2024Robotaxi行業的現狀、產業鏈、技術挑戰、商業模式及未來發展趨勢分析報告（25頁）.pdf

《2024Robotaxi行業的現狀、產業鏈、技術挑戰、商業模式及未來發展趨勢分析報告（25頁）.pdf》由會員分享，可在線閱讀，更多相關《2024Robotaxi行業的現狀、產業鏈、技術挑戰、商業模式及未來發展趨勢分析報告（25頁）.pdf（25頁珍藏版）》請在三個皮匠報告上搜索。

1、 2024 年深度行業分析研究報告目錄目錄 1.Robotaxi 行業拐點將至，中美走在最前列.3 1.1.Robotaxi 行業迎來關鍵技術突破.3 1.2.各國 Robotaxi 商業化進程差異較大.3 1.3.未來商業化進程中的挑戰較多.4 1.3.1.技術挑戰.5 1.3.2.成本挑戰.5 1.3.3.法規政策挑戰.6 2.Robotaxi 產業鏈完成自產自研.6 2.1.上游：核心技術自有化.7 2.1.1.硬件：感知器-Robotaxi 的眼睛.7 2.1.2.硬件：智駕芯片-Robotaxi 的大腦.10 2.1.3.軟件：算法-Robotaxi 的神經.14 2.2.中游：整車

2、制造自產自研.18 2.3.下游：商業化運營提供全套解決方案.19 2.3.1.市場概述.19 2.3.2.商業運營模式.21 2.3.3.運營成本分析.22 3.Robotaxi 未來技術進步與商業模式進步將同步進行.24 1.Robotaxi 行業拐點將至，中美走在最前列行業拐點將至，中美走在最前列 1.1.Robotaxi 行業迎來關鍵技術突破行業迎來關鍵技術突破 20 世紀末和世紀末和 21 世紀初，世紀初，Robotaxi 行業的概念出現：行業的概念出現：當時自動駕駛技術還處于初級階段，早期的研究主要集中在學術機構和少數科技公司的實驗室內。2004 年，美國國防高級研究計劃局（DAR

3、PA）舉辦了首屆 DARPA Grand Challenge，這一賽事激發了全球對自動駕駛技術的關注。2010 年代，年代，Robotaxi 行業迎來了關鍵技術突破：行業迎來了關鍵技術突破：隨著傳感器、計算能力和人工智能技術飛速發展，2012 年，谷歌宣布啟動其自動駕駛汽車項目（后來成為 Waymo），并在美國多地進行路測。隨后，許多汽車制造商和科技公司紛紛投入資源，展開自動駕駛技術的研發和測試。2016 年，Uber 在美國匹茲堡推出全球首個自動駕駛出租車試點項目，標志著 Robotaxi 行業進入商業化探索階段。同年，通用汽車收購自動駕駛初創公司 Cruise，加速其在 Robotaxi

4、領域的布局。與此同時，中國的百度推出 Apollo 自動駕駛平臺，并在國內多個城市進行 Robotaxi 測試。圖圖1：Robotaxi 主要參與者主要參與者 數據來源：國泰君安證券研究 2020 年代，年代，Robotaxi 行業逐漸走向成熟：行業逐漸走向成熟：Waymo 在亞利桑那州鳳凰城推出商業化 Robotaxi 服務，成為行業的領先者。特斯拉則通過其全自動駕駛（FSD）系統，實現了部分自動駕駛功能，并計劃推出 Cybercab 服務，使車主可以隨時將車輛加入車隊，進一步推動 Robotaxi 的普及。在中國，百度的 Apollo 平臺在自動駕駛技術上不斷創新，并在北京、長沙和廣州等地

5、推出了蘿卜快跑試點服務。AutoX、小馬智行（Pony.ai）和文遠知行（WeRide）等初創公司也積極參與 Robotaxi 的研發和測試，與豐田、廣汽等車企合作，啟動了 Robotaxi 試點 1.2.各國各國 Robotaxi 商業化進程差異較大商業化進程差異較大 中美兩國為中美兩國為 Robotaxi 商業化的領頭羊。商業化的領頭羊。在過去的一年里兩國保持領先，并進一步邁入 1.0 階段。盡管兩國都通過政策的放寬來促進技術進步，但在政策實施的具體尺度和標準上有所不同，這也反映了各自的商業化進展特點：逐步推進，穩健前行：中國在 Robotaxi 商業化方面采取了謹慎的態度，強調技術可靠性

6、驗證后的逐步開放。通過逐步放寬監管，給技術發展留出空間，促進技術迭代和穩步前進。例如，2022 年以前，政策的核心目標是加強無人駕駛道路測試的廣度和深度，但關于量產與商業化的詳細規則未清晰定義。進入 2023 年，國家和地方政府積極為自動駕駛規?；慨a和商業化運營提供政策支撐。除了擴大路測城市和區域范圍，還向技術已得到充分驗證的領先玩家發放試運營牌照和全無人牌照，從而實現全國多個核心城市開啟 Robotaxi 商業化運營的蓬勃發展景象?？焖偻七M，大膽嘗試：美國對 Robotaxi 商業化采取了更為開放和快速的發展策略。在一些城市，監管政策大膽放寬，給 Robotaxi 最大的發展空間。例如，C

7、ruise 在舊金山迅速申請并獲得了全無人自動駕駛商業化運營資質，利用更廣泛的測試區域來優化技術，推動商業化落地。圖圖2：Robotaxi 商業化階段商業化階段 數據來源：羅蘭貝格，國泰君安證券研究 在比較中美兩國的發展路徑時，需要謹慎對待跨越式發展，找到合適的跨越點，避免冒進帶來的風險。目前 L3 級別的自動駕駛技術尚不能完全支持全無人自動駕駛的開放式場景運營，技術的可靠性也尚未完全保障 Robotaxi 的高效、安全運營。因此，政策監管的開放程度必須與技術發展的成熟度相適應，以避免失衡。其他國家的其他國家的 Robotaxi 發展較慢，仍處在測試階段，還未開始商業化運發展較慢，仍處在測試階

8、段，還未開始商業化運營。營。德國近期才通過自動駕駛法來支持自動駕駛汽車的發展，大眾和戴姆勒等公司正在積極推動 Robotaxi 項目。日本在東京和福岡等地進行 Robotaxi 試點，軟銀和豐田合作的 MaaS 項目正積極推進。韓國：發布了自動駕駛汽車路線圖，現代汽車在首爾等地進行了 Robotaxi 測試。全球全球 Robotaxi 商業化進程正在加速，各國在政策支持和技術創新方面商業化進程正在加速，各國在政策支持和技術創新方面取得顯著進展。取得顯著進展。中美兩國在技術領先和政策支持方面引領全球。隨著政策的進一步完善和技術的不斷進步，Robotaxi 有望在未來幾年內實現大規模商業化運營，跨

9、入商業化 2.0 階段 1.3.未來商業化進程中的挑戰較多未來商業化進程中的挑戰較多 Robotaxi 的商業化進程中面臨著多方面的挑戰，主要包括技術挑戰、成本挑戰和法規政策挑戰。這些挑戰影響了 Robotaxi 的普及和大規模運營。1.3.1.技術挑戰技術挑戰 可靠性和安全可靠性和安全性：性：當前的自動駕駛技術，特別是 L3 和 L4 級別，尚未能完全滿足高效、安全運營的要求。技術的復雜性要求自動駕駛系統在各種環境中保持高可靠性和安全性。例如，2023 年，Cruise 的一輛自動駕駛汽車在與一輛由人駕駛的車相撞后，就因錯誤地判斷了事故類型并靠邊停車，導致一名行人被夾在車輪之間拖行，造成了嚴

10、重的運營事故。長尾場景的處理：長尾場景的處理：Robotaxi 在實際運營中需要應對各種復雜和突發的交通狀況。處理長尾場景（即極少數但復雜的駕駛場景）仍是一個巨大挑戰。如蘿卜快跑在武漢的運營中頻繁出現無法處理長尾場景的技術問題，導致系統停擺將交通堵塞，需要等待人工遠程介入，影響了運營效率和安全性。技術迭代和更新：技術迭代和更新：自動駕駛技術需要不斷進行迭代和優化，但在商業化運營中頻繁的技術更新會增加運營的復雜性和成本。如何在不影響正常運營的情況下進行技術升級，這是另一個需要解決的問題。圖圖3：Cruise 舊金山事故舊金山事故 圖圖4：蘿卜快跑無法掉頭堵塞交通蘿卜快跑無法掉頭堵塞交通 數據來源

11、：華盛頓郵報 數據來源：搜狐 1.3.2.成本挑戰成本挑戰 研發和制造成本：研發和制造成本：自動駕駛技術的研發和車輛的制造成本高昂。大量的傳感器、計算平臺以及軟件開發都需要巨額投資。要實現大規模的商業化運營，需要大幅度降低這些成本。如百度目前使用的 ADAS 半固態激光雷達方案，需要四顆激光雷達，而普通的智駕系統通常只需要 1 顆激光雷達，這提高了 Robotaxi 制造成本。運營和維護成本：運營和維護成本：Robotaxi 的運營和維護成本也是一個重大挑戰。車輛的高頻使用和復雜的技術要求意味著維護成本較高，如 Robotaxi 使用的機械激光雷達，由于機械結構復雜需要經常維護，使用壽命較短。

12、此外，當前技術條件下的人工干預頻率較高，每 1-3 輛車需要配備一個安全員，這也增加了運營成本。規?；慕洕裕阂幠；慕洕裕篟obotaxi 要實現商業上的成功，必須在規?；\營中實現經濟效益。然而，現階段的技術和成本條件下，實現大規模部署和 盈利仍存在較大難度。如何通過技術進步和運營模式創新，降低單位成本，提高運營效率，是 Robotaxi 面臨的重要挑戰。圖圖5：Waymo 的的 Honeycomb 機械雷達方案機械雷達方案 圖圖6：百度百度 ADAS 半固態激光雷達方案半固態激光雷達方案 數據來源：Waymo 數據來源：有駕 1.3.3.法規政策挑戰法規政策挑戰 法律的不確定性：法律

13、的不確定性：Robotaxi 政策法規是其大規模普及的重要限制條件。目前，無人駕駛技術的責任劃分缺乏明確的法律規定，這給企業在推進商業化時帶來了許多法律障礙。東南大學交通法治與發展研究中心執行主任顧大松指出，在自動駕駛汽車測試、示范應用及商業化試點中，遠程安全員的法律責任問題尤為突出。在現行法律框架下，遠程安全員的法律身份和責任尚不明確，增加了企業的法律風險。此外，保險政策也面臨挑戰。無人駕駛出租車事故后的理賠問題尚未解決，傳統保險政策可能無法涵蓋無人駕駛出租車的所有風險。因此，保險公司和行業需要共同探索適用于無人駕駛出租車的新保險政策。這進一步增加了無人駕駛出租車商業化的復雜性和不確定性。政

14、策的適配性：政策的適配性：法規政策需要與技術發展的成熟度相匹配，以避免失衡。一方面，過于嚴格的監管可能抑制技術創新和商業化進程；另一方面，過于寬松的政策又可能帶來安全隱患。例如，Cruise 在舊金山的商業化試運營中，因頻發的技術問題和安全事故，被迫縮減車隊規模并暫停運營。這表明，政策需要在促進技術發展的同時，保障公共安全和社會利益。同時區域差異化增加政策落地難度，國內不同省市車輛駕駛習慣和道路基礎設施建設不盡相同，因此需要地方政府各自根據本地區實際路況和車況進行適配性政策落地，增加政策準入成本。國際化的政策協調國際化的政策協調：隨著 Robotaxi 技術和商業模式的全球化發展，各國之間的政

15、策協調顯得尤為重要。國際的政策差異和監管壁壘可能會阻礙技術的跨國推廣和市場的全球化。如何在國際范圍內建立統一的標準和協調機制，是一個亟待解決的問題。Robotaxi 在商業化進程中面臨的技術挑戰、成本挑戰和法規政策挑戰，既是行業發展的瓶頸，也是技術進步和商業模式創新的驅動力。解決這些挑戰需要政府、企業和社會各界的共同努力，通過技術創新、成本控制和政策引導，推動 Robotaxi 實現大規模、安全、高效的商業化運營。2.Robotaxi 產業鏈完成自產自研產業鏈完成自產自研 Robotaxi 產業鏈覆蓋了從底層工具技術到應用功能技術，再到運營商業平臺的全鏈條。具體而言：上游核心技術：上游核心技術

16、：該領域主要涉及自動駕駛技術公司和汽車零部件供應商。在這一環節，OEM 負責開發和提供硬件如激光雷達，攝像頭，毫米波雷達一類的傳感器，以及計算平臺，車載網絡平臺所需的芯片。自動駕駛技術公司則負責智駕所需的軟件層面，如數據標注，云平臺，算法等。中游整車制造：中游整車制造：這一層次核心玩家包括頭部的 OEM 主機廠和主流汽車零部件廠商。他們負責將上游的硬件和軟件集成到車輛中，形成完整的 Robotaxi。由零部件廠商提供包括線控底盤，域控制器，智能座艙在內的整車零部件，再交由整車廠進行組裝。下游運營平臺：下游運營平臺：這一環節主要由主機廠和專業的出行服務提供商主導。例如，滴滴出行、如祺出行和 Ub

17、er 等公司負責 Robotaxi 的實際運營，包括車輛調度、乘客服務和數據管理等。通過這三個環節的協調與合作，Robotaxi 產業鏈能夠實現從技術研發到市場應用的全面覆蓋。圖圖7：Robotaxi 產業鏈產業鏈 數據來源：國泰君安證券研究 2.1.上游：核心技術自有化上游：核心技術自有化 在上游核心技術方面，主要涉及感知系統和算法與軟件兩大類。傳感器技術，包括激光雷達、攝像頭和雷達，是自動駕駛系統獲取環境信息的基礎，直接影響到車輛的感知能力和環境理解。而算法與軟件，如人工智能（AI）、機器學習和路徑規劃，決定了如何從傳感器數據中提取有效信息，并做出實時決策。不同公司在這些技術領域的策略和實

18、施方案存在顯著差異，這不僅影響了各自產品的性能，還可能在市場競爭中形成不同的優勢。2.1.1.硬件：感知器硬件：感知器-Robotaxi 的眼睛的眼睛 Waymo 的感知系統使用了攝像頭、激光雷達和雷達的組合。這套感知系統在汽車上和車頂前部有 4 個旋轉式激光雷達單元（一個前置，兩個側置，一個后置），360 全方位覆蓋，六個雷達單元（兩個正面、兩個側面、兩個背面），360 全方位覆蓋，14 個攝像頭（7 個前置、4 個側置、3 個后置），360 全方位覆蓋，包括短距離街道視角和中遠距離環境視角，八個超聲波傳感器，用于前后避障。這是一個非常全面的 L5 級自動駕駛硬件包，總共有 32 個傳感器，

19、通過三種不同的模式提供 360 的覆蓋范圍，這表明 Waymo 希望通過冗余系統、分層覆蓋和環境魯棒性來優化安全運行。同時，現階段的 Waymo 還搭載了繪圖傳感器，用來繪制高精地圖。1 個旋轉的超高分辨率激光雷達單元，全 360 覆蓋，12 個不同類型的攝像頭，在各種照明條件下提供 360 全覆蓋。Waymo 的激光雷達和十二個相機陣列能夠融合創建密集的 360 3D 地圖，為 Waymo robotaxi 提供極高的精確度。這些傳感器在舊金山的出租車每天覆蓋數千英里，極大地完善了地圖的準確性和細節。除了超高分辨率的激光雷達和高動態范圍（HDR）及紅外相機，這些傳感器主要用于測繪，而非自動駕

20、駛。Waymo 通過不斷更新視覺地圖，優化出租車的導航能力。根據 Tangram 分析，這些傳感器一共花費 Waymo 超過 4 萬至 5 萬美元，這還不包括無法評估的其他傳感器，或安裝和運行它所需的額外板載計算、線束等。這還是得益于激光雷達設備是由 Waymo 制造的，因此如果從第三方供應商那里采購，成本可能會更高。圖圖8：Waymo 的傳感系統的傳感系統 數據來源：Tangram Cruise 的感知系統方案也為多種傳感器冗余方案，其基于通用電動車 bolt 的基礎上搭載了 5 個激光雷達，14 個攝像頭，3 個廣角雷達，8 個長距雷達，10 個超聲波雷達等超過 40 個傳感器。在這些傳感

21、器中，Cruise 搭載了一種獨特的 ARA 方案。Articulating Radar Assembly（ARA）配備了長距離雷達傳感器，擅長遠距離探測物體和來車，但視野較窄，類似于長焦鏡頭相機。為了克服這一局限，Cruise 團隊將雷達安裝在可旋轉的裝置上，使其能夠隨車輛轉向快速調整方向。ARA 系統通過利用高精地圖數據，結合交通模式和車輛位置數據，智能地確定雷達的指向方向。Cruise 雖然沒有搭載繪圖傳感器，但其激光雷達設備采購自第三方供應商，使得其感知系統的成本在 5 萬美元左右之間。因此，Cruise 計劃將其自動駕駛工作的重點轉向：減少和整合各種傳感器，以降低成本；降低對高精度地

22、圖的依賴，甚至可能像特斯拉那樣完全不使用地圖；以及為算法和虛擬驗證設計通用的工具和流程，以提高自動駕駛開發的效率和規?；芰??？s減成本已成為 Cruise 的首要任務。圖圖9：Cruise 傳感系統方案傳感系統方案 圖圖10：Cruise 的的 ARA 組件組件 數據來源：GMauthority 數據來源：Medium 蘿卜快跑第六代車頤馳 06 的感知系統采用了 ADAS 半固態激光雷達方案，全車配備了 38 個外部傳感器，包括 8 個半固態激光雷達、6 個毫米波雷達、12 個超聲波雷達和 12 個攝像頭。主激光雷達為 4 個 128 線程的禾賽 AT128，每個的售價約為 3000 元。與

23、 Waymo、Cruise 和百度曾使用的售價約為 1 萬美元的 64 線程機械激光雷達相比，半固態激光雷達的方案顯著降低了成本。另一方面，激光雷達核心技術的性能提升使得所需搭載的數量不斷減少。AT128 每秒可以生成 153 萬點數據，四個激光雷達已經能夠滿足 L4 級自動駕駛對高精度感知和 360 全景覆蓋的嚴苛要求。得益于半固態激光雷達方案，這套感知系統的總成本估算約為 26,000 元，僅為 Cruise 和 Waymo 方案成本的零頭。百度通過這一方案顯著降低了感知系統的成本，同時仍然滿足了 L4 級自動駕駛對高精度感知系統的要求。在其他 Robotaxi 公司仍在努力降低硬件成本時

24、，蘿卜快跑則可以專注于商業化運營。這一成本優勢為百度的戰略目標提供了有力支持：到 2024 年底，蘿卜快跑計劃在武漢實現收支平衡，并在 2025 年全面進入盈利期，這一目標正變得越來越現實。圖圖11：頤馳頤馳 06 半固態激光方案半固態激光方案 圖圖12：蘿卜快跑第六代感知系統成本預估蘿卜快跑第六代感知系統成本預估 數據來源：搜狐，國泰君安證券研究 數據來源：國泰君安證券研究 Cybercab 采用的則是純視覺的 HW4.0 感知系統方案，攝像頭成為了智駕的核心。特斯拉已經積累了 20 億公里的行駛里程，并通過 Dojo 訓練進一步提升了系統的性能，這為純視覺方案的實現提供了堅實的基礎。相比于

25、 HW3.0 的 8 個攝像頭，HW4.0 新增了 3 個環視攝像頭和 1 個 4D 的毫米波雷達。11 個中 7 個為 RGGB 攝像頭，分辨率均為 500 萬像素。雙側 B 柱前向攝像頭和雙側輪眉后向攝像頭各有 500 萬像素，后者還可充當流媒體后視鏡。兩個前向攝像頭具備更高分辨率和更廣視角，主鏡頭可視 150 米，廣角鏡頭視 60 米，后向攝像頭同樣具備更高分辨率和廣視角。此外，車內設有一個高分辨率的攝像頭用于檢測駕駛員疲勞狀態。前向雷達配備特斯拉定制的 Phoenix 4D 高分辨率毫米波雷達及雷達加熱器，有效防止冰雪天氣對信號的影響，探測范圍 為 300 米。Phoenix 4D 毫

26、米波雷達在傳統雷達功能基礎上增加了目標俯仰角的“高度”數據，提升了四維信息感知能力。圖圖13：Phoenix 4D 毫米波雷達毫米波雷達 圖圖14：Cybercab 示意圖示意圖 數據來源：Arbe 數據來源：X 在成本方面，根據 greentheonly 的拆解分析，這款毫米波雷達的總成本約為 120 美元（約合人民幣 859 元），內置的 AI 芯片來自 AMD 和美光。攝像頭則來自三星，11 個攝像頭的總成本大約為 300 美元（約合人民幣 2200 元）。得益于純視覺方案，Cybercab 配備了所有 Robotaxi公司中成本最低的感知系統。2.1.2.硬件：智駕芯片硬件：智駕芯片-

27、Robotaxi 的大腦的大腦 在自動駕駛技術迅猛發展的今天，自動駕駛芯片作為核心組件，扮演著至關重要的角色。這些芯片不僅承擔著復雜的計算任務，如實時環境感知、路徑規劃和決策制定，而且是實現高效、可靠和安全自動駕駛系統的基礎。隨著技術的不斷進步，自動駕駛芯片的性能要求也在持續提升，推動了芯片架構、計算能力和制程工藝的創新。在不同的 Robotaxi 公司中，自動駕駛芯片的選擇也各有不同。在介紹各家的芯片方案前，先介紹一下 CPU，NPU，GPU 和 TPU 這幾個概念，GPU 主要用于圖形渲染，而 TPU 和 NPU 則是專門為機器學習工作負載設計的。GPU 擅長并行處理，適合訓練復雜的神經網

28、絡，而TPU 在此基礎上進一步專注于張量運算，以實現更高的速度和能效。TPU 和 NPU 更為專注于 AI 任務，提供更高的定制化，而 GPU 則提供更通用的處理能力，適合各種計算任務。CPU（中央處理單元）負責計算設備中的通用計算任務，執行基本指令和邏輯運算。CPU 的靈活性使其能夠處理各種復雜計算任務，是計算系統的核心組件，提供整體穩定性和處理能力。是一種集成電路（IC），將多個計算組件集成到單個芯片上。它將 CPU、GPU、內存、輸入/輸出控制器等功能整合在一起，以提供完整的計算解決方案。Waymo 在 2012 年便開始涉足自動駕駛技術。然而，作為行業先驅的Waymo 近年來進展緩慢。

29、其主要原因在于 Waymo 過于專注于軟件算法，忽略了硬件平臺的建設。自動駕駛需要軟件與硬件的高度配合，兩者的不匹配可能導致系統效率低下，甚至出現硬件利用率低于 10%的情況。因此，在 2021 年 Waymo 聯手三星開始開發自己的自動駕駛芯片。根據電子工程世界的分析，Waymo 的智駕芯片很有可能使用三星Exynos2200 作為 Soc，加一片谷歌自研的 TPU 用于加速計算。其內部的 NPU 的計算能力至少可達 30TOPS。TPU 是谷歌的長處，其估計算力可達 360TOPS。這樣的方案顯著降低了成本，預計不會超過英偉達系統的成本，并且與算法的兼容性更高。本報告來源于三個皮匠報告站（

30、）,由用戶Id:93117下載,文檔Id:180647,下載日期:2024-11-13 圖圖15：三星三星 Exynos2200 詳細參數詳細參數 圖圖16：谷歌歷代谷歌歷代 TPU 參數參數 數據來源：佐思汽研，三星 數據來源：佐思汽研 Cruise 的智駕域采用了來自 Nvidia 的 Orin 芯片。Orin 的 CPU 部分基于ARMCortex-A78AE 架構，包含 12 個 Cortex-A78 核心和一個基于ArmCortex-R52 的功能安全區域。在 GPU 方面，Orin 配備了 NVIDIA 的AmpereGPU，包含兩個圖形處理集群（GPC）和 128 個 CUDA

31、核心?？偣灿?2048 個 CUDA 核心和 64 個 Tensor 核心，算力達到 254TOPS。由于 Cruise 的采購量太小，在與英偉達的談判過程中并沒有議價權，導致芯片的采購成本居高不下。因此，Cruise 正在從 Nvidia 的產品轉向自研芯片，目的是降低成本并擴大生產規模，這些自研芯片將為其 Origin車型提供動力。截至目前，Cruise 已經開發了四款內部芯片包括一個名為 Horta 的計算芯片；一個名為 Dune 的芯片，負責處理來自傳感器的數據；一個用于雷達的芯片；以及一個尚未公布的芯片。圖圖17：Nvidia 自動駕駛方案自動駕駛方案 數據來源：英偉達發布會 圖圖1

32、8：Orin 芯片架構芯片架構 數據來源：Orin 白皮書 蘿卜快跑第六代車頤馳 06 具有 1200TOPS 的算力。根據佐思汽研的推測，頤馳 06 大概率采用的是百度自研的昆侖芯 2.0。昆侖芯 2.0 的內部架構圖展示了一種獨特的設計，本質上是一個 CPU 加上 NPU 的組合。其中，SDNN（軟件定義的神經網絡引擎）是其自主研發的核心張量計算單元，專注于加速卷積和矩陣乘法的計算，即 NPU 的功能。Cluster部分主要負責除卷積和矩陣乘法之外的通用計算，類似于 CPU，處理標量計算。XPU-R 結構包括 8 個 Cluster 單元和 6 個 SDNN 單元。Cluster單元主要執

33、行通用計算任務，支持 SIMD 指令，具備通用性和靈活的編程能力。SDNN 則負責 MAC 類計算和 EW 類計算，能夠提供 256TOPS的算力。圖圖19：Nvidia 自動駕駛方案自動駕駛方案 圖圖20：Orin 芯片架構芯片架構 數據來源：佐思汽研 數據來源：國泰君安證券研究 在成本方面，這可以看出自研芯片是更好的選擇。第六代頤馳 06 需要1200TOPS 算力，即需 6 片昆侖芯 2.0。百度的 R480-X8UBB 基板可連接 8 片昆侖芯 2.0，總成本約為 2-3 萬元人民幣。相比之下，使用英偉達Orin 并不劃算。Orin-X 在國內的稀疏算力為 254TOPSINT8，存儲

34、帶寬 204.8GB/s，低于昆侖芯 2.0 的 512GB/s。如果要達到 1200TOPS，仍需 6 顆 Orin，但由于 Orin 沒有片間連接能力，算力不會超過 400TOPS，且 6 片 Orin 成本近 2 萬元。此外，Orin 缺乏多片并聯基板，需要額外開發嵌入式計算平臺，開發周期和成本遠超昆侖芯 2.0。Cybercab 使用的是特斯拉自研的 FSD2.0 芯片。第二代的 FSD 將 CPU內核增加到五個四核集群，總共有 20 個 Cortex-A72 核心。其最關鍵部分是三個 NPU 核心。這些核心使用 32MB 的 SRAM 存儲模型權重和激活數據。每個周期內，從 SRAM

35、 讀取 256 字節的激活數據和 128字節的權重數據到乘法累加單元（MAC）。MAC 設計為 96x96 的網格，每個 NPU 核心在每個時鐘周期可進行 9216 次 MAC 運算，總共有 18432 個操作。每個芯片的三個 NPU 以 2.2GHz 的頻率運行，總算力達 121.651TOPS。圖圖21：特斯拉特斯拉 FSD 第二代第二代 圖圖22：特斯拉特斯拉 FSD 架構架構 數據來源：X 數據來源：Wikichip 根據汽車之心的分析，FSD2.0 芯片采用 7 納米制程，由三星在其美國S2-2 工廠代工生產，該工廠毗鄰特斯拉位于奧斯丁的工廠。同時三星的7nm 芯片代工價格極具競爭力

36、，約為臺積電的 1/3 甚至 1/4。因此，特斯拉 FSD 第二代芯片在采購成本和運輸費用比其他自研芯片更低廉。在所有自動駕駛芯片中，Nvidia 的 Orin 采購成本最高。其高昂的價格主要源于英偉達芯片的高毛利率，通常在 50%左右。由于 Robotaxi 公司的 采購量尚小，無法對英偉達形成有效的議價能力，因此只能以較高的價格購買 Orin 芯片。圖圖23：自動駕駛芯片自動駕駛芯片 數據來源：國泰君安證券研究 為了實現 L4/L5 級別的自動駕駛，所需的計算能力需超過 1000TOPS，這意味著需要 6 顆 Orin 芯片。然而，Orin 芯片不具備多片并聯的能力，因此還需開發專用的嵌入

37、式計算平臺，這進一步延長了開發周期并增加了成本，與自研芯片的成本效益形成鮮明對比。因此，自研芯片成為Robotaxi 公司在降低成本和縮短開發周期方面的最佳解決方案。2.1.3.軟件：算法軟件：算法-Robotaxi 的神經的神經 自動駕駛算法被譽為 Robotaxi 的“神經”，在車輛的自動駕駛過程中起著至關重要的作用。這些算法通過處理傳感器（如 LiDAR、攝像頭、雷達等）采集的數據，實現對周圍環境的實時感知、路徑規劃以及決策制定。具體而言，自動駕駛算法核心包括以下幾個模塊：(a)感知模塊：感知模塊：負責識別和檢測道路上的物體，包括其他車輛、行人、交通信號等。它依賴于先進的機器學習和計算機

38、視覺技術，從而精準地分析和理解周圍環境。(b)定位模塊：定位模塊：基于感知到的信息，預測模塊負責分析周圍物體的潛在行為和移動軌跡。這些預測幫助車輛預見并準備應對可能發生的情況。(c)決策模塊：決策模塊：根據預測結果和當前的交通規則來決定車輛的具體行為，例如何時應該加速、減速、停車或變道，以確保安全和流暢地行駛。(d)規劃模塊：規劃模塊：在決策模塊的基礎上，規劃模塊詳細制定車輛的行駛路線，包括轉向、速度調整和路徑規劃。它需要持續更新路線以應對動態變化的道路條件，確保行駛的高效和安全。通過這些算法，Robotaxi 能夠實現高度自動化的駕駛體驗，減少人類駕駛干預，提升出行效率和安全性。這些模塊協同

39、工作，使自動駕駛車輛能夠安全、高效地完成駕駛任務。Waymo 的算法經過 11 年的研究和實驗，投入了大量技術和努力實現了 L4 級別的自動駕駛。Waymo 的算法系統是動態的，由神經網絡架構搜索(NAS)單元構建。這種架構類似于ResNet，旨在通過自動學習找到最佳的神經網絡組合。在搜索過程中，系統會測試 10,000 個架構，預選 100 個模型，最終選出一個基于準確性和推理成本的獲勝者。圖圖24：Waymo 自動駕駛復雜任務的視圖自動駕駛復雜任務的視圖 圖圖25：Waymo 算法訓練過程算法訓練過程 數據來源：智能交通技術前沿 數據來源：Waymo,國泰君安證券研究 在感知方面，Waym

40、o 通過主動學習來收集數據，并利用 AutoML 生成和選擇更高效的架構，優化檢測障礙物、交通燈和道路的能力。Waymo通過使用地圖、激光雷達和 GPS 來實現高精度定位。與其他依賴攝像頭和 GPS 的系統不同，Waymo 結合了谷歌地圖積累的豐富經驗，實現車輛在全球范圍內的精確定位。Waymo 的定位系統重視冗余，確保車輛在復雜環境中的穩定性和可靠性。Waymo 的預測模塊通過使用循環神經網絡，系統能夠利用歷史數據來預測未來的行為。Waymo 的系統可以評估行人和車輛之間的互動，并評估潛在的事故風險。這一預測算法結合了機器學習和人類知識，確保遵循交通法規和合理的駕駛行為預期。當對駕駛員的行為

41、進行準確地預測后，算法能夠生成合適的軌跡，也就是決策生成。規劃模塊根據可行性設計路徑，以保持車輛在道路上安全行駛并避免碰撞，同時通過人工標注員的反饋來生成更逼真的軌跡。然而，系統仍然面臨挑戰，例如對高精地圖的依賴和激光雷達在惡劣天氣條件下的局限性。Cruise 的感知模塊更加復雜，其將傳感器數據被輸入 AI 主干算法，進行分割（識別并區分不同物體）、紋理分類（識別車輛和物體的具體類型）、屬性理解（識別車輛的動態特征，如尾燈和車門的開閉狀態）、目標跟隨（持續跟蹤動態物體）、行為預測（預測其他交通參與者的潛在動作）以及閉塞推理（推斷被遮擋或不可見區域的潛在風險）。通過這些技術，Cruise 在繁忙

42、城市環境中有效應對長尾駕駛場景，如舊金山的特殊交通狀況，確保自動駕駛車輛的安全性和可靠性。圖圖26：Cruise 神經元架構神經元架構 圖圖27：Cruise 開發流程開發流程 數據來源：Cruise，Vehicle 數據來源：Cruise，Vehicle Cruise 的預測模塊通過深度學習的預測神經元結構實現，分為三部分：首先，編碼階段通過場景編碼、目標歷史編碼和目標對目標圖形進行分析，使用“MixtureofExperts”策略來識別各種可能的后續行為。其次，解碼階段優化初始和長期軌跡，并處理交匯軌跡預測、多模不確定性和交互識別等任務。最后，自我監督階段通過行為自我標簽和交互自我標簽進行

43、反饋和持續學習。該模塊通過自我訓練擴展到復雜場景，如城市駕駛和擁擠的十字路口，利用閉塞推理來處理無法直接觀察的情況，并通過數據挖掘不斷提高感知的準確性和有效性，從而增強安全駕駛能力。Cruise 的決策模塊通過以下步驟實現自動駕駛決策：首先，在決策生成階段，車輛結合所有交通參與者的預測信息生成初始動作，如加速、停車或避讓等，并通過機器學習模型加速選擇最佳軌跡。接下來，在沖突解決階段，根據初始動作結合交通場景中所有參與者的運動信息進行軌跡采樣，并對軌跡進行評分。評分標準包括安全性、交通規則、舒適性、不確定性以及全局規劃導航信息。通過多次迭代選擇最優運動軌跡，利用強化學習解決不確定性問題。最后，在

44、計劃執行階段，基于生成的路徑，考慮車輛動態和現實環境的控制干擾，選擇最優執行控制，確保車輛平穩、安全地行駛。蘿卜快跑使用的是百度 Apollo 的 AutonomousDrivingFoundationModel（ADFM），被譽為全球首個支持L4級別無人駕駛業務的大模型。ADFM由感知大模型和規劃大模型組成，通過聯合訓練實現從原始數據到油門和轉向輸出的端到端自動駕駛系統。在感知模塊中，ADFM 具備檢測、跟蹤、理解和建圖的能力。它通過點云和視覺多模態融合，將相機和激光雷達等傳感器的優勢結合，提升系統的深度、準確性和信息豐富程度。在數據處理方面，感知大模型實現了自動化數據自標注，將原始數據轉化

45、為粗標和精標數據，解決了數據標注的瓶頸問題。該模型對長尾場景的檢測更為精準，能夠識別不規則障礙物、行人和施工區域等。在規劃模塊中，ADFM 通過決策規劃網絡接收感知網絡輸出的數據，包括三維向量空間和 BEV 特征。利用 Transformer 技術，模型在大量數據中挖掘關系，生成最佳的軌跡匹配，確保車輛安全有效地導航。感知網絡從原始傳感器數據中提取信息，生成道路結構和障礙物等數據，這些數據不僅用于模型內部，還以人類可讀的形式輸出，確保系統的可監督性和問題追溯性。百度采用“先分段，再聯合訓練”的策略，旨在平衡模型的性能和可解釋性。這種方法有助于提高準確率和魯棒性，但在各模塊之間的協調方面可能會面

46、臨挑戰。圖圖28：ApolloADFM 感知和規劃算法架構感知和規劃算法架構 數據來源：Apollo,國泰君安證券研究 Cybercab 搭載的特斯拉 FSD 算法使用了一種叫做 OccupancyNetwork 的感知技術，簡單來說，就是在判斷每一個“空間小塊”（3D 體素）是否被某物體占據。這個技術特別靈活，因為它不需要預先假設物體的形狀，能夠檢測任何形狀和運動狀態的物體。比如，它可以精準識別變形的或不規則的障礙物，比如拖掛車或翻倒的車。OccupancyNetwork 使用RegNet 和 BiFPN 從多臺相機中提取特征，然后通過注意力機制將 3D 空間信息與 2D 特征圖結合。它能夠

47、突破傳統方法在分辨率上的限制，通過一種稱為“隱式查詢解碼器”的技術，準確解碼出不同位置上的占據狀態、語義和流動性信息，從而提高檢測的準確性和靈活性。預測模塊的核心是 InteractivePlanning 算法，專注于復雜路口的交互行為。由于其他車輛和行人的行為具有不確定性，系統需要對各種可能的交互情況進行預測，并評估每種情況的風險。這個算法使用了一種叫“交互搜索”的方法，包括樹搜索、神經網絡軌跡規劃和軌跡打分。樹搜索用來找到最佳的交互方式，但由于可能性太多，特斯拉用神經網絡對潛在的目標位置進行打分，以選擇少數優質目標。然后，神經網絡生成到達這些目標的軌跡，并對這些軌跡進行評分，結合風險和舒適

48、性指標，選出最優的方案。這個分步規劃的方法使特斯拉能夠高效處理復雜路況，提供安全、舒適的駕駛體驗。LanesNetwork 是地圖模塊中的核心技術，旨在創建在線矢量地圖，提高自動駕駛車輛的路徑規劃能力。不同于傳統的像素級別地圖分割，LanesNetwork 通過生成車道線的拓撲結構，顯示車輛如何在車道之間切換。矢量地圖由車道中心線和關鍵點（如連接點、分叉點）組成，并通過圖的形式表現它們的連接關系。LanesNetwork 基于感知網絡的一個解碼器，類似于自然語言處理中的 Transformer 解碼器，逐步生成車道線的序列。系統首先對空間進行離散化，然后生成一系列離散的“令牌”，預測每個節點的

49、位置、屬性和連接特性。這種方法能夠動態生成具有邏輯關系的車道結構，提供比傳統地圖更精細和靈活的路徑信息。此外，特斯拉通過自動標注技術，每天處理大量駕駛數據，生成高精度的車道線標注，進一步提升了矢量地圖的精確性和實用性。從而在規?；虡I運營中，Cybercab 比其余依賴于高精地圖的 Robotaxi 更加容易擴展服務范圍。圖圖29：Occupancy 估計估計 圖圖30：矢量地圖生成矢量地圖生成 數據來源：特斯拉發布會 數據來源：IT 之家 2.2.中游：整車制造自產自研中游：整車制造自產自研 在 Robotaxi 行業中，整車制造環節是一個關鍵的中游部分。Robotaxi 公司通常采取三種合

50、作方式來實現自動駕駛車輛的量產和部署：整車加裝與聯合開發，以及自產自研。整車加裝整車加裝是大多數 Robotaxi 公司（如 Waymo，Cruise 和小馬智行）的選擇，通過在已有車型上加裝自動駕駛硬件來實現自動駕駛功能。這種合作模式使 Robotaxi 公司能夠利用現有成熟車型的基礎設施和技術，快速推出符合市場需求的自動駕駛車輛。通過借用成熟的車輛平臺，Robotaxi公司能夠降低研發成本，加快市場投放速度。成熟車型經過市場驗證，具備可靠性和安全性，這也使 Robotaxi 公司可以將更多資源投入到自動駕駛技術的開發和優化上，從而在技術發展上保持領先地位。圖圖31：Robotaxi 整車概

51、述整車概述 數據來源：國泰君安證券研究 然而，這種加裝硬件的方案也帶來了高昂的成本問題。這不僅包括智能駕駛硬件的費用，還涉及采購整車和改裝的人工費。自動駕駛車輛通常需要具備線性底盤，因為線性底盤通過電子信號傳遞車輛的控制命令，允許智駕域與車輛的電子控制單元（ECU）直接通訊。這種底盤結構有助于提供更平穩的駕駛體驗和更高效的硬件布置，但可能會限制車型選擇。此外，在現有車型上集成自動駕駛硬件和軟件需要精密的技術協調，以確保車輛的整體性能和安全性，這對系統集成能力提出了較高的要求。聯合開發聯合開發也許是更好的選擇，如蘿卜快跑與江鈴的合作，可以顯著降低智駕硬件的改裝成本。這是因為聯合開發允許更好地集成

52、和優化硬件系統，減少重復制造和安裝成本。并且定制的車型更加適用于網約車運營，頤馳 06 采用了全自動換電模式，相比充電，換電節省出了充電時間，也降低了維護充電的人力成本，在外觀上融合了 SUV 與 MPV 的元素，采用空間飛梭式車身，車內空間更大乘客乘坐更舒適。Waymo與Cruise的下一代車也均采用了與車企聯合開發的方案。Waymo的第六代車將于極氪聯合開發，基于極氪 MIX 開發的全新一代 Robotaxi，Cruise 則是與通用和本田聯合開發了 Origin 作為下一代 Robotaxi，他們共同的特點都是沒有駕駛艙，從而座艙空間利用率超過 80%，中型車的尺寸大型車的空間，乘坐體驗

53、更好。圖圖32：第六代第六代 WaymoDriver 圖圖33：CruiseOrigin 數據來源：Waymo 數據來源：Cruise 自研自產策略自研自產策略（如 Cybercab）在整車成本上才是最優選擇。特斯拉整合了自動駕駛技術和整車制造能力。這種垂直整合的方式使特斯拉能夠更深度地控制車輛的每一個設計和生產環節，進而優化自動駕駛技術與整車的協調性。通過垂直整合，特斯拉能夠將硬件和軟件的開發無縫結合，實現從芯片設計到系統集成的全面控制，這種方式不僅降低了制造成本，還縮短了產品開發周期。圖圖34：Cybercab 應用程序應用程序 數據來源：特斯拉 這種策略還使特斯拉能夠根據市場反饋迅速迭代

54、產品，提升車輛智駕性能和乘客體驗。例如，特斯拉可以快速更新其自動駕駛軟件，通過無線更新（OTA）為 Cybercab 提供最新的自駕功能。此外，特斯拉還能將其他車型納入 Cybercab 車隊，從而在無需增加固定成本的情況下快速擴張市場。這種自研自產和垂直整合的模式，展現了特斯拉在自動駕駛和電動汽車領域的戰略優勢，幫助其在市場競爭中保持領先地位。通過垂直整合，特斯拉不僅能夠優化供應鏈和降低生產成本，還可以更快地響應市場需求，實現技術和產品的同步升級。2.3.下游：商業化下游：商業化運營提供全套解決方案運營提供全套解決方案 2.3.1.市場概述市場概述 近年來，全球網約車市場規模增長迅速。根據

55、Statista 預測，到 2024 年，該市場的收入預計將達到 1676 億美元。此外，2024 年至 2029 年間的年復合增長率（CAGR）預計為 4.89%，預計到 2029 年全球市場規模將達到 2128 億美元。在用戶數量方面，網約車市場預計將顯著增加，到 2029年用戶數量預計將達到 23.1 億。用戶滲透率預計在 2024 年為 23.1%，到 2029 年將達到 28.6%。用戶平均收入（ARPU）預計約為 93.59 美元。這一增長主要由幾個因素推動，包括城市化加速、消費者行為改變、智能手機和互聯網普及使得人們更容易訪問網約車應用，以及環境關切促使人們選擇共享交通方式而非個

56、人車輛所有權。此外，技術的進步和服務向郊區及農村地區的擴展預計將繼續推動市場的發展。圖圖35：全球網約車市場規模全球網約車市場規模 圖圖36：全球網約車市場規模地圖全球網約車市場規模地圖 數據來源：Statista，國泰君安證券研究 數據來源：Statista，國泰君安證券研究 圖圖37：中國網約車市場規模中國網約車市場規模 圖圖38：美國網約車市場規模美國網約車市場規模 數據來源：Statista，國泰君安證券研究 數據來源：Statista，國泰君安證券研究 其中，中國預計將在全球網約車市場中占據最大規模。截止 2023 年底，中國網約車的用戶基數達到了約 5.28 億人，比 2022 年

57、底增加了約 9057萬。這些用戶約占中國互聯網用戶的 48.3%。全年，網約車行業共處理了約 91.14 億個訂單，較 2023 年增長了 30.76%,我國網約車行業市場規模達到 3606 億元。在供應方面，從 2022 年 3 月到 2024 年 5 月，網約車司機的注冊數量月均增加超過 11 萬，總數從 407 萬增至 703 萬。在需求方面，截至 2023 年底我國網約車行業用戶規模約為 5.28 億人，同比增長 7.4%。網約車市場呈現供需同步向上的趨勢 而在美國，網約車公司面臨來自政府的日益增加的審查和監管，導致市場整合和價格上漲。具體而言，2024 年的預計收入為 538.8 億

58、美元。此外，預計從 2024 年至 2029 年，市場將以 2.37%的復合年增長率緩慢增長，預計到 2029 年市場規模將達到 605.6 億美元。至于網約車市場的用戶數量，預計到 2029 年將達到 9994 萬用戶，用戶滲透率預計從 2024年的 26.7%略微上升至 2029 年的 28.5%。用戶平均收入（ARPU）預計為 590 美元。目前 Robotaxi 對網約車市場的滲透率不足 0.01%，其較高的單價相比傳統網約車服務，仍是限制其普及的主要因素。據羅蘭貝格的調查顯示，多數消費者對于價格極為敏感，52%的受訪者表示只有當 Robotaxi 的費用低于現有網約車服務時，他們才會

59、考慮將其作為常規的出行方式。此外，有 35%的用戶表示，如果 Robotaxi 的價格與網約車服務相當或者只貴 10%以內，他們才可以接受使用 Robotaxi。圖圖39：Robotaxi 受眾分析受眾分析 數據來源：羅蘭貝格 這種消費者行為反映了成本對出行選擇的重要影響。盡管 Robotaxi 技術的發展帶來了無人駕駛的可能性，提高了行駛的安全性和可預測性，但在當前階段，高昂的技術成本和初期運營成本導致 Robotaxi 無法大規模替代傳統網約車服務。只有通過技術進步和規?；a，進一步降低成本，Robotaxi 才能成為更具競爭力的選擇，進一步滲透網約車市場。2.3.2.商業運營模式商業運

60、營模式 在軟件定義汽車的行業趨勢推動下，Robotaxi 行業呈現出多樣化的運營模式，其中“主機廠+自動駕駛解決方案供應商+運營商”的輕資產運營模式成為當前的主流。以 Waymo、捷豹和 Uber 的合作為例，這種模式允許各方發揮各自的優勢：Waymo 提供先進的自動駕駛技術，捷豹負責生產適配該技術的車輛，而 Uber 則利用其廣泛的客戶網絡和運營經驗來提供服務。這種分工合作能夠加快技術的市場化進程，同時分散單個公司在研發和市場推廣中的風險。圖圖40：Robotaxi 三種商業運營模式三種商業運營模式 數據來源：國泰君安證券研究 或者與“百度+江鈴+蘿卜快跑”一樣的合作模式，這類模式的特點在于

61、，自動駕駛企業不僅提供上游的技術解決方案，還承擔下游的運營職責，但不直接涉及整車的制造。這種模式允許自動駕駛企業與具有整車生產能力的汽車制造商進行深度合作，從車企采購 Robotaxi 車型進行商業化運營，而不必自建龐大的生產基地，徒增成本壓力。Cybercab 采取的自研自產自營模式是在 Robotaxi 行業中相對較為罕見的一種重資產經營方式，它涵蓋了自動駕駛技術的研發、車輛的生產以及最終的運營服務。這種模式的最大優勢來源于特斯拉強大的垂直整合能力，即從技術開發到產品制造，再到市場運營的每一個環節都在特斯拉的控制和協調之下。這樣的整合不僅可以顯著提高操作的效率，減少協調不同供應商時的時間和

62、成本開銷，還能在質量控制方面實現更高標準，確保每一個環節都符合公司的嚴格要求?？紤]到這三種模式各有千秋，未來 Robotaxi 行業可能會看到它們的并行存在。合作模式能夠利用行業合作的力量快速擴展和適應多變的市場，而一體化模式則可能在成本控制和技術創新方面取得更大的突破。這種多元化的發展趨勢不僅為市場參與者提供了選擇，也為消費者帶來了更豐富的服務和體驗。2.3.3.運營成本分析運營成本分析 在本部分，我們將深入探討蘿卜快跑的運營成本結構，通過具體的數據和分析，揭示其成本動態。通過這一案例分析，我們不僅能更好地理解蘿卜快跑在市場上的成本效率和競爭力，同時也可以把握整個 Robotaxi行業在成本

63、管理方面的普遍挑戰與策略。通過詳細評估蘿卜快跑的成本組成和影響因素，這將幫助我們理解 Robotaxi 行業的成本結構，以及如何通過技術進步和運營優化來實現成本控制和盈利目標。圖圖41：蘿卜快跑成本分析蘿卜快跑成本分析 數據來源：汽車之家，蘿卜快跑，國泰君安證券研究 從成本結構上看，蘿卜快跑的單均成本主要由幾個部分組成。首先是車輛的折舊費用，基于百度第六代車頤馳 06 的采購價 20.46 萬元和 4 年折舊期計算，每個單次服務的折舊成本約為 7.41 元。其次，安全員的成本在運營中占據重要比例。目前根據 自動駕駛汽車運輸安全服務指南的要求，安全員與車輛的配比不得低于 1:3，使得單均安全員成

64、本達到9.42 元，成為成本結構中占比最大的一環。此外，當前單輛 Robotaxi 的保險費用高達 26,000 元，這是由于 Robotaxi 技術的新穎性以及市場上缺乏足夠的歷史數據，保險公司在定價時傾向于采取更為保守的策略，以覆蓋潛在的高風險。電力和維護等其他運營成本也對總成本有部分影響，使得單均成本總計為 24.83 元。收入方面，據蘿卜快跑，其單均收入為 14.85 元，目前蘿卜快跑距離盈虧平衡仍差 9.98 元。從商業化角度看，盈虧平衡的關鍵變量包括單位車的安全員數量、單量及保險費用。為了推導出盈虧平衡的時間點，我們可以搭建一個簡單的收入-成本模型。首先假設日均單量維持 20 單不

65、變，單均折扣會隨著時間的推移而下降，單均收入最高不會超過網約車單均收入 19.08，從而得到收入函數為：Revenue當單均收入19.08 當單均收入19.08 成本上假設每過一年安全員可以多覆蓋一輛車，保險以 0.9 的折扣率下降，則單均成本函數為：當單均成本=單均收入時，蘿卜快跑達到了運營上的盈虧平衡點。模型求解出來后發現在 t=2.04，因此推測蘿卜快跑最早將在 2026 年達到盈虧平衡，而非百度此前宣傳的 2024 年底。圖圖42：蘿卜快跑收入蘿卜快跑收入-成本模型成本模型 圖圖43：蘿卜快跑單均利潤變化蘿卜快跑單均利潤變化 數據來源：國泰君安證券研究 數據來源：國泰君安證券研究 上游

66、：核心技術-傳感器（激光雷達、攝像頭、雷達）-算法與軟件（AI、機器學習、路徑規劃）-高精度地圖與定位 中游：整車制造-自動駕駛系統集成-車輛設計與制造-測試與驗證 下游：商業化運營-運營平臺（車隊管理、調度系統）-服務模式（Robotaxi、共享出行）-用戶體驗與服務 支持環節-通信與數據傳輸（5G、V2X）-法規與政策支持-保險與金融服務 3.Robotaxi 未來技術進步與商業模式進步將同步進未來技術進步與商業模式進步將同步進行行 技術進步：自動駕駛技術的演進將提供新模型的應用（自組織神經網絡；GOD 模型），大模型的應用提升了自動駕駛的泛化性，在技術進步的框架下，自動駕駛“漸進式”和“

67、躍進式”路線有望互相促進，共同推動自駕行業發展。商業模式：未來收費模式與盈利策略將根據市場需求做進一步調整，重視市場拓展與區域覆蓋。未來可能的市場參與者：華為、小鵬、賽力斯等整車廠商，以及特斯拉的 Cybercab 計劃。新進入者有更靈活的戰略布局與優勢。市場需求：消費者需要提高接受度，需要更多市場教育，并挖掘不同地區的市場潛力 挑戰與對策：（1）技術挑戰（安全性、可靠性）；（2）成本控制與經濟性；（3）法規政策挑戰與應對措施 政策方面：中央與地方層面紛紛出臺相關政策法規，全國已建設 17 個國家級測試示范區、7 個車聯網先導區、16 個智慧城市與智能網聯汽車協同發展試點城市，Robotaxi

68、 行業逐步進入商業化試點和運營階段 表表1：芯片規格對比芯片規格對比 Robotaxi 公司 Waymo Cruise 蘿卜快跑 Cybercab 小馬智行 合作車企 捷豹 通用 江鈴 特斯拉 豐田 車系 捷豹 I-pace 雪弗蘭 Bolt 頤馳 06 Cybercab 雷克薩斯 RX450h 車型 SUV Hatchback SMV（定制車型）未公布（兩座車型）SUV 售價 46.00 萬 19.00 萬 20.46 萬 18.00 萬（估計）65.00 萬 補能方式 充電 充電 充電/換電 充電 加油 合作方式 全球招標通用控股 聯合開發 自研自產 豐田控股 智駕硬件成本（估計）32.00 萬 57.00 萬 4.67 萬 1.00 萬 3.21 萬 合計成本（估計）88.00 萬 85.00 萬 20.46 萬 18.00 萬 68.21 萬 數據來源：國泰君安證券研究