前瞻研究院：數據驅動時代“車路云一體化”加速自動駕駛商業化進程（2023）（35頁）.pdf

《前瞻研究院：數據驅動時代“車路云一體化”加速自動駕駛商業化進程（2023）（35頁）.pdf》由會員分享，可在線閱讀，更多相關《前瞻研究院：數據驅動時代“車路云一體化”加速自動駕駛商業化進程（2023）（35頁）.pdf（35頁珍藏版）》請在三個皮匠報告上搜索。

1、數據驅動時代數據驅動時代“車路云一體化”加速自動駕駛商業化進程“車路云一體化”加速自動駕駛商業化進程前瞻產業研究院出品目錄目錄CONTENT01 自動駕駛從“規則驅動”進入“數據驅動”時代自動駕駛從“規則驅動”進入“數據驅動”時代03“車路云一體化”加速自動駕駛商業化進程“車路云一體化”加速自動駕駛商業化進程02 數據閉環能力成為自動駕駛規?；涞仃P鍵因素數據閉環能力成為自動駕駛規?；涞仃P鍵因素04 數據驅動時代，自動駕駛代表企業實踐數據驅動時代，自動駕駛代表企業實踐011.1 自動駕駛技術架構演變歷程自動駕駛技術架構演變歷程1.2“規則驅動”核心要素“規則驅動”核心要素1.3“數據驅動”核

2、心要素“數據驅動”核心要素1.1.1 仍處于自動駕駛初始階段，隨著等級提升算力要求成倍提升資料來源：SAE；汽車駕駛自動化分級（GB/T 40429-2021）；智能網聯汽車技術路線圖2.0；前瞻產業研究院整理02243204000+完全自動駕駛L5高度自動駕駛L4有條件自動駕駛L3部分自動駕駛L2輔助駕駛L1輔助信息交互網聯協同感知網聯決策控制網聯化網聯化智能化智能化L1單車智能+車內交互L2單車智能+車外交互L3車隊智能+網聯協同智能化為主智能化為主智能化與網聯化融合L4/L5車流智能+網聯協同智能化與網聯化深度融合當前所處發展階段特定場景下自動駕駛2025年年當前當前2030年年2035

3、年年自動駕駛發展目標自動駕駛發展目標TELOPSTELOPSTOPSTOPS10 x10 x10 x1.1.2 自動駕駛技術開始步入數據驅動時代資料來源：前瞻產業研究院整理自動駕駛行業可以被分成三個時代：1.0時代是硬件驅動，主要依靠激光雷達和人工規則的認知方式提供自動駕駛方案；2.0時代是軟件驅動，特點是傳感器單獨輸出結果，用小模型和少數據的模式提供自動駕駛方案；3.0時代是數據驅動時代，采用多模態傳感器聯合輸出結果，用大模型大數據的模式提供自動駕駛方案。硬件驅動時代硬件驅動時代（自動駕駛（自動駕駛1.0）軟件驅動時代軟件驅動時代（自動駕駛（自動駕駛2.0）數據驅動時代數據驅動時代（自動駕駛

4、（自動駕駛3.0）里程規模：100萬公里感知方式：激光雷達認知原則：人工規則里程規模：100萬-1億公里感知方式：傳感器單獨輸出結果認知原則：人工規則應用模型：小模型小數據里程規模：1億公里以上感知方式：多模態傳感器聯合輸出結果認知原則：可解釋的場景化駕駛常識應用模型：大模型大數據1.2.1“規則驅動”的硬件基礎雷達通過發射無線電波，檢測反射信號來感知周圍環境，適用于自動駕駛中的距離測量和物體檢測。雷達傳感器雷達傳感器激光雷達通過激光束掃描物體，收集反射光信息，實現高精度三維成像，用于自動駕駛的實時地圖構建和物體識別。激光雷達傳感器激光雷達傳感器攝像頭捕捉二維圖像，通過圖像處理算法分析物體形狀

5、、顏色和運動狀態，用于自動駕駛中的道路線識別和車輛檢測。攝像頭傳感器攝像頭傳感器毫米波雷達利用電磁波在毫米波段的高分辨率，實現遠距離和高精度的目標檢測，適用于自動駕駛的巡航控制和盲點監測。毫米波雷達傳感器毫米波雷達傳感器超聲波通過發射和接收聲波，測量距離和速度，適用于自動駕駛中的近距離物體檢測和停車輔助功能。超聲波傳感器超聲波傳感器自動駕駛汽車感知更加精準，離不開車載攝像頭、毫米波雷達、超聲波雷達、激光雷達等感知硬件，其中，超聲波雷達、毫米波雷達和激光雷達主要用于測量距離、速度和障礙物，車載攝像頭主要用于圖像采集和識別，感知硬件各司其職，讓自動駕駛汽車可以獲取更多的道路信息。1.2.2“規則驅

6、動”的軟件基礎規則驅動自動駕駛的軟件基礎除了底層驅動和實時操作系統外,上層應用主要包括感知層、規劃層和控制層等程序。在技術上，以各類感知算法、定位算法和規控算法為核心。路徑路徑/軌軌跡規劃跡規劃行為決行為決策策橫縱向橫縱向解耦控解耦控制制橫縱向橫縱向協同控協同控制制規控規控絕對定絕對定位位定位定位融合定融合定位位相對定相對定位位感知感知融合感融合感知知直接直接/間間接感知接感知獨立感獨立感知知全球衛星定位系統GNSS，如GPS、北斗等，可以輔助車輛確定其在地球上所處位置，但其精度一般是米需級，不能滿足車輛自動駕駛厘米級要求，一般要RTK差分技術輔助，才能實現厘米級定位精度。定位算法定位算法目前

7、應用最廣的方法是間接感知，即通過感知周圍物體的距離、速度、形狀等，構建駕駛態勢圖，進行規劃、控制，間接作用于駕駛操作系統。感知算法感知算法規劃、控制的目的，一是對車輛遠動進行全局規劃、行為決策、局部規劃；二是精準控制車輛按規劃軌跡行駛。全局路徑規劃、后部軌跡規劃，本常用的搜索算法為A*算法；控制算法，最常用的是經典控制算法PID控制。規控算法規控算法1.3.1 軟件算法大模型式演化，自動駕駛進入3.0時代能力突破與模型統一能力突破與模型統一 在云端實現感知大模型和認知大模型的能力突破 車端各類小模型逐步統一為感知模型和認知模型 控制模塊AI模型化大模型化大模型化 車端智駕系統全鏈路模型化 小模

8、型逐漸統一到大模型內模型提升模型提升 云端大模型逐步提升車端感知能力自動駕駛大模型鋪開自動駕駛大模型鋪開 端到端的自動駕駛大模型在車端、云端全面鋪開自動駕駛3.0時代與2.0時代相比，其開發模式和技術框架都將發生顛覆性的變革。在自動駕駛2.0時代，以小數據、小模型為特征，以Case任務驅動為開發模式。而自動駕駛3.0時代，以大數據、大模型為特征，以數據驅動為開發模式。資料來源：毫末智行 前瞻產業研究院整理控制算法車端控制模型規控算法車/云端認知模型感知算法車端感知模型規模規模圍繞真實道路場景，數據規模更大、多樣性更充分，行駛里程將邁進1 億公里級。感知感知以大模型AI為基礎，雷達、視覺等傳感器

9、聯合工作，多模態共同輸出結果。認知認知在各類場景下模擬人的認知行為，結合人類的駕駛常識決策，提高行車舒適性。1.3.2 數據閉環是自動駕駛3.0的核心要素數據閉環是指從從車端數據采集，到處理后形成有效數據集，再通過云服務器進行存儲、運輸，經過算法模型訓練、驗證后，將有效數據成果部署上車，各環節相互連接，形成的自動駕駛數據循環。資料來源：華為、億歐智庫、前瞻產業研究院整理自動駕駛數據閉環自動駕駛數據閉環數據數據采集采集數據數據傳輸傳輸數據數據存儲存儲數據數據處理處理數據數據挖掘挖掘數據數據清洗清洗數據數據標注標注仿真仿真場景場景模型模型訓練訓練模型模型優化優化模型模型驗證驗證模型模型部署部署智能

10、電動車數據集云存儲算法模型 車載攝像頭 激光雷達 傳感器 總線通信 無線通信 本地存儲 云存儲 數據檢索 數據分組 在線挖掘 離線挖掘 人工標注 自動標注 檢測模型 分割模型.NAS 量化 成熟的自動駕駛數據閉環特征成熟的自動駕駛數據閉環特征過程完整且循環過程完整且循環數據采集和應用流程完整，且“數據流”過程可重復，實現數據全跑通、數據全循環。流程高效且自動流程高效且自動海量數據可以被高效的處理，同時以自動化工具和算法數據可減少人工干預，加快數據的加工。結果可追溯預測結果可追溯預測對于產生的數據結果是可以追溯到不同的環節，同時可根據數據進行一定的結果預測。022.1 數據閉環發展歷程數據閉環發

11、展歷程2.2 數據閉環核心技術數據閉環核心技術2.3 數據閉環發展痛點數據閉環發展痛點2.1 自動駕駛數據閉環發展歷程自動駕駛數據閉環從2013年開始初露頭角，但由于當時僅有部分測試車上路，數據量較少，僅能實現簡單的反饋循環機制。隨著自動駕駛技術從L0邁入L2/L3，早期的數據閉環難以滿足自動駕駛的需求，數據閉環從1.0邁向2.0，未來也將朝著更商業化的3.0邁進。目前我國的自動駕駛數據閉環正處于高效驅動升級的第二階段，未來的數據處理能力和自動運轉能力將大幅提升，商業落地效益更好，生態建設更完善。資料來源：億歐 前瞻產業研究院整理自動駕駛數據閉環的發展歷程自動駕駛數據閉環的發展歷程1.0 階段

12、：階段：2017-2017閉環通路初步構建2.0 階段：階段：2018-2024數據驅動閉環升級3.0 階段：階段：2025-2030場景豐富商業生態自動駕駛初期的數據閉環較簡單，一般僅有通路構建，后在測試車上發現問題并上傳。由工程師們分析錯誤報告，并找出原因，由此修改代碼并在下次更新后子以解決。初期的閉環較為傳統和簡單，同時效率較低，多個環節需要人工輔助出現問題上傳錯誤數據分析數據重寫代碼運行測試上線應用自動駕駛初始數據閉環體系自動駕駛初始數據閉環體系隨著技術的進步和自動駕駛等級的發展，傳統的數據閉環已經完全不能適應快速迭代的自動駕駛產業和處理指數級增長的數據量。這一階段，面向更大規模數據的

13、閉環及相應技術和服務被車企及供應商廣泛應用。數據分析數據分析異構計算靈活高效數據標注數據標注算法輔助自動標注模型訓練模型訓練數據驅動自動迭代測試驗證測試驗證數據驅動自動迭代數據采集數據采集車端篩選覆蓋長尾數據回流數據回流回收處理安全存儲未來，自動駕駛數據閉環將進一步迭代升級，逐步從測試車小規橫量產大規模量產進行穩步應用，面流暢、安全的賦能多樣化自動駕駛場景，從車、路、云多端助力自動駕駛的終極目標實現。自動駕駛初始數據閉環體系自動駕駛初始數據閉環體系云服務賦能底座云服務賦能底座車端閉環車端閉環路端閉環路端閉環車路協同一體化車路協同一體化測試場景測試場景高速場景高速場景低等級自動低等級自動駕駛場景

14、駕駛場景高等級自動高等級自動駕駛場景駕駛場景2.2.1 數據閉環核心技術云服務平臺隨著數據量的激增，自動駕駛下的存儲面臨海量數據傳輸、數據處理、數據合規等問題，而自動駕駛的云服務平臺包括數據采集、數據管理、數據標注、模擬仿真、算法迭代等。目前國外車企基本使用的是微軟云，而國內車企主要使用阿里云、騰訊云、百度云和華為云。資料來源：阿里云 億歐 騰訊云 前瞻產業研究院整理自動駕駛存儲面臨的挑戰自動駕駛存儲面臨的挑戰數據數據傳輸傳輸每天龐大的數據量，人工扛硬盤的方式不可取，長距離數據傳輸成了大問題。數據數據處理處理小文件高吞吐處理，如某碰撞仿真業務可持續產生10GB/s的數據讀寫，如何保障吞吐與性能

15、。高額高額成本成本高性能讀寫+永久保存的數據帶來高昂的存儲成本數據數據合規合規因地理信息管制，自動駕駛采集的數據需滿足法規約定的標準自動駕駛云平臺架構自動駕駛云平臺架構自動駕駛云服務應用情況自動駕駛云服務應用情況自動駕駛云平臺服務自動駕駛云平臺服務數據采集數據采集數據管理數據管理專業采集眾包采集量產回傳數據合作數據清洗場景提取場景庫數據回放數據標注數據標注算法訓練算法訓練模擬仿真模擬仿真仿真模板算法導入場景導入并行仿真任務模板資源管理多引擎聯合仿真仿真評測仿真評測算法迭代算法迭代RD功能乘客體驗行車安全法律法規OTA規模路測Corner Case數據合規處理數據合規處理調度、服務、標準化調度、

16、服務、標準化分布式存儲分布式存儲內置場景庫內置場景庫標注成果庫標注成果庫生產數據生產數據自動駕駛容器服務平臺Kubernetes/DockerGPU、CPU存儲、高速網絡2.2.2 數據閉環核心技術數據標注數據標注對于自動駕駛技術的發展非常重要，只有通過大量的數據標注才能訓練出高質量的自動駕駛模型。相較于傳統的純人工標注方式，可以節省30-40%的成本，并提高30%的處理效率。以3D圖片為例，其AI全自動標注的日均產能為20K張，比AI輔助標注的日均產能高5K張，比人工標注的日均產能高10K張。Appen、海天瑞聲、數據堂在2021-2022年間智能駕駛數據標注業務漲幅極高，表明行業需求旺盛。

17、標注方式標注方式解析解析車道線標注車道線標注是一種對道路地面標線進行的綜合標注，包括了區域標注、分類標注以及語義標注,應用于訓練自動駕駛根據車道見則進行行駛。2D車輛/行人標框標注 主要應用于對車輛與行人的基礎識別。車輛多邊形標注主要應用用于對車輛類型的識別,例如面包車、卡車、大客車、小轎車等,訓練自動駕駛在道路行駛時選擇性跟車或者變道操作。指示牌/信號燈標注標注包括區域標注、分類標注以及語義標注區域分割標注包括了區域標注、分類標注以及語義標注行進方向標注應用于訓練自動駕駛判斷行人或車輛前進方向，規避行人或車輛。3D雷達標注主要應用在自動駕駛虛擬現實(VR)訓練場景的搭建。3D車輛標注主要應用

18、于訓到練自動駕駛對會車或超車車輛的體積判斷。視頻跟蹤標注將視頻數據按照圖片幀抓取進行標框標注,標注后的圖片幀按照順序重新組合成視頻數據訓練自動駕駛。資料來源：前瞻產業研究院整理常見自動駕駛標注方法常見自動駕駛標注方法不同標注之間的對比不同標注之間的對比人工標注人工標注AI輔助標注輔助標注AI全自動標注全自動標注固定人員300人人+2D日均50k張張3D日均10k張張2D日均75k張張3D日均15k張張2D日均100k張張3D日均20k張張2.2.3 數據閉環核心技術仿真測試自動駕駛仿真測試以場景庫作為基礎，仿真平臺作為核心，評價體系作為關鍵，應用構成三者緊密相連且相互促進，場景庫的建設需要仿真

19、平臺和評價體系作為指導，仿真平臺的發展進化需要場景庫和評價體系作為支撐，而評價體系的建立和完善也需要以現有的場景庫和仿真平合作為參考基礎。根據ICVTank的數據，到2025年全球自動駕駛仿真平臺的規模將達到200億美元。資料來源：PLUG&PLAY CHINA,ICVTank 前瞻產業研究院整理自動駕駛仿真測試應用構成自動駕駛仿真測試應用構成51142961592000501001502002502020202120222023E2024E2025E2020-2025年全球自動駕駛仿真市場規模（億美元）年全球自動駕駛仿真市場規模（億美元）據ICVTank估計，全球自動駕駛仿真市場規模將出現爆

20、發式增長，由2020 年的5 億美元增長至至2025 年至少年至少200 億美元億美元，5 年年CAGR 為為109%。010302仿真測試評分體系評分體系仿真平臺仿真平臺場景庫場景庫數據來源：數據來源：真實數據、模擬數據以及根據真實場景數據合成的仿真數據典型測試場景典型測試場景：自然駕駛場景、危險工況場景、標準法規場景、參數重組場景場景庫場景庫仿真平臺一般包括仿真框架、物理引擎和圖形引擎。仿真框架是平臺軟件平臺的核心仿真框架是平臺軟件平臺的核心，支持傳感器仿真、車輛動力學仿真、通信仿真、交通環境仿真等。仿真平臺仿真平臺評價維度分為真實性和有效性真實性和有效性。真實性評價主要是針對場景庫真實合

21、理性的評價，分為場景信息真實度、場景分布真實度兩個方面。而目前國內尚未統一的有效性評價標準。評價體系評價體系2.3.1 自動駕駛數據規模指數級增長資料來源：億歐 前瞻產業研究院整理自動駕駛數據與車聯網數據存在眾多差異，因此需要針對自動駕駛數據的特點進行分級分類以全面考量其安全威脅及保障手段。綜合考慮自動駕駛的人工智能屬性以及自動駕駛數據多樣性、規模性、非結構性、流動性的特點。除此之外，自動駕駛車輛還具有汽車本身的安全屬性和智能網聯下跨產業技術融合的特點。隨著自動駕駛級別的提高，所屬的數據規模也呈指數規模的增長。所需空間(4(4-10PB)10PB)L1L2L3L4L5所需空間(50(50-10

22、0PB)100PB)所需空間(4 4-5TB)5TB)所需空間(3EB+)(3EB+)自動駕駛級別與數據規模關系自動駕駛級別與數據規模關系不僅包括汽車基礎數據,也包括基礎設施、交通數據、地理信息數據以及車主大量用戶身份類數據、用戶狀態數據、行為類數據等數據多樣性數據多樣性融合了來自汽車、道路、天氣、用戶、智能計算系統等多方面的海量數據涉及數據類型多，需要統計分析的數據總量大。數據規模性數據規模性不同來源的數據格式不同，數據的非結構性和非標準性對數據聚合或拆分技術以及權限管理和安全存儲都帶來了巨大的挑戰。數據非結構性數據非結構性用戶端、車端、云端等多場景的交互使得數據的流動性增大。此外，自動駕駛

23、數據還具有跨行業共享交換的問題。數據流動性數據流動性自動駕駛過程中采集的大量地理信息數據可能涉及涉密測繪成果，需遵守中華人民共和國保守國家秘密法中的相關規定。數據涉密性數據涉密性自動駕駛數據類型及特點自動駕駛數據類型及特點天氣數據道路數據交通數據電樁數據車場數據手機數據保養數據事故數據用戶數據違規數據車壓數據電機數據大燈數據娛樂數據電池數據2.3.2 數據閉環發展難點完整的數據驅動閉環是指從量產、采集車在路端實地采集的交通場景，通過技術手段還原成仿真場景，進入測試環節用于算法測試，再更新和升級量產車的過程。但在此過程中由于關鍵鏈路涉及多個環節與領域，當前行業內（包括數據采集商、軟硬件供應商、車

24、廠、算法公司等在內）尚未出現能提供統一視野、融合所有車的環節、一體化打通整條鏈路的產品或者平臺。數據驅動數據驅動閉環閉環量產車量產車數據采集數據采集算法學習算法學習場景挖掘與場景挖掘與數據轉換數據轉換不同的供應商，擁有不同的數據采集方案和存儲格式以及仿真數據管理真實場景信息如何轉換為統一數據真實場景信息如何轉換為統一數據原始數據在加工時會產生各種誤差和噪聲；復雜場景會大大增加數據挖掘的難度信息提取手段缺失信息提取手段缺失大數據時代帶來的海量數據是傳統軟件開發和數據處理方法難以承受的；同時，傳統的人工數據標注成本也十分高昂海量數據處理的“高本低海量數據處理的“高本低效”效”負責數據采集與算法研發

25、的團隊較為割裂，缺乏高效的數據處理和挖掘能力上下游鏈路割裂，數據流轉困難上下游鏈路割裂，數據流轉困難資料來源：億歐 前瞻產業研究院整理2.3.3 車路云一體化實現多源數據采集助力技術演化車路云一體化是通過新一代信息與通信技術將人、車、路、云的物理空間、信息空間融合為一體，基于系統協同感知、決策與控制，實現智能網聯汽車交通系統安全、節能、舒適及高效運行的信息物理系統。車路云一體化系統充分融合了車端、路端、云端信息，實現車端、路端多源數據融合，數據規模更大，多樣性更充分，通過堆疊數據集，支持AI 大模型進行快速迭代。資料來源：中國智能網聯汽車產業創新聯盟 前瞻產業研究院整理通信網通信網衛星通信光承

26、載網C-V2X其他專有網網聯車輛附能類應用平臺交通管理與控制類應用平臺交通數據附能類應用平臺云控應用云控應用云控基礎平臺云控基礎平臺中心云區域云邊緣云平臺能力標準化分級共享接口融合感知、協同決策、協同控制、云網一體化底座全流程工具庫支撐平臺支撐平臺交管急救地圖定位氣象路況應急其他云控平臺云控平臺路側基礎設施路側基礎設施感知設施通信設施數字化交通設施車輛及其他交通參與者車輛及其他交通參與者車路云一體化系統車路云一體化系統數據數據傳輸傳輸數據數據處理處理數據數據標注標注模型模型訓練訓練模型模型優化優化033.1“車路云一體化”為自動駕駛最佳落地方案“車路云一體化”為自動駕駛最佳落地方案3.2 中國

27、“車路云一體化”項目落地主要解決方案中國“車路云一體化”項目落地主要解決方案3.1.1 政策支持“車路云一體化”發展資料來源：政府官網 公開資料整理 前瞻產業研究院整理從2020年2月發改委、工信部等11部委聯合印發智能汽車創新發展戰略文件，表示到2025年，新車基本實現智能化，高級別智能汽車實現規?；瘧?，“人車路云”實現高度協同；到2023年國家車聯網產業標準體系建設指南（智能網聯汽車）（2023版），公路工程設施支持自動駕駛技術指南等政策的發布，近3年來中共中央、國務院、各部委累計出臺包含自動駕駛、車聯網（智能網聯汽車）、車路協同、交通新基建等相關政策達30余項，全面支持“車路云一體化”

28、自動駕駛的快速發展與落地。中國“車路云一體化”相關政策梳理中國“車路云一體化”相關政策梳理2020.02智能汽車創新發展戰略智能汽車創新發展戰略到2025年，新車基本實現智能化，高級別智能汽車實現規?；瘧?，“人車路云”實現高度協同2023.07國家車聯網產業標準體系建設指南（智能網聯汽車）（國家車聯網產業標準體系建設指南（智能網聯汽車）（20232023版）版）以智能網聯汽車為核心載體和應用，牽引“車-路-云”協同發展。2023.07公路工程設施支持自動駕駛技術指南公路工程設施支持自動駕駛技術指南通過自動駕駛云控平臺、交通感知設施、交通控制與誘導設施、通信設施、定位設施、路側計算設施、供配電

29、設施、網絡安全設施等聯合或單獨實現支持自動駕駛的功能。2023.11關于全面推進城市綜合交通體系建設的指導意見關于全面推進城市綜合交通體系建設的指導意見推進智慧城市基礎設施與智能網聯汽車協同發展，改造升級路側設施，建設支持多元化應用的智能道路，在重點區域探索建設“全息路網”。2023.11關于開展智能網聯汽車準入和上路通行試關于開展智能網聯汽車準入和上路通行試點部工作的通知點部工作的通知探索新型試點機制，引導高階自動駕駛功能規范應用3.1.2 數據在“車路云一體化”系統不同組成部分之間進行交互隨著自動駕駛算法不斷迭代，自動駕駛的發展正逐漸由“規則驅動”向“數據驅動”轉化。自動駕駛的落地需要大量

30、數據的支持，而車路云一體化方案，充分融合了車端、路端、云端信息，實現車端、路端多源數據融合，數據規模更大，多樣性更充分，通過堆疊數據集，支持AI大模型進行快速迭代。同時以大模型AI為基礎，車端、路端多角度，雷達、視覺等傳感器聯合工作，多模態共同輸出結果，通過基于“大數據+大模型”的AI，海量大數據自訓練，結合人類的駕駛常識決策，從而加速自動駕駛技術演化?！败嚶吩埔惑w化”實現多源數據收集“車路云一體化”實現多源數據收集面向“車路云一體化”的數據交互面向“車路云一體化”的數據交互車載終端設備路側單元路側計算單元路側感知設備交通信號設施中心云區域云邊緣云在車路云一體化系統中，車端、路段、云端數據相互

31、融合，打破了原有道路交通系統之間的信息孤島，使面向車路云一體化的數據具有交互特性，即在不同主體之間進行數據采集傳輸、加工、處理等過程面向車路云一體化的數據面向車路云一體化的數據具有具有交互特點交互特點資料來源：中國汽車工程學會 公開資料整理 前瞻產業研究院整理云端云端車端車端路端路端車端實時運行狀態及感知數據局域動態交通感知數據3.1.3 預計到2030年，“車路云一體化”相關市場規模超14萬億車路云一體化涉及汽車、交通、通信等產業領域，市場滲透率加速，市場規模巨大。具體來看，中國智慧交通市場規模當前約4億元，至2030年快速發展并預計超過6.5萬億元。根據賽迪的數據，2022年中國智能網聯車

32、市場規模接近6000億元，隨著智能網聯技術的進步，產品迭代升級與普及率的提升，2030年有望突破5萬億元。中國車聯網市場規模成快速發展趨勢，預計2030年將突破2萬億元。預計到2030年，“車路云一體化”相關市場規模超14萬億元，市場規模巨大。2021-2023年中國智慧交通市場規模（單位：億元，萬億元，年中國智慧交通市場規模（單位：億元，萬億元，%）2021年年3640億元億元6.7萬億元萬億元2030年年ECAGR=38%資料來源：賽迪 前瞻產業研究院整理2020-2030年中國智能網聯車市場規模（單位：億元）年中國智能網聯車市場規模（單位：億元）261640055912546722020

33、202120222023E 2024E 2025E 2026E 2027E 2028E 2029E 2030E2021-2030年中國車聯網市場規模（單位：億元）年中國車聯網市場規模（單位：億元）21262764359322545202120222023E2024E2025E2026E2027E2028E2029E2030E3.2.1“車路云一體化”服務商技術方案對比百度致力于自動駕駛軟件研發-車聯網-智交通解決方案，從車端、路端、云端、服務平臺到終端運營，提供一體化解決方案：蘑菇車聯從戰略層面出發，致力于構建智慧交通體系，在提供自動駕駛解決方案的同時，構建智慧交通整套體系，并通過運營數據的反

34、持續更迭，優化算法，最終提供一整套交通運營營理服務；華為則提供了“傳感器-芯片-操作系統-算法與開發應用-云服務”的生態布局，傾向于從車端打造車、路、云一體化解決方案。服務商服務商車端車端路端路端云端云端平臺平臺車輛類型車輛類型百度百度 Apollo領航輔助駕駛 Apollo Parking實現全場景泊車自由 小度車載OS 小度車載語音SDK ACE智能交通引擎 Apollo Air：純路側L4級車路協同技術方案 智能信控解決方案網聯云平臺蘿卜快跑RobotaxiRobobusApollocop蘑菇車聯蘑菇車聯自研多類別L4級自動駕駛車輛及核心軟硬件 蘑菇汽車大腦MOGO AUTO BRAIN

35、 車身底盤域 自動駕駛域 智能座艙域 L4級自動駕駛軟件系統MOGO AP 蘑菇AI數字道路基站（MOGO AI Station）蘑菇路側系統 Mogo Road System（MRS）包含感知、融合、預測、高精地圖引擎和車路協同模 塊基于車路云一體化交通大模型的AI云平臺MOGO Cloud 蘑菇數字底座（DMP）蘑菇云控平臺（Zion）蘑菇交通大腦（Matrix）mogopilot+蘑菇暢行RobotaxiRobobusRoboSweeper自動駕駛巡邏車自動駕駛售賣車自動駕駛牽引車等華為華為 ADS 2.0高階智能駕駛系統 MDC是華為智能駕駛計算平臺：MDC 210/MDC 300F/

36、MDC 610/MDC 810 鴻蒙OS智能座艙 C-V2X車路協同解決方案 開放技術架構“高速智能體”華為云/資料來源：各公司官網 前瞻產業研究院整理3.2.2“車路云一體化”服務商解決方案對比以項目落地能力角度看，百度、蘑菇車聯與華為的特點各不相同。百度是“單車智能+網聯賦能”路線的擁躉，以廣州黃埔區開發區的智慧交通項目為代表；蘑菇車聯強調“車路云一體化”，以自動駕駛、車路協同、智慧交通AI云平臺的整套方案幫助城市打造智慧交通體系，加速與地方政府合作打造智慧城市與智慧交通；華為更側重于構建智慧交通體系并落地多個城市。服務商服務商落地標桿項目落地標桿項目合作內容合作內容百度百度2020年8月

37、，廣州黃埔區廣州開發區智慧交通項目（4.6億元）2021年9月，滄州經開區自動駕駛與車路協同示范項目（1.67億元）2021年9月，山西省陽泉市車城網-車路智行新生態項目一期（1.56億元）2021年12月，北京市高級別自動駕駛示范區建設項目2.0階段路側智能基礎設施建設（3.16億元）廣州黃埔：車路協同路網基礎設施、智能信號燈控制系統、智能停車泊車、百度Apollo智能汽車生態基地以及Apollo自動駕駛運營基地河北滄州：自動駕駛與車路協同基礎設施建設、智慧城市平臺建設山西陽泉：車路協同智能基礎設施、自動駕駛車輛運營、智慧交通服務北京市：高級別自動駕駛示范區建設、智能化基礎設施建設、車載智能

38、終端推廣加裝、云控平臺建設和正式運營蘑菇車聯蘑菇車聯2019年10月，北京順義5G商用智慧交通車路協同項目2021年3月，湖南省衡陽市自動駕駛項目（5億元）2022年1月，云南大理車路協同自動駕駛智慧景區項目（10億元）2022年7月，四川成都建設網聯綜合應用示范項目（30億元）2022年8月，無錫市智能網聯創新應用標桿項目（20億元）2022年8月，北京市通州區“數字通州”項目（16億元）2022年12月，湖北鄂州“車路云一體化”自動駕駛智慧交通項目（11.14億元）2023年，深圳龍華區“科技+時尚”智能網聯汽車特色示范項目2023年6月，沈陽大東區打造東北首個智能網聯汽車先導區項目北京順

39、義：對路段內的18個路口實施了智能化升級改造湖南衡陽：主干道路的智能網聯化升級，智能網聯汽車試運行云南大理：智能網聯及車路協同新型基礎設施升級與建設，投放自動駕駛游客觀光車、接駁車、垃圾環衛車、巡邏車等，打造“車路云一體化”系統四川成都：車路協同、智慧交通AI云平臺、自動駕駛系統等新型基礎設施江蘇無錫：道路智能網聯化升級、建設自動駕駛運營中心、規?；\營自動駕駛車輛等北京通州：道路的智能化改造升級、自動駕駛商業化運營、構建城市級智慧交通大腦等湖北鄂州：道路智能化改造升級、自動駕駛商業化運營等深圳龍華：道路智能化升級改造遼寧沈陽：自動駕駛及車路協同的落地及應用華為華為2019年12月，長沙望城區

40、新型智慧城市建設（4.4億元）2020年12月，許昌新型智慧城市建設之城市數字平臺、智慧交通項目（3.21億元）2021年1月，華為聯合體中標深圳交通運輸一體化智慧平臺一期項目（9.7億元）長沙：交警大隊指揮管控中心、交通信號控制系統等許昌：城市數字平臺、智慧大腦、互聯網+政務、12345熱線、智慧交通、智慧停車、企業服務一體化等深圳：交通運輸一體化智慧平臺資料來源：各公司官網 公開資料整理 前瞻產業研究院整理3.2.3“車路云一體化”城市典型案例資料來源：公開資料整理 前瞻產業研究院整理沈陽智能網聯汽車先導區沈陽智能網聯汽車先導區項目項目陽泉市車城網陽泉市車城網-車路智行新車路智行新生態項目

41、生態項目湖北鄂州智慧交通項目湖北鄂州智慧交通項目“數字通州”項目“數字通州”項目3.2.3“車路云一體化”高速公路典型案例資料來源：公開資料整理 前瞻產業研究院整理京港澳高速擴建項目京港澳高速擴建項目河北雄安新區交通強國建設試點項河北雄安新區交通強國建設試點項目目清傅高速智慧交通建設項目清傅高速智慧交通建設項目四川交通強國試點項目四川交通強國試點項目3.2.5“車路云一體化”園區景區典型案例資料來源：公開資料整理 前瞻產業研究院整理云南洱海智慧旅游景區云南洱海智慧旅游景區天津張家窩鎮產業園天津張家窩鎮產業園山東國際零碳島山東國際零碳島世界大學生運動會世界大學生運動會044.1 特斯拉：特斯拉：

42、FSD（Full Self-Driving）V12系統系統4.2 華為：基于云服務構建自動駕駛數據閉環生態系統華為：基于云服務構建自動駕駛數據閉環生態系統4.3 蘑菇車聯：“車路云一體化”系統方案蘑菇車聯：“車路云一體化”系統方案4.1 特斯拉：FSD（Full Self-Driving）V12系統2023年8月，馬斯克開啟了一場特斯拉FSD V12版本的路測直播，馬斯克在試駕直播中表示，FSD Beta V12是有史以來第一個端到端AI自動駕駛系統（Full AI End-to-End），從頭到尾都是通過AI實現。據Not A Tesla App報道，FSD V12已經開始了內部部署。這個新

43、系統的最大變化是消除了超過30萬行此前控制車輛FSD功能的代碼，進一步依賴神經網絡。這意味著系統減少了對硬編碼編程的依賴，轉而更加依賴人工智能技術進行駕駛決策。端到端方案中神經網絡是關鍵端到端方案中神經網絡是關鍵原理原理與模塊化方案相比，端到端自動駕駛方案將感知、規劃、控制各環節一體化，去除了各模塊基于規則的代碼，將傳感器收集到的信息直接輸入神經網絡，經過處理后能夠直接輸出自動駕駛指令，使得整個系統端到端可導優點優點 能夠降低對激光雷達、高精地圖、人工的依賴，減少中間環節的成本；模型上限高，可以得到近似全局最優解缺點缺點模型能力起步較慢，解釋簡單場景不如模塊化架構，模型下限低；中間“黑盒”解釋

44、性差特斯拉特斯拉FSDFSD Beta V10Beta V10至至V12V12的架構變化的架構變化感知感知 PerceptionPerception規劃規劃 PlanningPlanning控制控制 ControlControlV10神經網絡+Bag-o-bits轉換器（Bag-o-bits包括停車標志、車道線、限速牌等）人工規則為主，有神經網絡參與人工規則V11神經網絡（Bag-o-bits轉換器與感知神經網絡合并為一個單一的神經網絡，直接輸出向量空間）神經網絡+人工規則神經網絡+人工規則V12神經網絡神經網絡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端到端自動駕駛端到端自動駕

45、駛模塊化自動駕駛模塊化自動駕駛模塊化和端到端自動駕駛系統原理模塊化和端到端自動駕駛系統原理資料來源：公司官網 前瞻產業研究院整理4.2 華為：基于云服務構建自動駕駛數據閉環生態系統華為云ModelArts平臺提供Data Turbo、Train Turbo、Infer Turbo 3層加速，分別提供數據加載、模型訓練、模型推理三方面服務，能夠助力數據讀取時間縮短50%、訓練效率提升40%+。華為云還將數據生產線和AI生產線融合到一起，通過統一的數智融合開發平臺，實現數據的無縫流轉造，同時利用盤古大模型深度賦能數據閉環核心場景。資料來源：華為、億歐智庫云服務新引擎，高效驅動自動駕駛數據閉環發展白

46、皮書 前瞻產業研究院整理華為云堅持開放生態，打造全棧自動駕駛開發平臺華為云堅持開放生態，打造全棧自動駕駛開發平臺 為車企提供一站式平臺：開發測試商用，實現按需使用、即插即用數據驅動閉環“自研”AI數據標注與挖掘平臺精準仿真+評價預測功能安全 為車企提供模塊化解決方案：數據驅動的自動駕駛開發、測試、仿真的閉環方案感知算法增量數據集模型數據服務數據服務訓練服務訓練服務仿真服務仿真服務實車測試數據上云數據處理大屏展示場景挖掘難例挖掘數據標注數據回放虛擬場景庫華為云采用存儲華為云采用存儲-緩存緩存-計算三層分離架構，打造數智融合平臺，計算三層分離架構，打造數智融合平臺，利用盤古大模型深度賦能數據閉環核

47、心場景利用盤古大模型深度賦能數據閉環核心場景全局數據地圖全局數據地圖資產搜索定位全局血緣分析數據資產熱搜分析統一元數據服務統一元數據服務統一元數據數據訪問控制數據生命周期管理數據閉環場景數據閉環場景數據預處理數據回收場景標簽化難例挖掘數據標注數據生成KPI指標分析統一計算服務統一計算服務實時計算引擎批量計算引擎交互處理引擎AI計算引擎數據緩存統一存儲服務統一存儲服務原始數據脫敏后數據場景數據標注數據集訓練數據仿真數據集KPI數據盤古大模型盤古大模型場景生成大模型場景理解大模型預標注大模型多模態檢索大模型深度賦能華為云華為云數智融合平臺架構數智融合平臺架構存儲存儲-緩存緩存-計算三層計算三層分離

48、分離統一元數據管理全統一元數據管理全局數據地圖局數據地圖工作流程統一編排工作流程統一編排海量數據，類型豐富匯聚全域自動駕駛車輛信息和AI數字道路基站信息，數據來源全面、類型豐富，僅衡陽38公里數字道路日均采集數據量達5PB，居行業領先。4.3.1 蘑菇車聯：全棧自研“車路云一體化”系統方案蘑菇車聯自研“車路云一體化”自動駕駛系統，應用融合感知、融合決策控制、高精地圖、高精定位、AI、仿真系統、云+邊緣計算、實時大數據等前沿技術，深度融合自動駕駛+車路協同+AI云平臺三大板塊，滿足不同場景、不同車型的需求，核心技術指標行業領先。蘑菇車聯車路云一體化系統蘑菇車聯車路云一體化系統資料來源：蘑菇車聯

49、前瞻產業研究院整理多項核心算法世界排名第一 運動目標分割算法、激光雷達語義分割算法、多模態融合三維多目標跟蹤算法等，在KITTI、nuScenes等世界權威數據集排名第一?！败嚶吩埔惑w化”系統核心零部件全棧自研 包括蘑菇大腦、車身底盤域、自動駕駛域、智能座艙域和L4級自動駕駛軟件系統MOGO AP。車路云全鏈路貫通，整體鏈路時延小于0.1秒 自研云算法和系統（交通大腦），全面聯接人、車、路、云、網、圖等全要素，感知算法性能遠超行業C4指標，全鏈路時延小于0.1秒。海量數據，類型豐富 匯聚全域自動駕駛車輛信息和AI數字道路基站信息，數據來源全面、類型豐富，僅衡陽38公里數字道路日均采集數據量達5

50、PB，行業領先。具備L4級自動駕駛整車研發、生產能力 已推出全球首款搭載車路協同系統的自動駕駛前裝量產車MOGO BUS M1和MOGO BUS B2。4.3.2 蘑菇車聯：業內首套“車路云一體化”標準化產品包蘑菇車聯推出業內首個車路云一體化標準產品蘑菇標準產品包（MOGOPackage）。這是全球首套能完整覆蓋“車、路、云”三端、軟硬件一體、高集成度、可模塊化快速部署的標準產品。車端：全品類的車端：全品類的L4級自動駕駛車輛級自動駕駛車輛資料來源：蘑菇車聯 前瞻產業研究院整理多類型自動駕駛車輛多類型自動駕駛車輛蘑菇汽車大腦蘑菇汽車大腦路端：路端：AI數字道路基站數字道路基站云端：智慧交通云端

51、：智慧交通AI云平臺云平臺賦能賦能L0-L4級智能網聯車輛級智能網聯車輛蘑菇數字底座（蘑菇數字底座（DMP）蘑菇云控平臺（蘑菇云控平臺（Zion）蘑菇交通大腦（蘑菇交通大腦（Marix）自動駕駛模型訓練自動駕駛模型訓練路側數據集仿真模擬海量數據，助力模型訓練4.3.3 蘑菇車聯：提供全面多元化的運營服務基于全場景車輛的研發和生產能力，以及成熟的車隊運營經驗，蘑菇車聯在城市開放道路、高速公路、景區、園區、機場等場景開展多樣化的自動駕駛運營業務。為行駛在蘑菇車聯“數字道路”上的各類型交通參與者，包括L1-L4各級別智能網聯車輛、非智能網聯車輛及終端用戶，提供多樣化數據信息服務，讓交通更安全、更高效

52、。用戶可通過MogoPilot+小程序呼叫Robotaxi及查詢Robobus、Sharing-Van的運營狀態。目前MOGO GO已在衡陽、大理等城市投入測試或運行。用戶出行應用用戶出行應用由蘑菇車聯自研，包括自動駕駛清掃車、自動駕駛零售車、自動駕駛巡邏車、自動駕駛牽引車等城市服務車隊級運營服務。公共服務應用公共服務應用ToG：為交通管理部門提供交通參與者行為預判信息，提升城市通行效率、降低事故率；提升違法行為監控力度、降低取證難度等，助力交通治理數字化。多樣化數據服務多樣化數據服務ToB：為環衛、安防、景區園區管理等城市服務集團提供自動駕駛車隊作業、V2X、全流程監控、高精度導航等服務；為

53、車企提供車輛智能化數據運營服務。ToC：為高級別智能網聯車輛提供自動駕駛信息數據，使其實現L4級自動駕駛；為L0-L3級智能網聯車輛提供車道級駕駛信息輔助、數字道路全域動態信息推送和事件類服務。掃碼獲取更多免費報告產業規劃產業規劃復合型專業團隊1300余項目案例產業研究產業研究持續聚焦細分產業研究22年細分產業報告、產業圖譜、課題研究、專項調研園區規劃園區規劃首創招商前置規劃法+獨有園區招商大數據IPOIPO咨詢咨詢IPO募投可研IPO細分市場研究研究底稿碳中和研究碳中和研究戰略咨詢、課題研究技術咨詢服務、碳中和商學院產業鏈招商產業鏈招商產業規劃+招商策劃+落地+資源導入政府產業規劃資深智庫企

54、業產業投資專業顧問中國產業咨詢領導者投資/決策你需要前瞻的眼光！解讀全球產業變遷趨勢深度把握全球經濟脈動100000+資訊干貨 一手掌控10000+行業報告 免費下載1000000+行業數據 精準把握500+資深研究員 有問必答10000+全球產業研究 全面覆蓋365+每日產經動態 實時更新掃碼下載APP全球產業分析與行業深度問答聚合平臺全球產業分析與行業深度問答聚合平臺看 懂 未 來 新 十 年！前瞻產業研究院是中國產業咨詢領導者！隸屬于深圳前瞻資訊股份有限公司，于1998年成立于北京清華園，主要致力于為企業、政府、科研院所提供產業咨詢、產業規劃、產業升級轉型咨詢與解決方案。前瞻產業研究院前瞻產業研究院前瞻經濟學人APP是依托前瞻產業研究院優勢建立的產經數據+前沿科技的產經資訊聚合平臺。主要針對各行業公司中高管、金融業工作者、經濟學家、互聯網科技行業等人群，提供全球產業熱點、大數據分析、行研報告、項目投資剖析和智庫、研究員文章。前瞻經濟學人前瞻經濟學人讓你成為更懂趨勢的人報告制作：前瞻產業研究院聯系方式：400-068-7188更多報告：https:/無無無無無無無無主創人員：岑曉天/成招榮/朱茜產業規劃咨詢：0755-33015070無無無無無無無無