智能驾驶感知算法梳理
智能驾驶系统按工程落地可分为两类：1）模块化：将整个系统划分为环境感知、决策规划、控制执行，车辆将 传感器采集到的信息进行感知处理，再将感知结果输入至决策规划层进行分析决策并生成控制命令，最终将控 制命令下达至各执行器完成加速、转向、刹车等操作；2）端到端（end-to-end）：车辆将传感器采集到的信息 通过深度学习神经网络直接输出驾驶命令（可实现输入图像等感知信息到输出方向盘转角等控制量、输入感知 信息到输出车模的状态量如速度和坐标等）。当前，端到端仅应用于感知系统；全面端到端智能驾驶系统需要 大量数据支持，具备精简人工复杂升级+泛化性高+硬件成本小等优势，是智能驾驶的终极实现方案。
智能驾驶，主要包括感知（环境感知与定位）、决策（智能规划与决策）、以及执行（控制执行）系统。当前 技术难度排序分别为感知、执行、决策；其中，决策系统的难度随L3级及以上等级的推进而逐步增加。 按《汽车驾驶自动化分级》规定，L3级及以上才属于高阶智能驾驶（ 允许脱手）；其中，系统需满足360°感知+ 车辆精准定位+对驾驶员接管能力实时判断。我们分析，路径规划需依赖感知结果，感知系统是L2级至L3级及以 上跨越的关键。
从感知算法的推进来看，行业总体2022年及之前的的商业化应用主要为2D+CNN算法；随着ChatGPT等AI大模 型的兴起，感知算法已经升级至BEV（ Bird’s eye view ）+Transformer。 目前，特斯拉（2021年）、小鹏+华为+理想等（2023年）已切换至BEV+Transformer，但仍应用于感知端（vs. 学术界以最终规划为目标，已提出感知决策一体化的智能驾驶通用大模型UniAD+全栈Transformer模型）。 我们判断，1）感知算法的技术突破+工信部明确扶持L3级商业化落地，有望带动国内向L3级商业化加速迈进；2） 当前端到端算法仍应用于感知端，受限于算法复杂性+大算力要求，感知决策一体的端到端算法落地尚需时日。
全新BEV+Transformer算法有三种技术路线：1）纯视觉BEV感知路线（特斯拉）：仅用摄像头，将摄像头感知 到的2D特征输入至算法，生成BEV 3D空间，并输出感知信息；2）BEV融合感知路线（华为）：除摄像头的感知 信息外还加入激光雷达，在BEV 3D空间进行融合后再输出感知信息（预计小鹏+理想或采用相近方案）；3）车 路一体BEV感知路线（百度UniBEV）：在BEV 3D空间内将车端+路端V2X等多传感器采集到的感知信息全部融合。
BEV（Bird’s eye view），是在融合车载多视角摄像头感知输入信息后，得到鸟瞰图的感知输出信息（用于后 续路径规划与决策）。与2D+CNN相比（提取2D特征后通过CNN卷积算法得出3D感知输出信息或结果），BEV 通过Transformer可将提取2D特征通过BEV Queries映射到3D的BEV空间：1）BEV视角下可减少物体遮挡问题； 2）BEV空间内可融合不同视角的传感器信息至同一坐标系，方便编写后续规划和控制命令；3）BEV可实现时序 融合。对应BEV特征级融合，具备更高的感知信息精准度（vs. 2D+CNN采用不同角度拼接+语义分割，后融合）。
Transformer是一种基于注意力机制的神经网络大模型，算法参数达到亿级以上（vs. CNN仅为千万级别）。 Transformer算法更适用于大数据，同时具备较高的鲁棒性（可缓解一定程度的系统+网络风险）+较强的泛化 能力（可缓解Corner-case比如恶劣天气下的模型不稳定性）等特点；具备更稳定+更准确的感知输出信息。除特斯拉之外的智能驾驶系统主要依赖于高精地图：1）辅助环境感知；2）路径规划与决策；3）确定车辆精准 定位。高精地图可视为超距传感器，可形成感知传感器冗余（vs. 特斯拉算法冗余），提升自动驾驶体验和安全。 高精地图存在使用成本高/更新频率慢+法规限制严格+各城市县区推进不统一等风险； BEV+Transformer具备 更强泛化能力（可缓解无图环境下的感知信息预测偏差风险），全新技术落地更有助于城市高阶智能驾驶落地。
特斯拉智能驾驶技术路线梳理
特斯拉的智能驾驶系统推进大致分为三大阶段。1）2016年之前，Mobileye；2）2016-2017，英伟达过渡；3） 2018年至今，FSD软硬件全栈自研。其中，重大技术突破点包括，1）2018年软硬件全栈自研；2）2021年采用 自动标注；3）2021-2022年算法持续升级；4）规划推出全新车载芯片+云端超算平台Dojo。从HW1.0到HW3.0，特斯拉逐渐步入智能驾驶技术全栈自研时代，自HW3.0开始，特斯拉FSD芯片专为自动驾驶 打造（软硬件+整车强耦合），可实现充分利用计算单元+高效迭代产品+成本可控。FSD硬件当前已有HW4.0版 本（2023/3美版Model S/X或已试搭载），包含2个FSD2.0芯片，算力可达300-500TOPS（vs. 英伟达Orin芯片 算力254TOPS），基本可满足L3-L4级自动驾驶算力需求（预计L3级为100-200TOPS，L4级为400-600TOPS）。
我们分析，1）硬件决定软件算法开发与迭代的上限。2）随着智能驾驶等级的推进，软件算法复杂程度+训练数 据规模在逐步增加，对应数据存储+传输需求也在逐步增加；云端超算平台具备更高算力+高带宽+低延时等特点， 是高阶智能驾驶后阶段硬件发展的主要方向（vs. 当前行业车载芯片或已可满足L3-L4级需求）。 从行业推进来看，1）特斯拉2021年宣布自研超算平台Dojo（当前仍采用英伟达A100算力芯片），规划2H23E 推出；2）华为或采用自研超算平台；3）小鹏、理想、蔚来或租用/外购外部超算中心。
特斯拉2016年自研自动驾驶算法，其迭代可分为四个阶段。1）2018年之前：采用2D+CNN算法框架，以人工对 数据进行标注；2）2018-2020年：构建多任务学习神经网络架构HydraNet，采用RegNet+BiFPN提取特征；3） 2021年：对软件底层代码重写+深度神经网络重构，感知去雷达、推出BEV+Transformer，首次引入大模型、 提出自动标注、规划开发超算Dojo；4）2022年至今：算法从BEV升级到Occupancy，增加时序信息。 我们判断，1）算法从端到端的程度正在加深（当前仍在感知层）；2）算法或可开源，依赖于参数+试错学习。
我们分析，数据的数量（实测+仿真）+质量（自动标注）是决定智能驾驶算法模型能否进一步优化提升的关键。 1）数量：特斯拉全球车队规模领先，可通过数据引擎+数据单元+影子模式采集大量数据；针对真实道路场景中 不常见+数据量不足的案例，可通过仿真模拟丰富数据来源+发掘“长尾场景”（corner case），用于进行大规 模训练更新完善模型。2）质量：特斯拉采用自动标注，通过算法实现数据筛选、分类和标框等操作；与人工标 注相比，自动标注可以减少人为因素干扰，提高数据质量+降低成本+提高效率。
国内车企自动驾驶进展对比
自2022年末起，小鹏、华为、理想、蔚来均规划落地城市领航辅助驾驶功能；预计均将基于BEV+Transformer搭 建。小鹏（2022/10）、华为（2023/4）、理想（2023/4）先后宣布/公开城市领航辅助驾驶功能落地，我们预计 均将于2H23E实现大规模推广城市领航辅助驾驶功能。我们判断，各车企在数据+硬件+软件算法的布局或将成为 L3级能否兑现的关键。
华为+新势力均具备领航辅助驾驶；其中，我们判断，1）华为ADS 2.0、以及蔚来NOP+，在变道策略调整/人机 共驾方面的体验感更佳。2）华为基于智能驾驶的软硬件占优；理想基于智能驾驶的数据规模占优。 1）智能驾驶设计（华为占优）：硬件方面，华为采用自研超算+芯片，蔚小理仍采用外购车载芯片+租用/外购 超算中心 ；软件算法方面，华为已采用GOD（融合激光雷达的Occupancy+Transformer，或已领先特斯拉）， 小鹏/理想/蔚来跟进BEV+Transformer。2）数据方面（理想占优）：理想销量爬坡（2023年销量目标30-35万 辆）+AD Max智能驾驶系统标配+门店拓宽+从一二线城市向三四线城市推进布局。
高阶自动驾驶落地关键分析
大模型在高阶智能驾驶的应用已成趋势（BEV+Transformer仅为大模型在感知端的应用）；大模型符合高阶智 能驾驶数据规模增加+模型精度呈指数型增加的算法升级需求。我们分析，大模型涵盖车端、云端算法。 1）在车端：大模型主要用于合并检测不同任务小模型、物体检测和车道拓扑预测等；2）在云端：大模型主要 应用在数据自动标注、数据挖掘、小模型训练、自动驾驶场景重建等方面。我们判断，大模型对算法+算力+数 据的要求更高，主要挑战在于数据存储和传输、网络架构搭建、模型训练效率等方面；其中，数据尤为关键。
高阶智能驾驶最大风险为“长尾问题”（corner cases），增加训练数据规模+提高大模型泛化能力可缓解“长 尾问题” 。我们判断，鉴于大模型应用对数据规模的要求在增加，建立数据闭环是实现高阶自动驾驶的前提。 数据闭环体系包括：1）数据采集：通常在车端设置trigger层，针对特定场景采集数据；2）数据回传：建立车 云一体传输机制（特斯拉通过影子模式实现大量数据采集+回传）；3）数据标注：可通过自动标注获取大规模+ 高质量数据集训练；4）模型训练：大模型训练要求高算力+部分训练自动化（特斯拉自建超算平台）；5）仿真 测试：搭建丰富场景库解决场景不全问题（特斯拉采用仿真模拟+数据引擎）。
我们判断，L2/L2+级向L3级高阶智能驾驶迈进的三大要素重要性排序分别为数据>算法>硬件；后阶段向更高阶 智能驾驶迈进的三大要素重要性排序或为硬件>=算法>数据。 1）实现L3级智能驾驶的关键在于全面感知，主要依赖海量+长尾场景数据驱动算法升级优化；其中，无图场景 覆盖还需低线城市数据（vs. 当前车载算力已基本满足L3-L4级需求）；2）高阶智能驾驶等级推进对决策算法要 求增加，全面端到端大模型+车端/云端大模型应用，对算法升级（受制于算法专用芯片利用率+算力）和数据存 储/传输（硬件存储容量/带宽限制）要求也在增加，硬件或为后阶段高阶智能驾驶系统推进的关键。 从具备高阶智能驾驶属性的整车标的推荐顺序来看，首推特斯拉（数据+硬件+算法全面领先）、理想汽车（销 量爬坡）；建议关注2H23E具备销量边际改善机会的小鹏汽车，长期建议关注华为智选车模式合作车企。
高阶智能驾驶量产需要电子电气架构向中央集中式升级（当前为域集中式 vs. 此前为分布式架构）。在域集中式 趋势下，行泊一体是当前L2/L2+级向L3级迈进、打造全场景（高速/低速/行车/泊车）智能驾驶方案落地的最佳路 径，可实现硬件成本降低（减少控制器数量）+硬件复用（提高各传感器和芯片算力利用率）+传感器配置灵活， 从而可应对城市NOA（领航辅助驾驶）+AVP（自主代客泊车）等复杂场景。
我们判断，行泊一体方案的技术难点在于单芯片功能集成（当前多数行泊一体方案仍采用两颗SoC），高性能智 驾域控落地还需要芯片算力和功耗升级配合。预计未来随着域集中程度加深，域控制器最终形态或为单一中央域 控制器。我们看好：1）与芯片供应商深度合作、积极布局上游传感器；2）具备自研算法能力；3）具备智能座舱 +智能驾驶域控制器技术的智驾域控制器供应商。建议关注德赛西威（002920.SZ）、经纬恒润（688326.SH）、 科博达（603786.SH）。
高阶智能驾驶不仅要求数据/算法/算力提升，还要求：1）智能驾驶系统的功能安全等级提高（L2/L2+级要求ACC 功能满足ASIL A或QM vs. L3级及以上要求ASIL C甚至ASD）；2）人机解耦+执行机构存在冗余（脱手情况下，主 电子制动/转向系统失效时，系统也能执行制动/转向）；3）对执行层响应速度（缩短响应时间保证安全）和执行 精度要求更高（提供精准底盘信号提升感知结果准确性）。
我们判断，1）执行端的线控底盘重要性凸显；2）由 于安全冗余方案验证尚未充分+路感模拟技术不成熟+控制算法不足，预计线控转向商业化量产节奏相对滞后。 我们判断，线控底盘为新能源车+高阶智能驾驶应用的基础。预计2025E线控制动、线控转向新能源车渗透率分别 可达约40%-50%、10%。看好国产线控底盘零部件供应商崛起机会。线控制动推荐国内首家自主one box量产供 应商伯特利（603596.SH）；线控转向建议关注全球转向系统龙头企业之一的耐世特（1316.HK）。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
相关报告
AI大模型应用于汽车智能驾驶梳理专题分析：吐故纳新，如日方升.pdf
知行汽车科技研究报告：港股智能驾驶第一股，利润爆发在即.pdf
高精度定位行业专题报告：智能驾驶的可靠辅助.pdf
中国L4智能驾驶电动卡车行业市场调研报告.docx
激光雷达产业梳理：再看汽车智能驾驶之眼.pdf
汽车智能驾驶行业专题报告：特斯拉专题.pdf
汽车空气悬架行业研究：高附加值集成部件，国产替代新蓝海.pdf
零跑汽车研究报告：全域自研驱动技术降本，汽车出口盈利前景可期.pdf
华为汽车专题分析：X界智选，鸿蒙智行.pdf
麦肯锡&中国电动汽车百人会-新能源汽车行业驶向2030：全球新能源汽车产业发展格局与展望.pdf
长安汽车研究报告：汽车央企转型新生，产品向上开启新周期.pdf
