計算機行業智能駕駛研究框架系列一：AI數據驅動視角下的智能駕駛-240312（65頁）.pdf

《計算機行業智能駕駛研究框架系列一：AI數據驅動視角下的智能駕駛-240312（65頁）.pdf》由會員分享，可在線閱讀，更多相關《計算機行業智能駕駛研究框架系列一：AI數據驅動視角下的智能駕駛-240312（65頁）.pdf（65頁珍藏版）》請在三個皮匠報告上搜索。

1、 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 Table_Info1 計算機計算機 Table_Date 發布時間：發布時間：2024-03-12 Table_Invest 優于大勢優于大勢 上次評級:優于大勢 Table_PicQuote 歷史收益率曲線 Table_Trend 漲跌幅（%）1M 3M 12M 絕對收益 17%-13%-18%相對收益 11%-19%-7%Table_Market 行業數據 成分股數量（只）331 總市值（億）35,119 流通市值（億）29,879 市盈率（倍）101.25 市凈率（倍）3.48 成分股總營收（億）10,783 成分股總凈利潤（

2、億）312 成分股資產負債率（%）42.60 相關報告 華為合作伙伴大會召開在即，關注伙伴+華為 -20240311 海外 AI 應用&終端表現優異，關注國內 AI應用進展 -20240303 市場迎來超跌反彈，中長期堅持關注真正成長方向 -20240225 數字人民幣系列一：數幣推廣帶來顛覆性變革 -20240218 海外 AI 投資如火如荼，文生圖迎來重大進展 -20240218 Table_Author 證券分析師：吳源恒證券分析師：吳源恒 執業證書編號：S0550522100004 15767875282 Table_Title 證券研究報告/行業深度報告 AI 數據驅動視角下的智能駕

3、駛數據驅動視角下的智能駕駛-智能駕駛研究框架系列一智能駕駛研究框架系列一 報告摘要：報告摘要：Table_Summary 傳統傳統自動駕駛行業存在兩種不同的研發路徑自動駕駛行業存在兩種不同的研發路徑：漸進派與躍進派漸進派與躍進派，其，其在自在自動駕駛技術的開發和商業模式上存在顯著差異動駕駛技術的開發和商業模式上存在顯著差異。以特斯拉等主機廠為代表的“漸進派”和以 Waymo、百度 Apollo 等科技公司為代表的“躍進派”。漸進派傾向于穩步前進，通過逐漸增加系統的復雜性和能力來減少風險，期待在不斷的積累和迭代過程中突破瓶頸，從 L1、L2、L3 狀態的“人機共駕”逐漸過渡到 L4 的無人駕駛；

4、躍進派則追求通過大膽的技術創新來加速實現完全自動駕駛的目標，直接跳過 L3 級別的瓶頸，直接以 L4 的無人駕駛為目標進行研發，通過在有限范圍、特殊場景內營運來打通產品邏輯，構建智能化移動出行服務體系。以特斯拉為代表的以特斯拉為代表的“漸進派”“漸進派”的的智能駕駛已進入以數據驅動為標志的智能駕駛已進入以數據驅動為標志的 3.0時代，數據閉環成為量產落地的核心。時代，數據閉環成為量產落地的核心。在傳統的模塊化自動駕駛系統中，智能駕駛的實現依賴于三大關鍵模塊：感知、決策、控制，每個模塊專注于完成特定的功能，并與其他模塊通過定義良好的接口交互。而特斯拉 FSD 的端到端大模型，則消除了自動駕駛系統

5、的感知和定位、決策和規劃、控制和執行之間的斷面，將三大模塊合在一起，形成了一個大的神經網絡。其采用的端到端方案采用全棧神經網絡實現，直接輸入傳感器數據，輸出轉向、制動和加速信號，全程沒有任何編碼。隨著自動駕駛級別提升和應用范圍擴大，數據量急劇增長，訓練、傳輸、存儲成本也隨之攀升。端到端架構將所有模塊串在一起統一訓練，意味著提升性端到端架構將所有模塊串在一起統一訓練，意味著提升性能所需的數據量和算力規模更大能所需的數據量和算力規模更大，頭部智能駕駛廠商頭部智能駕駛廠商的的數據閉環數據閉環能力將能力將逐步與第二梯隊拉開差距逐步與第二梯隊拉開差距。躍進派自動駕駛廠商則躍進派自動駕駛廠商則在特定場景下

6、，比如礦山、港口、環衛、無人物在特定場景下，比如礦山、港口、環衛、無人物流小車等賽道穩步推進，已經接近批量復制的節點。流小車等賽道穩步推進，已經接近批量復制的節點。具體到特定場景中，比如礦山場景不涉及路權問題、環境相對簡單，容錯率很高，無重大安全隱患；在港口場景中，道路結構化程度高，環境簡單，路權問題相對容易解決。目前，這些場景普遍已不需要配備車內安全員，預計在 1-2 年內實現大規模商業化落地。不過各類應用場景由于適用環境道路和技術水平存在差異，落地規模和商業化進展不一，難以一步到位實現全地圖L4 級以上自動駕駛。目前來看封閉低速載物場景在 2025 年左右可大規模商業化落地，高速載物場景則

7、在 2030 年左右方可落地，具體落地的核心推手是技術成熟度及國內的法規完善進度。投資建議投資建議：建議重點關注以下幾個關鍵因素及其產業鏈相關變化從而找尋投資機會：（1）以高階智能駕駛技術比如特斯拉的突破與用戶體驗的實質性提升；（2）國產智能駕駛領域的高性價比解決方案的普及速度和市場接受度；（3）整個自動駕駛技術及硬件供應商的競爭格局變化，特別是領先企業的戰略調整和新興企業的市場表現；（4）在智能駕駛滲透率提高之后，相應后服務市場的爆發。風險提示：風險提示：自動駕駛技術發展不及預期，全球宏觀經濟波動 Table_CompanyFinance -50%-40%-30%-20%-10%0%10%2

8、0%2023/32023/62023/9 2023/12計算機滬深300 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 2/65 計算機計算機/行業深度行業深度 目目 錄錄 1.1.智能駕駛是汽車駕駛發展的必然過程智能駕駛是汽車駕駛發展的必然過程.5 1.1.1.1.從電氣化到電子化，自動駕駛已跨越百年歷史從電氣化到電子化，自動駕駛已跨越百年歷史.7 1.2.1.2.“漸進派漸進派”VS“躍進派躍進派”.10 2.2.智能駕駛傳感器智能駕駛傳感器.13 2.1.2.1.感知類傳感器感知類傳感器.13 2.1.1.2.1.1.攝像頭攝像頭.14 2.1.2.2.1.2.超聲波雷達超聲

9、波雷達.17 2.1.3.2.1.3.激光雷達激光雷達.19 2.1.4.2.1.4.毫米波雷達毫米波雷達.21 2.1.5.2.1.5.傳感器搭載方案傳感器搭載方案.24 2.2.2.2.定位類傳感器定位類傳感器.27 2.2.1.2.2.1.GNSS（全球導航衛星系統）（全球導航衛星系統）.28 2.2.2.2.2.2.IMU（慣性測量單元）（慣性測量單元）.28 2.2.3.2.2.3.高精地圖高精地圖.29 3.3.漸進派：從特斯拉聊起漸進派：從特斯拉聊起.32 3.1.3.1.從從“模塊化模塊化”到到“端到端端到端”.32 3.1.1.3.1.1.模塊化方案模塊化方案.32 3.1.

10、1.1.3.1.1.1.第一階段：第一階段：2D+CNN.33 3.1.1.2.3.1.1.2.第二階段：第二階段：BEV+Transformer.36 3.1.1.3.3.1.1.3.第三階段：占用網絡第三階段：占用網絡.39 3.1.2.3.1.2.端到端方案端到端方案.41 3.2.3.2.規劃與控制規劃與控制.42 3.3.3.3.數據閉環工具鏈數據閉環工具鏈.43 3.3.1.1.3.3.1.1.數據標注數據標注.44 3.3.1.2.3.3.1.2.場景仿真場景仿真.48 4.4.躍進派：封閉低速場景逐步落地，高速場景靜待政策躍進派：封閉低速場景逐步落地，高速場景靜待政策.52 4

11、.1.4.1.載人場景載人場景.52 4.1.1.4.1.1.Robotaxi.52 4.1.2.4.1.2.Robobus.53 4.2.4.2.載物場景載物場景.55 4.2.1.4.2.1.干線物流干線物流.55 4.2.2.4.2.2.末端配送末端配送.56 4.3.4.3.特殊場景特殊場景.58 4.3.1.4.3.1.港口場景港口場景.58 4.3.2.4.3.2.礦區場景礦區場景.59 4.3.3.4.3.3.環衛場景環衛場景.61 5.5.投資建議投資建議.63 圖表目錄圖表目錄 圖圖 1：自動駕駛歷史：自動駕駛歷史.7 圖圖 2：汽車從電氣化到電子化：汽車從電氣化到電子化.8

12、 圖圖 3：自動駕駛兩種研發路徑：自動駕駛兩種研發路徑.10 圖圖 4：部分主機廠商自動駕駛汽車落地時間路線圖：部分主機廠商自動駕駛汽車落地時間路線圖.11 圖圖 5：攝像頭探測范圍：攝像頭探測范圍.14 圖圖 6：特斯拉：特斯拉 Model 3 擋風玻璃后的三個前視攝像頭擋風玻璃后的三個前視攝像頭.15 2VkUkZrZiXbWtQbR9R9PoMmMnPrNfQoOmPlOrQsP6MoPmMvPqMyQNZnOtN 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 3/65 計算機計算機/行業深度行業深度 圖圖 7：大陸集團的：大陸集團的 2019 年推出的一款前視年推出的一款前

13、視+360 度可視的多攝像頭集成系統度可視的多攝像頭集成系統.15 圖圖 8：特斯拉側視攝像頭：特斯拉側視攝像頭.16 圖圖 9：后視攝像頭：后視攝像頭.16 圖圖 10：內置攝像頭：內置攝像頭.17 圖圖 11：超聲波雷達工作原理：超聲波雷達工作原理.18 圖圖 12：超聲波雷達探測范圍：超聲波雷達探測范圍.18 圖圖 13：超聲波雷達實現自動泊車功能：超聲波雷達實現自動泊車功能.19 圖圖 14：激光雷達探測范圍：激光雷達探測范圍.20 圖圖 15：激光雷達掃描感知圖：激光雷達掃描感知圖.21 圖圖 16：毫米波雷達的工作原理：毫米波雷達的工作原理.22 圖圖 17：毫米波雷達測量效果：毫

14、米波雷達測量效果.22 圖圖 18：毫米波雷達探測范圍：毫米波雷達探測范圍.23 圖圖 19：4D 毫米波雷達與傳統雷達的區別毫米波雷達與傳統雷達的區別.23 圖圖 20：視覺派和激光雷達派代表廠商：視覺派和激光雷達派代表廠商.24 圖圖 21：純視覺方案：純視覺方案.24 圖圖 22：特斯拉車身攝像頭搭載方案：特斯拉車身攝像頭搭載方案.25 圖圖 23：特斯拉車身攝像頭環視視野：特斯拉車身攝像頭環視視野.25 圖圖 24：多傳感器融合方案原理：多傳感器融合方案原理.26 圖圖 25：特斯拉純視覺路線競爭壁壘：特斯拉純視覺路線競爭壁壘.27 圖圖 26：定位類傳感器應用：定位類傳感器應用.27

15、 圖圖 27：GNSS 系統構成系統構成.28 圖圖 28：GPS、IMU 實現高精定位工作原理實現高精定位工作原理.29 圖圖 29：高精地圖發展歷程：高精地圖發展歷程.29 圖圖 30：高精地圖示例：高精地圖示例.30 圖圖 31：高精地圖在十字路口的應用：高精地圖在十字路口的應用.30 圖圖 32：百度：百度 Apollo2.0 多傳感器高精度定位實現方式多傳感器高精度定位實現方式.31 圖圖 33：傳感器與高精地圖效果對比：傳感器與高精地圖效果對比.31 圖圖 34：HydraNet 網絡框架網絡框架.34 圖圖 35：特斯拉圖像數據預處理：特斯拉圖像數據預處理.34 圖圖 36：Bi

16、FPN 架構圖架構圖.35 圖圖 37：特斯拉九頭蛇網絡：特斯拉九頭蛇網絡.36 圖圖 38：BEV 感知效果圖感知效果圖.37 圖圖 39：后融合和特征前融合的效果差異：后融合和特征前融合的效果差異.38 圖圖 40：車輛數據融合的三種模式：車輛數據融合的三種模式.39 圖圖 41：占用網絡示意圖：占用網絡示意圖.39 圖圖 42：占用網絡工作原理：占用網絡工作原理.40 圖圖 43：占用網絡架構：占用網絡架構.41 圖圖 44：端到端自動駕駛工作原理：端到端自動駕駛工作原理.41 圖圖 45：端到端自動駕駛：端到端自動駕駛.42 圖圖 46：特斯拉：特斯拉 FSD 架構架構.42 圖圖 4

17、7：特斯拉具體軌跡得分：特斯拉具體軌跡得分.43 圖圖 48：數據閉環體系：數據閉環體系.44 圖圖 49：高精度軌跡預測：高精度軌跡預測.45 圖圖 50：多路徑聯合重建：多路徑聯合重建.45 圖圖 51：新路徑自動標注：新路徑自動標注.46 圖圖 52：自動標注算法有助于效率提升：自動標注算法有助于效率提升.46 圖圖 53：兩種數據標注方案：兩種數據標注方案.47 圖圖 54：SAM 如何解決如何解決 ZEROSHOT 問題問題.48 圖圖 55：特斯拉仿真構建的世界：特斯拉仿真構建的世界.49 圖圖 56：特斯拉仿真基本流程：特斯拉仿真基本流程.49 圖圖 57：自動駕駛仿真效果：自動

18、駕駛仿真效果.50 圖圖 58：自動駕駛仿真效果圖：自動駕駛仿真效果圖.51 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 4/65 計算機計算機/行業深度行業深度 圖圖 59：自動駕駛仿真中可能出現的干擾行為：自動駕駛仿真中可能出現的干擾行為.51 圖圖 60：蘿卜快跑：蘿卜快跑 Robotaxi.53 圖圖 61：北京示范區運行：北京示范區運行 Robobus.54 圖圖 62：蘑菇車聯自動駕駛城市公共服務車隊：蘑菇車聯自動駕駛城市公共服務車隊.54 圖圖 63：搭載自動駕駛系統智加領航的江淮汽車：搭載自動駕駛系統智加領航的江淮汽車 K7+.55 圖圖 64：小馬智行獲得廣州首

19、個自動駕駛卡車編隊行駛測試牌照：小馬智行獲得廣州首個自動駕駛卡車編隊行駛測試牌照.56 圖圖 65：小魔駝：小魔駝 3.0 末端物流自動配送車末端物流自動配送車.56 圖圖 66：順豐的配送機器人：順豐的配送機器人.57 圖圖 67：全球首個：全球首個“智慧零碳智慧零碳”碼頭天津港北疆港區碼頭天津港北疆港區 C 段智能化集裝箱碼頭段智能化集裝箱碼頭.58 圖圖 68：廈門遠海集裝箱碼頭東風：廈門遠海集裝箱碼頭東風“無限星無限星”第三代無人集卡編隊運行第三代無人集卡編隊運行.59 圖圖 69：小魔駝：小魔駝 3.0 末端物流自動配送車末端物流自動配送車.60 圖圖 70：鋰業首個全礦智能綠色礦山

20、項目：鋰業首個全礦智能綠色礦山項目.60 圖圖 71：仙途智能環衛車：仙途智能環衛車.61 圖圖 72：深蘭科技系列環衛車：深蘭科技系列環衛車.62 表表 1：ADAS 部分功能描述部分功能描述.5 表表 2：自動駕駛分級：自動駕駛分級.9 表表 3：L4 級供應商落地場景級供應商落地場景.12 表表 4：主流車型上的感知類傳感器類型：主流車型上的感知類傳感器類型.13 表表 5：ADAS 主要攝像頭應用主要攝像頭應用.14 表表 6：特斯拉感知算法迭代歷程：特斯拉感知算法迭代歷程.33 表表 7：CNN 與與 Transformer 模型對比模型對比.37 請務必閱讀正文后的聲明及說明請務必

21、閱讀正文后的聲明及說明 5/65 計算機計算機/行業深度行業深度 1.1.智能駕駛智能駕駛是汽車駕駛發展的必然過程是汽車駕駛發展的必然過程 智能駕駛，即智能駕駛，即 ADAS（Advanced Driver Assistance Systems），高級輔助駕駛系統，），高級輔助駕駛系統，通常指的是輔助駕駛技術的集合通常指的是輔助駕駛技術的集合；自動駕駛，即自動駕駛，即 ADS（Autonomous Driving System），），則指的是車輛能夠在沒有人類司機干預的情況下，完成駕駛任務的技術。則指的是車輛能夠在沒有人類司機干預的情況下，完成駕駛任務的技術。ADAS 技術可以幫助司機更安全、

22、更舒適地駕駛，但不完全取代司機的控制。智能駕駛系統可能包括自適應巡航控制、車道保持輔助、緊急制動輔助、交通標志識別等功能；AD 技術包括從起點到終點的整個駕駛過程沒有人類司機干預，涉及環境感知、決策制定和執行控制等復雜功能。表表 1：ADAS 部分部分功能功能描述描述 功能功能 分類分類 功能功能 簡稱簡稱 功能全稱功能全稱 功能描述功能描述 主主 動動 安安 全全 FCW 前向碰撞預警(Front Collision Warning)監測前方車輛，判斷本車和前車間距、相對速度和位置，并及時給與駕駛員警告 PCW 行人碰撞預警(Pedestrian Collision warning)監測車輛

23、前方 30m,車輛中心兩側 1.8m 的矩形區域內的行人，實時計算在車前方的行人和車子即將發生碰撞的時間(TTC)。當 TTC 一旦降低到一個危險值的時候，如車輛在 2s 內可能會撞上行人，行人碰掩預警系統將向駕駛員發出預警。BSW/BSD 盲點檢測預警(Blind Spot Detection Waring)主要是為了解決后視鏡的盲區，它依賴于車輛尾部兩個雷達時刻監測車輛的側后面和側面狀態，如果發現車輛位于該區域內，駕駛員將通過后視鏡上盲點警告指示燈和組合儀表獲得相關警告提示，避免在車道變換過程中由于后視鏡盲區而發生事故。LCA 變道輔助(Lane Changing Assist)檢測車輛后

24、方區域，判斷后方相鄰車道上車輛的相對位置、速度、方向等，駕駛員給出變道指令后進行自動變道 AEB 自動緊急剎車(Autonomous Emergency Brake)AEB 系統采用雷達測出與前車或者障礙物的距離，然后利用數據分析模塊將測出的距離與警報距離、安全距離進行比較，小于警報距離時就進行警報提示，而小于安全距離時即使在駕駛員沒有來得及踩制動踏板的情況下，AEB 系統也會啟動，使汽車自動制動，從面為安全出行保駕護航。RCW 后向碰撞預警(Rear Collision Warning)實時監測車輛后方環境，并在可能受到后方碰撞危險時發出警告信息。SCW 側向碰撞預警(Side Collis

25、ion Warning)實時監測車輛兩側環境，并在可能受到來自兩側碰撞危險時發出警告信息。LDW 車道偏離預警(Lane Departure Warning)-監測行車中是否在未打轉向燈的前提下突然大幅度偏離當前車道。一且發現則發出聲響警告對司機進行警示。這將使司機可以馬上采取行動，回到原行車道上 LKA 在道保持輔助(Lane Keeping Assist)也叫車道偏離修正(Lane Departure Prevention,LDP),就是在LDW 的基礎上，自動控制汽車回到當前行駛的車道。LCC 車道居中控制(Lane Centering Control)e 如果系統檢測到車輛開始偏離車道

26、中心，它會自動調整方向，幫助駕駛員將車輛糾正回車道中心位置。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 6/65 計算機計算機/行業深度行業深度 泊車泊車 輔助輔助 APA 自動泊車輔助(Automated Parking Assist)在泊車入位時駕駛員仍然需要在主駕駛位，車輛自動控制泊車的方向和速度，但駕駛員要隨時觀察周圍環境，準備踩剎車等應急操作。RPA 遠程泊車軸助(Remote Parking Assist)e 泊車過程中人處于駕駛座艙之外觀察環境，隨時準備通過巡控器或手機 APP 進行剎車和控制，適合于停車位狹窄的場合。MPA 記憶泊車輔助(Memory Parkin

27、g Assist,MPA)依托 360 全景影像功能，實現即時定位與地圖構建，實現在特定場景(比如：家庭固定停車場)中固定路線的自主泊車。AVM 全景環視監控(Around View Monitoring)通過安裝在車身前后左右的 4 個超廣角攝像頭同時采集車輛四周的影像，經過圖像處理單元矯正和拼接后，形成一幅車輛四周的 2D 或 3D 全景圖，實時傳送到中控臺的顯示設備上。駕駛員坐在車中即可直觀地看到車輛所處的位置以及車輛周圍的障礙物，從而操控車輛泊車入位或通過復雜路面。駕駛駕駛 舒適性舒適性 ACC 自適應巡航控制(Adaptive Cruise Control)ACC 功能將車輛保持設定

28、的最大巡航速度向前行駛。如果檢測到前方有車輛，自適應巡航(ACC)將根據需要降低車速，與前車保持基于選定時間的距離，直到達到合適的巡航速度。TJA 交通擁堵輔助(Traffic Jam Assist)主要針對車速較低時(一般是 0-60Km/h),為駕駛員同時提供橫向和縱向的輔助控制功能。當路面上有清晰車道線而且自車前方一定距離內沒有參考車輛時，TJA功能能控制車輛以一定的車速在車道線中間位置行駛，而如果車輛前方有參考車輛時，TJA 功能能控制車輛按照前車的行駛軌跡行駛，井主動挖制自車的加減速，控制車輛和前車保持一定的時距。ICA 集成巡航輔助(Integrated Cruise Assist

29、)在車速較高時(一般大于 60Km/h)為駕駛員提供橫向和縱向的輔助駕駛功能。ICA 功能基本上可以看作是ACC 和 LKA 功能的組合，控制車輛以一定的車速在車道線內行駛。ICA 和 TJA 功能不同的是，ICA 工作車速更高，而且 ICA 始終把車輛維持在車道中心附近行駛，不具備無車道線時的跟車行駛功能。ALC 自動變道輔助(Automated Lane Change Assist)當車輛處于輔助駕駛模式時(車道居中輔助 LCC 功能已激活),車速大于 65km/h,駕駛員按下左轉向燈或右轉向燈撥桿，自動變道輔助系統將對環境進行判斷，然后輔助駕駛員將車輛駛入相鄰車道。HWA 高速公路輔助(

30、Highway Assist)HWA 主要是針對高速公路駕駛的場景。該功能在ACC 自適應巡航與車道保持輔助的基礎上，新增一些更高級的功能，來提高高速路自動駕駛的舒適性，比如：可根據駕駛員的觸發(打轉向燈)進行自動變道的ALC 功能、駕駛員狀態監控(Hands on/hands off 等);低迷無車道線場景下跟隨前方車輛(TJA 功能);道路標識、限速標識探測；車道線探測及車道保持等等。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 7/65 計算機計算機/行業深度行業深度 NOA 導航自動駕駛輔助(Navigate on Autopilot)特斯拉類似于 HWA 的功能，在駕駛員

31、設定了導航路線之后，車輛可以白動在高速或封閉快速路上行駛，包括但不限于自動變換車道、自動進出匝道切換高速等等。類似的功能還有蔚來 NOP、小鵬 NGP 數據來源：智能交通技術前沿，東北證券 1.1.1.1.從電氣化到電子化，從電氣化到電子化，自動駕駛自動駕駛已跨越已跨越百年歷史百年歷史“汽車自動化汽車自動化”提出至今已有近百年的歷史，從最初的遙控到如今的提出至今已有近百年的歷史，從最初的遙控到如今的 ADAS 及及 ADS承載了一代又一代前沿科學家對于方便人類生活出行的夢想和對智能化、高效化、承載了一代又一代前沿科學家對于方便人類生活出行的夢想和對智能化、高效化、自動化未來的展望。自動化未來的

32、展望。第一輛“自動駕駛”汽車可以追溯至 1925 年，一輛稱為“美國奇跡”的汽車，通過無線電的控制來實現“自動駕駛”，類似于玩具遙控車。從此以后，人們開始研究和探索自動駕駛的概念。2004 年美國軍事研究機構 DARPA 舉辦的無人車越野大賽中，來自斯坦福大學的 Sebastian Thrun 所帶領的 Stanley 車隊獲得了第一名，代表了現代意義的無人駕駛萌芽。其所使用的車輛是一輛大眾途銳（Touareg），搭載了微型計算機、現代標準的攝像頭、雷達和激光掃描設備，能夠依靠機器學習決定自己該如何前進。從此自動駕駛真正成為了互聯網和制造業緊密結合的產物，是軟件系統和硬件架構的完美結合；201

33、0 年代，自動駕駛技術進入了商業化階段。一些公司推出了商用自動駕駛系統，并在一些城市進行了有限的自動駕駛汽車服務。同時，一些國家和地區開始頒布法規和政策，規范自動駕駛技術的測試和應用。目前，自動駕駛技術仍在不斷發展和完善中。盡管還存在許多技術和法律挑戰，但自動駕駛技術已經成為未來交通領域的重要發展方向，對改善交通安全、減少交通擁堵和提高交通效率具有重要意義。圖圖 1：自動駕駛歷史：自動駕駛歷史 數據來源：數據驅動的智能駕駛、東北證券整理 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 8/65 計算機計算機/行業深度行業深度 從電氣化到電子化的過程標志著技術發展的重大轉折點，這一變遷

34、不僅影響了汽車從電氣化到電子化的過程標志著技術發展的重大轉折點，這一變遷不僅影響了汽車工業的發展，也為自動駕駛技術的實現提供了基礎。工業的發展，也為自動駕駛技術的實現提供了基礎。電氣化的起點可以追溯到 19 世紀末至 20 世紀初，這一時期汽車開始使用電氣系統，如點火系統、照明和啟動器。電氣化使得汽車設計和功能得到了顯著改進，提高了汽車的安全性、便利性和舒適性。電子化的發展始于 20 世紀 70 年代，隨著微處理器的引入，汽車開始采用更加復雜的電子控制系統，如電子燃油噴射系統、防抱死制動系統（ABS）、電子穩定程序（ESP）和各種傳感器的應用，使得汽車更加節能、環保、安全和智能。電子化的關鍵里

35、程碑包括引擎控制單元（電子化的關鍵里程碑包括引擎控制單元（ECU）的廣泛使用和數字化儀表盤的引入。）的廣泛使用和數字化儀表盤的引入。電氣化到電子化的轉變為自動駕駛技術的發展奠定了基礎。自動駕駛汽車依賴于大量的電子控制系統和傳感器來感知環境、做出決策并控制車輛行駛。例如，激光雷達（LiDAR）、攝像頭、雷達和超聲波傳感器等，都是電子化技術的產物，它們為自動駕駛汽車提供了“眼睛”和“耳朵”。此外，高級駕駛輔助系統（ADAS）的發展和成熟，如自適應巡航控制、車道保持輔助和自動緊急制動，都是自動駕駛技術發展的重要步驟。隨著電子技術的不斷發展和完善，未來的自動駕駛汽車將更加智能、安全和高效。圖圖 2：汽

36、車：汽車從電氣化到電子化從電氣化到電子化 數據來源：博世，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 9/65 計算機計算機/行業深度行業深度 按照美國汽車工程師學會（按照美國汽車工程師學會（SAE），智能駕駛按照自動化水平分為），智能駕駛按照自動化水平分為 L0 至至 L5 六個級六個級別。別。其中 L3 級別為自動駕駛的分水嶺，L3 級別以下為輔助駕駛，L3 及以上級別為自動駕駛。L3 級別的最大區別在于由人負責監控環境變為系統負責監控環境，而這導致了事故后的責任歸屬的改變。因此，L3 級別是智能駕駛發展的瓶頸。當然按照現在的技術模式，這種粗糙的 L0 至 L5 的

37、分類已不能完全描述目前市場中主流的智駕方案，現在也有不少主機廠的思路是按照駕駛行為進行分類，比如按照人對智能汽車的介入程度進行劃分:毫秒級、秒級、分鐘級、小時級等。表表 2：自動駕駛分級：自動駕駛分級 名稱名稱 定義定義 控制控制 感知感知 接管接管 典型功能典型功能 L0 無自動化 車輛完全由人類駕駛員控制 駕駛員 駕駛員 駕駛員 自動緊急制動系統（AEB）L1 駕駛輔助 車輛具備一些輔助功能 駕駛員 駕駛員 駕駛員 自適應巡航控制（ACC）、車道保持輔助（LCA）L2 部分自動化 車輛能在某些情況下接管駕駛，但需要駕駛員隨時準備接管控制 車輛 駕駛員 駕駛員 主動駕駛輔助（ADA）L3 有

38、條件自動化 車輛在特定條件下能夠完全自動駕駛，但在系統請求時，駕駛員需要接管 車輛 車輛 駕駛員 城市道路領航（NOA）L4 高度自動化 車輛在大多數情況下能夠完全自動駕駛，無需人類介入 車輛 車輛 車輛 自動駕駛出租車（Robotaxi）L5 完全自動化 車輛在所有道路和環境條件下都能實現完全自動駕駛 車輛 車輛 車輛 數據來源：SAE、東北證券整理 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 10/65 計算機計算機/行業深度行業深度 1.2.1.2.“漸進派”“漸進派”VS“躍進派”“躍進派”針對自動駕駛存在的針對自動駕駛存在的 L3 級別的瓶頸，級別的瓶頸，傳統傳統自動駕

39、駛行業目前存在兩種不同的研發自動駕駛行業目前存在兩種不同的研發路徑，以特斯拉等主機廠為代表的路徑，以特斯拉等主機廠為代表的“漸進派漸進派”和以和以 Waymo、百度、百度 Apollo 等科技公司等科技公司為代表的為代表的“躍進派躍進派”。不過隨著技術的不斷推進，雖然商業模式上仍有較大區別，但是漸進派與躍進派在自動駕駛技術路線上開始慢慢走向一致：漸進派傾向于穩步前進漸進派傾向于穩步前進，通過逐漸增加系統的復雜性和能力來減少風險，期待在不斷的積累和迭代過程中突破瓶頸，從 L1、L2、L3 狀態的“人機共駕”逐漸過渡到 L4 的無人駕駛；躍進派則追求通過大膽的技術創新來加速實現完全自動駕駛的目標躍

40、進派則追求通過大膽的技術創新來加速實現完全自動駕駛的目標，直接跳過L3 級別的瓶頸，直接以 L4 的無人駕駛為目標進行研發，通過在有限范圍、特殊場景內營運來打通產品邏輯，構建智能化移動出行服務體系。圖圖 3：自動駕駛兩種研發路徑：自動駕駛兩種研發路徑 數據來源：芝能汽車，東北證券 自動駕駛領域的漸進派和躍進派各有其挑戰，前者的主要挑戰是進入門檻相對較低自動駕駛領域的漸進派和躍進派各有其挑戰，前者的主要挑戰是進入門檻相對較低導致競爭激烈，后者的主要挑戰是政策法規及技術成熟速度不及預期導致長期消耗導致競爭激烈，后者的主要挑戰是政策法規及技術成熟速度不及預期導致長期消耗巨大。巨大。采用漸進式發展路線

41、的主要有三類公司，一類是造車新勢力，包括國外的特斯拉，國內的造車新勢力蔚來、理想、小鵬等，一類是傳統主機廠，例如奔馳、上汽、長城等，還有一類是科技公司，包括華為等。各類勢力相繼下場爭奪市場空間，導致競爭非常激烈，而要由漸進式最終實現無人駕駛需要確保占據一定市場規模，因此最終會有部分企業面臨淘汰；而采用跨越式路線要實現落地需要同時具備技術成熟和配套的政策法規完善兩大條件，其中技術成熟度層面無人駕駛面臨的最大挑戰是應對極端場景的處理性能，請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 11/65 計算機計算機/行業深度行業深度 而僅憑路測獲取的數據要覆蓋全部極端場景可能需要很長周期，因此

42、會導致最終能夠實現全場景無人駕駛落地的時間不可控，在這個過程中需要消耗的資金量巨大?！皾u進派漸進派”以車企為代表，其商業模式主要是通過自行造車或者與車企合作造車，根以車企為代表，其商業模式主要是通過自行造車或者與車企合作造車，根據用戶現階段的實際需求或適當引導需求逐步落地自動駕駛功能，如高速巡航、自據用戶現階段的實際需求或適當引導需求逐步落地自動駕駛功能，如高速巡航、自主泊車等，通過主泊車等，通過 OTA 軟件迭代升級的模式最終自然而然過渡到完全無人駕駛。軟件迭代升級的模式最終自然而然過渡到完全無人駕駛。這套模式比較重視落地成本，因此在硬件選型、供應鏈整合、制造水平等方面會投入較大精力。目前國

43、內量產智能駕駛產品的實現以 L2 級別以及 L2+級別智能駕駛為主，其中 L2+級別主要包括 NOA（自動輔助導航駕駛，Navigate on Autopilot）功能。智能駕駛發展的技術路徑為 L2 輔助駕駛到高速 NOA 到城區 NOA，高速 NOA 為當前主機廠智駕推進目標之一，領先一代包括特斯拉、理想、小鵬等主機廠已實現城區 NOA 功能。圖圖 4：部分主機部分主機廠商自動駕駛汽車廠商自動駕駛汽車落地落地時間路線圖時間路線圖 數據來源：數據驅動的智能駕駛、東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 12/65 計算機計算機/行業深度行業深度 “躍進派躍進派”以以

44、 Waymo、百度、百度 Apollo 等科技公司為代表，由于限定場景下的自動駕駛等科技公司為代表，由于限定場景下的自動駕駛運營邊界受到區域限制，且得到相關行業部門的政策鼓勵，相較于全域自動駕駛，運營邊界受到區域限制，且得到相關行業部門的政策鼓勵，相較于全域自動駕駛，或將更早實現規?；纳虡I落地?；驅⒏鐚崿F規?；纳虡I落地。躍進派公司早期主要依靠資本注入，隨著技術的不斷發展各企業正在逐步探索商業落地之路，目前的商業模式主要有 Robotaxi、Robobus 等交通服務，以及切入特殊的場景如港口、礦山等，這類場景危險系數高，通過自動駕駛替代人工作業，以節約高額人力成本。表表 3：L4 級供應

45、商落地場景級供應商落地場景 場景場景 場景特點場景特點 場景痛點場景痛點 價值價值 代表企業代表企業 干線物流 線路固定、貨運量大、運輸距離遠、行駛速度高 司機短缺、交通事故頻發、燃油成本高、運營效率低 降低人力成本，減少燃油消耗，提升運輸效率，減少事故，提升安全性。主線科技、圖森未來、贏徹科技、智加科技等 末端配送 高頻次、小批量、時間分散 效率低、成本高、監管難、配送人員不足 減少對快遞員的需求、滿足無接觸配送需求降低安全隱患，降低配送成本 京東、阿里、蘇寧、新石器、行深智能、智行者、毫末智行、白犀牛、一清創新等 無人巴士 線路固定、場景復雜、線網部設范圍廣 司機招聘難，人力成本高 完善城

46、市交通微循環體系，解決交通擁堵問題 輕舟智航、宇通客車、文遠知行、百度 Apollo、深蘭科技等 礦山 屬于封閉園區、運行速度較低 危險系數高、安全事故頻發、招工困難、人力 成本高、管理難度大 節省人力成本，提升駕駛效率，降低部件磨損 踏歌智行、易控智駕、希迪智駕、拓疆者、慧拓智能等 港口 場景相對封閉，運行速度較低、環境相對單一 天氣環境惡劣、勞動強度大、人力成本高 提升效率，降低成本，提高安全性 西井科技、斯年智駕、主線科技等 機場 封閉園區 招工成本高、人工作業風險高、存在安全隱患、工作條件惡劣、人工駕駛效率低 高效、經濟、安全 馭勢科技、倉擎智能 無人環衛 封閉/半封閉/開放道路，市政

47、剛需 用人數量多、招聘難、管理難、成本高、安全 風險高 降低人力成本，提升安全性，降低安全風險 仙途智能、于萬智駕、智行者、深蘭科技、高仙機器人、酷哇機器人 等 數據來源：高工智能汽車、東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 13/65 計算機計算機/行業深度行業深度 2.2.智能駕駛傳感器智能駕駛傳感器 智能駕駛技術依賴于多種傳感器來實現車輛的安全和有效操作。智能駕駛技術依賴于多種傳感器來實現車輛的安全和有效操作。傳感器主要包括感知類傳感器、定位類傳感器，能夠收集周圍的信息，包括其他車輛的位置和速度、行人、道路標志、交通燈狀態和道路邊界等，這些信息經過處理后，為系

48、統提供了準確的環境模型和動態變化的數據，使得車輛能夠“看到”并“理解”其所處的環境。在自動駕駛系統中，傳感器大致可以分為兩類：感知類和定位類。感知類傳感器的主要任務是收集車輛周圍環境的信息，它們相當于車輛的“眼睛”和“耳朵”，幫助車輛“看到”和“聽到”周圍的世界，包括攝像頭、超聲波雷達、毫米波雷達、激光雷達（LiDAR）等。定位類傳感器是一類用于測量和確定物體位置、方向或運動狀態的傳感器。這些傳感器通常能夠提供有關物體在三維空間中的坐標、方位、速度和加速度等信息，包括 GPS、IMU 等。2.1.2.1.感知類傳感器感知類傳感器 傳感器是自動駕駛感知層的核心硬件，主要利用車載攝像頭、激光雷達、

49、超聲波雷傳感器是自動駕駛感知層的核心硬件，主要利用車載攝像頭、激光雷達、超聲波雷達、毫米波雷達等對車輛周邊的環境進行實時感知。達、毫米波雷達等對車輛周邊的環境進行實時感知。各自有獨特的工作原理和作用，通過它們的數據融合，可以顯著提高環境感知的準確性和可靠性。表表 4：主流車型上的感知類主流車型上的感知類傳感器傳感器類型類型 攝像頭攝像頭 超聲波雷達超聲波雷達 毫米波雷達毫米波雷達 激光雷達激光雷達 優勢優勢 成本低；采集信息豐富；分辨率高；成本低；適合近距離探測；全天候性；抗干擾能力強；探測距離較長；分辨率高；數據密度高；不受光照影響；劣勢劣勢 受環境影響大；對算法、算力要求高；遠距離探測能力

50、差；易受環境影響；分辨率較低；分辨率較低；高度測量能力差；成本高；物體識別能力差；提供信息提供信息 環境的2D 視覺信視覺信息息 提供短距離內目標物體的距離距離信息 目標物體的距離和角距離和角度度信息 3D 環境信息，包括距離和距離和速度速度 探測范圍探測范圍 最遠可以超過500m 3m 以內 200m 以內 200m 以內 數據來源：高工智能汽車，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 14/65 計算機計算機/行業深度行業深度 2.1.1.2.1.1.攝像頭攝像頭 攝像頭在環境感知中的作用是提供視覺信息，如識別交通標志、信號燈、行道線等。攝像頭在環境感知中的作用

51、是提供視覺信息，如識別交通標志、信號燈、行道線等。通過圖像處理和計算機視覺技術，可以實現對環境中物體的分類和識別。攝像頭通過捕捉光線形成圖像，這些圖像能夠提供豐富的顏色和紋理信息，幫助系統理解環境特征。根據攝像頭安裝位置及其視野不同，一般分為前視、后視、環視、側視以根據攝像頭安裝位置及其視野不同，一般分為前視、后視、環視、側視以及內視攝像頭。及內視攝像頭。圖圖 5：攝像頭探測范圍：攝像頭探測范圍 數據來源：數據驅動的智能駕駛、東北證券整理 表表 5：ADAS 主要攝像頭應用主要攝像頭應用 安裝部位安裝部位 攝像頭類型攝像頭類型 實現功能實現功能 攝像頭功能描述攝像頭功能描述 前視前視 單目/雙

52、目 FCW、LDW、TSR、ACC、PCW 視角一般為 45,雙目攝像頭擁有更好的測距功能，但需要裝在兩個位置，成本較單目貴 50%環視環視 X4 廣角 全景泊車、LDW 廣角鏡頭，在車輛四周裝配 4 個進行圖像拼接實現全景圖，加入算法可實現道路線感知 后視后視 廣角 后視泊車輔助 廣角或魚眼鏡頭，主要為倒車后視攝像頭 側視側視 X2 廣角 盲點檢測、代替后視鏡 盲點檢測主要使用超聲波雷達，但目前也有使用攝像頭代替 內置內置 廣角 閉眼提醒 廣角鏡頭，一般裝在車內后視鏡 數據來源：智能汽車俱樂部，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 15/65 計算機計算機/行業

53、深度行業深度 前視攝像頭一般在風擋玻璃、內后視鏡處，用于前向駕駛輔助的攝像頭，主要是為前視攝像頭一般在風擋玻璃、內后視鏡處，用于前向駕駛輔助的攝像頭，主要是為了識別前方的道路車輛行人。了識別前方的道路車輛行人。圖像傳感器與 DSP 擴展的雙核 MCU 配合，提供傳入視頻幀，進行圖像處理，對道路前方情況進行監測，可以實現 FAM、LDW、ACC 等輔助駕駛功能。前視攝像頭常見是單/雙目攝像頭，雙目測距性能更好，但算法更復雜、價格更高。前視攝像頭處的攝像頭數量并不固定，比如特斯拉，配置了三個攝像頭：前視窄視野攝像頭，最大監測距離 250 米；前視主視野攝像頭，最大監測距離 150 米；前視寬視野攝

54、像頭，最大監測距離 60 米。前視攝像頭是 ADAS 的核心攝像頭，涵蓋測距、物體識別、道路標線等，因此算法復雜，門檻較高。圖圖 6：特斯拉：特斯拉 Model 3 擋風玻璃后的三個前視攝像頭擋風玻璃后的三個前視攝像頭 數據來源：智能汽車俱樂部，東北證券 環視攝像頭一般指安裝在車輛前后車標或附近以及左右后視鏡，主要用于識別停車環視攝像頭一般指安裝在車輛前后車標或附近以及左右后視鏡，主要用于識別停車通道標識、道路情況和周圍車輛狀況。通道標識、道路情況和周圍車輛狀況。環視攝像頭使用多個攝像頭的圖像進行拼接，可以為車輛提供 360 度成像?，F階段，前視與環視是最廣泛的攝像頭應用。圖圖 7：大陸集團的

55、：大陸集團的 2019 年推出的一款前視年推出的一款前視+360 度可視的多攝像頭集成系統度可視的多攝像頭集成系統 數據來源：智能汽車俱樂部，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 16/65 計算機計算機/行業深度行業深度 側視攝像頭一般安裝于左右后視鏡處或下方車身處，主要用于側視攝像頭一般安裝于左右后視鏡處或下方車身處，主要用于 BSD（Blind Spot Detection，盲區監視系統）。，盲區監視系統）。根據安裝位置可以實現前視或后視作用。目前大部分主機廠會選擇安裝在汽車兩側的后視鏡下方的位置。未來可能會將傳統的光學后視鏡用攝像頭取代，變成應用 CMS

56、攝像頭的電子后視鏡。圖圖 8：特斯拉側視攝像頭：特斯拉側視攝像頭 數據來源：搜狐網，東北證券 后視攝像頭一般安裝在尾箱或后擋風玻璃上，主要是用于倒車過程中，便于駕駛員后視攝像頭一般安裝在尾箱或后擋風玻璃上，主要是用于倒車過程中，便于駕駛員對車尾后面影像的捕捉，實現泊車輔助功能。對車尾后面影像的捕捉，實現泊車輔助功能。圖圖 9：后視攝像頭：后視攝像頭 數據來源：智能汽車俱樂部，東北證券 內置攝像頭無固定位置，方向盤中、內后視鏡上方、內置攝像頭無固定位置，方向盤中、內后視鏡上方、A 柱或集成于儀表顯示屏處均柱或集成于儀表顯示屏處均有。有。車內攝像頭 DMS（Driver Monitoring Sy

57、stem，駕駛員監控系統）是一種安裝在汽車內部的攝像頭系統，旨在監控駕駛員的狀態和行為，以提高駕駛安全性和舒適 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 17/65 計算機計算機/行業深度行業深度 性。DMS 通常采用計算機視覺技術來識別和分析駕駛員的面部特征和行為，以檢測駕駛員的疲勞、分心、打哈欠、閉眼、低頭看手機等異常行為，并提供及時的警告或干預措施。圖圖 10：內置攝像頭：內置攝像頭 數據來源：大陸集團，東北證券 攝像頭攝像頭目前是自動駕駛中最主流的傳感設備，目前是自動駕駛中最主流的傳感設備，在自動駕駛的應用中具有采集信息豐在自動駕駛的應用中具有采集信息豐富、分辨率高、成

58、本低的優勢，然而也存在受光照和天氣影響、對算法要求高等問富、分辨率高、成本低的優勢，然而也存在受光照和天氣影響、對算法要求高等問題。題。攝像頭可以提供豐富的視覺信息，包括顏色、形狀、紋理等，能夠對周圍環境進行更為直觀和全面的感知，且具有很高的分辨率，能夠捕捉到細微的細節和特征，有助于對道路標志、行人、車輛等目標進行精確識別。相比于一些其他傳感器如激光雷達、毫米波雷達，攝像頭的成本相對較低，使其成為實現自動駕駛的經濟有效選擇。然而，攝像頭在惡劣的光照條件下（如強烈陽光、雨雪、霧等）容易受到干擾，降低圖像質量和識別準確度。由于道路上的環境復雜多變，攝像頭對于目標的識別和跟蹤需要更復雜的算法和處理技

59、術，對系統的計算資源和處理能力要求較高。2.1.2.2.1.2.超聲波雷達超聲波雷達 超聲波雷達主要用于近距離物體檢測和測距，主要用于停車輔助、低速碰撞避免等超聲波雷達主要用于近距離物體檢測和測距，主要用于停車輔助、低速碰撞避免等場景。場景。它對于小物體和近距離障礙物特別有效。超聲波雷達通過超聲波發射裝置向外發出超聲波，并通過接收器接收到發送過來超聲波時的時間差來測算距離。目前，常用探頭的工作頻率有 40kHz,48kHz 和 58kHz 三種。一般來說，頻率越高，靈敏度越高，但水平與垂直方向的探測角度就越小，故一般采用 40kHz 的探頭。超聲波雷達防水、防塵即使有少量的泥沙遮擋也不影響。探

60、測范圍在 0.1-3 米之間，而且精度較高，因此非常適合應用于泊車。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 18/65 計算機計算機/行業深度行業深度 圖圖 11：超聲波雷達工作原理：超聲波雷達工作原理 數據來源：汽車產業前線觀察，東北證券 常見的超聲波雷達有兩種，常見的超聲波雷達有兩種，UPA 和和 APA。UPA 通常安裝在汽車前后保險杠上作為倒車雷達，其探測距離一般在 15250cm 之間，主要用于測量汽車前后方的障礙物。APA 通常安裝在汽車側面，用于測量側方障礙物距離，探測距離一般在 30500cm之間。APA 的探測范圍更遠，因此相比于 UPA 成本更高，功率也更

61、大。圖圖 12：超聲波雷達探測范圍：超聲波雷達探測范圍 數據來源：數據驅動的智能駕駛、東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 19/65 計算機計算機/行業深度行業深度 超聲波雷達具有成本低、適用于近距離探測等優勢，適用于一些低成本、近距離探超聲波雷達具有成本低、適用于近距離探測等優勢，適用于一些低成本、近距離探測的應用場景，例如自動泊車，然而其探測范圍有限、易受環境影響以及分辨率較測的應用場景，例如自動泊車，然而其探測范圍有限、易受環境影響以及分辨率較低等劣勢也需要考慮。低等劣勢也需要考慮。超聲波傳感器成本只需要幾元人民幣，在近距離探測方面表現良好，通常能夠精確地

62、測量距離，并且在距離較近的情況下具有較高的分辨率。與光學傳感器相比，超聲波傳感器不受光照條件的影響，因此可以在光照較弱或全黑的環境下正常工作。然而，超聲波傳感器的探測范圍相對較短，通常在幾米到十幾米之間，因此在遠距離目標探測方面表現較差。同時，其性能易受環境因素的影響，如溫度、濕度和空氣密度等因素可能影響超聲波的傳播速度和反射特性，從而影響傳感器的測量精度。超聲波傳感器在目標識別和分類方面的分辨率相對較低，難以區分不同類型的目標，特別是在復雜環境下。圖圖 13：超聲波雷達實現自動泊車功能：超聲波雷達實現自動泊車功能 數據來源：汽車產業前線觀察，東北證券 2.1.3.2.1.3.激光雷達激光雷達

63、 激光雷達（激光雷達（LiDAR）主要用于提供高精度的距離測量和三維空間信息，能夠精確識）主要用于提供高精度的距離測量和三維空間信息，能夠精確識別和定位道路上的車輛、行人、障礙物等，特別是在復雜的交通環境中。別和定位道路上的車輛、行人、障礙物等，特別是在復雜的交通環境中。激光雷達通過發射激光束并測量其返回的反射信號來獲取物體的距離和位置，然后將這些數據轉換為離散的三維坐標點，形成點云數據。點云數據通常以直角坐標系表示，每個點都對應著空間中的一個位置，并包含有關該位置的附加信息，如反射強度、法向量等。通過對點云數據進行處理和分析，可以實現對周圍環境的感知和理解，包括識別障礙物、建筑物、道路標記等

64、目標，從而支持自動駕駛、機器人導航、地圖構建等應用。這些點云數據合在一起可以構建出環境的三維模型。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 20/65 計算機計算機/行業深度行業深度 圖圖 14：激光雷達探測范圍：激光雷達探測范圍 數據來源：數據驅動的智能駕駛、東北證券 激光雷達具有分辨率高、精度高、三維感知、數據密度高、不受光照影響的優勢，激光雷達具有分辨率高、精度高、三維感知、數據密度高、不受光照影響的優勢，適用于處理近處高精度的建模，劣勢在于其成本高昂、有盲區、物體識別能力較差。適用于處理近處高精度的建模，劣勢在于其成本高昂、有盲區、物體識別能力較差。由于激光波長比毫米波

65、短 3 個數量級，因此分辨率精度比毫米波強很多，可以清楚地識別周圍的車輛、行人與障礙物。激光雷達可以提供非常精確的距離測量，通常能夠達到亞厘米級別的精度，并提供激光雷達可以提供非常精確的距離測量，通常能夠達到亞厘米級別的精度，并提供精確的三維環境地圖，包括障礙物的高度、形狀和位置等信息。精確的三維環境地圖，包括障礙物的高度、形狀和位置等信息。與攝像頭不同，激光雷達不受光照條件的影響，因為它是通過測量激光的反射來工作的。這使得它在夜間或惡劣天氣條件下也能夠正常工作。激光雷達能夠以高頻率采集數據，產生高密度的點云，從而提供更加詳細和準確的環境信息。激光雷達激光雷達會因為發射角度和方向存在一定的視野

66、盲區，因此通常需要和其他傳感器會因為發射角度和方向存在一定的視野盲區，因此通常需要和其他傳感器配合使用配合使用。激光雷達的工作原理導致其在某些情況下會有盲區，比如在高速移動時可能會因為激光束的角度限制而無法完整地探測到障礙物。激光雷達主要提供距離信息，對于物體的識別能力相對有限，通常需要與其他傳感器如攝像頭配合使用才能實現更準確的目標識別和分類。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 21/65 計算機計算機/行業深度行業深度 圖圖 15：激光雷達掃描感知圖：激光雷達掃描感知圖 數據來源：北京市高級別自動駕駛示范區，東北證券 2.1.4.2.1.4.毫米波雷達毫米波雷達 毫米

67、波雷達主要用于測量物體的距離和相對速度，主要用于自適應巡航控制（毫米波雷達主要用于測量物體的距離和相對速度，主要用于自適應巡航控制（ACC）和碰撞預警系統。和碰撞預警系統。毫米波雷達是一種利用毫米波進行探測的雷達系統，其工作原理主要基于雷達的發射、接收和信號處理過程。毫米波雷達系統首先通過天線發射一束毫米波信號。這些毫米波信號具有很高的頻率，通常在 30 GHz 到 300 GHz 之間，波長很短，約為 1 毫米到 10 毫米。發射的毫米波信號在空間中傳播，遇到目標物體時會一部分被反射回來，在這個過程中，出現多普勒效應，即當物體與車載傳感器相對運動的時，反射波的頻率會發生變化。當物體靠近車輛的

68、時候，頻率會增高；物體遠離車輛的時候，頻率會降低。通過測量反射波的頻率差，我們可以得到目標物的速度。因此，接收天線接收被目標反射回來的毫米波信號，包括了目標物體的距離、速度、角度等信息。接收到的毫米波信號經過信號處理單元進行處理。這個處理過程包括了對信號的放大、濾波、時域分析和頻域分析等步驟。通過對接收到的信號進行處理，可以提取出目標物體的距離、速度和方向等信息?？偟膩碚f，毫米波雷達通過發射和接收毫米波信號，并對接收到的信號進行處理和分析，可以實現對目標物體的距離、速度和方向等信息的檢測和識別。這種工作原理使得毫米波雷達在自動駕駛、車輛防撞、安全監測等領域有著廣泛的應用。請務必閱讀正文后的聲明

69、及說明請務必閱讀正文后的聲明及說明 22/65 計算機計算機/行業深度行業深度 圖圖 16：毫米波雷達的工作原理：毫米波雷達的工作原理 數據來源：小白學視覺，東北證券 毫米波雷達具有全天候性、長距離探測能力、高精度和穿透性強等優勢，尤其在自毫米波雷達具有全天候性、長距離探測能力、高精度和穿透性強等優勢，尤其在自動駕駛、車輛防撞等領域有著廣泛的應用。動駕駛、車輛防撞等領域有著廣泛的應用。毫米波雷達作為主動感知設備不受光照條件的限制，可以在白天、黑夜以及惡劣天氣條件下（如雨雪、霧霾等）正常工作，因此具有全天候性，相比于紅外傳感器和超聲波傳感器，毫米波雷達具有更遠的探測距離，通?？梢蕴綔y數百米甚至幾

70、公里之外的目標，這對于遠距離目標探測和追蹤具有明顯優勢。毫米波雷達具有較高的測量精度，能夠提供較準確的目標位置和速度信息，尤其在對小目標的探測方面表現優異。與光學傳感器（如攝像頭）相比，毫米波雷達不受光照強度、方向和波長等因素的影響，因此在復雜光照條件下具有穩定的性能。毫米波信號在大氣和某些物質（如雨雪、霧霾等）中的穿透性較好，因此毫米波雷達可以檢測被遮擋的目標，對于目標檢測和定位具有一定的優勢。圖圖 17：毫米波雷達測量效果：毫米波雷達測量效果 數據來源：ADAS 之眼，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 23/65 計算機計算機/行業深度行業深度 然而，傳統

71、毫米波雷達（然而，傳統毫米波雷達（3D 毫米波雷達）分辨率相對較低、高度測量能力不佳、目毫米波雷達）分辨率相對較低、高度測量能力不佳、目標識別能力有限。標識別能力有限。傳統毫米波雷達準確性較低，存在如誤報、虛假目標、多徑等影響因素。同時，在測量目標高度上性能不佳，通常只包含距離、方位和速度信息，且存在雜波、噪聲和低分辨率等問題，特別是在角度維度上，這最終限制了它在復雜感知任務中的適用性。而且傳統毫米波雷達點云非常稀疏，沒有語義信息，對周圍環境的感知能力很差，與光學傳感器相比，其在目標識別和分類方面的分辨率可能相對較低，難以識別物體的具體特征。圖圖 18：毫米波雷達探測范圍：毫米波雷達探測范圍

72、數據來源：東北證券 4D 毫米波雷達是傳統雷達的升級版，可以測量四種類型的目標信息：距離、方位、毫米波雷達是傳統雷達的升級版，可以測量四種類型的目標信息：距離、方位、高度高度(俯仰角俯仰角)和速度。和速度。傳統毫米波雷達可以檢測物體的水平方位角（Azimuth）、距離和速度，在此基礎上，4D 毫米波雷達還能夠處理俯仰方位角信息，即四維數據，4D毫米波雷達可以實現類似于激光雷達的成像功能。在汽車應用場景中，由于缺乏高度信息，傳統雷達在視角上只有一個平面，無法區分目標物體是在路上還是在空中，這使得毫米波雷達無法有效發揮作用，尤其是在靜態物體識別方面。4D 毫米波雷達可以捕捉汽車周圍目標的空間坐標和

73、速度信息，還能計算目標的俯仰角信息，進而提供汽車周圍的環境信息，規劃出逼真的行駛路徑。圖圖 19：4D 毫米波雷達與傳統雷達的區別毫米波雷達與傳統雷達的區別 數據來源：NXP，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 24/65 計算機計算機/行業深度行業深度 2.1.5.2.1.5.傳感器搭載方案傳感器搭載方案 在自動駕駛技術路徑主要分為在自動駕駛技術路徑主要分為“純視覺方案純視覺方案”和和“融合感知方案融合感知方案”，主要圍繞自動駕駛，主要圍繞自動駕駛車輛如何感知環境這一核心問題展開。車輛如何感知環境這一核心問題展開。這兩個派別分別強調了攝像頭（視覺系統）和雷達技

74、術（主要是激光雷達，也包括毫米波雷達）在自動駕駛車輛的感知系統中的作用和重要性。圖圖 20：視覺派和激光雷達派代表廠商：視覺派和激光雷達派代表廠商 數據來源：量子位智庫，東北證券 以特斯拉為代表的視覺派不搭載激光雷達，認為攝像頭捕捉的圖像和視頻能夠提供以特斯拉為代表的視覺派不搭載激光雷達，認為攝像頭捕捉的圖像和視頻能夠提供與人類視覺類似的豐富環境信息，包括顏色、紋理、形狀等，這對于理解復雜的交與人類視覺類似的豐富環境信息，包括顏色、紋理、形狀等，這對于理解復雜的交通場景至關重要。通場景至關重要。通過高級的圖像處理和計算機視覺技術，車輛可以識別交通標志、信號燈、行人、其他車輛以及各種道路條件。純

75、視覺方案的支持者認為，隨著深度學習和人工智能技術的進步，攝像頭系統足以提供必要的信息來實現高級別的自動駕駛功能，而且成本相對較低，有利于大規模商業化。圖圖 21：純視覺方案：純視覺方案 數據來源：特斯拉，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 25/65 計算機計算機/行業深度行業深度 特斯拉的感知方案采用的是純視覺方案。特斯拉的感知方案采用的是純視覺方案。目前特斯拉 Model 3/Y 共采用 9 個攝像頭分布在車體四周：前視攝像頭 3 個，位于前擋風玻璃上方，分別為主視攝像頭、魚眼鏡頭、長焦距鏡頭；后視攝像頭 1 個，位于后車牌上方；左右兩側各有 2 個攝像頭，

76、分別為側方前視攝像頭和側方后視攝像頭；圖圖 22：特斯拉車身攝像頭搭載方案：特斯拉車身攝像頭搭載方案 數據來源：特斯拉，東北證券 通過通過 8 個攝像頭，特斯拉可以整體實現個攝像頭，特斯拉可以整體實現 360 度全局環視視野，最大監測距離可以達度全局環視視野，最大監測距離可以達到到 250 米。米。攝像頭捕獲環境中的視覺信息經過一系列神經網絡模型的處理，最終輸出 3D 場景下的“矢量空間”，用于后續規劃和智駕系統?！笆噶靠臻g”（Vector Space）技術同時兼具非凸優化算法（Non-convex）、高維度兩大優勢，可以通過 8 個攝像頭輸入的數據為基礎繪制 3D 鳥瞰視圖，形成 4D 的空

77、間和時間標簽的“路網”以呈現道路等信息，幫助車輛把握駕駛環境，更精準的尋找最優駕駛路徑。圖圖 23：特斯拉車身攝像頭環視視野：特斯拉車身攝像頭環視視野 數據來源：特斯拉，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 26/65 計算機計算機/行業深度行業深度 以蔚小理以蔚小理為代表的融合感知方案則采用了多傳感器融合的方法，結合了攝像頭、激為代表的融合感知方案則采用了多傳感器融合的方法，結合了攝像頭、激光雷達、毫米波雷達和其他傳感器的優點，以達到最佳的環境感知效果。光雷達、毫米波雷達和其他傳感器的優點，以達到最佳的環境感知效果。通過融合不同傳感器的優勢，可以彌補單一傳感器的

78、不足，提高感知的準確性和可靠性。通過融合激光雷達的精確距離測量、攝像頭的豐富視覺信息以及毫米波雷達的速度檢測能力，系統能夠獲得更全面、更準確的環境感知結果。例如，在復雜的城市環境中，攝像頭可能因為光線問題而識別不清交通標志，而激光雷達可以提供準確的距離信息，毫米波雷達則可以確保在惡劣天氣條件下也能進行有效感知。綜合利用這些傳感器的優勢，智能駕駛系統能夠實現更安全、更有效的導航和駕駛輔助功能，為自動駕駛車輛的發展奠定了堅實的基礎。圖圖 24：多傳感器融合方案：多傳感器融合方案原理原理 數據來源：3D 視覺工坊，東北證券 兩條感知路線成本、技術難度方面各有優劣。兩條感知路線成本、技術難度方面各有優

79、劣。成本方面，相比于激光雷達和毫米波雷達，攝像頭的成本是最低的，單目相機的價格一般低于 100 美元，而激光雷達的價格現在大約在 5000 美元以內，純視覺方案單車傳感器成本低于多傳感器融合方案。從技術難度方面看，多傳感器方案的復雜度主要體現在融合層，由于不同傳感器特性不同，所采集的數據類型也有很大差異，要將不同模態的數據統一映射到同一個空間，需要考慮融合錯位、信息丟失、誤差累加等問題，同時還需要解決當不同傳感器感知結果不同時，應該選擇信任誰的問題。而純視覺方案的難度主要體現在數據的算法加工處理上，由于都是通過攝像頭采集的同模態數據，在數據融合層面困難度比多傳感器方案要小得多，但是由于攝像頭自

80、身能力的局限性，需要設計更為復雜的算法模型，從攝像頭數據中識別到目標信息，例如對距離的計算、在惡劣環境下的識別能力等，這需要海量數據、復雜算法、大量算力作為支撐，因此純視覺路線的門檻和壁壘極高。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 27/65 計算機計算機/行業深度行業深度 圖圖 25：特斯拉純視覺路線競爭壁壘：特斯拉純視覺路線競爭壁壘 數據來源：汽車之心，東北證券 我們認為兩種方案的區別更多的是成本和發展時間上所導致了差異，而并非方案的我們認為兩種方案的區別更多的是成本和發展時間上所導致了差異，而并非方案的優劣優劣。特斯拉是純視覺的鼻祖，到今天一直堅持不用激光雷達，核心原

81、因是在于其的 技 術 領 先 性。特 斯 拉 在 在 實 現 城 市NOA時，可 以 單 純 的 借 助BEV+Tranformer+Occupancy來實現道路拓撲、通用障礙物的識別等任務。相比特斯拉的純視覺方案，不過國內車企引入激光雷達，不僅會減少一定的算法開發壓力，還能減少更多的隱形成本支出，在感知算法層面加速超車純視覺方案，盡快實現高階智駕。從商業角度來看，特斯拉純攝像頭的方案在感知方面成本更低但是芯片成本更好，激光雷達方案則相對來說感知成本更高但是卻可以用算力成本更低的芯片完成整車智能，在目前國內市場芯片緊缺的今天，這也不失為一種優秀的解決方案。2.2.2.2.定位類傳感器定位類傳感

82、器 定位類傳感器是一類用于測量和確定物體位置、方向或運動狀態的傳感器。這些傳定位類傳感器是一類用于測量和確定物體位置、方向或運動狀態的傳感器。這些傳感器通常能夠提供有關物體在三維空間中的坐標、方位、速度和加速度等信息。感器通常能夠提供有關物體在三維空間中的坐標、方位、速度和加速度等信息。自動駕駛要實現高精度定位，需要通過 GNSS 提供絕對位置，IMU 提供相對位置，而高精地圖可以用于環境感知，能夠與激光雷達、攝像頭等感知設備輸出結果形成冗余，提高識別的準確度。圖圖 26：定位類傳感器應用：定位類傳感器應用 數據來源：中測網，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明

83、28/65 計算機計算機/行業深度行業深度 2.2.1.2.2.1.GNSS（全球導航衛星系統）（全球導航衛星系統）GNSS（全球導航衛星系統）通過接收來自地球軌道上多顆導航衛星的信號，使用（全球導航衛星系統）通過接收來自地球軌道上多顆導航衛星的信號，使用三角測量法計算出接收器的精確位置（包括緯度、經度和高度）和時間信息，是一三角測量法計算出接收器的精確位置（包括緯度、經度和高度）和時間信息，是一種利用衛星信號來提供地面、海面或空中用戶全球范圍內的定位、導航和時間測量種利用衛星信號來提供地面、海面或空中用戶全球范圍內的定位、導航和時間測量服務的系統。服務的系統。GNSS 是一個總稱，它包括美國

84、的 GPS、俄羅斯的 GLONASS、歐洲的 Galileo 和中國的北斗導航系統。廣泛應用于汽車導航、航海、航空、戶外探險、軍事和科研等領域。優點在于全球覆蓋，能在大部分地區提供定位服務；精度較高，通常定位精度在幾米范圍內；易于使用，不需要用戶安裝特殊設備。缺點在于在室內、隧道和城市的高樓大廈之間可能無法接收到衛星信號；受到大氣條件、電磁干擾等因素的影響。GPS 指全球定位系統（Global Positioning System，GPS）是一種以空中衛星為基礎的高精度無線電導航的定位系統。GPS 主要應用于導航定位，自問世以來就以其高精度、全天候、全球覆蓋、方便靈活吸引了眾多用戶。圖圖 27

85、：GNSS 系統構成系統構成 數據來源：中測網，東北證券 2.2.2.2.2.2.IMU（慣性測量單元）（慣性測量單元）IMU（慣性測量單元，（慣性測量單元，Inertial Measurement Unit）是一種電子裝置，通常由陀螺儀、）是一種電子裝置，通常由陀螺儀、加速計、算法處理單元三部分組成，用于測量和監測車輛的加速度、角速度和方向加速計、算法處理單元三部分組成，用于測量和監測車輛的加速度、角速度和方向等信息。等信息。在自動駕駛系統中，IMU 起著至關重要的作用，它能夠提供車輛當前的姿態、運動狀態和位置等關鍵數據。以牛頓力學定律為基礎，通過測量載體在慣性參考系的加速度，將它對時間進行

86、積分，且把它變換到導航坐標系中，就能夠得到在導航坐標系中的速度、偏航角和位置等信息。INS（慣性導航系統）是一種不依賴外部參考的自主導航系統，通過測量設備上的加速度計和陀螺儀的數據來計算設備的移動速度和方向，然后積分這些數據來估算位置變化。廣泛應用于飛機、艦船、潛艇、導彈以及一些地面車輛的導航和控制系統。優點在于可以在沒有外部信號的情況下工作，適用于極端環境；隱蔽性好，不容易被干擾或偵測。缺點在于隨著時間的推移，誤差會累積增加；成本較高，需要使用精密的傳感器。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 29/65 計算機計算機/行業深度行業深度 圖圖 28：GPS、IMU 實現高

87、精定位工作原理實現高精定位工作原理 數據來源：焉知汽車，東北證券 2.2.3.2.2.3.高精地圖高精地圖 高精地圖（高精地圖（High-Definition Maps,HD Maps）是自動駕駛汽車使用的一種詳細地圖，）是自動駕駛汽車使用的一種詳細地圖，它提供比傳統導航地圖更高精度的道路、車道和環境特征信息。它提供比傳統導航地圖更高精度的道路、車道和環境特征信息。不僅包括道路幾何形狀和語義信息，還包括道路參與者的實時感知、天氣狀況、工作區域和事故的更新等數據。高精地圖可以幫助自動駕駛系統精確定位自身位置，理解和預測周圍環境，從而安全地導航和駕駛。圖圖 29：高精地圖發展歷程：高精地圖發展歷程

88、 數據來源：自動駕駛之心，東北證券 根據百度 Apollo，高清地圖中包括五個不同的元素：道路元素包含道路邊界、車道類型和車道行駛方向等特征；相交元素具有相交邊界；交通信號元素包括交通信號燈和標志；邏輯關系元素包含交通規則；其他要素包括人行橫道、路燈和建筑物。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 30/65 計算機計算機/行業深度行業深度 圖圖 30：高精地圖示例：高精地圖示例 數據來源：HERE，東北證券 高精地圖在自動駕駛中可以提供精確的地理信息、用于傳感器校準和定位、支持高高精地圖在自動駕駛中可以提供精確的地理信息、用于傳感器校準和定位、支持高級路徑規劃。級路徑規劃。

89、高精度地圖提供準確的道路幾何結構、車道標記、交通信號等地理信息，有助于自動駕駛系統準確地感知和理解周圍環境；通過與地圖進行比較，可以糾正傳感器輸出的誤差，提高系統的定位準確性；高精度地圖提供了詳細的道路信息和交通規則，使得自動駕駛系統能夠進行更精確的路徑規劃和決策，從而提高行駛的效率和安全性。圖圖 31：高精地圖在十字路口的應用：高精地圖在十字路口的應用 數據來源：EV 視界，東北證券 高精地圖用于環境感知，能夠與激光雷達、攝像頭等感知設備輸出結果形成冗余，高精地圖用于環境感知，能夠與激光雷達、攝像頭等感知設備輸出結果形成冗余，提高識別的準確度。提高識別的準確度。在自動駕駛“感知-決策-執行”

90、流程中，感知層中，車輛通過攝像頭、毫米波雷達、激光雷達等設備獲取周圍場景信息，實現周圍感知；將周圍場景信息與高精度地圖進行比對，確定車輛相對位置，并通過 GNSS、RTK 定位、慣性導航系統確定自身姿態、速度和絕對位置，共同實現自我感知。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 31/65 計算機計算機/行業深度行業深度 圖圖 32：百度：百度 Apollo2.0 多傳感器高精度定位實現方式多傳感器高精度定位實現方式 數據來源：焉知汽車，東北證券 不過不過由于高精地圖存在成本高、更新周期長等問題，一部分企業選擇由于高精地圖存在成本高、更新周期長等問題，一部分企業選擇“重感知、輕

91、地重感知、輕地圖圖”方案方案，也就是基本不用高精地圖，而使用常規路圖方案，也就是基本不用高精地圖，而使用常規路圖方案。高精地圖的測繪需要資質，自然資源部下發的 關于促進智能網聯汽車發展維護測繪地理信息安全的通知規定高精地圖測繪制作只能由具備導航電子地圖制作甲級資質的單位進行。2022 年，共有 19 家單位通過資質復審；圖商需要使用上百臺專業移動測量采集設備獲取信息，設備的使用成本高。信息經過加密處理和審核后才能被使用，流程長，導致信息容易過時，實際的道路信息可能與地圖數據不符，這也會導致汽車在使用時的風險提高。圖圖 33：傳感器與高精地圖效果對比：傳感器與高精地圖效果對比 數據來源：汽車族雜

92、志，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 32/65 計算機計算機/行業深度行業深度 3.3.漸進派漸進派：從特斯拉聊起：從特斯拉聊起 特斯拉的全自動駕駛（特斯拉的全自動駕駛（Full Self-Driving,FSD）是一套旨在實現完全自動駕駛能力）是一套旨在實現完全自動駕駛能力的高級輔助駕駛系統，的高級輔助駕駛系統，FSD 系統包括一系列的軟件和硬件技術，使得特斯拉汽車能系統包括一系列的軟件和硬件技術，使得特斯拉汽車能夠在沒有人類司機干預的情況下進行駕駛，其功能旨在處理各種駕駛場景，包括城夠在沒有人類司機干預的情況下進行駕駛，其功能旨在處理各種駕駛場景，包括城

93、市街道駕駛、高速公路駕駛以及停車。市街道駕駛、高速公路駕駛以及停車。特斯拉在 FSD 系統中通過數據驅動，并應用了大量 AI 算法，例如環境感知算法、路徑及運動規劃算法、自動標注算法、環境虛擬仿真、數據引擎等。下面將分別按照感知網絡架構、規劃與控制、數據閉環解析特斯拉目前實現 FSD 的技術棧。3.1.3.1.從“模塊化”到“端到端”從“模塊化”到“端到端”自動駕駛大模型的發展可以分為三個階段：1.0 時代:模塊化自動駕駛，在感知層面使用大模型（Transformer）；2.0 時代:模塊化自動駕駛，感知、決策、控制模塊都用大模型；3.0 時代：端到端大模型 由于特斯拉智能駕駛發展水平在行業中

94、處于領先地位，且是其他眾多后來者的學習由于特斯拉智能駕駛發展水平在行業中處于領先地位，且是其他眾多后來者的學習對象，因此對象，因此本文本文通過分析特斯拉的智能駕駛發展歷程來通過分析特斯拉的智能駕駛發展歷程來解釋解釋智能駕駛的演化路徑。智能駕駛的演化路徑。2016 年至今，特斯拉從 1.0 時代發展至 2.0 時代，其感知算法經歷了 2D+CNN 到BEV+Transformer 到占用網絡的歷程，而其即將發布的 FSD V12 將采用端到端結構。3.1.1.3.1.1.模塊化方案模塊化方案 在傳統的模塊化自動駕駛系統中，智能駕駛的實現依賴于三大關鍵模塊：感知、決在傳統的模塊化自動駕駛系統中，智

95、能駕駛的實現依賴于三大關鍵模塊：感知、決策、控制策、控制，每個模塊專注于完成特定的功能，并與其他模塊通過定義良好的接口交互。感知是智能駕駛系統識別和理解周圍環境的能力感知是智能駕駛系統識別和理解周圍環境的能力。通過車載傳感器，如攝像頭、雷達（包括毫米波雷達、激光雷達（LiDAR）等），系統能夠收集周圍的信息，包括其他車輛的位置和速度、行人、道路標志、交通燈狀態和道路邊界等。這些信息經過處理后，為系統提供了準確的環境模型和動態變化的數據，使得車輛能夠“看到”并“理解”其所處的環境；決策是智能駕駛系統根據感知到的環境信息，規劃車輛的行動策略決策是智能駕駛系統根據感知到的環境信息，規劃車輛的行動策略

96、。這包括路徑規劃、避障策略、速度調整和交通規則的遵守等。在決策過程中，系統需要綜合考慮多種因素和約束條件，如目的地、最優路徑、安全距離、車輛動態特性等，以確保行駛的安全性和效率。決策過程通常依賴于復雜的算法和模型，包括機器學習和人工智能技術，以模擬人類司機的決策過程；控制是實現智能駕駛系統決策的過程，通過對車輛的操控系統（如轉向、加速控制是實現智能駕駛系統決策的過程，通過對車輛的操控系統（如轉向、加速和制動）的精確控制，來執行決策系統規劃的行動和制動）的精確控制，來執行決策系統規劃的行動?？刂葡到y必須能夠準確、迅速地響應決策系統的指令，確保車輛按照預定的路徑安全行駛，同時能夠應對突發事件和復雜

97、環境的挑戰?？刂葡到y的設計和優化是確保智能駕駛車輛性能穩定、響應靈敏的關鍵因素。模塊化自動駕駛的優點在于由于系統被分解成獨立的模塊，每個模塊的設計、實現模塊化自動駕駛的優點在于由于系統被分解成獨立的模塊，每個模塊的設計、實現和測試可以單獨進行，系統可解釋性和可驗證性強和測試可以單獨進行，系統可解釋性和可驗證性強；由于可以獨立更新或替換系統中的單個模塊，以引入新技術或優化特定功能，而不必重新設計整個系統，其靈活性和可擴展性強；因為問題通?？梢员幌拗圃趩蝹€模塊內，不會影響到整個系統的運作，模塊化設計可以提高系統的容錯性。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 33/65 計算機計

98、算機/行業深度行業深度 表表 6：特斯拉感知算法迭代歷程：特斯拉感知算法迭代歷程 時間時間 2016-2019 2020 2021-2022 感知方案 2D+CNN BEV+Transformer 占用網絡 數據輸入 2D 圖像 多張圖片 視頻 數據標注方式 人工標注 自動標注 4D 自動標注 數據輸出形式 2D 靜態 BEV 鳥瞰圖 3D 占用網絡+時序信息 數據來源：汽車之心，東北證券 3.1.1.1.3.1.1.1.第一階段：第一階段：2D+CNN 2016-2018 年年,特斯拉使用常規的骨干網結構，使用特斯拉使用常規的骨干網結構，使用 2D 檢測器進行特征提取，訓練檢測器進行特征提取

99、，訓練數據為人工標注。數據為人工標注。這是一種相對比較原始和傳統的模型學習和訓練方式。在這個時期，自動駕駛的目標檢測核心結構為 Backbone（骨干網）結構，其通用的網絡結構為：InputbackboneneckheadOutput，各個部分的功能概述如下：輸入（Input）：這是網絡的開始，指的是輸入到模型中的原始數據，比如圖像或視頻幀。在這個時期，輸入數據為 2D 圖像。主干網絡（Backbone）：主干網絡是模型的基礎部分，負責從輸入數據中提取基礎特征。這些特征是后續步驟進行更細致處理的基礎。常見的主干網絡包括VGG、ResNet、Inception 和 MobileNet 等。主干網

100、絡的選擇依賴于特定任務的需求，如準確性、計算效率等。頸部網絡（Neck）：頸部網絡是位于主干網絡和檢測頭之間的可選部分，其主要目的是進一步加工和優化特征。頸部網絡可以進行特征融合、特征金字塔構建（如 FPN，特征金字塔網絡）等操作，以增強模型對不同尺度目標的檢測能力。檢測頭（Head）：檢測頭是模型的末端部分，負責根據經過處理的特征完成具體的任務，如分類、定位、邊界框回歸等。在目標檢測任務中，檢測頭可能包括分類器和回歸器，用于識別圖像中的對象及其位置。在不同的應用中，檢測頭的設計和任務會有所不同。輸出（Output）：這是模型的最終產出，在這個時期，輸出內容為 2D 圖像空間下檢測結果。當時，

101、業內自動駕駛視覺神經網絡都只有一個 head，只能同時完成一項檢測任務。然而，在實際的駕駛任務中，通常有多項并行任務需要在一個神經網絡中完成，例如車道線檢測、人物檢測等等。因此，在 2018 年，特斯拉對算法進行了升級，構建了多任務學習神經網絡架構 HydraNet（九頭蛇網絡）。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 34/65 計算機計算機/行業深度行業深度 圖圖 34：HydraNet 網絡框架網絡框架 數據來源：深藍 AI，東北證券 HydraNet 結構能夠完成多頭任務，減少重復的卷積計算，減少主干網絡計算數量；在融合方式上，仍采用后融合策略。HydraNet 設計

102、用于同時處理多種感知任務，比如識別車輛、行人、交通標志、信號燈等多種對象。它能夠在一個統一的框架內學習多個任務，優化共享特征的提取，提高了處理效率和性能。HydraNet 網絡結構各部分主要功能概述如下：輸入：以分辨率為 1280960，12-Bit,36Hz 的 RAW 格式圖像作為輸入，特斯拉采用的是 36Hz 的 1280*960-12bit 的圖像原始數據，這相對于只有 8-bit 的 ISP后處理數據多了 4 位信息，動態方位擴大了 16 倍。相對于 rule-base 的 ISP，神經網絡的處理能力更為強大，能夠更好的利用圖像的原始信息，同時避免 ISP帶來的數據損失，ISP 基于

103、 rule-base 的算法對原始信號做了自動對焦(AF)、自動曝光(AE)、自動白平衡(AWB)、壞點校正(DNS)、高動態范圍成像(HDR)、顏色校正(CCM)等，這些滿足于人眼可視化需求，但不一定是自動駕駛的需要。同時，ISP 的存在不利于數據的高速傳輸，影響圖像的幀率，而將對原始信號的處理放在網絡運算中，速度要快很多。因此這種方式跨過了傳統類似 ISP 的專業知識，直接從后端需求驅動網絡學習更強的 ISP 能力，可以強化系統在低光照、低可見度條件下超越人眼的感知能力。圖圖 35：特斯拉圖像數據預處理：特斯拉圖像數據預處理 數據來源：特斯拉，東北證券 請務必閱讀正文后的聲明及說明請務必閱

104、讀正文后的聲明及說明 35/65 計算機計算機/行業深度行業深度 Backbone：HydraNet 采用的 Backbone 為 RegNet，相比于 ResNet 進行了更高一層的抽象，解決了 NAS 搜索設計空間固定、無法創建新模塊的弊端，可以創建新穎的設計空間范式，能夠發掘更多的場景適配新的ResNet，從而避免專門去研究設計神經網絡架構。Neckwork：采用 BiFPN，移除了只有一個輸入的節點，因為網絡的目的是融合特征，所以沒有融合能力的節點直接連接就可以。將輸入直接連接到輸出節點，在不增加計算的情況下，融合了更多特征。將基礎結構進行了多層堆疊，能夠融合出更高緯度的特征。圖圖 3

105、6：BiFPN 架構圖架構圖 數據來源：特斯拉，東北證券 HydraNet 以分辨率為以分辨率為 1280960，12-Bit,36Hz 的的 RAW 格式圖像作為輸入，采用地格式圖像作為輸入，采用地Backbone 為為 RegNet，并使用，并使用 BiFPN 構建多尺度的特征圖，再在上面再添加特定任構建多尺度的特征圖，再在上面再添加特定任務的務的 Heads。共享 Backbone 和 BiFPN 能夠在部署的時候很大程度的節省算力，用這樣的結構帶來以下三點好處：預測高效：因為共享特征，避免了大量的重復計算；可以解耦每個子任務：每個子任務可以在 Backbone 的基礎上進行微調而不影響

106、其他子任務?？梢约铀傥⒄{：訓練過程中可以將特征緩存，微調的時候可以只使用緩存的特征來微調模型的 Head，而不再需要重復計算。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 36/65 計算機計算機/行業深度行業深度 圖圖 37：特斯拉九頭蛇網絡：特斯拉九頭蛇網絡 數據來源：特斯拉，東北證券 然而，依靠 2D+CNN 的模式實現自動駕駛是比較困難的，因為攝像頭采集的是 2D圖像，后續的規控需要在 3D 空間進行，感知與規控之間的壁壘阻礙了 FSD 的發展。為了消除這個壁壘，需要將感知從 2D 圖像空間后置到 2D 的自車參考系空間，即BEV 空間，特斯拉在 2020 年引入了 BEV

107、+Transformer 架構。3.1.1.2.3.1.1.2.第二階段：第二階段：BEV+Transformer 2020 年，特斯拉推出年，特斯拉推出 BEV+Transformer 架構，并以特征級融合取代后融合，數據架構，并以特征級融合取代后融合，數據自動標注取代人工標注，其技術方向被自動駕駛行業沿用至今。自動標注取代人工標注，其技術方向被自動駕駛行業沿用至今。這樣更加簡單、易理解，不僅解決了 CNN 算法在 BEV 遮擋區域的預測問題，保證在降低高復雜計算量的同時提升算法性能和準確度。BEV（Birds Eye View，鳥瞰圖）是一種視角，通過此視角，系統可以將車輛周圍，鳥瞰圖）是

108、一種視角，通過此視角，系統可以將車輛周圍的環境呈現為俯視圖或鳥瞰圖的形式，以便更全面地理解車輛所處的場景和環境。的環境呈現為俯視圖或鳥瞰圖的形式，以便更全面地理解車輛所處的場景和環境。在 BEV 視圖中，道路信息自上而下展示在以自車為中心的坐標系中，避免了原先前視放射視角下的尺度、遮擋等感知問題，提供了一種簡化的方式來表示車輛周圍的環境，包括道路、障礙物、行人等，以便于路徑規劃和決策制定。盡管 BEV 源自 3D數據，它最終提供的是一個 2D 的空間視圖。雖然 BEV 是從 3D 環境生成的，通過將 3D 信息（如傳感器捕獲的數據）投影到一個平面上來簡化環境表示，但它本身是一個 2D 的表示形

109、式。這種表示利于減少計算復雜度，同時保持對環境的足夠理解。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 37/65 計算機計算機/行業深度行業深度 圖圖 38：BEV 感知效果圖感知效果圖 數據來源：點云 PCL，東北證券 Transformer 在自動駕駛任務中具有更強的全局感知能力、動態適應性。在自動駕駛任務中具有更強的全局感知能力、動態適應性。Transformer是一種基于注意力機制的神經網絡模型，傳統的 CNN（卷積神經網絡）存在著長距離依賴問題和并行計算效率低等缺點，Transformer 通過引入自注意力機制來解決這些問題，使得模型在處理長距離依賴時能夠更好地捕捉序列

110、中不同位置的相關性，同時還能夠實現并行計算，大大提高了訓練和推理的效率。表表 7：CNN 與與 Transformer 模型對比模型對比 模型模型 模型結構模型結構 特征表示能力特征表示能力 訓練效率訓練效率 模型復雜度模型復雜度 魯棒性魯棒性 CNN 局部連接、權值 共享的卷積結構 對局部特征提取能力強，適用于圖像、語音等領域 訓練效率高，可并行化處理 模型結構相對簡單，參數較少，不適用于處理序列數據 對數據噪聲、變形等魯棒性一般 Transf-ormer 基于自注意力機制的結構 具有較強的建模能力，適用于處理序列、圖像等多種數據形式 訓練效率較高，可并行化處理 模型結構較為復雜，參數較多

111、對數據噪聲、變形等具有較強的魯棒性 數據來源：OpneAI，東北證券整理 復雜的自動駕駛任務需要使用多個相機的圖像作為感知系統的輸入，同時感知系統復雜的自動駕駛任務需要使用多個相機的圖像作為感知系統的輸入，同時感知系統預測結果需要轉化到三維的矢量空間下，才能輸入到規控系統用以規劃駕駛行為。預測結果需要轉化到三維的矢量空間下，才能輸入到規控系統用以規劃駕駛行為。多相機輸入需要協調好多個相機的感知結果，如果在各個攝像頭上分別做感知任務并投影到矢量空間后進行整合，需要精確到像素級別的預測，否則會受路面不平整、感知對象出現在多個相機中等問題的干擾，出現重影等情況。針對這個問題，特斯拉選擇了使用 Tra

112、nsformer 將每個相機對應的圖像特征轉換為 Key 和 Value，然后訓練模型自行檢索需要的特征進行預測。這樣的結構不需要顯示地在特征空間上做幾何變換操作，直接輸入多相機圖像，輸出矢量空間。加入這一優化后，車道線更加清晰準確、目標檢測結果更穩定、不再有重影。Transformer 作為一種新型神經網絡架構，相比傳統神經網絡（如 CNN），可以直接進行 2D、3D 不同序列之間的轉換。Transformer 采用交叉注意力機制，并行訓練數據，在跨模態融合以及時序融合過程 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 38/65 計算機計算機/行業深度行業深度 中，能夠更加全面

113、地在空間時序上建模，形成時序融合下的 4D 空間信息，從而使感知結果更加連續、穩定。圖圖 39：后融合和特征前融合的效果差異：后融合和特征前融合的效果差異 數據來源：均勝電子，東北證券 在在 BEV+Transformer 架構下，融合方式由后融合轉變為特征級融合。架構下，融合方式由后融合轉變為特征級融合。在自動駕駛多傳感器融合應用中，通常采用三種融合策略：前融合、后融合和特征級融合。后融合在模型的最后階段合并每個傳感器獨立處理的結果。后融合在模型的最后階段合并每個傳感器獨立處理的結果。這意味著每個傳感器首先獨立進行特征提取和分析，然后使用某種策略（如加權平均、投票機制）來綜合所有傳感器的決策

114、或預測結果。其優勢在于簡化了不同傳感器數據的同步和對齊要求，每個傳感器可以獨立優化，易于并行處理，因此是相對簡單的融合方式，早期自動駕駛行業均采用后融合的融合方式。然而，后融合也存在可能無法充分利用不同傳感器數據之間的關聯性，有時會導致信息的冗余或遺漏的缺陷。前融合則是在特征提取之前，將來自不同傳感器的原始數據直接合并。前融合則是在特征提取之前，將來自不同傳感器的原始數據直接合并。這種方法允許模型從一開始就訪問所有傳感器的數據，可能更容易捕捉不同數據源之間的相關性，能夠在最初級別上整合多種感知信息，有助于模型更好地理解場景中的復雜交互。然而前融合要求所有傳感器的數據同步和對齊，處理高維數據可能

115、導致計算成本高昂，因此在行業內極少被使用。在在 BEV+Transformer 架構下，最常用的融合方式為特征級融合，指在特征提取之架構下，最常用的融合方式為特征級融合，指在特征提取之后、決策之前將不同傳感器提取的特征合并在一起。后、決策之前將不同傳感器提取的特征合并在一起。這種融合方法允許模型在決策過程中利用來自所有傳感器的信息，同時避免了直接處理高維原始數據的復雜性。特征級融合平衡了前融合和后融合的優缺點，既能夠利用不同數據源之間的相關性，又避免了直接在原始數據層面的復雜融合。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 39/65 計算機計算機/行業深度行業深度 圖圖 40：

116、車輛數據融合的三種模式車輛數據融合的三種模式 數據來源：億歐智庫，東北證券 3.1.1.3.3.1.1.3.第三階段：占用網絡第三階段：占用網絡 2022 年，特斯拉在算法中引入時序網絡，并將年，特斯拉在算法中引入時序網絡，并將 BEV 算法進一步迭代為算法進一步迭代為 Occupancy Networks（占用網絡），更加直接地打造（占用網絡），更加直接地打造 3D 空間?？臻g。有別于感知 2D 圖像、提取像素（pixel）轉化為 3D 特征，Occupancy Networks 直接感知 3D 空間中的體素（voxel），也就是將世界劃分為多個大小一致的立方體，快速識別每個體素是否被占用，

117、繼而判斷車輛是否要躲避。Occupancy Networks 可以在 10ms 內完成計算，感知更高效、結果更精準，將 BEV 空間在高度上進行了進一步擴展。圖圖 41：占用網絡示意圖：占用網絡示意圖 數據來源：特斯拉，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 40/65 計算機計算機/行業深度行業深度 占用網絡的工作原理如下：首先，占用網絡將來自多視圖圖像的輸入數據轉換為一個三維特征空間；然后，使用深度神經網絡來學習這個特征空間中的占用概率；最后，將占用概率轉換為一個三維占用網格。圖圖 42：占用：占用網絡工作原理網絡工作原理 數據來源：深藍 AI，東北證券 占用網

118、絡將占用網絡將 BEV 空間在高度上進行了進一步擴展，使用空間在高度上進行了進一步擴展，使用“占用占用”而不是檢測來實時而不是檢測來實時顯示道路信息，可以把當前場景下被遮擋的靜止物體和動態物體也用體積塊表示出顯示道路信息，可以把當前場景下被遮擋的靜止物體和動態物體也用體積塊表示出來。來。在 2D 圖像世界中，一個物體由無數個像素點（pixel）組成，傳統算法感知 2D圖像、提取像素轉化為 3D 特征。而在占用網絡之下，3D 的真實世界則是由無數個微小立方體，即體素堆疊組成，占用網絡將原本的 BEV 空間分割成無數的網格單元體素（voxel），再預測每個體素是是否被占用。使用占用網絡的優勢如下：

119、不考慮這個物體到底是什么，只考慮體素是否被占用，使得非典型但卻存在的事物能夠直接表示出來，可以識別然后在歸控中繞開，增加了算法的泛化能力和對現實世界的認知；占用網絡定義在 4D vector space 上，可以處理高低差地形、類別未知的障礙物、遮擋物體等問題；體素充當了激光雷達點陣的作用，可以為每個體素生成對應的語義類別，實現激光雷達的感知效果；占用網絡增加了時序信息，能夠實時預測被遮擋物體的狀態；占用網絡可以在 10ms 內完成計算，感知更高效、結果更精準。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 41/65 計算機計算機/行業深度行業深度 圖圖 43：占用網絡架構：占用網

120、絡架構 數據來源：特斯拉，東北證券 3.1.2.3.1.2.端到端方案端到端方案 2023 年，特斯拉展示了其即將發布的年，特斯拉展示了其即將發布的 FSD V12 版本，其中軟件采用了端到端的神版本，其中軟件采用了端到端的神經網絡算法，將感知、決策、控制整合為一個統一的神經網絡模型。經網絡算法，將感知、決策、控制整合為一個統一的神經網絡模型。在模塊化算法中，車輛控制決策和路線規劃算法是通過邏輯控制程序來實現的，而特斯拉最新的端到端方案則把這部分邏輯控制代碼負責的功能也交由神經網絡模型來實現，排除了傳統的規則或者條件判斷代碼，也不需要地圖數據。圖圖 44：端到端自動駕駛工作原理：端到端自動駕駛

121、工作原理 數據來源：自動駕駛之心，東北證券 端到端自動駕駛系統通過一個統一的深度學習模型直接從傳感器輸入（如攝像頭圖端到端自動駕駛系統通過一個統一的深度學習模型直接從傳感器輸入（如攝像頭圖像）到駕駛控制指令（如方向盤轉角、加速度）的映射，無需顯式地分解為不同的像）到駕駛控制指令（如方向盤轉角、加速度）的映射，無需顯式地分解為不同的任務模塊。任務模塊。端到端模型有潛力直接從數據中學習到更優的駕駛策略，尤其是在處理復雜交通場景時，同時，模型可以自動從原始數據中學習到對完成駕駛任務有用的特征，無需人工設計特征提取器。然而，端到端方案需要大量的標注數據來訓練模 請務必閱讀正文后的聲明及說明請務必閱讀正

122、文后的聲明及說明 42/65 計算機計算機/行業深度行業深度 型，同時端到端中間過程的“黑箱問題”會帶來透明性不高的問題，導致所對應的功能和策略與預期不相符的程度會增加，其決策過程更難以解釋和驗證。同時，對于未見過的場景的泛化能力也仍然是一個挑戰。目前的 V12 版軟件還需要對 Corner Case 進行針對性優化，進一步優化神經網絡架構以及網絡參數。圖圖 45：端到端自動駕駛：端到端自動駕駛 數據來源：“E2E Learning of Driving Models with Surround-View Cameras and Route Planners”，東北證券 3.2.3.2.規劃與

123、控制規劃與控制 特斯拉最新的規劃模塊可以使用特斯拉最新的規劃模塊可以使用 3D 的占據率，將占據率和車道整合到蒙特卡洛樹的占據率，將占據率和車道整合到蒙特卡洛樹搜索和神經網絡組成的架構中。搜索和神經網絡組成的架構中。首先通過視覺感知網絡生成三維向量空間，對于有多個可選方案的復雜問題，使用向量空間和感知網絡提取的中間層特征訓練神經網絡規劃器，得到軌跡分布，再融入成本函數、人工干預數據或其他仿真模擬數據，獲得最優的規控方案，最終生成汽車轉向、加速、剎車等控制指令，由汽車執行模塊接受控制指令實現汽車自動駕駛。圖圖 46：特斯拉：特斯拉 FSD 架構架構 數據來源：特斯拉，東北證券 請務必閱讀正文后的

124、聲明及說明請務必閱讀正文后的聲明及說明 43/65 計算機計算機/行業深度行業深度 引入占用網絡后，特斯拉規劃與控制性能有了進一步提升。引入占用網絡后，特斯拉規劃與控制性能有了進一步提升。在生成可選方案的軌跡后，每條軌跡都會有一個成本函數，它取決于 4 個因素：碰撞概率、舒適度、干預可能性和與人類的相似度，并通過編寫規則和算法選擇成本最低的函數。在引入占用網絡之后，特斯拉規劃與控制有進一步性能提升，主要依賴于兩個關鍵組件：通過占用網絡和車道檢測增強了感知功能；重寫了規劃器，以使用占用網絡輸出結果。圖圖 47：特斯拉具體軌跡得分：特斯拉具體軌跡得分 數據來源：特斯拉，東北證券 3.3.3.3.數

125、據閉環工具鏈數據閉環工具鏈 自動駕駛自動駕駛“數據數據”聽起來很簡單，實際上涵蓋了一系列難點各異的處理環節。例如數聽起來很簡單，實際上涵蓋了一系列難點各異的處理環節。例如數據的采集、脫敏、標注、仿真等等。據的采集、脫敏、標注、仿真等等。作為自動駕駛走向現實的關鍵，深度學習的基礎原理，就是通過收集海量相關數據給計算機，并且進行特征分析、訓練、驗證，最終“訓練”出一個高度精準的 AI 算法，用于實時感知不斷變化的路況，通過推理計算給出可靠的駕駛指令。在汽車工程師協會（SAE）的規范下，L2 至 L3 級別的自動駕駛測試車輛需累計收集 20 萬至 100 萬公里的真實道路測試數據，而 L4 級別的車

126、輛則至少需要 200 萬公里的數據。以 L2 級別的自動駕駛項目為例，若測試車輛以 75 公里每小時的平均速度行駛 20 萬公里，將生成近 3000 小時的數據。每個傳感器大約需要 4PB（1PB 等于 1024TB）的存儲空間，因此，所有傳感器共同產生的原始數據將高達約 20PB，需要 2 萬多塊 1TB 的硬盤才能存儲。這僅僅是基礎要求，隨著汽車制造商的量產產品不斷投入市場并持續運行，所積累的數據量將會持續增長。處理海量數據不僅涉及存儲挑戰，還包括數據傳輸和歸檔管理的復雜性。處理海量數據不僅涉及存儲挑戰，還包括數據傳輸和歸檔管理的復雜性。汽車制造商必須合規地收集來自大量實際用戶車輛的數據，

127、并高效地通過網絡將這些數據傳輸到大型數據中心。數據的傳輸過程需要確保安全性和穩定性，以防止數據丟失或損壞。在數據到達數據中心后，分類歸檔成為關鍵步驟。這不僅要求數據以合理的方式進行存儲，以確保其可訪問性和可管理性，同時還要保證后續數據的存取操作足夠高效。這涉及到使用高效的數據結構和索引方法，以便快速檢索和分析數據。同時同時數據脫敏環節，中汽協在數據脫敏環節，中汽協在 2022 年年 8 月已經對汽車數據脫敏提出了明確要求月已經對汽車數據脫敏提出了明確要求，這涵蓋了車內（人臉）和車外（人臉+車牌）的圖像數據。由于汽車收集的數據多為動態視頻，因此需要利用人工智能技術對這些敏感數據進行追蹤，并執行相

128、應的擦除、涂抹等脫敏操作。然后是數據的標注，在給計算機投喂數據的過程中，并不是亂投一氣，而是要在人然后是數據的標注，在給計算機投喂數據的過程中，并不是亂投一氣，而是要在人類工程師的監督下，有規劃地組織計算機學習。類工程師的監督下，有規劃地組織計算機學習。通常，普通的駕駛數據可以通過歸類后讓計算機自主學習，但對于特別有價值的數據，如特殊天氣下的道路標志識別、特殊紅綠燈識別以及不尋常的障礙物等，需要人類工程師進行重點標注，并進行針對性的訓練。如果數據標注的效率低下，即便數據收集過程再迅速，也會在這一環 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 44/65 計算機計算機/行業深度行業

129、深度 節受阻。在 AI 處理能力方面，自動駕駛所面臨的 PB 級別海量數據需要依賴超大型的 GPU 加速器陣列進行處理。在處理過程中，必須確保高效且經濟實惠。在得出計算結果后，對結果的仿真驗證至關重要。在得出計算結果后，對結果的仿真驗證至關重要。通過數字世界中的仿真驗證，可以將大量原本只能在現實世界中進行的自動駕駛開發和測試成本，轉化為 GPU 的物料成本和工程師的知識經驗成本，從而為車企節省大量成本。這種轉化不僅降低了經濟負擔，還提高了開發效率。在特斯拉的自動駕駛方案中，核心算法基本都是由數據驅動的，數據的數量和質量在特斯拉的自動駕駛方案中，核心算法基本都是由數據驅動的，數據的數量和質量決定

130、了算法的性能，因此構建一套高效獲取、標注及仿真訓練數據的閉環至關重要。決定了算法的性能，因此構建一套高效獲取、標注及仿真訓練數據的閉環至關重要。特斯拉數據閉環體系為：數據采集-搭建數據集-自動+人工標注-送入模型訓練-部署到車端。其中數據標注、仿真、數據引擎采集為數據閉環體系中的重要環節。圖圖 48：數據閉環體系：數據閉環體系 數據來源：毫末智行，東北證券 3.3.1.1.3.3.1.1.數據標注數據標注 特斯拉強大的感知能力需要強大的標注能力作為支撐。特斯拉強大的感知能力需要強大的標注能力作為支撐。2021 年開始，特斯拉開始采用自動標注系統，主要流程為：高精度軌跡提取-多路徑聯合重建-新路

131、徑自動標注，通過融合多條路徑，可以重建 3D 語義地圖，并將其應用到新軌跡的自動標注上。第一步是高精度軌跡提取。第一步是高精度軌跡提取。特斯拉通過所有開通了 FSD 的車輛，每天可以獲取到 50萬個旅程，采集包括車輛視頻、車輛 IMU、速度等原始信號，并在車端的 2 個 CPU線程進行特征提取，輸出的特征包括車輛的運動軌跡以及 3D 結構的路況細節等。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 45/65 計算機計算機/行業深度行業深度 圖圖 49：高精度軌跡預測：高精度軌跡預測 數據來源：特斯拉，東北證券 第二步是多路徑聯合重建。第二步是多路徑聯合重建。因為所有的車輛信息都來自

132、不同的車輛，所以基于車輛提取的高精軌跡信息，需要進行道路信息的匹配、重構、接縫優化等，最后由人工分析師審核，形成多重旅程的軌跡信息。圖圖 50：多路徑聯合重建：多路徑聯合重建 數據來源：特斯拉，東北證券 第三步是新路徑自動標注。第三步是新路徑自動標注。一次標注生成的真值可以跨越時間，給在同一地點、不同時間采集的數據提供真值。通過這種真值自動遷移的方法，可以輕松獲得人類都難以正確標注的這些場景的標注數據，訓練模型擁有更好的適應遮擋或低可見度（夜晚，雨，霧）等條件的能力。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 46/65 計算機計算機/行業深度行業深度 圖圖 51：新路徑自動標注

133、：新路徑自動標注 數據來源：特斯拉，東北證券 自動標注算法有助于提高標注精度、縮短標注時間、節省標注成本。自動標注算法有助于提高標注精度、縮短標注時間、節省標注成本。從標注效率看，在標注時間相同的前提下，標注精度從（7pixel）優化到（3pixel），且每條數據的計算時間從 2hrs 降低到 0.5hrs。新的算法對一萬個駕駛旅程的 12 小時自動標注相當于 500 萬小時的人工標注。圖圖 52：自動標注算法有助于效率提升：自動標注算法有助于效率提升 數據來源：特斯拉，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 47/65 計算機計算機/行業深度行業深度 目前常用的兩

134、種數據標注方法包括基于目前常用的兩種數據標注方法包括基于 NeRF（Neural Radiance Fields）方案的數）方案的數據標注和基于點云（據標注和基于點云（Point Cloud）方案的數據標注，各有優勢和劣勢。點云是由許）方案的數據標注，各有優勢和劣勢。點云是由許多多 3D 點組成的集合，這些點通常由激光掃描（如點組成的集合，這些點通常由激光掃描（如 LIDAR）生成，用于表示物理空）生成，用于表示物理空間中的對象和場景。間中的對象和場景。點云直接反映了物體和環境的 3D 結構，便于進行空間關系和尺寸的精確標注。然而，點云的密度依賴于掃描設備和物體的距離，遠處的物體點云可能稀疏，

135、影響標注質量。NeRF 是一種用于合成高度逼真 3D 場景的技術，它通過深度學習模型學習場景的連續體積表示。在數據標注上的應用通常涉及利用NeRF 生成的 3D 場景進行精確和高效的標注。NeRF 可以生成極其逼真的 3D 場景視圖，從而允許更精確地標注物體的位置和形狀，由于是基于 3D 模型，NeRF 可以確保從不同角度觀察時標注的一致性，這對于訓練機器學習模型特別重要。一旦場景被 NeRF 建模，標注過程可以部分自動化，減少人工工作量。然而 NeRF 模型的訓練和渲染過程計算成本高，需要強大的計算資源。因此，基于 NeRF 的數據標注能提供高精度和一致性的標注，適合需要高度逼真場景重建的應

136、用，但需要較高的計算資源和處理復雜度。而基于點云的數據標注則直接利用 3D 空間信息進行標注，適合空間關系和尺寸重要的場景，但可能受限于數據的密度和缺乏顏色信息。選擇哪種方案取決于具體的應用需求、可用資源和所需的標注精度。圖圖 53：兩種數據標注方案：兩種數據標注方案 數據來源：自動駕駛之心，東北證券 SAM 作為中間算子作為中間算子也可以也可以提高標注可信度提高標注可信度,解決解決 ZERO-SHOT 問題。問題。SAM 是Facebook Research 開發的一種新型圖像分割模型。圖像分割是計算機視覺中的一項任務，旨在將圖像中的每個像素分配到一個特定的類別（如道路、汽車、行人等），這對

137、于自動駕駛技術來說是一個基礎且關鍵的功能，因為它能夠幫助自動駕駛系統準確地理解和解釋周圍環境。該模型被設計和訓練為可提示的，因此它可以將 zero-shot transfer 零樣本遷移到新的圖像分布和任務。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 48/65 計算機計算機/行業深度行業深度 圖圖 54：SAM 如何解決如何解決 ZEROSHOT 問題問題 數據來源：自動駕駛之心，東北證券 3.3.1.2.3.3.1.2.場景仿真場景仿真 自動駕駛仿真是自動駕駛車輛上路的最后一公里，搭建逼真的場景和障礙物來模擬自動駕駛仿真是自動駕駛車輛上路的最后一公里，搭建逼真的場景和障礙物來

138、模擬真實場景，在不進行實車測試的情況下，進行算法與功能驗證。真實場景，在不進行實車測試的情況下，進行算法與功能驗證。通過使用仿真，企業可以顯著降低時間成本和經濟成本。仿真允許在虛擬環境中快速重現和測試各種駕駛場景，減少了物理測試的需求，從而節省了大量資源。在虛擬環境中測試自動駕駛系統可以避免實際道路測試中可能出現的安全風險，因此提高了測試的整體安全性。特斯拉的仿真把一般基于高精地圖的場景自動重建變成了基于 4D 標注的場景重建。特斯拉可以對于相機及其他傳感器進行傳感器仿真，獲得足以媲美真實數據的仿真效果用來訓練。仿真渲染天生帶有語義真值，因此只要仿真效果能極限接近真實，那么這些有著完美標注的數

139、據就能夠被真實模型訓練利用起來，而仿真雖然無法保證做到對真實世界的完全擬真，卻對一些實際有危險或極少發生的 corner case 有著獨特的優勢，可以利用方針來針對這些少見場景進行大規模驗證，從而提高整體自動駕駛系統的通用性和安全性。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 49/65 計算機計算機/行業深度行業深度 圖圖 55：特斯拉仿真構建的世界：特斯拉仿真構建的世界 數據來源：毫末智行，東北證券 特斯拉的仿真雖然無法保證做到對真實世界的完全擬真，但是可以根據訓練需要進特斯拉的仿真雖然無法保證做到對真實世界的完全擬真，但是可以根據訓練需要進行定向增強。行定向增強。特斯拉仿

140、真架構中場景創建的具體流程是：先根據采集到的路況信息，重構出基本的車道拓撲，生成路面和車道平面；渲染立體的路面，但不包括交通標志；隨機渲染路中隔離帶以及周邊的建筑物；導入地圖的信息，甚至可以包含每條街道的名字；根據地圖中的道路信息，生成所有可能的交通軌跡，交通標志；根據交通軌跡生成移動的物體，這些物體會以符合交通規則和物理規則的前提在仿真中移動；對環境增加天氣，路面情況等隨機因素。在上述過程中，基于一套車道導航地圖真值可以修改仿真參數生成變化，產生多種組合場景，甚至可以根據訓練的需要，修改真值的某些屬性，創造新的場景，從而實現訓練目的。這樣的基于游戲引擎的仿真雖然無法保證做到對真實世界的完全擬

141、真，但是針對一些現實中很難采集到的場景，比如很多人在高速公路上跑步，可以定向做數據增強。在 AI 把數據抽象成車道、物體、交通標志等離散特征后，仿真數據和真實數據是否一致這個問題就不再重要了。圖圖 56：特斯拉仿真基本流程：特斯拉仿真基本流程 數據來源：毫末智行，東北證券 目前學術界目前學術界/工業界做自動駕駛仿真有以下幾個主流方案。工業界做自動駕駛仿真有以下幾個主流方案。第一種是大規模云仿真，這是工業界正在推動的主要路徑，通過使用云資源進行并行計算，并在不同 agent 之間交換仿真結果以提高效率；第二種是由學術界重點推動的方法，側重于通過設計 請務必閱讀正文后的聲明及說明請務必閱讀正文后的

142、聲明及說明 50/65 計算機計算機/行業深度行業深度 策略減少無風險里程的測試，或提高生成對自動駕駛系統構成特定挑戰的場景的效率，即通過“壓力測試”提高仿真效率?？梢愿咝У匕l現自動駕駛系統的潛在問題，減少不必要的測試里程，聚焦于最關鍵和挑戰性的測試場景。圖圖 57：自動駕駛仿真效果：自動駕駛仿真效果 數據來源：騰訊，東北證券 盡管仿真技術在測試和驗證中發揮著重要作用，但仍存在一些關鍵問題和挑戰，比盡管仿真技術在測試和驗證中發揮著重要作用，但仍存在一些關鍵問題和挑戰，比如仿真技術無法完全精確地再現物理現實中的所有細節和復雜性，且高質量的泛化如仿真技術無法完全精確地再現物理現實中的所有細節和復

143、雜性，且高質量的泛化數據少。數據少。盡管仿真提供了一個控制和測試自動駕駛系統的有效環境，但它可能無法覆蓋所有現實世界的可能情況。即使是將原始數據注入仿真平臺，也不能保證模擬環境的百分之百真實性。加入車輛動力學仿真后，場景的真實度和一致性可能進一步降低，使用仿真合成的數據訓練自動駕駛系統是否能有效提高性能，仍然是一個待解決的問題。同時，高質量的泛化數據少，仿真到現實的可復現性和仿真本身的可復現性挑戰仍然比較大。場景泛化的優勢是，我們可以“憑空造”一些現實世界當中從來都沒有過的場景?；诮煌鞯姆夯婉{駛員的智能化，如果模型足夠好，由于隨機因子的存在，場景運行 10 次，就相當于泛化了 10 個。

144、事實上，現在的問題不是生成的場景太少，實在是太多，而且有很多并不會真實發生，算不上有效的測試場景，這就是對需求理解不到位造成的。蔚小理這些主機廠，真實道路數據比較多，對這些公司來說，比場景泛化更迫切的，是對場景做精細化分類管理，篩選出真正有效的場景。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 51/65 計算機計算機/行業深度行業深度 圖圖 58：自動駕駛仿真效果圖：自動駕駛仿真效果圖 數據來源：機器之心，東北證券 圖圖 59：自動駕駛仿真中可能出現的干擾行為：自動駕駛仿真中可能出現的干擾行為 數據來源：自動駕駛虛擬仿真測試評價理論與方法，九章智駕，東北證券 請務必閱讀正文后的聲

145、明及說明請務必閱讀正文后的聲明及說明 52/65 計算機計算機/行業深度行業深度 4.4.躍進派躍進派：封閉低速封閉低速場景逐步落地，高速場景靜待政策場景逐步落地，高速場景靜待政策 在特定場景下，比如礦山、港口、環衛、無人物流小車等賽道，在特定場景下，比如礦山、港口、環衛、無人物流小車等賽道，躍進派躍進派自動駕駛取自動駕駛取得穩步推進，已經接近批量復制的節點得穩步推進，已經接近批量復制的節點。具體到特定場景中，在礦山場景中，不涉及路權問題、環境相對簡單，容錯率很高，無重大安全隱患；在港口場景中，道路結構化程度高，環境簡單，路權問題相對容易解決。目前，這些場景普遍已不需要配備車內安全員，預計在

146、1-2 年內實現大規模商業化落地。各類應用場景由于適用環境道路和技術水平存在差異，落地規模和商業化進展不一，各類應用場景由于適用環境道路和技術水平存在差異，落地規模和商業化進展不一，難以一步到位實現難以一步到位實現全地圖全地圖 L4 級以上自動駕駛。級以上自動駕駛。從封閉場景到半封閉場景再到開放場景，從低速場景到高速場景，從簡單場景到復雜場景，從載物場景到載人場景，從結構化道路場景到非結構化道路場景等。L4 以上的自動駕駛相關技術仍處于不斷迭代進步的階段，封閉場景和低速場景意味著外界干擾小、安全風險小、容錯率高，適合于自動駕駛技術不夠成熟的階段其商業化落地的嘗試。隨著技術的不斷進步和成熟，自動

147、駕駛商業化將逐步踏足開放場景和高速場景。封閉低速載物場景在 2024年左右可大規模商業化落地，高速載物場景則在 2030 年左右方可落地，背后的核心考量是技術成熟度及法律法規問題。港口、礦山等封閉場景是無人駕駛應用的優先場景，其次是干線物流、城市公共交通等場景，最終才是 Robotaxi 以及個人移動出行自動駕駛的實現。其原因在于，港口、礦區等限速或低速的特定封閉區域場景，具有道路條件相對固定、場景復雜度相對較低等特點，與開放道路載物和載人應用場景相比，已較早實現自動駕駛商業化，且已逐步實現盈利。而載人場景和開放道路載物場景由于行駛道路的路況較為復雜，對產品的技術要求更高，使得該場景的落地應用

148、整體上仍處于試運營階段，商業化范圍及規模均較為有限。若想實現模式上的商業閉環，需達到較大規模的運行范圍，并實現可取消安全員的 L4 級自動駕駛。由此可見，我國自動駕駛在規?；蜕虡I化的進程上整體在逐步發展和落地，同時面臨許多問題和挑戰。綜合來看，基于場景的自動駕駛商業化仍面臨由法律法規、技術限制、成本等多方面原因導致的商業化范圍規模有限、未能實現商業閉環等問題。4.1.4.1.載人場景載人場景 4.1.1.4.1.1.Robotaxi Robotaxi 指自動駕駛出租車，是基于自動駕駛技術提供出租服務的車輛。指自動駕駛出租車，是基于自動駕駛技術提供出租服務的車輛。與傳統出租車服務相比，Robo

149、taxi 可實現對人力的替代，具有降低成本、提高出行效率的優點。Robotaxi 是市場空間最大的自動駕駛場景之一，是全面驗證自動駕駛系統能力的重點應用，也是各國開展自動駕駛競爭的核心領域。Robotaxi 的運營需要考慮如何與政府、主機廠、出行平臺、科技公司等多方力量合的運營需要考慮如何與政府、主機廠、出行平臺、科技公司等多方力量合作，形成有效的生態圈。作，形成有效的生態圈。目前，國內的 Robotaxi 市場玩家主要有：1）L4 自動駕駛技術方案商，包括百度、小馬智行、文遠知行、Auto X 等；2）主機廠，包括寶馬、奧迪等傳統車企，以及特斯拉、小鵬等造車新勢力企業。目前，Robotaxi

150、 商業落地有兩種主要模式，第一種是 Robotaxi 公司+出行平臺+車企的三方模式，第二種是造車新勢力獨立運營模式。三方模式能夠使三方各自發揮自身優勢，Robotaxi 公司作為技術提供商，能夠實現輕資產運營；出行服務運營商有穩定的用戶，且可以為 Robotaxi 公司算法迭代提供數據大量出行數據；主機廠有生產制造能力，能夠為 Robotaxi 公司提供基礎設施。造車新勢力獨立運營的優勢在于可以充分利用自身資源體系，例如擁有強大的供應鏈體系，自產 Robotaxi 成本可控；擁有強大數據收集能力以迭代算法。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 53/65 計算機計算機/行

151、業深度行業深度 Robotaxi 商業化落地面臨著技術和政策層面的難題。商業化落地面臨著技術和政策層面的難題。技術方面，目前 Robotaxi 所適用的城市道路是駕駛環境復雜的典型開放道路場景，未來要實現 Robotaxi 全車無人自動駕駛（取消安全員），Robotaxi 自動駕駛等級必須在 L4 級以上。而 L4 級自動駕駛汽車的最低路測里程數要求為 10 億公里，達千億公里級別才能確保具備充足數據進行 AI 訓練及仿真測試，從而確保行駛安全。Robotaxi 技術研發成本巨大，受限于數據積累的缺失，整體技術迭代周期較長。政策方面，規?；涞剡€需要的推動支撐。目前，已經有超過 30+城市出臺

152、了智能網聯相關政策。2024 年 1 月，國家數據局等十七部門聯合印發了“數據要素”三年行動計劃(20242026 年)。其中提出，推進智能網聯汽車創新發展，支持自動駕駛汽車在特定區域、特定時段進行商業化試運營試點，打通車企、第三方平臺、運輸企業等主體間的數據壁壘。圖圖 60：蘿卜快跑：蘿卜快跑 Robotaxi 數據來源：人民視覺，東北證券 4.1.2.4.1.2.Robobus Robobus 指低速自動駕駛公交車，包括了循固定路線公交車和短途接駁車。指低速自動駕駛公交車，包括了循固定路線公交車和短途接駁車。它結合了自動駕駛技術與公共交通系統，旨在提供更安全、高效和可持續的城市交通解決方案

153、。主要應用于城市和封閉場景的公共交通領域，如城市街道、大學校園、機場、旅游景區等。它們可以在固定路線上循環運行，也可以根據乘客需求提供更靈活的調度服務。相比傳統公交車，RoboBus 能夠提供更為精確的到站時間，減少交通擁堵和事故發生率，提高運營效率。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 54/65 計算機計算機/行業深度行業深度 圖圖 61：北京示范區運行：北京示范區運行 Robobus 數據來源：中國汽車報，東北證券 Robobus 未來幾年商業化前景相對較明朗。未來幾年商業化前景相對較明朗。我國在 Robobus 商業化落地方面已進入規?；牡缆窚y試及應用階段，從某種

154、程度上來講，Robobus 相當于是 Robotaxi 的降維。由于限定了運營場景，降低了行駛速度，Robobus 的商業化門檻也同步下降了不少，未來幾年商業化前景相對較明朗。RoboBus 作為自動駕駛技術在公共交通領域的應用，展現了改變城市交通面貌、提升交通效率和安全性的巨大潛力，是未來智慧城市不可或缺的一部分。圖圖 62：蘑菇車聯自動駕駛城市公共服務車隊：蘑菇車聯自動駕駛城市公共服務車隊 數據來源：蘑菇車聯，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 55/65 計算機計算機/行業深度行業深度 4.2.4.2.載物場景載物場景 4.2.1.4.2.1.干線物流干線

155、物流 干線物流即借助無人駕駛進行運輸、收貨、倉儲、運送的物流作業流程。干線物流即借助無人駕駛進行運輸、收貨、倉儲、運送的物流作業流程。干線物流主要以自動駕駛重卡為運載工具，主要應用于高速公路和干線道路上的貨物運輸，目的是提高運輸效率、降低成本、減少事故發生率，并對貨物運輸行業的未來發展產生重大影響。自動駕駛技術可以顯著減少由人為因素引起的交通事故，增加運輸效率，24 小時不間斷運營，減少因司機疲勞駕駛引起的停滯時間，提高物流效率。降低運輸成本：長期來看，自動駕駛卡車可以降低人工成本，提高燃油效率，降低運營成本。受行業痛點帶來的市場需求驅動，加之高速公路的道路基礎設施和車輛行駛條件較好，基于干線

156、物流場景下的自動駕駛落地難度較低，被認為是僅次于Robotaxi 的第二大自動駕駛商業化應用場景。圖圖 63：搭載自動駕駛系統智加領航的江淮汽車：搭載自動駕駛系統智加領航的江淮汽車 K7+數據來源：物流時代周刊，東北證券 未來政策變化、技術發展速度將影響干線物流落地進程。未來政策變化、技術發展速度將影響干線物流落地進程。未來，得益于我國物流行業及快遞運送行業的飛速發展，自動駕駛干線物流場景將會吸引更多市場主體。對于高速公開道路場景，需要密切關注未來政策導向，關注政府如何對高速物流配送行業進行規范管理。由于重卡存在車身較高、車輛視覺盲區大、需重點覆蓋的感知范圍更大等因素，重卡自動駕駛對車輛感知和

157、控制的精準度要求更高，精度技術的發展也將影響干線物流場景規模商業化進程。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 56/65 計算機計算機/行業深度行業深度 圖圖 64：小馬智行獲得廣州首個自動駕駛卡車編隊行駛測試牌照：小馬智行獲得廣州首個自動駕駛卡車編隊行駛測試牌照 數據來源：物流時代周刊，東北證券 4.2.2.4.2.2.末端配送末端配送 自動駕駛末端配送是指使用自動駕駛技術完成貨物或服務從最終配送中心到客戶自動駕駛末端配送是指使用自動駕駛技術完成貨物或服務從最終配送中心到客戶手中的最后一段配送過程。手中的最后一段配送過程。長遠看，自動化配送有助于減少因人力資源造成的成本開

158、銷，同時可以使配送服務更加靈活，擴大服務范圍，尤其是在偏遠或人口稀少地區并實現更快的配送速度和更高的配送準確性，提升消費者的購物體驗。自動駕駛中的末端配送場景具有相對封閉特點，且技術實現難度較小，有望率先實現規?；瘧?。圖圖 65：小魔駝：小魔駝 3.0 末端物流自動配送車末端物流自動配送車 數據來源：毫末智行，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 57/65 計算機計算機/行業深度行業深度 盡管自動駕駛末端配送擁有巨大的潛力，但它仍面臨技術、法律和社會接受度等方盡管自動駕駛末端配送擁有巨大的潛力，但它仍面臨技術、法律和社會接受度等方面的挑戰。面的挑戰。目前，末端

159、配送場景還存在以下問題和挑戰。第一，法律法規仍待完善，目前我國無人配送行業的相關文件指引主要以技術標準為主。雖有北京發布無人配送車管理實施細則 試行版，但具體政策細節未正式對外露出，且屬于地方政策，其他城市未公開更多政策，全國尚未形成統一的管理共識；第二，雖然國內擁有較為完整的無人配送車上游供應鏈，但是核心零部件的技術、性能和質量有待進一步提升；第三，無人配送車的采購價格和使用成本是需求方決策的關鍵，成本仍然是目前制約無人配送車規模應用的重要因素。圖圖 66：順豐的配送機器人：順豐的配送機器人 數據來源：低速無人駕駛產業聯盟，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明

160、58/65 計算機計算機/行業深度行業深度 4.3.4.3.特殊場景特殊場景 由于限定場景下的自動駕駛運營邊界受到區域限制，且得到相關行業部門的政策鼓勵，相較于全域自動駕駛，或將更早實現規?；纳虡I落地。當前，限定場景下如港口、礦山、無人環衛等已在部分地區進入商業化落地。4.3.1.4.3.1.港口場景港口場景 基于港口場景下的自動駕駛應用，可有效解決由于傳統港內運輸工作強度大、環境基于港口場景下的自動駕駛應用，可有效解決由于傳統港內運輸工作強度大、環境艱苦、危險性高、長期勞動力不足、成本過高等問題，提高港口操作效率、安全性艱苦、危險性高、長期勞動力不足、成本過高等問題，提高港口操作效率、安全

161、性和可持續性。和可持續性。由于港口是典型的封閉+低速的場景，與城市和高速公路場景不同，港口具有交通標識簡易、車輛干擾度低、路線復雜度低、基建完善度高的優勢，被認為是自動駕駛率先實現商業化落地應用的典型場景之一。圖圖 67：全球首個：全球首個“智慧零碳智慧零碳”碼頭天津港北疆港區碼頭天津港北疆港區 C 段智能化集裝箱碼頭段智能化集裝箱碼頭 數據來源：低速無人駕駛產業聯盟，東北證券 港口場景是目前自動駕駛實現商業化應用最快的場景。港口場景是目前自動駕駛實現商業化應用最快的場景。據高工智能汽車，我國已在上海、天津、寧波、深圳等地的 13 個港口展開自動駕駛集卡試運營，其中主要應用在東南沿海港口，尤其

162、是新建或者擴建港口應用項目較多，深圳媽灣智慧港、上海洋山港、寧波舟山港以及天津港是港口自動駕駛應用最多的海運港口。目前，港口場景已實現 L4 級自動駕駛的運輸自動化作業。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 59/65 計算機計算機/行業深度行業深度 圖圖 68：廈門遠海集裝箱碼頭東風：廈門遠海集裝箱碼頭東風“無限星無限星”第三代無人集卡編隊運行第三代無人集卡編隊運行 數據來源：毫末智行，東北證券 目前，港口場景下也面臨一些技術層面的問題和挑戰。目前，港口場景下也面臨一些技術層面的問題和挑戰。雖然自動駕駛技術在港口場景中具有巨大的應用潛力，但目前仍然處于測試和探索階段，許多

163、解決方案還未達到產品級別。無人集卡在港口環境中的應用面臨多種挑戰，包括金屬設備對信號傳輸的干擾、定位精度問題，以及需要適應港口多變的氣候環境。隨著技術的持續發展和測試，港口自動駕駛解決方案預計將逐步克服當前的技術和適應性挑戰，技術成熟度將提高。通過在港口場景中規?；纳虡I運營，可以快速積累和迭代算法能力、工程能力、運營能力和商業化能力。港口自動駕駛技術的成功應用和商業化將有望向外延伸，包括集卡運輸和干線物流等領域，實現從港口到干線物流的全鏈路自動駕駛解決方案。從長遠來看，港口自動駕駛不僅能提升港口操作效率和安全性，還能促進港口與干線物流的無縫連接，為構建智能、高效的物流體系提供支持。因此，盡管

164、面臨挑戰，港口自動駕駛的前景仍然值得期待。4.3.2.4.3.2.礦區場景礦區場景 礦山安全生產事關人民群眾生命財產安全，事關經濟發展和社會穩定大局，為減少礦山安全生產事關人民群眾生命財產安全，事關經濟發展和社會穩定大局，為減少礦難事故的發生，利用自動駕駛和機器人技術，實現作業環節的少人化、無人化已礦難事故的發生，利用自動駕駛和機器人技術，實現作業環節的少人化、無人化已經成為行業認可的解決方案。經成為行業認可的解決方案。在礦區場景下，由于采礦運輸中環境惡劣、安全事故頻發，自動駕駛技術對于礦山開采而言是剛需。無人駕駛在礦山開采中，可通過技術支撐，使礦山開采整體能耗下降、綜合運營效益提升，提高礦區

165、生產工作安全水平，加快智慧礦區的建設。礦山環境封閉，不存在公開道路的交通法規問題，且車輛路線相對固定，車速低，礦區自動駕駛場景相對較簡單；此外，礦山無人駕駛有明確、可控的作業規程指引，實地測試易落地且為政策剛需。當前自動駕駛礦山場景幾乎都集中在露天采礦運輸，能先于其他自動駕駛場景積累常態化運營的時長和經驗，這使得礦區無人駕駛創業公司具備一定的先發優勢。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 60/65 計算機計算機/行業深度行業深度 圖圖 69：小魔駝：小魔駝 3.0 末端物流自動配送車末端物流自動配送車 數據來源：低速無人駕駛產業聯盟，東北證券 供應鏈的技術升級和成本下降是

166、供應鏈廠商要解決的重要問題。供應鏈的技術升級和成本下降是供應鏈廠商要解決的重要問題。目前，仍存在自動駕駛供應鏈環節的技術成熟度有待提升、部分關鍵零部件價格昂貴的問題，成為今后規?；逃脮r不可忽視的挑戰。目前來看，大部分行業內的公司所接的訂單都不賺錢，甚至部分毛利率都是負的，這一部分是因為技術不成熟，另一部分是為了為了加強可靠性所導致的用了太多的昂貴傳感器所致。商業的無法閉環往往也會導致企業進一步融資的困難，所以誰能在場景固定的情況下，用更少的成本完成訂單將會是 2024 年相關企業的重要挑戰。圖圖 70：鋰業首個全礦智能綠色礦山項目：鋰業首個全礦智能綠色礦山項目 數據來源：低速無人駕駛產業聯盟

167、，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 61/65 計算機計算機/行業深度行業深度 4.3.3.4.3.3.環衛場景環衛場景 無人環衛是指利用自動駕駛技術、人工智能、物聯網等現代科技手段，實現城市環無人環衛是指利用自動駕駛技術、人工智能、物聯網等現代科技手段，實現城市環衛工作（如道路清掃、垃圾收集等）自動化、智能化的一種新型環衛系統。衛工作（如道路清掃、垃圾收集等）自動化、智能化的一種新型環衛系統。這種系統通常由無人駕駛的清掃車、垃圾收集車等環衛車輛和相應的管理軟件組成，能夠在減少人工直接參與的同時，提高城市環衛工作的效率和質量。無人環衛車輛可以24 小時不間斷工

168、作，不受天氣和時間的限制，大大提高了環衛工作的效率。自動化的環衛作業減少了對大量環衛工人的依賴，從長遠來看有助于降低城市環衛工作的人力成本。同時，環衛工作往往環境惡劣、勞動強度大，無人環衛系統的應用可以減輕環衛工人的勞動強度，改善他們的工作條件。相較于傳統的環衛車輛，無人環衛車輛更加注重環保設計，如采用電動驅動等，有助于減少環境污染和能源消耗。圖圖 71：仙途智能環衛車仙途智能環衛車 數據來源：低速無人駕駛產業聯盟，東北證券 無人清潔環衛項目為近年來自動駕駛應用熱點，已實現大規模批量應用。無人清潔環衛項目為近年來自動駕駛應用熱點，已實現大規模批量應用。據低速無人駕駛產業聯盟，今年已落地的無人環

169、衛項目中，市政環衛服務項目的占比增長。2023 年以來環衛領域新增落地的無人環衛項目近 30 個，與去年相比，應用范圍和應用規模都有明顯上升的趨勢。一是試點落地城市開始從北京、上海、廣州、深圳、蘇州、無錫等一線沿海向內陸中小型城拓展；二是項目規模持續擴大，增長一方面來源于之前落地的項目試點應用后，得到場景用戶方的認可，2023 年持續增加項目車輛部署；另一方面是地方政府也希望通過無人駕駛技術推動市政環衛向智能化、智慧化的快速轉型，將項目運營范圍擴大至全城。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 62/65 計算機計算機/行業深度行業深度 圖圖 72：深蘭科技系列環衛車深蘭科技

170、系列環衛車 數據來源：智車科技，東北證券 然而，無人環衛在實際推廣和應用過程中，仍面臨著法律法規、成本、技術等發展然而，無人環衛在實際推廣和應用過程中，仍面臨著法律法規、成本、技術等發展難點。難點。政策上，國家層面缺乏環衛無人駕駛車輛生產、檢驗、道路測試、路權管理方面的統一標準；成本方面，無人環衛系統的研發、生產和維護成本較高，盡管從長遠來看，無人環衛有助于降低人力成本，但初期的高投入可能成為推廣應用的一大障礙；技術方面，盡管近年來自動駕駛和人工智能技術取得了顯著進展，但無人環衛車輛在復雜多變的城市環境中自主導航、避障、以及執行清掃、垃圾收集等具體任務的能力仍然面臨挑戰。技術的成熟度直接影響到

171、無人環衛車輛的可靠性和效率。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 63/65 計算機計算機/行業深度行業深度 5.5.投資建議投資建議 我們預見，自動駕駛行業的競爭格局在我們預見，自動駕駛行業的競爭格局在 2024 年將繼續保持其激烈態勢，甚至可能年將繼續保持其激烈態勢，甚至可能較較 2023 年更為白熱化。年更為白熱化。車市的價格戰預計將進一步升級，這不僅是未來幾年的行業主調，也是業界普遍認同的觀點。在高階智能駕駛領域，車企間的競爭將從單純的城市擴張轉向為用戶提供卓越的實際體驗。這背后反映的是團隊在工程化和迭代效率上的較量，同時也凸顯了在數據閉環方面資源投入的重要性。而在

172、低階智能駕駛方面，我們預期將涌現出高性價比的普及型解決方案，例如通過單一芯片實現的車內泊車和行車輔助一體化系統。這些方案將迅速普及至全系列車型，為更多消費者帶來智能駕駛的便利。不過毫無疑問的是，技術革命的速度不過毫無疑問的是，技術革命的速度往往往往超出我們的想象，隨著超出我們的想象，隨著技術迭代導致的產技術迭代導致的產業結構的加速變化，部分新的投資機會慢慢涌現。業結構的加速變化，部分新的投資機會慢慢涌現。對于 2024 年自動駕駛領域的投資跟蹤，我們認為應重點關注以下幾個關鍵因素及其產業鏈相關變化：（1）以高階智能駕駛技術比如特斯拉的突破與用戶體驗的實質性提升；（2）國產智能駕駛領域的高性價比

173、解決方案的普及速度和市場接受度；（3）整個自動駕駛技術及硬件供應商的競爭格局變化，特別是領先企業的戰略調整和新興企業的市場表現；（4）在智能駕駛滲透率提高之后，相應后服務市場的爆發，比如充電和金融服務。高階智能駕駛技術的突破高階智能駕駛技術的突破：特斯拉 V12 版本的 FSD 預計將引入端到端的邏輯，這可能徹底改變現有自動駕駛技術的框架，提供更加直接和高效的決策路徑。然而其在實際應用中的落地效果還需進一步觀察，因為在技術尚未成熟的今天車端實現端到端的駕駛場景仍存在較大挑戰，如芯片架構和算力限制可能導致只能實現向端到端過渡，而非一步到位的完全落地。FSD 訂閱比例將是衡量特斯拉后續估值水平的關

174、鍵因素，甚至可能改變對汽車行業的估值邏輯，將其從傳統的工業制造行業轉變為高增長的科技領域。其次是國產智能駕駛領域的高性價比解決方案的普及速度和市場接受度其次是國產智能駕駛領域的高性價比解決方案的普及速度和市場接受度：國內主機廠在特斯拉的大局進攻下開始加速迭代其算法的先進性，車企進入全面的效率戰場，組織整體性、產業鏈的掌控度，都將決定每家車企的市場推進節奏。新入局的小米和華為或將讓市場競爭環境進一步烈化。建議關注國內核心主機廠以及華為在技術研發、成本控制和產品迭代方面的表現，這將直接影響其在自動駕駛市場的競爭力和市場份額。智能駕駛供應商的智能駕駛供應商的產業產業分化：分化：資源和技術門檻導致智能

175、駕駛供應商開始分化，行業進入供給側出清階段。頭部企業將享受技術落地帶來的紅利，而中小玩家的生存空間將進一步受到壓縮。不可否認的是，頭部企業地平線、大疆、華為、Momenta 等頭部企業因技術優勢和市場地位，將獲得最多的技術落地紅利；但中小廠商為了在行業里謀其生存空間，或可能進行較為激進的轉型會導致產業鏈中競爭格局的進一步分化。汽車后服務市場：汽車后服務市場：自動駕駛技術的落地將導致新能源汽車銷量的上升，連同汽車后服務和新四化的推進，將為整個汽車及其相關產業鏈帶來前所未有的發展機會。隨著汽車電動化和智能化水平的提高，汽車后服務也在經歷變革，從傳統的維修保養，擴展到軟件更新、數據分析、遠程診斷等服

176、務。新四化也將對帶來新的投資機會，電動化推動了對高效、環保電動機、電池技術的研發和產業鏈的完善；智能化加速了車載人工智能、自動駕駛系統、車內娛樂等技術的發展，為軟件和算法提供商提供了廣闊的市場；網聯化為基于車聯網的新業務模式和服務（如車輛遠程控制、實時交通信息服務等）提供了平臺；共享化將推動支付系統、車輛調度、用戶管理等技術和服務的發展。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 64/65 計算機計算機/行業深度行業深度 研究團隊簡介：研究團隊簡介：Table_Introduction 吳源恒：武漢大學遙感工程學士，伯明翰大學國際商務碩士，曾在湖北省測繪局從事測繪地理信息數據處

177、理、遙感地理信息解譯等工作，對衛星遙感應用產業有較深的認識。2020 年加入萬聯證券 TMT 團隊，2022 年加入東北證券數字經濟團隊。目前主要研究 5G、衛星互聯網、遙感、物聯網、光通信等數字經濟相關領域。分析師聲明分析師聲明 作者具有中國證券業協會授予的證券投資咨詢執業資格，并在中國證券業協會注冊登記為證券分析師。本報告遵循合規、客觀、專業、審慎的制作原則，所采用數據、資料的來源合法合規，文字闡述反映了作者的真實觀點，報告結論未受任何第三方的授意或影響，特此聲明。投資投資評級說明評級說明 股票 投資 評級 說明 買入 未來 6 個月內，股價漲幅超越市場基準 15%以上。投資評級中所涉及的

178、市場基準：A 股市場以滬深 300 指數為市場基準，新三板市場以三板成指（針對協議轉讓標的）或三板做市指數（針對做市轉讓標的）為市場基準；香港市場以摩根士丹利中國指數為市場基準；美國市場以納斯達克綜合指數或標普 500指數為市場基準。增持 未來 6 個月內，股價漲幅超越市場基準 5%至 15%之間。中性 未來 6 個月內，股價漲幅介于市場基準-5%至 5%之間。減持 未來 6 個月內，股價漲幅落后市場基準 5%至 15%之間。賣出 未來 6 個月內，股價漲幅落后市場基準 15%以上。行業 投資 評級 說明 優于大勢 未來 6 個月內，行業指數的收益超越市場基準。同步大勢 未來 6 個月內，行業

179、指數的收益與市場基準持平。落后大勢 未來 6 個月內，行業指數的收益落后于市場基準。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 65/65 計算機計算機/行業深度行業深度 重要聲明重要聲明 本報告由東北證券股份有限公司（以下稱“本公司”）制作并僅向本公司客戶發布，本公司不會因任何機構或個人接收到本報告而視其為本公司的當然客戶。本公司具有中國證監會核準的證券投資咨詢業務資格。本報告中的信息均來源于公開資料，本公司對這些信息的準確性和完整性不作任何保證。報告中的內容和意見僅反映本公司于發布本報告當日的判斷，不保證所包含的內容和意見不發生變化。本報告僅供參考，并不構成對所述證券買賣的出

180、價或征價。在任何情況下，本報告中的信息或所表述的意見均不構成對任何人的證券買賣建議。本公司及其雇員不承諾投資者一定獲利，不與投資者分享投資收益，在任何情況下，我公司及其雇員對任何人使用本報告及其內容所引發的任何直接或間接損失概不負責。本公司或其關聯機構可能會持有本報告中涉及到的公司所發行的證券頭寸并進行交易，并在法律許可的情況下不進行披露；可能為這些公司提供或爭取提供投資銀行業務、財務顧問等相關服務。本報告版權歸本公司所有。未經本公司書面許可，任何機構和個人不得以任何形式翻版、復制、發表或引用。如征得本公司同意進行引用、刊發的，須在本公司允許的范圍內使用，并注明本報告的發布人和發布日期，提示使用本報告的風險。若本公司客戶（以下稱“該客戶”）向第三方發送本報告，則由該客戶獨自為此發送行為負責。提醒通過此途徑獲得本報告的投資者注意，本公司不對通過此種途徑獲得本報告所引起的任何損失承擔任何責任。地址地址 郵編郵編 中國吉林省長春市生態大街 6666 號 130119 中國北京市西城區錦什坊街 28 號恒奧中心 D 座 100033 中國上海市浦東新區楊高南路 799 號 200127 中國深圳市福田區福中三路 1006 號諾德中心 34D 518038 中國廣東省廣州市天河區冼村街道黃埔大道西 122 號之二星輝中心 15 樓 510630