2022年全球自動駕駛行業發展趨勢及特斯拉競爭優勢分析報告（40頁）.pdf

1、2022 年深度行業分析研究報告 - 2 - 目目 錄錄 1、 自動駕駛三大系統：感知、決策、執行 . - 4 - 2、 自動駕駛分級 . - 5 - 2.1 L1-L2 為駕駛輔助，L3-L5 為自動駕駛 . - 5 - 2.2 展望未來：不同級別的自動駕駛將長期共存， L5 未來仍有很長的路要走 - 6 - 3、 自動駕駛承載了我們對于勞動力解放的美好愿望 . - 7 - 3.1 人類對自動駕駛的追求未停息 . - 8 - 3.2 兩大因素驅動自動駕駛持續增長 . - 9 - 3.3 中美紛紛加大對自動駕駛企業的融資 . - 10 - 4、 行業趨勢： . - 13 - 4.1 從全球協作

2、到區域獨立： . - 13 - 4.2 開放場景難度大，自駕企業戰略轉移至封閉場景 . - 14 - 4.3 發展路線之爭退朝、深度神經網絡將會取代人工規則 . - 15 - 5、 路線之爭： . - 18 - 5.1 單車智能 VS 車路協同：單車智能為主，車路協同為輔 . - 18 - 5.2 純視覺 VS 多傳感器融合：技術之爭短期內難有結果 . - 20 - 6、 駕駛的三大核心要素：傳感器、計算平臺、數據與算法 . - 22 - 6.1 傳感器：不同定位與功能，優勢互補 . - 22 - 6.2 計算平臺：對芯片的要求不斷提高，半導體技術是護城河 . - 32 - 6.3 數據與算法

3、：數據有助于迭代算法，算法質量是自動駕駛企業的核心競爭力 . - 34 - 7、 特斯拉自動駕駛一枝獨秀 . - 37 - 圖圖 表表 目目 錄錄 圖 1、 自動駕駛三大系統 . - 4 - 圖 2、 2014 年新西蘭民眾出行方式時間比例分布 . - 7 - 圖 3、 自動化汽車發展歷史 . - 9 - 圖 4、 2019-2025 年中國乘用車前視系統裝配量和裝配率 . - 9 - 圖 5、 2016-2021 年中美自動駕駛企業融資情況 . - 11 - 圖 6、 2021 年港口、礦區自動駕駛情況總結. - 15 - 圖 7、 中國各應用場景部分自動駕駛企業盤點. - 15 - 圖 8

4、、 軟件決策系統的進化史 . - 16 - 圖 9、 自動泊車輔助系統控制器(APA) . - 17 - 圖 10、 智能駕駛域控制器（ADCU） . - 17 - 圖 11、 特斯拉軟件架構圖 . - 17 - 圖 12、 經緯恒潤單車智能解決方案 . - 18 - 圖 13、 車路協同與智慧交通基礎設施 . - 20 - 圖 14、 激光雷達原始成像 . - 20 - 圖 15、 激光雷達用于語義識別 分割地面與車輛. - 20 - 圖 16、 Model 3 前視攝像頭（3 攝像頭） . - 23 - 圖 17、 2015-2025 年全球和中國車載攝像頭市場規模（億元） . - 23

5、- 圖 18、 攝像頭產業鏈 . - 24 - 圖 19、 車載攝像頭成本構成 . - 25 - 圖 20、 2021 年全球車載 CIS 市場格局 . - 25 - - 3 - 圖 21、 2022 至 2030 年中國激光雷達市場展望. - 26 - 圖 22、 激光雷達組成部分 . - 27 - 圖 23、 蘋果 iPad Pro 激光雷達切面圖 . - 29 - 圖 24、 激光雷達的技術路線及代表性企業 . - 29 - 圖 25、 高德地圖融合方案 . - 31 - 圖 26、 特斯拉 FSD 芯片架構 . - 33 - 圖 27、 視覺辨識度低的交通標志 . - 35 - 圖 2

6、8、 英偉達 Drive Sim 界面 . - 35 - 圖 29、 數據處理流程 . - 36 - 圖 30、 偽激光雷達算法實測效果 . - 38 - 圖 31、 特斯拉感知層的完整架構圖 . - 39 - 圖 32、 特斯拉累計里程和季度汽車銷量 . - 39 - 表 1、 駕駛自動化等級與劃分要素的關系 . - 6 - 表 2、 歐盟國家每億人公里與每億人小時死亡人數比較 （2001 年2002 年） . - 7 - 表 3、 中美重點自動駕駛企業融資情況 . - 11 - 表 4、 技術和成本在車側和路側的分配 . - 18 - 表 5、 蔚來、理想、小鵬 2022 年旗艦車型的硬件

7、配置 . - 19 - 表 6、 全球主要國家的 V2X 技術路徑選擇 . - 19 - 表 7、 2021 年 1-5 月國內新發布車型傳感器配置及核心功能 . - 22 - 表 8、 CMOS 傳感器企業的四種合作模式 . - 24 - 表 9、 激光雷達車型一覽表 . - 27 - 表 10、 導航電子地圖制作甲級測繪資質單位名單（截至 2022 年 3 月 25 日） . - 31 - 表 11、 不同類型芯片對比 . - 32 - 表 12、 國內域控制器企業與芯片企業的合作關系. - 34 - 表 13、 芯片企業產品與車企合作情況 . - 34 - 表 14、 特斯拉自動駕駛硬件

8、進化歷史 . - 37 - - 4 - 1、 自動駕駛三大系統自動駕駛三大系統：感知、決策、執行感知、決策、執行 駕駛技術的發展是將人類駕車替換為機器駕車的過程，因此可以拿人類駕車作類比，自動駕駛技術分為感知決策和執行三大核心環節。 感知感知指對于環境的場景理解能力。例如障礙物的類型、道路標志及標線、行車車輛的檢測、交通信息等數據的分類。目前存在兩種主流技術路線，一種是以特斯拉為代表的以攝像頭為主導的純視覺方案；另外一種是以谷歌、百度為代表的多傳感器融合方案。根據融合階段不同分為前融合和后融合。前融合指的是把所有傳感器的數據作為整體進行識別，后融合指的是將不同傳感器識別后的結果進行整合。 決策

9、決策是依據駕駛場景、駕駛需求進行任務決策，規劃出車輛的路徑和對應的車身控制信號。分為任務決策、軌跡規劃、跟蹤控制和執行控制四個階段。在決策的過程中需要綜合考慮安全性、舒適性和到達速度。 執行執行指的是將控制信號發送給執行器， 執行器執行的過程。 執行器有轉向、 油門、剎車、燈光檔位等。由于電動汽車執行器執行較線性，便于控制，因此比燃油車更適合作為自動駕駛汽車使用。為了實現更精確的執行能力，線控轉向、線控剎車、線控油門等技術不斷發展。 圖圖1、自動駕駛三大系統自動駕駛三大系統 資料來源：興業證券經濟與金融研究院整理 - 5 - 2、 自動駕駛自動駕駛分級分級 2.12.1 L1L1- -L2L2

10、 為駕駛輔助，為駕駛輔助，L3L3- -L5L5 為自動駕駛為自動駕駛 國家標準 GB/40429-2021 和 SAEJ3016 明確定義了汽車自動駕駛分級，將駕駛自動化分為 0 級至 5 級。其中定義等級的原則是 1）自動化駕駛系統能夠執行動態駕駛任務的程度。2）駕駛員的角色分配。3）有無允許規范限制。國標規定 L1 和L2 級自動化系統命名為“駕駛輔助系統”、L3-L5 命名為“自動駕駛系統”。 具體來看： L0 駕駛自動化駕駛自動化應急輔助（應急輔助（Emergency Assistance）：該級別的輔助駕駛系統，可以感知環境、并提供信息或者短暫介入車輛運動控制，但是不能持續執行車輛

11、控制。 L1 駕駛自動化駕駛自動化部分駕駛輔助部分駕駛輔助(Partial driver assistance):該級別的輔助駕駛系統可以持續提供橫向或縱向運動控制。但駕駛員仍要對道路狀況和車輛駕駛情況保持監管。 L2 駕駛自動化駕駛自動化組合駕駛輔助（組合駕駛輔助（Combined Driver Assistance）：該級別的輔助駕駛系統可以持續提供橫向和縱向運動控制。在該級別駕駛系統運行過程中，駕駛員和自動駕駛系統溝通執行全部駕駛任務， 允許用戶短暫地將雙手脫離方向盤，也叫 Hands off。 L3 駕駛自動化駕駛自動化有條件自動駕駛（有條件自動駕駛（Conditionally aut

12、omated driving）：）：該系統在設計條件下持續執行全部駕駛任務。在正常運行過程中，車輛控制、目標探測與事件響應由自動駕駛系統負責；若出現即將不滿足運行范圍時請求駕駛員接管。在運行過程中，允許用戶短暫地將視線移到駕駛之外，也叫 Eyes off。 L4 駕駛自動化駕駛自動化高度自動駕駛（高度自動駕駛（Highly Automated Driving）：）：該系統可以持續地執行全部動態駕駛任務并自動執行最小風險策略。當系統脫離運行范圍時向駕駛員發出介入請求，駕駛員可不響應請求。駕駛過程中用戶注意力可以完全不在駕駛中，被稱為 Mind off。 L5 駕駛自動化駕駛自動化完全自動駕駛（完

13、全自動駕駛（Fully Automated Driving）：）：該系統可在任何可行駛條件下持續地執行全部動態駕駛任務并執行最小化風險策略。 低階輔助駕駛和高階自動駕駛低階輔助駕駛和高階自動駕駛的本質區別是出現事故之后的責任劃分的本質區別是出現事故之后的責任劃分。根據 SAE的定義我們可以發現出現事故以后 L2 責任在于乘客，L3 責任在于車輛。由于目前國內自動駕駛的立法尚未健全， 整車廠對于自動駕駛的宣傳只能停留在 L2.5 或者 L2+。2021 年日本政府率先完善法規，為全球第一款法律意義上的 L3 級別自動駕駛汽車本田 Legend Hybrid EX 的誕生鋪平道路。 - 6 - 表

14、表1、駕駛自動駕駛自動化等級與劃分要素的關系化等級與劃分要素的關系 分級分級 名稱名稱 持續的車輛橫向持續的車輛橫向 和縱向運動控制和縱向運動控制 目標和事件探測與響應目標和事件探測與響應 動態駕駛任務后援動態駕駛任務后援 設計運行范圍設計運行范圍 0 級 應急輔助 駕駛員 駕駛員及系統 駕駛員 有限制 1 級 部分駕駛輔助 駕駛員和系統 駕駛員及系統 駕駛員 有限制 2 級 組合駕駛輔助 系統 駕駛員及系統 駕駛員 有限制 3 級 有條件自動駕駛 系統 系統 動態駕駛任務后援用戶（執行接管后成為駕駛員） 有限制 4 級 高度自動駕駛 系統 系統 系統 有限制 5 級 完全自動駕駛 系統 系統

15、 系統 無限制* *排除商業和法規因素等限制 資料來源：國家標準全文公開系統，興業證券經濟與金融研究院整理 2 2.2 .2 展望未來：不同級別的自動駕駛將長期共存，展望未來：不同級別的自動駕駛將長期共存， L5L5 未來仍有很長未來仍有很長的路要走的路要走 未來 L3 以下的車輛和 L3 及以上的車輛可能會長期共存。從技術上來看 L3 的實現需要依賴大算力芯片、硬件層面的冗余系統、海量用戶數據。這些都為自動駕駛系統增添了相當大的成本。在合作方面來看車企采用兩種研發思路對待這兩種自動駕駛技術。 對于低階輔助駕駛系統， 車企產采用傳統研發思路與國際 Tier1 合作，追求成本和安全。對于高階自動

16、駕駛系統，車企普遍采用自研的方案。硬件層面采用高算力芯片和冗余的傳感器配置；軟件層面成立軟件開發團隊，自研核心的感知與決策軟件，追求車企之間的差異化。 自動駕駛等級上升的過程是可靠性持續上升，直到量變引發質變的過程。L5 級別的自動駕駛系統規定無設計運行范圍限制，車內人員也無需執行動態駕駛任務或接管，這也注定了 L5 級別的自動駕駛將面臨較大挑戰。 - 7 - 3、 自自動駕駛承載了我們對于勞動力解放的美好愿望動駕駛承載了我們對于勞動力解放的美好愿望 駕駛是一件危險的事駕駛是一件危險的事。 中國 2020 年有 6.2 萬人死于交通事故，平均每 8 分鐘就有 1 人死于車禍。根據密歇根大學交通

17、研究所的最新報告顯示，2014 年交通事故死亡率最高的地區為非洲與拉丁美洲， 其中納米比亞交通事故死亡率居全球之首，每 10 萬人中有 45 人死亡。著名旅游目的地泰國，排在第二，交通死亡率為中國的兩倍。 從交通事故死亡占總死亡人數比例來看，許多中東國家領先。阿聯酋以 15.9%，位居首位。 而中國的數值為 3， 高于全球平均水平的 2.1%, 美國的數據為 1.8%。 表表2、歐盟國家每億人公里與每億人小時死亡人數比較歐盟國家每億人公里與每億人小時死亡人數比較 （2001 年年2002 年）年） 每公里死亡人數（每公里死亡人數（人人/ /億人）億人） 每小時死亡人數（人每小時死亡人數（人/

18、/億人）億人） 公路（總體） 1.0 28.0 二輪機動車 13.8 440.0 步行 6.4 75.0 自行車 5.4 25.0 小轎車 0.7 25.0 公共汽車和長途汽車 0.1 2.0 水運 0.3 16.0 空運（民航） 0.0 8.0 鐵路 0.0 2.0 人公里=出行人數*旅行公里數 人小時=出行人數*旅行時間（小時） 資料來源：聯合國與道路安全，興業證券經濟與金融研究院整理 駕駛是一件浪費時間的事。駕駛是一件浪費時間的事。消費者每年都會消費大量的時間在路上，2017 年美國人均駕駛時長超過 700 億個小時， 平均每個美國人每天駕駛時長超過 52 分鐘。 與這個數據相對的是一輛

19、車每天只有不到 5%的時間是被使用的，其他 95%的時間都停在停車位上。這樣的背景下自動駕駛需求應運而生。 圖圖2、2014 年新西蘭民眾出行方式時間比例分布年新西蘭民眾出行方式時間比例分布 資料來源：Millward Brown & APN Outdoor Attention Economy Study 2014，興業證券經濟與金融研究院整理 - 8 - 3.1 3.1 人類對自動駕駛的追求未停息人類對自動駕駛的追求未停息 自動駕駛發展里程碑：自動駕駛發展里程碑： 1970 年代開始，人們就開始嘗試對自動駕駛的研究。在 2010 年以后，隨著人工智能、計算機科學和電動汽車的發展，自動駕駛開始

20、進入黃金期。 【1920s - 1970s】汽車自動化的實驗自】汽車自動化的實驗自 1920 年代即已開始，但要到年代即已開始，但要到 1950 年代才年代才出現可行的實驗，并取得部分成果。出現可行的實驗，并取得部分成果。 第一輛半自動汽車于 1977 年由日本筑波機械工程實驗室開發，車輛行駛在特別標記的街道上，通過車身兩個攝像頭和一臺模擬計算機來解讀標記。在高架軌道的支持下，車輛達到了每小時 30 公里（19 英里/小時）的速度。 【1980s 2000s】具有里程碑意義的自動駕駛汽車出現在具有里程碑意義的自動駕駛汽車出現在 1980 年代年代。 1985 年，卡內基梅隆大學的 ALV 項目

21、已經在兩車道道路上展示了每小時 31 公里（19 英里/小時）的自動駕駛速度，并在 1986 年增加了避障功能，并在 1987 年實現在白天和夜間條件下的越野駕駛。 1995 年，卡內基梅隆大學的 NavLab 項目完成了美國第一個自主的“海岸線到海岸線駕駛”。在賓夕法尼亞州匹茲堡和加利福尼亞州圣地亞哥之間的 2,849 英里（4,585 公里）中，2,797 英里（4,501 公里）通過自動駕駛實現，平均時速為 63.8 英里/小時（102.7 公里/小時）。 【2000-現在現在】自動駕駛輔助系統逐漸推廣至量產車上】自動駕駛輔助系統逐漸推廣至量產車上。 2004 年 Mobileye 推出

22、其首款量產 Soc 產品 EyeQ1，以支持前向碰撞警告 (FCW) 、車道偏離警告 (LDW) 和智能遠光燈控制 (IHC)等功能。 2004 年 3 月舉行首屆 DARPA Grand Challenge 挑戰賽，參賽車隊使用攝像頭、激光雷達等傳感器以及計算設備，實現了車輛的自動駕駛，這是激光雷達的第一次亮相。 2013 年，美國有 4 個州（內華達州、佛州、加州與密歇根州）通過了允許自動駕駛汽車的法規。2015 年，這四州與華盛頓哥倫比亞特區都允許自動駕駛汽車于開放道路上進行測試。 2018 年 10 月，Waymo 宣布其測試車輛已在自動模式下行駛超過 10,000,000 英里（16

23、,000,000 公里），每月增加約 1,000,000 英里（1,600,000 公里）。2018 年 12 月，Waymo 率先在美國亞利桑那州鳳凰城將全自動出租車服務商業化。2020 年 10 月，Waymo 在鳳凰城推出了地理圍欄無人駕駛叫車服務。 2021 年 3 月，本田推出限量版 Legend Hybrid EX 轎車，配備新批準的 3 級自動駕駛設備，其中的“Traffic Jam Pilot”系統是日本批準的首個 L3 自動駕駛系統，也是世界上第一個可以在公路上行駛的 L3 自動駕駛系統。 - 9 - 圖圖3、自動化汽車發展自動化汽車發展歷史歷史 資料來源：興業證券經濟與金融

24、研究院整理 3 3. .2 2 兩大因素驅動自動駕駛持續增長兩大因素驅動自動駕駛持續增長 低階輔助駕駛的驅動力是法規。低階輔助駕駛的驅動力是法規。除了消費者自發選購 L2 駕駛輔助車型的需求以外，促進車企開發低級別自動駕駛輔助的驅動力是法規。為保證司機與乘客的安全，歐洲在 2017 年推出了一般安全規定（General Safety Regulation）其中明確要求未來在歐洲銷售的新車需要配備限速輔助（ISA）、緊急制動輔助（AEB）等基礎輔助駕駛功能。我國營運貨車安全技術條件強制要求相關車輛于 2020年 9 月起具備車道偏離報警功能和車輛前向碰撞預警功能，于 2021 年 5 月 1 日

25、起安裝自動緊急制動系統。 高階自動駕駛的驅動力是生產力。高階自動駕駛的驅動力是生產力。 消費者每年都會消費大量 的時間在路上， 2017年，美國人均駕駛時長超過 700 億個小時，平均每個美國人每天駕駛時長超過 52分鐘。 與這個數據相對的是一輛車每天只有不到 5%的時間是被使用的， 其他 95%的時間都停在停車位上。如何有效利用空閑時間就成為了高階自動駕駛的核心驅動力。 預計到 2025 年， 我國乘用車自動駕駛系統裝配量將達到 1,630.5 萬輛， 裝配率將達到 65.0%。 圖圖4、2019-2025 年中國乘用車前視系統裝配量和裝配率年中國乘用車前視系統裝配量和裝配率 資料來源：經緯

26、恒潤招股書，興業證券經濟與金融研究院整理 306499674874109913491631197218801987210622332367250915.5%26.4%33.9%41.5%49.2%57.0%65.0%0%10%20%30%40%50%60%70%050010001500200025003000201920202021E2022E2023E2024E2025E前視系統裝配量乘用車銷量前視系統裝備率（右軸）萬輛 - 10 - 前視：前視： 2020年， 中國乘用車新車前視裝配量達到496.8萬輛， 同比增長62.1%，裝配率為 26.4%， 同比上升 10.9 個百分點。 隨著前視

27、系統算力提高、 功能的增加，以及相對的成本優勢，預計 2025 年前視系統裝配量將突破 1600 萬輛，裝配率提升到 65%。 當前，前視單目是國內乘用車主流方案，同時部分企業也在探索雙目等前視攝像頭的應用。2021 年華為、大疆相繼推出自研雙目攝像頭產品及解決方案。其中，華為的雙目攝像頭已在極狐阿爾法 S 上應用。大疆車載也計劃 2021 年將采用雙目攝像頭的自動駕駛方案應用在國產車型上。 環視：環視：2020 年，中國環視系統裝配量為 339.8 萬輛，較 2019 年上升 44%；裝配率為 18%，同比增加 6 個百分點。隨著環視系統對倒車后視的替代以及泊車功能的加持， 其裝配量將會進一

28、步提升。 伴隨環視系統對倒車后視的替代以及360全景環視+超聲波成為融合泊車主流方案，使得 360 度全景環視進入一個新的發展周期，預計 2025 年裝配率將攀升至 50%。 視覺視覺 DMS：根據佐思汽研統計，2020 年中國已有 10 多款乘用車上市新車裝配 DMS 功能，如長安汽車、蔚來、小鵬汽車、WEY、星途、哪吒汽車、零跑、吉利汽車、威馬汽車、廣汽埃安等。2020 年 DMS 系統裝配量達到 17.3 萬輛，裝配率為 0.9%；預計到 2025 年其裝配率有望達到 20%左右，實現飛躍式增長。 2021 年 4 月工信部發布 智能網聯汽車生產企業及產品準入管理指南(試行) ，要求智能

29、網聯車輛需具備人機交互和駕駛員參與行為的監測功能，釋放 DMS 上車強信號。 行車記錄儀：行車記錄儀： 2020 年， 中國行車記錄儀裝配量為 145.3 萬輛， 相較于 2019 年增長 7.6%。同期，行車記錄儀的裝配率為 7.7%，較 2019 年全年上升 0.9 個百分點。 智能網聯汽車生產企業及產品準入管理指南(試行)，要求智能網聯車輛需具有事件數據記錄和自動駕駛數據存儲功能，這將加速行車記錄儀在新車上的裝配，預計到 2025 年其裝配率有望達到 20%。 3 3. .3 3 中美紛紛加大對自動駕駛企業的融資中美紛紛加大對自動駕駛企業的融資 經過十多年的發展，資本、產業、消費者等各界

30、對自動駕駛未來持續積極看好的趨勢已形成共識，商業化落地的道路正穩步鋪開，2021 年以來中國政府也逐步加快政策引導步伐，各地政府政策支持迅速跟上，以支持場景化、商業化落地。 近年來，伴隨著自動駕駛技術研發應用的火熱，全球自動駕駛行業投融資規模迅速增長。2015 年起，自動駕駛汽車逐漸成為投資的熱門賽道，截止 2021 年，中美合計動駕駛相關的投資共有約 1191 筆，涉及金額超 863 億美元。 - 11 - 圖圖5、2016-2021 年中美自動駕駛企業融資情況年中美自動駕駛企業融資情況 資料來源：億歐智庫，CBINSIGHTS、興業證券經濟與金融研究院整理 表表3、中美重點自動駕駛企業融資

31、情況中美重點自動駕駛企業融資情況 企業名稱企業名稱 融資輪次融資輪次 融資金額融資金額 融資時間融資時間 簡介簡介 Momenta C+輪 超 5 億美元 2021 年 11 月 Momenta 是一家來自中國的自動駕駛公司，由曹旭東在 2016 年創立。Momenta 的產品包括了不同級別的自動駕駛方案，以及衍生出的大數據服務。希望通過技術讓車輛達到不同級別的自動駕駛功能，其核心技術有基于深度學習的環境感知、高精度地圖和駕駛決策。 滴 滴 自 動駕駛 戰略融資 超 3 億美元 2021 年 5 月 滴滴自動駕駛從 2019 年從滴滴獨立拆分出來，目前已取得北京、上海、蘇州和美國加州的自動駕駛

32、公開道路測試牌照，并獲得上海市頒發的全國首批智能網聯汽車示范應用牌照。 小馬智行 D 輪 NA 2022 年 3 月 小馬智行是一家自動駕駛初創公司，于 2016 年 12 月由彭軍和樓天城在加州灣區創辦，研發 L4/L5 級別的自動駕駛技術。小馬智行于 2017 年在北京和廣州成立研發中心， 并將中國總部遷至廣州南沙區。該公司聘請圖靈獎得主姚期智作為首席顧問。 蘑菇車聯 C1 輪 NA 2021 年 12 月 蘑菇車聯是全球領先的自動駕駛全棧技術與運營服務提供商，打造了國內首個城市級自動駕駛商業落地項目， 擁有行業領先的 “車路云一體化”智慧交通系統方案。 文遠知行 戰略融資 NA 2021

33、 年 12 月 文遠知行 WeRide 成立于 2017 年，全球總部位于廣州，在全球設有八大分部，是全球唯一一家同時擁有中美兩地無人駕駛測試許可的初創公司。 主線科技 B 輪 NA 2022 年 2 月 主線科技是自動駕駛卡車服務提供商， 創立于 2017 年， 是中國最早研發 L4 自動駕駛卡車的人工智能國家高新企業，面向物流樞紐與物流干線場景。 元戎啟行 C 輪 NA 2022 年 1 月 元戎啟行是一家國際化的 L4 級自動駕駛解決方案提供商，為車企、Tier1、出行公司、物流企業等提供多應用場景、定制化的自動駕駛解決方案；其在深圳、北京均設有研發中心。 Waymo 戰略融資 25 億

34、美元 2021 年 6 月 Waymo 是美國一家汽車自動駕駛技術研發商，提供無人駕駛技術解決方案與相關汽車產品，基于谷歌實驗室開發的軟件和傳感器技術，自動駕駛汽車已經覆蓋了幾乎所有極端天氣下的測試。2019 年起，正式在美國鳳凰城開啟 Robotaxi 服務。 Cruise 戰略融資 13.5 億美元 2022 年 2 月 Cruise 是一家 GM 旗下無人駕駛汽車公司，GM Cruise 總部設在舊金山。旗下包括 Cruise 和 Strobe，兩者分別負責通用汽車自動駕駛汽車開發和自動駕駛傳感器開發。 Argo AI 戰略融資 26 億美元 2019 年 7 月 Argo AI 是美國

35、一家無人駕駛車輛虛擬駕駛系統開發商，位于賓夕法尼亞的匹茲堡，由來自谷歌和 Uber 的兩名工程師聯手創造。 Luminar 戰略融資 2030萬美元 2022 年 1 月 Luminar 是一家汽車激光雷達技術研發商，該公司的產品能夠細致地繪出汽車周邊的環境，并且在大霧和揚塵等惡劣天氣下也可以正常工作，解決了目前激光雷達的弊端，產品主要用于汽車自動駕駛領域。 020406080100120140160180200020406080100120140160180200201620172018201920202021中國投資數量（左軸，筆）美國投資數量（左軸，筆）中國投資金額（右軸，億美元）美國投

36、資金額（右軸，億美元） - 12 - Velodyne 股權融資 2 億美元 2022 年 2 月 Velodyne Lidar 研發出了世界上第一款旋轉式機械激光雷達，總部位于加利福尼亞州圣何塞，其突破性的激光雷達傳感器技術享譽全球。 Innoviz IPO 上市 3.71 億美元 2021 年 4 月 Innoviz 是一家以色列固態雷達傳感器研發商， 專注于研發固態激光雷達傳感器，通過減少組件設備降低成本，其所生產的固態雷達傳感器售價將大幅降低，并為硬件開發配套輔助產品，包括定位和本地化軟件、物體對象檢測追蹤軟件以及傳感器融合軟件。 Mobileye 并購 153 億美元 2017 年

37、3 月 Mobileye 專注于輔助駕駛技術領域，能夠提供讓汽車觀察周圍世界的攝像頭軟件及其他組件，2017 年英特爾正式宣布收購Mobileye， 2021年4月Mobileye宣布自動駕駛系統Mobileye Drive已經實現商用。 資料來源：億歐智庫，興業證券經濟與金融研究院整理 - 13 - 4、 行業趨勢行業趨勢： 4 4. .1 1 從全球協作到區域獨立：從全球協作到區域獨立： 法律問題造成數據無法跨國流通，這將導致不同國家之間自動駕駛技術路線與進法律問題造成數據無法跨國流通，這將導致不同國家之間自動駕駛技術路線與進展的不一致。展的不一致。自動駕駛汽車收集的數據包括傳感器數據（攝

38、像頭、雷達、熱成像設備、激光雷達采集的數據）和駕駛員數據（駕駛員詳細資料、位置、歷史路線、駕駛習慣）兩大類。自動駕駛汽車在行業早期收集數據較少，然而隨著自動駕駛技術的發展，越來越多的數據將被收集與分析。為了保護這些數據、防止數據的丟失或濫用，全球各地政府出臺了各式各樣的法規，這為自動駕駛技術的發展設立了門檻。 以中國為例，限制跨國自動駕駛企業發展業務的因素主要有兩類： 1） 測繪問題測繪問題: 牌照審批嚴格、禁止外商參與牌照審批嚴格、禁止外商參與。 在感知環節，自動駕駛汽車會通過攝像頭、雷達、激光雷達等傳感器對周邊自然環境及地表人工設施等相關數據進行采集與處理，以幫助汽車完成環境感知。相關地理

39、數據采集行為被定義為“測繪行為”。從事測繪工作的單位應當依法取得資質證書，包括“導航電子地圖制作”與“互聯網地圖服務”的資質。關于導航電子地圖制作，根據外商投資準入特別管理措施（負面清單）（2020 年版）以及 外國的組織或者個人來華測繪管理暫行辦法 （2019 年修正） 的相關規定，導航電子地圖制作屬于禁止外商投資的項目。 在實際業務開展過程中，有外資背景的自動駕駛企業往往會與有相應資質的測繪企業進行合作從而解決牌照問題。但隨著全社會對于數據安全的追求，對在國內開展測繪工作的企業要求將會越來越高。導航電子地圖的資質審批較為嚴格，截至 2022 年 3 月 25 日，中國僅發放了 30 余張導

40、航電子地圖制作牌照。 2） 數據保護問題：采集與出境需特別限制數據保護問題：采集與出境需特別限制 目前以歐盟通用數據保護條例（GDPR）為代表的世界主流國家都在加快個人信息保護法律的制定，并對數據的搜集使用和傳輸進行規制。一般來說，對于自動駕駛情景下的數據規制，主要以各國的網絡安全和個人信息保護規定為主，輔以汽車行業數據的特別規定。 重點數據的“默認不搜集”原則。重點數據的“默認不搜集”原則。自動駕駛所在的交通行業屬于網絡安全法規定的“重點行業”。除了需要以最小化原則進行用戶數據的處理以外，國家網信辦于 2021 年 8 月 16 日發布的汽車數據安全管理若干規定明確了 6 類重要數據，分別為

41、重要敏感區域的人流車流數據、高精地圖測繪數據、汽車充電網的運行數據、道路車輛類型、流量等數據、包含人臉、聲音、車牌等車外音視頻數據以及其他可能影響國家安全、 公共利益的數據。 這 6 類數據采用 “默認不搜集” - 14 - 原則，該原則下這類數據要求車內處理、非必要不向車外提供以及數據本地化。同時用戶有權利隨時要求車企停止數據搜集工作。 數據出境數據出境。根據中國網絡安全法，自動駕駛服務商在數據出境方面需要特別謹慎。比如應以數據本地存儲為原則，僅在特殊情況下可以出境，且數據出境必須進行安全評估。 因此特斯拉在中國的 FSD 功能開發受到法規較為嚴重的影響，自從 2021 年推出汽車數據安全管

42、理若干規定后，特斯拉無法將中國采集的數據發送至美國，導致針對中國區的軟件迭代暫停，中國特斯拉的 FSD 版本嚴重落后北美地區。 越來越多的外資車企意識到在中國開展本土化自動駕駛技術研發的必要性，紛紛加速在中國的自動駕駛布局： 特斯拉在 2021 年底在中國建立了研發中心和數據中心、大眾也積極布局本土化的自動駕駛業務。我們在未來將會看到從國內獲取數據、在國內迭代算法、在國內開展業務的本土化運行模式。 我們判斷：未來不同地區運行的自動駕駛汽車將會帶有鮮明的區域生態特色。數據的限制也是一種對本土企業的保護，國內企業有希望因地制宜，開發出更多適應中國國情的自動駕駛技術， 比如多傳感器融合為主， 車路協

43、同為輔的技術路線。而在美國，由于地廣人稀，單車智能的路線將更加合適。 4 4. .2 2 開放場景難度大，自駕企業戰略轉移至封閉場景開放場景難度大，自駕企業戰略轉移至封閉場景 開放道路自動駕駛發展不及預期。開放道路自動駕駛發展不及預期。Uber 曾宣布計劃截至 2021 年，從沃爾沃采購24000 輛 XC90 來組建自動駕駛車隊，但在 2020 年 Uber 放棄自研，將團隊出售給了自動駕駛初創公司 Aurora；Waymo 2018 年宣布向捷豹路虎和 FCA 分別采購20000 輛 IPACE 純電動汽車和 62000 輛 Pacifica 混動廂式車， 用來打造 Robotaxi車隊，

44、不過至今部署也不足 1000 輛，僅在舊金山和鳳凰城開設打車服務；國內小馬智行也在 2021 年 10 月戰略收縮，將卡車團隊并入乘用車團隊。 開放道路遇阻后，企業選擇封閉場景作為突破口。開放道路遇阻后，企業選擇封閉場景作為突破口。近年來貨車司機缺口擴大、人工成本上漲等問題正成為行業亟待解決的社會問題，自動駕駛車輛可實現對司機的替代，大大降低司機用工成本并解決人力短缺問題。同時，自動駕駛車輛作為生產工具能夠提高安全性，減少危險場景作業下的事故發生率。而且港口與礦區為代表的自動駕駛封閉場景由于環境相對簡單與封閉、權責劃分清晰等特點，在政策與需求的推動下發展迅速。2021 年，國內新建多個全自動化

45、碼頭，帶動港口自動駕駛商業化運營取得實質性突破；同時在智慧礦山建設趨勢下，多個大型礦區自動駕駛項目正進入試運營與測試階段。 - 15 - 圖圖6、2021 年港口、礦區自年港口、礦區自動駕駛情況總結動駕駛情況總結 資料來源：億歐智庫，興業證券經濟與金融研究院整理 圖圖7、中國各應用場景部分自動駕駛企業盤點中國各應用場景部分自動駕駛企業盤點 資料來源：億歐智庫，興業證券經濟與金融研究院整理 我們判斷：1）短期內將會有更多企業認識到開放場景下自動駕駛的難度，從而改變戰略進入封閉場景賽道。2）B 端場景客戶多為成本導向，將自動駕駛汽車視為生產力工具，因此平衡安全性和經濟性是自動駕駛企業追求的目標。

46、4 4. .3 3 發展路線之爭退朝、深度神經網絡將會取代人工規則發展路線之爭退朝、深度神經網絡將會取代人工規則 在行業發展早期存在自動駕駛發展路線之爭，存在從 L1 開始逐漸實現 L4 的漸進式和直接研發 L4 的跨越式。車企背景的自動駕駛企業的研發思路是從 L1 開始逐漸添加新功能直到實現 L4， 代表企業有博世、 Mobileye 等。 但是百度、 Waymo 為代表的部分互聯網背景的企業則采用一步到位的方法直接研發 L4 級別的自動駕 - 16 - 駛，期望用技術顛覆行業。但近年來隨著人工智能技術的發展，漸進式和跨越式發展的邊界逐漸模糊。 人工智能的發展讓軟件從基于規則的系統 （Rul

47、e based System）進化至基于學習的系統（Learning Based System），這對軟件的決策流程有了深遠的影響。 Rule based System (基于規則的系統基于規則的系統) 是指人類用歸納的方法使用一系列的規則，試圖推導出所需目標的系統。這一系統無法處理諸如物體識別和路徑規劃等復雜問題。 Learning Based System (基于學習的系統基于學習的系統) 是不預設規則， 讓系統從案例中學習規則的系統。深度學習就是這樣一類系統。與基于規則的系統相比，基于學習的系統由于不需要預設規則，因此更加適合處理復雜任務。 圖圖8、軟件決策系統的進化史軟件決策系統的進化

48、史 資料來源：MedVerse，業證券經濟與金融研究院整理 低階自動駕駛很多是基于規則的系統。低階自動駕駛很多是基于規則的系統。在神經網絡爆發之前，傳統的感知算法都是傳統計算機視覺方法，這些方法使用基于規則的決策邏輯，人為設置一系列規則， 硬編碼至系統中。 由于不需要海量數據， 因此泛化能力不足， 使用場景有限，但該類方法對算力要求低、成本低，因此部署容易，廣泛存在于 L1、L2 級別的自動駕駛汽車上。 在基于規則的邏輯指導下， 車企將自動駕駛分為兩個域 “泊車域”和“高速域”，APA、RPA 等功能由泊車域控制器控制，ACC、TJP 功能由高速域控制器控制。車企會分別定點不同供應商，技術棧并

49、不互通，場景也不互通。在經緯恒潤公布的招股書中就可以發現，“泊車域控制器”和“高速域控制器”為兩個不同的硬件產品，功能與用途也完全不一致。 - 17 - 圖圖9、自動泊車輔助系統控制器自動泊車輔助系統控制器(APA) 圖圖10、智能駕駛域控制器（智能駕駛域控制器（ADCU） 資料來源：經緯恒潤招股書，興業證券經濟與金融研究院整理 資料來源：經緯恒潤招股書，興業證券經濟與金融研究院整理 高階自動駕駛神經網絡正在取代基于規則的系統。高階自動駕駛神經網絡正在取代基于規則的系統。在神經網絡爆發之后，行業部分學者推崇端到端的學習方式，從傳感器采集到的數據中直接訓練學習自動駕駛所需的算法。 特斯拉在自身的

50、自動駕駛 FSD 中引入了單堆棧統領所有（One Stack to Rule them All）的概念，即用神經網絡取代之前人工定義的規則，不斷增加深度神經網絡在整體軟件系統中的比例，用神經網絡取代之前硬編碼的規則，最終實現 FSD、泊車、召喚等功能都由同一個軟件來實現的目標。 圖圖11、特斯拉軟件架構圖特斯拉軟件架構圖 資料來源：興業證券經濟與金融研究院整理 我們判斷：1）低端自動駕駛輔助功能（L2 及以下）和高端自動駕駛輔助功能（L3及以上）將會使用不同的技術棧，低階駕駛輔助功能使用基于規則的系統，高階自動駕駛功能使用神經網絡。2）低階和高階自動駕駛功能將并存，服務不同需求的消費者。低階駕