倪昱婧，CFACFA，執業證書編號：，執業證書編號：S0930515090002S0930515090002 AI大模型應用于汽車智能駕駛梳理 請務必參閱正文之后的重要聲明 核心觀點核心觀點 感知算法升級是感知算法升級是L2L2級向級向L3L3級智能駕駛系統跨越的關鍵。級智能駕駛系統跨越的關鍵。與傳統2D+CNN算法相比，BEV+Transformer算法優勢體現在：1）感知輸出信息精準度更高；2）魯棒性高；3）泛化能力強，有助于城市高階智能駕駛落地。感知算法突破+工信部明確扶持L3級商業化

2、落地，國內向L3級商業化加速邁進。1 20222022年末起華為年末起華為+新勢力車企陸續規劃城市領航輔助駕駛功能，預計均將基于新勢力車企陸續規劃城市領航輔助駕駛功能，預計均將基于BEV+TransformerBEV+Transformer搭建。搭建。我們判斷，1）大模型符合高階智能駕駛基于數據規模+模型精度增加的算法升級需求，數據是驅動大模型在高階智能駕駛落地的關鍵。2）各車企在數據+硬件+軟件算法的布局或將成為L3級智能駕駛能否兌現的關鍵。從對比來看，華為基于智能駕駛的軟硬件占優；理想基于智能駕駛的數據規模占優。從對比來看，華為基于智能駕駛的軟硬件占優；理想基于智能駕駛的數據規模占優。我們

3、判斷，我們判斷，L2/L2+L2/L2+級向級向L3L3級高階智能駕駛邁進的三大要素重要性排序為數據級高階智能駕駛邁進的三大要素重要性排序為數據 算法算法 硬件；隨著智能駕硬件；隨著智能駕駛等級的推進，預計決策算法增加硬件重要性，三大要素重要性排序或為硬件駛等級的推進，預計決策算法增加硬件重要性，三大要素重要性排序或為硬件=算法算法 數據。數據。特斯拉智能駕駛系統優勢體現在硬件特斯拉智能駕駛系統優勢體現在硬件+軟件算法軟件算法+數據。數據。1）硬件：全棧自研車載芯片FSD（硬件+軟件+整車強耦合）；計劃自研超算平臺Dojo，為后階段高階智能駕駛發展做鋪墊；2）軟件算法：率先切入BEV+Tran

4、sformer大模型算法，現已升級至Occupancy+Transformer；3）數據：車隊規模領先+采用仿真模擬補足罕見場景，保證數據數量；采用自動標注提高數據質量。風險提示：智能駕駛推進不及預期、新能源車需求不及預期、智能駕駛功能落地監管標準趨嚴。整車推薦特斯拉、理想汽車；建議關注小鵬汽車，長期建議關注華為智選車模式合作車企。零部件整車推薦特斯拉、理想汽車；建議關注小鵬汽車，長期建議關注華為智選車模式合作車企。零部件1 1）看好智能化驅動電子電氣架構集中度提升（行泊一體域控等方案）的發展趨勢，建議關注德賽西威、看好智能化驅動電子電氣架構集中度提升（行泊一體域控等方案）的發展趨勢，建議關注

5、德賽西威、經緯恒潤、科博達；經緯恒潤、科博達；2 2）看好線控底盤在高階智能駕駛的應用，推薦伯特利，建議關注耐世特。）看好線控底盤在高階智能駕駛的應用，推薦伯特利，建議關注耐世特。5XjY9WiVbWbVyXeXrM7NcM6MoMrRmOpMeRpPpQkPoOoR6MmMyRNZsPrNxNrNmR請務必參閱正文之后的重要聲明 目目 錄錄 智能駕駛感知算法梳理智能駕駛感知算法梳理 特斯拉智能駕駛技術路線梳理特斯拉智能駕駛技術路線梳理 國內車企自動駕駛進展對比國內車企自動駕駛進展對比 2 高階自動駕駛落地關鍵分析高階自動駕駛落地關鍵分析 風險提示風險提示 請務必參閱正文之后的重要聲明 3 智

6、能駕駛系統：智能駕駛系統：從模塊化向全面端到端漸進從模塊化向全面端到端漸進 智能駕駛系統按工程落地可分為兩類：1 1）模塊化：）模塊化：將整個系統劃分為環境感知、決策規劃、控制執行，車輛將傳感器采集到的信息進行感知處理，再將感知結果輸入至決策規劃層進行分析決策并生成控制命令，最終將控制命令下達至各執行器完成加速、轉向、剎車等操作；2 2）端到端（）端到端（endend-toto-endend）：）：車輛將傳感器采集到的信息通過深度學習神經網絡直接輸出駕駛命令（可實現輸入圖像等感知信息到輸出方向盤轉角等控制量、輸入感知信息到輸出車模的狀態量如速度和坐標等）。當前，端到端僅應用于感知系統；全面端到

7、端智能駕駛系統需要當前，端到端僅應用于感知系統；全面端到端智能駕駛系統需要大量數據支持，具備精簡人工復雜升級大量數據支持，具備精簡人工復雜升級+泛化性高泛化性高+硬件成本小等優勢，是智能駕駛的終極實現方案。硬件成本小等優勢，是智能駕駛的終極實現方案。資料來源：上海人工智能實驗室、焉知汽車，光大證券研究所繪制 圖：模塊化和端到端自動駕駛系統圖：模塊化和端到端自動駕駛系統 傳感器傳感器執行器執行器感知感知決策規劃決策規劃控制控制模塊化自動駕駛模塊化自動駕駛車道線檢測3D目標檢測障礙物檢測紅綠燈檢測全局路徑規劃行為決策運動規劃車道保持車輛跟隨車道變換制動避障端到端自動駕駛端到端自動駕駛請務必參閱正文

8、之后的重要聲明 4 感知，從感知，從L2L2級跨越至級跨越至L3L3級及以上智能駕駛系統的關鍵級及以上智能駕駛系統的關鍵 智能駕駛，主要包括感知（環境感知與定位）、決策（智能規劃與決策）、以及執行（控制執行）系統。當前技術難度排序分別為感知、執行、決策；其中，決策系統的難度隨L3級及以上等級的推進而逐步增加。按汽車駕駛自動化分級規定，L3級及以上才屬于高階智能駕駛（允許脫手）；其中，系統需滿足360感知+車輛精準定位+對駕駛員接管能力實時判斷。我們分析，路徑規劃需依賴感知結果，感知系統是我們分析，路徑規劃需依賴感知結果，感知系統是L2L2級至級至L3L3級及以級及以上跨越的關鍵。上跨越的關鍵。

9、資料來源：國際高新技術研究院，光大證券研究所繪制 圖：不同自動駕駛等級對自動駕駛系統的要求圖：不同自動駕駛等級對自動駕駛系統的要求 應急輔助L0L0L1L1L2L2L3L3L4L4L5L5部分駕駛輔助組合駕駛輔助有條件自動駕駛高度自動駕駛完全自動駕駛駕駛駕駛輔助系統輔助系統（參與者：駕駛員（參與者：駕駛員+系統）系統）自動自動駕駛駕駛（參與者：系統）（參與者：系統）系統復雜度系統復雜度決策難度決策難度感知難度感知難度請務必參閱正文之后的重要聲明 5 感知算法突破感知算法突破+政策扶持，政策扶持，L3L3級商業化落地加速邁進級商業化落地加速邁進 從感知算法的推進來看，行業總體2022年及之前的的

10、商業化應用主要為2D+CNN算法；隨著ChatGPT等AI大模型的興起，感知算法已經升級至BEV（Birds eye view）+Transformer。目前，特斯拉（2021年）、小鵬+華為+理想等（2023年）已切換至BEV+Transformer，但仍應用于感知端（vs.學術界以最終規劃為目標，已提出感知決策一體化的智能駕駛通用大模型UniAD+全棧Transformer模型）。我們判斷，我們判斷，1 1）感知算法的技術突破）感知算法的技術突破+工信部明確扶持工信部明確扶持L3L3級商業化落地，有望帶動國內向級商業化落地，有望帶動國內向L3L3級商業化加速邁進；級商業化加速邁進；2 2）

11、當前端到端算法仍應用于感知端，受限于算法復雜性當前端到端算法仍應用于感知端，受限于算法復雜性+大算力要求，感知決策一體的端到端算法落地尚需時日。大算力要求，感知決策一體的端到端算法落地尚需時日。資料來源：Yihan Hu等Planning-oriented Autonomous Driving，特斯拉AI DAY，小鵬科技節，光大證券研究所整理 圖：感知決策一體化大模型圖：感知決策一體化大模型 圖：特斯拉和小鵬汽車的自動駕駛系統算法框架圖：特斯拉和小鵬汽車的自動駕駛系統算法框架 請務必參閱正文之后的重要聲明 6 感知算法突破，感知算法突破，BEV+TransformerBEV+Transfor

12、mer有哪些技術路線？有哪些技術路線？全新BEV+Transformer算法有三種技術路線：1）純視覺BEV感知路線（特斯拉）：僅用攝像頭，將攝像頭感知到的2D特征輸入至算法，生成BEV 3D空間，并輸出感知信息；2）BEV融合感知路線（華為）：除攝像頭的感知信息外還加入激光雷達，在BEV 3D空間進行融合后再輸出感知信息（預計小鵬+理想或采用相近方案）；3）車路一體BEV感知路線（百度UniBEV）：在BEV 3D空間內將車端+路端V2X等多傳感器采集到的感知信息全部融合。資料來源：焉知新能源汽車，網易，光大證券研究所整理 圖：毫末智行圖：毫末智行BEVBEV融合感知路線融合感知路線 圖：百

13、度圖：百度UniBEVUniBEV技術路線技術路線 請務必參閱正文之后的重要聲明 7 BEV+TransformerBEV+Transformer，BEVBEV是什么？是什么？BEV（Birds eye view），是在融合車載多視角攝像頭感知輸入信息后，得到鳥瞰圖的感知輸出信息（用于后續路徑規劃與決策）。與2D+CNN相比（提取2D特征后通過CNN卷積算法得出3D感知輸出信息或結果），BEVBEV通過通過TransformerTransformer可將提取可將提取2D2D特征通過特征通過BEV QueriesBEV Queries映射到映射到3D3D的的BEVBEV空間：空間：1 1）BEV

14、BEV視角下可減少物體遮擋問題；視角下可減少物體遮擋問題；2 2）BEVBEV空間內可融合不同視角的傳感器信息至同一坐標系，方便編寫后續規劃和控制命令；空間內可融合不同視角的傳感器信息至同一坐標系，方便編寫后續規劃和控制命令；3 3）BEVBEV可實現時序可實現時序融合。對應融合。對應BEVBEV特征級融合，具備更高的感知信息精準度（特征級融合，具備更高的感知信息精準度（vs.2D+CNNvs.2D+CNN采用不同角度拼接采用不同角度拼接+語義分割，后融合）。語義分割，后融合）。資料來源：九章智駕，光大證券研究所繪制 圖：圖：BEVBEV感知架構感知架構 傳感器傳感器各類傳感器各類傳感器提取特

15、征提取特征+融合融合多傳感器融合多傳感器融合（BEVBEV空間）空間）多任務輸出多任務輸出Single-Camera FrontendLidar FrontendOther Sensor FrontendsCross-Stream AlignmentCross-Modality AlignmentLearned spatial&Temporal AggregationLow-level-PhysicsSematic-level Entity ExtractionFeature MapsImplicit InformationStructure-level Concepts,Relations,

16、BehaviorsCamerasLiDARIMUGPSWheel odometry自動標注自動標注Edge Data MiningCloud-based World ReconstructionQuality InspectionCloud-based Offline Perception請務必參閱正文之后的重要聲明 8 Transformer是一種基于注意力機制的神經網絡大模型，算法參數達到億級以上（vs.CNN僅為千萬級別）。TransformerTransformer算法更適用于大數據，同時具備較高的魯棒性（可緩解一定程度的系統算法更適用于大數據，同時具備較高的魯棒性（可緩解一定程度的系

17、統+網絡風險）網絡風險）+較強的泛化較強的泛化能力（可緩解能力（可緩解CornerCorner-casecase比如惡劣天氣下的模型不穩定性）等特點；具備更穩定比如惡劣天氣下的模型不穩定性）等特點；具備更穩定+更準確的感知輸出信息。更準確的感知輸出信息。資料來源：Zhiqi Li等BEVFormer:Learning Birds Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers，光大證券研究所整理 圖：圖：BEV+TransformerBEV+Transformer技術路線技術路線

18、BEV+TransformerBEV+Transformer，TransformerTransformer大模型如何應用？大模型如何應用？請務必參閱正文之后的重要聲明 9 重感知重感知+輕高精地圖，助力城市高階智能駕駛落地輕高精地圖，助力城市高階智能駕駛落地 除特斯拉之外的智能駕駛系統主要依賴于高精地圖：1）輔助環境感知；2）路徑規劃與決策；3）確定車輛精準定位。高精地圖可視為超距傳感器，可形成感知傳感器冗余（vs.特斯拉算法冗余），提升自動駕駛體驗和安全。高精地圖存在使用成本高高精地圖存在使用成本高/更新頻率慢更新頻率慢+法規限制嚴格法規限制嚴格+各城市縣區推進不統一等風險；各城市縣區推進不

19、統一等風險；BEV+TransformerBEV+Transformer具備具備更強泛化能力（可緩解無圖環境下的感知信息預測偏差風險），全新技術落地更有助于城市高階智能駕駛落地。更強泛化能力（可緩解無圖環境下的感知信息預測偏差風險），全新技術落地更有助于城市高階智能駕駛落地。資料來源：新智駕，特斯拉AI DAY，光大證券研究所整理 圖：高精地圖的作用圖：高精地圖的作用 圖：圖：OccupancyOccupancy網絡可降低無圖不確定性網絡可降低無圖不確定性 請務必參閱正文之后的重要聲明 目目 錄錄 智能駕駛感知算法梳理智能駕駛感知算法梳理 特斯拉智能駕駛技術路線梳理特斯拉智能駕駛技術路線梳理

20、國內車企自動駕駛進展對比國內車企自動駕駛進展對比 10 高階自動駕駛落地關鍵分析高階自動駕駛落地關鍵分析 風險提示風險提示 請務必參閱正文之后的重要聲明 11 特斯拉：硬件特斯拉：硬件+軟件軟件+數據，引領全球技術變革數據，引領全球技術變革 資料來源：汽車之心等，光大證券研究所整理 表：特斯拉智能駕駛系統的推進整理表：特斯拉智能駕駛系統的推進整理 特斯拉的智能駕駛系統推進大致分為三大階段。1）2016年之前，Mobileye；2）2016-2017，英偉達過渡；3）2018年至今，FSD軟硬件全棧自研。其中，重大技術突破點包括，其中，重大技術突破點包括，1 1）20182018年軟硬件全棧自研

21、；年軟硬件全棧自研；2 2）20212021年采用年采用自動標注；自動標注；3 3）20212021-20222022年算法持續升級；年算法持續升級；4 4）規劃推出全新車載芯片）規劃推出全新車載芯片+云端超算平臺云端超算平臺DojoDojo。20162016年之前年之前 20162016-20172017年年 20182018-20202020年年 20212021年年 20222022年至今年至今 軟件版本 Autopilot1.0 Autopilot2.0 Autopilot 3.0（FSD）新增功能 車道保持、交通感知巡航控制（自適應巡航）、緊急避撞、可區分大卡車/轎車/摩托車/行人、

22、自動并線、自動泊車、自動大燈高度可調節、召喚功能 召喚功能升級為智能召喚、增加NOA功能 增強型可視化、交通信號燈和停車標志自動檢測 軟件算法軟件算法 2D+CNN2D+CNN HydraNetsHydraNets（2D+CNN2D+CNN）BEV+TransformerBEV+Transformer Occupancy+TransformerOccupancy+Transformer 傳感器形式 純視覺 純視覺 攝像頭+毫米波雷達 純視覺 純視覺 標注形式標注形式 人工標注人工標注 自動標注自動標注 硬件版本 HW1.0 HW2.0+HW2.5（2017年推出基于2.0的升級版本）HW2.5

23、+HW3.0 HW3.0 HW3.0（2023/3美版Model S/X 或已試搭載HW 4.0）車載芯片車載芯片 MobileyeMobileye EyeQ3EyeQ3 英偉達英偉達DRIVE PX 2DRIVE PX 2 FSDFSD芯片芯片*2 2 車載芯片算力/TOPS 0.256 12 12 144 144 云端計算平臺云端計算平臺 NANA NANA NANA 基于英偉達基于英偉達A100A100組建組建（規劃推出（規劃推出自研超自研超算平臺算平臺DojoDojo）云端計算平臺算力云端計算平臺算力 NANA NANA NANA 1.8ExaFlops1.8ExaFlops 請務必參

24、閱正文之后的重要聲明 12 硬件：全棧自研車載芯片，強耦合自產車型硬件：全棧自研車載芯片，強耦合自產車型 從HW1.0到HW3.0，特斯拉逐漸步入智能駕駛技術全棧自研時代，自自HW3.0HW3.0開始，特斯拉開始，特斯拉FSDFSD芯片專為自動駕駛芯片專為自動駕駛打造（軟硬件打造（軟硬件+整車強耦合），可實現充分利用計算單元整車強耦合），可實現充分利用計算單元+高效迭代產品高效迭代產品+成本可控成本可控。FSD硬件當前已有HW4.0版本（2023/3美版Model S/X或已試搭載），包含2個FSD2.0芯片，算力可達300-500TOPS（vs.英偉達Orin芯片算力254TOPS），基本可

25、滿足L3-L4級自動駕駛算力需求（預計L3級為100-200TOPS，L4級為400-600TOPS）。資料來源：焉知汽車，汽車之心，光大證券研究所整理 表：特斯拉車載自動駕駛芯片迭代（表：特斯拉車載自動駕駛芯片迭代（HW1.0HW1.0-HW3.0HW3.0）HW1.0HW1.0 HW2.0HW2.0 HW2.5HW2.5 HW3.0HW3.0 前置攝像頭 1個 Camera（35）1/Camera（50）1/Camera（120）1 側面相機 0 Camera（90）2 側面后置攝像頭 0 Camera（60）2 毫米波雷達 Radar1（160m）Radar1（170m）超聲波雷達 UU

26、S12（5m）UUS12（8m）核心處理器 Mobileye EyeQ31 Nvidia Parker SoC1 Nvidia Pascal GPU1 英飛凌 TriCore MCU1 Nvidia Parker SoC2 Nvidia Pascal GPU1 英飛凌 TriCore MCU1 FSD芯片2 算力 0.256TOPS 12TOPS 12TOPS 144TOPS（單芯片算力72TOPS）ROM 256兆字節 6GB 8GB 8GB2 Flash NA NA NA 4GB2 處理能力 1倍 40倍 40倍帶冗余 420倍帶冗余 每秒處理幀數 36 110 110 2300 估計功率

27、 25W 250W（閑置40W）300W 220W 電源 單電源 冗余電源 搭載車型 2014款Model S/X 2016款Model S/X 2017款Model S/X/3 2019款Model S/X/3（少數3仍為HW2.5）請務必參閱正文之后的重要聲明 13 硬件：從車載算力，或逐步拓寬至云端超算平臺硬件：從車載算力，或逐步拓寬至云端超算平臺 我們分析，我們分析，1 1）硬件決定軟件算法開發與迭代的上限。）硬件決定軟件算法開發與迭代的上限。2 2）隨著智能駕駛等級的推進，軟件算法復雜程度）隨著智能駕駛等級的推進，軟件算法復雜程度+訓練數訓練數據規模在逐步增加，對應數據存儲據規模在逐

28、步增加，對應數據存儲+傳輸需求也在逐步增加；云端超算平臺具備更高算力傳輸需求也在逐步增加；云端超算平臺具備更高算力+高帶寬高帶寬+低延時等特點，低延時等特點，是高階智能駕駛后階段硬件發展的主要方向（是高階智能駕駛后階段硬件發展的主要方向（vs.vs.當前行業車載芯片或已可滿足當前行業車載芯片或已可滿足L3L3-L4L4級需求）。級需求）。從行業推進來看，1）特斯拉2021年宣布自研超算平臺Dojo（當前仍采用英偉達A100算力芯片），規劃2H23E推出；2）華為或采用自研超算平臺；3）小鵬、理想、蔚來或租用/外購外部超算中心。資料來源：英偉達、特斯拉AI DAY、騰訊新聞等，光大證券研究所整理

29、 表：特斯拉自動駕駛計算平臺迭代表：特斯拉自動駕駛計算平臺迭代 第一階段第一階段 （2D+CNN2D+CNN，英偉達），英偉達）第二階段第二階段 （BEV+TransformerBEV+Transformer，英偉達）英偉達）第三階段第三階段 （DojoDojo）時間段 2021之前 2021至今 NA 超算芯片 NA 使用了720個節點的8個NVIDIA A100 Tensor Core GPU（共5,760個GPU）D1芯片 帶寬帶寬 NANA 內存帶寬內存帶寬2TB/s2TB/s D1D1芯片芯片 片上帶寬片上帶寬 1010TB/s onTB/s on-chip chip bandwid

30、th bandwidth （vs.vs.帶寬頂級芯片英特爾帶寬頂級芯片英特爾StratixStratix 10MX 10MX 僅為僅為1TB/s1TB/s）片外帶寬片外帶寬4 4TB/s offTB/s off-chip bandwidthchip bandwidth 存儲存儲 NANA 當前已經收集了當前已經收集了100100萬個以每秒萬個以每秒3636幀的速度記錄的幀的速度記錄的1010秒秒片段片段 （總（總數據量高達數據量高達1.5PB1.5PB）30PB30PB視頻視頻 算力算力 NANA NVIDIA A100 Tensor Core 19.5 NVIDIA A100 Tensor

31、Core 19.5 TFLOPSTFLOPS（基于（基于FP32FP32）；）；1.8 exaflops1.8 exaflops DojoDojo涵蓋涵蓋3,0003,000個個D1D1芯片；芯片；D1D1芯片芯片 22.6 22.6 TFLOPSTFLOPS（基于（基于FP32FP32）；）；單個單個DojoDojo算力可達算力可達1.1 1.1 ExaflopsExaflops （計劃建計劃建7 7個個DojoDojo，共共約約8 8ExaflopsExaflops）標注 手動標注 自動標注 自動標注 請務必參閱正文之后的重要聲明 14 算法：率先切入大模型，已采用算法：率先切入大模型，已

32、采用Occupancy NetworkOccupancy Network 資料來源：36氪，汽車之心，光大證券研究所整理 圖：特斯拉自動駕駛算法迭代歷程圖：特斯拉自動駕駛算法迭代歷程 20162016Software 1.0Software 1.0算法：2D+CNN2D+CNN數據標注：人工人工標注標注clsreg64048016404804ResNet/RegNetRaw20182018Autopilot 4.0Autopilot 4.0算法：HydraNetsHydraNets（2D+CNN2D+CNN）數據標注：人工人工標注標注clsDecoder TrunkTask 1Task 1Re

33、gNet+BiFPNRawregTask 2Task 2attrclsregDecoder TrunkRadarMulti-Scale Features20212021Software 2.0Software 2.0算法：BEV+TransformerBEV+Transformer數據標注：自動自動標注標注clsDecoder TrunkTask 1Task 1RegNet+BiFPNRawregTask 2Task 2attrclsregDecoder TrunkMulti-ScaleFeaturesRawRawRectifyRectifyRectifyRegNet+BiFPNRegNet+

34、BiFPNMulti-ScaleFeaturesMulti-ScaleFeaturesMulti-Camera Fusion&BEVTransformer20222022FSD BetaFSD Beta算法：Occupancy+TransformerOccupancy+Transformer數據標注：自動自動標注標注clsDecoder TrunkTask 1Task 1RegNet+BiFPNRawregTask 2Task 2attrclsregDecoder TrunkMulti-ScaleFeaturesRawRawRectifyRectifyRectifyRegNet+BiFPNRe

35、gNet+BiFPNMulti-ScaleFeaturesMulti-ScaleFeaturesMulti-Camera Fusion&BEVTransformerVideo Features Queue/Video Module特斯拉2016年自研自動駕駛算法，其迭代可分為四個階段。1）2018年之前：采用2D+CNN算法框架，以人工對數據進行標注；2）2018-2020年：構建多任務學習神經網絡架構HydraNet，采用RegNet+BiFPN提取特征；3 3）20212021年：對軟件底層代碼重寫年：對軟件底層代碼重寫+深度神經網絡重構，感知去雷達、推出深度神經網絡重構，感知去雷達、推出

36、BEV+TransformerBEV+Transformer，首次引入大模型、，首次引入大模型、提出自動標注、規劃開發超算提出自動標注、規劃開發超算DojoDojo；4 4）20222022年至今：算法從年至今：算法從BEVBEV升級到升級到OccupancyOccupancy，增加時序信息。，增加時序信息。我們判斷，我們判斷，1 1）算法從端到端的程度正在加深（當前仍在感知層）；）算法從端到端的程度正在加深（當前仍在感知層）；2 2）算法或可開源，依賴于參數）算法或可開源，依賴于參數+試錯學習。試錯學習。請務必參閱正文之后的重要聲明 15 數據：數量數據：數量+質量，決定模型算法精度的關鍵質

37、量，決定模型算法精度的關鍵 資料來源：特斯拉AI DAY，光大證券研究所整理 圖：特斯拉的自動標注系統的挑戰圖：特斯拉的自動標注系統的挑戰 圖：特斯拉的仿真模擬圖：特斯拉的仿真模擬 我們分析，數據的數量（實測我們分析，數據的數量（實測+仿真）仿真）+質量（自動標注）是決定智能駕駛算法模型能否進一步優化提升的關鍵。質量（自動標注）是決定智能駕駛算法模型能否進一步優化提升的關鍵。1 1）數量：）數量：特斯拉全球車隊規模領先，可通過數據引擎+數據單元+影子模式采集大量數據；針對真實道路場景中不常見+數據量不足的案例，可通過仿真模擬豐富數據來源+發掘“長尾場景”（corner case），用于進行大規

38、模訓練更新完善模型。2 2）質量：）質量：特斯拉采用自動標注，通過算法實現數據篩選、分類和標框等操作；與人工標注相比，自動標注可以減少人為因素干擾，提高數據質量+降低成本+提高效率。請務必參閱正文之后的重要聲明 目目 錄錄 智能駕駛感知算法梳理智能駕駛感知算法梳理 特斯拉智能駕駛技術路線梳理特斯拉智能駕駛技術路線梳理 國內車企自動駕駛進展對比國內車企自動駕駛進展對比 16 高階自動駕駛落地關鍵分析高階自動駕駛落地關鍵分析 風險提示風險提示 請務必參閱正文之后的重要聲明 17 國內車企自動駕駛落地：新勢力相繼入局國內車企自動駕駛落地：新勢力相繼入局L3L3級級 自2022年末起，小鵬、華為、理想

39、、蔚來均規劃落地城市領航輔助駕駛功能；預計均將基于BEV+Transformer搭建。小鵬（2022/10）、華為（2023/4）、理想（2023/4）先后宣布/公開城市領航輔助駕駛功能落地，我們預計均將于2H23E實現大規模推廣城市領航輔助駕駛功能。我們判斷，各車企在數據我們判斷，各車企在數據+硬件硬件+軟件算法的布局或將成為軟件算法的布局或將成為L3L3級能否兌現的關鍵。級能否兌現的關鍵。資料來源：電動知士、各車企官網，光大證券研究所整理 圖：新勢力圖：新勢力L2+L2+自動駕駛落地重要節點自動駕駛落地重要節點 20202020202120212022202220232023馬斯克透露重寫

40、FSDFSD Beta上線FSD Betav8FSD Beta v9.0FSD Betav10.0FSD Betav11內測FSD Betav11FSD Betav11.3.2領航輔助NOP上線NOP+測試報名NAD小規模內測NOP+正式開放導航輔助駕駛上線AD Max上線1 1月月1010月月 1212月月1 1月月9 9月月1212月月極狐Hi演示視頻深圳城區NCA上海城區NCA廣州城區NCAADS2.0發布AD PRO開放NOAAD MAX 3.0發布XNGP4.2.0全景推送城市NGP廣州試點XNet亮相扶搖建成高速NGP公測4 4月月7 7月月6 6月月1111月月1212月月9 9

41、月月 1010月月8 8月月1 1月月4 4月月6 6月月2 2月月3 3月月7 7月月請務必參閱正文之后的重要聲明 18 國內車企自動駕駛落地：華為國內車企自動駕駛落地：華為ADS2.0ADS2.0或領先全行業或領先全行業 華為華為+新勢力均具備領航輔助駕駛；其中，我們判斷，新勢力均具備領航輔助駕駛；其中，我們判斷，1 1）華為）華為ADS 2.0ADS 2.0、以及蔚來、以及蔚來NOP+NOP+，在變道策略調整，在變道策略調整/人機人機共駕方面的體驗感更佳。共駕方面的體驗感更佳。2 2）華為基于智能駕駛的軟硬件占優；理想基于智能駕駛的數據規模占優。）華為基于智能駕駛的軟硬件占優；理想基于智

42、能駕駛的數據規模占優。1 1）智能駕駛設計（華為占優）：）智能駕駛設計（華為占優）：硬件方面，華為采用自研超算+芯片，蔚小理仍采用外購車載芯片+租用/外購超算中心；軟件算法方面，華為已采用GOD（融合激光雷達的Occupancy+Transformer，或已領先特斯拉），小鵬/理想/蔚來跟進BEV+Transformer。2 2）數據方面（理想占優）：）數據方面（理想占優）：理想銷量爬坡（2023年銷量目標30-35萬輛）+AD Max智能駕駛系統標配+門店拓寬+從一二線城市向三四線城市推進布局。資料來源：42號車庫，光大證券研究所整理 表：國內新勢力領航輔助駕駛匝道場景測評結果對比表：國內新

43、勢力領航輔助駕駛匝道場景測評結果對比 蔚來蔚來NOP+NOP+理想理想NOANOA XNGPXNGP ADS 2.0ADS 2.0 自動駕駛等級 L2+L2+L2+L2+匝道路況 通過情況 絕大部分順利通過 小部分系統降級失敗 大部分順利通過 小部分系統降級失敗 小部分未成功變道 絕大部分順利通過 小部分系統降級失敗 極小部分未成功變道 絕大部分順利通過 極小部分系統降級失敗 發起變道時機發起變道時機 能根據車道情況調整策略能根據車道情況調整策略 能根據車道情況調整策略能根據車道情況調整策略 固定固定策略；策略；不能不能根據車道情況調整策略根據車道情況調整策略 能根據車道情況調整策略能根據車道

44、情況調整策略 到達車道情況到達車道情況 主動根據右側車流密度加速主動根據右側車流密度加速/減速減速，變變道能力較強道能力較強 主動根據右側車流密度加速主動根據右側車流密度加速/減速，減速，變道能力較強變道能力較強 主動根據右側車流密度加速主動根據右側車流密度加速/減速，減速，變道能力一般變道能力一般 主動根據右側車流密度加速主動根據右側車流密度加速/減速，減速，變道能力強變道能力強 開始降速前與匝道距離 合理 合理 合理 合理 進入匝道的車速進入匝道的車速 較快較快 較慢較慢 較慢較慢 較快較快 進入擴展車道時機與穩定性進入擴展車道時機與穩定性 第一時間匯入第一時間匯入 第一時間匯入第一時間匯

45、入 非第一時間匯入非第一時間匯入 第一時間匯入第一時間匯入 匝道內策略 Y Y字路口穩定性字路口穩定性 穩定穩定 偶發分叉路口系統退出偶發分叉路口系統退出 穩定穩定 穩定穩定 彎道穩定性 穩定 穩定 穩定 穩定 能否按合理的車速行駛 限速70km/h，可人工設置時速偏移值 大曲率彎道通過時速較快 限速 大曲率彎道通過時速稍慢 階梯限速80km/h&60km/h 經常早降晚升，有拖沓感 大曲率彎道通過時速較快 限速60km/h 方向穩定，幾乎無修正動作 大曲率彎道通過時速快 請務必參閱正文之后的重要聲明 19 國內車企自動駕駛落地：華為國內車企自動駕駛落地：華為ADS2.0ADS2.0或領先全行

46、業或領先全行業 資料來源：42號車庫，光大證券研究所整理 表：國內新勢力領航輔助駕駛匝道場景測評結果對比表：國內新勢力領航輔助駕駛匝道場景測評結果對比 蔚來蔚來NOP+NOP+理想理想NOANOA XNGPXNGP ADS 2.0ADS 2.0 出匝道策略 進主路提速策略 即將進入主路才提速到80km/h 即將進入主路才提速到80km/h 出彎道立馬提速至80km/h 進入主路后提速至道路限速 即將到達導流線時提速至道路限速 匯入主路的策略 大部分情況都可匯入主路 能力和XNGP接近，但穩定性略遜 根據車流選擇合適的匯入時機，但對后方更敏感 可以主動根據車流情況選擇合適的變道時機 能否按合理的

47、車速行駛 限速70km/h，可人工設置時速偏移值 大曲率彎道通過時速較快 限速70km/h固定值 大曲率彎道通過時速較快 階梯限速80km/h&60km/h 經常早降晚升，有拖沓感 大曲率彎道通過時速較快 限速60km/h 方向穩定，幾乎無修正動作 大曲率彎道通過時速快 駛入快車道的策略 具備主動匯入快車道的策略 具備主動匯入快車道的策略 具備主動匯入快車道的策略 具備主動匯入快車道的策略 匝道內策略 是否有借用第三車道超車策略 有 無 無 有 百公里無效變道次數 低 中 中 中 變道積極性 高 中 中 中 變道能力 較高 中 中 高 人機共駕策略人機共駕策略 視覺視覺 顯示信息豐富顯示信息豐

48、富 畫面流暢度高畫面流暢度高 顯示信息豐富顯示信息豐富 畫面流暢度高畫面流暢度高 顯示信息豐富顯示信息豐富 可視化的細膩、流暢度欠佳可視化的細膩、流暢度欠佳 功能開啟標識明確功能開啟標識明確 可視化顯示豐富可視化顯示豐富 模型細膩，流暢度出色模型細膩，流暢度出色 聽覺聽覺 整體較優整體較優 部分場景會發生誤報部分場景會發生誤報 部分場景會發生誤報部分場景會發生誤報 語音提示清晰（可關閉）語音提示清晰（可關閉）不會打擾乘客不會打擾乘客 請務必參閱正文之后的重要聲明 20 國內車企自動駕駛落地：華為國內車企自動駕駛落地：華為ADS2.0ADS2.0或領先全行業或領先全行業 資料來源：各車企官網、騰

49、訊新聞、IT之家等，光大證券研究所整理（注：門店統計時間為2023/6/30，城市等級劃分依據2022城市商業魅力排行榜）表：特斯拉和主要新勢力自動駕駛技術對比表：特斯拉和主要新勢力自動駕駛技術對比 特斯拉特斯拉 華為華為ADS2.0ADS2.0 小鵬小鵬XNGPXNGP 理想城市理想城市NOANOA 蔚來蔚來NOP+NOP+硬件 傳感器 攝像頭*8 毫米波雷達*1 超聲波雷達*12 攝像頭*11 毫米波雷達*3 超聲波雷達*12 激光雷達*1（自研）攝像頭*11 毫米波雷達*5 超聲波雷達*12 激光雷達*2 攝像頭*11 毫米波雷達*1 超聲波雷達*12 激光雷達*1 攝像頭*11 毫米波

50、雷達*5 超聲波雷達*12 激光雷達*1 車載芯片 HW4.0,整車算力144TOPS 華為昇騰610，算力200TOPS 雙英偉達Orin（整車算力508TOPS）雙英偉達Orin（整車算力508TOPS）四顆英偉達Orin（整車算力1,016TOPS）計算平臺計算平臺 搭載英偉達搭載英偉達A100A100的超算平臺的超算平臺1.8 1.8 exaflopsexaflops；未來轉向自研未來轉向自研Dojo Dojo 1.1exaflops1.1exaflops （計劃計劃搭建搭建7 7個個DojoDojo，供，供約約8exaflops8exaflops）專門定制的超級中央超算專門定制的超級

51、中央超算ADCSCADCSC （400400-800TOPS800TOPS）基于阿里云智能計算平臺基于阿里云智能計算平臺建成建成（超（超算中心算中心扶搖扶搖 600pflops600pflops）計劃購買超算云服務計劃購買超算云服務 由由NVIDIA HGX A100 8NVIDIA HGX A100 8-GPUGPU和和NVIDIA NVIDIA MellanoxMellanox InfiniBandInfiniBand ConnectXConnectX-6 6構建構建 軟件 導航地圖導航地圖 百度地圖百度地圖 華為華為Petal MapPetal Map 高德地圖高德地圖 高德地圖高德地圖

52、 四維圖新、百度地圖四維圖新、百度地圖 高精地圖高精地圖 NANA 四維圖新四維圖新+自研自研 已收購高精地圖已收購高精地圖資質資質 （智途科技）智途科技）高德地圖高德地圖 百度地圖、計劃與騰訊合作百度地圖、計劃與騰訊合作 算法算法 Occupancy+TransformerOccupancy+Transformer+時序融合時序融合 GODGOD（增加了激光雷達融合的增加了激光雷達融合的OccupancyOccupancy）+Transformer+Transformer XnetXnet (BEV+TransformerBEV+Transformer+時序融合時序融合)Occupancy+

53、TransformerOccupancy+Transformer+時序融合時序融合 BEV+TransformerBEV+Transformer 價格策略 國內一次性購買64,000元（簡配EAP 32,000元）ADS2.0一次性購買36,000元（2023/6/1-12/31期間僅需18,000元）；訂閱包年：7,200元（訂閱包月：720元）購買贈送6個月ADS2.0 標配（僅G9和P7i Max）和其他版本價差2萬元 標配未收費（僅AD MAX版本）和其他版本價差4萬元 訂閱包月：380元 請務必參閱正文之后的重要聲明 21 國內車企自動駕駛落地：華為國內車企自動駕駛落地：華為ADS2

54、.0ADS2.0或領先全行業或領先全行業 資料來源：各車企官網、騰訊新聞、IT之家等，光大證券研究所整理（注：門店統計時間為2023/6/30，城市等級劃分依據2022城市商業魅力排行榜）表：特斯拉和主要新勢力自動駕駛技術對比表：特斯拉和主要新勢力自動駕駛技術對比 特斯拉特斯拉 華為華為ADS2.0ADS2.0 小鵬小鵬XNGPXNGP 理想城市理想城市NOANOA 蔚來蔚來NOP+NOP+輔助駕駛累積行駛里程輔助駕駛累積行駛里程 2023/6 FSD Beta2023/6 FSD Beta用戶累積行駛用戶累積行駛3.063.06億公里億公里 NANA 2022/62022/6高速高速NGPN

55、GP功能里程功能里程滲透率滲透率62%62%2023/3/232023/3/23輔助駕駛里程輔助駕駛里程5.55.5億公里，億公里，NOANOA公里超公里超1 1億公里億公里 2023/4/252023/4/25用戶累積行駛里程超用戶累積行駛里程超100100億公里；輔助駕駛里程億公里；輔助駕駛里程8.28.2億億公里、公里、NOPNOP里程里程3.13.1億公里、億公里、NOP+NOP+里程里程27302730萬公里萬公里 功能 城市城市NOANOA開放規劃開放規劃 FSDFSD betabeta尚未國產導入尚未國產導入 2Q232Q23完成完成廣州廣州/深圳深圳/上海上海/重慶重慶/杭州杭

56、州五座城市落地（使用高精地圖五座城市落地（使用高精地圖）；）；3Q233Q23無無圖圖版本將版本將落地落地1515個個城市，城市，4Q234Q23將開放到將開放到4545個個城市城市 已在廣州、深圳、上海開放已在廣州、深圳、上海開放 2023/62023/6將向北京、上海內測用戶交將向北京、上海內測用戶交付，付，2H232H23將逐步增加開放區域將逐步增加開放區域 2023/12023/1部分部分用戶開放用戶開放BetaBeta版本；版本；2023/7/12023/7/1試用體驗結束開啟訂閱試用體驗結束開啟訂閱付費模式（均為高精地圖方案）付費模式（均為高精地圖方案）高速場景 高速領航NOA 上

57、下匝道、通道避障 NGP（自動變道、自動超越慢車、自動進出匝道、自動調整限速）高速智能駕駛功能 首個落地高速NOA的自主品牌 泊車場景 垂直泊車、平行泊車 APA、AVP代客泊車輔助 VPA（自動尋找空位、自動泊入泊出、自動記憶常用停車位）視覺泊車 S-APA 當前等級 L2+L2+L2+L2+L2+渠道渠道 門店數一線門店數一線7979家家/新一線新一線107107家家/二線二線8484家家/三線三線1919家家/港澳臺港澳臺9 9家家 （共計（共計298298家覆蓋家覆蓋7070個個城市）城市）當前華為近當前華為近1,0001,000家門店承擔汽車家門店承擔汽車銷售銷售 （或單獨建立華為智

58、選車渠道）（或單獨建立華為智選車渠道）一線一線9090家家/新一線新一線153153家家/二線二線154154家家/三線三線7676家家/四線四線3939家家/五線五線6 6家家 （共計（共計518518家覆蓋家覆蓋152152個個城市）城市）一線一線6565家家/新一線新一線169169家家/二線二線128128家家/三線三線112112家家/四線四線2424家家/五線五線1111家家 （共計（共計509509家覆蓋家覆蓋154154個個城市）城市）一線一線6464家家/新一線新一線115115家家/二線二線135135家家/三線三線3939家家/四線四線1515家家/港澳臺港澳臺1 1家，

59、共計家，共計369369家覆蓋家覆蓋9898個城市個城市 請務必參閱正文之后的重要聲明 目目 錄錄 智能駕駛感知算法梳理智能駕駛感知算法梳理 特斯拉智能駕駛技術路線梳理特斯拉智能駕駛技術路線梳理 國內車企自動駕駛進展對比國內車企自動駕駛進展對比 22 高階自動駕駛落地關鍵分析高階自動駕駛落地關鍵分析 風險提示風險提示 請務必參閱正文之后的重要聲明 23 大模型在高階智能駕駛的應用已成趨勢（BEV+Transformer僅為大模型在感知端的應用）；大模型符合高階智能駕駛數據規模增加+模型精度呈指數型增加的算法升級需求。我們分析，大模型涵蓋車端、云端算法。我們分析，大模型涵蓋車端、云端算法。1 1

60、）在車端：）在車端：大模型主要用于合并檢測不同任務小模型、物體檢測和車道拓撲預測等；2 2）在云端：）在云端：大模型主要應用在數據自動標注、數據挖掘、小模型訓練、自動駕駛場景重建等方面。我們判斷，大模型對算法我們判斷，大模型對算法+算力算力+數數據的要求更高，主要挑戰在于數據存儲和傳輸、網絡架構搭建、模型訓練效率等方面；其中，數據尤為關鍵。據的要求更高，主要挑戰在于數據存儲和傳輸、網絡架構搭建、模型訓練效率等方面；其中，數據尤為關鍵。資料來源：機器之心，央廣網，光大證券研究所整理 圖：大模型的突現能力圖：大模型的突現能力 圖：騰訊“車云一體”數據閉環框架圖：騰訊“車云一體”數據閉環框架 高階智

61、能駕駛，數據驅動大模型應用落地高階智能駕駛，數據驅動大模型應用落地 請務必參閱正文之后的重要聲明 24 高階智能駕駛最大風險為“長尾問題”（高階智能駕駛最大風險為“長尾問題”（corner casescorner cases），增加訓練數據規模），增加訓練數據規模+提高大模型泛化能力可緩解“長提高大模型泛化能力可緩解“長尾問題”尾問題”。我們判斷，鑒于大模型應用對數據規模的要求在增加，建立數據閉環是實現高階自動駕駛的前提。我們判斷，鑒于大模型應用對數據規模的要求在增加，建立數據閉環是實現高階自動駕駛的前提。數據閉環體系包括：數據閉環體系包括：1 1）數據采集：）數據采集：通常在車端設置trig

62、ger層，針對特定場景采集數據；2 2）數據回傳：）數據回傳：建立車云一體傳輸機制（特斯拉通過影子模式實現大量數據采集+回傳）；3 3）數據標注：）數據標注：可通過自動標注獲取大規模+高質量數據集訓練；4 4）模型訓練：）模型訓練：大模型訓練要求高算力+部分訓練自動化（特斯拉自建超算平臺）；5 5）仿真）仿真測試：測試：搭建豐富場景庫解決場景不全問題（特斯拉采用仿真模擬+數據引擎）。資料來源：百度智能云數據站，焉知汽車，光大證券研究所整理 圖：不同自動駕駛等級對數據規模的需求圖：不同自動駕駛等級對數據規模的需求 圖：自動駕駛數據閉環要素構成圖：自動駕駛數據閉環要素構成 模型訓練數據標注數據回傳

63、仿真測試場景挖掘數據處理數據采集高階智能駕駛，數據解決“長尾問題”高階智能駕駛，數據解決“長尾問題”請務必參閱正文之后的重要聲明 25 高階智能駕駛，邁向高階智能駕駛，邁向L3L3級的數據級的數據 算法算法 硬件硬件 我們判斷，L2/L2+級向L3級高階智能駕駛邁進的三大要素重要性排序分別為數據數據 算法算法 硬件硬件；后階段向更高階智能駕駛邁進的三大要素重要性排序或為硬件硬件=算法算法 數據。數據。1）實現L3級智能駕駛的關鍵在于全面感知，主要依賴海量+長尾場景數據驅動算法升級優化；其中，無圖場景覆蓋還需低線城市數據（vs.當前車載算力已基本滿足L3-L4級需求）；2）高階智能駕駛等級推進對

64、決策算法要求增加，全面端到端大模型+車端/云端大模型應用，對算法升級（受制于算法專用芯片利用率+算力）和數據存儲/傳輸（硬件存儲容量/帶寬限制）要求也在增加，硬件或為后階段高階智能駕駛系統推進的關鍵。從具備高階智能駕駛屬性的整車標的推薦順序來看，首推特斯拉（數據從具備高階智能駕駛屬性的整車標的推薦順序來看，首推特斯拉（數據+硬件硬件+算法全面領先）、理想汽車（銷算法全面領先）、理想汽車（銷量爬坡）；建議關注量爬坡）；建議關注2H23E2H23E具備銷量邊際改善機會的小鵬汽車，長期建議關注華為智選車模式合作車企。具備銷量邊際改善機會的小鵬汽車，長期建議關注華為智選車模式合作車企。資料來源：光大證

65、券研究所整理 圖：各新勢力數據、算法、硬件能力對比圖：各新勢力數據、算法、硬件能力對比 數據能力數據能力 算法能力算法能力 硬件能力硬件能力 特斯拉（TSLA.O）理想（LI.O）小鵬（XPEV.N）蔚來（NIO.N）華為 請務必參閱正文之后的重要聲明 26 高階智能駕駛，行泊一體域控打造智駕全場景高階智能駕駛，行泊一體域控打造智駕全場景 高階智能駕駛量產需要電子電氣架構向中央集中式升級（當前為域集中式 vs.此前為分布式架構）。在域集中式趨勢下，行泊一體是當前L2/L2+級向L3級邁進、打造全場景（高速/低速/行車/泊車）智能駕駛方案落地的最佳路徑，可實現硬件成本降低（減少控制器數量）+硬件

66、復用（提高各傳感器和芯片算力利用率）+傳感器配置靈活，從而可應對城市NOA（領航輔助駕駛）+AVP（自主代客泊車）等復雜場景。我們判斷，行泊一體方案的技術難點在于單芯片功能集成（當前多數行泊一體方案仍采用兩顆我們判斷，行泊一體方案的技術難點在于單芯片功能集成（當前多數行泊一體方案仍采用兩顆SoCSoC），高性能智），高性能智駕域控落地還需要芯片算力和功耗升級配合。預計未來隨著域集中程度加深，域控制器最終形態或為單一中央域駕域控落地還需要芯片算力和功耗升級配合。預計未來隨著域集中程度加深，域控制器最終形態或為單一中央域控制器。我們看好：控制器。我們看好：1 1）與芯片供應商深度合作、積極布局上游

67、傳感器；）與芯片供應商深度合作、積極布局上游傳感器；2 2）具備自研算法能力；）具備自研算法能力；3 3）具備智能座艙）具備智能座艙+智能駕駛域控制器技術的智駕域控制器供應商。建議關注德賽西威（智能駕駛域控制器技術的智駕域控制器供應商。建議關注德賽西威（002920.SZ002920.SZ）、經緯恒潤（）、經緯恒潤（688326.SH688326.SH）、）、科博達（科博達（603786.SH603786.SH）。）。資料來源：汽車之心，光大證券研究所整理 圖：電子電氣架構演變路徑及行泊一體解決方案優勢圖：電子電氣架構演變路徑及行泊一體解決方案優勢 行泊分離行泊分離 行泊一體行泊一體 實現方式

68、實現方式 一體機 域控制器 傳感器傳感器 傳感器分離 傳感器共用 軟件開發軟件開發 行車和泊車系統分別開發配套的底層軟件、中間件、算法 底層軟件、中間件通用化單獨定制不同算法模塊 硬件硬件 兩個單獨的控制器 融合為單個控制器，節省成本 功能迭代功能迭代 軟硬件耦合程度高 軟硬件逐漸解耦 分開升級 OTA升級 數據回傳數據回傳/處理處理 數據難剪裁 數據感知、處理分離 主機廠無法獲得原始數據 主機廠易于獲得原始數據，并可回傳至云端 車載云計算車載云計算中央計算中央計算域融合域融合域集中域集中集成化集成化模塊化模塊化每個功能都有一個對應的模塊ECU整合，集成軟硬件域控制器出現，基礎控制標準化域控制

69、器整合整合為超級電腦請務必參閱正文之后的重要聲明 27 高階智能駕駛，線控底盤為基礎高階智能駕駛，線控底盤為基礎 高階智能駕駛不僅要求數據/算法/算力提升，還要求：1）智能駕駛系統的功能安全等級提高（L2/L2+級要求ACC功能滿足ASIL A或QM vs.L3級及以上要求ASIL C甚至ASD）；2）人機解耦+執行機構存在冗余（脫手情況下，主電子制動/轉向系統失效時，系統也能執行制動/轉向）；3）對執行層響應速度（縮短響應時間保證安全）和執行精度要求更高（提供精準底盤信號提升感知結果準確性）。我們判斷，1）執行端的線控底盤重要性凸顯；2）由于安全冗余方案驗證尚未充分+路感模擬技術不成熟+控制

70、算法不足，預計線控轉向商業化量產節奏相對滯后。我們判斷，線控底盤為新能源車我們判斷，線控底盤為新能源車+高階智能駕駛應用的基礎。預計高階智能駕駛應用的基礎。預計2025E2025E線控制動、線控轉向新能源車滲透率分別線控制動、線控轉向新能源車滲透率分別可達約可達約40%40%-50%50%、10%10%?？春脟a線控底盤零部件供應商崛起機會?？春脟a線控底盤零部件供應商崛起機會。線控制動推薦國內首家自主線控制動推薦國內首家自主one boxone box量產供量產供應商伯特利（應商伯特利（603596.SH603596.SH）；線控轉向建議關注全球轉向系統龍頭企業之一的耐世特（）；線控轉向建議

71、關注全球轉向系統龍頭企業之一的耐世特（1316.HK1316.HK）。）。資料來源：伯特利官網、博世官網、搜狐、Review on Automobile Steering-by-wire System Development，光大證券研究所整理 圖：線控制動圖：線控制動/轉向技術路線切換轉向技術路線切換 One BoxOne Box Two BoxTwo Box（博世（博世iBoosteriBooster（左）（左）+ESP+ESP（右）（右）線控制動方案線控制動方案 線控轉向方案線控轉向方案 EPSEPS SBWSBW 請務必參閱正文之后的重要聲明 目目 錄錄 智能駕駛感知算法梳理智能駕駛感

72、知算法梳理 特斯拉智能駕駛技術路線梳理特斯拉智能駕駛技術路線梳理 國內車企自動駕駛進展對比國內車企自動駕駛進展對比 28 高階自動駕駛落地關鍵分析高階自動駕駛落地關鍵分析 風險提示風險提示 請務必參閱正文之后的重要聲明 風險提示風險提示 政策風險政策風險 核心風險核心風險 其他風險其他風險 29 1）智能駕駛落地監管標準趨嚴；2）全球貿易摩擦與宏觀政策不確定性風險。1）新能源車需求不及預期，持續降價或減產風險；2）整車產能爬坡不及預期；3）超算平臺算力爬坡及其他智能駕駛相關新技術兌現不及預期；4）供應鏈緊缺、原材料價格上漲風險；5）行業競爭加劇，品牌車型競爭力下降；6）城市NOA推進不及預期；

73、7）團隊架構定位、優質人才引進、以及執行力與穩定性不及預期；8）自動駕駛輔助系統選裝率不及預期。1）智能電動車推廣初期的交通事故風險；2）車企領導者個人導致的市場波動風險；3）疫情反復與市場系統性風險。分析師聲明分析師聲明 本報告署名分析師具有中國證券業協會授予的證券投資咨詢執業資格并注冊為證券分析師，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，并對本報告的內容和觀點負責。負責準備以及撰寫本報告的所有研究人員在此保證，本研究報告中任何關于發行商或證券所發表的觀點均如實反映研究人員的個人觀點。研究人員獲取報酬的評判因素包括研究的質量和準確性、客戶反饋、競爭性

74、因素以及光大證券股份有限公司的整體收益。所有研究人員保證他們報酬的任何一部分不曾與，不與，也將不會與本報告中具體的推薦意見或觀點有直接或間接的聯系。行業及公司評級體系行業及公司評級體系 買入未來6-12個月的投資收益率領先市場基準指數15%以上；增持未來6-12個月的投資收益率領先市場基準指數5%至15%；中性未來6-12個月的投資收益率與市場基準指數的變動幅度相差-5%至5%；減持未來6-12個月的投資收益率落后市場基準指數5%至15%；賣出未來6-12個月的投資收益率落后市場基準指數15%以上；無評級因無法獲取必要的資料，或者公司面臨無法預見結果的重大不確定性事件，或者其他原因，致使無法給

75、出明確的投資評級?；鶞手笖嫡f明：A股市場基準為滬深300指數；香港市場基準為恒生指數；美國市場基準為納斯達克綜合指數或標普500指數。特別聲明特別聲明 光大證券股份有限公司（以下簡稱“本公司”）成立于1996年，是中國證監會批準的首批三家創新試點證券公司之一，也是世界500強企業中國光大集團股份公司的核心金融服務平臺之一。根據中國證監會核發的經營證券期貨業務許可，本公司的經營范圍包括證券投資咨詢業務。本公司經營范圍：證券經紀；證券投資咨詢；與證券交易、證券投資活動有關的財務顧問；證券承銷與保薦；證券自營；為期貨公司提供中間介紹業務；證券投資基金代銷；融資融券業務；中國證監會批準的其他業務。此外

76、，本公司還通過全資或控股子公司開展資產管理、直接投資、期貨、基金管理以及香港證券業務。本報告由光大證券股份有限公司研究所（以下簡稱“光大證券研究所”）編寫，以合法獲得的我們相信為可靠、準確、完整的信息為基礎，但不保證我們所獲得的原始信息以及報告所載信息之準確性和完整性。光大證券研究所可能將不時補充、修訂或更新有關信息，但不保證及時發布該等更新。本報告中的資料、意見、預測均反映報告初次發布時光大證券研究所的判斷，可能需隨時進行調整且不予通知。在任何情況下，本報告中的信息或所表述的意見并不構成對任何人的投資建議?？蛻魬灾髯鞒鐾顿Y決策并自行承擔投資風險。本報告中的信息或所表述的意見并未考慮到個別投

77、資者的具體投資目的、財務狀況以及特定需求。投資者應當充分考慮自身特定狀況，并完整理解和使用本報告內容，不應視本報告為做出投資決策的唯一因素。對依據或者使用本報告所造成的一切后果，本公司及作者均不承擔任何法律責任。不同時期，本公司可能會撰寫并發布與本報告所載信息、建議及預測不一致的報告。本公司的銷售人員、交易人員和其他專業人員可能會向客戶提供與本報告中觀點不同的口頭或書面評論或交易策略。本公司的資產管理子公司、自營部門以及其他投資業務板塊可能會獨立做出與本報告的意見或建議不相一致的投資決策。本公司提醒投資者注意并理解投資證券及投資產品存在的風險，在做出投資決策前，建議投資者務必向專業人士咨詢并謹

78、慎抉擇。在法律允許的情況下，本公司及其附屬機構可能持有報告中提及的公司所發行證券的頭寸并進行交易，也可能為這些公司提供或正在爭取提供投資銀行、財務顧問或金融產品等相關服務。投資者應當充分考慮本公司及本公司附屬機構就報告內容可能存在的利益沖突，勿將本報告作為投資決策的唯一信賴依據。本報告根據中華人民共和國法律在中華人民共和國境內分發，僅向特定客戶傳送。本報告的版權僅歸本公司所有，未經書面許可，任何機構和個人不得以任何形式、任何目的進行翻版、復制、轉載、刊登、發表、篡改或引用。如因侵權行為給本公司造成任何直接或間接的損失，本公司保留追究一切法律責任的權利。所有本報告中使用的商標、服務標記及標記均為本公司的商標、服務標記及標記。光大證券股份有限公司版權所有光大證券股份有限公司版權所有。保留一切權利。保留一切權利。鵬華基金