《智能汽車行業專題研究：大模型應用下自動駕駛賽道將有哪些變化？-231005（31頁）.pdf》由會員分享，可在線閱讀，更多相關《智能汽車行業專題研究：大模型應用下自動駕駛賽道將有哪些變化？-231005（31頁）.pdf（31頁珍藏版）》請在三個皮匠報告上搜索。

1、1證券研究報告作者：行業評級：上次評級：行業報告|請務必閱讀正文之后的信息披露和免責申明智能汽車智能汽車強于大市強于大市維持2023年10月05日（評級）分析師 孫謙SAC執業證書編號：S1110521050004分析師 于特SAC執業證書編號：S1110521050003大模型應用下自動駕駛賽道將有哪些變化？大模型應用下自動駕駛賽道將有哪些變化？行業專題研究摘要2請務必閱讀正文之后的信息披露和免責申明BEV+Transformer已經成為自動駕駛算法主流趨勢已經成為自動駕駛算法主流趨勢特斯拉率先引入BEV+Tranformer大模型，與傳統2D+CNN小模型相比，大模型的優勢主要在于：1）提

2、高感知能力：BEV將激光雷達、雷達和相機等多模態數據融合在同一平面上，可以提供全局視角并消除數據之間的遮擋和重疊問題，提高物體檢測和跟蹤的精度；2）提高泛化能力：Transformer模型提取特征函數，通過注意力機制尋找事物本身的內在關系，使智能駕駛學會總結歸納而不是機械式學習。主流車企及自動駕駛企業均已布局BEV+Transformer，大模型成為自動駕駛算法的主流趨勢。大模型應用下大模型應用下NOA快速落地快速落地，L3及以上自動駕駛進程有望加快及以上自動駕駛進程有望加快在車端大模型可賦能自動駕駛的感知和預測環節，并逐漸向決策層滲透，駕駛策略或將從規則驅動向數據驅動轉變。在云端大模型通過實

3、現自動標、數據挖掘、仿真場景生成，提高自動駕駛迭代效率和速度。大模型催化下，高速NOA、通勤NOA、城市NOA等功能快速上車，同時有望加快L3及以上自動駕駛落地進程。大模型將帶來云端算力大模型將帶來云端算力、車端算力車端算力、感知端感知端、執行端以及商業模式的變化執行端以及商業模式的變化 云端算力：智算中心承載這大模型訓練與驗證所需的算力支持，已經成為自動駕駛下一階段競爭重點。我們預計到2025年，智算中心算力將達到14-46 EFLOPS，算力市場規?；驅⑦_到4-15億美元，國產算力產業鏈值得關注。智算中心建設需要綜合考慮需求、成本、能力三大因素，我們認為在中短期內，主機廠/自動駕駛廠商將主

4、要采取合作模式/采購模式，長期具備較高自建傾向。車端算力：需求翻倍或達800TOPS，算力提升原因主要在于：1）在感知硬件數量和性能不斷提升，邊緣計算需求增加；2）大模型催化駕駛場景復雜化和多樣化。同時對芯片效率能耗提出更高要求。XZgVkUiXcZiYmQtPnQbR8Q7NpNoOsQsReRmNqQfQoOpQ7NoPnRwMnNsOxNoOnQ摘要3請務必閱讀正文之后的信息披露和免責申明 感知端：大模型對數據精度要求提升，單車搭載攝像頭數量增加，像素從200萬向800萬升級。主機廠及自動駕駛廠商方案頻出，逐漸降低對高精地圖依賴，或采取車端實時建圖方案，通過安裝在車輛上的相機等傳感器來構

5、建車輛行駛過程中周圍的環境地圖。激光雷達逐漸降本趨勢下，BEV+激光雷達可提供最大安全保障，因此仍將作為重要傳感器需求量或將增加，但長期需求或將見頂。4D成像毫米波雷達或將完全替代3D毫米波雷達，有望對低線激光雷達形成替代，或將在中高端車型及自動駕駛服務車型中快速滲透。執行端：高階智能駕駛落地進行加快下，以線控結構替代機械式結構成為實現執行器多重安全冗余的必要條件，線控底盤重要性凸顯，有望加快線控底盤環節國產化進程，看好國產線控底盤零部件供應商崛起機會。商業模式：伴隨城市NOA逐漸落地，訂閱模式開始興起，消費者更偏好自由度更高的付費模式。訂閱模式有望加快NOA功能滲透，并進一步促進數據回收實現

6、智能駕駛系統持續迭代。風險提示：宏觀經濟及汽車行業景氣度下滑；大模型應用速度或效果不及預期；高階自動駕駛消費者接受意愿不明確；測算具有風險提示：宏觀經濟及汽車行業景氣度下滑；大模型應用速度或效果不及預期；高階自動駕駛消費者接受意愿不明確；測算具有一定的主觀性和極端情況假設一定的主觀性和極端情況假設，結果僅供參考結果僅供參考。4目錄目錄1 進展與趨勢進展與趨勢1.1 特斯拉開啟自動駕駛3.0大模型時代1.2 BEV+Transformer提高智能駕駛感知能力和泛化能力1.3 占用網絡模型有望成為下一代自動駕駛算法進步方向1.4 BEV+Transformer已成自動駕駛算法主流趨勢2 如何應用如

7、何應用？有何趨勢有何趨勢2.1 大模型目前主要用于感知和預測環節，逐漸向決策層滲透2.2 大模型可提升智能駕駛性能，有望加快L3及以上自動駕駛落地2.3 NOA快速落地 成為智能化新指標3 新變化新變化？新需求新需求？3.1 云端算力3.1.1 是否需要智算中心？智算中心成為下一階段競爭重點3.1.2 需要多少？預計2025年總算力需求達14-46 EFLOPS3.1.3 如何建智算中心？合作/采購模式為主，自建傾向較高3.2 車端算力3.2.1 如何變化？感知數量質量和場景復雜度驅動算力升級3.2.2 需要多少？算力需求翻倍達800TOPS3.3 感知端3.3.1 車載攝像頭數量質量齊升3.

8、3.2 無圖方案頻出，逐步降低對高精地圖依賴3.3.3 激光雷達仍作為重要傳感器，長期需求或將見頂3.3.4 向4D成像毫米波雷達升級，或將替代低線激光雷達3.4 執行端3.4.1 有望加快線控底盤環節國產化進程3.5 商業模式3.5.1 訂閱模式或成主流4 風險提示風險提示5研究背景及目的研究背景及目的Open AI推出Chat GPT，人工智能迎來新時代，大模型成為角逐重點掀起百模大戰，行業賦能加速。自動駕駛是大模型行業應用的重點領域之一，本報告嘗試解答下列問題：進展與趨勢進展與趨勢應用與效果應用與效果未來展望未來展望變化與影響變化與影響大模型應用進展與趨勢大模型應用進展與趨勢 主機廠與供

9、應商大模型應用進展與規劃如何？大模型是否將成主流？1423大模型如何應用及其應用效果如何大模型如何應用及其應用效果如何 大模型主要用途/效果？是否會帶來新的駕駛功能/駕駛場景？未來展望未來展望 大模型應用下L3及以上自動駕駛何時到來？影響因素是什么？大模型對產業鏈影響幾何大模型對產業鏈影響幾何 產業鏈會有哪些新影響和新需求？誰將收益/誰或將受影響？進展與趨勢進展與趨勢1 16請務必閱讀正文之后的信息披露和免責申明71.1 1.1 特斯拉開啟自動駕駛特斯拉開啟自動駕駛3.03.0大模型時代大模型時代 特斯拉率先引入大模型特斯拉率先引入大模型，開啟自動駕駛開啟自動駕駛3.0時代時代。2015年，特

10、斯拉開始布局自研自動駕駛軟硬件，2016-2019年陸續實現算法和芯片自研。2020年特斯拉重構自動駕駛算法，引入BEV+Transformer取代傳統的2D+CNN算法，并采用特征級融合取代后融合，自動標注取代人工標注。2022年算法中引入時序網絡，并將BEV升級為占用網絡(OccupancyNetwork)。2023年8月，端到端AI自動駕駛系統FSDBeta V12首次公開亮相，完全依靠車載攝像頭和神經網絡來識別道路和交通情況，并做出相應的決策。FSD入華進程漸近入華進程漸近，有望加速智能化進程有望加速智能化進程。目前FSDBeta版本尚未在國內開放，根據36氪消息，特斯拉已在中國建立數

11、據中心，并布局組建國內運營團隊和數據標注團隊。由于中國道路的復雜性，特斯拉FSD方案入華仍要進行大量中國里程的實車驗證，采集對應場景的數據，優化訓練出針對中國場景的神經網絡模型，提煉針對性策略。我們認為，FSD或將在2024年進入中國，經過對中國道路的訓練后，2025年大規模上車。預計FSD入華后，有望整體加速中國電動汽車的智能化進程。資料來源：36氪公眾號，汽車之心公眾號等，天風證券研究所2016以前以前軟硬件均有Mobileye提供硬件：HW 1.0軟件：Autopilot 1.0算法：2D+CNN2016-2017牽手英偉達，算法實現自研算法實現自研硬件：HW 2.0-HW 2.5軟件：

12、Autopilot 2.0算法：2D+CNN2018-2019采用自研芯片自研芯片FSD，算法升級HyraNet神經網絡架構+特征提取網絡 BiFPN。硬件：HW 3.0軟件：Autopilot 3.0算法：2D+CNN（HydraNet+BiFPN）2020引入BEV+Transformer，特征級融合取代后融合，自動標注取代人工標注，布局Dojo開發硬件：HW 3.0軟件：FSD Beta算法：算法：BEV+Transformer2021-2022引入時序網絡，BEV 升級為占用網絡（Occupancy Network）硬件：HW 3.0軟件：FSD Beta V9-10算法：算法：Occ

13、upancy+Transformer2023使用端到端端到端技術硬件：硬件：HW 4.0軟件：軟件：FSD V12算法：Occupancy+Transformer特斯拉智能駕駛迭代歷程81.2 1.2 BEV+TransformerBEV+Transformer 提高智能駕駛感知能力和泛化能力提高智能駕駛感知能力和泛化能力 BEV/TransformerBEV/Transformer 分別是什么分別是什么？BEV全稱是Birds Eye View(鳥瞰視角），是將三維環境信息投影到二維平面的一種方法，以俯視視角來展示環境當中的物體和地形。Transformer大模型本質上是基于自注意力機制的深

14、度學習模型，與傳統神經網絡RNN和CNN不同，Transformer不會按照串行順序來處理數據，而是通過注意力機制，挖掘序列中不同元素的聯系及相關性，使得Transformer可以適應不同長度和不同結構的輸入，從而提高模型在處理序列數據上的能力。與傳統小模型相比與傳統小模型相比，BEV+TransformerBEV+Transformer的優勢的優勢主要在于提升智能駕駛的感知能力和泛化能力主要在于提升智能駕駛的感知能力和泛化能力，有助于緩解智能駕駛的長尾問題：有助于緩解智能駕駛的長尾問題：1）提高感知能力：BEV統一視角，將激光雷達、雷達和相機等多模態數據融合至同一平面上，可以提供全局視角并消

15、除數據之間的遮擋和重疊問題，提高物體檢 測 和 跟 蹤 的 精 度；2）提 高 泛 化 能 力：Transformer模型通過自注意力機制，可實現全局理解的特征提取，有利于尋找事物本身的內在關系，使智能駕駛學會總結歸納而不是機械式學習。資料來源：Zhiqi Li等BEVFormer:Learning Birds Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers焉知汽車公眾號，英偉達微信視頻號，億歐汽車公眾號，天風證券研究所BEV+Transformer技術路線BEV+Transfor

16、mer技術路線的優勢（VS 傳統小模型）傳統小模型傳統小模型BEV+TransformerBEV+Transformer單視角攝像頭來進行單模塊感知（即后融合），在視野和信息的獲取方面存在著很大的局限性傳統的小模型，如CNN、RNN等，參數小、泛化性差，并不能支撐高等級自動駕駛的海量數據處理需求BEV將多個傳感器圖像融合至同一平面（即中融合），提供全局視角，可以更全面的了解周圍環境利用Transformer自注意力機制可實現全局理解的特征提取，增強模型穩定性和泛化能力91.3 1.3 占用網絡模型有望成為下一代自動駕駛算法進步方向占用網絡模型有望成為下一代自動駕駛算法進步方向 特斯拉在2022

17、年AI Day上發布Occupancy Networks(占用網絡)，將BEV網絡在高度方向進行了進一步的擴展，從而實現了BEV從2D到3D的優化，可實時預測被遮擋物體的狀態，解決了目標檢測的長尾問題，即使某些物體不存在于訓練集中，但是因為算法本身進行的是空間占用的檢測，不進行目標檢測，因此從根本上避免了這個問題。華為ADS 2.0進一步升級GOD網絡，道路拓撲推理網絡進一步增強，類似于特斯拉的占用網絡。GOD 2.0(通用障礙物檢測網絡，General Obstacle Detection)障礙物識別無上限，障礙物識別率達到99.9%；RCR2.0能識別更多路，感知面積達到2.5個足球場，道

18、路拓撲實時生成。2023年12月，搭載ADS 2.0的問界新M7可實現全國無高精地圖的高階智能駕駛。占用網絡模型以占用的方式重建了3D場景，可用于通用障礙物檢測，精準實現空間中物體的占位情況、語義識別、運動情況等，在表征上更具優勢，有望成為下一代自動駕駛算法進步方向。資料來源：特斯拉AI DAY，AITO汽車公眾號，焉知汽車公眾號，浦東未來車產業公眾號等，天風證券研究所Occupancy Network 效果華為GOD 2.0101.4 1.4 BEV+TransformerBEV+Transformer已成自動駕駛算法主流趨勢已成自動駕駛算法主流趨勢 目前包括比亞迪、蔚小理、智己等車企，以及

19、華為、百度 Apollo、毫末智行、地平線、輕舟智航、覺非科技、商湯科技等自動駕駛企業均已布局 BEV+Transformer。據下表，大模型應用已成自動駕駛賽道主流趨勢，其中新勢力及自動駕駛供應商布局領先，大模型應用已成自動駕駛的主流趨勢。資料來源：浦東未來車產業公眾號，EV視界公眾號，汽車商業評論公眾號，天風證券研究所國內自動駕駛廠商智能駕駛大模型布局梳理（不完全統計）廠商廠商類型類型進展進展BEVBEVTransformerTransformerOccupancy Occupancy NetworkNetwork小鵬OEM2021年下半年起，小鵬開始搭建基于 Transformer 大模

20、型的 BEV 視覺感知系統 Xnet，可實現無高精地圖城市NOA。理想OEM采用具有 Transformer+BEV 算法架構，以及占用網絡，搭配紅綠燈識別TIN 網絡和城市復雜路口識別 NPN 特征網絡，能實現無高精地圖的城市NOA蔚來OEM2021 年開始搭建 BEV+Transformer 的技術架構，將于2023 年6 月下向用戶推送比亞迪OEM感知模型的開發已經實現 100%數擺驅動，并研發了擁有多相機的 BEV 模型，計劃年內做到量產；決策規劃大模型將采用Transformer 架構智己OEM2021 年布局 Transformer 橫型和時序 BEV，2023 年發布 Trans

21、frmer 架構的 D.L.P.人工智能橫型華為Tier 1ADS 1.0 已實現基于Transformer 的 BEV 架構；ADS 2.0 在合 BEV 感知能力基礎上使用 GOD 網絡（GOD網絡）毫末智行Tier 1在MANA 感知架構中，采用 BEV融合融(視覺+Llidar)技術，利用自研的 Transformer 算法，實現對視信息的 BEV 轉化小馬智行Tier 1自研BEV感知算法，僅用導航地圖實現高速與城市NOA功能地平線Tier 1基于 BEV+Transformer 的算法，已經在征程 5上閉環驗證，純視覺 BEV 動靜態環境感知等即將量產輕舟智航Tier 1時序多模態

22、待征融合的大模型 OmniNet 能夠在線建圖，以一個神經網絡即可實現視覺、激光雷達、毫米波雷達在 BEV 空問和圖像空問上輸出多任務結果，達到高精地圖的精度。商湯Tier 1布局 BEV+transformer 大模型的算法百度ApolloTier 12022年，Apollo 團隊推出了第二代純視覺感知系統 Lite+，Transformer 把前視特征轉到 BEV 直接輸出三維感知結果；2023年1月，推出車路一體的端到端感知解決方案 UniBEV，更易實現多模、多視角、多時間上的時空特征融合。智駕科技Tier 1MAXIPILOT 2.0-Pro 與MAXIPILOT 3.0-Max 均

23、使用 BEV+Transformer 算法覺非科技Tier 1發布面向城市NOA記億通勒/泊車的“基于BEV 的數據團環融合智能駕駛解決方案”其中BEV+Transformer的算法訓練數據由地圖數據庫通過自研數據中心選代生成紐勱科技Tier 1在感知層面可同時融合空間、時間信息，多傳感器、多任務之間高效協同。行泊一體方案 MaxDrive 使用 BEV+Transformer 技術架構MomentaTier 1已經量產BEV+Transformer，目前在研發下一代的技術方案DD4D(Data-Driven 4D Model)如何應用？有何效果？如何應用？有何效果？211請務必閱讀正文之后的

24、信息披露和免責申明122.1 2.1 車端賦能主要作用于感知和預測環節，逐漸向決策層滲透車端賦能主要作用于感知和預測環節，逐漸向決策層滲透 大模型在自動駕駛中的應用簡單來說，就是把整車采集到的數據回傳到云端，通過云端部署的大模型，對數據進行相近的訓練。大模型主要作用于自動駕駛的感知和預測環節大模型主要作用于自動駕駛的感知和預測環節。在感知層，可以利用Transformer模型對BEV數據進行特征提取，實現對障礙物的監測和定位；預測層基于感知模塊的輸出，利用Transformer模型捕捉學習交通參與者的運動模式和歷史軌跡數據，預測他們未來行為和軌跡。未來將驅動駕駛策略生成逐漸從規則驅動向數據驅動

25、轉變未來將驅動駕駛策略生成逐漸從規則驅動向數據驅動轉變。規劃決策層的駕駛策略的生成有兩種方式：1）基于數據驅動的深度學習算法；2）基于規則驅動（出于安全考慮，目前普遍采取基于規則生成駕駛策略，但隨著自動駕駛等級的提升及應用場景的不斷拓展，基于規則的規控算法存在較多Corner Case處理局限性）。結合車輛動力學，可利用Transformer模型生成合適的駕駛策略：將動態環境、路況信息、車輛狀態等數據整合到模型中，Transformer多頭注意力機制有效平衡不同信息源之間的權重，以便快速在復雜環境中做出合理決策。資料來源：九章智駕公眾號，焉知汽車公眾號，Pranav Singh Chiba,P

26、ravendra SinghaRecent Advancements in End-to-End Autonomous Driving using Deep Learning:A Survey，Apollo開發者社區公眾號，天風證券研究所車道線檢測3D目標檢測障礙物檢測紅路燈檢測感知車輛行為預測行人行為預測預測全局路徑規劃行為決策運動規劃規劃決策車道保持車輛跟隨車道變換制動避障控制端到端自動駕駛端到端自動駕駛利用Transformer模型對 BEV 數據進行特征提特征提取取，實現障礙實現障礙物的檢測和定物的檢測和定位位基于感知模塊的輸出，使用Transformer模型預測其他預測其他交通參與者

27、的交通參與者的未來行為和軌未來行為和軌跡跡根據預測結果，結合交通規則和車輛狀態，有效有效平衡不同信息源平衡不同信息源之間的權重生成之間的權重生成合適的駕駛策略合適的駕駛策略。大模型在自動駕駛中的應用端到端自動駕駛 VS.模塊化自動駕駛132.2 2.2 云端應用部署，有望加快云端應用部署，有望加快L3L3及以上自動駕駛落地及以上自動駕駛落地 大模型云端應用加速大模型云端應用加速L3及以上自動駕駛落地及以上自動駕駛落地。主要在于：1）采用大模型預訓練的方式可以實現自動標注，提高數據標注的精度和效率，同時縮減成本；2）對長尾數據進行挖掘，大模型具有較強的泛化性，加速解決長尾問題；3）場景仿真和數據

28、生成，模擬真實道路場景和高危險性場景數據，加速模型優化。大模型目前仍處于發展初期階段大模型目前仍處于發展初期階段，預計未來應用比例快速增長預計未來應用比例快速增長。大模型在智能汽車中的應用仍存在多模態數據融合、云端算力需求大、車端部署、以及安全性和一致性等問題。我們認為大模型應用仍處于初期階段，隨著模型的優化和技術的應用，大模型在自動駕駛中的應用比例或將快速提升。資料來源：九章智駕公眾號，焉知汽車公眾號，汽車之心公眾號，毫末智行公眾號，自動駕駛測試驗證技術創新論壇公眾號，天風證券研究所大模型云端應用自動標注自動標注數據挖掘數據挖掘場景仿真場景仿真商湯大模型自動標注精度可以達到98%以上，標注周

29、期和標注成本都可以縮減數十倍以上。區別于傳統基于標簽的方式來挖掘長尾場景，大模型從大量數據中提取特征進行數據挖掘。毫末采用NeRF技術進行自動駕駛場景的重建，研發過程覆蓋率超過70%，研發效能較兩年前提升8倍。大模型在智能汽車應用的挑戰多模態數據多模態數據自然語言：HMI 可復用 大模型 圖像、音頻等自然語言數據傳感器：車載多類傳感器數據:如Camera、Lidar、Radar、GNSS、IMU等場景：場景數據:如道路拓撲、交通標志標線、交通流、行為模型等訓練訓練算力：大模型大于10億量級GPU hours（小模型僅10-100萬量級）部署部署算力：大模型推理有高算力需求內存：大模型推理激發存

30、儲需求時延：大模型推理時延遠高于智能駕駛i汽車要求其他其他安全：汽車的高功能安全、網絡安全要求，現有大橫型能力難以達到一致性：車輛行為一致性要求高（現有大模型生成內容不穩定）品牌品牌小鵬阿維塔問界極狐車型車型G6/G9/P7i Max版本阿維塔11問界M5/新M7 智駕版阿爾法S HI版本高速高速NOA城市城市NOA選配選配選配價格價格22.99-41.99萬元30.00-39.00萬元27.98-32.98萬元32.98萬元芯片芯片Orin X*2華為MDC810華為MDC610華為MDC810算力算力508TOPS400TOPS544TOPS400TOPS傳感器方案傳感器方案12V5R2L

31、12U（G6/P7i）11V5R2L12U（G9）13V6R3L12U11V3R1L12U13V6R3L12U是否需要高精地圖是否需要高精地圖 是（2024款G9實時生成高精地圖）是是是付費模式付費模式標配高速NOA標配，城市NOA選配，按月訂閱640元，按年訂閱6400元，一次性購買32,000元高速NOA標配，城市NOA選配，按月訂閱720元，按年訂閱7200元，一次性購買36,000元高速NOA標配，城市NOA選配，按月訂閱720元，按年訂閱7200元，一次性購買36,000元無圖方案落地時間無圖方案落地時間2023年下半年2023年年底2023年年底2023年年底落地進展及規劃落地進展

32、及規劃城市NOA開通5城（廣州/深圳/上海/北京/佛山），預計2023年落地50城；2024年落地200城城市NOA開通5城（上海/深圳/廣州/重慶/杭州），預計2023年三季度15城，四季度45城2023年年底無圖版本落地全國城市NOA開通6城（深圳、上海、廣州、北京、重慶、杭州），預計2023年無圖版本Q3落地15城，Q4落地45城142.3 NOA2.3 NOA快速落地快速落地 成為智能化新指標成為智能化新指標 大模型催化下大模型催化下，城市城市NOANOA快速落地快速落地，開啟百城落地規劃開啟百城落地規劃。小鵬及華為合作品牌車企（阿維塔、問界、極狐）走在前列，目前大多仍需依賴高精地圖，

33、無圖方案或將在2023年底落地。泰伯研究院預測到2025年，搭載NOA的車型將有望超過400萬輛，滲透率將有望從2023年的12%增加到32%。2025年高階智能駕駛（NOA）市場規模有望達到520億元，2023-2025年平均年增長率預計為105%。資料來源：泰伯網公眾號，小鵬汽車官網，汽車之家，阿維塔官網，賽力斯官網，極狐汽車官網，汽車之心公眾號等，天風證券研究所主機廠/供應商城市NOA落地進展（截至2023年9月19日）注：表示標配，V/R/L/U分別代表攝像頭/毫米波雷達/激光雷達/超聲波雷達152.3 NOA2.3 NOA快速落地快速落地 成為智能化新指標成為智能化新指標資料來源：蔚

34、來汽車官網，汽車之家，理想汽車官網，英偉達官網，地平線官網，智己汽車官網，騰勢汽車官網等，天風證券研究所品牌品牌蔚來理想理想上汽智己騰勢車型車型全系列車型L7/L8 Air&Pro，L9 ProL7/L8/L9 MaxL7/LS7騰勢N7高速高速NOA選配選配選配城市城市NOA選配未開通未開通選配價格價格42.80-59.80萬元31.98-35.98萬元37.98-45.98萬元28.98-45.98萬元30.18-34.98萬元芯片芯片Orin X*4地平線J5Orin X*2Orin XOrin X算力算力1016TOPS128TOPS508TOPS254TOPS254TOPS傳感器方案

35、傳感器方案11V5R1L12U10V1R12U11V1R1L12U11V5R2L12U13V5R2L12U是否需要高精地圖是否需要高精地圖是是是是未知付費模式付費模式高速NOA和城市NOA選配，NAD按月訂閱680元，NOP+按月訂閱380元標配標配高速NOA選配，選裝包36800元選配，選裝包28000元無圖方案落地時間無圖方案落地時間2023年年底2023年9月公測落地進展及規劃落地進展及規劃NOP+覆蓋全國95%的高速城快道路2023年底開通100城（無圖）高速NOA：2023年12月輻射全國333城；城市NOA：2023年4月開始內測，2023年10月開始公測；通勤NOA：2024年通

36、勤模式，百城齊開，2025年將邁入Door to Door時代全場景通勤高速NOA預計2023年底開通；城市NOA預計2024Q1開通注：表示標配，V/R/L/U分別代表攝像頭/毫米波雷達/激光雷達/超聲波雷達162.3 NOA2.3 NOA快速落地快速落地 成為智能化新指標成為智能化新指標資料來源：極氪官網，懂車帝，魏牌新能源官網，汽車之家，嵐圖汽車官網，百度Apollo等，天風證券研究所品牌品牌極氪長城魏牌長城魏牌嵐圖極越車型車型極氪001新摩卡 DHT PHEV藍山 DHT PHEV新嵐圖FREE極越01高速高速NOA選配選配選配未開通城市城市NOA未開通未開通未開通未開通未開通價格價格

37、26.90萬起23.18萬元30.88萬元26.69萬起步25.99萬元起芯片芯片Mobileye Q5H*2-Apollo Highway Driving Pro智能駕駛系統Apollo 3.0版高階智駕Orin X*2算力算力48TOPS-16/32TOPS508TOPS傳感器方案傳感器方案15V1R13U5V5R12U9V5R12U13V5R12U13V5R2L12U是否需要高精地圖是否需要高精地圖是是是是輕量級高精地圖付費模式付費模式高速NOA選配高速NOA選配，選裝包17000元標配高速NOA選配，選裝包25000元-無圖方案落地時間無圖方案落地時間-落地進展及規劃落地進展及規劃高速

38、NOA 9月正式推送，首開上海杭州兩城，預計2023年底開通15城，啟動20城內測城市NOA預計2024Q1量產落地，2024年落地100城領航輔助智駕功能已經覆蓋全國347個城市高速NOA和城市NOA預計10月底正式落地注：表示標配，V/R/L/U分別代表攝像頭/毫米波雷達/激光雷達/超聲波雷達新變化新變化 新需求新需求317請務必閱讀正文之后的信息披露和免責申明183.1 3.1 云端算力云端算力|是否需要智算中心？智算中心成為下一階段競爭重點是否需要智算中心？智算中心成為下一階段競爭重點 自動駕駛系統的開發自動駕駛系統的開發、驗證驗證、迭代需要算力支持迭代需要算力支持。自動駕駛系統前期開

39、發依賴大量環境數據的輸入，形成貫穿感知、決策、規劃、控制多環節的算法。后期仍需持續輸入數據，對算法進行訓練與驗證，加速自動駕駛迭代落地。同時仿真測試中場景搭建與渲染也需要高算力支持。智算中心承載著訓練自動駕駛系統所需的巨大算智算中心承載著訓練自動駕駛系統所需的巨大算力力。為支撐人工智能計算提供了重要的硬件基礎設施，其底層硬件技術路徑包括GPU、ASIC、FPGA、NPU。根據IDC調研，汽車行業訓練自動駕駛算法的硬件基礎設施以GPU為主，占比61.4%。頭部自動駕駛廠商已布局智算中心頭部自動駕駛廠商已布局智算中心。特斯拉、吉利、小鵬、毫末智行等主要自動駕駛廠商采用不同模式建設云端計算中心用于模

40、型訓練。我們認為，智算中心已成為下一階段競爭重點，能夠幫助車企構建包括數據采集、數據處理、數據標注、模型訓練、測試驗證的數據閉環，從而提升Corner Case數據采集效率、提高模型的泛化能力以及驅動算法的迭代。資料來源：吉利汽車集團公眾號，蓋世汽車智能網聯公眾號，火山引擎公眾號，新智駕公眾號，小鵬汽車官網等，天風證券研究所特斯拉特斯拉吉利吉利小鵬小鵬毫末毫末理想理想公司類型主機廠主機廠主機廠自動駕駛廠商主機廠算力中心名稱1萬塊英偉達H100組成的訓練集群+Dojo星睿扶搖雪湖綠洲（定址山西）上線時間2023年8月2023年1月2022年8月2023年1月2023Q3合作廠商自建阿里云阿里云火

41、山引擎火山引擎算力峰值訓練集群：340 PFLOPS（FP64）Dojo：預計24年10月100 EFLOPS810 PFLOS預計25年：1.2 EFLOPS600 PFLOPS670 PFLOPS750 PFLOPS（FP16）投資金額訓練集群：3億美元Dojo：10億美元10億元-主機廠/自動駕駛廠商智算中心建設情況梳理193.1 3.1 云端算力云端算力|需要多少？預計到需要多少？預計到20252025年將達到年將達到1414-46 EFLOPS46 EFLOPS 預計到預計到20252025年年，智算中心算力需求將達到智算中心算力需求將達到1414-4343 EFLOPSEFLOPS

42、。我們采用兩種測算方法：1）以吉利為基礎，從單車算力需求角度進行測算。星睿智算中心算力預計2025年達到1200PFLOPS，可支持350萬輛在線車輛并行計算，我們預測到2025年總算力需求為14EFLOPS；2）以小鵬為基礎，從數據量角度測算需求。假設小鵬扶搖算力可支撐未來2年每輛車每天10TB數據量的訓練算力，2023E/2024E/2025E中國乘用車銷量分別為2380/2428/2485萬輛，2023E/2024E/2025E中國L2及以上級別智能駕駛滲透率為50%/70%/80%，我們預測到2025年算力需求達到46 EFLOPS。算力需求與車企高階智能駕駛滲透率相關，我們預計到20

43、25年，算力需求區間或為14-46 EFLOPS，按英偉達A100 1萬美元/張價格核算，自動駕駛智算中心僅算力市場規?；驅⑦_到4-15億美元，國產算力產業鏈值得關注。資料來源：懂車帝，英偉達官網，觀研報告網，小鵬汽車官網，小鵬汽車微信公眾號，吉利汽車集團公眾號、佐思汽車研究公眾號、洞見新研社公眾號等，天風證券研究所智算中心算力需求預測-以小鵬為基礎2023E2024E2025E小鵬交付量（萬輛）16 21 28 L2及以上智能駕駛滲透率95%100%100%數據量/年（EB）5227219612023-2025總數據量（EB）3,969中國乘用車銷量（萬輛）2,380 2,4282,485L

44、2及以上智能駕駛滲透率50%70%80%數據量/年（EB）40,85558,35168,2532023-2025總數據量（EB）307,5212025年算力需求為46 EFLOPS假設1.扶搖算力可支持未來2年需求假設2.平均每輛車每天產生10TB數據量假設3.小鵬2023/2024/2025年銷量分別達到16/21/28萬假設4.中國2023/2024/2025年乘用車銷量分別為2380/2428/2485萬輛，L2及以上智能駕駛滲透率達到50%/70%/80%智算中心算力需求預測-以吉利為基礎2025E吉利算力（PFLOPS）1200并行計算數（萬輛）350L2及以上智能駕駛滲透率50%每

45、萬輛算力（PFLOPS/萬輛）7中國乘用車銷量2485L2及以上智能駕駛滲透率80%總算力需求14 EFLOPS假設1.中國2025年乘用車銷量為2485萬輛假設2.2025年我國L2及以上智能駕駛滲透率達到80%注：測算具有一定的主觀假設和極端情況假設，結果僅供參考。203.1 3.1 云端算力云端算力|如何建智算中心？合作如何建智算中心？合作/采購模式為主，自建傾向較高采購模式為主，自建傾向較高 智算中心建設需要綜合考慮需求智算中心建設需要綜合考慮需求、成本成本、能力三大因素能力三大因素。需求上數據是否起量是否需要大算力支持；成本上能否承擔高昂的初始投資成本；能力上是否具備自動駕駛算法自研

46、能力和智算中心建設運營能力。呈現自建呈現自建、合作合作、采購采購/租用三種建設模式租用三種建設模式。1）自研自建為主：需求成本能力均滿足，自研算法、自建算力中心及應用，僅采購部分外部云服務，如特斯拉；2）合作模式：采取核心算法自研，由阿里、百度、騰訊、火山引擎等提供計算中心搭建與運營過程，適用于有算法自研能力，成本有限且智算中心搭建能力有限的廠商；3）采購/租用：外采包括算法、計算資源、應用服務在內的全棧解決方案。合作合作/采購模式為主采購模式為主，自建傾向較高自建傾向較高。我們認為，由于初始成本較高，國內主流自動駕駛廠商大多采取合作模式/采購模式，但從長期成本優勢來看或仍具備較高的自建傾向。

47、我們認為中短期內，算力供應商將存在較大機會，長期自建趨勢下生存空間或將被壓縮，但對其服務和運營能力仍將具有長久需求。資料來源：焉知汽車公眾號，安永智能汽車云服務白皮書，天風證券研究所智算中心建設模式智算中心建設模式優勢優勢:降低研發費用，可加快產品研發落地速度 掌握智駕核心，利用合作伙伴能力反哺自身劣勢：劣勢：難以找到合作的合作伙伴缺乏全棧能力，依賴合作伙伴能力優勢優勢:可快速落地，掌握先機 直接搭建完整解決方案，無需承擔技術風險劣勢：劣勢：需要持續性投資，可能造成邊際成本不斷上漲數據安全和數據隱私問題優勢優勢:規模擴大時邊際成本可收斂，長期成本優勢 可多場景復用 數據安全可靠性高 全棧能力，

48、差異化服務構建競爭有優勢劣勢：劣勢：初始投資過高，面臨資金壓力（超過1億元）項目時間周期過長（3-4個月）數據是否需要大算力支持？需求需求是否能承擔高昂初始投資成本？成本成本是否具備自動駕駛算法自研能力和智算中心建設能力？能力能力1.1.自研自建自研自建2.2.合作建設合作建設3.3.采購采購/租用租用智算中心建設模式及其考慮因素213.2 3.2 車端算力車端算力|如何變化？感知數量質量和場景復雜度驅動算力升級如何變化？感知數量質量和場景復雜度驅動算力升級 感知硬件的數量和性能不斷提升感知硬件的數量和性能不斷提升，邊緣計算需求增加邊緣計算需求增加。自動駕駛級別越高，傳感器配置數量越多，運行產

49、生的數據隨之大量增加。據新戰略低速無人駕駛產業研究所數據，1個200W像素的高清攝像頭24小時錄像需占用4060GB的存儲容量；1個單線激光雷達每小時可產生34GB點云數據；另外，GPS定位系統、車輛位姿等均有數據積累。當一輛自動駕駛車輛每天可以產生數TB，甚至數十TB數據，數據處理能力即為自動駕駛技術驗證的關鍵點之一。若過度依賴云端數據處理分析和指令回傳，就會出現各種數據都往云端傳輸，云平臺數據過多，處理效率降低，時延增大，將極大影響自動駕駛車輛的使用體驗。邊緣計算能預處理數據，過濾掉無用數據再上傳到云端。大模型催化駕駛場景復雜多樣大模型催化駕駛場景復雜多樣，提升算力需求提升算力需求。大模型

50、催化下，NOA不斷從高速道路向城市道路拓展（高速道路-城市快速路-城市主干道-城市次干道-城市支路）。與城市道路相比，高速道路可能的場景和物體相對固定，而城市道路不僅是最主要出行場景（每天僅25%的人出行途徑高速，而城市道路則是 100%），而且環境復雜度更高，同時提升物體識別、感知融合和系統決策算力需求。資料來源：汽車之家，懂車帝，小鵬官網，華夏EV，低速無人駕駛產業聯盟公眾號，天風證券研究所高速和城市行車場景對比特斯拉 VS 小鵬智能駕駛感知硬件與算力特斯拉特斯拉 Model YModel Y小鵬小鵬 G6 MaxG6 Max版本版本車外攝像頭8個120萬像素2個800萬像素+9個200萬

51、像素超聲波雷達1212毫米波雷達15激光雷達02高精地圖無有算力144 TOPS508 TOPS車道保持定速巡航主動剎車自主上下匝道主動變道超車主動避障自主識別交通標志自主進出環島自主識別車位泊車記憶泊車紅綠燈通行、掉頭、并線自主切換車道自主切換到路代客泊車高速場景高速場景城市場景城市場景223.2 3.2 車端算力車端算力|需要多少？算力需求翻倍，或將達到需要多少？算力需求翻倍，或將達到800TOPS800TOPS 車端算力需求翻倍車端算力需求翻倍，達達800800TOPSTOPS以上以上。上汽人工智能實驗室表示，實現L2級自動駕駛只需10Tops以下的算力，即便是實現L4級自動駕駛也只需1

52、00Tops左右的算力，只有到了真正無人駕駛的L5級，才需要1000+Tops的算力?，F實中主機廠具備城市NOA高階智能駕駛功能的車型，算力大多在200-500TOPS左右。沐曦首席產品官孫國梁指出，在車端部署大模型并能實現既定任務，算力至少要達到300500TOPS。我們認為，模型優化或可降低算力要求，但考慮到未來場景復雜度的增加，數據量增加，以及視覺感知占比增加（相對基于規則），車端算力或將翻倍達800TOPS以上。大模型同時對芯片效能有更高要求大模型同時對芯片效能有更高要求。除了對算力有更高要求外，Transformer大模型對芯片效能有更高要求，主要體現在：1）CNN模型以卷積和矩陣乘

53、等計算密集型算子為主（目前大多芯片是以CNN模型為出發點設計的），而Transformer是以訪存密集型算子為主的，對帶寬和存儲有較高要求；2）Transformer是浮點矢量矩陣乘法累加運算，而目前智能駕駛芯片基本均針對INT8的。智能駕駛芯片廠商正在加強芯片對Transformer的適配，如英偉達在新一代GPU中特別增加了Transformer引擎。資料來源：英偉達官網，黑芝麻官網，愛芯元智官網，佐思汽車研究公眾號，地平線HorizonRobotics公眾號等，天風證券研究所智能駕駛芯片廠商加強芯片對Transformer的適配廠商廠商芯片芯片內容內容英偉達Thor（2000TOPS）支持

54、 8 位浮點（FP8）的精度，首個采用推理 Transformer 引擎的NVIDIA自動駕駛汽車平臺。地平線征程5（128TOPS）構建面向大參數的Transformer的統一的計算架構，在架構上面優化它的計算效率，降低功耗，打造芯片+工具鏈開放平臺。黑芝麻A1000（58TOPS）已將開發的BEV模型部署到華山二號A1000芯片上，同時還可部署在最新發布的武當系列C1200芯片上愛芯元智M55（8TOPS）M76（60TOPS）混合精度NPU通過豐富的算子和指令集優化，支持BEV與Transformer布署智能駕駛算力需求持續增長233.33.3 感知端感知端|車載攝像頭數量質量齊升車載攝

55、像頭數量質量齊升 單車搭載的攝像頭數量將增加單車搭載的攝像頭數量將增加。Yole報告指出，L1L2級自動駕駛功能僅需前后兩顆攝像頭，L2+級則需要引入ADAS前視感知攝像頭，加上4顆環視，共計需要5顆攝像頭。實際主機廠為后續OTA升級預留冗余，單車攝像頭配置遠超本級ADAS所需的攝像頭數量，如特斯拉Model 3搭載9顆高清攝像頭，蔚來、小鵬、理想車型攝像頭數量達到10-13顆。攝像頭像素要求升級攝像頭像素要求升級。大模型提高對感知數據的精細化要求，高分辨率圖像數據可以作為深度學習模型中更新和優化其架構的參數的數據源，車載攝像頭向800萬像素或更高像素級別升級。尤其是前視攝像頭，前視需要解決的

56、場景最多，目標識別任務最復雜，比如遠距離小目標識別，近距離目標切入識別，高級別自動駕駛車輛中都在規劃應用800萬級別的高清像素攝像頭，用于對更遠距離的目標進行識別和監測。目前具備800W像素攝像頭模組生產能力的廠商還比較少，比如說舜宇、聯創電子等。百度Apollo 聯合索尼半導體方案公司、聯創電子（LCE）與黑芝麻智能，全球首創超1500萬高像素車載攝像頭模組。資料來源：小鵬官網，阿維塔官網，蓋世汽車社區公眾號，焉知汽車公眾號，Apollo智能駕駛公眾號等，天風證券研究所L1-L3自動駕駛等級所需車載攝像頭數量主機廠主機廠車型車型上市時間上市時間攝像頭搭載情況攝像頭搭載情況特斯拉Model S

57、20141顆前置攝像頭特斯拉Model 320169顆120萬像素的高清攝像頭小鵬P720209顆高感知攝像，4顆環視攝像頭蔚來ET720217顆800萬像素ADAS攝像頭、4顆300萬像素環視攝像頭吉利極氪001202115顆攝像頭，其中有7顆800萬像素攝像頭阿維塔科技阿維塔11202213顆高清攝像頭，包括9個ADAS攝像頭、4個環視攝像頭243.33.3 感知端感知端|無圖方案頻出，逐步降低對高精地圖依賴無圖方案頻出，逐步降低對高精地圖依賴 為什么要去高精地圖為什么要去高精地圖？高精度地圖作為先驗信息，可以給自動駕駛提供大量的安全冗余，在數據和算法尚未成熟之前，主機廠依賴程度較高。脫圖

58、原因主要在于：1）高精地圖存在更新周期漫長、成本高昂、圖商資格收緊等弊端，限制了高階自動駕駛大規模商業化的可能性。2）構建數據閉環，形成對算法模型的迭代升級反哺車端。如何實現去高精地圖如何實現去高精地圖？特斯拉引入車道線網絡及新的數據標注方法，將車道同時線標注為一系列點，每個點有自己明確的語義（如“起始、并線、分叉、結束”等），從而形成完整的車道線連通關系圖，幫助FSD補足對高精地圖的需求。國內自動駕駛頭部公司去高精地圖后或采取車端實時建圖方案，通過安裝在車輛上的相機等傳感器來構建車輛行駛過程中周圍的環境地圖。無圖方案頻出無圖方案頻出，逐步降低對高精地圖依賴逐步降低對高精地圖依賴。目前小鵬、華

59、為等頭部主機廠發布無高精地圖的高階智能駕駛方案，并定下量產時間表，華為、毫末、元戎啟行等自動駕駛公司也加入其中，自動駕駛算法“重感知，輕地圖”趨勢明確。另一方面，百度、騰訊、四維等圖商近期也釋放輕地圖傾向，提供“精簡版”高精地圖，比如騰訊的HD AIR，四維圖新的場景地圖。資料來源：阿波羅智路實驗室，華為官網，蓋世汽車智能網聯公眾號，蓋世汽車社區公眾號等，天風證券研究所華為 ADS 2.0 去高精地圖方案主機廠/供應商高精地圖替代方案主機廠主機廠時間時間替代高精地圖的方法替代高精地圖的方法小鵬2023年9月使用Xnet深度視覺感知神經網絡，實時生成3D高精地圖理想2023年6月通過NPN特征和

60、TIN網絡，配合BEV大模型，能夠準確識別城市中的復雜路口和信號燈通行意圖，從而實現去高精地圖的能力華為2023年4月已實現基于Transformer的BEV架構，ADS 2.0進一步升級，基于道路拓撲推理網絡進一步增強，即使無高精地圖也能看懂路，紅綠燈等各種道路元素，使得無圖也能開。百度2023年8月Apollo 將使用純視覺感知，同時輔以激光雷達，實現“純視覺+激光雷達”的感知冗余，以提供連貫的城市駕駛；Apollo 使用“輕量級高精地圖”方案，比行業通用的傳統高精地圖要“輕”近80%元戎啟行2023年3月發布不依賴高精地圖的新一代自動駕駛方案DeepRoute-Driver 3.0小馬智

61、行2023年4月通過感知模塊、預測模塊等所有模塊的提升不強依賴高精地圖253.33.3 感知端感知端|激光雷達仍作為重要傳感器，長期需求或將見頂激光雷達仍作為重要傳感器，長期需求或將見頂 BEVBEV技術能夠提供全局視角下的環境感知下技術能夠提供全局視角下的環境感知下，融合兩個信息源提供最大的安全保障融合兩個信息源提供最大的安全保障。激光雷達在距離和空間信息方面具有精度優勢，搭載激光雷達的多傳感器融合感知方案可通過互補達到全環境感知能力，可為高級別自動駕駛提供安全冗余。特斯拉在感知領域引入占用網絡模型，在不定義具體物體的情況下，去確定物體在三維空間中的位置及速度運動，來實現類似激光雷達的感知效

62、果。我們認為國內主機廠在機器視覺算法進步的過程中，預計仍將激光雷達作為重要的補充傳感器，由此可減少在視覺領域所需積累的數據量，但長期來看需求或將見頂，未來主機廠預計將逐漸降低對激光雷達的依賴。通過技術迭代和大規模量產實現降本通過技術迭代和大規模量產實現降本。根據天風電子團隊報告后智能手機時代光學看什么？光學標的未來誰能走出來？，激光雷達掃描方式從機械式到半固態是降本第一步?；旌瞎虘B式比機械式成本低的主要原因在：1）發射&接收端：相比于機械式激光雷達，激光器收發模塊數量明顯減少；2）掃描端：機械式收發模塊動，系統復雜度高，電機成本高+調整測試難度大。激光器收發芯片集成化+MEMS 規?；慨a是降

63、本第二步。資料來源：禾賽科技招股說明書，微迷，電動汽車觀察家公眾號，天風證券研究所激光雷達規?；慨a可實現快速降本激光雷達不同環節降本技術路徑發射端發射端掃描端掃描端接收端接收端信息處理信息處理EELVSCELVSCEL陣列機械式半固態純固態PD/APDSPAD/SPiMFPGASoC傳統毫米波雷達傳統毫米波雷達4D4D毫米波雷達毫米波雷達核心區別核心區別縱向天線無有天線數少多通道數3發4收/2發4收為代表12發16收/48發48收等核心參數核心參數俯仰角度無優于2度方位角分辨率5-8度1度精度0.3度0.1度最遠探測距離200m300m，短/中/長三種模式點云有限返回信息數十倍的返回信息點、

64、高密度點云功能優化功能優化靜止識別識別難度大可適應復雜路況橫向移動障礙物檢測識別難度大可適應復雜路況相鄰人/物區分不可區分可區分高度識別高出物體喝地面車輛難以區分可在150m出區分地物和立交橋隱藏車輛探測幾率20%80%263.33.3 感知端感知端|向向4D4D成像毫米波雷達升級，或將替代低線激光雷達成像毫米波雷達升級，或將替代低線激光雷達 4 4D D成像毫米波雷達或將完全替代成像毫米波雷達或將完全替代3 3D D毫米波雷達毫米波雷達，有望對低線激有望對低線激光雷達形成替代光雷達形成替代。4D毫米波成像雷達相對于傳統毫米波雷達增加了俯仰角度的信息感知能力，可對縱向目標進行高分辨率地識別；“

65、成像”則類似于激光雷達的點云成像效果。與傳統毫米波相比，4D成像雷達的射頻收發通道數量多出十倍以上，隨著俯仰角分辨率大大提高，能夠對目標和環境呈現出豐富的點云圖像以及距離、速度和角度信息，可以適應更多復雜路況(如較小物體、遮擋物體以及靜止物體和橫向移動障礙物檢測等)。與激光雷達相比，部分指標近似達到16線激光雷達性能，但成本僅為激光雷達十分之一。我們認為 4D 毫米波雷達是較為經濟、穩定的車載傳感器，或將完全替代3D毫米波雷達，并替代低線激光雷達，與高線激光雷達形成互補，后續或將逐步滲透放量。4 4D D毫米波雷達在中高端車型及自動駕駛服務車型中快速滲透毫米波雷達在中高端車型及自動駕駛服務車型

66、中快速滲透。特斯拉基于全新的自動駕駛硬件HW4.0，首次在S/X的車型上搭載了4D毫米波雷達。根據天風電子團隊報告4D 毫米波雷達：平衡成本&性能的標配傳感器，自動駕駛再添新翼,除Tesla 外，價格在 40 萬元以下的理想車型和價格在 70 萬以上的寶馬車型、以及通用收購的 Cruise 自動駕駛服務車均于近兩年完成了 4D 毫米波雷達布局。同時大陸、采埃孚等汽車 Tier-1 巨頭基本完成對該領域的布局。資料來源：九章智駕公眾號，智車行家公眾號，佐思汽車研究公眾號等，天風證券研究所4D毫米波雷達與傳統毫米波雷達對比4D毫米波雷達與激光雷達對比激光雷達激光雷達4D4D毫米波雷達毫米波雷達廠商

67、廠商-產品產品速騰聚創 RS-LiDAR(16)森斯泰克 STA77-6最遠探測距離150m280mHFOV360120VFOV+15知-1524水平角分辨率0.09至0.362垂直角分辨率24273.5 3.5 執行端執行端|有望加快線控底盤環節國產化進程有望加快線控底盤環節國產化進程 高階智能駕駛落地進行加快下高階智能駕駛落地進行加快下，執行端的線控底盤重要性凸顯執行端的線控底盤重要性凸顯。線控底盤由線控換擋、線控油門、線控懸架、線控轉向、線控制動五大環節組成。線控底盤以電信號代替機械信號，可實現人機解耦，更加適用于自動駕駛車輛。隨著高階智能駕駛的發展，車輛的行駛過程中機器駕駛比例提升，駕

68、駛員百公里接管次數逐漸下降。為保證整車在機器駕駛過程中的安全性，高階自動駕駛車輛在執行層的設計中，需要在制動、轉向等關鍵執行環節實現雙重甚至多重冗余。而考慮到車內空間、信號傳導機制、響應精度等因素，以線控結構替代機械式結構則是實現執行器多重安全冗余的必要條件?？春脟a線控底盤零部件供應商崛起機會看好國產線控底盤零部件供應商崛起機會。目前，線控制動、線控轉向主要由外資Tier1主導，行業競爭格局集中。線控制動主要由博世、大陸和采埃孚天合主導，中國線控制動市場中博世市占率約90%。線控轉向行業處于起步階段，博世、捷太格特、采埃孚天合等傳統電動助力轉向系統巨頭布局較早，已推出概念車型，技術較為領先。

69、國內眾多線控底盤技術布局者包括深耕底盤技術的上市公司伯特利、亞太、拓普等，以及創業型線控底盤供應商拿森、英創匯智、同馭、格陸博等。我們認為國內供應商專注細分賽道，由單點逐步延伸，向線控底盤發展，并具備快速響應和技術開放的優勢，在行業放量國產替代的共同作用下，看好國產供應商機會。資料來源：博世官網，車東西公眾號，久謙資本公眾號，ATC汽車底盤公眾號等，天風證券研究所iBoosterESPTwo BoxTwo BoxOne BoxOne BoxIPB線控制動線控轉向EPSSbW線控制動與線控轉向283.4 3.4 商業模式商業模式|訂閱模式或成主流訂閱模式或成主流 伴隨城市伴隨城市NOANOA逐漸

70、落地逐漸落地，訂閱模式開始興起訂閱模式開始興起。蔚來7月1日起NOP+將升級為正式版并開啟訂閱，訂閱價格為380元/月。2023年6月30日阿維塔開放ADS高階功能訂閱，提供按月/年/一次性訂閱三種模式，官方定價分別為640元/6,400元/32,000元。消費者對智駕支付意愿較高消費者對智駕支付意愿較高，且更偏愛高靈活性的智駕付費方且更偏愛高靈活性的智駕付費方式式。根據2023麥肯錫中國汽車消費者洞察，消費者對自動泊車、高速/高架NOA，以及城市NOA三類自動駕駛功能均體現了較高興趣，其中自動泊車、高速/高架NOA因為工況簡單關注度更高，隨著主機廠功能逐漸落地，其需求有望得到提升。自動駕駛支

71、付方式按支付靈活性由低到高可分為一次性購買、按年訂閱、按月訂閱、按實際使用里程訂閱，據麥肯錫數據顯示，支付靈活性越高，消費者為城市 NOA 支付費用的意愿越高。訂閱模式有望激發城市NOA滲透。我們認為訂閱模式有望進一步促進數據回收實現智能駕駛系統我們認為訂閱模式有望進一步促進數據回收實現智能駕駛系統持續迭代持續迭代。自動駕駛迭代需要通過海量測試解決邊緣、長尾場景，需要盡可能快速地獲取大量高質量場景數據，對于車企來講，整車銷量多少、智駕系統使用率直接關系到數據回收的質與量。訂閱模式提升用戶支付意愿下有望促進數據回收實現智駕系統持續升級。資料來源：蔚來官網，阿維塔官網，麥肯錫，天風證券研究所一次性

72、購買一次性購買年度訂閱年度訂閱月度訂閱月度訂閱按公里付費按公里付費高速NOA100100100100城市NOA101119123130自動泊車10712194不適用消費者對不同自動駕駛功能的付費意愿（麥肯錫中國汽車消費者調研）注：高速NOA作為價格基數（100），數字越高代表支付意愿越高75%60%75%0%20%40%60%80%100%高速NOA城市NOA自動泊車需要不需要消費者對各類自動駕駛功能需求情況（麥肯錫中國汽車消費者調研）風險提示風險提示429請務必閱讀正文之后的信息披露和免責申明30風險提示風險提示宏觀經濟及汽車行業景氣度下滑：新能源車需求不及預期，持續降價或減產風險，整車產能

73、爬坡不及預期。大模型應用速度或效果不及預期：超算平臺算力建設及其他智能駕駛相關新技術兌現不及預期。高階自動駕駛消費者接受意愿不及預期：城市NOA推進不及預期，自動駕駛輔助系統選裝率不及預期。測算具有一定的主觀性和極端情況假設，結果僅供參考。31請務必閱讀正文之后的信息披露和免責申明股票投資評級自報告日后的6個月內，相對同期滬深300指數的漲跌幅行業投資評級自報告日后的6個月內，相對同期滬深300指數的漲跌幅買入預期股價相對收益20%以上增持預期股價相對收益10%-20%持有預期股價相對收益-10%-10%賣出預期股價相對收益-10%以下強于大市預期行業指數漲幅5%以上中性預期行業指數漲幅-5%

74、-5%弱于大市預期行業指數漲幅-5%以下投資評級聲明投資評級聲明類別類別說明說明評級評級體系體系分析師聲明分析師聲明本報告署名分析師在此聲明：我們具有中國證券業協會授予的證券投資咨詢執業資格或相當的專業勝任能力，本報告所表述的所有觀點均準確地反映了我們對標的證券和發行人的個人看法。我們所得報酬的任何部分不曾與，不與，也將不會與本報告中的具體投資建議或觀點有直接或間接聯系。一般聲明一般聲明除非另有規定，本報告中的所有材料版權均屬天風證券股份有限公司（已獲中國證監會許可的證券投資咨詢業務資格）及其附屬機構（以下統稱“天風證券”）。未經天風證券事先書面授權，不得以任何方式修改、發送或者復制本報告及其

75、所包含的材料、內容。所有本報告中使用的商標、服務標識及標記均為天風證券的商標、服務標識及標記。本報告是機密的，僅供我們的客戶使用，天風證券不因收件人收到本報告而視其為天風證券的客戶。本報告中的信息均來源于我們認為可靠的已公開資料，但天風證券對這些信息的準確性及完整性不作任何保證。本報告中的信息、意見等均僅供客戶參考，不構成所述證券買賣的出價或征價邀請或要約。該等信息、意見并未考慮到獲取本報告人員的具體投資目的、財務狀況以及特定需求，在任何時候均不構成對任何人的個人推薦?？蛻魬攲Ρ緢蟾嬷械男畔⒑鸵庖娺M行獨立評估，并應同時考量各自的投資目的、財務狀況和特定需求，必要時就法律、商業、財務、稅收等方

76、面咨詢專家的意見。對依據或者使用本報告所造成的一切后果，天風證券及/或其關聯人員均不承擔任何法律責任。本報告所載的意見、評估及預測僅為本報告出具日的觀點和判斷。該等意見、評估及預測無需通知即可隨時更改。過往的表現亦不應作為日后表現的預示和擔保。在不同時期，天風證券可能會發出與本報告所載意見、評估及預測不一致的研究報告。天風證券的銷售人員、交易人員以及其他專業人士可能會依據不同假設和標準、采用不同的分析方法而口頭或書面發表與本報告意見及建議不一致的市場評論和/或交易觀點。天風證券沒有將此意見及建議向報告所有接收者進行更新的義務。天風證券的資產管理部門、自營部門以及其他投資業務部門可能獨立做出與本報告中的意見或建議不一致的投資決策。特別聲明特別聲明在法律許可的情況下，天風證券可能會持有本報告中提及公司所發行的證券并進行交易，也可能為這些公司提供或爭取提供投資銀行、財務顧問和金融產品等各種金融服務。因此，投資者應當考慮到天風證券及/或其相關人員可能存在影響本報告觀點客觀性的潛在利益沖突，投資者請勿將本報告視為投資或其他決定的唯一參考依據。