1、 2020.07.03 主流玩家主流玩家如何如何应对应对 L3 自动驾驶自动驾驶的落地困难的落地困难 齐佳宏齐佳宏(分析师分析师) 证书编号 S0880519080007 本报告导读：本报告导读： 多重因素叠加多重因素叠加导致导致 L3 落地难落地难，面对这一情况，面对这一情况，主机厂与科技企业各显其能主机厂与科技企业各显其能；L4 级别级别 自动驾驶或在商用车中率先落地自动驾驶或在商用车中率先落地；推荐虹软科技推荐虹软科技/中科创达中科创达/四维图新四维图新/锐明技术。锐明技术。 摘要：摘要： 多重因素叠加，多重因素叠加，L3 级自动驾驶级自动驾驶落地难。落地难。1

2、)责任划分：L3 责任划分尚不明 晰， 由于交通事故将产生非常严重的后果， 责任不明晰的潜在风险是主机 厂难以承担的。2)技术维度：L3 需要驾驶员和智能驾驶系统频繁交接车 辆控制权，这一过程的技术实现非常复杂，考虑到该环节在 L4、L5 级自 动驾驶中并不会出现，厂商研发相关技术的动力不足。3)成本维度：由于 车辆要对结果负责，必须有足够的系统冗余，这将产生高昂成本。 主机厂与科技企业主机厂与科技企业各显其能，各显其能，L4 级别自动驾驶级别自动驾驶或或在商用车中在商用车中率先落地率先落地。 1)面对 L3 的落地难，主机厂走的是渐进式路径，在 L2 的基础上叠加新 的 L3、L4 级功能；

3、科技企业走的是跨越式路径，直接开发特定场景下的 L4 级自动驾驶。2)不同的发展路径背后反映出的是两类玩家不同的禀赋 和定位。主机厂的禀赋在于行业 Know How 和品牌积累，未来其主要价 值还是通过卖车实现； 科技企业的禀赋在于软件开发能力， 入局自动驾驶 的目的并不是为了造车，而是抢占数据入口，或是与自身业务形成协同。 3)L4 级自动驾驶或在商用车中率先落地，一方面，商用车可以通过划定 ODD 的方式降低技术难度并绕开法规；另一方面，乘用车算的是体验账， 商用车算的是成本账。 后者车作为“生产资料”， 用户衡量的是其商业价值， 只要使用自动驾驶系统的成本低于人工驾驶员的成本就符合用户的

4、利益。 特斯拉特斯拉智能驾驶中的智能驾驶中的“异类异类”。1)淡化自动驾驶级别的概念，专注于提 升用户体验。 2)高级别自动驾驶商业化的重要前提是实现对长尾场景的覆 盖， 通过对于加州脱离报告的分析， 我们认为测试车队实现这一目的仍需 较长时间。 特斯拉采用影子模式取代测试车队模式， 通过众包的方式来解 决长尾场景的快速覆盖问题。截至 2019 年末，特斯拉 AP 激活状态下累 积形式里程已超过 20 亿公里，远超 Waymo(2000 万公里)。3)与传统车企 不同，特斯拉采用域控制器架构，使得 OTA 成为了可能。截至 2020 年 3 月，特斯拉 OTA 升级次数已超 50 次。 投资建

5、议：投资建议：推荐虹软科技、中科创达、四维图新、锐明技术。推荐虹软科技、中科创达、四维图新、锐明技术。我们认为， 在智能驾驶加速发展的过程中，车端基于视觉的 DMS、ADAS 解决方案 以及智能座舱方案需求将快速增加， 路端高精地图等配套基础设施建设也 有望提速。据此，推荐虹软科技、中科创达、四维图新、锐明技术。 风险提示：风险提示：智能驾驶政策推出不及预期、智能驾驶技术发展不及预期 评级：评级： 增持增持 上次评级：增持 细分行业评级 计算机 增持 相关报告 计算机VMware：云计算巨头是如何炼成 的 2020.06.18 计算机一文读懂奇安信 2020.06.07 计算机区域医疗投资仍将

6、落地于院内信 息化厂商 2020.06.01 计算机中台，下一个企业级服务主战场 2020.06.01 计算机 把握最强确定性： 网络安全和医疗 信息化 2020.06.01 行 业 专 题 研 究 行 业 专 题 研 究 股 票 研 究 股 票 研 究 证 券 研 究 报 告 证 券 研 究 报 告 计算机计算机 行业专题研究行业专题研究 2 of 18 目目 录录 1. 面对 L3 的落地困难，主流玩家各尽其能 . 3 1.1. L3 级自动驾驶有些“鸡肋” . 3 1.2. 面对 L3 的落地困难，主机厂与科技企业选择了不同发展路径 5 1.3. L4 级自动驾驶在商用车中的落地或先于乘

7、用车 . 7 2. 特斯拉智能驾驶中的“异类” . 9 2.1. 淡化自动驾驶级别，专注于提升用户体验 . 9 2.2. 采用影子模式取代测试车队，实现长尾场景的快速覆盖 . 9 2.2.1. 加州脱离报告的价值在于判断行业拐点，测试车队“覆盖长 尾场景”仍需较长时间 . 9 2.2.2. 特斯拉采用影子模式实现场景的快速积累 . 13 2.3. 利用领先的电子电器架构率先实现 OTA 升级 . 14 3. 投资建议 . 16 4. 风险提示 . 17 qRtMoQyQoOqPmMrOtNqOoN6MdN8OmOrRmOmMeRnNoReRmMrP6MrRvMvPsRyRMYnMmM 行业专题

8、研究行业专题研究 3 of 18 1. 面对面对 L3 的的落地落地困难困难，主流玩家主流玩家各尽其能各尽其能 1.1. L3 级自动驾驶有些“鸡肋”级自动驾驶有些“鸡肋” 2020 年 5 月，奥迪技术总监 Hans 在接受 Automotive News Europe 的采 访时表示，奥迪将不会在全球范围内为现款 A8 引入 TJP 功能；此前福 特北美总裁也曾表示，福特将放弃 L3 级别自动驾驶；博世则在公开演 讲中一再推迟 TJP 落地的时间。 “L3 落地难”正逐步成为业内共识。 “L3 落地难”的原因是多方面的： 责任划分维度责任划分维度： L0-L2 阶段属于智能驾驶辅助系统的范

9、畴，人类驾驶员仍然需要负 责所有的驾驶任务，一旦出现交通事故，责任依然是由人类驾驶员 来承担。 L4 及以上级别自动驾驶则明确不需要人类驾驶员接管驾驶， 车辆对结果负责。而处于过渡阶段的 L3 级别自动驾驶没有给车辆 和人类驾驶员进行清晰的责任划分，一旦出现事故，责任主体可能 涉及驾驶者、OEM、软件供应商等多方。从监管的角度来看，目前 全球还没有适用于 L3 级别自动驾驶的法律框架。 图图 1：在在 SAE 自动驾驶分级中，从自动驾驶分级中，从 L3 开始车辆需要承担责任开始车辆需要承担责任 数据来源：SAE，国泰君安证券研究 表表 1：工信部发布汽车驾驶自动化分级工信部发布汽车驾驶自动化分

10、级 分级分级 名称名称 车辆横向和纵向运动控制车辆横向和纵向运动控制 目标和事件探测与响应目标和事件探测与响应 动态驾驶任务接管动态驾驶任务接管 设计运行条件设计运行条件 0 级 应急辅助 驾驶员 驾驶员及系统 驾驶员 有限制 1 级 部分驾驶辅助 驾驶员和系统 驾驶员及系统 驾驶员 有限制 2 级 组合驾驶辅助 系统 驾驶员及系统 驾驶员 有限制 3 级 有条件自动驾驶 系统 系统 动态驾驶任务接管用 户(接管后成为驾驶员) 有限制 4 级 高度自动驾驶 系统 系统 系统 有限制 5 级 完全自动驾驶 系统 系统 系统 无限制* 注：*排除商业和法规因素等限制 数据来源：工信部，国泰君安证券

11、研究 由于一旦发生事故由于一旦发生事故造成的损失太大，造成的损失太大，责任不明晰责任不明晰导致导致的潜在风险是的潜在风险是 行业专题研究行业专题研究 4 of 18 主机厂主机厂难以难以承担的。承担的。 我们通过 AI 在智能驾驶、 医疗、 教育等三个行 业的推广情况来说明这个问题。首先明确一点，目前 AI 技术的可 解释性不高，不论应用于哪个场景都难以做到 100%准确。 对于教育场景，比如科大讯飞的个性化学习手册根据学生的课内数 据为其推送题目，必然也会有一些推送不当的情况存在，但这种负 面的应用个例所造成的损失是比较小的，导致大家在检验产品效果 的时候更多地关注“整体”而不是“个体” ，

12、即只要绝大部分的题目 是推送恰当的，对厂商和用户而言就是一款好产品。所以相关技术 的推广速度就会快一些。 对于医疗/自动驾驶等场景， 由于负面的应用个例将会产生非常严重 的后果(比如重大疾病的误诊、自动驾驶产生的交通事故)，导致在 检验产品效果的时候更多地关注“个体”而不是“整体” ，在这些场 景中安全性的优先级会高得多。 对于主机厂而言， 在责任明晰之前， 即使是 99.99%的可靠性也是不能接受的， 因为这可能意味着每卖出 10000 台车可能就会产生一起事故。所以相关技术的推广速度会慢 一些。需要说明的是，从这点上来说，并不能根据比较自动驾驶和 驾驶员驾驶的事故率来判断 L3 及以上级自

13、动驾驶的量产节奏。 表表 2：负面的应用个例所造成损失负面的应用个例所造成损失的大小在一定程度上决定了技术在不同场景下的推广速度的大小在一定程度上决定了技术在不同场景下的推广速度 教育教育 医疗医疗/自动自动驾驶驾驶 出现负面的应用个例所造成的损失 小 大 效果验证方式 整体 个体 企业的核心关注点 效率 安全 对于可解释性的要求 低 高 AI 推广速度 快 慢 数据来源：国泰君安证券研究 技术维度：技术维度：L3 属于驾驶员驾驶与汽车自动驾驶过渡的阶段， 这意味 这在使用过程中需要人类驾驶员和智能驾驶系统频繁交接车辆的 控制权， 而这个人机交互过程的技术实现非常复杂， 且具有偶然性。 此前福

14、特北美总裁 Raj Nair 就曾表示公司放弃 L3 而直接提供 L4 级别全自动驾驶的车辆，原因是从机械操控切换到人工操控的问题 不容易解决。 考虑到从长远来看， 频繁交接车辆控制权的情况在 L4、 L5 级别自动驾驶中并不会发生， 厂商又怎么会有足够的动力去投入 大量资源研发此类终将无用的技术呢？更何况是在目前责任划分 还不明确，导致 L3 级自动驾驶很难大规模量产的情况下。 成本维度：成本维度：由于从 L3 开始车辆要对结果负责，必须有足够的系统 冗余，这将产生高昂成本。以全球首个量产 L3 自动驾驶车型 奥迪 A8 为例，根据 System Plus 咨询的研究，其 TJP 系统成本的

15、 60是半导体的成本。 表表 3：自动驾驶对于芯片算力要求极高自动驾驶对于芯片算力要求极高 主流芯片主流芯片 Mobilieye Intel Nvidia 英伟达英伟达 Qualcomm 高通高通 TI Renesas 瑞萨瑞萨 NXP 恩智浦恩智浦 Infineon 英飞凌英飞凌 SoC EyeQ5 Xavier SD8155A TDA4x H3 S32G TC397 安全等级 ASIL C ASILC ASIL A ASIL C ASIL B ASIL D ASIL D 85K 80K 40K 7200 2040 行业专题研究行业专题研究 5 of 18 GPU GFlops32bits

16、0 1300 1100 250 288 SOP 时间 2020Q3 2020Q1 2020Q1 2021 2019Q4 2021Q1 2019Q1 成本指标评估 数据来源：广汽，国泰君安证券研究 1.2. 面对面对 L L3 3 的落地的落地困难困难，主机厂与科技企业主机厂与科技企业选择了不同发展选择了不同发展 路径路径 自动驾驶的主流玩家可以分为自动驾驶的主流玩家可以分为两类两类。一方是主机厂和传统 Tier1，根据 Navigant Research的数据， 目前这类玩家中处于领先地位的是通用Cruise 和福特自动驾驶。 另一方是科技企业， 典型代表是与谷歌同源的 Waymo、 百度，以

17、及刚刚被亚马逊收购的 Zoox 等。 图图 2：2020 年自动驾驶汽车排行榜年自动驾驶汽车排行榜 数据来源：Navigant Research，国泰君安证券研究 针对发展 L3 级别自动驾驶中遇到的困难，这两类玩家选择了不同的发 展路径： 主机厂主机厂整体上整体上走的是走的是渐进渐进式路径式路径。一方面从 L1、L2 向高阶自动驾驶升 级，另一方面从高端车型向中低端车型渗透。整体来看是在 L2 的基础 上叠加新的 L3、L4 级别的功能来给予客户更好的消费体验，通过“L3 的功能+L2 的责任划分”来规避掉 L3 责任划分问题，同时由于脱离了 SAE J3016 和法律的限制，相对于 L3

18、级自动驾驶，主机厂可以节约部分 冗余设计，降低了成本。 科技企业整体上走的是跨越式路径。科技企业整体上走的是跨越式路径。和主机厂不同，科技企业往往直接 切入L4及以上级自动驾驶， 从车型上主要以Robotaxi为代表的商用车， 以及物流车、矿区车等针对具体工况的车辆入手，通过车型对使用场景 的限制来降低开发难度。 比如Waymo在美国凤凰城推出了Waymo ONE， 百度 Robotaxi 车队 2019 年 9 月开始在长沙部分已开放测试路段进行试 运营。 Execution Strategy主机厂或传统Tier1IT企业或初创公司 FollowersChallengersContender

19、sLeaders Waymo Ford Autonomous Vehicles Baidu Cruise Volkswagen Group Intel-Mobileye Aptiv-Hyundal ZooxYandex Toyota Daimler-Bosch May Mobility Voyage Auto BMW Renault-Nissan-Mitsubishi Volvo Tesla NAVYA 行业专题研究行业专题研究 6 of 18 图图 3：在自动驾驶技术开发过程中，主机厂走渐进式路径，科技公司则在自动驾驶技术开发过程中，主机厂走渐进式路径，科技公司则 选择跨越式路径选择跨越式路

20、径 数据来源：广汽，国泰君安证券研究 图图 4：不同的玩家类型决定了不同的玩家类型决定了乘用车和商用车两个赛道的自动驾驶发展乘用车和商用车两个赛道的自动驾驶发展 路径不同路径不同 数据来源：华为，国泰君安证券研究 不同的发展路径背后反映出的是两类玩家不同的禀赋和定位。 对于主机厂而言，其禀赋在于行业 Know How 和品牌积累，一下子跳出 现有框架是不合适也是不容易的。从定位上看，即使高阶自动驾驶衍生 出的商业生态成为现实，未来主机厂的主要价值还是通过卖车实现，就 像智能机产业链中霸占 APP 榜单的应用并不是由苹果、 华为等手机厂商 开发的一样。 对于科技企业而言，其禀赋在于软件开发能力，

21、并不直接制造汽车，或 此前并不具有造车经验。从定位上看，这些企业入局自动驾驶的目的并 不是为了造车，而是抢占继手机之后最大的数据入口，或是与自身业务 形成协同效应。如阿里巴巴自动驾驶专注于物流领域，以支撑电商、外 卖等上层商业应用，服务于其“让天下没有难做的生意”的愿景；亚马 Zoox 同样是出于物流方面的考量。 自动驾驶渐进式的技术开发路线自动驾驶渐进式的技术开发路线 辅助驾驶辅助驾驶L2 配置竞争配置竞争 有条件自动驾驶有条件自动驾驶L3 商品竞争商品竞争 高度高度/完全自动完全自动 驾驶驾驶L4-L5 技术竞争技术竞争 车车+AI 渐进式路径渐进式路径 国际领先品牌已有国际领先品牌已有L

22、3级别产级别产 品发布，自主品牌品发布，自主品牌L3规划在规划在 2020年年实现实现 跨越式路径跨越式路径 AI+车车 渐进式路径渐进式路径 车车+AI 商用车：跨越式路径商用车：跨越式路径 限定区域等典型应用场景下，跨越式实现高度智能驾驶 L 2 201920222025 商用车商用车 乘用乘用车车 从ADAS渐进演进到高度/完全智能驾驶 乘用车：渐进式路径乘用车：渐进式路径 L 2 L 3 L 4 L 4 行业专题研究行业专题研究 7 of 18 图图 5：阿里巴巴自动驾驶专注于物流领域阿里巴巴自动驾驶专注于物流领域 数据来源：阿里巴巴，国泰君安证券研究 1.3. L4 级自动驾驶在商用

23、车中的落地或先于乘用车级自动驾驶在商用车中的落地或先于乘用车 L4 级别自动驾驶在商用车中的落地或先于乘用车级别自动驾驶在商用车中的落地或先于乘用车。L4 级自动驾驶将率 先在商用车中落地已逐渐成为各方共识，根据华为的预测，Robotaxi 和 功能型车辆或可在 2023-2025 年搭载 L4 级别自动驾驶，而对应乘用车 搭载 L4 则要等到 2025 年之后。 类似的结论也出现在罗兰贝格的研究中， 他们认为 2023-2025 年就将出现城际无人客运巴士、城际无人物流干线 货运等， 而指定场景无人驾驶私家车的出现则在 2025 年之后。 根据广汽 的预测，从 2020 年开始，以 Robo

24、taxi 为主的自动驾驶车辆在新车销售 量中的占比将逐步提升，至 2040 年，这一比例将超过 70%。 图图 6：L4 级别自动驾驶在商用车中的落地或先于乘用车级别自动驾驶在商用车中的落地或先于乘用车 数据来源：华为，国泰君安证券研究 图图 7： 在罗兰贝格的预测中， 自动驾驶技术在商用车中的落地快于乘用车在罗兰贝格的预测中， 自动驾驶技术在商用车中的落地快于乘用车 阶段阶段 乘用车乘用车 出行出行 运营运营商商 物流物流 运营运营商商 卡车卡车客车客车作业车作业车 豪华车豪华车中低档车中低档车 第一波第一波 (2021-2022) ADAS/L2 L0 (NCAP/AEB) L4 Robo

25、Taxi (AVP) L4 (物流配送物流配送) L4 (港口物流港口物流) L4 (园区小巴园区小巴) L4 (矿矿卡卡环卫环卫) 第二波 (2023-2025) L2+ (HWA/APA) L1/L2 L4 RoboTaxi (ODD) L4 (干线物流) L4 (无人公交) L4 (工程机械) 第三波 (2026-2030) L3/L4 (HWP/AVP) 行业专题研究行业专题研究 8 of 18 数据来源：罗兰贝格，国泰君安证券研究 图图 8：以以 Robotaxi 为代表的为代表的 L3 及以上级自动驾驶车辆占比望提升及以上级自动驾驶车辆占比望提升 数据来源：广汽，国泰君安证券研究

26、L4 级别自动驾驶在级别自动驾驶在商用车商用车中中落地更快的原因落地更快的原因有很多有很多： 商用车可以通过划定商用车可以通过划定 ODD 的方式降低技术难度。的方式降低技术难度。乘用车需要面对各种 各样的路况，大规模量产 L4 需要大量的测试和仿真结果作为支撑。而 相较于乘用车，Robotaxi 可以通过划定设计运行区域(ODD)来对车辆的 行驶时间和地点进行限制，避开那些道路识别比较困难和路况比较复杂 的区域，同时限制驾驶速度，从而绕过面对复杂场景的技术困难。 乘用车算的是体验账乘用车算的是体验账，而，而商用车算的是成本账商用车算的是成本账。私家车用户在购买车辆 的时候衡量的是使用价值，自

27、动驾驶功能虽然能够带来更好的体验，但 需要付出相对高昂的费用， 同时传感器会影响车体美观。 商用车作为 “生 产资料” ， 用户衡量的是其商业价值， 只要使用自动驾驶系统的成本低于 人工驾驶员的成本就符合用户的利益。根据麦肯锡的研究，随着技术逐 步成熟带动 AV 系统成本下降，到 2025-2027 年采用自动驾驶技术的出 租车每公里的总成本就将下降到和传统出租车相当的水平，在这之后 Robotaxi 的推广将大幅提速。 图图 9：至至 2025-2027 年年，自动驾驶出租车成本自动驾驶出租车成本将与将与传统出租车传统出租车相当相当 复杂 市区 市郊 大道 高速 道路 特定 园区 封闭 低速

28、 传统无辅助私家车出行 ADAS辅助的城市场景私家 车出行 ADAS辅助的城市场景司机 驾驶货运/客运 1 2 3 2016-2018实现 Level 0-2Level 3Level 4Level 5 拥堵路段与简单道路自动驾 驶的私家车出行 高速路段自动驾驶物流车队 高速路段自动驾驶长途客运 . 城内最后3公里无人接驳小巴 城内最后3公里无人物流派送 小车（店到家、外卖） 指定场景无人驾驶私家车 城际无人客运巴士 城际无人物流干线货运 特定区域无人物流派送小车 （最后1公里、室内派送） 特定区域/郊区无人接驳巴士 停车场自主泊车（Valet Parking） 7 8 9 10 4 5 6 1

29、1 12 13 14 全场景无人驾驶私家车 全场景Robcab出行服务 全场景无人驾驶移动服务平台 2025-2030实现 2023-2025实现 2020-2023实现 2030+实现 15 16 17 私家车出行客运接驳货运物流及其他 2018-2022实现 0% 20% 40% 60% 80% 100% 2003020352040 私有的人工驾驶车辆共享的人工驾驶车辆 私有的自动驾驶车辆共享的自动驾驶车辆 行业专题研究行业专题研究 9 of 18 数据来源：麦肯锡，国泰君安证券研究 2. 特斯拉特斯拉智能驾驶中的“异类”智能驾驶中的“异类” 2.1. 淡化自动驾驶级

30、别，专注于提升用户体验淡化自动驾驶级别，专注于提升用户体验 特斯拉淡化自动驾驶级别的概念特斯拉淡化自动驾驶级别的概念，专注于提升用户体验，专注于提升用户体验。如前所述，对 于 L3 的落地难题，科技企业大多直接切入 L4，而主机厂(尤其是国内) 则主要通过 L2.5、L2.9 的方式来实现“L3 的功能+L2 的责任划分” ，和 两类企业都不同，特斯拉很少强调自己是 L2 还是 L4，淡化自动驾驶级 别的概念，只是单纯讲其实现的功能，专注于提升用户体验。 图图 10：特斯拉自动驾驶发展历程特斯拉自动驾驶发展历程 数据来源：特斯拉、广汽，国泰君安证券研究 2.2. 采用影子模式采用影子模式取代测

31、试车队，取代测试车队，实现实现长尾长尾场景的快速场景的快速覆盖覆盖 2.2.1. 加州脱离报告的价值在于判断行业拐点，加州脱离报告的价值在于判断行业拐点， 测试车队 “覆盖长尾场测试车队 “覆盖长尾场 景”景”仍需较仍需较长长时间时间 MPI 值是加州脱离报告中最引人关注的指标。值是加州脱离报告中最引人关注的指标。 美国加州是全球首个为自 动驾驶车辆上路制定路测法规的地区。 自 2015 年起， 加州机动车管理局 要求取得自动驾驶路测牌照的公司每年上交一份自动驾驶路测数据报 告， 报告中涵盖测试里程数、 测试路段场景、 自动驾驶脱离记录等信息。 加州机动车管理局则根据各公司提供的数据发布年度自

32、动驾驶脱离报 告（Autonomous Vehicle Disengagement Reports） ，在这份报告中，最令 人关注的是 MPI 值(每两次人工干预之间行驶的平均里程)，该指标被认 衡量自动驾驶系统运行性能的重要指标。 0.0 0.2 0.4 0.6 0.8 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 美元/千米自动驾驶出租车传统出租车 自动驾驶汽车系统成 本在未来5年将下降 传统汽车(非自动驾驶 汽车)的总拥有成本 当前模型的交叉点在2025 和2027年之间 L2+级自动驾驶级自动驾驶 Au

33、topilot 2.0 L2+级自动驾驶级自动驾驶 Autopilot 2.5 L3级自动驾驶级自动驾驶 FSD 3.0 L4级自动驾驶级自动驾驶 FSD 4.0 2014.9 2016.10 2017.8 2019.4 2021.Q3（预计预计） 具备高速道路 辅助驾驶的能 力，一键泊车 具备城市道路 辅助驾驶的能 力，智能召唤 可用于特斯拉 Robotaxi业务 行业专题研究行业专题研究 10 of 18 单纯根据单纯根据 MPI 值进行排名，值进行排名，2019 年国内公司表现抢眼。年国内公司表现抢眼。2020 年 2 月， 2019 年加州脱离报告发布。如果按照 MPI 值进行排名，百

34、度的 MPI 值 高达 18050 英里/次，首次超过 Waymo(13219 英里/次)排名第一，此外， 国内企业如 AutoX、小马智行、滴滴等也获得了较高排名。 表表 4：2019 年加州脱离报告中年加州脱离报告中百度、百度、Waymo、Cruise 等公司等公司 MPI 值值较高较高 车企名称车企名称 总里程数总里程数(万英里万英里) 接管次数接管次数(次次) MPI(英里英里/次次) Baidu USA LLC 1083 6 18050 Waymo LLC 14541.37 110 13219 CRUISE LLC 8310.4 68 12221 AutoX Technologies

35、, Inc. 320.54 3 10685 PONY.AI, INC. 1748.45 27 6476 Nuro 687.62 34 2022 Zoox, Inc 670.15 42 1596 PlusAI, Inc. 18.8 2 940 AImotive Inc. 60.56 26 233 WeRide Corp 59.17 39 152 Apple Inc. 75.44 64 118 Aurora Innovation, Inc. 134.29 141 95 Qualcomm Technologies, Inc. 21.64 37 58 SAIC Innovation Center 22

36、.3 40 56 Drive.ai Inc 39.74 75 53 Nissan North America, Inc 22.77 47 48 Nullmax 24.3 70 35 Lyft 429.31 1667 26 Phantom AI, Inc. 11.25 43 26 SF Motors, Inc. 34.93 140 25 NVIDIA 72.18 655 11 Mercedes Benz Research & Development North America, Inc. 142.38 2054 7 Telenav, Inc. 0.22 3 7 BMW of North Amer

37、ica 0.21 8 3 Udelv, Inc 7.07 444 2 Toyota Research Institute 18.17 2947 1 Valeo North America Inc. 1 92 1 数据来源：加州脱离报告，国泰君安证券研究 是否凭借是否凭借 MPI 值值就能就能判断判断国内自动驾驶企业已处于国内自动驾驶企业已处于全球全球领导者地位？领导者地位？ 答案是否定的。答案是否定的。 测试里程测试里程和车辆数和车辆数不同不同。在测试过程中，80%的情况是相似的，尤 其对于头部企业而言， 这些情况此前也都处理过。 但在自动驾驶中， 真正难以处理的是最后 20%甚至 1%的长尾

38、场景。而解决这些场景 中出现的问题的前提就是要遇到过这样的场景。所以在一定程度上 来讲，积累了更多的数据里程、拥有更大规模的测试车队也是体现 自动驾驶公司实力的重要指标。 在 2019 年的加州报告中， Waymo、 CRUISE 的测试里程分别达到 145.41 万英里、83.10 万英里，占比 分别达到 51%、29%；测试车数量则分别为 148 辆、228 辆，占比 行业专题研究行业专题研究 11 of 18 为 23%、35%。 图图 11：Waymo、CRUISE 测试里程数分别占整体的测试里程数分别占整体的 51%、29% 数据来源：加州脱离报告，国泰君安证券研究 图图 12：CR

39、UISE、Waymo 测试车数量分别占整体的测试车数量分别占整体的 35%、23% 数据来源：加州脱离报告，国泰君安证券研究 测试场景不同测试场景不同。由于加州机动车管理局并没有对路测环境进行统一 规定， 导致各公司的实际路测环境并不相同。 如 NVIDIA、 SF Motors 等公司主要脱离场景集中在公路和高速路，据此可以推断这些公司 的主要测试场景都集中在公路和高速路；而 Waymo、Cruise 等公司 的脱离则主要发生在城市街道，表明其更多地将路测重点放在了城 市街道场景之中。即使对于城市街道分类下，各家公司的具体路测 环境也有所不同，而不同的路测环境往往意味着不同的测试难度， 造成

40、 MPI 值的失真。 表表 5：不同不同公司的脱离次数在不同公司的脱离次数在不同测试测试环境中的分布并不相同环境中的分布并不相同(单位：单位：次次) Freeway highway Parking Facility Parking Lot Rural Rural Road street Total Baidu USA LLC 6 6 Waymo LLC 2 23 1 84 110 CRUISE LLC 68 68 AutoX Technologies, Inc. 3 3 PONY.AI, INC. 27 27 Nuro 34 34 Zoox, Inc 42 42 0 20 40 60 80 1

41、00 120 140 160 Waymo CRUISE PONY.AI Baidu Nuro Zoox Lyft AutoX Mercedes Benz Aurora Apple NVIDIA Aimotive WeRide Drive.ai SF Motors Nullmax Nissan SAIC Qualcomm PlusAI Toyota Phantom AI Udelv Valeo Telenav BMW Tesla 万英里 0 50 100 150 200 250 CRUISE Waymo Apple Nuro Zoox PONY.AI Lyft Mercedes Benz NVI

42、DIA AutoX Drive.ai WeRide Aurora Toyota BMW Baidu Nissan SAIC Udelv Aimotive Qualcomm PlusAI SF Motors Nullmax Phantom AI Telenav Tesla Valeo 辆 行业专题研究行业专题研究 12 of 18 PlusAI, Inc. 2 2 AImotive Inc. 26 26 WeRide Corp 5 2 32 39 Apple Inc. 13 51 64 Aurora Innovation, Inc. 8 10 123 141 Qualcomm Technolog

43、ies, Inc. 37 37 SAIC Innovation Center 40 40 Drive.ai Inc 75 75 Nissan North America, Inc 2 45 47 Nullmax 45 13 12 70 Phantom AI, Inc. 43 43 Lyft 1667 1667 SF Motors, Inc. 122 18 140 NVIDIA 574 47 34 655 Telenav, Inc. 3 3 Mercedes Benz Research & Development North America, Inc. 183 1871 2054 BMW of

44、North America 8 8 Udelv, Inc 444 444 Valeo North America Inc. 92 92 Toyota Research Institute 1 2946 2947 数据来源：加州脱离报告，国泰君安证券研究 对于对于脱离次数脱离次数的的统计标准不同统计标准不同。加州 DMV 对于什么样的情况才必 须接管也没有明确的规定，导致各家对于驾驶员接管车辆的标准并 不统一。实际上，不接手就要发生事故和不接手只是略微影响其他 车辆行驶，是完全不同的情况。 综上， 单纯通过比较 MPI 值来判断各家公司的自动驾驶能力是有失公允 的。 加州加州脱离脱离报告的报告的

45、真正真正价值在于价值在于通过通过纵向纵向比较来比较来判断判断行业拐点行业拐点。我们认为 加州脱离报告更大的意义在于我们可以通过对领先企业在不同年份的 脱离数据进行纵向比较，来判断其是否实现了对于长尾场景的覆盖，从 而粗略研判行业拐点。 我们尝试着对领头羊我们尝试着对领头羊 Waymo 不同年份的脱离原因进行分析，以判断它不同年份的脱离原因进行分析，以判断它 是否实现了对长尾场景的覆盖。是否实现了对长尾场景的覆盖。以 MPI 和测试里程两个维度作为标准， Waymo 仍然是自动驾驶的霸主。毫无疑问，Waymo 的自动驾驶能力是 逐年增强的，那么在行驶同样里程的前提下，如果下一年由于某一类问 题产

46、生的脱离次数多于上一年，就很可能意味着工况仍处于持续增加的 过程中，即还没有实现对“长尾场景”的全覆盖。 图图 13：如果将“里程”维度纳入，如果将“里程”维度纳入，Waymo 毫无疑问仍是自动驾驶霸主毫无疑问仍是自动驾驶霸主 行业专题研究行业专题研究 13 of 18 注：三角形标记、正方形标记、圆形标记分别为 2017 年、2018 年、2019 年数据 数据来源：加州脱离报告，国泰君安证券研究 从领头羊从领头羊 Waymo 的的测试数据来测试数据来看，看，测试测试车队车队在“覆盖在“覆盖长尾场景长尾场景”方面”方面 仍有仍有很很长长的路要走的路要走。通过对比 2015-2019 年 Waymo 的加州测试结果可 以发现，每百万英里中如“感知”等问题所造成的脱离次数仍在明显增 加，并没有出现收敛，表明测试车队在“覆盖长尾场景”方面仍有很长 的路要走。 图图 14：Waymo 部分部分问题问题所造成的脱离次数并没有出现收敛所造成的脱离次数并没有出现收敛 数据来源：加州脱离报告，国泰君安证券研究 2.2.2. 特斯拉采用影子模式实现场景的快速积累特斯拉采用影子模式实现