1、 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 Table_Info1 计算机计算机 Table_Date 发布时间：发布时间：2024-03-12 Table_Invest 优于大势优于大势 上次评级:优于大势 Table_PicQuote 历史收益率曲线 Table_Trend 涨跌幅（%）1M 3M 12M 绝对收益 17%-13%-18%相对收益 11%-19%-7%Table_Market 行业数据 成分股数量（只）331 总市值（亿）35,119 流通市值（亿）29,879 市盈率（倍）101.25 市净率（倍）3.48 成分股总营收（亿）10,783 成分股总净利润（

2、亿）312 成分股资产负债率（%）42.60 相关报告 华为合作伙伴大会召开在即，关注伙伴+华为 -20240311 海外 AI 应用&终端表现优异，关注国内 AI应用进展 -20240303 市场迎来超跌反弹，中长期坚持关注真正成长方向 -20240225 数字人民币系列一：数币推广带来颠覆性变革 -20240218 海外 AI 投资如火如荼，文生图迎来重大进展 -20240218 Table_Author 证券分析师：吴源恒证券分析师：吴源恒 执业证书编号：S0550522100004 Table_Title 证券研究报告/行业深度报告 AI 数据驱动视角下的智能驾

3、驶数据驱动视角下的智能驾驶-智能驾驶研究框架系列一智能驾驶研究框架系列一 报告摘要：报告摘要：Table_Summary 传统传统自动驾驶行业存在两种不同的研发路径自动驾驶行业存在两种不同的研发路径：渐进派与跃进派渐进派与跃进派，其，其在自在自动驾驶技术的开发和商业模式上存在显著差异动驾驶技术的开发和商业模式上存在显著差异。以特斯拉等主机厂为代表的“渐进派”和以 Waymo、百度 Apollo 等科技公司为代表的“跃进派”。渐进派倾向于稳步前进，通过逐渐增加系统的复杂性和能力来减少风险，期待在不断的积累和迭代过程中突破瓶颈，从 L1、L2、L3 状态的“人机共驾”逐渐过渡到 L4 的无人驾驶；

4、跃进派则追求通过大胆的技术创新来加速实现完全自动驾驶的目标，直接跳过 L3 级别的瓶颈，直接以 L4 的无人驾驶为目标进行研发，通过在有限范围、特殊场景内营运来打通产品逻辑，构建智能化移动出行服务体系。以特斯拉为代表的以特斯拉为代表的“渐进派”“渐进派”的的智能驾驶已进入以数据驱动为标志的智能驾驶已进入以数据驱动为标志的 3.0时代，数据闭环成为量产落地的核心。时代，数据闭环成为量产落地的核心。在传统的模块化自动驾驶系统中，智能驾驶的实现依赖于三大关键模块：感知、决策、控制，每个模块专注于完成特定的功能，并与其他模块通过定义良好的接口交互。而特斯拉 FSD 的端到端大模型，则消除了自动驾驶系统

5、的感知和定位、决策和规划、控制和执行之间的断面，将三大模块合在一起，形成了一个大的神经网络。其采用的端到端方案采用全栈神经网络实现，直接输入传感器数据，输出转向、制动和加速信号，全程没有任何编码。随着自动驾驶级别提升和应用范围扩大，数据量急剧增长，训练、传输、存储成本也随之攀升。端到端架构将所有模块串在一起统一训练，意味着提升性端到端架构将所有模块串在一起统一训练，意味着提升性能所需的数据量和算力规模更大能所需的数据量和算力规模更大，头部智能驾驶厂商头部智能驾驶厂商的的数据闭环数据闭环能力将能力将逐步与第二梯队拉开差距逐步与第二梯队拉开差距。跃进派自动驾驶厂商则跃进派自动驾驶厂商则在特定场景下

6、，比如矿山、港口、环卫、无人物在特定场景下，比如矿山、港口、环卫、无人物流小车等赛道稳步推进，已经接近批量复制的节点。流小车等赛道稳步推进，已经接近批量复制的节点。具体到特定场景中，比如矿山场景不涉及路权问题、环境相对简单，容错率很高，无重大安全隐患；在港口场景中，道路结构化程度高，环境简单，路权问题相对容易解决。目前，这些场景普遍已不需要配备车内安全员，预计在 1-2 年内实现大规模商业化落地。不过各类应用场景由于适用环境道路和技术水平存在差异，落地规模和商业化进展不一，难以一步到位实现全地图L4 级以上自动驾驶。目前来看封闭低速载物场景在 2025 年左右可大规模商业化落地，高速载物场景则

7、在 2030 年左右方可落地，具体落地的核心推手是技术成熟度及国内的法规完善进度。投资建议投资建议：建议重点关注以下几个关键因素及其产业链相关变化从而找寻投资机会：（1）以高阶智能驾驶技术比如特斯拉的突破与用户体验的实质性提升；（2）国产智能驾驶领域的高性价比解决方案的普及速度和市场接受度；（3）整个自动驾驶技术及硬件供应商的竞争格局变化，特别是领先企业的战略调整和新兴企业的市场表现；（4）在智能驾驶渗透率提高之后，相应后服务市场的爆发。风险提示：风险提示：自动驾驶技术发展不及预期，全球宏观经济波动 Table_CompanyFinance -50%-40%-30%-20%-10%0%10%2

8、0%2023/32023/62023/9 2023/12计算机沪深300 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 2/65 计算机计算机/行业深度行业深度 目目 录录 1.1.智能驾驶是汽车驾驶发展的必然过程智能驾驶是汽车驾驶发展的必然过程.5 1.1.1.1.从电气化到电子化，自动驾驶已跨越百年历史从电气化到电子化，自动驾驶已跨越百年历史.7 1.2.1.2.“渐进派渐进派”VS“跃进派跃进派”.10 2.2.智能驾驶传感器智能驾驶传感器.13 2.1.2.1.感知类传感器感知类传感器.13 2.1.1.2.1.1.摄像头摄像头.14 2.1.2.2.1.2.超声波雷达超声

9、波雷达.17 2.1.3.2.1.3.激光雷达激光雷达.19 2.1.4.2.1.4.毫米波雷达毫米波雷达.21 2.1.5.2.1.5.传感器搭载方案传感器搭载方案.24 2.2.2.2.定位类传感器定位类传感器.27 2.2.1.2.2.1.GNSS（全球导航卫星系统）（全球导航卫星系统）.28 2.2.2.2.2.2.IMU（惯性测量单元）（惯性测量单元）.28 2.2.3.2.2.3.高精地图高精地图.29 3.3.渐进派：从特斯拉聊起渐进派：从特斯拉聊起.32 3.1.3.1.从从“模块化模块化”到到“端到端端到端”.32 3.1.1.3.1.1.模块化方案模块化方案.32 3.1.

10、1.1.3.1.1.1.第一阶段：第一阶段：2D+CNN.33 3.1.1.2.3.1.1.2.第二阶段：第二阶段：BEV+Transformer.36 3.1.1.3.3.1.1.3.第三阶段：占用网络第三阶段：占用网络.39 3.1.2.3.1.2.端到端方案端到端方案.41 3.2.3.2.规划与控制规划与控制.42 3.3.3.3.数据闭环工具链数据闭环工具链.43 3.3.1.1.3.3.1.1.数据标注数据标注.44 3.3.1.2.3.3.1.2.场景仿真场景仿真.48 4.4.跃进派：封闭低速场景逐步落地，高速场景静待政策跃进派：封闭低速场景逐步落地，高速场景静待政策.52 4

11、.1.4.1.载人场景载人场景.52 4.1.1.4.1.1.Robotaxi.52 4.1.2.4.1.2.Robobus.53 4.2.4.2.载物场景载物场景.55 4.2.1.4.2.1.干线物流干线物流.55 4.2.2.4.2.2.末端配送末端配送.56 4.3.4.3.特殊场景特殊场景.58 4.3.1.4.3.1.港口场景港口场景.58 4.3.2.4.3.2.矿区场景矿区场景.59 4.3.3.4.3.3.环卫场景环卫场景.61 5.5.投资建议投资建议.63 图表目录图表目录 图图 1：自动驾驶历史：自动驾驶历史.7 图图 2：汽车从电气化到电子化：汽车从电气化到电子化.8

12、 图图 3：自动驾驶两种研发路径：自动驾驶两种研发路径.10 图图 4：部分主机厂商自动驾驶汽车落地时间路线图：部分主机厂商自动驾驶汽车落地时间路线图.11 图图 5：摄像头探测范围：摄像头探测范围.14 图图 6：特斯拉：特斯拉 Model 3 挡风玻璃后的三个前视摄像头挡风玻璃后的三个前视摄像头.15 2VkUkZrZiXbWtQbR9R9PoMmMnPrNfQoOmPlOrQsP6MoPmMvPqMyQNZnOtN 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 3/65 计算机计算机/行业深度行业深度 图图 7：大陆集团的：大陆集团的 2019 年推出的一款前视年推出的一款前

13、视+360 度可视的多摄像头集成系统度可视的多摄像头集成系统.15 图图 8：特斯拉侧视摄像头：特斯拉侧视摄像头.16 图图 9：后视摄像头：后视摄像头.16 图图 10：内置摄像头：内置摄像头.17 图图 11：超声波雷达工作原理：超声波雷达工作原理.18 图图 12：超声波雷达探测范围：超声波雷达探测范围.18 图图 13：超声波雷达实现自动泊车功能：超声波雷达实现自动泊车功能.19 图图 14：激光雷达探测范围：激光雷达探测范围.20 图图 15：激光雷达扫描感知图：激光雷达扫描感知图.21 图图 16：毫米波雷达的工作原理：毫米波雷达的工作原理.22 图图 17：毫米波雷达测量效果：毫

14、米波雷达测量效果.22 图图 18：毫米波雷达探测范围：毫米波雷达探测范围.23 图图 19：4D 毫米波雷达与传统雷达的区别毫米波雷达与传统雷达的区别.23 图图 20：视觉派和激光雷达派代表厂商：视觉派和激光雷达派代表厂商.24 图图 21：纯视觉方案：纯视觉方案.24 图图 22：特斯拉车身摄像头搭载方案：特斯拉车身摄像头搭载方案.25 图图 23：特斯拉车身摄像头环视视野：特斯拉车身摄像头环视视野.25 图图 24：多传感器融合方案原理：多传感器融合方案原理.26 图图 25：特斯拉纯视觉路线竞争壁垒：特斯拉纯视觉路线竞争壁垒.27 图图 26：定位类传感器应用：定位类传感器应用.27

15、 图图 27：GNSS 系统构成系统构成.28 图图 28：GPS、IMU 实现高精定位工作原理实现高精定位工作原理.29 图图 29：高精地图发展历程：高精地图发展历程.29 图图 30：高精地图示例：高精地图示例.30 图图 31：高精地图在十字路口的应用：高精地图在十字路口的应用.30 图图 32：百度：百度 Apollo2.0 多传感器高精度定位实现方式多传感器高精度定位实现方式.31 图图 33：传感器与高精地图效果对比：传感器与高精地图效果对比.31 图图 34：HydraNet 网络框架网络框架.34 图图 35：特斯拉图像数据预处理：特斯拉图像数据预处理.34 图图 36：Bi

16、FPN 架构图架构图.35 图图 37：特斯拉九头蛇网络：特斯拉九头蛇网络.36 图图 38：BEV 感知效果图感知效果图.37 图图 39：后融合和特征前融合的效果差异：后融合和特征前融合的效果差异.38 图图 40：车辆数据融合的三种模式：车辆数据融合的三种模式.39 图图 41：占用网络示意图：占用网络示意图.39 图图 42：占用网络工作原理：占用网络工作原理.40 图图 43：占用网络架构：占用网络架构.41 图图 44：端到端自动驾驶工作原理：端到端自动驾驶工作原理.41 图图 45：端到端自动驾驶：端到端自动驾驶.42 图图 46：特斯拉：特斯拉 FSD 架构架构.42 图图 4

17、7：特斯拉具体轨迹得分：特斯拉具体轨迹得分.43 图图 48：数据闭环体系：数据闭环体系.44 图图 49：高精度轨迹预测：高精度轨迹预测.45 图图 50：多路径联合重建：多路径联合重建.45 图图 51：新路径自动标注：新路径自动标注.46 图图 52：自动标注算法有助于效率提升：自动标注算法有助于效率提升.46 图图 53：两种数据标注方案：两种数据标注方案.47 图图 54：SAM 如何解决如何解决 ZEROSHOT 问题问题.48 图图 55：特斯拉仿真构建的世界：特斯拉仿真构建的世界.49 图图 56：特斯拉仿真基本流程：特斯拉仿真基本流程.49 图图 57：自动驾驶仿真效果：自动

18、驾驶仿真效果.50 图图 58：自动驾驶仿真效果图：自动驾驶仿真效果图.51 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 4/65 计算机计算机/行业深度行业深度 图图 59：自动驾驶仿真中可能出现的干扰行为：自动驾驶仿真中可能出现的干扰行为.51 图图 60：萝卜快跑：萝卜快跑 Robotaxi.53 图图 61：北京示范区运行：北京示范区运行 Robobus.54 图图 62：蘑菇车联自动驾驶城市公共服务车队：蘑菇车联自动驾驶城市公共服务车队.54 图图 63：搭载自动驾驶系统智加领航的江淮汽车：搭载自动驾驶系统智加领航的江淮汽车 K7+.55 图图 64：小马智行获得广州首

19、个自动驾驶卡车编队行驶测试牌照：小马智行获得广州首个自动驾驶卡车编队行驶测试牌照.56 图图 65：小魔驼：小魔驼 3.0 末端物流自动配送车末端物流自动配送车.56 图图 66：顺丰的配送机器人：顺丰的配送机器人.57 图图 67：全球首个：全球首个“智慧零碳智慧零碳”码头天津港北疆港区码头天津港北疆港区 C 段智能化集装箱码头段智能化集装箱码头.58 图图 68：厦门远海集装箱码头东风：厦门远海集装箱码头东风“无限星无限星”第三代无人集卡编队运行第三代无人集卡编队运行.59 图图 69：小魔驼：小魔驼 3.0 末端物流自动配送车末端物流自动配送车.60 图图 70：锂业首个全矿智能绿色矿山

20、项目：锂业首个全矿智能绿色矿山项目.60 图图 71：仙途智能环卫车：仙途智能环卫车.61 图图 72：深兰科技系列环卫车：深兰科技系列环卫车.62 表表 1：ADAS 部分功能描述部分功能描述.5 表表 2：自动驾驶分级：自动驾驶分级.9 表表 3：L4 级供应商落地场景级供应商落地场景.12 表表 4：主流车型上的感知类传感器类型：主流车型上的感知类传感器类型.13 表表 5：ADAS 主要摄像头应用主要摄像头应用.14 表表 6：特斯拉感知算法迭代历程：特斯拉感知算法迭代历程.33 表表 7：CNN 与与 Transformer 模型对比模型对比.37 请务必阅读正文后的声明及说明请务必

21、阅读正文后的声明及说明 5/65 计算机计算机/行业深度行业深度 1.1.智能驾驶智能驾驶是汽车驾驶发展的必然过程是汽车驾驶发展的必然过程 智能驾驶，即智能驾驶，即 ADAS（Advanced Driver Assistance Systems），高级辅助驾驶系统，），高级辅助驾驶系统，通常指的是辅助驾驶技术的集合通常指的是辅助驾驶技术的集合；自动驾驶，即自动驾驶，即 ADS（Autonomous Driving System），），则指的是车辆能够在没有人类司机干预的情况下，完成驾驶任务的技术。则指的是车辆能够在没有人类司机干预的情况下，完成驾驶任务的技术。ADAS 技术可以帮助司机更安全、

22、更舒适地驾驶，但不完全取代司机的控制。智能驾驶系统可能包括自适应巡航控制、车道保持辅助、紧急制动辅助、交通标志识别等功能；AD 技术包括从起点到终点的整个驾驶过程没有人类司机干预，涉及环境感知、决策制定和执行控制等复杂功能。表表 1：ADAS 部分部分功能功能描述描述 功能功能 分类分类 功能功能 简称简称 功能全称功能全称 功能描述功能描述 主主 动动 安安 全全 FCW 前向碰撞预警(Front Collision Warning)监测前方车辆，判断本车和前车间距、相对速度和位置，并及时给与驾驶员警告 PCW 行人碰撞预警(Pedestrian Collision warning)监测车辆

23、前方 30m,车辆中心两侧 1.8m 的矩形区域内的行人，实时计算在车前方的行人和车子即将发生碰撞的时间(TTC)。当 TTC 一旦降低到一个危险值的时候，如车辆在 2s 内可能会撞上行人，行人碰掩预警系统将向驾驶员发出预警。BSW/BSD 盲点检测预警(Blind Spot Detection Waring)主要是为了解决后视镜的盲区，它依赖于车辆尾部两个雷达时刻监测车辆的侧后面和侧面状态，如果发现车辆位于该区域内，驾驶员将通过后视镜上盲点警告指示灯和组合仪表获得相关警告提示，避免在车道变换过程中由于后视镜盲区而发生事故。LCA 变道辅助(Lane Changing Assist)检测车辆后

24、方区域，判断后方相邻车道上车辆的相对位置、速度、方向等，驾驶员给出变道指令后进行自动变道 AEB 自动紧急刹车(Autonomous Emergency Brake)AEB 系统采用雷达测出与前车或者障碍物的距离，然后利用数据分析模块将测出的距离与警报距离、安全距离进行比较，小于警报距离时就进行警报提示，而小于安全距离时即使在驾驶员没有来得及踩制动踏板的情况下，AEB 系统也会启动，使汽车自动制动，从面为安全出行保驾护航。RCW 后向碰撞预警(Rear Collision Warning)实时监测车辆后方环境，并在可能受到后方碰撞危险时发出警告信息。SCW 侧向碰撞预警(Side Collis

25、ion Warning)实时监测车辆两侧环境，并在可能受到来自两侧碰撞危险时发出警告信息。LDW 车道偏离预警(Lane Departure Warning)-监测行车中是否在未打转向灯的前提下突然大幅度偏离当前车道。一且发现则发出声响警告对司机进行警示。这将使司机可以马上采取行动，回到原行车道上 LKA 在道保持辅助(Lane Keeping Assist)也叫车道偏离修正(Lane Departure Prevention,LDP),就是在LDW 的基础上，自动控制汽车回到当前行驶的车道。LCC 车道居中控制(Lane Centering Control)e 如果系统检测到车辆开始偏离车道

26、中心，它会自动调整方向，帮助驾驶员将车辆纠正回车道中心位置。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 6/65 计算机计算机/行业深度行业深度 泊车泊车 辅助辅助 APA 自动泊车辅助(Automated Parking Assist)在泊车入位时驾驶员仍然需要在主驾驶位，车辆自动控制泊车的方向和速度，但驾驶员要随时观察周围环境，准备踩刹车等应急操作。RPA 远程泊车轴助(Remote Parking Assist)e 泊车过程中人处于驾驶座舱之外观察环境，随时准备通过巡控器或手机 APP 进行刹车和控制，适合于停车位狭窄的场合。MPA 记忆泊车辅助(Memory Parkin

27、g Assist,MPA)依托 360 全景影像功能，实现即时定位与地图构建，实现在特定场景(比如：家庭固定停车场)中固定路线的自主泊车。AVM 全景环视监控(Around View Monitoring)通过安装在车身前后左右的 4 个超广角摄像头同时采集车辆四周的影像，经过图像处理单元矫正和拼接后，形成一幅车辆四周的 2D 或 3D 全景图，实时传送到中控台的显示设备上。驾驶员坐在车中即可直观地看到车辆所处的位置以及车辆周围的障碍物，从而操控车辆泊车入位或通过复杂路面。驾驶驾驶 舒适性舒适性 ACC 自适应巡航控制(Adaptive Cruise Control)ACC 功能将车辆保持设定

28、的最大巡航速度向前行驶。如果检测到前方有车辆，自适应巡航(ACC)将根据需要降低车速，与前车保持基于选定时间的距离，直到达到合适的巡航速度。TJA 交通拥堵辅助(Traffic Jam Assist)主要针对车速较低时(一般是 0-60Km/h),为驾驶员同时提供横向和纵向的辅助控制功能。当路面上有清晰车道线而且自车前方一定距离内没有参考车辆时，TJA功能能控制车辆以一定的车速在车道线中间位置行驶，而如果车辆前方有参考车辆时，TJA 功能能控制车辆按照前车的行驶轨迹行驶，井主动挖制自车的加减速，控制车辆和前车保持一定的时距。ICA 集成巡航辅助(Integrated Cruise Assist

29、)在车速较高时(一般大于 60Km/h)为驾驶员提供横向和纵向的辅助驾驶功能。ICA 功能基本上可以看作是ACC 和 LKA 功能的组合，控制车辆以一定的车速在车道线内行驶。ICA 和 TJA 功能不同的是，ICA 工作车速更高，而且 ICA 始终把车辆维持在车道中心附近行驶，不具备无车道线时的跟车行驶功能。ALC 自动变道辅助(Automated Lane Change Assist)当车辆处于辅助驾驶模式时(车道居中辅助 LCC 功能已激活),车速大于 65km/h,驾驶员按下左转向灯或右转向灯拨杆，自动变道辅助系统将对环境进行判断，然后辅助驾驶员将车辆驶入相邻车道。HWA 高速公路辅助(

30、Highway Assist)HWA 主要是针对高速公路驾驶的场景。该功能在ACC 自适应巡航与车道保持辅助的基础上，新增一些更高级的功能，来提高高速路自动驾驶的舒适性，比如：可根据驾驶员的触发(打转向灯)进行自动变道的ALC 功能、驾驶员状态监控(Hands on/hands off 等);低迷无车道线场景下跟随前方车辆(TJA 功能);道路标识、限速标识探测；车道线探测及车道保持等等。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 7/65 计算机计算机/行业深度行业深度 NOA 导航自动驾驶辅助(Navigate on Autopilot)特斯拉类似于 HWA 的功能，在驾驶员

31、设定了导航路线之后，车辆可以白动在高速或封闭快速路上行驶，包括但不限于自动变换车道、自动进出匝道切换高速等等。类似的功能还有蔚来 NOP、小鹏 NGP 数据来源：智能交通技术前沿，东北证券 1.1.1.1.从电气化到电子化，从电气化到电子化，自动驾驶自动驾驶已跨越已跨越百年历史百年历史“汽车自动化汽车自动化”提出至今已有近百年的历史，从最初的遥控到如今的提出至今已有近百年的历史，从最初的遥控到如今的 ADAS 及及 ADS承载了一代又一代前沿科学家对于方便人类生活出行的梦想和对智能化、高效化、承载了一代又一代前沿科学家对于方便人类生活出行的梦想和对智能化、高效化、自动化未来的展望。自动化未来的

32、展望。第一辆“自动驾驶”汽车可以追溯至 1925 年，一辆称为“美国奇迹”的汽车，通过无线电的控制来实现“自动驾驶”，类似于玩具遥控车。从此以后，人们开始研究和探索自动驾驶的概念。2004 年美国军事研究机构 DARPA 举办的无人车越野大赛中，来自斯坦福大学的 Sebastian Thrun 所带领的 Stanley 车队获得了第一名，代表了现代意义的无人驾驶萌芽。其所使用的车辆是一辆大众途锐（Touareg），搭载了微型计算机、现代标准的摄像头、雷达和激光扫描设备，能够依靠机器学习决定自己该如何前进。从此自动驾驶真正成为了互联网和制造业紧密结合的产物，是软件系统和硬件架构的完美结合；201

33、0 年代，自动驾驶技术进入了商业化阶段。一些公司推出了商用自动驾驶系统，并在一些城市进行了有限的自动驾驶汽车服务。同时，一些国家和地区开始颁布法规和政策，规范自动驾驶技术的测试和应用。目前，自动驾驶技术仍在不断发展和完善中。尽管还存在许多技术和法律挑战，但自动驾驶技术已经成为未来交通领域的重要发展方向，对改善交通安全、减少交通拥堵和提高交通效率具有重要意义。图图 1：自动驾驶历史：自动驾驶历史 数据来源：数据驱动的智能驾驶、东北证券整理 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 8/65 计算机计算机/行业深度行业深度 从电气化到电子化的过程标志着技术发展的重大转折点，这一变迁

34、不仅影响了汽车从电气化到电子化的过程标志着技术发展的重大转折点，这一变迁不仅影响了汽车工业的发展，也为自动驾驶技术的实现提供了基础。工业的发展，也为自动驾驶技术的实现提供了基础。电气化的起点可以追溯到 19 世纪末至 20 世纪初，这一时期汽车开始使用电气系统，如点火系统、照明和启动器。电气化使得汽车设计和功能得到了显著改进，提高了汽车的安全性、便利性和舒适性。电子化的发展始于 20 世纪 70 年代，随着微处理器的引入，汽车开始采用更加复杂的电子控制系统，如电子燃油喷射系统、防抱死制动系统（ABS）、电子稳定程序（ESP）和各种传感器的应用，使得汽车更加节能、环保、安全和智能。电子化的关键里

35、程碑包括引擎控制单元（电子化的关键里程碑包括引擎控制单元（ECU）的广泛使用和数字化仪表盘的引入。）的广泛使用和数字化仪表盘的引入。电气化到电子化的转变为自动驾驶技术的发展奠定了基础。自动驾驶汽车依赖于大量的电子控制系统和传感器来感知环境、做出决策并控制车辆行驶。例如，激光雷达（LiDAR）、摄像头、雷达和超声波传感器等，都是电子化技术的产物，它们为自动驾驶汽车提供了“眼睛”和“耳朵”。此外，高级驾驶辅助系统（ADAS）的发展和成熟，如自适应巡航控制、车道保持辅助和自动紧急制动，都是自动驾驶技术发展的重要步骤。随着电子技术的不断发展和完善，未来的自动驾驶汽车将更加智能、安全和高效。图图 2：汽

36、车：汽车从电气化到电子化从电气化到电子化 数据来源：博世，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 9/65 计算机计算机/行业深度行业深度 按照美国汽车工程师学会（按照美国汽车工程师学会（SAE），智能驾驶按照自动化水平分为），智能驾驶按照自动化水平分为 L0 至至 L5 六个级六个级别。别。其中 L3 级别为自动驾驶的分水岭，L3 级别以下为辅助驾驶，L3 及以上级别为自动驾驶。L3 级别的最大区别在于由人负责监控环境变为系统负责监控环境，而这导致了事故后的责任归属的改变。因此，L3 级别是智能驾驶发展的瓶颈。当然按照现在的技术模式，这种粗糙的 L0 至 L5 的

37、分类已不能完全描述目前市场中主流的智驾方案，现在也有不少主机厂的思路是按照驾驶行为进行分类，比如按照人对智能汽车的介入程度进行划分:毫秒级、秒级、分钟级、小时级等。表表 2：自动驾驶分级：自动驾驶分级 名称名称 定义定义 控制控制 感知感知 接管接管 典型功能典型功能 L0 无自动化 车辆完全由人类驾驶员控制 驾驶员 驾驶员 驾驶员 自动紧急制动系统（AEB）L1 驾驶辅助 车辆具备一些辅助功能 驾驶员 驾驶员 驾驶员 自适应巡航控制（ACC）、车道保持辅助（LCA）L2 部分自动化 车辆能在某些情况下接管驾驶，但需要驾驶员随时准备接管控制 车辆 驾驶员 驾驶员 主动驾驶辅助（ADA）L3 有

38、条件自动化 车辆在特定条件下能够完全自动驾驶，但在系统请求时，驾驶员需要接管 车辆 车辆 驾驶员 城市道路领航（NOA）L4 高度自动化 车辆在大多数情况下能够完全自动驾驶，无需人类介入 车辆 车辆 车辆 自动驾驶出租车（Robotaxi）L5 完全自动化 车辆在所有道路和环境条件下都能实现完全自动驾驶 车辆 车辆 车辆 数据来源：SAE、东北证券整理 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 10/65 计算机计算机/行业深度行业深度 1.2.1.2.“渐进派”“渐进派”VS“跃进派”“跃进派”针对自动驾驶存在的针对自动驾驶存在的 L3 级别的瓶颈，级别的瓶颈，传统传统自动驾

39、驶行业目前存在两种不同的研发自动驾驶行业目前存在两种不同的研发路径，以特斯拉等主机厂为代表的路径，以特斯拉等主机厂为代表的“渐进派渐进派”和以和以 Waymo、百度、百度 Apollo 等科技公司等科技公司为代表的为代表的“跃进派跃进派”。不过随着技术的不断推进，虽然商业模式上仍有较大区别，但是渐进派与跃进派在自动驾驶技术路线上开始慢慢走向一致：渐进派倾向于稳步前进渐进派倾向于稳步前进，通过逐渐增加系统的复杂性和能力来减少风险，期待在不断的积累和迭代过程中突破瓶颈，从 L1、L2、L3 状态的“人机共驾”逐渐过渡到 L4 的无人驾驶；跃进派则追求通过大胆的技术创新来加速实现完全自动驾驶的目标跃

40、进派则追求通过大胆的技术创新来加速实现完全自动驾驶的目标，直接跳过L3 级别的瓶颈，直接以 L4 的无人驾驶为目标进行研发，通过在有限范围、特殊场景内营运来打通产品逻辑，构建智能化移动出行服务体系。图图 3：自动驾驶两种研发路径：自动驾驶两种研发路径 数据来源：芝能汽车，东北证券 自动驾驶领域的渐进派和跃进派各有其挑战，前者的主要挑战是进入门槛相对较低自动驾驶领域的渐进派和跃进派各有其挑战，前者的主要挑战是进入门槛相对较低导致竞争激烈，后者的主要挑战是政策法规及技术成熟速度不及预期导致长期消耗导致竞争激烈，后者的主要挑战是政策法规及技术成熟速度不及预期导致长期消耗巨大。巨大。采用渐进式发展路线

41、的主要有三类公司，一类是造车新势力，包括国外的特斯拉，国内的造车新势力蔚来、理想、小鹏等，一类是传统主机厂，例如奔驰、上汽、长城等，还有一类是科技公司，包括华为等。各类势力相继下场争夺市场空间，导致竞争非常激烈，而要由渐进式最终实现无人驾驶需要确保占据一定市场规模，因此最终会有部分企业面临淘汰；而采用跨越式路线要实现落地需要同时具备技术成熟和配套的政策法规完善两大条件，其中技术成熟度层面无人驾驶面临的最大挑战是应对极端场景的处理性能，请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 11/65 计算机计算机/行业深度行业深度 而仅凭路测获取的数据要覆盖全部极端场景可能需要很长周期，因此

42、会导致最终能够实现全场景无人驾驶落地的时间不可控，在这个过程中需要消耗的资金量巨大。“渐进派渐进派”以车企为代表，其商业模式主要是通过自行造车或者与车企合作造车，根以车企为代表，其商业模式主要是通过自行造车或者与车企合作造车，根据用户现阶段的实际需求或适当引导需求逐步落地自动驾驶功能，如高速巡航、自据用户现阶段的实际需求或适当引导需求逐步落地自动驾驶功能，如高速巡航、自主泊车等，通过主泊车等，通过 OTA 软件迭代升级的模式最终自然而然过渡到完全无人驾驶。软件迭代升级的模式最终自然而然过渡到完全无人驾驶。这套模式比较重视落地成本，因此在硬件选型、供应链整合、制造水平等方面会投入较大精力。目前国

43、内量产智能驾驶产品的实现以 L2 级别以及 L2+级别智能驾驶为主，其中 L2+级别主要包括 NOA（自动辅助导航驾驶，Navigate on Autopilot）功能。智能驾驶发展的技术路径为 L2 辅助驾驶到高速 NOA 到城区 NOA，高速 NOA 为当前主机厂智驾推进目标之一，领先一代包括特斯拉、理想、小鹏等主机厂已实现城区 NOA 功能。图图 4：部分主机部分主机厂商自动驾驶汽车厂商自动驾驶汽车落地落地时间路线图时间路线图 数据来源：数据驱动的智能驾驶、东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 12/65 计算机计算机/行业深度行业深度 “跃进派跃进派”以以

44、 Waymo、百度、百度 Apollo 等科技公司为代表，由于限定场景下的自动驾驶等科技公司为代表，由于限定场景下的自动驾驶运营边界受到区域限制，且得到相关行业部门的政策鼓励，相较于全域自动驾驶，运营边界受到区域限制，且得到相关行业部门的政策鼓励，相较于全域自动驾驶，或将更早实现规模化的商业落地。或将更早实现规模化的商业落地。跃进派公司早期主要依靠资本注入，随着技术的不断发展各企业正在逐步探索商业落地之路，目前的商业模式主要有 Robotaxi、Robobus 等交通服务，以及切入特殊的场景如港口、矿山等，这类场景危险系数高，通过自动驾驶替代人工作业，以节约高额人力成本。表表 3：L4 级供应

45、商落地场景级供应商落地场景 场景场景 场景特点场景特点 场景痛点场景痛点 价值价值 代表企业代表企业 干线物流 线路固定、货运量大、运输距离远、行驶速度高 司机短缺、交通事故频发、燃油成本高、运营效率低 降低人力成本，减少燃油消耗，提升运输效率，减少事故，提升安全性。主线科技、图森未来、赢彻科技、智加科技等 末端配送 高频次、小批量、时间分散 效率低、成本高、监管难、配送人员不足 减少对快递员的需求、满足无接触配送需求降低安全隐患，降低配送成本 京东、阿里、苏宁、新石器、行深智能、智行者、毫末智行、白犀牛、一清创新等 无人巴士 线路固定、场景复杂、线网部设范围广 司机招聘难，人力成本高 完善城

46、市交通微循环体系，解决交通拥堵问题 轻舟智航、宇通客车、文远知行、百度 Apollo、深兰科技等 矿山 属于封闭园区、运行速度较低 危险系数高、安全事故频发、招工困难、人力 成本高、管理难度大 节省人力成本，提升驾驶效率，降低部件磨损 踏歌智行、易控智驾、希迪智驾、拓疆者、慧拓智能等 港口 场景相对封闭，运行速度较低、环境相对单一 天气环境恶劣、劳动强度大、人力成本高 提升效率，降低成本，提高安全性 西井科技、斯年智驾、主线科技等 机场 封闭园区 招工成本高、人工作业风险高、存在安全隐患、工作条件恶劣、人工驾驶效率低 高效、经济、安全 驭势科技、仓擎智能 无人环卫 封闭/半封闭/开放道路，市政

47、刚需 用人数量多、招聘难、管理难、成本高、安全 风险高 降低人力成本，提升安全性，降低安全风险 仙途智能、于万智驾、智行者、深兰科技、高仙机器人、酷哇机器人 等 数据来源：高工智能汽车、东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 13/65 计算机计算机/行业深度行业深度 2.2.智能驾驶传感器智能驾驶传感器 智能驾驶技术依赖于多种传感器来实现车辆的安全和有效操作。智能驾驶技术依赖于多种传感器来实现车辆的安全和有效操作。传感器主要包括感知类传感器、定位类传感器，能够收集周围的信息，包括其他车辆的位置和速度、行人、道路标志、交通灯状态和道路边界等，这些信息经过处理后，为系

48、统提供了准确的环境模型和动态变化的数据，使得车辆能够“看到”并“理解”其所处的环境。在自动驾驶系统中，传感器大致可以分为两类：感知类和定位类。感知类传感器的主要任务是收集车辆周围环境的信息，它们相当于车辆的“眼睛”和“耳朵”，帮助车辆“看到”和“听到”周围的世界，包括摄像头、超声波雷达、毫米波雷达、激光雷达（LiDAR）等。定位类传感器是一类用于测量和确定物体位置、方向或运动状态的传感器。这些传感器通常能够提供有关物体在三维空间中的坐标、方位、速度和加速度等信息，包括 GPS、IMU 等。2.1.2.1.感知类传感器感知类传感器 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、

49、超声波雷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。达、毫米波雷达等对车辆周边的环境进行实时感知。各自有独特的工作原理和作用，通过它们的数据融合，可以显著提高环境感知的准确性和可靠性。表表 4：主流车型上的感知类主流车型上的感知类传感器传感器类型类型 摄像头摄像头 超声波雷达超声波雷达 毫米波雷达毫米波雷达 激光雷达激光雷达 优势优势 成本低；采集信息丰富；分辨率高；成本低；适合近距离探测；全天候性；抗干扰能力强；探测距离较长；分辨率高；数据密度高；不受光照影响；劣势劣势 受环境影响大；对算法、算力要求高；远距离探测能力

50、差；易受环境影响；分辨率较低；分辨率较低；高度测量能力差；成本高；物体识别能力差；提供信息提供信息 环境的2D 视觉信视觉信息息 提供短距离内目标物体的距离距离信息 目标物体的距离和角距离和角度度信息 3D 环境信息，包括距离和距离和速度速度 探测范围探测范围 最远可以超过500m 3m 以内 200m 以内 200m 以内 数据来源：高工智能汽车，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 14/65 计算机计算机/行业深度行业深度 2.1.1.2.1.1.摄像头摄像头 摄像头在环境感知中的作用是提供视觉信息，如识别交通标志、信号灯、行道线等。摄像头在环境感知中的作用

51、是提供视觉信息，如识别交通标志、信号灯、行道线等。通过图像处理和计算机视觉技术，可以实现对环境中物体的分类和识别。摄像头通过捕捉光线形成图像，这些图像能够提供丰富的颜色和纹理信息，帮助系统理解环境特征。根据摄像头安装位置及其视野不同，一般分为前视、后视、环视、侧视以根据摄像头安装位置及其视野不同，一般分为前视、后视、环视、侧视以及内视摄像头。及内视摄像头。图图 5：摄像头探测范围：摄像头探测范围 数据来源：数据驱动的智能驾驶、东北证券整理 表表 5：ADAS 主要摄像头应用主要摄像头应用 安装部位安装部位 摄像头类型摄像头类型 实现功能实现功能 摄像头功能描述摄像头功能描述 前视前视 单目/双

52、目 FCW、LDW、TSR、ACC、PCW 视角一般为 45,双目摄像头拥有更好的测距功能，但需要装在两个位置，成本较单目贵 50%环视环视 X4 广角 全景泊车、LDW 广角镜头，在车辆四周装配 4 个进行图像拼接实现全景图，加入算法可实现道路线感知 后视后视 广角 后视泊车辅助 广角或鱼眼镜头，主要为倒车后视摄像头 侧视侧视 X2 广角 盲点检测、代替后视镜 盲点检测主要使用超声波雷达，但目前也有使用摄像头代替 内置内置 广角 闭眼提醒 广角镜头，一般装在车内后视镜 数据来源：智能汽车俱乐部，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 15/65 计算机计算机/行业

53、深度行业深度 前视摄像头一般在风挡玻璃、内后视镜处，用于前向驾驶辅助的摄像头，主要是为前视摄像头一般在风挡玻璃、内后视镜处，用于前向驾驶辅助的摄像头，主要是为了识别前方的道路车辆行人。了识别前方的道路车辆行人。图像传感器与 DSP 扩展的双核 MCU 配合，提供传入视频帧，进行图像处理，对道路前方情况进行监测，可以实现 FAM、LDW、ACC 等辅助驾驶功能。前视摄像头常见是单/双目摄像头，双目测距性能更好，但算法更复杂、价格更高。前视摄像头处的摄像头数量并不固定，比如特斯拉，配置了三个摄像头：前视窄视野摄像头，最大监测距离 250 米；前视主视野摄像头，最大监测距离 150 米；前视宽视野摄

54、像头，最大监测距离 60 米。前视摄像头是 ADAS 的核心摄像头，涵盖测距、物体识别、道路标线等，因此算法复杂，门槛较高。图图 6：特斯拉：特斯拉 Model 3 挡风玻璃后的三个前视摄像头挡风玻璃后的三个前视摄像头 数据来源：智能汽车俱乐部，东北证券 环视摄像头一般指安装在车辆前后车标或附近以及左右后视镜，主要用于识别停车环视摄像头一般指安装在车辆前后车标或附近以及左右后视镜，主要用于识别停车通道标识、道路情况和周围车辆状况。通道标识、道路情况和周围车辆状况。环视摄像头使用多个摄像头的图像进行拼接，可以为车辆提供 360 度成像。现阶段，前视与环视是最广泛的摄像头应用。图图 7：大陆集团的

55、：大陆集团的 2019 年推出的一款前视年推出的一款前视+360 度可视的多摄像头集成系统度可视的多摄像头集成系统 数据来源：智能汽车俱乐部，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 16/65 计算机计算机/行业深度行业深度 侧视摄像头一般安装于左右后视镜处或下方车身处，主要用于侧视摄像头一般安装于左右后视镜处或下方车身处，主要用于 BSD（Blind Spot Detection，盲区监视系统）。，盲区监视系统）。根据安装位置可以实现前视或后视作用。目前大部分主机厂会选择安装在汽车两侧的后视镜下方的位置。未来可能会将传统的光学后视镜用摄像头取代，变成应用 CMS

56、摄像头的电子后视镜。图图 8：特斯拉侧视摄像头：特斯拉侧视摄像头 数据来源：搜狐网，东北证券 后视摄像头一般安装在尾箱或后挡风玻璃上，主要是用于倒车过程中，便于驾驶员后视摄像头一般安装在尾箱或后挡风玻璃上，主要是用于倒车过程中，便于驾驶员对车尾后面影像的捕捉，实现泊车辅助功能。对车尾后面影像的捕捉，实现泊车辅助功能。图图 9：后视摄像头：后视摄像头 数据来源：智能汽车俱乐部，东北证券 内置摄像头无固定位置，方向盘中、内后视镜上方、内置摄像头无固定位置，方向盘中、内后视镜上方、A 柱或集成于仪表显示屏处均柱或集成于仪表显示屏处均有。有。车内摄像头 DMS（Driver Monitoring Sy

57、stem，驾驶员监控系统）是一种安装在汽车内部的摄像头系统，旨在监控驾驶员的状态和行为，以提高驾驶安全性和舒适 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 17/65 计算机计算机/行业深度行业深度 性。DMS 通常采用计算机视觉技术来识别和分析驾驶员的面部特征和行为，以检测驾驶员的疲劳、分心、打哈欠、闭眼、低头看手机等异常行为，并提供及时的警告或干预措施。图图 10：内置摄像头：内置摄像头 数据来源：大陆集团，东北证券 摄像头摄像头目前是自动驾驶中最主流的传感设备，目前是自动驾驶中最主流的传感设备，在自动驾驶的应用中具有采集信息丰在自动驾驶的应用中具有采集信息丰富、分辨率高、成

58、本低的优势，然而也存在受光照和天气影响、对算法要求高等问富、分辨率高、成本低的优势，然而也存在受光照和天气影响、对算法要求高等问题。题。摄像头可以提供丰富的视觉信息，包括颜色、形状、纹理等，能够对周围环境进行更为直观和全面的感知，且具有很高的分辨率，能够捕捉到细微的细节和特征，有助于对道路标志、行人、车辆等目标进行精确识别。相比于一些其他传感器如激光雷达、毫米波雷达，摄像头的成本相对较低，使其成为实现自动驾驶的经济有效选择。然而，摄像头在恶劣的光照条件下（如强烈阳光、雨雪、雾等）容易受到干扰，降低图像质量和识别准确度。由于道路上的环境复杂多变，摄像头对于目标的识别和跟踪需要更复杂的算法和处理技

59、术，对系统的计算资源和处理能力要求较高。2.1.2.2.1.2.超声波雷达超声波雷达 超声波雷达主要用于近距离物体检测和测距，主要用于停车辅助、低速碰撞避免等超声波雷达主要用于近距离物体检测和测距，主要用于停车辅助、低速碰撞避免等场景。场景。它对于小物体和近距离障碍物特别有效。超声波雷达通过超声波发射装置向外发出超声波，并通过接收器接收到发送过来超声波时的时间差来测算距离。目前，常用探头的工作频率有 40kHz,48kHz 和 58kHz 三种。一般来说，频率越高，灵敏度越高，但水平与垂直方向的探测角度就越小，故一般采用 40kHz 的探头。超声波雷达防水、防尘即使有少量的泥沙遮挡也不影响。探

60、测范围在 0.1-3 米之间，而且精度较高，因此非常适合应用于泊车。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 18/65 计算机计算机/行业深度行业深度 图图 11：超声波雷达工作原理：超声波雷达工作原理 数据来源：汽车产业前线观察，东北证券 常见的超声波雷达有两种，常见的超声波雷达有两种，UPA 和和 APA。UPA 通常安装在汽车前后保险杠上作为倒车雷达，其探测距离一般在 15250cm 之间，主要用于测量汽车前后方的障碍物。APA 通常安装在汽车侧面，用于测量侧方障碍物距离，探测距离一般在 30500cm之间。APA 的探测范围更远，因此相比于 UPA 成本更高，功率也更

61、大。图图 12：超声波雷达探测范围：超声波雷达探测范围 数据来源：数据驱动的智能驾驶、东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 19/65 计算机计算机/行业深度行业深度 超声波雷达具有成本低、适用于近距离探测等优势，适用于一些低成本、近距离探超声波雷达具有成本低、适用于近距离探测等优势，适用于一些低成本、近距离探测的应用场景，例如自动泊车，然而其探测范围有限、易受环境影响以及分辨率较测的应用场景，例如自动泊车，然而其探测范围有限、易受环境影响以及分辨率较低等劣势也需要考虑。低等劣势也需要考虑。超声波传感器成本只需要几元人民币，在近距离探测方面表现良好，通常能够精确地

62、测量距离，并且在距离较近的情况下具有较高的分辨率。与光学传感器相比，超声波传感器不受光照条件的影响，因此可以在光照较弱或全黑的环境下正常工作。然而，超声波传感器的探测范围相对较短，通常在几米到十几米之间，因此在远距离目标探测方面表现较差。同时，其性能易受环境因素的影响，如温度、湿度和空气密度等因素可能影响超声波的传播速度和反射特性，从而影响传感器的测量精度。超声波传感器在目标识别和分类方面的分辨率相对较低，难以区分不同类型的目标，特别是在复杂环境下。图图 13：超声波雷达实现自动泊车功能：超声波雷达实现自动泊车功能 数据来源：汽车产业前线观察，东北证券 2.1.3.2.1.3.激光雷达激光雷达

63、 激光雷达（激光雷达（LiDAR）主要用于提供高精度的距离测量和三维空间信息，能够精确识）主要用于提供高精度的距离测量和三维空间信息，能够精确识别和定位道路上的车辆、行人、障碍物等，特别是在复杂的交通环境中。别和定位道路上的车辆、行人、障碍物等，特别是在复杂的交通环境中。激光雷达通过发射激光束并测量其返回的反射信号来获取物体的距离和位置，然后将这些数据转换为离散的三维坐标点，形成点云数据。点云数据通常以直角坐标系表示，每个点都对应着空间中的一个位置，并包含有关该位置的附加信息，如反射强度、法向量等。通过对点云数据进行处理和分析，可以实现对周围环境的感知和理解，包括识别障碍物、建筑物、道路标记等

64、目标，从而支持自动驾驶、机器人导航、地图构建等应用。这些点云数据合在一起可以构建出环境的三维模型。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 20/65 计算机计算机/行业深度行业深度 图图 14：激光雷达探测范围：激光雷达探测范围 数据来源：数据驱动的智能驾驶、东北证券 激光雷达具有分辨率高、精度高、三维感知、数据密度高、不受光照影响的优势，激光雷达具有分辨率高、精度高、三维感知、数据密度高、不受光照影响的优势，适用于处理近处高精度的建模，劣势在于其成本高昂、有盲区、物体识别能力较差。适用于处理近处高精度的建模，劣势在于其成本高昂、有盲区、物体识别能力较差。由于激光波长比毫米波

65、短 3 个数量级，因此分辨率精度比毫米波强很多，可以清楚地识别周围的车辆、行人与障碍物。激光雷达可以提供非常精确的距离测量，通常能够达到亚厘米级别的精度，并提供激光雷达可以提供非常精确的距离测量，通常能够达到亚厘米级别的精度，并提供精确的三维环境地图，包括障碍物的高度、形状和位置等信息。精确的三维环境地图，包括障碍物的高度、形状和位置等信息。与摄像头不同，激光雷达不受光照条件的影响，因为它是通过测量激光的反射来工作的。这使得它在夜间或恶劣天气条件下也能够正常工作。激光雷达能够以高频率采集数据，产生高密度的点云，从而提供更加详细和准确的环境信息。激光雷达激光雷达会因为发射角度和方向存在一定的视野

66、盲区，因此通常需要和其他传感器会因为发射角度和方向存在一定的视野盲区，因此通常需要和其他传感器配合使用配合使用。激光雷达的工作原理导致其在某些情况下会有盲区，比如在高速移动时可能会因为激光束的角度限制而无法完整地探测到障碍物。激光雷达主要提供距离信息，对于物体的识别能力相对有限，通常需要与其他传感器如摄像头配合使用才能实现更准确的目标识别和分类。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 21/65 计算机计算机/行业深度行业深度 图图 15：激光雷达扫描感知图：激光雷达扫描感知图 数据来源：北京市高级别自动驾驶示范区，东北证券 2.1.4.2.1.4.毫米波雷达毫米波雷达 毫米

67、波雷达主要用于测量物体的距离和相对速度，主要用于自适应巡航控制（毫米波雷达主要用于测量物体的距离和相对速度，主要用于自适应巡航控制（ACC）和碰撞预警系统。和碰撞预警系统。毫米波雷达是一种利用毫米波进行探测的雷达系统，其工作原理主要基于雷达的发射、接收和信号处理过程。毫米波雷达系统首先通过天线发射一束毫米波信号。这些毫米波信号具有很高的频率，通常在 30 GHz 到 300 GHz 之间，波长很短，约为 1 毫米到 10 毫米。发射的毫米波信号在空间中传播，遇到目标物体时会一部分被反射回来，在这个过程中，出现多普勒效应，即当物体与车载传感器相对运动的时，反射波的频率会发生变化。当物体靠近车辆的

68、时候，频率会增高；物体远离车辆的时候，频率会降低。通过测量反射波的频率差，我们可以得到目标物的速度。因此，接收天线接收被目标反射回来的毫米波信号，包括了目标物体的距离、速度、角度等信息。接收到的毫米波信号经过信号处理单元进行处理。这个处理过程包括了对信号的放大、滤波、时域分析和频域分析等步骤。通过对接收到的信号进行处理，可以提取出目标物体的距离、速度和方向等信息。总的来说，毫米波雷达通过发射和接收毫米波信号，并对接收到的信号进行处理和分析，可以实现对目标物体的距离、速度和方向等信息的检测和识别。这种工作原理使得毫米波雷达在自动驾驶、车辆防撞、安全监测等领域有着广泛的应用。请务必阅读正文后的声明

69、及说明请务必阅读正文后的声明及说明 22/65 计算机计算机/行业深度行业深度 图图 16：毫米波雷达的工作原理：毫米波雷达的工作原理 数据来源：小白学视觉，东北证券 毫米波雷达具有全天候性、长距离探测能力、高精度和穿透性强等优势，尤其在自毫米波雷达具有全天候性、长距离探测能力、高精度和穿透性强等优势，尤其在自动驾驶、车辆防撞等领域有着广泛的应用。动驾驶、车辆防撞等领域有着广泛的应用。毫米波雷达作为主动感知设备不受光照条件的限制，可以在白天、黑夜以及恶劣天气条件下（如雨雪、雾霾等）正常工作，因此具有全天候性，相比于红外传感器和超声波传感器，毫米波雷达具有更远的探测距离，通常可以探测数百米甚至几

70、公里之外的目标，这对于远距离目标探测和追踪具有明显优势。毫米波雷达具有较高的测量精度，能够提供较准确的目标位置和速度信息，尤其在对小目标的探测方面表现优异。与光学传感器（如摄像头）相比，毫米波雷达不受光照强度、方向和波长等因素的影响，因此在复杂光照条件下具有稳定的性能。毫米波信号在大气和某些物质（如雨雪、雾霾等）中的穿透性较好，因此毫米波雷达可以检测被遮挡的目标，对于目标检测和定位具有一定的优势。图图 17：毫米波雷达测量效果：毫米波雷达测量效果 数据来源：ADAS 之眼，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 23/65 计算机计算机/行业深度行业深度 然而，传统

71、毫米波雷达（然而，传统毫米波雷达（3D 毫米波雷达）分辨率相对较低、高度测量能力不佳、目毫米波雷达）分辨率相对较低、高度测量能力不佳、目标识别能力有限。标识别能力有限。传统毫米波雷达准确性较低，存在如误报、虚假目标、多径等影响因素。同时，在测量目标高度上性能不佳，通常只包含距离、方位和速度信息，且存在杂波、噪声和低分辨率等问题，特别是在角度维度上，这最终限制了它在复杂感知任务中的适用性。而且传统毫米波雷达点云非常稀疏，没有语义信息，对周围环境的感知能力很差，与光学传感器相比，其在目标识别和分类方面的分辨率可能相对较低，难以识别物体的具体特征。图图 18：毫米波雷达探测范围：毫米波雷达探测范围

72、数据来源：东北证券 4D 毫米波雷达是传统雷达的升级版，可以测量四种类型的目标信息：距离、方位、毫米波雷达是传统雷达的升级版，可以测量四种类型的目标信息：距离、方位、高度高度(俯仰角俯仰角)和速度。和速度。传统毫米波雷达可以检测物体的水平方位角（Azimuth）、距离和速度，在此基础上，4D 毫米波雷达还能够处理俯仰方位角信息，即四维数据，4D毫米波雷达可以实现类似于激光雷达的成像功能。在汽车应用场景中，由于缺乏高度信息，传统雷达在视角上只有一个平面，无法区分目标物体是在路上还是在空中，这使得毫米波雷达无法有效发挥作用，尤其是在静态物体识别方面。4D 毫米波雷达可以捕捉汽车周围目标的空间坐标和

73、速度信息，还能计算目标的俯仰角信息，进而提供汽车周围的环境信息，规划出逼真的行驶路径。图图 19：4D 毫米波雷达与传统雷达的区别毫米波雷达与传统雷达的区别 数据来源：NXP，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 24/65 计算机计算机/行业深度行业深度 2.1.5.2.1.5.传感器搭载方案传感器搭载方案 在自动驾驶技术路径主要分为在自动驾驶技术路径主要分为“纯视觉方案纯视觉方案”和和“融合感知方案融合感知方案”，主要围绕自动驾驶，主要围绕自动驾驶车辆如何感知环境这一核心问题展开。车辆如何感知环境这一核心问题展开。这两个派别分别强调了摄像头（视觉系统）和雷达技

74、术（主要是激光雷达，也包括毫米波雷达）在自动驾驶车辆的感知系统中的作用和重要性。图图 20：视觉派和激光雷达派代表厂商：视觉派和激光雷达派代表厂商 数据来源：量子位智库，东北证券 以特斯拉为代表的视觉派不搭载激光雷达，认为摄像头捕捉的图像和视频能够提供以特斯拉为代表的视觉派不搭载激光雷达，认为摄像头捕捉的图像和视频能够提供与人类视觉类似的丰富环境信息，包括颜色、纹理、形状等，这对于理解复杂的交与人类视觉类似的丰富环境信息，包括颜色、纹理、形状等，这对于理解复杂的交通场景至关重要。通场景至关重要。通过高级的图像处理和计算机视觉技术，车辆可以识别交通标志、信号灯、行人、其他车辆以及各种道路条件。纯

75、视觉方案的支持者认为，随着深度学习和人工智能技术的进步，摄像头系统足以提供必要的信息来实现高级别的自动驾驶功能，而且成本相对较低，有利于大规模商业化。图图 21：纯视觉方案：纯视觉方案 数据来源：特斯拉，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 25/65 计算机计算机/行业深度行业深度 特斯拉的感知方案采用的是纯视觉方案。特斯拉的感知方案采用的是纯视觉方案。目前特斯拉 Model 3/Y 共采用 9 个摄像头分布在车体四周：前视摄像头 3 个，位于前挡风玻璃上方，分别为主视摄像头、鱼眼镜头、长焦距镜头；后视摄像头 1 个，位于后车牌上方；左右两侧各有 2 个摄像头，

76、分别为侧方前视摄像头和侧方后视摄像头；图图 22：特斯拉车身摄像头搭载方案：特斯拉车身摄像头搭载方案 数据来源：特斯拉，东北证券 通过通过 8 个摄像头，特斯拉可以整体实现个摄像头，特斯拉可以整体实现 360 度全局环视视野，最大监测距离可以达度全局环视视野，最大监测距离可以达到到 250 米。米。摄像头捕获环境中的视觉信息经过一系列神经网络模型的处理，最终输出 3D 场景下的“矢量空间”，用于后续规划和智驾系统。“矢量空间”（Vector Space）技术同时兼具非凸优化算法（Non-convex）、高维度两大优势，可以通过 8 个摄像头输入的数据为基础绘制 3D 鸟瞰视图，形成 4D 的空

77、间和时间标签的“路网”以呈现道路等信息，帮助车辆把握驾驶环境，更精准的寻找最优驾驶路径。图图 23：特斯拉车身摄像头环视视野：特斯拉车身摄像头环视视野 数据来源：特斯拉，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 26/65 计算机计算机/行业深度行业深度 以蔚小理以蔚小理为代表的融合感知方案则采用了多传感器融合的方法，结合了摄像头、激为代表的融合感知方案则采用了多传感器融合的方法，结合了摄像头、激光雷达、毫米波雷达和其他传感器的优点，以达到最佳的环境感知效果。光雷达、毫米波雷达和其他传感器的优点，以达到最佳的环境感知效果。通过融合不同传感器的优势，可以弥补单一传感器的

78、不足，提高感知的准确性和可靠性。通过融合激光雷达的精确距离测量、摄像头的丰富视觉信息以及毫米波雷达的速度检测能力，系统能够获得更全面、更准确的环境感知结果。例如，在复杂的城市环境中，摄像头可能因为光线问题而识别不清交通标志，而激光雷达可以提供准确的距离信息，毫米波雷达则可以确保在恶劣天气条件下也能进行有效感知。综合利用这些传感器的优势，智能驾驶系统能够实现更安全、更有效的导航和驾驶辅助功能，为自动驾驶车辆的发展奠定了坚实的基础。图图 24：多传感器融合方案：多传感器融合方案原理原理 数据来源：3D 视觉工坊，东北证券 两条感知路线成本、技术难度方面各有优劣。两条感知路线成本、技术难度方面各有优

79、劣。成本方面，相比于激光雷达和毫米波雷达，摄像头的成本是最低的，单目相机的价格一般低于 100 美元，而激光雷达的价格现在大约在 5000 美元以内，纯视觉方案单车传感器成本低于多传感器融合方案。从技术难度方面看，多传感器方案的复杂度主要体现在融合层，由于不同传感器特性不同，所采集的数据类型也有很大差异，要将不同模态的数据统一映射到同一个空间，需要考虑融合错位、信息丢失、误差累加等问题，同时还需要解决当不同传感器感知结果不同时，应该选择信任谁的问题。而纯视觉方案的难度主要体现在数据的算法加工处理上，由于都是通过摄像头采集的同模态数据，在数据融合层面困难度比多传感器方案要小得多，但是由于摄像头自

80、身能力的局限性，需要设计更为复杂的算法模型，从摄像头数据中识别到目标信息，例如对距离的计算、在恶劣环境下的识别能力等，这需要海量数据、复杂算法、大量算力作为支撑，因此纯视觉路线的门槛和壁垒极高。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 27/65 计算机计算机/行业深度行业深度 图图 25：特斯拉纯视觉路线竞争壁垒：特斯拉纯视觉路线竞争壁垒 数据来源：汽车之心，东北证券 我们认为两种方案的区别更多的是成本和发展时间上所导致了差异，而并非方案的我们认为两种方案的区别更多的是成本和发展时间上所导致了差异，而并非方案的优劣优劣。特斯拉是纯视觉的鼻祖，到今天一直坚持不用激光雷达，核心原

81、因是在于其的 技 术 领 先 性。特 斯 拉 在 在 实 现 城 市NOA时，可 以 单 纯 的 借 助BEV+Tranformer+Occupancy来实现道路拓扑、通用障碍物的识别等任务。相比特斯拉的纯视觉方案，不过国内车企引入激光雷达，不仅会减少一定的算法开发压力，还能减少更多的隐形成本支出，在感知算法层面加速超车纯视觉方案，尽快实现高阶智驾。从商业角度来看，特斯拉纯摄像头的方案在感知方面成本更低但是芯片成本更好，激光雷达方案则相对来说感知成本更高但是却可以用算力成本更低的芯片完成整车智能，在目前国内市场芯片紧缺的今天，这也不失为一种优秀的解决方案。2.2.2.2.定位类传感器定位类传感

82、器 定位类传感器是一类用于测量和确定物体位置、方向或运动状态的传感器。这些传定位类传感器是一类用于测量和确定物体位置、方向或运动状态的传感器。这些传感器通常能够提供有关物体在三维空间中的坐标、方位、速度和加速度等信息。感器通常能够提供有关物体在三维空间中的坐标、方位、速度和加速度等信息。自动驾驶要实现高精度定位，需要通过 GNSS 提供绝对位置，IMU 提供相对位置，而高精地图可以用于环境感知，能够与激光雷达、摄像头等感知设备输出结果形成冗余，提高识别的准确度。图图 26：定位类传感器应用：定位类传感器应用 数据来源：中测网，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明

83、28/65 计算机计算机/行业深度行业深度 2.2.1.2.2.1.GNSS（全球导航卫星系统）（全球导航卫星系统）GNSS（全球导航卫星系统）通过接收来自地球轨道上多颗导航卫星的信号，使用（全球导航卫星系统）通过接收来自地球轨道上多颗导航卫星的信号，使用三角测量法计算出接收器的精确位置（包括纬度、经度和高度）和时间信息，是一三角测量法计算出接收器的精确位置（包括纬度、经度和高度）和时间信息，是一种利用卫星信号来提供地面、海面或空中用户全球范围内的定位、导航和时间测量种利用卫星信号来提供地面、海面或空中用户全球范围内的定位、导航和时间测量服务的系统。服务的系统。GNSS 是一个总称，它包括美国

84、的 GPS、俄罗斯的 GLONASS、欧洲的 Galileo 和中国的北斗导航系统。广泛应用于汽车导航、航海、航空、户外探险、军事和科研等领域。优点在于全球覆盖，能在大部分地区提供定位服务；精度较高，通常定位精度在几米范围内；易于使用，不需要用户安装特殊设备。缺点在于在室内、隧道和城市的高楼大厦之间可能无法接收到卫星信号；受到大气条件、电磁干扰等因素的影响。GPS 指全球定位系统（Global Positioning System，GPS）是一种以空中卫星为基础的高精度无线电导航的定位系统。GPS 主要应用于导航定位，自问世以来就以其高精度、全天候、全球覆盖、方便灵活吸引了众多用户。图图 27

85、：GNSS 系统构成系统构成 数据来源：中测网，东北证券 2.2.2.2.2.2.IMU（惯性测量单元）（惯性测量单元）IMU（惯性测量单元，（惯性测量单元，Inertial Measurement Unit）是一种电子装置，通常由陀螺仪、）是一种电子装置，通常由陀螺仪、加速计、算法处理单元三部分组成，用于测量和监测车辆的加速度、角速度和方向加速计、算法处理单元三部分组成，用于测量和监测车辆的加速度、角速度和方向等信息。等信息。在自动驾驶系统中，IMU 起着至关重要的作用，它能够提供车辆当前的姿态、运动状态和位置等关键数据。以牛顿力学定律为基础，通过测量载体在惯性参考系的加速度，将它对时间进行

86、积分，且把它变换到导航坐标系中，就能够得到在导航坐标系中的速度、偏航角和位置等信息。INS（惯性导航系统）是一种不依赖外部参考的自主导航系统，通过测量设备上的加速度计和陀螺仪的数据来计算设备的移动速度和方向，然后积分这些数据来估算位置变化。广泛应用于飞机、舰船、潜艇、导弹以及一些地面车辆的导航和控制系统。优点在于可以在没有外部信号的情况下工作，适用于极端环境；隐蔽性好，不容易被干扰或侦测。缺点在于随着时间的推移，误差会累积增加；成本较高，需要使用精密的传感器。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 29/65 计算机计算机/行业深度行业深度 图图 28：GPS、IMU 实现高

87、精定位工作原理实现高精定位工作原理 数据来源：焉知汽车，东北证券 2.2.3.2.2.3.高精地图高精地图 高精地图（高精地图（High-Definition Maps,HD Maps）是自动驾驶汽车使用的一种详细地图，）是自动驾驶汽车使用的一种详细地图，它提供比传统导航地图更高精度的道路、车道和环境特征信息。它提供比传统导航地图更高精度的道路、车道和环境特征信息。不仅包括道路几何形状和语义信息，还包括道路参与者的实时感知、天气状况、工作区域和事故的更新等数据。高精地图可以帮助自动驾驶系统精确定位自身位置，理解和预测周围环境，从而安全地导航和驾驶。图图 29：高精地图发展历程：高精地图发展历程

88、 数据来源：自动驾驶之心，东北证券 根据百度 Apollo，高清地图中包括五个不同的元素：道路元素包含道路边界、车道类型和车道行驶方向等特征；相交元素具有相交边界；交通信号元素包括交通信号灯和标志；逻辑关系元素包含交通规则；其他要素包括人行横道、路灯和建筑物。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 30/65 计算机计算机/行业深度行业深度 图图 30：高精地图示例：高精地图示例 数据来源：HERE，东北证券 高精地图在自动驾驶中可以提供精确的地理信息、用于传感器校准和定位、支持高高精地图在自动驾驶中可以提供精确的地理信息、用于传感器校准和定位、支持高级路径规划。级路径规划。

89、高精度地图提供准确的道路几何结构、车道标记、交通信号等地理信息，有助于自动驾驶系统准确地感知和理解周围环境；通过与地图进行比较，可以纠正传感器输出的误差，提高系统的定位准确性；高精度地图提供了详细的道路信息和交通规则，使得自动驾驶系统能够进行更精确的路径规划和决策，从而提高行驶的效率和安全性。图图 31：高精地图在十字路口的应用：高精地图在十字路口的应用 数据来源：EV 视界，东北证券 高精地图用于环境感知，能够与激光雷达、摄像头等感知设备输出结果形成冗余，高精地图用于环境感知，能够与激光雷达、摄像头等感知设备输出结果形成冗余，提高识别的准确度。提高识别的准确度。在自动驾驶“感知-决策-执行”

90、流程中，感知层中，车辆通过摄像头、毫米波雷达、激光雷达等设备获取周围场景信息，实现周围感知；将周围场景信息与高精度地图进行比对，确定车辆相对位置，并通过 GNSS、RTK 定位、惯性导航系统确定自身姿态、速度和绝对位置，共同实现自我感知。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 31/65 计算机计算机/行业深度行业深度 图图 32：百度：百度 Apollo2.0 多传感器高精度定位实现方式多传感器高精度定位实现方式 数据来源：焉知汽车，东北证券 不过不过由于高精地图存在成本高、更新周期长等问题，一部分企业选择由于高精地图存在成本高、更新周期长等问题，一部分企业选择“重感知、轻

91、地重感知、轻地图图”方案方案，也就是基本不用高精地图，而使用常规路图方案，也就是基本不用高精地图，而使用常规路图方案。高精地图的测绘需要资质，自然资源部下发的 关于促进智能网联汽车发展维护测绘地理信息安全的通知规定高精地图测绘制作只能由具备导航电子地图制作甲级资质的单位进行。2022 年，共有 19 家单位通过资质复审；图商需要使用上百台专业移动测量采集设备获取信息，设备的使用成本高。信息经过加密处理和审核后才能被使用，流程长，导致信息容易过时，实际的道路信息可能与地图数据不符，这也会导致汽车在使用时的风险提高。图图 33：传感器与高精地图效果对比：传感器与高精地图效果对比 数据来源：汽车族杂

92、志，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 32/65 计算机计算机/行业深度行业深度 3.3.渐进派渐进派：从特斯拉聊起：从特斯拉聊起 特斯拉的全自动驾驶（特斯拉的全自动驾驶（Full Self-Driving,FSD）是一套旨在实现完全自动驾驶能力）是一套旨在实现完全自动驾驶能力的高级辅助驾驶系统，的高级辅助驾驶系统，FSD 系统包括一系列的软件和硬件技术，使得特斯拉汽车能系统包括一系列的软件和硬件技术，使得特斯拉汽车能够在没有人类司机干预的情况下进行驾驶，其功能旨在处理各种驾驶场景，包括城够在没有人类司机干预的情况下进行驾驶，其功能旨在处理各种驾驶场景，包括城

93、市街道驾驶、高速公路驾驶以及停车。市街道驾驶、高速公路驾驶以及停车。特斯拉在 FSD 系统中通过数据驱动，并应用了大量 AI 算法，例如环境感知算法、路径及运动规划算法、自动标注算法、环境虚拟仿真、数据引擎等。下面将分别按照感知网络架构、规划与控制、数据闭环解析特斯拉目前实现 FSD 的技术栈。3.1.3.1.从“模块化”到“端到端”从“模块化”到“端到端”自动驾驶大模型的发展可以分为三个阶段：1.0 时代:模块化自动驾驶，在感知层面使用大模型（Transformer）；2.0 时代:模块化自动驾驶，感知、决策、控制模块都用大模型；3.0 时代：端到端大模型 由于特斯拉智能驾驶发展水平在行业中

94、处于领先地位，且是其他众多后来者的学习由于特斯拉智能驾驶发展水平在行业中处于领先地位，且是其他众多后来者的学习对象，因此对象，因此本文本文通过分析特斯拉的智能驾驶发展历程来通过分析特斯拉的智能驾驶发展历程来解释解释智能驾驶的演化路径。智能驾驶的演化路径。2016 年至今，特斯拉从 1.0 时代发展至 2.0 时代，其感知算法经历了 2D+CNN 到BEV+Transformer 到占用网络的历程，而其即将发布的 FSD V12 将采用端到端结构。3.1.1.3.1.1.模块化方案模块化方案 在传统的模块化自动驾驶系统中，智能驾驶的实现依赖于三大关键模块：感知、决在传统的模块化自动驾驶系统中，智

95、能驾驶的实现依赖于三大关键模块：感知、决策、控制策、控制，每个模块专注于完成特定的功能，并与其他模块通过定义良好的接口交互。感知是智能驾驶系统识别和理解周围环境的能力感知是智能驾驶系统识别和理解周围环境的能力。通过车载传感器，如摄像头、雷达（包括毫米波雷达、激光雷达（LiDAR）等），系统能够收集周围的信息，包括其他车辆的位置和速度、行人、道路标志、交通灯状态和道路边界等。这些信息经过处理后，为系统提供了准确的环境模型和动态变化的数据，使得车辆能够“看到”并“理解”其所处的环境；决策是智能驾驶系统根据感知到的环境信息，规划车辆的行动策略决策是智能驾驶系统根据感知到的环境信息，规划车辆的行动策略

96、。这包括路径规划、避障策略、速度调整和交通规则的遵守等。在决策过程中，系统需要综合考虑多种因素和约束条件，如目的地、最优路径、安全距离、车辆动态特性等，以确保行驶的安全性和效率。决策过程通常依赖于复杂的算法和模型，包括机器学习和人工智能技术，以模拟人类司机的决策过程；控制是实现智能驾驶系统决策的过程，通过对车辆的操控系统（如转向、加速控制是实现智能驾驶系统决策的过程，通过对车辆的操控系统（如转向、加速和制动）的精确控制，来执行决策系统规划的行动和制动）的精确控制，来执行决策系统规划的行动。控制系统必须能够准确、迅速地响应决策系统的指令，确保车辆按照预定的路径安全行驶，同时能够应对突发事件和复杂

97、环境的挑战。控制系统的设计和优化是确保智能驾驶车辆性能稳定、响应灵敏的关键因素。模块化自动驾驶的优点在于由于系统被分解成独立的模块，每个模块的设计、实现模块化自动驾驶的优点在于由于系统被分解成独立的模块，每个模块的设计、实现和测试可以单独进行，系统可解释性和可验证性强和测试可以单独进行，系统可解释性和可验证性强；由于可以独立更新或替换系统中的单个模块，以引入新技术或优化特定功能，而不必重新设计整个系统，其灵活性和可扩展性强；因为问题通常可以被限制在单个模块内，不会影响到整个系统的运作，模块化设计可以提高系统的容错性。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 33/65 计算机计

98、算机/行业深度行业深度 表表 6：特斯拉感知算法迭代历程：特斯拉感知算法迭代历程 时间时间 2016-2019 2020 2021-2022 感知方案 2D+CNN BEV+Transformer 占用网络 数据输入 2D 图像 多张图片 视频 数据标注方式 人工标注 自动标注 4D 自动标注 数据输出形式 2D 静态 BEV 鸟瞰图 3D 占用网络+时序信息 数据来源：汽车之心，东北证券 3.1.1.1.3.1.1.1.第一阶段：第一阶段：2D+CNN 2016-2018 年年,特斯拉使用常规的骨干网结构，使用特斯拉使用常规的骨干网结构，使用 2D 检测器进行特征提取，训练检测器进行特征提取

99、，训练数据为人工标注。数据为人工标注。这是一种相对比较原始和传统的模型学习和训练方式。在这个时期，自动驾驶的目标检测核心结构为 Backbone（骨干网）结构，其通用的网络结构为：InputbackboneneckheadOutput，各个部分的功能概述如下：输入（Input）：这是网络的开始，指的是输入到模型中的原始数据，比如图像或视频帧。在这个时期，输入数据为 2D 图像。主干网络（Backbone）：主干网络是模型的基础部分，负责从输入数据中提取基础特征。这些特征是后续步骤进行更细致处理的基础。常见的主干网络包括VGG、ResNet、Inception 和 MobileNet 等。主干网

100、络的选择依赖于特定任务的需求，如准确性、计算效率等。颈部网络（Neck）：颈部网络是位于主干网络和检测头之间的可选部分，其主要目的是进一步加工和优化特征。颈部网络可以进行特征融合、特征金字塔构建（如 FPN，特征金字塔网络）等操作，以增强模型对不同尺度目标的检测能力。检测头（Head）：检测头是模型的末端部分，负责根据经过处理的特征完成具体的任务，如分类、定位、边界框回归等。在目标检测任务中，检测头可能包括分类器和回归器，用于识别图像中的对象及其位置。在不同的应用中，检测头的设计和任务会有所不同。输出（Output）：这是模型的最终产出，在这个时期，输出内容为 2D 图像空间下检测结果。当时，

101、业内自动驾驶视觉神经网络都只有一个 head，只能同时完成一项检测任务。然而，在实际的驾驶任务中，通常有多项并行任务需要在一个神经网络中完成，例如车道线检测、人物检测等等。因此，在 2018 年，特斯拉对算法进行了升级，构建了多任务学习神经网络架构 HydraNet（九头蛇网络）。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 34/65 计算机计算机/行业深度行业深度 图图 34：HydraNet 网络框架网络框架 数据来源：深蓝 AI，东北证券 HydraNet 结构能够完成多头任务，减少重复的卷积计算，减少主干网络计算数量；在融合方式上，仍采用后融合策略。HydraNet 设计

102、用于同时处理多种感知任务，比如识别车辆、行人、交通标志、信号灯等多种对象。它能够在一个统一的框架内学习多个任务，优化共享特征的提取，提高了处理效率和性能。HydraNet 网络结构各部分主要功能概述如下：输入：以分辨率为 1280960，12-Bit,36Hz 的 RAW 格式图像作为输入，特斯拉采用的是 36Hz 的 1280*960-12bit 的图像原始数据，这相对于只有 8-bit 的 ISP后处理数据多了 4 位信息，动态方位扩大了 16 倍。相对于 rule-base 的 ISP，神经网络的处理能力更为强大，能够更好的利用图像的原始信息，同时避免 ISP带来的数据损失，ISP 基于

103、 rule-base 的算法对原始信号做了自动对焦(AF)、自动曝光(AE)、自动白平衡(AWB)、坏点校正(DNS)、高动态范围成像(HDR)、颜色校正(CCM)等，这些满足于人眼可视化需求，但不一定是自动驾驶的需要。同时，ISP 的存在不利于数据的高速传输，影响图像的帧率，而将对原始信号的处理放在网络运算中，速度要快很多。因此这种方式跨过了传统类似 ISP 的专业知识，直接从后端需求驱动网络学习更强的 ISP 能力，可以强化系统在低光照、低可见度条件下超越人眼的感知能力。图图 35：特斯拉图像数据预处理：特斯拉图像数据预处理 数据来源：特斯拉，东北证券 请务必阅读正文后的声明及说明请务必阅

104、读正文后的声明及说明 35/65 计算机计算机/行业深度行业深度 Backbone：HydraNet 采用的 Backbone 为 RegNet，相比于 ResNet 进行了更高一层的抽象，解决了 NAS 搜索设计空间固定、无法创建新模块的弊端，可以创建新颖的设计空间范式，能够发掘更多的场景适配新的ResNet，从而避免专门去研究设计神经网络架构。Neckwork：采用 BiFPN，移除了只有一个输入的节点，因为网络的目的是融合特征，所以没有融合能力的节点直接连接就可以。将输入直接连接到输出节点，在不增加计算的情况下，融合了更多特征。将基础结构进行了多层堆叠，能够融合出更高纬度的特征。图图 3

105、6：BiFPN 架构图架构图 数据来源：特斯拉，东北证券 HydraNet 以分辨率为以分辨率为 1280960，12-Bit,36Hz 的的 RAW 格式图像作为输入，采用地格式图像作为输入，采用地Backbone 为为 RegNet，并使用，并使用 BiFPN 构建多尺度的特征图，再在上面再添加特定任构建多尺度的特征图，再在上面再添加特定任务的务的 Heads。共享 Backbone 和 BiFPN 能够在部署的时候很大程度的节省算力，用这样的结构带来以下三点好处：预测高效：因为共享特征，避免了大量的重复计算；可以解耦每个子任务：每个子任务可以在 Backbone 的基础上进行微调而不影响

106、其他子任务。可以加速微调：训练过程中可以将特征缓存，微调的时候可以只使用缓存的特征来微调模型的 Head，而不再需要重复计算。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 36/65 计算机计算机/行业深度行业深度 图图 37：特斯拉九头蛇网络：特斯拉九头蛇网络 数据来源：特斯拉，东北证券 然而，依靠 2D+CNN 的模式实现自动驾驶是比较困难的，因为摄像头采集的是 2D图像，后续的规控需要在 3D 空间进行，感知与规控之间的壁垒阻碍了 FSD 的发展。为了消除这个壁垒，需要将感知从 2D 图像空间后置到 2D 的自车参考系空间，即BEV 空间，特斯拉在 2020 年引入了 BEV

107、+Transformer 架构。3.1.1.2.3.1.1.2.第二阶段：第二阶段：BEV+Transformer 2020 年，特斯拉推出年，特斯拉推出 BEV+Transformer 架构，并以特征级融合取代后融合，数据架构，并以特征级融合取代后融合，数据自动标注取代人工标注，其技术方向被自动驾驶行业沿用至今。自动标注取代人工标注，其技术方向被自动驾驶行业沿用至今。这样更加简单、易理解，不仅解决了 CNN 算法在 BEV 遮挡区域的预测问题，保证在降低高复杂计算量的同时提升算法性能和准确度。BEV（Birds Eye View，鸟瞰图）是一种视角，通过此视角，系统可以将车辆周围，鸟瞰图）是

108、一种视角，通过此视角，系统可以将车辆周围的环境呈现为俯视图或鸟瞰图的形式，以便更全面地理解车辆所处的场景和环境。的环境呈现为俯视图或鸟瞰图的形式，以便更全面地理解车辆所处的场景和环境。在 BEV 视图中，道路信息自上而下展示在以自车为中心的坐标系中，避免了原先前视放射视角下的尺度、遮挡等感知问题，提供了一种简化的方式来表示车辆周围的环境，包括道路、障碍物、行人等，以便于路径规划和决策制定。尽管 BEV 源自 3D数据，它最终提供的是一个 2D 的空间视图。虽然 BEV 是从 3D 环境生成的，通过将 3D 信息（如传感器捕获的数据）投影到一个平面上来简化环境表示，但它本身是一个 2D 的表示形

109、式。这种表示利于减少计算复杂度，同时保持对环境的足够理解。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 37/65 计算机计算机/行业深度行业深度 图图 38：BEV 感知效果图感知效果图 数据来源：点云 PCL，东北证券 Transformer 在自动驾驶任务中具有更强的全局感知能力、动态适应性。在自动驾驶任务中具有更强的全局感知能力、动态适应性。Transformer是一种基于注意力机制的神经网络模型，传统的 CNN（卷积神经网络）存在着长距离依赖问题和并行计算效率低等缺点，Transformer 通过引入自注意力机制来解决这些问题，使得模型在处理长距离依赖时能够更好地捕捉序列

110、中不同位置的相关性，同时还能够实现并行计算，大大提高了训练和推理的效率。表表 7：CNN 与与 Transformer 模型对比模型对比 模型模型 模型结构模型结构 特征表示能力特征表示能力 训练效率训练效率 模型复杂度模型复杂度 鲁棒性鲁棒性 CNN 局部连接、权值 共享的卷积结构 对局部特征提取能力强，适用于图像、语音等领域 训练效率高，可并行化处理 模型结构相对简单，参数较少，不适用于处理序列数据 对数据噪声、变形等鲁棒性一般 Transf-ormer 基于自注意力机制的结构 具有较强的建模能力，适用于处理序列、图像等多种数据形式 训练效率较高，可并行化处理 模型结构较为复杂，参数较多

111、对数据噪声、变形等具有较强的鲁棒性 数据来源：OpneAI，东北证券整理 复杂的自动驾驶任务需要使用多个相机的图像作为感知系统的输入，同时感知系统复杂的自动驾驶任务需要使用多个相机的图像作为感知系统的输入，同时感知系统预测结果需要转化到三维的矢量空间下，才能输入到规控系统用以规划驾驶行为。预测结果需要转化到三维的矢量空间下，才能输入到规控系统用以规划驾驶行为。多相机输入需要协调好多个相机的感知结果，如果在各个摄像头上分别做感知任务并投影到矢量空间后进行整合，需要精确到像素级别的预测，否则会受路面不平整、感知对象出现在多个相机中等问题的干扰，出现重影等情况。针对这个问题，特斯拉选择了使用 Tra

112、nsformer 将每个相机对应的图像特征转换为 Key 和 Value，然后训练模型自行检索需要的特征进行预测。这样的结构不需要显示地在特征空间上做几何变换操作，直接输入多相机图像，输出矢量空间。加入这一优化后，车道线更加清晰准确、目标检测结果更稳定、不再有重影。Transformer 作为一种新型神经网络架构，相比传统神经网络（如 CNN），可以直接进行 2D、3D 不同序列之间的转换。Transformer 采用交叉注意力机制，并行训练数据，在跨模态融合以及时序融合过程 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 38/65 计算机计算机/行业深度行业深度 中，能够更加全面

113、地在空间时序上建模，形成时序融合下的 4D 空间信息，从而使感知结果更加连续、稳定。图图 39：后融合和特征前融合的效果差异：后融合和特征前融合的效果差异 数据来源：均胜电子，东北证券 在在 BEV+Transformer 架构下，融合方式由后融合转变为特征级融合。架构下，融合方式由后融合转变为特征级融合。在自动驾驶多传感器融合应用中，通常采用三种融合策略：前融合、后融合和特征级融合。后融合在模型的最后阶段合并每个传感器独立处理的结果。后融合在模型的最后阶段合并每个传感器独立处理的结果。这意味着每个传感器首先独立进行特征提取和分析，然后使用某种策略（如加权平均、投票机制）来综合所有传感器的决策

114、或预测结果。其优势在于简化了不同传感器数据的同步和对齐要求，每个传感器可以独立优化，易于并行处理，因此是相对简单的融合方式，早期自动驾驶行业均采用后融合的融合方式。然而，后融合也存在可能无法充分利用不同传感器数据之间的关联性，有时会导致信息的冗余或遗漏的缺陷。前融合则是在特征提取之前，将来自不同传感器的原始数据直接合并。前融合则是在特征提取之前，将来自不同传感器的原始数据直接合并。这种方法允许模型从一开始就访问所有传感器的数据，可能更容易捕捉不同数据源之间的相关性，能够在最初级别上整合多种感知信息，有助于模型更好地理解场景中的复杂交互。然而前融合要求所有传感器的数据同步和对齐，处理高维数据可能

115、导致计算成本高昂，因此在行业内极少被使用。在在 BEV+Transformer 架构下，最常用的融合方式为特征级融合，指在特征提取之架构下，最常用的融合方式为特征级融合，指在特征提取之后、决策之前将不同传感器提取的特征合并在一起。后、决策之前将不同传感器提取的特征合并在一起。这种融合方法允许模型在决策过程中利用来自所有传感器的信息，同时避免了直接处理高维原始数据的复杂性。特征级融合平衡了前融合和后融合的优缺点，既能够利用不同数据源之间的相关性，又避免了直接在原始数据层面的复杂融合。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 39/65 计算机计算机/行业深度行业深度 图图 40：

116、车辆数据融合的三种模式车辆数据融合的三种模式 数据来源：亿欧智库，东北证券 3.1.1.3.3.1.1.3.第三阶段：占用网络第三阶段：占用网络 2022 年，特斯拉在算法中引入时序网络，并将年，特斯拉在算法中引入时序网络，并将 BEV 算法进一步迭代为算法进一步迭代为 Occupancy Networks（占用网络），更加直接地打造（占用网络），更加直接地打造 3D 空间。空间。有别于感知 2D 图像、提取像素（pixel）转化为 3D 特征，Occupancy Networks 直接感知 3D 空间中的体素（voxel），也就是将世界划分为多个大小一致的立方体，快速识别每个体素是否被占用，

117、继而判断车辆是否要躲避。Occupancy Networks 可以在 10ms 内完成计算，感知更高效、结果更精准，将 BEV 空间在高度上进行了进一步扩展。图图 41：占用网络示意图：占用网络示意图 数据来源：特斯拉，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 40/65 计算机计算机/行业深度行业深度 占用网络的工作原理如下：首先，占用网络将来自多视图图像的输入数据转换为一个三维特征空间；然后，使用深度神经网络来学习这个特征空间中的占用概率；最后，将占用概率转换为一个三维占用网格。图图 42：占用：占用网络工作原理网络工作原理 数据来源：深蓝 AI，东北证券 占用网

118、络将占用网络将 BEV 空间在高度上进行了进一步扩展，使用空间在高度上进行了进一步扩展，使用“占用占用”而不是检测来实时而不是检测来实时显示道路信息，可以把当前场景下被遮挡的静止物体和动态物体也用体积块表示出显示道路信息，可以把当前场景下被遮挡的静止物体和动态物体也用体积块表示出来。来。在 2D 图像世界中，一个物体由无数个像素点（pixel）组成，传统算法感知 2D图像、提取像素转化为 3D 特征。而在占用网络之下，3D 的真实世界则是由无数个微小立方体，即体素堆叠组成，占用网络将原本的 BEV 空间分割成无数的网格单元体素（voxel），再预测每个体素是是否被占用。使用占用网络的优势如下：

119、不考虑这个物体到底是什么，只考虑体素是否被占用，使得非典型但却存在的事物能够直接表示出来，可以识别然后在归控中绕开，增加了算法的泛化能力和对现实世界的认知；占用网络定义在 4D vector space 上，可以处理高低差地形、类别未知的障碍物、遮挡物体等问题；体素充当了激光雷达点阵的作用，可以为每个体素生成对应的语义类别，实现激光雷达的感知效果；占用网络增加了时序信息，能够实时预测被遮挡物体的状态；占用网络可以在 10ms 内完成计算，感知更高效、结果更精准。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 41/65 计算机计算机/行业深度行业深度 图图 43：占用网络架构：占用网

120、络架构 数据来源：特斯拉，东北证券 3.1.2.3.1.2.端到端方案端到端方案 2023 年，特斯拉展示了其即将发布的年，特斯拉展示了其即将发布的 FSD V12 版本，其中软件采用了端到端的神版本，其中软件采用了端到端的神经网络算法，将感知、决策、控制整合为一个统一的神经网络模型。经网络算法，将感知、决策、控制整合为一个统一的神经网络模型。在模块化算法中，车辆控制决策和路线规划算法是通过逻辑控制程序来实现的，而特斯拉最新的端到端方案则把这部分逻辑控制代码负责的功能也交由神经网络模型来实现，排除了传统的规则或者条件判断代码，也不需要地图数据。图图 44：端到端自动驾驶工作原理：端到端自动驾驶

121、工作原理 数据来源：自动驾驶之心，东北证券 端到端自动驾驶系统通过一个统一的深度学习模型直接从传感器输入（如摄像头图端到端自动驾驶系统通过一个统一的深度学习模型直接从传感器输入（如摄像头图像）到驾驶控制指令（如方向盘转角、加速度）的映射，无需显式地分解为不同的像）到驾驶控制指令（如方向盘转角、加速度）的映射，无需显式地分解为不同的任务模块。任务模块。端到端模型有潜力直接从数据中学习到更优的驾驶策略，尤其是在处理复杂交通场景时，同时，模型可以自动从原始数据中学习到对完成驾驶任务有用的特征，无需人工设计特征提取器。然而，端到端方案需要大量的标注数据来训练模 请务必阅读正文后的声明及说明请务必阅读正

122、文后的声明及说明 42/65 计算机计算机/行业深度行业深度 型，同时端到端中间过程的“黑箱问题”会带来透明性不高的问题，导致所对应的功能和策略与预期不相符的程度会增加，其决策过程更难以解释和验证。同时，对于未见过的场景的泛化能力也仍然是一个挑战。目前的 V12 版软件还需要对 Corner Case 进行针对性优化，进一步优化神经网络架构以及网络参数。图图 45：端到端自动驾驶：端到端自动驾驶 数据来源：“E2E Learning of Driving Models with Surround-View Cameras and Route Planners”，东北证券 3.2.3.2.规划与

123、控制规划与控制 特斯拉最新的规划模块可以使用特斯拉最新的规划模块可以使用 3D 的占据率，将占据率和车道整合到蒙特卡洛树的占据率，将占据率和车道整合到蒙特卡洛树搜索和神经网络组成的架构中。搜索和神经网络组成的架构中。首先通过视觉感知网络生成三维向量空间，对于有多个可选方案的复杂问题，使用向量空间和感知网络提取的中间层特征训练神经网络规划器，得到轨迹分布，再融入成本函数、人工干预数据或其他仿真模拟数据，获得最优的规控方案，最终生成汽车转向、加速、刹车等控制指令，由汽车执行模块接受控制指令实现汽车自动驾驶。图图 46：特斯拉：特斯拉 FSD 架构架构 数据来源：特斯拉，东北证券 请务必阅读正文后的

124、声明及说明请务必阅读正文后的声明及说明 43/65 计算机计算机/行业深度行业深度 引入占用网络后，特斯拉规划与控制性能有了进一步提升。引入占用网络后，特斯拉规划与控制性能有了进一步提升。在生成可选方案的轨迹后，每条轨迹都会有一个成本函数，它取决于 4 个因素：碰撞概率、舒适度、干预可能性和与人类的相似度，并通过编写规则和算法选择成本最低的函数。在引入占用网络之后，特斯拉规划与控制有进一步性能提升，主要依赖于两个关键组件：通过占用网络和车道检测增强了感知功能；重写了规划器，以使用占用网络输出结果。图图 47：特斯拉具体轨迹得分：特斯拉具体轨迹得分 数据来源：特斯拉，东北证券 3.3.3.3.数

125、据闭环工具链数据闭环工具链 自动驾驶自动驾驶“数据数据”听起来很简单，实际上涵盖了一系列难点各异的处理环节。例如数听起来很简单，实际上涵盖了一系列难点各异的处理环节。例如数据的采集、脱敏、标注、仿真等等。据的采集、脱敏、标注、仿真等等。作为自动驾驶走向现实的关键，深度学习的基础原理，就是通过收集海量相关数据给计算机，并且进行特征分析、训练、验证，最终“训练”出一个高度精准的 AI 算法，用于实时感知不断变化的路况，通过推理计算给出可靠的驾驶指令。在汽车工程师协会（SAE）的规范下，L2 至 L3 级别的自动驾驶测试车辆需累计收集 20 万至 100 万公里的真实道路测试数据，而 L4 级别的车

126、辆则至少需要 200 万公里的数据。以 L2 级别的自动驾驶项目为例，若测试车辆以 75 公里每小时的平均速度行驶 20 万公里，将生成近 3000 小时的数据。每个传感器大约需要 4PB（1PB 等于 1024TB）的存储空间，因此，所有传感器共同产生的原始数据将高达约 20PB，需要 2 万多块 1TB 的硬盘才能存储。这仅仅是基础要求，随着汽车制造商的量产产品不断投入市场并持续运行，所积累的数据量将会持续增长。处理海量数据不仅涉及存储挑战，还包括数据传输和归档管理的复杂性。处理海量数据不仅涉及存储挑战，还包括数据传输和归档管理的复杂性。汽车制造商必须合规地收集来自大量实际用户车辆的数据，

127、并高效地通过网络将这些数据传输到大型数据中心。数据的传输过程需要确保安全性和稳定性，以防止数据丢失或损坏。在数据到达数据中心后，分类归档成为关键步骤。这不仅要求数据以合理的方式进行存储，以确保其可访问性和可管理性，同时还要保证后续数据的存取操作足够高效。这涉及到使用高效的数据结构和索引方法，以便快速检索和分析数据。同时同时数据脱敏环节，中汽协在数据脱敏环节，中汽协在 2022 年年 8 月已经对汽车数据脱敏提出了明确要求月已经对汽车数据脱敏提出了明确要求，这涵盖了车内（人脸）和车外（人脸+车牌）的图像数据。由于汽车收集的数据多为动态视频，因此需要利用人工智能技术对这些敏感数据进行追踪，并执行相

128、应的擦除、涂抹等脱敏操作。然后是数据的标注，在给计算机投喂数据的过程中，并不是乱投一气，而是要在人然后是数据的标注，在给计算机投喂数据的过程中，并不是乱投一气，而是要在人类工程师的监督下，有规划地组织计算机学习。类工程师的监督下，有规划地组织计算机学习。通常，普通的驾驶数据可以通过归类后让计算机自主学习，但对于特别有价值的数据，如特殊天气下的道路标志识别、特殊红绿灯识别以及不寻常的障碍物等，需要人类工程师进行重点标注，并进行针对性的训练。如果数据标注的效率低下，即便数据收集过程再迅速，也会在这一环 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 44/65 计算机计算机/行业深度行业

129、深度 节受阻。在 AI 处理能力方面，自动驾驶所面临的 PB 级别海量数据需要依赖超大型的 GPU 加速器阵列进行处理。在处理过程中，必须确保高效且经济实惠。在得出计算结果后，对结果的仿真验证至关重要。在得出计算结果后，对结果的仿真验证至关重要。通过数字世界中的仿真验证，可以将大量原本只能在现实世界中进行的自动驾驶开发和测试成本，转化为 GPU 的物料成本和工程师的知识经验成本，从而为车企节省大量成本。这种转化不仅降低了经济负担，还提高了开发效率。在特斯拉的自动驾驶方案中，核心算法基本都是由数据驱动的，数据的数量和质量在特斯拉的自动驾驶方案中，核心算法基本都是由数据驱动的，数据的数量和质量决定

130、了算法的性能，因此构建一套高效获取、标注及仿真训练数据的闭环至关重要。决定了算法的性能，因此构建一套高效获取、标注及仿真训练数据的闭环至关重要。特斯拉数据闭环体系为：数据采集-搭建数据集-自动+人工标注-送入模型训练-部署到车端。其中数据标注、仿真、数据引擎采集为数据闭环体系中的重要环节。图图 48：数据闭环体系：数据闭环体系 数据来源：毫末智行，东北证券 3.3.1.1.3.3.1.1.数据标注数据标注 特斯拉强大的感知能力需要强大的标注能力作为支撑。特斯拉强大的感知能力需要强大的标注能力作为支撑。2021 年开始，特斯拉开始采用自动标注系统，主要流程为：高精度轨迹提取-多路径联合重建-新路

131、径自动标注，通过融合多条路径，可以重建 3D 语义地图，并将其应用到新轨迹的自动标注上。第一步是高精度轨迹提取。第一步是高精度轨迹提取。特斯拉通过所有开通了 FSD 的车辆，每天可以获取到 50万个旅程，采集包括车辆视频、车辆 IMU、速度等原始信号，并在车端的 2 个 CPU线程进行特征提取，输出的特征包括车辆的运动轨迹以及 3D 结构的路况细节等。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 45/65 计算机计算机/行业深度行业深度 图图 49：高精度轨迹预测：高精度轨迹预测 数据来源：特斯拉，东北证券 第二步是多路径联合重建。第二步是多路径联合重建。因为所有的车辆信息都来自

132、不同的车辆，所以基于车辆提取的高精轨迹信息，需要进行道路信息的匹配、重构、接缝优化等，最后由人工分析师审核，形成多重旅程的轨迹信息。图图 50：多路径联合重建：多路径联合重建 数据来源：特斯拉，东北证券 第三步是新路径自动标注。第三步是新路径自动标注。一次标注生成的真值可以跨越时间，给在同一地点、不同时间采集的数据提供真值。通过这种真值自动迁移的方法，可以轻松获得人类都难以正确标注的这些场景的标注数据，训练模型拥有更好的适应遮挡或低可见度（夜晚，雨，雾）等条件的能力。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 46/65 计算机计算机/行业深度行业深度 图图 51：新路径自动标注

133、：新路径自动标注 数据来源：特斯拉，东北证券 自动标注算法有助于提高标注精度、缩短标注时间、节省标注成本。自动标注算法有助于提高标注精度、缩短标注时间、节省标注成本。从标注效率看，在标注时间相同的前提下，标注精度从（7pixel）优化到（3pixel），且每条数据的计算时间从 2hrs 降低到 0.5hrs。新的算法对一万个驾驶旅程的 12 小时自动标注相当于 500 万小时的人工标注。图图 52：自动标注算法有助于效率提升：自动标注算法有助于效率提升 数据来源：特斯拉，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 47/65 计算机计算机/行业深度行业深度 目前常用的两

134、种数据标注方法包括基于目前常用的两种数据标注方法包括基于 NeRF（Neural Radiance Fields）方案的数）方案的数据标注和基于点云（据标注和基于点云（Point Cloud）方案的数据标注，各有优势和劣势。点云是由许）方案的数据标注，各有优势和劣势。点云是由许多多 3D 点组成的集合，这些点通常由激光扫描（如点组成的集合，这些点通常由激光扫描（如 LIDAR）生成，用于表示物理空）生成，用于表示物理空间中的对象和场景。间中的对象和场景。点云直接反映了物体和环境的 3D 结构，便于进行空间关系和尺寸的精确标注。然而，点云的密度依赖于扫描设备和物体的距离，远处的物体点云可能稀疏，

135、影响标注质量。NeRF 是一种用于合成高度逼真 3D 场景的技术，它通过深度学习模型学习场景的连续体积表示。在数据标注上的应用通常涉及利用NeRF 生成的 3D 场景进行精确和高效的标注。NeRF 可以生成极其逼真的 3D 场景视图，从而允许更精确地标注物体的位置和形状，由于是基于 3D 模型，NeRF 可以确保从不同角度观察时标注的一致性，这对于训练机器学习模型特别重要。一旦场景被 NeRF 建模，标注过程可以部分自动化，减少人工工作量。然而 NeRF 模型的训练和渲染过程计算成本高，需要强大的计算资源。因此，基于 NeRF 的数据标注能提供高精度和一致性的标注，适合需要高度逼真场景重建的应

136、用，但需要较高的计算资源和处理复杂度。而基于点云的数据标注则直接利用 3D 空间信息进行标注，适合空间关系和尺寸重要的场景，但可能受限于数据的密度和缺乏颜色信息。选择哪种方案取决于具体的应用需求、可用资源和所需的标注精度。图图 53：两种数据标注方案：两种数据标注方案 数据来源：自动驾驶之心，东北证券 SAM 作为中间算子作为中间算子也可以也可以提高标注可信度提高标注可信度,解决解决 ZERO-SHOT 问题。问题。SAM 是Facebook Research 开发的一种新型图像分割模型。图像分割是计算机视觉中的一项任务，旨在将图像中的每个像素分配到一个特定的类别（如道路、汽车、行人等），这对

137、于自动驾驶技术来说是一个基础且关键的功能，因为它能够帮助自动驾驶系统准确地理解和解释周围环境。该模型被设计和训练为可提示的，因此它可以将 zero-shot transfer 零样本迁移到新的图像分布和任务。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 48/65 计算机计算机/行业深度行业深度 图图 54：SAM 如何解决如何解决 ZEROSHOT 问题问题 数据来源：自动驾驶之心，东北证券 3.3.1.2.3.3.1.2.场景仿真场景仿真 自动驾驶仿真是自动驾驶车辆上路的最后一公里，搭建逼真的场景和障碍物来模拟自动驾驶仿真是自动驾驶车辆上路的最后一公里，搭建逼真的场景和障碍物来

138、模拟真实场景，在不进行实车测试的情况下，进行算法与功能验证。真实场景，在不进行实车测试的情况下，进行算法与功能验证。通过使用仿真，企业可以显著降低时间成本和经济成本。仿真允许在虚拟环境中快速重现和测试各种驾驶场景，减少了物理测试的需求，从而节省了大量资源。在虚拟环境中测试自动驾驶系统可以避免实际道路测试中可能出现的安全风险，因此提高了测试的整体安全性。特斯拉的仿真把一般基于高精地图的场景自动重建变成了基于 4D 标注的场景重建。特斯拉可以对于相机及其他传感器进行传感器仿真，获得足以媲美真实数据的仿真效果用来训练。仿真渲染天生带有语义真值，因此只要仿真效果能极限接近真实，那么这些有着完美标注的数

139、据就能够被真实模型训练利用起来，而仿真虽然无法保证做到对真实世界的完全拟真，却对一些实际有危险或极少发生的 corner case 有着独特的优势，可以利用方针来针对这些少见场景进行大规模验证，从而提高整体自动驾驶系统的通用性和安全性。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 49/65 计算机计算机/行业深度行业深度 图图 55：特斯拉仿真构建的世界：特斯拉仿真构建的世界 数据来源：毫末智行，东北证券 特斯拉的仿真虽然无法保证做到对真实世界的完全拟真，但是可以根据训练需要进特斯拉的仿真虽然无法保证做到对真实世界的完全拟真，但是可以根据训练需要进行定向增强。行定向增强。特斯拉仿

140、真架构中场景创建的具体流程是：先根据采集到的路况信息，重构出基本的车道拓扑，生成路面和车道平面；渲染立体的路面，但不包括交通标志；随机渲染路中隔离带以及周边的建筑物；导入地图的信息，甚至可以包含每条街道的名字；根据地图中的道路信息，生成所有可能的交通轨迹，交通标志；根据交通轨迹生成移动的物体，这些物体会以符合交通规则和物理规则的前提在仿真中移动；对环境增加天气，路面情况等随机因素。在上述过程中，基于一套车道导航地图真值可以修改仿真参数生成变化，产生多种组合场景，甚至可以根据训练的需要，修改真值的某些属性，创造新的场景，从而实现训练目的。这样的基于游戏引擎的仿真虽然无法保证做到对真实世界的完全拟

141、真，但是针对一些现实中很难采集到的场景，比如很多人在高速公路上跑步，可以定向做数据增强。在 AI 把数据抽象成车道、物体、交通标志等离散特征后，仿真数据和真实数据是否一致这个问题就不再重要了。图图 56：特斯拉仿真基本流程：特斯拉仿真基本流程 数据来源：毫末智行，东北证券 目前学术界目前学术界/工业界做自动驾驶仿真有以下几个主流方案。工业界做自动驾驶仿真有以下几个主流方案。第一种是大规模云仿真，这是工业界正在推动的主要路径，通过使用云资源进行并行计算，并在不同 agent 之间交换仿真结果以提高效率；第二种是由学术界重点推动的方法，侧重于通过设计 请务必阅读正文后的声明及说明请务必阅读正文后的

142、声明及说明 50/65 计算机计算机/行业深度行业深度 策略减少无风险里程的测试，或提高生成对自动驾驶系统构成特定挑战的场景的效率，即通过“压力测试”提高仿真效率。可以更高效地发现自动驾驶系统的潜在问题，减少不必要的测试里程，聚焦于最关键和挑战性的测试场景。图图 57：自动驾驶仿真效果：自动驾驶仿真效果 数据来源：腾讯，东北证券 尽管仿真技术在测试和验证中发挥着重要作用，但仍存在一些关键问题和挑战，比尽管仿真技术在测试和验证中发挥着重要作用，但仍存在一些关键问题和挑战，比如仿真技术无法完全精确地再现物理现实中的所有细节和复杂性，且高质量的泛化如仿真技术无法完全精确地再现物理现实中的所有细节和复

143、杂性，且高质量的泛化数据少。数据少。尽管仿真提供了一个控制和测试自动驾驶系统的有效环境，但它可能无法覆盖所有现实世界的可能情况。即使是将原始数据注入仿真平台，也不能保证模拟环境的百分之百真实性。加入车辆动力学仿真后，场景的真实度和一致性可能进一步降低，使用仿真合成的数据训练自动驾驶系统是否能有效提高性能，仍然是一个待解决的问题。同时，高质量的泛化数据少，仿真到现实的可复现性和仿真本身的可复现性挑战仍然比较大。场景泛化的优势是，我们可以“凭空造”一些现实世界当中从来都没有过的场景。基于交通流的泛化和驾驶员的智能化，如果模型足够好，由于随机因子的存在，场景运行 10 次，就相当于泛化了 10 个。

144、事实上，现在的问题不是生成的场景太少，实在是太多，而且有很多并不会真实发生，算不上有效的测试场景，这就是对需求理解不到位造成的。蔚小理这些主机厂，真实道路数据比较多，对这些公司来说，比场景泛化更迫切的，是对场景做精细化分类管理，筛选出真正有效的场景。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 51/65 计算机计算机/行业深度行业深度 图图 58：自动驾驶仿真效果图：自动驾驶仿真效果图 数据来源：机器之心，东北证券 图图 59：自动驾驶仿真中可能出现的干扰行为：自动驾驶仿真中可能出现的干扰行为 数据来源：自动驾驶虚拟仿真测试评价理论与方法，九章智驾，东北证券 请务必阅读正文后的声

145、明及说明请务必阅读正文后的声明及说明 52/65 计算机计算机/行业深度行业深度 4.4.跃进派跃进派：封闭低速封闭低速场景逐步落地，高速场景静待政策场景逐步落地，高速场景静待政策 在特定场景下，比如矿山、港口、环卫、无人物流小车等赛道，在特定场景下，比如矿山、港口、环卫、无人物流小车等赛道，跃进派跃进派自动驾驶取自动驾驶取得稳步推进，已经接近批量复制的节点得稳步推进，已经接近批量复制的节点。具体到特定场景中，在矿山场景中，不涉及路权问题、环境相对简单，容错率很高，无重大安全隐患；在港口场景中，道路结构化程度高，环境简单，路权问题相对容易解决。目前，这些场景普遍已不需要配备车内安全员，预计在

146、1-2 年内实现大规模商业化落地。各类应用场景由于适用环境道路和技术水平存在差异，落地规模和商业化进展不一，各类应用场景由于适用环境道路和技术水平存在差异，落地规模和商业化进展不一，难以一步到位实现难以一步到位实现全地图全地图 L4 级以上自动驾驶。级以上自动驾驶。从封闭场景到半封闭场景再到开放场景，从低速场景到高速场景，从简单场景到复杂场景，从载物场景到载人场景，从结构化道路场景到非结构化道路场景等。L4 以上的自动驾驶相关技术仍处于不断迭代进步的阶段，封闭场景和低速场景意味着外界干扰小、安全风险小、容错率高，适合于自动驾驶技术不够成熟的阶段其商业化落地的尝试。随着技术的不断进步和成熟，自动

147、驾驶商业化将逐步踏足开放场景和高速场景。封闭低速载物场景在 2024年左右可大规模商业化落地，高速载物场景则在 2030 年左右方可落地，背后的核心考量是技术成熟度及法律法规问题。港口、矿山等封闭场景是无人驾驶应用的优先场景，其次是干线物流、城市公共交通等场景，最终才是 Robotaxi 以及个人移动出行自动驾驶的实现。其原因在于，港口、矿区等限速或低速的特定封闭区域场景，具有道路条件相对固定、场景复杂度相对较低等特点，与开放道路载物和载人应用场景相比，已较早实现自动驾驶商业化，且已逐步实现盈利。而载人场景和开放道路载物场景由于行驶道路的路况较为复杂，对产品的技术要求更高，使得该场景的落地应用

148、整体上仍处于试运营阶段，商业化范围及规模均较为有限。若想实现模式上的商业闭环，需达到较大规模的运行范围，并实现可取消安全员的 L4 级自动驾驶。由此可见，我国自动驾驶在规模化和商业化的进程上整体在逐步发展和落地，同时面临许多问题和挑战。综合来看，基于场景的自动驾驶商业化仍面临由法律法规、技术限制、成本等多方面原因导致的商业化范围规模有限、未能实现商业闭环等问题。4.1.4.1.载人场景载人场景 4.1.1.4.1.1.Robotaxi Robotaxi 指自动驾驶出租车，是基于自动驾驶技术提供出租服务的车辆。指自动驾驶出租车，是基于自动驾驶技术提供出租服务的车辆。与传统出租车服务相比，Robo

149、taxi 可实现对人力的替代，具有降低成本、提高出行效率的优点。Robotaxi 是市场空间最大的自动驾驶场景之一，是全面验证自动驾驶系统能力的重点应用，也是各国开展自动驾驶竞争的核心领域。Robotaxi 的运营需要考虑如何与政府、主机厂、出行平台、科技公司等多方力量合的运营需要考虑如何与政府、主机厂、出行平台、科技公司等多方力量合作，形成有效的生态圈。作，形成有效的生态圈。目前，国内的 Robotaxi 市场玩家主要有：1）L4 自动驾驶技术方案商，包括百度、小马智行、文远知行、Auto X 等；2）主机厂，包括宝马、奥迪等传统车企，以及特斯拉、小鹏等造车新势力企业。目前，Robotaxi

150、 商业落地有两种主要模式，第一种是 Robotaxi 公司+出行平台+车企的三方模式，第二种是造车新势力独立运营模式。三方模式能够使三方各自发挥自身优势，Robotaxi 公司作为技术提供商，能够实现轻资产运营；出行服务运营商有稳定的用户，且可以为 Robotaxi 公司算法迭代提供数据大量出行数据；主机厂有生产制造能力，能够为 Robotaxi 公司提供基础设施。造车新势力独立运营的优势在于可以充分利用自身资源体系，例如拥有强大的供应链体系，自产 Robotaxi 成本可控；拥有强大数据收集能力以迭代算法。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 53/65 计算机计算机/行

151、业深度行业深度 Robotaxi 商业化落地面临着技术和政策层面的难题。商业化落地面临着技术和政策层面的难题。技术方面，目前 Robotaxi 所适用的城市道路是驾驶环境复杂的典型开放道路场景，未来要实现 Robotaxi 全车无人自动驾驶（取消安全员），Robotaxi 自动驾驶等级必须在 L4 级以上。而 L4 级自动驾驶汽车的最低路测里程数要求为 10 亿公里，达千亿公里级别才能确保具备充足数据进行 AI 训练及仿真测试，从而确保行驶安全。Robotaxi 技术研发成本巨大，受限于数据积累的缺失，整体技术迭代周期较长。政策方面，规模化落地还需要的推动支撑。目前，已经有超过 30+城市出台

152、了智能网联相关政策。2024 年 1 月，国家数据局等十七部门联合印发了“数据要素”三年行动计划(20242026 年)。其中提出，推进智能网联汽车创新发展，支持自动驾驶汽车在特定区域、特定时段进行商业化试运营试点，打通车企、第三方平台、运输企业等主体间的数据壁垒。图图 60：萝卜快跑：萝卜快跑 Robotaxi 数据来源：人民视觉，东北证券 4.1.2.4.1.2.Robobus Robobus 指低速自动驾驶公交车，包括了循固定路线公交车和短途接驳车。指低速自动驾驶公交车，包括了循固定路线公交车和短途接驳车。它结合了自动驾驶技术与公共交通系统，旨在提供更安全、高效和可持续的城市交通解决方案

153、。主要应用于城市和封闭场景的公共交通领域，如城市街道、大学校园、机场、旅游景区等。它们可以在固定路线上循环运行，也可以根据乘客需求提供更灵活的调度服务。相比传统公交车，RoboBus 能够提供更为精确的到站时间，减少交通拥堵和事故发生率，提高运营效率。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 54/65 计算机计算机/行业深度行业深度 图图 61：北京示范区运行：北京示范区运行 Robobus 数据来源：中国汽车报，东北证券 Robobus 未来几年商业化前景相对较明朗。未来几年商业化前景相对较明朗。我国在 Robobus 商业化落地方面已进入规模化的道路测试及应用阶段，从某种

154、程度上来讲，Robobus 相当于是 Robotaxi 的降维。由于限定了运营场景，降低了行驶速度，Robobus 的商业化门槛也同步下降了不少，未来几年商业化前景相对较明朗。RoboBus 作为自动驾驶技术在公共交通领域的应用，展现了改变城市交通面貌、提升交通效率和安全性的巨大潜力，是未来智慧城市不可或缺的一部分。图图 62：蘑菇车联自动驾驶城市公共服务车队：蘑菇车联自动驾驶城市公共服务车队 数据来源：蘑菇车联，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 55/65 计算机计算机/行业深度行业深度 4.2.4.2.载物场景载物场景 4.2.1.4.2.1.干线物流干线

155、物流 干线物流即借助无人驾驶进行运输、收货、仓储、运送的物流作业流程。干线物流即借助无人驾驶进行运输、收货、仓储、运送的物流作业流程。干线物流主要以自动驾驶重卡为运载工具，主要应用于高速公路和干线道路上的货物运输，目的是提高运输效率、降低成本、减少事故发生率，并对货物运输行业的未来发展产生重大影响。自动驾驶技术可以显著减少由人为因素引起的交通事故，增加运输效率，24 小时不间断运营，减少因司机疲劳驾驶引起的停滞时间，提高物流效率。降低运输成本：长期来看，自动驾驶卡车可以降低人工成本，提高燃油效率，降低运营成本。受行业痛点带来的市场需求驱动，加之高速公路的道路基础设施和车辆行驶条件较好，基于干线

156、物流场景下的自动驾驶落地难度较低，被认为是仅次于Robotaxi 的第二大自动驾驶商业化应用场景。图图 63：搭载自动驾驶系统智加领航的江淮汽车：搭载自动驾驶系统智加领航的江淮汽车 K7+数据来源：物流时代周刊，东北证券 未来政策变化、技术发展速度将影响干线物流落地进程。未来政策变化、技术发展速度将影响干线物流落地进程。未来，得益于我国物流行业及快递运送行业的飞速发展，自动驾驶干线物流场景将会吸引更多市场主体。对于高速公开道路场景，需要密切关注未来政策导向，关注政府如何对高速物流配送行业进行规范管理。由于重卡存在车身较高、车辆视觉盲区大、需重点覆盖的感知范围更大等因素，重卡自动驾驶对车辆感知和

157、控制的精准度要求更高，精度技术的发展也将影响干线物流场景规模商业化进程。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 56/65 计算机计算机/行业深度行业深度 图图 64：小马智行获得广州首个自动驾驶卡车编队行驶测试牌照：小马智行获得广州首个自动驾驶卡车编队行驶测试牌照 数据来源：物流时代周刊，东北证券 4.2.2.4.2.2.末端配送末端配送 自动驾驶末端配送是指使用自动驾驶技术完成货物或服务从最终配送中心到客户自动驾驶末端配送是指使用自动驾驶技术完成货物或服务从最终配送中心到客户手中的最后一段配送过程。手中的最后一段配送过程。长远看，自动化配送有助于减少因人力资源造成的成本开

158、销，同时可以使配送服务更加灵活，扩大服务范围，尤其是在偏远或人口稀少地区并实现更快的配送速度和更高的配送准确性，提升消费者的购物体验。自动驾驶中的末端配送场景具有相对封闭特点，且技术实现难度较小，有望率先实现规模化应用。图图 65：小魔驼：小魔驼 3.0 末端物流自动配送车末端物流自动配送车 数据来源：毫末智行，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 57/65 计算机计算机/行业深度行业深度 尽管自动驾驶末端配送拥有巨大的潜力，但它仍面临技术、法律和社会接受度等方尽管自动驾驶末端配送拥有巨大的潜力，但它仍面临技术、法律和社会接受度等方面的挑战。面的挑战。目前，末端

159、配送场景还存在以下问题和挑战。第一，法律法规仍待完善，目前我国无人配送行业的相关文件指引主要以技术标准为主。虽有北京发布无人配送车管理实施细则 试行版，但具体政策细节未正式对外露出，且属于地方政策，其他城市未公开更多政策，全国尚未形成统一的管理共识；第二，虽然国内拥有较为完整的无人配送车上游供应链，但是核心零部件的技术、性能和质量有待进一步提升；第三，无人配送车的采购价格和使用成本是需求方决策的关键，成本仍然是目前制约无人配送车规模应用的重要因素。图图 66：顺丰的配送机器人：顺丰的配送机器人 数据来源：低速无人驾驶产业联盟，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明

160、58/65 计算机计算机/行业深度行业深度 4.3.4.3.特殊场景特殊场景 由于限定场景下的自动驾驶运营边界受到区域限制，且得到相关行业部门的政策鼓励，相较于全域自动驾驶，或将更早实现规模化的商业落地。当前，限定场景下如港口、矿山、无人环卫等已在部分地区进入商业化落地。4.3.1.4.3.1.港口场景港口场景 基于港口场景下的自动驾驶应用，可有效解决由于传统港内运输工作强度大、环境基于港口场景下的自动驾驶应用，可有效解决由于传统港内运输工作强度大、环境艰苦、危险性高、长期劳动力不足、成本过高等问题，提高港口操作效率、安全性艰苦、危险性高、长期劳动力不足、成本过高等问题，提高港口操作效率、安全

161、性和可持续性。和可持续性。由于港口是典型的封闭+低速的场景，与城市和高速公路场景不同，港口具有交通标识简易、车辆干扰度低、路线复杂度低、基建完善度高的优势，被认为是自动驾驶率先实现商业化落地应用的典型场景之一。图图 67：全球首个：全球首个“智慧零碳智慧零碳”码头天津港北疆港区码头天津港北疆港区 C 段智能化集装箱码头段智能化集装箱码头 数据来源：低速无人驾驶产业联盟，东北证券 港口场景是目前自动驾驶实现商业化应用最快的场景。港口场景是目前自动驾驶实现商业化应用最快的场景。据高工智能汽车，我国已在上海、天津、宁波、深圳等地的 13 个港口展开自动驾驶集卡试运营，其中主要应用在东南沿海港口，尤其

162、是新建或者扩建港口应用项目较多，深圳妈湾智慧港、上海洋山港、宁波舟山港以及天津港是港口自动驾驶应用最多的海运港口。目前，港口场景已实现 L4 级自动驾驶的运输自动化作业。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 59/65 计算机计算机/行业深度行业深度 图图 68：厦门远海集装箱码头东风：厦门远海集装箱码头东风“无限星无限星”第三代无人集卡编队运行第三代无人集卡编队运行 数据来源：毫末智行，东北证券 目前，港口场景下也面临一些技术层面的问题和挑战。目前，港口场景下也面临一些技术层面的问题和挑战。虽然自动驾驶技术在港口场景中具有巨大的应用潜力，但目前仍然处于测试和探索阶段，许多

163、解决方案还未达到产品级别。无人集卡在港口环境中的应用面临多种挑战，包括金属设备对信号传输的干扰、定位精度问题，以及需要适应港口多变的气候环境。随着技术的持续发展和测试，港口自动驾驶解决方案预计将逐步克服当前的技术和适应性挑战，技术成熟度将提高。通过在港口场景中规模化的商业运营，可以快速积累和迭代算法能力、工程能力、运营能力和商业化能力。港口自动驾驶技术的成功应用和商业化将有望向外延伸，包括集卡运输和干线物流等领域，实现从港口到干线物流的全链路自动驾驶解决方案。从长远来看，港口自动驾驶不仅能提升港口操作效率和安全性，还能促进港口与干线物流的无缝连接，为构建智能、高效的物流体系提供支持。因此，尽管

164、面临挑战，港口自动驾驶的前景仍然值得期待。4.3.2.4.3.2.矿区场景矿区场景 矿山安全生产事关人民群众生命财产安全，事关经济发展和社会稳定大局，为减少矿山安全生产事关人民群众生命财产安全，事关经济发展和社会稳定大局，为减少矿难事故的发生，利用自动驾驶和机器人技术，实现作业环节的少人化、无人化已矿难事故的发生，利用自动驾驶和机器人技术，实现作业环节的少人化、无人化已经成为行业认可的解决方案。经成为行业认可的解决方案。在矿区场景下，由于采矿运输中环境恶劣、安全事故频发，自动驾驶技术对于矿山开采而言是刚需。无人驾驶在矿山开采中，可通过技术支撑，使矿山开采整体能耗下降、综合运营效益提升，提高矿区

165、生产工作安全水平，加快智慧矿区的建设。矿山环境封闭，不存在公开道路的交通法规问题，且车辆路线相对固定，车速低，矿区自动驾驶场景相对较简单；此外，矿山无人驾驶有明确、可控的作业规程指引，实地测试易落地且为政策刚需。当前自动驾驶矿山场景几乎都集中在露天采矿运输，能先于其他自动驾驶场景积累常态化运营的时长和经验，这使得矿区无人驾驶创业公司具备一定的先发优势。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 60/65 计算机计算机/行业深度行业深度 图图 69：小魔驼：小魔驼 3.0 末端物流自动配送车末端物流自动配送车 数据来源：低速无人驾驶产业联盟，东北证券 供应链的技术升级和成本下降是

166、供应链厂商要解决的重要问题。供应链的技术升级和成本下降是供应链厂商要解决的重要问题。目前，仍存在自动驾驶供应链环节的技术成熟度有待提升、部分关键零部件价格昂贵的问题，成为今后规模化商用时不可忽视的挑战。目前来看，大部分行业内的公司所接的订单都不赚钱，甚至部分毛利率都是负的，这一部分是因为技术不成熟，另一部分是为了为了加强可靠性所导致的用了太多的昂贵传感器所致。商业的无法闭环往往也会导致企业进一步融资的困难，所以谁能在场景固定的情况下，用更少的成本完成订单将会是 2024 年相关企业的重要挑战。图图 70：锂业首个全矿智能绿色矿山项目：锂业首个全矿智能绿色矿山项目 数据来源：低速无人驾驶产业联盟

167、，东北证券 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 61/65 计算机计算机/行业深度行业深度 4.3.3.4.3.3.环卫场景环卫场景 无人环卫是指利用自动驾驶技术、人工智能、物联网等现代科技手段，实现城市环无人环卫是指利用自动驾驶技术、人工智能、物联网等现代科技手段，实现城市环卫工作（如道路清扫、垃圾收集等）自动化、智能化的一种新型环卫系统。卫工作（如道路清扫、垃圾收集等）自动化、智能化的一种新型环卫系统。这种系统通常由无人驾驶的清扫车、垃圾收集车等环卫车辆和相应的管理软件组成，能够在减少人工直接参与的同时，提高城市环卫工作的效率和质量。无人环卫车辆可以24 小时不间断工

168、作，不受天气和时间的限制，大大提高了环卫工作的效率。自动化的环卫作业减少了对大量环卫工人的依赖，从长远来看有助于降低城市环卫工作的人力成本。同时，环卫工作往往环境恶劣、劳动强度大，无人环卫系统的应用可以减轻环卫工人的劳动强度，改善他们的工作条件。相较于传统的环卫车辆，无人环卫车辆更加注重环保设计，如采用电动驱动等，有助于减少环境污染和能源消耗。图图 71：仙途智能环卫车仙途智能环卫车 数据来源：低速无人驾驶产业联盟，东北证券 无人清洁环卫项目为近年来自动驾驶应用热点，已实现大规模批量应用。无人清洁环卫项目为近年来自动驾驶应用热点，已实现大规模批量应用。据低速无人驾驶产业联盟，今年已落地的无人环

169、卫项目中，市政环卫服务项目的占比增长。2023 年以来环卫领域新增落地的无人环卫项目近 30 个，与去年相比，应用范围和应用规模都有明显上升的趋势。一是试点落地城市开始从北京、上海、广州、深圳、苏州、无锡等一线沿海向内陆中小型城拓展；二是项目规模持续扩大，增长一方面来源于之前落地的项目试点应用后，得到场景用户方的认可，2023 年持续增加项目车辆部署；另一方面是地方政府也希望通过无人驾驶技术推动市政环卫向智能化、智慧化的快速转型，将项目运营范围扩大至全城。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 62/65 计算机计算机/行业深度行业深度 图图 72：深兰科技系列环卫车深兰科技

170、系列环卫车 数据来源：智车科技，东北证券 然而，无人环卫在实际推广和应用过程中，仍面临着法律法规、成本、技术等发展然而，无人环卫在实际推广和应用过程中，仍面临着法律法规、成本、技术等发展难点。难点。政策上，国家层面缺乏环卫无人驾驶车辆生产、检验、道路测试、路权管理方面的统一标准；成本方面，无人环卫系统的研发、生产和维护成本较高，尽管从长远来看，无人环卫有助于降低人力成本，但初期的高投入可能成为推广应用的一大障碍；技术方面，尽管近年来自动驾驶和人工智能技术取得了显著进展，但无人环卫车辆在复杂多变的城市环境中自主导航、避障、以及执行清扫、垃圾收集等具体任务的能力仍然面临挑战。技术的成熟度直接影响到

171、无人环卫车辆的可靠性和效率。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 63/65 计算机计算机/行业深度行业深度 5.5.投资建议投资建议 我们预见，自动驾驶行业的竞争格局在我们预见，自动驾驶行业的竞争格局在 2024 年将继续保持其激烈态势，甚至可能年将继续保持其激烈态势，甚至可能较较 2023 年更为白热化。年更为白热化。车市的价格战预计将进一步升级，这不仅是未来几年的行业主调，也是业界普遍认同的观点。在高阶智能驾驶领域，车企间的竞争将从单纯的城市扩张转向为用户提供卓越的实际体验。这背后反映的是团队在工程化和迭代效率上的较量，同时也凸显了在数据闭环方面资源投入的重要性。而在

172、低阶智能驾驶方面，我们预期将涌现出高性价比的普及型解决方案，例如通过单一芯片实现的车内泊车和行车辅助一体化系统。这些方案将迅速普及至全系列车型，为更多消费者带来智能驾驶的便利。不过毫无疑问的是，技术革命的速度不过毫无疑问的是，技术革命的速度往往往往超出我们的想象，随着超出我们的想象，随着技术迭代导致的产技术迭代导致的产业结构的加速变化，部分新的投资机会慢慢涌现。业结构的加速变化，部分新的投资机会慢慢涌现。对于 2024 年自动驾驶领域的投资跟踪，我们认为应重点关注以下几个关键因素及其产业链相关变化：（1）以高阶智能驾驶技术比如特斯拉的突破与用户体验的实质性提升；（2）国产智能驾驶领域的高性价比

173、解决方案的普及速度和市场接受度；（3）整个自动驾驶技术及硬件供应商的竞争格局变化，特别是领先企业的战略调整和新兴企业的市场表现；（4）在智能驾驶渗透率提高之后，相应后服务市场的爆发，比如充电和金融服务。高阶智能驾驶技术的突破高阶智能驾驶技术的突破：特斯拉 V12 版本的 FSD 预计将引入端到端的逻辑，这可能彻底改变现有自动驾驶技术的框架，提供更加直接和高效的决策路径。然而其在实际应用中的落地效果还需进一步观察，因为在技术尚未成熟的今天车端实现端到端的驾驶场景仍存在较大挑战，如芯片架构和算力限制可能导致只能实现向端到端过渡，而非一步到位的完全落地。FSD 订阅比例将是衡量特斯拉后续估值水平的关

174、键因素，甚至可能改变对汽车行业的估值逻辑，将其从传统的工业制造行业转变为高增长的科技领域。其次是国产智能驾驶领域的高性价比解决方案的普及速度和市场接受度其次是国产智能驾驶领域的高性价比解决方案的普及速度和市场接受度：国内主机厂在特斯拉的大局进攻下开始加速迭代其算法的先进性，车企进入全面的效率战场，组织整体性、产业链的掌控度，都将决定每家车企的市场推进节奏。新入局的小米和华为或将让市场竞争环境进一步烈化。建议关注国内核心主机厂以及华为在技术研发、成本控制和产品迭代方面的表现，这将直接影响其在自动驾驶市场的竞争力和市场份额。智能驾驶供应商的智能驾驶供应商的产业产业分化：分化：资源和技术门槛导致智能

175、驾驶供应商开始分化，行业进入供给侧出清阶段。头部企业将享受技术落地带来的红利，而中小玩家的生存空间将进一步受到压缩。不可否认的是，头部企业地平线、大疆、华为、Momenta 等头部企业因技术优势和市场地位，将获得最多的技术落地红利；但中小厂商为了在行业里谋其生存空间，或可能进行较为激进的转型会导致产业链中竞争格局的进一步分化。汽车后服务市场：汽车后服务市场：自动驾驶技术的落地将导致新能源汽车销量的上升，连同汽车后服务和新四化的推进，将为整个汽车及其相关产业链带来前所未有的发展机会。随着汽车电动化和智能化水平的提高，汽车后服务也在经历变革，从传统的维修保养，扩展到软件更新、数据分析、远程诊断等服

176、务。新四化也将对带来新的投资机会，电动化推动了对高效、环保电动机、电池技术的研发和产业链的完善；智能化加速了车载人工智能、自动驾驶系统、车内娱乐等技术的发展，为软件和算法提供商提供了广阔的市场；网联化为基于车联网的新业务模式和服务（如车辆远程控制、实时交通信息服务等）提供了平台；共享化将推动支付系统、车辆调度、用户管理等技术和服务的发展。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 64/65 计算机计算机/行业深度行业深度 研究团队简介：研究团队简介：Table_Introduction 吴源恒：武汉大学遥感工程学士，伯明翰大学国际商务硕士，曾在湖北省测绘局从事测绘地理信息数据处

177、理、遥感地理信息解译等工作，对卫星遥感应用产业有较深的认识。2020 年加入万联证券 TMT 团队，2022 年加入东北证券数字经济团队。目前主要研究 5G、卫星互联网、遥感、物联网、光通信等数字经济相关领域。分析师声明分析师声明 作者具有中国证券业协会授予的证券投资咨询执业资格，并在中国证券业协会注册登记为证券分析师。本报告遵循合规、客观、专业、审慎的制作原则，所采用数据、资料的来源合法合规，文字阐述反映了作者的真实观点，报告结论未受任何第三方的授意或影响，特此声明。投资投资评级说明评级说明 股票 投资 评级 说明 买入 未来 6 个月内，股价涨幅超越市场基准 15%以上。投资评级中所涉及的

178、市场基准：A 股市场以沪深 300 指数为市场基准，新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市转让标的）为市场基准；香港市场以摩根士丹利中国指数为市场基准；美国市场以纳斯达克综合指数或标普 500指数为市场基准。增持 未来 6 个月内，股价涨幅超越市场基准 5%至 15%之间。中性 未来 6 个月内，股价涨幅介于市场基准-5%至 5%之间。减持 未来 6 个月内，股价涨幅落后市场基准 5%至 15%之间。卖出 未来 6 个月内，股价涨幅落后市场基准 15%以上。行业 投资 评级 说明 优于大势 未来 6 个月内，行业指数的收益超越市场基准。同步大势 未来 6 个月内，行业

179、指数的收益与市场基准持平。落后大势 未来 6 个月内，行业指数的收益落后于市场基准。请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 65/65 计算机计算机/行业深度行业深度 重要声明重要声明 本报告由东北证券股份有限公司（以下称“本公司”）制作并仅向本公司客户发布，本公司不会因任何机构或个人接收到本报告而视其为本公司的当然客户。本公司具有中国证监会核准的证券投资咨询业务资格。本报告中的信息均来源于公开资料，本公司对这些信息的准确性和完整性不作任何保证。报告中的内容和意见仅反映本公司于发布本报告当日的判断，不保证所包含的内容和意见不发生变化。本报告仅供参考，并不构成对所述证券买卖的出

180、价或征价。在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的证券买卖建议。本公司及其雇员不承诺投资者一定获利，不与投资者分享投资收益，在任何情况下，我公司及其雇员对任何人使用本报告及其内容所引发的任何直接或间接损失概不负责。本公司或其关联机构可能会持有本报告中涉及到的公司所发行的证券头寸并进行交易，并在法律许可的情况下不进行披露；可能为这些公司提供或争取提供投资银行业务、财务顾问等相关服务。本报告版权归本公司所有。未经本公司书面许可，任何机构和个人不得以任何形式翻版、复制、发表或引用。如征得本公司同意进行引用、刊发的，须在本公司允许的范围内使用，并注明本报告的发布人和发布日期，提示使用本报告的风险。若本公司客户（以下称“该客户”）向第三方发送本报告，则由该客户独自为此发送行为负责。提醒通过此途径获得本报告的投资者注意，本公司不对通过此种途径获得本报告所引起的任何损失承担任何责任。地址地址 邮编邮编 中国吉林省长春市生态大街 6666 号 130119 中国北京市西城区锦什坊街 28 号恒奥中心 D 座 100033 中国上海市浦东新区杨高南路 799 号 200127 中国深圳市福田区福中三路 1006 号诺德中心 34D 518038 中国广东省广州市天河区冼村街道黄埔大道西 122 号之二星辉中心 15 楼 510630