《自动驾驶行业深度：驱动因素、竞争格局、应用场景、产业图谱及相关公司深度梳理-230707（31页）.pdf》由会员分享，可在线阅读，更多相关《自动驾驶行业深度：驱动因素、竞争格局、应用场景、产业图谱及相关公司深度梳理-230707（31页）.pdf（31页珍藏版）》请在三个皮匠报告上搜索。

1、 1/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 行业研究报告 慧博智能投研 自动驾驶自动驾驶行业行业深度：深度：驱动因素驱动因素、竞争格局竞争格局、应用场景应用场景、产业图谱产业图谱及及相关相关公司深度梳理公司深度梳理 现如今，自动驾驶技术已经成为汽车产业的未来发展方向。应用自动驾驶技术可以全面提升汽车驾驶的安全性、舒适性，满足更高层次的市场需求，并推动产业科技升级。进入 2022 年以来，国家层面及地方政府也适时出台一系列政策和规划，促进自动驾驶相关产业健康快速发展。2022 年 11 月，工信部印发关于开展智能网联汽车准入和上路通行试点工作的通知，对准

2、入试点的智能网联汽车产品，提出了一系列规划和指导要求，进一步推进了自动驾驶的发展进程。那么，什么是自动驾驶？分类及发展历程是怎样的？自动驾驶行业的发展驱动力都有哪些？现状及发展格局是怎样的？产业链及关键环节、应用场景都有哪些？伴随 AI 大模型的发展在自动驾驶领域又有哪些作用？相关公司都有哪些？未来这个行业可能有怎样的发展趋势？围绕这些问题下面我们一一了解。目录目录 一、自动驾驶概况.1 二、自动驾驶行业发展驱动力.3 三、自动驾驶发展现状、竞争格局及资本分析.5 四、自动驾驶应用场景分析.8 五、AI 大模型在自动驾驶中的应用.11 六、自动驾驶产业链.18 七、自动驾驶相关公司.21 八、

3、自动驾驶发展趋势展望.29 九、参考文献.31 一、一、自动驾驶概况自动驾驶概况 1.定义定义 自动驾驶，又称无人驾驶，是依靠计算机与人工智能技术在没有人为操纵的情况下，完成完整、安全、有效驾驶的一项前沿科技。2.分类分类 自动驾驶技术分为多个等级，不同机构提出过多种分级标准，目前业界常用的两种分级标准是 NHTSA分级（美国高速公路安全管理局提出）和 SAE 分级（美国汽车工程协会提出）。两种分级在具体级数 2/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 划分方面存在差异，但是在特征描述方面存在共性，从 L3 级开始，驾驶主角均由驾驶员操作转换为车辆自主驾

4、驶。由此，L3 级成为自动驾驶技术应用的重要分水岭。下面，我们对自动驾驶技术的研究采用 SAE 分级标准。3.发展历程发展历程 自动驾驶最早可追溯至上世纪 20 年代，一辆名为“美国奇迹”的无线遥控汽车正式亮相。1984 年DARPA 发起 ALV 计划，并于 2004 及 2005 年举办无人驾驶汽车挑战赛，吸引了众多科学家参与，在一定程度上加快了自动驾驶行业的发展。自动驾驶发展最初由高校实验室推动，2009 年谷歌入局，加速其商用进程。2013 年百度成立自动驾驶研发团队，福特、宝马、日产、沃尔沃等传统整车厂及特斯拉、蔚小理等造车新势力相继布局，2015-2017 年 Momenta、图森

5、未来、智行者、小马智行、AutoX、文远知行等自动驾驶科技初创企业成立，互联网企业、整车厂、Tier1 厂商及初创企业纷纷涌入自动驾驶赛道。2009-2019 年，各自动驾驶公司在全球多地拿到路测牌照、积累测试里程，L3/L4 技术开始商业化落地，自动驾驶技术积累速度较快。2020 年以来，特斯拉 Model3、小鹏 P7 等具备 L2/L2+功能的车型成功上市并扩大量产，特定场景的高阶自动驾驶功能开始落地；Waymo、Cruise、百度 Apollo、小马智行等公司开启 Robotaxi 商业化试点，进行规模化收费营业。自动驾驶进入商业化应用新阶段，不同背景的参与者各有优势，寻求多种算法优化

6、与商业化落地路径。TV9YkUiXmUbYFUeXgV6MaObRoMqQsQpMeRqQsNeRoOuN6MsQoNvPpNoMuOoMvM 3/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 二、二、自动驾驶自动驾驶行业行业发展驱动力发展驱动力 1.政策驱动政策驱动 国家政策的大力扶持给自动驾驶发展注入强心剂，有力推动行业发展进程。近年来，我国先后推出一系列支持政策，推动自动驾驶技术发展和商业化落地。2020 年 2 月，国家发改委、工信部等 11 个部委联合下发的智能汽车创新发展战略提出，加速发展高级别自动驾驶。2022 年 8 月，交通运输部发布自动驾驶

7、汽车运输安全服务指南（试行）（征求意见稿），旨在适应自动驾驶技术发展的趋势，鼓励自动驾驶车辆商用。同时，北京、深圳、重庆等多地陆续出台政策法规，推动自动驾驶车辆的商业化运营和上路。4/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 2.AI 技术发展推动技术发展推动 AI 技术发展推动自动驾驶技术迭代，芯片、算法、数据构建自动驾驶功能底座。（1）自动驾驶发展进程与自动驾驶发展进程与 AI 技术发展高度相关技术发展高度相关 根据 Gartner 新兴技术成熟度曲线，2018 年以前，受益于深度学习技术在图像识别等感知领域的应用，自动驾驶开启产业化进程。但由于受成本

8、和法规限制，彼时高级别自动驾驶的商业化落地遭遇瓶颈。经过三四年技术积累，感知和决策算法等核心技术的突破提高了 AI 模型鲁棒性、系统冗余性和测试完善性，助力自动驾驶加快商业落地。自 2020 年 7 月起，高级别自动驾驶迎来新的发展机遇。（2）算法、数据与芯片技术发展为自动驾驶功能实现提供了坚实的底座算法、数据与芯片技术发展为自动驾驶功能实现提供了坚实的底座 1）深度学习算法在感知层和决策层共同驱动自动驾驶发展，深度强化学习算法（DRL）的产生让更高维度的数据处理成为可能；2）海量优质路况数据是训练 AI 算法模型、提高感知精度的关键，路测里程和路测车辆数量增加而带来的高质量数据给自动驾驶发展

9、提供了必要支持；3）芯片为自动驾驶技术提供算力平台，随着汽车电子电气架构由域集中式向中央集中式演进，自动驾驶的主控芯片向中央计算芯片融合的方向发展，芯片集成度的提高可以有效提升计算效率，降低应用成本。3.市场需求推动自动驾驶发展应用市场需求推动自动驾驶发展应用 自动驾驶能够在交通安全、出行效率、节能减排、产业变革等方面发挥价值。自动驾驶可以提供更安全、更高效、更节能、更舒适的出行体验，其意义不仅在于改变人类的车辆驾驶习惯，更重要的是在交通安全、出行效率、节能减排、产业变革等方面推动社会整体发展和进步。（1）保障交通安全）保障交通安全 据统计，我国每年 6 万余人死于交通事故，道路交通伤害已成为

10、我国人群首要伤害死因，80%以上的道路交通事故皆因交通违法所致。自动驾驶车辆通过智能控制和规范驾驶，可以有效避免此类安全事故发生，保障交通安全。5/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告（2）提高出行效率，促进节能减排）提高出行效率，促进节能减排 交通拥堵一直是我国城市难题。在主要大城市，约 75%的道路在高峰期出现拥堵，自动驾驶的车载传感器可与智能交通系统结合使用，实时优化路口流量，提高车流效率，缓解拥堵。由此，基于更精准的车辆控制和更少的交通拥堵率，可以有效降低资源浪费，实现节能减排的效果。（3）打造第三移动空间）打造第三移动空间 当前，车辆架构正在

11、朝着以通用计算平台为基础、面向服务架构演进的方向发展，软件定义汽车成为大势所趋。软件定义汽车将使汽车逐步从单一交通工具转变为以用户需求为导向的第三移动空间。自动驾驶让驾驶员的精力和双手得以解放，成为未来出行变革必不可少的技术底座。三、三、自动驾驶自动驾驶发展现状发展现状、竞争格局、竞争格局及资本分析及资本分析 1.乘用车自动驾驶正在由乘用车自动驾驶正在由 L2 向向 L3+过渡，商用车自动驾驶已进入商业化过渡，商用车自动驾驶已进入商业化运营阶段运营阶段（1）目前来看，我国量产乘用车自动驾驶等级正在由目前来看，我国量产乘用车自动驾驶等级正在由 L2 向向 L3+过渡过渡 得益于硬件平台和软件算法

12、逐步成熟，新车搭载 L2 功能正在逐渐成为前装标配。据统计，2022 年我国在售新车 L2 和 L3 的渗透率分别为 35%和 9%，预计 2023 年将达到 51%和 20%。部分科技公司直接研发 L4 级自动驾驶，并在部分城市路段或特定场景下进行测试。但目前高级别自动驾驶仍然面临着政策法规、安全性、技术成熟度等众多挑战亟待突破。据统计，2022 年我国 L4 渗透率为 2%，预计 2023年将达到 11%。6/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告（2）与此同时，限定场景下的商用车自动驾驶率先进入商业化阶段与此同时，限定场景下的商用车自动驾驶率先进入

13、商业化阶段 这主要由于商用车对价格的敏感度更低，B 端付费意愿更高，加之场景交通复杂程度较低以及政策鼓励与放开，使得商用车在成本、市场、技术、法规等方面具有更好的落地性。目前，在矿区、港口、干线物流、机场、物流园区等细分场景，高级别自动驾驶正在孕育新市场。其中，干线物流、矿区、港口三大场景因人力资源不足和安全事故频发等痛点明显，降本增效成果显著，商业化落地进程较快，头部企业已经基本进入商业化运营阶段。2.各类玩家以不同发展思路参与市场竞争，推动供应链和产业格局剧烈变各类玩家以不同发展思路参与市场竞争，推动供应链和产业格局剧烈变化化 自动驾驶领域市场参与者众多，包括传统车企、造车新势力、互联网/

14、科技公司等，各类玩家结合自身定位和能力优势，呈现出不同的发展思路。（1）主机厂方面，国际巨头多采取稳扎稳打的发展策略和渐进式技术路线主机厂方面，国际巨头多采取稳扎稳打的发展策略和渐进式技术路线 主要依赖传统 Tier1 方案，部分投资初创公司或组建内部团队。国内主机厂处于多方向探索阶段，强势主机厂在独立自研基础上采购供应商方案作为补充，并投资芯片和算法公司，与互联网巨头合作等；小型主机厂研发能力较弱，通常选择与大厂合作，以确保在自动驾驶领域不落人后。造车新势力则将自动驾驶视为核心技术优势，通过自研算法、芯片等掌握自动驾驶核心能力。（2）互联网互联网/科技公司凭借人工科技公司凭借人工智能算法和软

15、件技术优势进入自动驾智能算法和软件技术优势进入自动驾驶领域，与车企驶领域，与车企形成分庭抗礼之势形成分庭抗礼之势 互联网巨头通过投资、孵化或直接组建团队而成立自动驾驶业务单元，跨界进入市场；部分科技公司以自研芯片为基础，向下游延伸，提供全套算法软件及硬件产品；部分科技公司以高阶自动驾驶解决方案和 Robotaxi 为主营业务场景，同时利用算法优势切入 L2 量产领域；亦有部分解决方案提供商聚焦于低速、封闭场地或干线物流等特定场景，或专攻政府车路协同示范区场景，寻求多种模式的商业化落地应用。（3）随着自动驾驶高速发展，传统汽车产业中的主机厂和随着自动驾驶高速发展，传统汽车产业中的主机厂和 Tie

16、r1 之间的关系也在发生之间的关系也在发生变化变化“大包大揽”的传统 Tier1 受到造车新势力的冲击，新势力对自动驾驶相关软硬件技术有着强烈的垂直一体化预期。同时，在汽车缺芯、地缘政治等因素影响下，部分主机厂开始选择和芯片等核心零部件供应商建立直接合作关系，这一关系改变进一步加剧了 Tier1 的经营压力。与此同时，在 L1 向 L2 升级的辅助驾驶市场，本土 Tier1 供应商开始崛起。尽管外资 Tier1 巨头依旧是市场主力，但中国本土 Tier1 供应商份额合计占比已经达到了 8.89%，同比增加了近 3 个百分点。3.单车智能和车路协同路线相辅相成，互为补充，加速自动驾驶普及与落单车

17、智能和车路协同路线相辅相成，互为补充，加速自动驾驶普及与落地地 7/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 在自动驾驶解决方案方面，存在单车智能和车路协同两种路线。单车智能通过摄像头、雷达等传感器和高效准确的算法，赋予车辆自动驾驶能力；车路协同通过对人、车、路信息的全面感知，发挥协同配合作用，让人车路云高度融合，打造“聪明的车智慧的路”。（1）两种路线并非二元对立，而是相辅相成，互为补充两种路线并非二元对立，而是相辅相成，互为补充 单车智能是实现自动驾驶的基础，即使在以车路协同为主的技术方案中，单车智能也不可或缺。一方面，在路侧智能设施未覆盖或出现故障时

18、，单车智能可以作为冗余与备份系统让车辆安全可靠地完成行驶任务；另一方面，单车智能也可以作为车路协同的终端触手，辅助进行系统升级和新功能开发。而在复杂的交通环境下，车路协同能够通过智能路侧设备为自动驾驶车辆提供具有完全独立性的数据冗余感知系统，增加感知视角，提升自动驾驶的安全性和可靠性。（2）在技术可行性之外，参与者话语权、准入门槛在技术可行性之外，参与者话语权、准入门槛、商业化落地难度等也是市场参与、商业化落地难度等也是市场参与者决定采取何种路线的重要考量因素者决定采取何种路线的重要考量因素 乘用车是道路上的主要交通工具，也是自动驾驶系统的重要载体。目前，主机厂和自动驾驶解决方案提供商多选择单

19、车智能的技术路线，通过自动泊车、自适应巡航等 L2+功能为人们带来人机共驾的体验感，让技术自主可控的同时，获取商业利润。如特斯拉的 FSD、小鹏的 NGP、蔚来的 NOA 等都是主机厂践行单车智能路线的代表。（3）车路协同通车路协同通路线的商业化契机路线的商业化契机 而在 2B 的部分封闭和半封闭场景，以及 2G 的城市公共服务场景，车路协同通过对规模化基建改造分摊感知和计算成本，并持续对城市基础设施进行投资和维护，依托经济优势和产业发展带动效应迎来商业化契机。目前，车路协同在城市公共服务场景的应用和价值，已有示范区的数据支撑。例如，在北京高级别自动驾驶示范区，通过对主城区路口进行智能化升级改

20、造，自动驾驶在相关路口的问题发生频率降低 80%以上。4.资本分资本分析析 目前目前资本市场趋于理性，自动驾驶商业化落地、硬件集成和量产成为主要投资方向资本市场趋于理性，自动驾驶商业化落地、硬件集成和量产成为主要投资方向。据不完全统计，2022 年国内自动驾驶领域相关融资 153 起，对外披露的融资总额近 300 亿元。与 2021 年相比，融资事件数量有所增加，但累计融资金额大幅下降。与此同时，2022 年融资超过 5 亿元的投资事件仅有 8起，而去年同一标准下为 19 起。可见，资本市场趋于理性。从投资方向来看，资本的投资逻辑正在由过去的多点布局转变为商业化落地、硬件集成和量产为先。8/3

21、1 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 四四、自动驾驶自动驾驶应用场景分析应用场景分析 1.物流物流 根据不同行驶里程和行驶区域，自动驾驶在物流领域的落地应用场景主要可分为干线物流和末端物流。（1）干线物流干线物流 干线物流一般使用重卡，以高速公路为主，具有大批量、长距离、道路参与者相对简单的特点。长期以来，安全和成本问题是干线物流的两大痛点。在这一市场，60%运力为个体车主或小型车队，市场竞争激烈且无序，超载、超速、疲劳驾驶等问题普遍存在。搭载 L3 及以上自动驾驶系统的卡车可以实现高速上自动跟车、变道超车、主动避让、自动调头等多项驾驶功能，在解决安全问

22、题的同时，能替代一名安全员，降低用工需求，减少人力成本，提高运输效率。产业和学术界认为，随着自动驾驶技术的应用，重卡运营成本或可降低 26%，事故率或可降低 80%。由于商业模式更易落地，干线物流场景的自动驾驶玩家众多，主要有主机厂商、智驾技术型企业、互联网公司等，市场竞争激烈。（2）末端物流末端物流 末端物流是连接终端用户的短距离快递配送，常发生在小区、园区等封闭或半封闭场景，具有高频分散、即时性强的特征，存在配送效率低、成本高的行业痛点。相比于载人级自动驾驶应用，末端物流场景的行驶速度低、路段封闭、场景复杂度低，自动驾驶技术的落地难度大大降低，因而能够更早实现规模化的商业应用，搭载自动驾驶

23、系统的无人配送车成为解决方案。通过配备雷达、摄像头等高精传感器，无人驾驶配送车能够实时感知和识别周边环境变化，根据配送物体的数量和需求，自助规划最优配送路线，降低人力依赖，减少重复配送，提高配送效率。目前，我国已经基本实现无人配送车核心零部件的自研自产自用，极大降低了产品成本，为规模化应用奠定基础，扫清成本障碍，实现无人配送车的小规模量产。2.环卫环卫（1）环卫行业主要有高度人力依赖和人员老龄化两大痛点环卫行业主要有高度人力依赖和人员老龄化两大痛点 一方面，环卫是典型的劳动密集型行业，依赖大量人力，人力成本占 60%以上；另一方面，在老龄化背景下，环卫工人的平均年龄也偏高，多数人员年龄超过 5

24、0 岁。自动驾驶环卫车不仅能够节省人力，还可以提高环卫工作的智能化水平，提升环卫工作效率和安全性。随着智慧环卫被纳入政府部门和环卫服 9/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 务公司的发展规划之中，环卫自动驾驶因其三千多亿的潜在市场空间，以及低速、安全风险更小的技术可行性，成为自动驾驶率先实现商业落地的场景之一。（2）环卫自动驾驶领域市场参与者众多，技术、算法和数据积累以及运营能力成为竞环卫自动驾驶领域市场参与者众多，技术、算法和数据积累以及运营能力成为竞争关键争关键 目前，切入环卫自动驾驶领域的科技公司众多，包括自动驾驶公司、服务机器人公司、泛人工智

25、能应用公司等。对于正向现金流的追求和商业化盈利能力的期待成为各类玩家的共识。想要在环卫市场突出重围，除了优秀的商业拓展能力，技术、算法和数据的积累以及深耕行业的运营能力成为市场竞争的关键。3.矿山矿山（1）矿区工作存在安全性低和人力成本高两大痛点矿区工作存在安全性低和人力成本高两大痛点 一方面，矿区工作危险系数高，安全问题一直是行业的根本诉求；另一方面，矿山多在偏远地区，条件艰苦，危险系数高，即使提高工资也面临招工难的问题。自动驾驶能够减少作业人数，提升矿区工作安全性，降低人力成本，有效解决矿区痛点。因此，矿企对自动驾驶技术需求强烈。此外，矿山场景简单、道路封闭、整体条件较为有利，更利于自动驾

26、驶技术落地。（2）矿区自动驾驶整体处于初期测试阶段，随着商业化程度逐步提升，千亿市场规模矿区自动驾驶整体处于初期测试阶段，随着商业化程度逐步提升，千亿市场规模可期可期 与国外相比，我国矿区自动驾驶起步较晚，主要由希迪智驾、踏歌智行、慧拓智能希迪智驾、踏歌智行、慧拓智能等自动驾驶公司牵头落地。矿山开采分为露天开采和地下开采，目前国内的自动驾驶企业几乎都聚焦于露天矿的运输场景。矿区自动驾驶解决方案是一项综合工程，不仅需要无人驾驶改装、线控化设计和匹配、加装软件算法和多传感器融合方案，还需要搭建调度系统、高精地图和通信网络，最终实现最优路径规划和决策控制。近五年来，国内企业加快矿山场景的技术方案研发

27、和运营探索，多家公司已经开始小规模的车队测试运营。在政策支持、技术进步和市场需求驱动下，矿山自动驾驶商业化落地程度将逐步提升。据预测，到2025 年中国矿山自动驾驶市场规模有望突破千亿元。10/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 4.港口港口（1）港口港口是自动驾驶率先实现商业化落地的场景之一是自动驾驶率先实现商业化落地的场景之一 港口自动驾驶是典型的封闭低速运营场景，速度在 30km/h 以下的自动驾驶集卡，能够行驶在塔吊和堆场之间，负责运输集装箱。加之港口基建完善度高，路线复杂程度低，行人和车辆干扰少，自动驾驶技术的落地难度相对较低，是自动驾驶率

28、先实现商业化落地的场景之一。（2）多地港口落地应用自动驾驶集卡试运营多地港口落地应用自动驾驶集卡试运营 港口水平运输自动化共有自动导引运输车 AGV、自动驾驶跨运车、自动驾驶集卡三种解决方案。自2018 年起，主线科技、西井科技、智加科技主线科技、西井科技、智加科技等国内多家自动驾驶技术解决方案提供商陆续进行自动驾驶集卡落地应用并逐步实现商业化试运营。目前国内已有十余个港口落地应用自动驾驶集卡，在北、中、南部沿海重要港口均有布局。据统计，预计 2025 年中国港口集卡 L4 自动驾驶渗透率将超过 20%，L4港口自动驾驶集卡应用规模有望达到 6,000-7,000 辆，中国港口自动驾驶规模将超

29、过 60 亿元，占全球市场约 30%。5.Robotaxi 11/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 Robotaxi 是自动驾驶技术落地的核心场景是自动驾驶技术落地的核心场景，通过全面升级共享出行服务体验，解决当前车辆安全隐患和用车痛点，其无人化和智能化优势将给出行方式带来巨大变革，推动市场空间走向万亿级规模。业界认为，我国 Robotaxi 商业化发展可分为四个阶段。商业化运营牌照的推出是拉开商业化序幕的标志；商业化 1.0 是运营政策赋能期，集中解决算法精进和长尾问题，为大规模商业化应用提供技术支撑；商业化 2.0 是技术成熟期，技术得到市场验

30、证，实现大规模量产和落地；商业化 3.0 是成本效率优势期，Robotaxi 的服务成本比人力更具竞争力，成为普遍出行方式。目前，我国 Robotaxi 处于商业化测试阶段。面对技术和安全方面的长尾问题，获取数据以及通过数据迭代算法的能力成为各自动驾驶公司完善技术解决方案、实现商业化应用的核心竞争力。自动驾驶公司和出行服务运营商积极探索车队运营、算法降维以及场景开拓等多种商业化落地路径。五五、AI 大模型在自动驾驶中的应用大模型在自动驾驶中的应用 1.AI 大模型如何应用于自动驾驶算法中大模型如何应用于自动驾驶算法中 算法是决定自动驾驶车辆感知能力的核心要素。当前主流的自动驾驶模型框架分为感知

31、、规划决策和执行三部分。感知模块是自动驾驶系统的眼睛，核心任务包括对采集图像进行检测、分割等，是后续决策层的基础，决定了整个自动驾驶模型的上限，在自动驾驶系统中至关重要。感知模块硬件部分主要为传感器，软件为感知算法，其中算法是决定自动驾驶车辆感知能力的核心要素。12/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 （1）神经网络加快自动驾驶感知算法发展，小模型向大模型迭代趋势明确神经网络加快自动驾驶感知算法发展，小模型向大模型迭代趋势明确 神经网络模型的应用驱动感知算法高速发展。早在上世纪 70 年代，学术院校和科研机构展开对自动驾驶技术的探索，早期的自动驾驶感

32、知算法主要是基于传统计算机视觉技术，直到 2010 年之后随着深度学习技术的发展，神经网络被引入到自动驾驶感知算法中，自动驾驶汽车的感知效果有了质的提升。应用于感知层面的神经网络模型可以分为两类，一类是以 CNN、RNN 为代表的小模型，另一类是Transformer 大模型。深度神经网络（DNN）又叫多层感知机神经网络，其中有三个基本类型的层：输入层、隐藏层（或者叫中间层，可以有多个）、输出层。不同层之间的感知机全连接，在推理时，前向（从输入层到隐藏层到输出层）传递信号得到推理结果。在学习时则将误差（真实值和推理值的偏差）反向传递（从输出层到隐藏层到输入层），实现对感知机参数（连接权重和阈值

33、）的更新，直至找到使得误差最小的一组感知机参数。在自动驾驶感知模块中输入数据为图像，而图像具有高维数（对比时间序列通常只是一维向量），对其识别时需要设置大量输入神经元以及多个中间层，模型参数量大难以训练且消耗算力高，并可能带来过拟合的问题。CNN 卷积神经网络应运而生，本质上是在信息传入传统神经网络前先做一个特征的提取并进行数据降维，因此 CNN 图像处理高纬度向量的任务上更加高效。CNN 能够高效率处理图像任务的关键在于其通过卷积层、池化层操作实现了降维，模型需要训练的参数量相比于 DNN 来说大幅降低，对硬件算力的要求也相对降低。13/31 2023 年年 7 月月 7 日日 行业行业|深

34、度深度|研究报告研究报告 但是 CNN 仍然存在一定的缺陷，多次池化会丢失一些的有价值信息，忽略局部与整体之间的关联性。在自动驾驶场景下，感知还需要时序的信息来完成目标跟踪以及视野盲区预测等感知任务。循环神经网络 RNN 与 CNN 一样都是传统神经网络的扩展，相比于 CNN 在空间上进行拓展，RNN 是在时间上的扩展，可以用于描述时间上连续输出的状态。这意味着某一时刻网络的输出除了与当前时刻的输入相关，还与之前某一时刻或某几个时刻的输出相关。Transformer 模型的关键在于计算输入序列元素之间的关系权重，最早在 NLP 领域大放异彩，2020 年起在 CV 领域开始得到广泛应用。Tra

35、nsformer 成功的关键在于引入注意力（attention）机制。Transformer 凭借优秀的长序列处理能力和更高的并行计算效率，2021 年由特斯拉引入自动驾驶领域。Transformer 与 CNN 相比最大的优势在于其泛化性更强。（2）特征级融合逐步取代后融合，特征级融合逐步取代后融合，BEV+Transformer 为当前主流方案为当前主流方案 自动驾驶感知模块通常配备多个传感器（甚至多种传感器）达到安全冗余和信息互补的作用，但不同传感器传递的信息存在相互冲突的可能性。举例而言，如果一个传感器识别到前方有行人要求汽车立即刹车，而另一传感器显示可以继续安全行驶，在这种情况下如果

36、不对传感器信息进行融合，汽车就会“感到迷茫”，进而导致意外的发生。因此，在使用多种（个）传感器采集信息时必须进行信息交互、融合。感知可粗略分为获取数据、提取特征、完成感知任务三个环节，按照信息融合发生的环节自动驾驶感知技术可以分为前融合、特征融合以及后融合。14/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 前融合方案感知精度相比于后融合大幅提升，但对算法、车端算力要求大幅提升。2.AI 大模型的应用对自动驾驶领域所带来的好处大模型的应用对自动驾驶领域所带来的好处（1）城市城市 NGP 落地在即，落地在即，AI 大模型的应用驱动自动驾驶算法具备更强的泛化能力大

37、模型的应用驱动自动驾驶算法具备更强的泛化能力 自动驾驶向更高等级迈进，城市领航辅助驾驶落地在即。城市场景具有高频+刚需特征，城市领航系统的成熟应用可使得驾驶体验拥有质的提升。而从高速场景拓展到城市场景，意味着车辆所遇到的长尾问题（或者说是 Cornercase）大幅提升。因此，城市领航辅 15/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 助驾驶的落地需求对自动驾驶模型的泛化能力提出更高的要求，同时考虑到商业化落地的成本约束，我们认为，应用 AI 大模型提高泛化能力+降低/控制车端硬件成本是自动驾驶算法演变的核心脉络。（2）从特斯拉感知算法迭代历程看从特斯拉感

38、知算法迭代历程看 AI 大模型对城市大模型对城市 NGP 的赋能方向的赋能方向 简单复盘特斯拉算法迭代历程：1）2018 年之前：后融合策略，在每个视角下处理多个 task，将单个图片检测得到的结果再进行融合。3）2020-2021：多个摄像头输入多个 image，分别经过多个主干网络，抽取每个 image 特征，经过 BEV transformer 转换，特征投影到 BEV 视角，再完成很多个 task，实现特征级概念的融合。4）2022：从 BEV 升级到占用网络，达到“伪激光雷达”的效果。总结来看，特斯拉从“第一原则性”角度出发，坚持纯视觉方案。从特斯拉算法迭代方向来看，追求泛化，通过视

39、觉的方案刻画真实的物理世界。2020 年 8 月马斯克发布推特称特斯拉正在重构自动驾驶底层算法，2021 年 7 月特斯拉正式推送 FSDBetaV9.0，通过重写感知算法让特斯拉只要用纯视觉就可以实现城市级别的完全自动驾驶；2022 年 11 月特斯拉开始推送 FSDBetaV11 版本，进一步提升占用网络算法，在近距离障碍物召回和恶劣天气条件下的精度，Transformer 空间分辨率提高了 4 倍。16/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 3.AI 大模型应用于自动驾驶中的前置条件大模型应用于自动驾驶中的前置条件（1）条件一：具备相当数量的里程

40、数据，因而自动标注条件一：具备相当数量的里程数据，因而自动标注+仿真平台环节将尤为重要仿真平台环节将尤为重要 Transformer 大模型量变引起质变需要 1 亿公里的里程数据。相比于 CNN 小模型来说，Transformer 需要更大量的数据来训练模型。根据毫末智行 CEO 顾潍颢在毫末 AIDAY 上表示，训练出一个能输出高精度和准确度的自动驾驶大模型，自动驾驶测试里程数据需至少达到 1 亿公里。同时，训练 Transformer大模型相比于 CNN 小模型来说所要求的数据颗粒度不同（如传感器配置、精度不同），因此在小模型时代所积累的数据存在部分无法用于大模型的训练。对于自动驾驶厂商而

41、言，所积累的数据量、对数据的处理极大的影响自动驾驶模型的迭代速度。自动驾驶训练所需要的真实数据来源主要包括采集车数据和众包数据。其中，传感器采集得到的 raw-data 需进行标注后才可用于算法模型训练，自动标注工具可大幅提升数据处理速度。国内厂商中小鹏、毫末智行小鹏、毫末智行等亦相继推出自动标注工具，在降低人工成本的同时，效率得到显著提升。根据小鹏科技日资料，小鹏推出的全自动标注系统将效率提升近 45,000 倍，以前 2,000 人年的标注量，现在 16.7 天可以完成。毫末智行在 AIDay 中表示毫末基于视觉自监督大模型，实现 4DClip 的 100%自动标注，原先依靠的人工标注成本

42、则降低 98%。除了真实场景数据外，仿真场景是弥补训练大模型数据不足问题的重要解决方式。目前仿真场景主要由游戏引擎生成，基于基础的现实世界数据保证仿真场景与真实场景之间的相似度，并依靠交通要素间的重新组合提高泛化能力。英伟达英伟达自动驾驶仿真平台 DRIVESim 通过 Replicator 合成数据工具来缩小仿真数据与真实数据之间差异并提高场景泛化能力。17/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 生成式 AI 有望推动仿真场景大幅提升泛化能力，帮助主机厂提升仿真场景数据的应用比例，从而提高自动驾驶模型的迭代速度、缩短开发周期。生成式 AI 有望在针对

43、真实场景中的 cornercase 进行场景泛化的过程中取代人工，可以迅速泛化出大量的、与真实世界高拟合度的虚拟场景，进而提高自动驾驶模型的迭代速度。（2）条件二：具备相当算力的云端训练平台，因而超算中心条件二：具备相当算力的云端训练平台，因而超算中心将成为主机厂必要基础设将成为主机厂必要基础设施施 自动驾驶 Transformer 大模型应用对算力的需求来自于两个方面，分别是云端算力和车端算力。超算中心是自动驾驶整车厂重要的基础设施。超算中心初始投入高，小鹏自动驾驶基础设施建设国内领先。根据 IDC 数据，主机厂及一级供应商对搭建人工智能计算中心的预算普遍超过 1 亿人民币，超过 2 亿人民

44、币投入的主机厂占比超过 20%；从超算中心的部署周期来看，通常需要 3 个月左右的时间。小鹏小鹏是国内最先布局超算中心的整车厂。2022 年8 月小鹏汽车成立自动驾驶 AI 智算中心“扶摇”，由小鹏和阿里联合出资打造。据小鹏汽车 CEO 何小鹏介绍，该中心具备 60 亿亿次浮点运算能力（60000TFLOPs），可将自动驾驶算法的模型训练时间提速170 倍，并且未来还具备 10100 倍的算力提升空间。18/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 六六、自动驾驶产业链自动驾驶产业链 1.自动驾驶产业图谱自动驾驶产业图谱 2.自动驾驶产业链关键环节分析自动

45、驾驶产业链关键环节分析（1）芯片芯片 1）CPU+ASIC方案有望成为未来主流架构，大算力芯片快速发展方案有望成为未来主流架构，大算力芯片快速发展 自动驾驶芯片作为计算的载体，是自动驾驶实现的重要硬件支撑。在智能汽车快速发展带动下，汽车芯片结构由 MCU 进化至 SoC。SoC 是系统级别芯片，在 MCU 基础上增加了音频处理 DSP、图像处理GPU、神经网络处理器 NPU 等计算单元，常用于 ADAS、座舱 IVI、域控制等功能复杂的领域。目前市场中主要有三种自动驾驶芯片 SoC 架构方案，从发展趋势来看，定制批量生产的低功耗、低成本的专用自动驾驶 AI 芯片（ASIC）将逐渐取代高功耗的

46、GPU，CPU+ASIC 方案有望成为未来主流架构。19/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 随着自动驾驶等级提升，多传感器融合，感知数据处理量增加，同时上层软件性能持续迭代，应用功能不断丰富，汽车对算力的需求大幅提升，推动大算力芯片快速发展。2）随着自动驾驶量产迈入深水区，国产芯片在智能驾驶域控制器领域的市场份额快速提升随着自动驾驶量产迈入深水区，国产芯片在智能驾驶域控制器领域的市场份额快速提升 大算力芯片产品陆续出现，市场竞争愈发激烈。英伟达 OrinX 系统级芯片算力设计为 254TOPS；Mobileye 发布面向 L4/L5 级自动驾驶芯片

47、 EyeQUltra，最高算力可达 176TOPS；地平线发布的最新征程 5 芯片算力达 128TOPS。当高算力不再稀缺，算力已不再成为决定芯片能力的唯一标准。对于车企来说，选用何种芯片，还需要综合考虑技术的稳定程度、易用程度、安全程度等。随着自动驾驶量产迈入深水区，L2+智能辅助驾驶成为标配，从泊车、座舱域控到更高集成度的行泊一体、舱泊一体域控，智能驾驶域控制器市场迎来爆发式增长。国产芯片凭借低功耗、低成本、性能稳定、量产快等特点，在智能驾驶域控制器领域的市场份额快速提升。据高工智能汽车统计，2022 年前三季度，以地平线、大华股份地平线、大华股份为代表的国产芯片厂商进入中国市场乘用车前装

48、标配智能驾驶域控制器芯片份额 CR5。（2）传感器传感器 传感器是自动驾驶感知层的核心硬件，主要利用车载摄像头、激光雷达、超声波雷达、毫米波雷达等对车辆周边的环境进行实时感知，获取周围物体的精确距离及轮廓信息。从技术发展路径来看，自动驾驶主要分为视觉派和雷达派两大路线。视觉派以摄像头为主，辅以毫米波雷达、超声波雷达等传感器，总体成本较低，以特斯拉为典型代表。但由于摄像头对物体及其距离的识别高度依赖深度学习算法，因此视觉方案对算法的要求极高，需要庞大的训练数据来持续支持算法改进。20/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 雷达派以激光雷达为核心，并配合摄

49、像头、毫米波雷达、超声波雷达等传感器，以强感知和低算法为特点，典型代表是 Waymo。早期激光雷达成本较高，动辄上万美元的价格在一定程度上制约了方案推广，近年来在技术发展、量产规模提升、国产供应链切入等多种因素驱动下，目前整体价格已有所下降，越来越多的终端车厂导入激光雷达解决方案。随着高级别自动驾驶渗透率不断提升，视觉路线和雷达路线的单车搭载传感器数量均较以往大幅增长，其中 L3 传感器数量将达到 17-34 颗，比 L1 增加一倍以上，传感器需求有望持续扩大。（3）线控底盘线控底盘 传统汽车底盘主要由传动系、行驶系、转向系和制动系四部分组成，这四部分相互连通、相辅相成。而线控底盘就是对汽车底

50、盘信号的传导机制进行线控改造，以电信号传导替代机械信号传导，从而使其更加适用于自动驾驶车辆。具体来说，就是将驾驶员的操作命令传输给电子控制器，再由电子控制器将信号传输给相应的执行机构，最终由执行机构完成汽车转向、制动、驱动等各项功能。在这一过程中，线控结构替代了方向盘、刹车踏板与底盘之间的机械连接，将人力直接控制的整体式机械系统转变为操作端和设备端两个相互独立的部分，实现多来源电信号操作，使得线控底盘具备高精度、高安全性、高响应速度等优势。可以说，线控底盘是智能汽车实现线控底盘是智能汽车实现 L3 及以上高阶自动驾驶的必要条件。及以上高阶自动驾驶的必要条件。（4）高精度地图高精度地图 高精度地

51、图是面向自动驾驶汽车的一种地图数据范式，绝对位置精度接近 1 米，相对位置精度在厘米级别，能够实时、准确、全面地表达道路特征。高精地图信息包括道路信息、规则信息、实时信息三部分，其中道路信息由车道模型、道路部件和道路属性构成，为自动驾驶汽车提供决策基础；规则信息和实时信息则叠加于道路信息之上，获取驾驶行为限制和车联网相关数据，帮助车辆预判和调整操作策略。受国内地图测绘政策限制，并非所有厂商都有资质能进行高精地图数据采集，测绘资格成为高精地图产业的重要壁垒。目前，拥有“导航电子地图制作（甲级）资质”的单位仅有二十余家，均为国内企事业单位，外国图商被完全排除在外。自身不具备资质的企业只能通过投资、

52、合作等方式间接使用该测绘资质，例如吉利、东风等汽车厂商。由于高精地图关系到自动驾驶安全，一般来说，高精地图供应商一旦与整车厂形成封闭供应链，短时间内很难更换。除政策限制外，高精地图数据的采集和维护需要大量固定成本投入，使得行业进入壁垒较高，市场内呈现垄断格局态势。（5）V2X 21/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 车联网（V2X）的概念源于物联网，即车辆物联网，是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与车、车与人、车与路、车与服务平台等之间的网络连接。V2X 不是单纯的联网技术或智能产品应用，而是融合了网联化、智能化和服务新

53、业态，具备跨界特征。V2X 主要有主要有 DSRC 和和 C-V2X 两个实现路线。两个实现路线。DSRC 由 IEEE 提出，发展自上世纪末，由欧美主导，经过二十多年发展，技术已相对成熟；C-V2X 由 3GPP 提出，由中国主导，包括 LTE-V2X 和 5GNR-V2X 两种。目前，DSRC 路线已基本被淘汰，C-V2X 逐渐成为车联网主流技术。C-V2X 技术基于蜂窝网通信技术演进形成，通过直连通信和蜂窝通信两种通信接口，相互配合，彼此支撑，形成有效冗余，支持各类车联网应用。此外，C-V2X 还具备未来可支持高级别自动驾驶的演进路线优势，即 5G-V2X。目前，我国已经明确选择 C-V

54、2X 技术路线作为车联网的直连通信技术。随着政策的密集出台和大力扶持，V2X 产业环境逐渐成型，并在多场景得以应用。七、七、自动驾驶相关公司自动驾驶相关公司 1.地平线地平线 地平线是行业领先的高效能智能驾驶计算方案提供商。地平线成立于 2015 年，是行业领先的高效能智能驾驶计算方案提供商。作为推动智能驾驶在中国乘用车领域商业化应用的先行者，地平线致力于通过软硬结合的前瞻性技术理念，研发极致效能的硬件计算平台以及开放易用的软件开发工具，为智能汽车产业变革提供核心技术基础设施和开放繁荣的软件开发生态，为用户带来无与伦比的智能驾驶体验。依托领先智能计算架构技术，打造底层开放平台。地平线是国内率先

55、实现大规模前装量产的车载智能芯片公司，领跑 ADAS 一体机、智能座舱、智能驾驶（行泊一体）域控制器等细分市场。地平线通过在车载智能芯片与智能驾驶算法领域的前瞻探索与量产积累，现已构建起支撑全场景整车智能规模化落地的强劲实力，能够面向产业提供包含高性能汽车智能芯片、硬件参考设计、软件开发平台、参考算法与示例等在内的完整芯片解决方案。22/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 软硬结合，极致效能，打造核心技术壁垒。软硬结合，极致效能，打造核心技术壁垒。软硬结合的本质是软硬件计算架构的深度结合。在大算力基础上，地平线凭借在软件协同优化方面的深厚积淀与持续探

56、索，用算法定义芯片，并将芯片性能发挥到极致，大幅提升计算效率和计算灵活性。规模化前装量产，领跑行业商业化落地。规模化前装量产，领跑行业商业化落地。地平线征程芯片累计出货量已突破 200 万片，与超过 20 家车企签下超过 70 款车型的前装量产定点项目。2022 年 9 月，地平线征程 5 芯片的全球首发量产车型“理想 L8”上市，正式开启国产大算力芯片量产元年。同年，地平线先后与大众汽车集团达成深度战略合作，与东风日产启辰达成量产合作，意味着中国车载智能芯片企业已经走向国际市场。构建开放生态，助力汽车智能化发展。构建开放生态，助力汽车智能化发展。地平线定位于 Tier2，采用开放的合作模式，

57、向行业合作伙伴提供底层芯片和芯片开发软件平台，帮助合作伙伴快速建立具有竞争力的自动驾驶软硬件系统。同时，地平线打造了开源的实时操作系统 TogetherOS，并尝试向部分有能力的整车厂开放 BPUIP 授权，提供软件工具包、芯片参考设计和技术支持，助力部分车企开发自研芯片，提升差异化竞争能力，加快创新研发速度。23/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 2.蘑菇车联蘑菇车联（1）蘑菇车联是自动驾驶全栈技术与运营服务提供商，率先落地蘑菇车联是自动驾驶全栈技术与运营服务提供商，率先落地“车路云一体化车路云一体化”方方案案。蘑菇车联成立于 2017 年，是自

58、动驾驶全栈技术与运营服务提供商。基于对政策的理解，对资本市场变化以及自动驾驶行业特性和商业化落地规律的把握，蘑菇车联采取“单车智能+车路协同”技术路线，以系统性思维打造了“车路云一体化”自动驾驶方案，实现技术与数据闭环，在自动驾驶行业竞争中形成先发优势。率先提出并实践“车路云一体化”方案，引领技术创新。蘑菇车联应用融合感知、融合决策控制、高精地图、AI、仿真系统、云+边缘计算、实时大数据等前沿技术，将自动驾驶+车路协同+AI 云平台三大板块深度融合，打破单车智能感知瓶颈，大幅提升 L4 级自动驾驶技术规模化应用的安全性，以满足不同场景、不同车型的需求，成为实现 L4 级自动驾驶规模落地的基础。

59、同时，全栈自研也保证了公司在该领域的技术自主可控和持续迭代，并以规模化效率和成本优势，为商业化落地应用打下坚实基础。24/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 （2）城市级自动驾驶落地项目积累大量数据与运营经验，形成商业化落地闭环，成就城市级自动驾驶落地项目积累大量数据与运营经验，形成商业化落地闭环，成就“行业黑马行业黑马”自动驾驶规模化商业化落地，成就“行业黑马”。当自动驾驶商业化落地成为主旋律，行业竞争焦点也转移于此。蘑菇车联充分考虑市场需求、应用成本、落地阻力等因素，遵循商业化落地的底层逻辑，选择从简单到复杂、从高毛利到常规场景的发展思路，覆盖车

60、辆类型从特种车辆、商用车到公共服务乘用车，最后延伸至私家车。具体而言，短中长期盈利模型可以概括为三阶段：车路协同系统服务、自动驾驶车辆运营、自动驾驶数据运营服务。基于这一发展战略，蘑菇车联陆续落地开放式 5G 商用智慧交通车路协同项目、衡阳城市级自动驾驶项目、云南大理车路协同自动驾驶智慧景区项目等 10 余个城市级项目，累计订单金额超过 100 亿元。其中，衡阳项目是典型代表。2021 年，蘑菇车联与湖南省衡阳市政府达成“车路云一体化”战略合作，集合城市交通新基建、自动驾驶运营服务和城市智慧交通大脑，建成国内首个城市级自动驾驶落地项目。一系列落地建设经验和规模，积累了大量数据和运营经验，反哺技

61、术研发和城市数字化建设，助力更多项目升级迭代，形成商业化落地闭环。同时，这些积累也赋予蘑菇车联从 2G，到 2B，再到 2C 的能力和成长空间，为其在自动驾驶未来竞争中脱颖而出奠定基础。25/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 3.轻舟智航轻舟智航（1）轻舟智航是全球前沿的自动驾驶通用解决方案提供商，打造轻舟智航是全球前沿的自动驾驶通用解决方案提供商，打造“自动驾驶超级工厂自动驾驶超级工厂”方法论方法论 轻舟智航成立于 2019 年，是全球前沿的自动驾驶通用解决方案提供商。轻舟智航拥有轻、快、高效的自动驾驶团队，通过多年实践积累了全栈自研的核心技术体

62、系，打造“自动驾驶超级工厂”底层研发系统，以数据驱动+效率提升为内核，以系统性运作、流水线开发为特点，以此增强自动驾驶技术的扩展性，进而实现自动驾驶的快速迭代与高效落地。轻舟智航采取“双擎”发展战略。“双擎”即技术应用深度和广度，也是自动驾驶落地的两大核心能力。一方面，以公开道路 L4 级别自动驾驶能力为“动力引擎”，不断探索更多落地场景，驱动城市交通出行效率提升；另一方面，以自动驾驶前装量产规模化落地为“创新引擎”，借助更多装机量实现产品和技术的打磨。（2）多元产品矩阵多元产品矩阵+差异化技术差异化技术路线路线+商业化优势，构成轻舟智航的核心竞争力商业化优势，构成轻舟智航的核心竞争力 多元产

63、品矩阵，满足市场需求。在 L4 级自动驾驶领域，轻舟智航以智慧城市场景需求为导向，推出龙舟系列自动驾驶车及解决方案，应用于网约车、公交车及接驳车等场景。前装量产方面，推出高阶辅助 26/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 驾驶方案“轻舟乘风”,可全国产配置，既可配置“一颗激光雷达”，也可纯视觉配置，以极致务实方案达到高性价比，并基于一套技术栈，满足多变车型和多类场景需求。差异化技术路线，打造独特竞争力。数据方面，轻舟智航拥有海量 L4 级传感器数据和驾驶行为数据，有效提高前装量产能力上限；同时利用 L4 工具链优势，加速前装量产能力迭代。感知方面，超

64、融合感知方案拥有领先的多传感器时序穿插融合技术，可极大提高感知精度和鲁棒性；PNC 方面，基于独创的时空联合规划技术，打造高质量 PNC 方案，可灵活计算路径和速度，让车辆行车更聪明、效率更高效、体验更舒适。构筑商业化壁垒，推动自动驾驶广泛落地。以 Robobus 作为落地场景的起点，通过小商业闭环积累大量数据，推动更大商业闭环的实现。并在 Robobus 领域开创新品类，联结居民区、交通枢纽和商业中心，利用“轨道交通+微循环”的高效模式，满足居民“最后三公里”的出行需求。同时，在 Robotaxi 领域不断进行技术测试和产品打磨，推动自动驾驶广泛落地。4.知行科技知行科技（1）知行科技专注于

65、自动驾驶前装系统解决方案，是国内领先的具有全栈研发能力的知行科技专注于自动驾驶前装系统解决方案，是国内领先的具有全栈研发能力的公司公司 知行科技成立于 2016 年，是一家专注于自动驾驶领域前装系统解决方案的人工智能高科技公司。经过多年发展，知行科技在多传感器数据融合、决策规划、车辆动态控制等自动驾驶核心领域拥有核心算法，并拥有软硬件开发及整车系统集成验证能力，是国内领先的具有全栈自动驾驶研发能力的公司。知行科技深度布局域控制器和智能摄像头两条产品线，完整覆盖 L2 及 L2+市场需求。域控制器产品包括三个系列，其中 iDCMid 和 iDCHigh 是当前面向乘用车量产主推的产品系列，iDC

66、Mid 已经获得多家车企定点，并进入量产阶段，iDCHigh 预计在 2024 年实现量产。智能摄像头产品主要面向 ADAS 市场，提供更具性价比的方案，iFC 产品已历经三次迭代。通过全面布局，知行科技已经实现高阶智能驾驶的全场景方案覆盖。在行车场景，知行科技已经覆盖了 L2ADAS、高速 NOA、城市 NOA 等功能，泊车场景也已经覆盖自主泊车、记忆泊车、代客泊车等功能。27/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告（2）知行科技全栈自研行泊一体域控制器知行科技全栈自研行泊一体域控制器 iDCMid，率先实现规模化量产，率先实现规模化量产 行泊一体，抢

67、占主流乘用车市场。知行科技定位 Tier1，在行泊一体架构的发展趋势下，提供性能更强、价格更优的域控产品。其自研的行泊一体域控制器 iDCMid，基于一颗 TDA4 芯片开发，采用 5V4R 的感知硬件配置，可实现 NOA（导航辅助驾驶）、360 全景影像、HPA（记忆泊车）等功能，兼具性能、成本和工程落地的考量，凭借性能和成本优势，主攻主流乘用车市场。全栈自研，打造卓越核心技术。知行科技的域控制器实现了全栈自研，它不依赖于任何特定的硬件平台，上层功能可以 100%移植到全新硬件平台。为了实现这一目标，知行科技专门开发了一套灵活可靠的软件中间件，它支持实时操作系统 RTOS（包含核间通信），H

68、LOS（如 Linux 这种开源的操作系统），同时还可实现在大型的 SOC 中，多个核之间的可靠多核通讯。需求导向，规模化量产有序推进。知行科技以市场需求为导向，通过轻量级方案（iDCMid）切入市场，再借助中低端车型走量，同时开发大算力方案（iDCHigh），向高端车型延伸，逐渐步入高阶自动驾驶。目前域控制器 iDCMid 已经正式量产下线，成为目前行业内少数已经量产的域控产品。未来，知行科技将加快全场景智能驾驶的全面落地，在提高市场占有率的同时，进一步强化算法与平台能力，深化数据闭环，探索更多商业可能性。5.德赛西威德赛西威 德赛西威是国内汽车智能化领域的头部 Tier1，深度绑定英伟达这

69、一高算力芯片供应商资源，随着高阶自动驾驶落地对主芯片算力需求的提升，将进一步夯实其在自动驾驶域控制器领域的核心地位。公司2016 年开始前瞻性布局自动驾驶领域业务，2022 年实现 25.7 亿元营收，同比增长达 83.07%，营收占比 17.22%。目前公司已量产的自动驾驶域控制器包括 IPU01 至 IPU04。其中，IPU01 和 IPU02 主打高性价比方案，主要搭载于中低端车型，实现 L1 和 L2 级别的驾驶辅助功能。根据公司官方公众号，公司基于英伟达 Xavier/Orin 开发的 IPU03 和 IPU04 域控制器主打高算力、高性能，能够满足 L2+的高阶自动驾驶需求，并且已

70、经分别获得小鹏、理想等头部主机厂的量产支持，未来随着 L2+智能车放量自动驾驶域控制器有望为公司持续贡献业绩增量。6.经纬恒润经纬恒润 经纬恒润是国内唯一覆盖 L4 以下全域自动驾驶场景的智能驾驶龙头。公司智能驾驶产品覆盖 L4 级及以下自动驾驶场景，覆盖智能泊车、智能行车、安全预警三大领域。其中，公司 ADAS 系列产品前四代基 28/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 本覆盖 L2 及以下所有自动驾驶场景（自适应巡航、交通拥堵辅助、自动紧急制动等），ADCU 域控制器开始覆盖部分 L2+/L3 级自动驾驶场景（高速自动驾驶、交通拥堵自动驾驶等），

71、HPC 则可涵盖 L4级自动驾驶场景（自主代客泊车等），目前仅应用于港口、园区等封闭式场景。除此之外，公司具备提供自动驾驶仿真测试服务，根据公司招股说明书，公司开发了深度覆盖测试需求的场景库，包括法规标准场景、功能覆盖场景、经验测试场景、事故和测试问题的极端测试场景等各类场景超过 3 万条，可以有效满足智能驾驶测试对不同路况场景的需要。7.寒武纪寒武纪 寒武纪是国内 AI 芯片龙头，2021 年成立子公司行歌科技正式进军车载芯片领域。随着自动驾驶从小模型向大模型迭代，对车端推理和云端训练算力需求均大幅提升，公司将充分受益于这一行业趋势。根据寒武纪董事长陈天石博士在 2022 世界人工智能大会上

72、的演讲，寒武纪行歌产品布局将覆盖 L2+L4 全系列芯片组合，覆盖不同档位算力需求的计算平台。其中，SD5223 是面向 L2+自动驾驶市场的产品，最大算力超过 16TOPS，单颗 SOC 可以实现行泊一体的功能，适配 8MIFC/5V5R/10V5R 等多产品形态。SD5226 针对 L4 市场、支持车端训练产品，采用 7nm 制程，AI 算力超过 400TOPS，CPU 最大算力超过 300K+DMIPs。同时，行歌科技的自动驾驶芯片可以与寒武纪的云端训练产品形成协同。2022 年公司云端产品线发展迅速，思元 290、思元 370 等产品在包括阿里云在内的多家头部企业的成功实现规模化销售，

73、并且，公司新一代云端训练芯片思元 590 正快速迭代，浮点运算能力较上一代 290 产品有较大提升。寒武纪高性能 AI 训练芯片负责处理车端收集的海量数据并进行复杂模型训练，再通过 OTA 推送到车端，通过车云协同，能够将车端的数据快速回传，实现 AI 模型的快速迭代升级。29/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报告 八、八、自动驾驶发展趋势展望自动驾驶发展趋势展望 1.商业化落地成为竞争关键商业化落地成为竞争关键 自动驾驶下半场竞争将进入加速期，商业化落地将成为竞争关键 目前，自动驾驶企业兼顾算法优化和量产落地，在技术研发同时，通过技术应用降维实现规模

74、化量产，打通商业化落地路径，构建数据闭环，推动自动驾驶加速落地。当自动驾驶下半场来临，商业化落地将成为竞争关键。自动驾驶商业化主要受场景标准化程度、技术成本优势、安全性能要求等因素影响。这就意味着，整体来说，高级别自动驾驶将遵循从封闭到半开放和开放、从专用到通用、从载物到载人的落地逻辑。商用车方面，自动驾驶货车商业模式清晰，有望率先落地；末端物流刚需较强，有望带来实质性成本和效率优化；矿区、机场、园区等因场景特征优势，将成为高确定性的落地场景。乘用车方面，随着自动驾驶 AI 模型在云端深入应用，行泊一体的自动驾驶架构持续迭代，车端自动驾驶系统的综合成本大幅度降低，以重感知技术为主，主要依托视觉

75、方案的智驾系统，将可以在中低算力车端平台上部署，这将使得高级别自动驾驶系统成为中端价位车型的标配。同时，用户体验也将从尝鲜转变为用户依赖。此外，国内 Robotaxi 落地进程和乘坐体验与市场预期基本相符，有望在 2025 年迎来成本拐点。2.舱驾融合成为趋势舱驾融合成为趋势 打通人、车、环境三方交互，提升驾乘体验，舱驾融合成为趋势 智能座舱和自动驾驶是汽车智能化的两个典型代表，直接影响汽车智能化体验。智能座舱是汽车与用户沟通和交流的载体，侧重于人车交互；自动驾驶则发挥汽车的基本功能，在行驶过程中实现车与环境的 30/31 2023 年年 7 月月 7 日日 行业行业|深度深度|研究报告研究报

76、告 交互。而在交通环境中，驾驶行为是一个由人、车、环境三方参与并交互的过程。因此，如何打通三方交互，实现更好的驾乘体验，就显得尤为重要。随着汽车智能化的发展，从国内外整车企业发布的新车来看，目前正在从分布式电子电器架构向域集中式控制器架构过渡。无论是传统汽车还是新能源汽车上，域集中式架构正越来越多地应用于量产车型。与此同时，采用更集中、更高算力的通用计算硬件，配合更丰富的软件进行整车控制，实现软件定义汽车，将给汽车行业带来显著改变。可以看到，汽车产业链核心零部件供应商、整车厂商、自动驾驶解决方案提供商等都在进行舱驾融合方面的研发。例如，在芯片领域，未来有望在同一芯片中完成智能座舱、智能驾驶、智

77、慧泊车功能，进一步简化自动驾驶硬件体系，降低成本；在汽车域控架构方面，呈现域功能集中的趋势，这主要是由于自动驾驶和座舱芯片的芯片制程、设计方法、架构有很多相似之处，可以率先实现功能集中。目前，车企所尝试的舱驾融合更多的是在软件和应用层面，例如可实现算力共享、感知共享、服务共享，智能座舱域控制器可支持智驾系统失效下的系统级安全冗余等。但真正要达到硬件芯片层面的融合，则面临更多挑战。一方面，舱驾融合或者更多域功能的集中，将导致软件复杂度大幅提升，软硬件解耦势在必行；另一方面，功能的集中会带来功能安全方面的问题，如何规避安全风险，需要进行芯片结构和生产过程优化。未来，随着自动驾驶基础设施越来越完善，

78、算法进一步升级迭代，智能座舱和自动驾驶的边界将会变得愈发模糊。最终目的，是要形成体验更好、成本更低、可信赖的产品，进而重塑驾乘体验。3.生态合作成为企业发展的重要能力生态合作成为企业发展的重要能力 生态合作将成为自动驾驶企业实现外生增长的重要途径 当前，在自动驾驶技术发展驱动下，全球汽车行业供应链正在发生变革，整车厂、Tier1 和 Tier2 厂商、互联网/科技巨头、解决方案提供商之间的动态变化正在不断重塑产业链。跨界布局和交流合作持续发生，各玩家之间的传统界限逐渐被打破，综合能力强的一方将主导未来的汽车产业。在激烈的市场竞争中，单一企业或某一群体已经无法持续高效地突破自动驾驶当下发展困境，

79、自动驾驶相关企业想保持长远的发展，应注重企业之间的协调与合作关系，并与市场环境协同进化，建立适合自身发展的企业生态。随着自动驾驶赛道相关企业合作加深，将形成一个统一的生态价值圈，通过生态圈撬动其它参与者的能力，形成正反馈，进而使这一系统持续创造价值。如此一来，与传统的链式结构相比，自动驾驶生态体系将形成一个更加柔性和多元的网状结构。在这一生态体系中，自动驾驶相关企业可通过资源共享、技术赋能、联合研发、运营共建、合资并购等模式实现共创，将自身优势发挥到极致，并吸收其他资源取长补短，实现协同发展。在自动驾驶生态体系中，标杆企业将起到搭建生态平台，撬动产业其他参与者协同创造价值，实现优势融合与互补的

80、作用。因此，对于自动驾驶相关企业来说，搭建生态价值平台，与生态伙伴合作共赢的能力变得愈发重要。具体来说，就是建立开放的生态模式，面向多元场景，推出具有特色的产品和功能，并将自动驾驶工具链解耦，使生态伙伴都能从中受益。例如，在芯片领域，地平线开放生态赋能合作伙伴，凝聚融合推动产品高效落地，同时加快产品研发；AWS、Asure、华为云面向汽车行业和自动驾驶领域提供解决方案，在安全合规的前提下，在自动驾驶研发数据驱动的每一个流程上，为车企提供开箱即用的便捷工具和安全合规的服务，帮助企业降本增效，加快自动驾驶技术的落地；蘑菇车联的 AI 云，具备海量设备连接和海量数据处理能力，提供开放的接入服务，与众

81、多合作伙伴共建服务生态等。31/31 2023 年年 7 月月 7 日日行业行业|深度深度|研究报告研究报告 九、参考文献九、参考文献 1.麦唐-国际自动驾驶法规现状与趋势2.海通证券-自动驾驶行业：自动驾驶芯片研究框架3.RCL-自动驾驶行业深度报告：技术解析，市场趋势，并购回顾，未来展望4.安信证券-汽车零部件行业：AI 大模型在自动驾驶中的应用5.天风证券-智能驾驶行业小鹏汽车：电动整车柳暗花明，自动驾驶鹏翔千里6.长城证券-汽车行业线控制动：自动驾驶执行层技术高地，笃行可至7.国家金融研究院-人工智能行业：人工智能在自动驾驶研发中的应用8.KEARNEY-汽车行业：自动驾驶产业链的现状

82、与发展趋势9.中信证券-自动驾驶产业策略定期点评：激光雷达，23Q1 整体承压，静待城区 NOA 功能上线10.安信证券-电子行业周报：L3+自动驾驶商用化加速，政策发力推动汽车电子产业发展11.华泰证券-电子行业：AI 不只有大模型，自动驾驶或为其最全面的表达12.中关村智通智能交通产业联盟-自动驾驶行业：北京市自动驾驶车辆道路测试报告（2022 年）13.瑞再研究院-汽车行业：今日的驾驶员，未来的乘客，理解各类保险风险，准备迎接自动驾驶的未来14.百度-2022 百度自动驾驶出行服务行业：无人之境旅途15.中信证券-产业策略自动驾驶系列：文远知行，L4 玩家商业版图构建的代表，快速形成自我造血能力16.36 氪研究院-2023 年中国自动驾驶行业研究报告：自动驾驶进入下半场，商业化落地成为竞争关键17.天风证券-自动驾驶行业报告：Mobileye自动驾驶 IPO 以及商业化的标杆18.安信证券-电子行业激光雷达报告：开启百亿级市场蓝海，为自动驾驶“画龙点睛”19.中金公司-汽车及零部件行业自动驾驶解决方案：第三方公司创造飞轮效应，寻求算法优化与商业化落地路径免责声明：以上内容仅供学习交流，不构成投资建议。