《智能驾驶行业系列研究（一）：从特斯拉视角看智能驾驶研究框架-240604（90页）.pdf》由会员分享，可在线阅读，更多相关《智能驾驶行业系列研究（一）：从特斯拉视角看智能驾驶研究框架-240604（90页）.pdf（90页珍藏版）》请在三个皮匠报告上搜索。

1、从特斯拉视角，看智能驾驶研究框架-智能驾驶系列研究（一）证券研究报告投资评级：（）报告日期：推荐维持2024年06月04日分析师：林子健SAC编号：S01联系人：谢孟津SAC编号：S12行业深度报告诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 2从特斯拉视角看智能驾驶硬件配置特斯拉视角智能驾驶历史复盘算法数据闭环智能驾驶未来研究框架硬件降本算法数据闭环政策法规 核心结论：第一章：回顾历史，智能驾驶的核心主线是算法的演进史，从2017年至今，在感知侧+规控侧实现算法从规则为主走向端到端。算法方面，2017-2022年，特斯拉在感知侧走向端到

2、端，实现BEV+Transformer+Occupancy。2021-2023年，特斯拉在规控侧从规则走向端到端。数据闭环方面，特斯拉在2022年实现模拟仿真数据、自动标注、云端算力等三个方面的升级。硬件方面，特斯拉从HW1.0升级至HW4.0，期间通过算法升级+自研FSD芯片，实现更为适配智能驾驶进化的硬件体现。第二章：展望未来，我们认为智能驾驶的算法将走向收敛，核心主线将从算法走向数据闭环。向未来看，我们提出由算法+数据闭环+硬件降本+政策法规四个维度构成的研究框架。围绕这些角度展开，我们提出未来智能驾驶核心的三个趋势：数据竞赛+大模型+任务导向。第三章：对国内智驾能力的区分，我们提炼四个

3、维度：数据积累能力+智驾好用能力+安全性+舒适性。基于数据闭环（背后竞争要素对应为组织的工程化能力）成为未来核心分水岭，我们认为基于算法来判断各车企领先程度的意义将愈发有限，以对数据为主的跟踪将成为未来判断各车企竞争水平的重要指标。第四章：智驾下半场是城区NOA，智驾有望在2025H1迎来“好用”拐点。通过复盘高速NOA发展历史，我们总结出高速NOA与城区NOA的两点不同，提出城区NOA发展的三个阶段，判断2025H1有望实现“好用拐点”。8XfYdXbZ8X9WfVaY6MbP9PsQnNoMtPkPnNqOfQpPnQ6MpPxOuOsOpRwMrRpO诚信、专业、稳健、高效请阅读最后一页

4、重要免责声明PAGE 3车企能力跟踪框架+智驾临界拐点可期执行侧舒适度车企的智驾能力跟踪框架数据积累能力安全智驾好用能力智驾拐点判断驱动方式城区NOA三个阶段落地成本两个不同可用：2023-2024好用:2024-2025H1必用:2026及以后高速NOAvs城区NOA高速NOA三年好用城区NOA更快风 险 提 示诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 4 智能化落地不及预期；技术迭代风险；宏观经济波动风险；下游需求不及预期的风险。目 录CONTENTS4.需求：智驾拐点何时来临1.历史：特斯拉视角看智驾演进诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 52.未来

5、：智能驾驶研判框架3.供给：车企智驾能力分析01 特斯拉视角：智驾历史复盘2023.08.152024.04.202024.04.282023.11.232024.04.29特斯拉计划组建一个20人左右的本地远营团队，以推动自动驾驶在中国市场落地。与此同时，特特斯拉还在中国尝试成立一个数据斯拉还在中国尝试成立一个数据标注团队，规模约上百人，标注团队，规模约上百人，为训练FSD的算法作准备。特斯拉中国回应，特斯拉中国回应，FSD落地中国落地中国正在推进的消息属实正在推进的消息属实。马斯克在twitter上的回复中表态，FSD入华入华可能很快就会到来”可能很快就会到来”,本次访问中国预计将推动相关

6、进本次访问中国预计将推动相关进程程。马斯克访问中国：特斯拉通过国特斯拉通过国家汽车数据安全家汽车数据安全4项全部要求。项全部要求。据特斯拉用户APP表示，特斯拉中国官方的中国官方的FSD购买页面描述由购买页面描述由“稍后推出”改为“即将推出”“稍后推出”改为“即将推出”，特斯拉FSD离进入中国更进一步。FSD入华落地进入倒计时，从特斯拉视角看智驾诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 7资料来源：财联社，twitter，中国汽车工业协会，特斯拉官方，华鑫证券研究诚信、专业、稳健、高效请阅读最后一页重要免责声明资料来源：面向大场景的智能驾驶端到端算法研究,亿欧智库，华鑫证券研究

7、图表：智能驾驶模块化设计理念1.1智能驾驶设计理念分类：模块化vs端到端端到端架构：数据端到端架构：数据驱动LSTM网网络Transformer卷卷积神经网络模块合成式驾驶方法：包含感知、规划决策，执行控制三大模块，通过分别调试每个模块的参数来适应各种各样的驾驶场景。（1）感知模块：利用各种传感器来实现对静止环境、行车相关信息及移动障碍物的全面检测和跟踪，进而将场景图像转化为关键感知指标。（2）决策模块：在完成道路交通场景的感知后，从感知模块获取全局和局部信息，对起点到终点的行驶路线进行分析和规划，确定车辆的行驶路线并最终输入执行模块以实现车辆控制。（3）控制模块：负责将来自决策模块的行驶策略

8、转化为具体的车辆控制指令，实现车辆的实际运动。端到端智能驾驶方法：端到端智能驾驶方法本质上是使用一个独立系统进行驾驶，通过训练一个深度神经网络从感官输入（如摄像头采集的道路信息）直接映射到驾驶动作。模模块化架构：规则驱动感知感知-定位定位决策决策-规划执行-控制控制环境感知定位定位/导航GPS/惯性导航车辆数据决策系决策系统转向控制驱动控制制制动控制安全控制安全控制轨迹规划模块异常异常处理激光雷达激光雷达毫米波雷达毫米波雷达传感器行行为决策模块执行系统路径追踪系路径追踪系统PAGE 8图表：智能驾驶端到端设计理念诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 9资料来源：ALVINN

9、:An autonomous land vehicle in a neural network，基于深度学习的端到端自动驾驶模型研究及仿真，Building the Software 2 0 Stack，End-to-end Autonomous Driving:Challenges and Frontiers，华鑫证券研究图表：第一台端到端ALVINN图表：规则驱动与数据驱动对比1.1.1 2014-2016年以规则驱动为主端到端的设计理念是输入原始数据后，直接反应输出结果，最早可追溯到上世纪80年代。1988 年，第一辆端到端驱动的陆军救护车 ALVINN，当时还没有出现卷积神经网络 CN

10、N，只构建了一个三层可反向传播的全连接神经网络，并在卡内基梅隆大学的校园内以0.5m/s 的速度准确的行驶了 400 米。相比规则驱动，端到端的框架更为简洁，应用潜力更大，但受制于神经网络模型的发展，一直未在产业中大规模落地使用。规则驱动系统规则驱动系统数据驱动系统数据驱动系统端到端模块化可解释性、可验证性、易于调试受限神经网络模型发展；黑匣子优势优势设计理念设计理念劣势劣势错误传递、模块间不协调、潜力有限模型架构模型架构数据驱动潜力较大数据驱动潜力较大，简洁，易于联合训练1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 10资料来源：Mobileye，The

11、 Distance Estimation of Monocular Camera，Theverge,华鑫证券研究图表：MobileEye距离测试规则示例1.1.1 2014-2016年以规则驱动为主：由Mobileye提供智驾解决方案。早年的特斯拉并没有自研自动驾驶芯片，从2014年开始特斯拉与Mobileye合作，在其量产车型上一直采用Mobileye的EyeQ3技术方案。Mobileye届时的算法主要由规则驱动，以单目相机成像测距为例，通过物体在图像中的像素高度h和焦距f，即可计算出前方车距。2016年特斯拉和Mobileye终止合作：导火索：2016年5月第一起配备 Autopilot

12、的Model S发生致命事故，无法识别白色拖车和天空；核心原因：Mobileye提供的车企的是一个封闭的黑盒方案，车企不仅不能修改其中的算法，而且还不能与Mobileye共享车辆数据。图表：利用焦距计算距离原理示意1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 11资料来源：丁磊：生成式人工智能，Edge Machine Learning for AI-Enabled IoT Devices:A Review，Image Processing:How Do Image Classifiers Work?，华鑫证券研究1.1.2 感知侧2017-2022走向端

13、到端:Transformer+BEV+Occuopancy的主流架构CNN极大提高了机器视觉的识别效率，让机器视觉走向深度神经网络结合的端到端架构成为可能。从机器认识一只狗的过程来类比，此前的DNN网络依赖于先认识狗的每个“细胞”，而CNN则从认识狗的一个部位开始，例如眼睛、耳朵，来判断一只图像为狗，其中涉及到三个主要的不同：（1）不需要认识图像的全部，识别难度降低；（2）通过局部特征训练出来的神经元，能更好的迁移到其他图像（从认识狗的专家，变成认识耳朵的专家）；（3）卷积过程降低了图像特征的维度，减少数据量。图表：DNN去认识一只小狗1.1感知侧走向端到端历程图表：CNN去认识一只小狗诚信、

14、专业、稳健、高效请阅读最后一页重要免责声明PAGE 12资料来源：丁磊：生成式人工智能，深度神经网络的关键技术及其在自动驾驶领域的应用，华鑫证券研究图表：CNN卷积-池化层核心结构示意1.1.2 感知侧2017-2022走向端到端:Transformer+BEV+Occuopancy的主流架构深入来看，CNN神经网络的效率核心在于卷积+池化的过程。相比全连接DNN神经网络，CNN需要训练的参数数量明显减少。举例来说，一幅像素为1K*1K的图像作为输入，Hidden layer有1M节点，仅一层就有1012个权重需要训练，如果使用CNN网络，采用100*100的卷积核，共使用100个卷积核，输入

15、到Hidden layer的参数便降低到了100*100*100=106个。如果说CNN将管理100人的工作变成管理10个组长，那卷积核就像不同的组长：不同的卷积核代表了不同的特征提取能力。该结构上下层不再直接全部连接，同一层将共用单个或一定数量的卷积核，因此大大减少了训练权重的数量。图表：CNN工作过程示意图1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 13资料来源：Building the Software 2 0 Stack，Enhancing Deep Learning Performance using Displaced Rectifier L

16、inear Unit，华鑫证券研究图表：特斯拉Software2.0吞噬1.0过程图图表：神经网络将设计特征从专家交给机器1.1.2 感知侧2017-2022走向端到端:Transformer+BEV+Occuopancy的主流架构2017年Andrej Karpathy加入特斯拉，推动CNN神经网络落地，感知侧端到端拉开序幕。Andrej Karpathy 2015年在斯坦福执教，设计并创办了课程卷积神经网络CNN在机器视觉中的应用。特斯拉提出Softwate2.0吞噬1.0，CNN网络架构将设计特征的工作从专家交给机器。传统的特征设计往往由特定领域内的专家设计，但当面对复杂任务情景是，专家

17、设计的特征往往存在诸多局限，例如特征本身的有效性、有限性等等。Andrej Karpathy 2017年加入特斯拉，推出Software 2.0，提出用2.0（基于CNN神经网络模型）吞噬传统Software 1.0（由Python、C+等语言编写的代码）的理念。2.0 code1.0 code2.0 code1.0 code1.0：基于编程代码：基于编程代码2.0：基于端到端神经网络：基于端到端神经网络2.0 codeOutputHand-designed programInputMapping from featuresHand-designed featuresInputOutputMa

18、pping from featuresFeaturesInputOutput1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 14资料来源：Tesla AI Day，LEARN HYDRANETS:Monstrous Multi-Task Learning Techniques with PyTorch，华鑫证券研究图表：不同的任务共用一个Shared Encoder图表：特斯拉的HydraNet架构1.1.2感知侧2017-2022走向端到端:Transformer+BEV+Occuopancy的主流架构2019年推出HydraNet架构，处理不同的任务。感

19、知侧有许多不同的任务，如果每一项任务都单独使用神经网络，则成本高昂。HydraNet的架构通过一个共享的主干网络backbone，能有效的实现三个方面的优点:(1)特征共享：减少重复的卷积计算，减少主干网的数量；(2)任务解耦：将特定任务与主干分离，能够单独微调任务;（3）能缓存特征，更高效的微调。图表：驾驶过程中的不同任务繁杂1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 15资料来源：Tesla AI Day，华鑫证券研究图表：8个不同的摄像头观察一辆卡车图表：BEV融合8个2D图像到一个3D空间1.1.2感知侧2017-2022走向端到端:Transf

20、ormer+BEV+Occuopancy的主流架构2021年特斯拉提出BEV，从2D图像走向3D空间。相比于传统的2D图像视为BEV的推出克服了传统2D图像存在的几个问题：（1）2D任务中常见的遮挡或缩放问题，识别遮挡或交叉车辆的场景存在问题。（2）将不同视角在 BEV 下统一表达遵循第一性原理，有利于后续规划控制模块任务。以大货车为例，特斯拉8个摄像头分别观察到了一部分的卡车躯体，每一部分都需要单独对卡车未来的行进路线做出预测，无法准确预测后续路线（每个摄像头只有一部分）。1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 16资料来源：Tesla AI Da

21、y，Lift,Splat,Shoot:Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D，亿欧智库，华鑫证券研究图表：BEV特征级融合与目标级融合对比图表：融合效果对比图实现BEV空间的路径主要分为后融合、前融合与特斯拉采用的特征级融合三种路径，特斯拉使用特征级融合取代传统的后融合策略：（1）前融合指的直接对数据融合，主要优势在于信息保留度较高，但由于其算力消耗较高，技术难度较大，在行业内极少使用。（2）后融合主要基于规则的运算，将2D图片还原到3D空间，但由于转换过程对于前提假设（例如路面水平

22、的假设）并不能在真实世界里时刻满足，所以整体的融合精度偏差。（3）特斯拉采用特征级融合效果显著：在特征层进行融合，数据损失较少，融合效果更加显著，算力消耗较后融合仍然较大。特征级融合（中融合）优势：数据损失少、目标特征级信息使得不同传感器之间融合效果较好劣势：算力消耗大、不同模态间语义差异较大特征级融合方案将不同传感器采集的数据进行特征提取后，再进行融合，其是目前 BEV+Transformer 架构下，较常用的一种融合方式。目标级融合（后融合）优势：算法难度低、各传感器之间解耦性强劣势：关键信息容易丢失、整体融合精度低目标级融合方案采用的算法仍然是基于规则的运算，虽然方案整体的算法开发难度较

23、低，但有效信息容易缺失，易引起感知系统误报、漏报等问题。1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 17资料来源：An Image is Worth 16x16 Words:Transformers for Image Recognition at Scale，华鑫证券研究图表：Vision Transformer模型图表：Transformer架构与CNN对比Transformer架构中的自注意机制，对实现特征级BEV的适配性更高。Transformer架构核心在于自注意力机制，能计算每个输入元素之间的相关性，相关性较高的元素需要给予更多的注意力。相比

24、于之前的CNN网络有两个更显著的优势：（1）Transfromer提供全局的感受野，对特征的学习能力更强。视觉任务一个关键的步骤就是要提取像素之间的相关性，普通的 CNN 是通过卷积核来提取局部的相关性（局部感受野），Transformer因为能对每个元素及其相关性进行考虑，可以提供全局的感受野，因此特征学习能力相比 CNN 要强很多。（2）如果未来进一步考虑以视频作为输入数据的话，其时序数据的特征更加适合采用Transformer来处理，CNN与RNN在考虑输入变量之间相关性能力方面要更弱。不同数据集下的表现不同数据集下的表现Transformer模型表现，模型表现，H的层数最多为的层数最多

25、为32，L为为24CNN模型表现模型表现Transformer所需算力减少，训练效率提升显著所需算力减少，训练效率提升显著1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 18资料来源：Tesla AI Day（2021），华鑫证券研究图表：TOP-down建立BEV图表：特斯拉基于Transformer转换BEV过程示意特斯拉在2021年采用BEV+Transformer架构，采用Top-down方法构建BEV空间：首先在空间中构建一组3D空间网格（Query），接着对相应位置处的二维图像特征进行访问（Key、Value），然后通过多层Transformer

26、与每个图像特征交互，最终获得 BEV 特征。1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 19资料来源：Tesla AI Day（2022），MonoScene:Monocular 3D Semantic Scene Completion，OccDepth:A Depth-Aware Method for 3D Semantic Scene Completion，华鑫证券研究图表：无法检查到的不规则物体图表：遇见不属于数据集的物体无法识别情况现实驾驶情景中，存在大量长尾问题，视觉系统无法“认识”所有的物体。如果看到不属于数据集的物体，或者不规则的长尾数据，

27、仅用传统可能就出现无法检测到的情况。为此，特斯拉在2022年推出Ocuupancy占用网络，从识别检测到识别占用。Occupancy Networks将世界划分为网格单元，然后定义单元是空闲还是被占用，不以认识分类为第一优先级，而以空间占用为主要测量目标，将BEV融合空间从2D升维至3D，同时大大提升了系统的泛化能力。图表：Occupancy Networks划分空间为网格单元示意1.1感知侧走向端到端历程诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 20资料来源：Tesla AI Day（2021），华鑫证券研究2021年，特斯拉开始在路径规划层面部分加入神经网络的元素，推出蒙特

28、卡罗树与神经网络结合的算法。在2021年的Tesla AI Day上，特斯拉用寻找停车场的路径规划作为案例，对比了传统的两种人工规则代码和结合神经网络的第三种算法：推出的Monte-Carlo Tree 结合神经网络的算法，可以将潜在路径的可扩展次数从传统A*算法的接近40万次降低到288次，但这个阶段并非全部都使用了神经网络，大部分依然是人工规则代码。图像示例AlgorithmSearch HeuristicNumber of ExpansionA*Euclidean：欧氏最小距离测算方法398320A*Euclidean+Navigation：欧氏最小距离测算方法+导航22224MCTS

29、Argmax SamplingNeural Network Policy&Value Function2281.1规控侧2021-2023走向端到端图表：结合神经网络的蒙特卡罗算法实现最小扩展次数诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 21资料来源：Tesla AI Day（2022），华鑫证券研究图表：结合神经网络的蒙特卡罗算法决策流程2022年特斯拉在规划层将BEV空间融入神经网络结合的蒙特卡罗算法，进一步实现规控端的端到端。特斯拉推出的交互搜索网络，将结合神经网络的蒙特卡罗算法应用到Occupancy网络中，用轻量级的问询网络替代了传统的优化方法，可以将每个动作计算耗时

30、从1到5毫秒降低到100微秒。同时，计算出的每个轨迹都会有一个成本函数，这一部分仍然是基于规则的代码，该函数取决于 4 个因素：碰撞概率、舒适度、干预可能性和人类操作相似性。1.1规控侧2021-2023走向端到端图表：每次驾驶动作耗时降低显著诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 22资料来源：埃隆马斯克传，Planning-oriented Autonomous Driving，Twitter，新浪财经，华鑫证券研究2023年底，特斯拉推出完全端到端，开启加速进化。20232023.42023.62023.82023年年初，Dhaval Shroff 提出Neural n

31、etwork planner项目，用车上的GPT说服马斯克支持，神经网络路径规划项目已经分析了从特斯拉客户车辆上收集的1000万帧视频画面，马斯克让他们找出“Uber五星司机会采取的做法”。2023年4月，马斯克首次试驾神经网络规划路径项目，Dhaval Shroff 指出运行速度快出10倍，可以直接删掉30万行代码。2023年6月，上海人工智能实验室提出业界首个具备全栈关键任务的端到端自动驾驶模型UniAD，获得2023年CVPR最佳论文奖。本方案利用多组查询向量（query）串联起多个任务，并在网络中传递信息，将所有融合的信息传至最终的规划模块。同时，每个模块的Transformer架构可

32、以有效地对查询向量通过注意力机制进行交互。UniAD首次将全栈关键任务端到端地包含在一个统一的网络架构中，提出“全栈可控端到端方案”。2023年8月，马斯克在社交平台上进行了一场关于特斯拉端到端自动驾驶测试版（FSD V12 Beta）的直播。从直播中的内容来看，马斯克信心满满，而这辆车在自动驾驶过程中也，补充公里数，仅仅出现了一次与红绿灯相关的失误。2023.122024.32023年12月，开始扩大内测范围到特斯拉内部员工。2024年1月，FSD V12又分别在1月推送给媒体人。2024年2月，特斯拉把FSD V12推送给一定范围内的普通用户。2024年3月，FSD Beta更名FSD S

33、upervised。特斯拉智驾团队负责人Shok Elluswamy发文，端到端模型在数月的训练时间内，已经完全超过经过数年积累的V11。1.1规控侧走向端到端图表：特斯拉2023年走向端到端进程梳理小结：一图看特斯拉智驾算法历史诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 23资料来源：Towards Knowledge-driven Autonomous Driving，Thinkautonomous，华鑫证券研究2016年2023年感知侧：感知侧：Transformer+BEV+Occupancy特斯拉声称的完全特斯拉声称的完全端到端端到端，仅为推测仅为推测模型模型，具体并未

34、完具体并未完全公布细节全公布细节参考华为参考华为24年年4月月26日日ADS3.0，实实现现GOD（感知侧感知侧）+PDP（规控侧规控侧）规控侧：规控侧：结合神经网络结合神经网络实现部分端到实现部分端到端端优势：优势：模型远期的潜力较大模型远期的潜力较大优势：优势：可解释性可验证性可解释性可验证性易于调试易于调试以以CNN、Transformer等为代表等为代表的算法升级是迭代的核心驱动的算法升级是迭代的核心驱动规则驱动规则驱动数据驱动数据驱动模块化模块化端到端端到端特征：特征：“仍在小学，但可读到博士，“仍在小学，但可读到博士，学习速度快”学习速度快”特征：特征：“大学毕业但很难进修”“大学

35、毕业但很难进修”1.2特斯拉的数据引擎进化史诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 24数据引擎的核心在于提高模型的泛化能力。现实驾驶情景中存在大量的conner case，特斯拉建立数据引擎通过车端的影子模式发现特定问题数据挖掘：自有车队或仿真模拟获取类似数据数据标注：自动标注+人工标注数据训练：在线训练+离线训练重新车端部署。特斯拉在2019年首先提出数据引擎闭环，2022年对三个方面实现改进：（1）仿真模拟；（2）自动标注；（3）云端算力。图表：特斯拉数据训练闭环及改进云端算力：Dojo资料来源：Tesla AI day 2022，华鑫证券研究影子模式发现 conner

36、 case数据挖掘：获取更多类似情景特斯拉车端模型部署：压缩、剪技、蒸馏自有车队数据仿真模拟数据自动标注人工标注在线训练离线训练DATA ENGINE系统算法在“影子模式”下模拟决策，并与驾驶员的实际进行对比，一旦两者不一致，该场景便被判定为“conner case”，进而触发数据回传诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 25资料来源：Tesla AI Day（2021-2022），华鑫证券研究改进一：现实车队数据+模拟仿真数据。（1）车队的数据：特斯拉的数据可以通过现实车队获取。通过14000+个视频就显著降低将“静止车辆”视作“待行车辆”而误停的概率。（2）模拟仿真数据

37、：提供现实车队中难以获得的数据来源，进一步提升获取相同场景数据的效率。一般来说，首先会从真实世界获取初步的标注数据，基于此获得基本的道路情况，进而可以对情景进行不同的路标、天气、道路线等条件的模拟。雾化模拟雨水模拟道路构建道路构建道路线模拟道路线模拟天气模拟天气模拟挖掘车队数据，判断静止车辆挖掘车队数据，判断静止车辆仿真数据仿真数据车队数据车队数据更高的车辆行驶准确率更高的车辆行驶准确率行驶准确率随数据集扩容而提高行驶准确率随数据集扩容而提高图表：特斯拉行驶准确率随着数据集增加而提高示意图1.2特斯拉的数据引擎进化史诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 26改进二：自建千人

38、团队，从2D人工标注到4D自动标注。获取大量数据之后，需要有一个标注“清洁”的过程，符合条件之后才能使用。数据的标注需要涵盖深度、速度、加速度信息。特斯拉2016年开始，仍是通过第三方外包数据标注，但存在响应慢，标注质量不够等问题，到2019年开始自建1000人团队，从2D人工标注发展到4D自动标注。特斯拉自动标注系统可以取代 500 万小时的人工作业量，人工仅需要检查补漏。image space(2018)single trip(2019)top-view(2020)multi-trip(2021-)3D labelunknownunknownmanualmanualalignedalign

39、edreconstructedreconstructedreprojection1 pixel1 pixel3 pixel3 pixel7 pixel7 pixel3 pixel3 pixeltopologylocallocalupup to trajectoryto trajectoryunlimitedunlimitedupup toto reconstructionreconstructionLabeling/clip533hrs533hrs3.53.5 hrshrs0.1hravg0.1hravg0.1hrsavg20%2增持10%20%3中性-10%10%4卖出10%2中性-10%10%3回避-10%诚信、专业、稳健、高效请阅读最后一页重要免责声明PAGE 89报告编号:240604162017