36Kr：自動駕駛專題行研報告(39頁).pdf

《36Kr：自動駕駛專題行研報告(39頁).pdf》由會員分享，可在線閱讀，更多相關《36Kr：自動駕駛專題行研報告(39頁).pdf（39頁珍藏版）》請在三個皮匠報告上搜索。

1、 正視L3、L4級別落地時間表，算法型企業的關鍵一年 36氪研究 | 自動駕駛專題行業研究 2019年6月 2 2019.6 要點摘要 技術難度：L2級別ADAS的大范圍應用建立在Tier1 強大的系統、模塊化能力以及車規級產品基礎上。 L3級別不論是駕駛安全風險還是技術攻克難度是真 正的分水嶺，是乘用車主機廠近期量產合作的重點 ，專注乘用車場景的部分一級市場公司已有L3級別 量產能力。L4級別對商用場景的降本提效意義重大 ，可大幅降低人力成本，后期車內無需配置安全員 ，但在國內落地時間受不確定性因素影響。 場景落地與技術難度： 乘用車場景目前經歷L2級別 過渡到L3級別，多采用激光雷達+毫米

2、波雷達+攝 像頭的感知方案，采用FPGA或部分采用ASIC芯片 ，結合零散區域范圍內高精地圖進行決策控制；商 用車以高速貨運為主，落地可以迅速降低成本提高 效率，以L4級別作為主要突破方向，多采用攝像頭 視覺+激光雷達的感知方案，以及GPU芯片作為計 算中央，參與者眾多但有量產合作的企業數量少。 36Kr-自動駕駛專題研究報告 投資視角 姓名：李坤陽 微信：frank308 郵箱： 行業KSF（關鍵成功因素）： 算法型公司（提供解決方案和系統）：訂單交付能力（是否與主機廠和Tier1就產品 有真正訂單合作）、研發團隊的人員背景（研究相關模型及算法投入時間）、是否具 備成熟產品投入測試運營、相關

3、場景的傳感器組合成本是否適用于量產、戰略規劃是 否穩定（專注目標場景落地的時間） 硬件供應（傳感器及芯片）：毫米波雷達發展成熟，是大部分算法型公司的解決方案 感知層主要設備；車規級的激光雷達研發周期長，用來做測試采購成本較高，且必須 外露在車外進行感知，乘用車解決方案中涉及相對較少；攝像頭視覺解決方案多用于 L2級別，L3級別及以上應用規模大；芯片研發未來傾向ASIC專用芯片，目前GPU通 用芯片更多用于適合L4級別以上的商用場景。 蔚來-場景致勝：汽車產業趨勢洞察 -蔚來資本&羅蘭貝格 2018.11 Initiating on EV Battery Material Suppliers：

4、Be Selective -Morgan Stanley 2019.02 七大總結 2018中國自動駕駛產業年 度報告 -億歐智庫 2018.07 參考報告及文章 分析師 AI 芯片市場正快速起航，國內邊緣芯 片面臨更大機遇 -平安證券 2019.4 3 目錄 一、自動駕駛：2020年多數場景L3落地，場景商業化差異大 1.1 自動駕駛概念：時間表推遲，“地理圍欄”限制使用場景 1.2 ADAS：實現無人駕駛前，由高級輔助系統輔助駕駛員 1.3 自動駕駛分級：L1-L4適用場景受限，落地時間差異大 1.4 自動駕駛場景：物流運輸商業化高，城市化路況復雜 二、全“景”追蹤：資本布局集中、創業公司

5、商用場景多落地物流 2.1 政策：路測規范及發展戰略相繼落地 2.2 資本盛宴：機構分別選取商用、乘用、硬件的一家公司跟投 2.3 落地場景分析：物流場景降本提效，乘用車市場潛力大 三、技術產業鏈及競爭格局：傳感器方案差異大，算法是核心 3.1 產業鏈：感知-決策-控制 3.2 細分產業格局：傳感器、高精地圖、芯片、控制器的現狀 3.3 競爭性分析：創業公司須擁有訂單交付能力，大型車企重點考慮收購 四、路徑差異及典型企業商業模式分析 4.1 自動駕駛產業圖譜全景聚焦 4.2 Waymo：Robotaxi業務投入運營，建廠自研估值1750億 4.3 NVIDIA：并行計算的GPU專注于融合不同傳

6、感器 4.4 AutoBrain：MPC算法結合域控制器對不同場景定制解決方案 4.5 圖森未來：L4級干線運輸落地美國，加速推進半封閉樞紐場景 五、總結：L3級別落地時間繼續推后，車聯網將帶來改變 5.1 總結及趨勢預測：L3級別落地時間繼續推后，車聯網將帶來改變 自動駕駛：2020年多數場景L3落地，場景商業化差異大 CHAPTER 1 1.1 自動駕駛概念：時間表推遲，“地理圍欄”限制使用場景 1.2 ADAS：實現無人駕駛前，由高級輔助系統輔助駕駛員 1.3 自動駕駛分級：L1-L4適用場景受限，落地時間差異大 1.4 自動駕駛場景：物流運輸商業化高，城市化路況復雜 5 一、自動駕駛：

7、時間表推遲，“地理圍欄”限制場景落地 隨著移動互聯網的流量天花板逐漸見頂，互聯網與實體行業如農業、 工業、建筑業和服務業等傳統行業的數字化融合將成為新的趨勢，產 業互聯網結合5G和云計算等技術將加快實體經濟轉型。 汽車作為產業互聯網場景下必不可少的智能移動設備，隨著新一代的 汽車技術革命如新能源、智能網聯、自動駕駛的創新，將結合不同的 落地場景打造可復制循環的商業模式閉環。 2019.636Kr-自動駕駛行業專題研究報告 國家發改委發布的智能網聯創新發展戰略征求意見稿計劃在 2020年實現50%的智能新車比例，而自動駕駛作為智能新車最重要 的技術環節之一，也在不斷進行不同級別的市場化應用和試運

8、營。 在自動駕駛行業熱度飆升之初，算法型公司和主機廠對自動駕駛 L4L5級別的落地時間規劃在20182022年，但從政府對自動駕駛 的開放態度、復雜道路突發情況的發生和“地理圍欄”效應對部分場 景的適應性來看，不同場景的落地時間差異顯著。 目前各主機廠和Tier1都已具備L2級別量產能力，算法型公司瞄準L3 級別乘用車和L4級別多商用場景的市場，互聯網頭部企業和大型主機 廠發布各自的自動駕駛相關平臺進一步將資源集中。 1 產業概況 1.1 概念 1.2 區別 1.3 標準 1.4 場景 智能網聯 V2X、車聯網生態 新能源 軌道試驗、觀測試驗等 自動駕駛 ADAS、高精度地圖 圖表1：新能源汽

9、車與自動駕駛打造智能網聯汽車的基礎架構 資料來源：36氪研究院整理 6 1.1 自動駕駛概念：感知-決策-控制，算法是解決方案核心 自動駕駛是指智能汽車通過安裝配備在車上的傳感器設備（包括2D 攝影視覺感知、激光雷達、毫米波雷達等）感知汽車周圍的駕駛環境 ，結合導航的高精度地圖等地圖數據，進行快速的運算與分析，在不 斷模擬和深度學習潛在的路況環境并作出判斷，進一步借助算法規劃 汽車最理想或最合適的行駛線路及方式，再通過芯片反饋給控制系統 進行剎車、方向盤控制等實際操作動作。 綜上來看，自動駕駛分步驟來解讀，分別包含感知層、決策層、執行 層。感知層利用各類視覺設備和雷達等感知周邊環境，結合芯片算

10、法 和V2X（Vehicle to X）得到的環境信息，借助決策層包含的深度算 法和規則算法不斷模擬路況、規劃出最佳路線并反饋給控制層實現駕 駛操作。 2019.636Kr-自動駕駛行業專題研究報告 自動駕駛的適用范圍和場景不局限于城市道路的乘用車，許多商業公 司從建立之初便依據不同的適用場景和解決方案方向開始了不同路徑 的技術研發。從2D攝影視覺采集數據到3D激光雷達建模、乘用車到 商用車、從復雜的城市道路到規則的限定化場景.涉足自動駕駛領域 的商業公司作為Tier1/Tier2和上游整車廠和OEM企業展開合作，開 啟各自的商業化道路。 傳感器供應商 Tier1 算法與芯片供應商 高精度地圖

11、供應商 V2X供應商 設 備 服 務 與 解 決 方 案 視覺解決方案供應商 主機廠/整車廠 作為Tier2供貨 作為Tier1合作 直 接 合 作 圖表2：自動駕駛產業鏈體系及主要參與方角色 資料來源：億歐智庫、36氪研究院整理 1 產業概況 1.1 概念 1.2 區別 1.3 標準 1.4 場景 7 2019.636Kr-自動駕駛行業專題研究報告 ADAS（高級別輔助駕駛） ，是一個主動安全功能集成控制系統，利 用雷達、攝像頭等傳感器采集汽車周邊環境數據，進行靜態、動態物 體的識別、跟蹤，控制系統結合地圖數據進行做出行為決策，使駕駛 者覺察可能發生的危險，必要情況下直接控制車輛以避免碰撞，

12、可有 效提升駕駛安全性、舒適性。 ADAS是實現自動駕駛的前提，自動駕駛與ADAS（高級輔助駕駛） 都是通過傳感器，收集車內外的數據來反饋車周邊的異常信息。區別 在于，ADAS是通過周邊信息的異常反饋給駕駛員，由駕駛員根據反 饋的道路信息和傳感器數據進行駕駛操作。而自動駕駛的最高級階段 ，則是通過傳感器反饋的數據，傳輸給決策層做出決策，最終由控制 層將行為動作引導給系統，系統完成最終的操作。 ADAS在定義中并沒有對覆蓋范圍有具體的限定，從無自動化向無人 駕駛的技術創新都可看作是ADAS的一部分。而ADAS的實現過程從 硬件設備操作感知系統，數據庫、芯片算法等規劃具體決策，電機等 控制單元操作

13、控制系統。整體過程離不開感知-決策-控制的操作線條 。目前ADAS包含但不限于自適應巡航控制、盲點探測、前方碰撞預 警系統、夜視系統等。 圖表3：已實現L2級別（ADAS）的國內量產車型 資料來源：各企業官網、36氪研究院整理 1.2 ADAS：實現輔助無人駕駛，駕駛員借助系統進行決策 1 產業概況 1.1 概念 1.2 區別 1.3 標準 1.4 場景 主機廠事件車型 長安2018 年發布2款L2級別自動駕駛量產車型CS55、CS75 長城2018 年發布2款L2級別自動駕駛量產車型F7、VV6 吉利2018 年發布3款L2級別自動駕駛量產車型繽瑞、繽越、博越GE 上汽2018 年發布1款L

14、2級別自動駕駛量產車型Marvel X 廣汽計劃基于GS5換代車型實現L2級自動駕駛量產GS5 北汽計劃于2019年實現L2級自動駕駛量產/ 8 2019.636Kr-自動駕駛行業專題研究報告 由于從無自動化干擾到最終的無人駕駛過程中，會出現不同程度的系 統干預，各國協會分別對自動駕駛劃分了不同級別和標準，各國商業 公司按照劃分的級別來對外宣布研發階段和落地成果。目前已知的標 準包含由CAAM（中國汽車工業協會）、NHTSA（美國高速公路安 全管理局）、SAE（美國機動車工程學會）各自制定。而國際上通用 的標準是以SAE制定的L0-L5六個階段為主。 分類SAE名稱橫向/縱向操作控制環境感知行

15、為主體場景適用 LV 0無自動化駕駛員 駕駛員 駕駛員 無 LV 1駕駛支援駕駛員+系統 特定場景 LV 2部分自動化 系統 LV 3 有條件自動 化 系統LV 4高度自動化 系統 LV 5完全自動化全部場景 1.3 自動駕駛分級：L1-L4適用場景受限，落地時間差異大 圖表4：SAE標準下自動駕駛L0-L5分級及定義 資料來源：SAE（美國機動車工程師學會），36氪研究院整理 L0：此階段無自動化設備介入。由駕駛員全程操控汽車。 L1：單一功能自動化。在特定駕駛環境下，單項輔助駕駛系統可通過 獲取車輛周邊環境信息反饋給駕駛員，但動態操作由駕駛員完成。 L2：部分系統自動化。多項輔助駕駛系統根

16、據環境信息對汽車的橫向 和縱向駕駛動作同時進行操作，動態操作依舊由駕駛員完成。 L3：在特定環境下，系統完成全部動態操作，但駕駛員需要在特殊情 況發生時，給予系統回應。目前大多商業公司集中此階段的落地。 L4：在特定環境下，即使駕駛員未對特殊情況進行回應，系統依舊負 責執行全部動態駕駛動作。 L5：系統進行全路況的動態駕駛動作，駕駛員可對系統進行管理。 1 產業概況 1.1 概念 1.2 區別 1.3 標準 1.4 場景 9 2019.636Kr-自動駕駛行業專題研究報告 自動駕駛從概念提出到發展到現階段，最重要的兩個目的是降低駕駛 風險提升安全，進而降低成本實現量產。不僅乘用車和商用車的車型

17、 會有所區別，其各自所適用的場景也差別較大，商業路徑各不相同。 此處的代表公司僅以提供場景解決方案的公司為例，不包括硬件制造 商、圖商以及整車廠和Tier1。具體分析請參考后續章節。 1.4 自動駕駛場景：物流運輸商業化高，城市化路況復雜 Robo-taxi ADAS 物流 （高速+最后一公里） 城市出行/乘用車 主要場景場景概述及商業程度代表公司 圖表5：自動駕駛主要適用場景及各場景商業化程度、代表公司 資料來源：36氪研究院根據調研內容整理 Waymo Drive.ai Pony.ai Robo-taxi基于自動駕駛面向C端用 戶提供出行服務，目前Waymo等美 國企業在本地開啟試運營階段

18、。 圖森未來 Embark Nuro.ai 地平線 Momenta Mobileye Others： 泊車 環衛 礦區等 禾多科技 仙途智能 踏歌智行 現有量產車型中大多都是覆蓋ADAS 的L2級別車型，駕駛員根據系統反 饋的危險信號進行動態操作。 長途的高速物流場景側重實現L3/L4 級別降低貨運成本，商業化程度高。 低速最后一公里為實現無人配送。 城市化道路是研發階段最久、量產 時間線最長、突發情況最多的場景， 商業化程度受眾多因素影響。 剩余場景，包含低速下后裝市場的 泊車場景、負責清潔環衛的無人清 潔車以及礦區下的重卡線控市場。 Waymo AutoBrain 小馬智行 1 產業概況

19、1.1 概念 1.2 區別 1.3 標準 1.4 場景 全“景”追蹤：資本布局集中、創業公司商用場景多落地物流 CHAPTER 2 2.1 政策：路測規范及發展戰略相繼落地 2.2 資本盛宴：機構分別選取商用、乘用、硬件的一家公司跟投 2.3 落地場景分析：物流場景降本提效，乘用車市場潛力大 11 二、全“景”追蹤：資本布局集中、創業公司商用場景多落地物流 2019.636Kr-自動駕駛行業專題研究報告 本章對自動駕駛的研究與分析將從宏觀環境出發，探討基于政策影響 下行業的發展情況、基于資本背景下投資機構的投資布局及周期變化 、國內外一級市場公司受整車廠和OEM以及Tier1的影響等內容。 其

20、中，在本章第四章節，我們將重點分析各細分場景下的現階段情況 與國內外企業造血能力受影響因素，從各自市場所在的市場出發，對 市場需求、現存風險、自動駕駛量產帶來的降本提效出發，分析各場 景的可行性。 2.1 政策規定：路測規范及發展戰略相繼落地 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 2018年1月，國家發改委發布了智能汽車創新發展戰略（征求意 見稿），該意見稿制定了到2035年的智能汽車創新發展的三階段愿 景時間表。 新車基本實現智能化，實現5G-V2X 2020年 2025年 2035年 圖表6：自動駕駛

21、相關政策及發展戰略文件 資料來源：36氪研究院根據調研內容整理 智能汽車達50%，LTE-V2X部分覆蓋 實現LTE-V2X的部分覆蓋 大城市、高速公路車用無線通信網絡覆蓋率達90%，北斗高精度時空服務全覆蓋。 高級別智能汽車實現規?；瘧?，“人-車-路-云”實現高度協同。 率先建成智能汽車強國，全民共享“安全、高效、綠色、文明”智能汽車社會 無人駕駛汽車路測新規智能網聯汽車道路測試管理規范（試行） 發布，也味著無人駕駛可以通過真實路況測試收集優化無人駕駛系統 ，以應對各種復雜路況，并加快其商用化進程。 12 2019.636Kr-自動駕駛行業專題研究報告 2.2 資本盛宴：機構分別選取商用、

22、乘用、硬件的一家公司跟投 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 從資本參與層面上看，自動駕駛作為被風投大筆資金投入的行業，一 直以來因為龐大的投資金額受到關注和爭議。比如在今年2月份軟銀 愿景基金9.4億美金投資的自動駕駛公司Nuro.ai，便將不久前融資5.3 億美金的Aurora融資金額翻了近一倍。 一方面，自動駕駛達到L3級別以上的難度高、周期長，投入研發的設 備和芯片測試使用且非量產，因而單次投入成本高；另一方面，L4級 別以上的系統駕駛對商用場景的成本降低、乘用車的安全性都將帶來 極大的影響，和

23、主機廠合作后的算法型公司估值將迅速提升，訂單的 合作將為營收帶來翻倍的增長。國內的風投機構參與自動駕駛領域投 資相對更加理性，在不同的場景和硬件上各選取一家公司進行跟蹤。 圖表7：風投機構參與的部分自動駕駛產業情況及各自專注場景 資料來源：36氪研究院統計整理 機構企業名稱近一期融資金額及參與輪次專注內容 IDG資本 禾多科技2000萬美元（天使輪、A+）低速泊車及高速公路場景 Pony.ai1.02億美元（天使輪、A+輪）Robotaxi及乘用車場景 北醒光子未披露（A、A+、B+）固態激光雷達研發 寬凳科技1億元（A輪）高精度地圖及輔助駕駛 順為資本 Momenta2000萬元（A輪）高精

24、度地圖及視覺解決方案 智行者科技2000萬元（A輪與B輪）低速場景（無人物流等） 北醒光子2000萬元（A+輪、B+輪）固態激光雷達研發 真格基金 Nuro.ai9200萬美元（A輪）最后一公里、物流運輸等場景 Momenta500萬美元（A輪）高精度地圖及視覺解決方案 地平線300萬美元（天使輪）人工智能芯片研發及計算平臺 馭勢科技300萬美元（A輪）低速及封閉園區等場景 紅杉資本 格科微電子780萬美元（A輪）圖像傳感器芯片研發 禾多科技2000萬美元（A輪）低速泊車及高速公路場景 地平線300萬美元（天使輪）人工智能芯片研發及計算平臺 格靈深瞳2000萬美元（A輪）計算機視覺及深度學習技

25、術研發 小馬智行1.02億美元（天使輪、A輪、A+輪）乘用車、商用車及硬件 13 2019.636Kr-自動駕駛行業專題研究報告 2.3 落地場景分析：商用場景物流商業進程快，乘用車前景難料 商用車和乘用車的落地難度受到不同因素的影響。 乘用車：現階段并沒有完全出臺與乘用車上路或量產的相關法律條文 或政策文件，大部分解決方案無法滿足L3-L5級別的技術條件，外加 安全問題、法律責任問題、消費者認知普及等問題，目前來看落地有 難度，但隨著與整車廠的量產開始同步，近期也出現了轉機。 商用車：商用車由于不同的適用場景，因此在落地性上各不相同，目 前主流落地性較強的場景包括自動駕駛叫車服務、高速運輸、

26、港口貨 運、礦區、市政環衛以及最后一公里物流。后續內容也將從成本、效 率、優化等數據層面對商用場景進行分析。 2.3.1 干線物流的高速運輸場景 干線物流場景，主要基于L4的系統操控。穿梭于有大量公路貨運需求 的城市之間。計價方式與運送貨物的體積、重量、品類、等因素息息 相關。而回到自動駕駛落地干線物流的主因，不外乎降本與提效。 從降本的角度出發，首先考慮成本的組成部分有哪些。我們從貨物運 輸的配送流程出發分析，人員管理成本、司機工資、高速運輸過路費 、駕駛引發的多余油耗，還有潛在的“罰款經濟”下的違章成本等。 圖表8：乘用車與商用車中后期落地影響因素分析 資料來源：36氪研究院根據調研內容整

27、理 乘用車商用車 政 策 消費者接受 法律責任 安全 技術 整車廠接受程度 解決方案成本 場景落地速度 技術 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 14 2019.636Kr-自動駕駛行業專題研究報告 那么自動駕駛通過何種方式降本？我們從專注干線物流場景的商業公 司商業模式著手，像圖森未來、Embark等企業直接切入的技術路線 便是跳過L3直接進入L4，原因是與成本直接掛鉤的。 乘用車由于駕駛場景中V2X的復雜問題、和整車廠合作的量產等問題 ，因此在研發過程中，循序漸進地依托標準進行L3L5的研發是一條

28、安全穩健的必經之路。 而依托不同場景下的商用車市場，L3的研發并不能解決高居不下的司 機人力成本與油耗問題，因此，直奔L4級的研發路線是追求商業化的 最快方式。 由不同的變量來量化成本，我們主要從駕駛成本和管理成本來分析。 駕駛成本包含司機薪資+油費及油耗+路橋費+保險+罰款+其他費用 ，管理成本則包括車輛維護+培訓+運營人員薪資等費用。 同時，結合中美日三國的物流成本來看，運輸成本是在包含倉儲及管 理費用在內占比最高的核心成本，因此，如何通過自動駕駛解決高昂 的運輸成本是本節討論的重點。 成本：從駕駛成本出發，路橋費等硬性費用下降空間有限，此處暫不 討論。而司機薪資、意外事故、油耗、罰款等重

29、點成本構成作為主要 探討點。 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 63% 33% 4% 66% 31% 3% 53% 35% 12% 0% 50% 100% 運輸倉儲管理 美國日本中國 圖表9：美/日/中物流成本結構 資料來源：Wind、招商證券、36氪研究院整理 15 2019.636Kr-自動駕駛行業專題研究報告 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 司機薪資：根據CNBC關于卡車自動駕駛的相關報道中顯示，以美

30、國 勞工統計局的統計數據為準，卡車司機年收入的中位數約在44,500美 元左右。 國內單個司機的駕駛成本年薪構成也至少超過20萬元，結合單個車輛 2個司機輪流執勤的情況，在干線物流駕駛司機存量少、增量低的大 背景下，運輸需求上漲將面臨供給不足的情況。 L4級：搭配L4級自動駕駛技術，無需駕駛員便可以通過傳感器感知周 邊車輛環境和動態，結合結構化道路的位置和標識，為下一步行駛做 出決策，并由系統進行最后的決策。在這段過程中，司機的工作負擔 大大降低。未來隨著政策放開和技術不斷發展，可以實現完全無人化 ，無需安全員在車內。 費用方面，以圖森未來在亞利桑那州和德州落地的商業模式為例，盡 管前期試運營

31、車輛單車成本高（獨立采購激光雷達等設備），但后續 量產后按照不同客戶的需求定制化費用標準。且前裝系統量產后的整 車可以降低意外事故發生率、提升駕駛安全、降低司機費用的投入。 油耗及罰款：在國內的高速路段中，由于不同年限的商用運輸車輛在 一定時期內會達到年限，但高昂的購車成本還是會讓企業選擇繼續使 用該車輛。因此，在高速路段臨檢時，經常會遇到排放標準不達標導 致的罰款事件。 圖表10：自動駕駛在成本及管理成本幫助企業減負 資料來源：36氪研究院根據調研資料整理 駕駛成本 管理成本 司機薪資 傳統：2個司機輪流執勤、成本高 L4級：按路段付費等多種模式、無需安全員 油耗及罰款 + 傳統：油耗大汽車

32、壽命短、節省購置成本 L4級：油耗大幅縮減、車輛使用時限加長 運營費用 傳統：調度司機進行長途作業并維護車輛 L4級：無需安全員、車輛報損次數下降 16 2019.636Kr-自動駕駛行業專題研究報告 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 排放標準問題根據United States Department of Transportation的 統計數據顯示，卡車排放量油耗占全球溫室氣體的16%，而67%的卡 車都沒有使用清潔燃油。同時，由于司機在開車時會隨時根據路面情 況作出反應，在不熟悉和道路環境復雜的路

33、況下，會導致駕駛時加大 油耗。 配備L4的卡車由于可以提前感知結構化道路信息，系統進行操作可以 將油耗降到最低，避免司機由于不熟悉路況重復駕駛導致的多余時間 消耗。 從管理成本來看，主要還是改善在指派司機進行作業時所需要的調度 成本，包括車輛往返運行的等待時間和人手短缺造成的閑時成本。 2.3.2 半封閉樞紐場景（園區、礦區、道路清潔） 半封閉樞紐場景包含的類型眾多，此處我們集中討論。市政環衛準確 來說，屬于開放道路下的商用場景，但由于市場空間相對不大、參與 者較少，而且市政環衛單次覆蓋范圍小，因此放到此處一起討論。 而此處討論的場景，包含礦區、港口、一定范圍內的市政環衛、物流 園區（包含最后

34、一公里物流）等。 圖表11：半封閉樞紐場景涉及到的具體場景 資料來源：36氪研究院根據調研資料整理 市政環衛接駁車 礦區 物流園區 道路清潔：將自動駕駛 與環衛車進行結合，用 作無人道路清潔。 接送服務：將封閉園區 內提供接駁服務。 車輛調度：物流園區內 的車輛作業密度大，通 過自動駕駛優化線路。 礦物運輸：在礦區的相 對結構化道路下，進行 運輸作業。 17 2019.636Kr-自動駕駛行業專題研究報告 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 市政環衛 包含智行者科技、仙途智能在內的人工智能企業是環衛場景

35、的主要參 與者，由于市政環衛所屬場景更多是固定半封閉區域，道路結構較封 閉區域更復雜，但在類似區域市政的環保車對速度和時效性要求低， 因此在全程系統控制的條件下，能夠有效提高降低人力成本和提高清 掃效率。 從落地難度上來看，清潔車多為手動擋、無更多電控設備，因此后裝 難度大。解決方案如仙途智能便選取了針對3噸18噸的新能源車型 進行加裝線控來進行控制。智行者科技的無人駕駛清潔車“蝸小白” 也與首鋼合作，投入量產。 礦區、港口 礦區、物流園區和港口屬于封閉地區，駕駛區域空間大、可控性高、 可以穩定保持在低速環境下行駛。但也會遭遇如海風、高溫等特殊氣 候環境影響，危險系數略高。 在此環境下，盡管環

36、境惡劣，但運營方對司機的駕駛路線熟悉程度以 及相應場景下的貨物熟悉度要求較高，導致本身崗位吸引程度不大的 司機人手更加短缺。自動駕駛對此場景下的降本提效功能提升大。解 決了由于人手短缺導致的運營效率下降問題，并降低了危險事故發生 的風險。 此場景下的卡車改造對算法型公司也是需要攻克的問題。礦區和港口 的重型卡車載重單位大，單輛車使用周期較長，因此改造難度和線控 設備的處理難度巨大。 現有的解決方案以后裝為主，大多算法型公司也在和重卡主機廠洽談 前裝的合作來進一步優化成本。但就現存礦區和港口來說，整體環境 改造和車輛前裝改造難度仍很大。 18 2019.636Kr-自動駕駛行業專題研究報告 2

37、全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 417.6 438.7 480.5 514.6 315 334.1 368.7 395.9 0 20000 40000 60000 80000 0 200 400 600 2015年2016年2017年2018年 貨物運輸量（億噸）公路運輸量（億噸）公路貨物周轉量（億噸公里） 圖表12：2015年2018年全國貨運量、公路貨運量及公路貨運周轉量 資料來源：國家統計局、36氪研究院整理 總結：以半封閉樞紐為例，自動駕駛在此固定區域及低速環境下落地 相對乘用車在復雜城市道路下

38、面臨的各類V2X問題，處理方式更為直 接，區別在于同一場景下，哪個企業提供的算法更全面、解決方案量 產成本合適、以及滿足主機廠在礦區、物流園區以及港口的需求。 物流園區與最后一公里配送服務： 物流園區的車輛改造解決的問題，主要在于貨運量的逐年提升下，運 輸車輛的運行時間更長，園區內集裝箱等大型貨物的移動和單位周轉 量也越大，停車需要達到厘米級的精度，還要與起重機進行交互。國 家統計局數據顯示，全國貨運量和公路貨運量都在逐年提升，貨物運 輸量由2015年的417.6億噸增長到2018年的514.6億噸。 最后一公里配送服務，以快遞配送和外賣場景為主，屬于區別于乘用 車的低速行駛，能夠解決配送時間

39、、配送需求以及客戶隱私安全性等 問題，但在行駛過程中會涉及大量內部道路及非機動車道，依舊需要 解決外部干擾等因素。目前包含京東、蘇寧等在內企業都開始參與到 無人配送車的測試與量產環節。 19 2019.636Kr-自動駕駛行業專題研究報告 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 Robotaxi即自動駕駛叫車服務，用戶可在平臺上預約無人駕駛的車輛 接到達目的地。Robotaxi服務對出行服務的影響巨大，因此也吸引 了Google、Uber等巨頭布局。在已有的平臺與企業合作中， Waymo已經在Lyft上投放

40、了10輛自駕叫車服務的車輛，Uber也計劃 在2021年計劃與豐田汽車就自動駕駛叫車服務展開車輛投放運營。 Robotaxi所需要的自動駕駛級別在L4，對研發實力和安全性能要求非 常高，可在限定區域、時間、天氣內根據不同的技術方案進行調整運 營，不論車輛配置的設備精度還是整車需要的系統構成，都需要投入 高昂的采購成本。盡管營運出租車可以通過相關補貼來獲取運營收入 并逐漸降低每公里的成本，但前期測試車輛的單車成本較高，算法型 創業公司前期無法覆蓋住成本，因此參與者多為行業巨頭。 Robotaxi對出行服務的影響以網約車和私家車為例。在達到一定滲透 率之后，自動駕駛叫車服務可以通過系統性協調提高效

41、率，在成本、 效率、安全性上都強于傳統網約車服務。 目前，網約車服務在美國亞利桑那州落地較快，這也有一部分原因歸 屬于Waymo在L4級別Robotaxi上的快速落地和持續研發能力，在國 內由于政府對于自動駕駛行業的開放態度和路況因素、以及硬件設施 的配套，我們認為需等待其他場景落地后，才可開展此場景的服務。 圖表13：Robotaxi服務對于相關行業的影響（攻克L4級別L5級別） 資料來源：36氪研究院根據調研資料整理 2.3.3 Robotaxi 自動駕駛叫車服務：多巨頭參與，直入L4級別 出行服務城市規劃衍生場景 1.網約車滲透率加強，平臺與 主機廠、算法公司加強合作， 算法公司議價能力

42、高； 2.價格趨向合理，補貼戰消失。 1.地產區位溢價減少，通勤時 間成本被有戲利用； 2.區域間的自動駕駛叫車服務 提升，人口密度縮小。 1.快遞服務將依托于自動駕駛 叫車服務， 零售產品流通性 將得到新的渠道； 2.運輸成本將得到顯著下降。 20 2019.636Kr-自動駕駛行業專題研究報告 2 全景追蹤 2.1 政策 2.2 資本 2.3 場景分析 1.干線運輸 2.半封閉樞紐 3.Robotaxi 4.乘用車量產 乘用車市場潛力巨大，是自動駕駛行業最熱階段初創企業爭相追逐的 場景之一，包括小馬智行（Pony.ai）、馭勢科技（uisee）、禾多科 技（Holomatic）等企業在早期

43、都獲得了資本的大筆融資。 在乘用車的量產環節上，由于技術是否足夠成熟在城市道路下將決定 行人與駕駛員的安全問題，因此，目前為止不論創業公司還是主機廠 都在遵守由L2向L5循序漸進的過程，基于現有ADAS的強大的系統、 模塊化能力以及車規級產品基礎上，向更進一步進行研發與試行。 根據國盛證券的數據顯示，包含凱迪拉克、吉利、長城、長安、上汽 在內的主機廠都推出了各自L2級別車型，在探討與算法型公司合作的 可能性。已經落地的合作包括長城與AutoBrain的L3級別合作等。 目前ADAS在不同車型的滲透率有著很大的差別，部分ADAS功能也 相差甚遠，根據國盛證券爬取的所有燃油車車型數據（2872個車

44、型 ），定速巡航、盲區監測、車道保持、碰撞預警、自適應巡航的整體 滲透率在低價位車型滲透率相對較低，分別達到57.1%、17%、 17.2%、19.3%、17.2%。高端車位滲透率相對較高，40萬以上的 車型不同輔助系統滲透率都在50%以上。未來ADAS硬件價格隨著國 產硬件的替代，價格將有所下降，同時整車將向30萬元以下車型進行 滲透。 L3級別的車輛若投入運營，只有前裝的同時進行量產才能通過規?；?的效應縮減采購成本（包括激光雷達、毫米波雷達等）。 目前國內外設備提供商的車規級產品單價相對較高，尤其以芯片和傳 感器為主，算法型公司進行車輛測試和試運行都是通過單次小批量采 購，因此，是否與主

45、機廠進行批量訂單是檢驗一家算法型公司是否具 備核心競爭力的關鍵因素。 2.3.4 乘用車量產：ADAS因車型區別滲透率差異大，L3實現難度大 技術產業鏈及競爭格局：傳感器方案差異大，算法是核心 CHAPTER 3 3.1 產業鏈：感知-決策-控制 3.2 細分產業格局：傳感器、高精地圖、芯片、控制器的現狀 3.2.1 高精度地圖概念與訂單落地 3.2.2 激光雷達、毫米波雷達與攝像頭的傳感器之爭 3.3.3 芯片及計算平臺 3.3 競爭性：創業公司須擁有訂單交付能力，大型車企重點考慮收購 22 2019.636Kr-自動駕駛專題研究報告 自動駕駛行業在場景中的滲透離不開算法和硬件設備的支持，不

46、同的 場景下，各家公司所采用的傳感器設備、芯片、計算方式是區別公司 之間競爭力的技術優勢。 對于自動駕駛下的不同級別，成熟的（L2級別）設備支持相對完善， 包含激光雷達、攝像頭視覺解決方案、芯片（如Mobileye的EyeQ系 列產品）等在內已經擁有成熟的一級零部件供應商。 而對于逐步開發的（L3級別以上）算法及系統，對硬件和算法的要求 越來越高，車規級標準逐步提升，因此給了一些創業公司挖掘商機的 機會，如何在新一個研發階段提供有競爭力的設備成為發力的重點。 3 技術產業鏈及競爭格局：傳感器方案差異大，算法是核心 3.1 產業鏈：感知-決策-控制 自L3級別往后，系統操作會需要傳感器收集到的數

47、據進行深度學習， 模擬實際場景可能發生的情況并不斷進行重復演練，對產業鏈環節中 涉及到的各個環節標準也將不斷提高。 3 競爭格局 3.1 產業鏈 3.2 細分行業格局 3.3 競爭性分析 圖表14：自動駕駛算法環節簡易產業鏈 資料來源：36氪研究院根據調研內容整理 激光雷達 毫米波雷達 攝像頭 其他 高精度地圖 芯 片 / 計 算 平 臺 復雜線控 制動系統 轉動系統等 決策深度學習感知設備組合 數據計算（GPU/ASIC） 控制安裝控制器 前裝/后裝控制器 傳感器層面的競爭相對更加激烈，多家廠商積極打造符合自動駕駛規 格的雷達、攝像頭解決方案等，而算法型公司也根據各自的模型和標 的場景加強算

48、力，加速落地。 23 2019.636Kr-自動駕駛專題研究報告 隨著關于細分產業的格局我們以感知層和決策層為主，控制層的線控 安裝主要由主機廠是否開放底層線控決定。 3.2 細分產業格局：傳感器、高精地圖、芯片、控制器的現狀 3.2.1 高精度地圖概念與訂單落地 1) 與傳統圖商的區別：收集數據后與已有地圖數據匹配轉化 傳統圖商：當司機駕駛汽車行駛在城市或低/高速路段時，導航地圖 會向我們推薦一條或幾條路線，現有的多數導航地圖甚至顯示擁堵情 況，以及每需要花費的時間。獲得這些信息后，司機根據地圖提供的 信息決定是否直行和轉彎，并對周圍的駕駛環境進行評估，可能還要 考慮交通管制：信號燈、限速標

49、志等。 高精度地圖：自動駕駛在脫離人力的情況下，無法自主判斷目前所在 位置以及依據GPS識別交通信號燈、指示牌、行人以及其他障礙物。 因此，包含大量駕駛輔助信息的高精度地圖便成為自動駕駛不可或缺 的重要環節。高精度地圖擁有眾多特點，精度多在510厘米（高精 性）、（包容性）、語義信息多（實時性）。 高精度地圖的制作環節復雜，采集車通過眾包形式采集傳感器收集的 激光點云等數據、進一步清洗數據并降噪脫敏、隨之導入數據進行作 業分配，最后進行合并及地圖編譯重構三維場景。 3 競爭格局 3.1 產業鏈 3.2 細分行業格局 3.3 競爭性分析 3.4 主要玩家 2) 商業模式：按年/服務量進行費用支付 高精度地圖的制作與應用需要以云服務作為載體，因此相比于傳統地 圖License模式，按年（年費）或者按服務量（服務費）的支付方式 進行是高精度地圖比較特殊的一點。即使像海外圖商如Here、 TomTom等，其高精度地圖產品也還沒有形成比較具體清晰的商業模 式。高精度地圖產品最終的收費模式需要圖商、Tier1、車廠等產業 鏈中主要參與者共同協商確定。 24 2