智能化汽車行業(yè)市場(chǎng)分析一、理論方法突破：AI大模型用于感知融合，后續(xù)有望實(shí)現(xiàn)端到端1.1智能駕駛系統(tǒng)的核心模塊與功能智能駕駛系統(tǒng)可分為感知（Perception），預(yù)測(cè)（Prediction），規(guī)劃（Planning），控制（Control）幾個(gè)主要模塊。感知模塊（Perception）主要負(fù)責(zé)車周信息感知和目標(biāo)檢測(cè)。感知模塊輸入各類傳感器的數(shù)據(jù)，輸出車道線，行人，車輛等的位置和軌跡等信息。感知算法的核心是融合各類傳感器的信息，精準(zhǔn)識(shí)別物體的類別與位置（需要2D還原為3D）。預(yù)測(cè)模塊（Prediction）主要負(fù)責(zé)預(yù)測(cè)車周物體的運(yùn)動(dòng)，評(píng)估障礙物下一時(shí)刻可能的動(dòng)作。預(yù)測(cè)模塊輸入車周物體和車輛自身的位置與速度等信息，輸出物體運(yùn)動(dòng)軌跡的預(yù)測(cè)。決策規(guī)劃模塊（Planning）主要負(fù)責(zé)計(jì)算車輛下一時(shí)刻的運(yùn)動(dòng)路徑，向控制模塊輸出指令。規(guī)劃與決策在開發(fā)環(huán)節(jié)往往結(jié)合在一起，包括三個(gè)層次：（1）全局路徑規(guī)劃（RoutePlanning），結(jié)合目的地和地圖信息生成全局路徑。（2）行為決策層（BehavioralLayer），結(jié)合感知模塊的環(huán)境信息做具體行為決策。（3）運(yùn)動(dòng)規(guī)劃（MotionPlanning），結(jié)合行為決策和約束條件形成運(yùn)動(dòng)軌跡?？刂颇K（Control）主要負(fù)責(zé)精準(zhǔn)控制車輛按規(guī)劃軌跡行駛?？刂颇K根據(jù)決策規(guī)劃的路線，生成具體的加速、轉(zhuǎn)向和制動(dòng)指令，控制驅(qū)動(dòng)系統(tǒng)，轉(zhuǎn)向系統(tǒng)，制動(dòng)系統(tǒng)和懸架系統(tǒng)。Transformer模型加速智能駕駛能力的提升。智能駕駛的本質(zhì)是通過訓(xùn)練使車輛具有人類的駕駛能力，用神經(jīng)網(wǎng)絡(luò)模型替代基于規(guī)則的算法，可提升模型表現(xiàn)。（1）過去，一些智能駕駛的方案中感知，預(yù)測(cè)等模塊采用了CNN和RNN等AI模型；（2）現(xiàn)在，在Transformer模型引入CV領(lǐng)域和智能駕駛領(lǐng)域后，智駕能力的提升明顯加速。例如，在感知模塊，基于BEV+Transformer做特征融合，相較于傳統(tǒng)的CNN模型具有更好的全局感知能力；在預(yù)測(cè)模塊，有研究表明基于Transformer的多模態(tài)軌跡預(yù)測(cè)相較于傳統(tǒng)的RNN等神經(jīng)網(wǎng)絡(luò)也有更好的效果；在規(guī)劃模塊，基于AI模型的算法相比于基于大量規(guī)則的算法也更加簡(jiǎn)潔高效。（3）未來，基于Transformer有望實(shí)現(xiàn)感知決策一體化的大模型。相較于目前模塊化的開發(fā)方式，可以避免級(jí)連誤差，提升視覺信息表達(dá)，優(yōu)化終端性能體驗(yàn)。AI加速智能化第一步：頭部玩家基于BEV+Transformer做特征融合，提升感知能力。車輛獲取外部信息的傳感器包括攝像頭，激光雷達(dá)，毫米波雷達(dá)，超聲波雷達(dá)等，不同傳感器獲取的信息特征不同，因此需要通過算法將各類數(shù)據(jù)融合。過去多傳感器融合采用后融合的方式，將傳感器各自處理后的信息做基于統(tǒng)計(jì)學(xué)模型的加權(quán)運(yùn)算，這樣會(huì)出現(xiàn)數(shù)據(jù)損失?，F(xiàn)在利用Transformer大模型可以提取特征向量，在統(tǒng)一的3D坐標(biāo)系空間（BEV）內(nèi)做特征融合，還可以結(jié)合時(shí)序信息進(jìn)行動(dòng)態(tài)識(shí)別，最后進(jìn)行多任務(wù)輸出，如靜態(tài)語義地圖、動(dòng)態(tài)檢測(cè)等。AI大模型的加持下，智能駕駛的感知能力可以明顯提升，優(yōu)化CornerCase的處理，同時(shí)由于車輛生成了動(dòng)態(tài)語義地圖，可以減少對(duì)高精地圖的依賴。AI加速智能化第二步：感知決策一體化，實(shí)現(xiàn)端到端的智能駕駛。目前采用的模塊化的智能駕駛開發(fā)架構(gòu)（感知—預(yù)測(cè)—規(guī)劃—控制）優(yōu)勢(shì)在于簡(jiǎn)化研發(fā)團(tuán)隊(duì)分工，但是缺點(diǎn)在于會(huì)出現(xiàn)信息損失和累計(jì)誤差問題，同時(shí)每個(gè)模塊的優(yōu)化目標(biāo)不一致。我們認(rèn)為，基于Transformer的模型的Attenion機(jī)制，未來智能駕駛有望統(tǒng)一感知與決策算法模塊，實(shí)現(xiàn)端到端的大模型，即一個(gè)模型輸入傳感器數(shù)據(jù)，直接輸出控制信號(hào)。端到端的智能駕駛可以避免累積錯(cuò)誤或任務(wù)協(xié)調(diào)不足的問題。1.2Transformer大模型的演進(jìn)與原理Transformer是谷歌2017年提出的AI大模型，最早用于自然語言處理領(lǐng)域。人工智能的核心技術(shù)是神經(jīng)網(wǎng)絡(luò)模型，較為主流和有效的神經(jīng)網(wǎng)絡(luò)模型主要包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、深度神經(jīng)網(wǎng)絡(luò)（DNN）和脈沖神經(jīng)網(wǎng)絡(luò)（SNN）等，主要應(yīng)用于自然語言處理（NLP）和計(jì)算機(jī)視覺（CV）等領(lǐng)域。2017年谷歌在論文《Attentionisallyouneed》提出Transformer大模型，在眾多自然語言處理問題中取得了非常好的效果。Transformer模型屬于Encoder-Decoder類模型，舉例來說，Bert側(cè)重Encoder，GPT2側(cè)重Decoder。Transformer模型的核心在于引入了多頭注意力機(jī)制（Multi-HeadAttention）。注意力機(jī)制：通過找到查詢（Query）鍵（Key）的相關(guān)性，去找到最合適的值（Value）。當(dāng)Q，K，V的來源相同時(shí)，就是自注意力機(jī)制。自注意力機(jī)制：向量矩陣X與可訓(xùn)練的三個(gè)權(quán)重參數(shù)W(q)、W(k)、W(v)相乘得到Q，K，V（如q1=X1×W(q1)），然后通過Q和K的計(jì)算得到相似度，經(jīng)過Softmax的歸一化后與V相乘，計(jì)算加權(quán)求和。在智能駕駛的感知環(huán)節(jié)，自注意力機(jī)制可以理解為用于提取一類特征。多頭注意力機(jī)制：定義和訓(xùn)練多組權(quán)重參數(shù)矩陣W，生成多組Q、K、V，最后學(xué)習(xí)到不同的參數(shù)Z1-Zn。通過形狀變換進(jìn)行合并，得到多頭注意力的最終輸出結(jié)果。在智能駕駛的感知環(huán)節(jié)，多頭注意力機(jī)制可以理解為提取多個(gè)特征。Transformer模型包括編碼器（Encoder）和解碼器（Decoder）兩個(gè)部分。編碼器用于將序列轉(zhuǎn)換為一組向量表示，包括多頭注意力和前饋，解碼器用于將向量解碼為輸出序列，包括多頭注意力、編碼器-解碼器注意力和前饋。（1）在編碼器中，數(shù)據(jù)到達(dá)Multi-HeadAttention時(shí)，會(huì)分為三部分輸入（k、v、q），v表示輸入特征的向量，k和q是用于計(jì)算輸入向量之間彼此的關(guān)聯(lián)程度。k、v、q都是張量，是通過輸入向量本身相應(yīng)權(quán)重W(q)、W(k)、W(v)獲得的。多頭對(duì)應(yīng)多個(gè)特征，即為每個(gè)輸入數(shù)據(jù)匹配多個(gè)k、v、q，多頭之間的計(jì)算互不影響。（2）解碼器中的Multi-HeadAttention也是自注意力機(jī)制，和編碼器的過程類似。（3）連接encoder和decoder的Multi-HeadAttention是非自注意力機(jī)制，這里的q是來源于上一個(gè)Output經(jīng)過一個(gè)MaskedMulti-HeadAttention和Add&Norm層之后的輸出，k、v來源于encoder編碼器。Transformer模型通過注意力機(jī)制，整合了CNN易于并行化的優(yōu)勢(shì)和RNN模型可以捕捉長(zhǎng)序列內(nèi)的依賴關(guān)系的優(yōu)勢(shì)。神經(jīng)網(wǎng)絡(luò)模型可以分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)兩類：（1）前饋神經(jīng)網(wǎng)絡(luò)中，信息從輸入層開始輸入，每層的神經(jīng)元接收前一級(jí)輸入，并輸出到下一級(jí)，直至輸出層。整個(gè)網(wǎng)絡(luò)信息輸入傳輸中無反饋（循環(huán)）。常見的前饋神經(jīng)網(wǎng)絡(luò)如卷積神經(jīng)網(wǎng)絡(luò)（CNN）。（2）反饋神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元不但可以接收其他神經(jīng)元的信號(hào)，而且可以接收自己的反饋信號(hào)，常見的反饋神經(jīng)網(wǎng)絡(luò)如循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)。Transformer模型利用注意力機(jī)制實(shí)現(xiàn)了并行化捕捉序列依賴，并且同時(shí)處理序列的每個(gè)位置的Tokens。因此相對(duì)于CNN模型，Transformer模型可以捕捉長(zhǎng)序列內(nèi)的依賴關(guān)系，相對(duì)于RNN模型，Transformer模型有更高的并行度，且能保存更多的前期數(shù)據(jù)。2020年的VIT模型開拓了Transformer在CV領(lǐng)域的應(yīng)用。Transformer作為序列到序列學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)大模型，最早用于自然語言處理，如機(jī)器翻譯等場(chǎng)景中。2020年谷歌論文《AnImageIsWorth16x16Words:TransformersForImageRecognitionAtScale》提出的VIT模型（VisionTransformer）以Transformer為backbone，在CV領(lǐng)域起到了很好的效果。由于Transformer主要是處理序列，VIT模型首先將圖片分割成多個(gè)patch，再將每個(gè)patch投影為固定長(zhǎng)度的向量送入Transformer，再進(jìn)行Encoder等操作。相較于CNN中的卷積操作只能捕獲局部信息，而不能建立全局圖像的長(zhǎng)距離連接，視覺Transformer的多頭注意力通過qkv去捕捉全局的特征與特征之間的關(guān)系，可以獲取更多上下文信息，擴(kuò)大圖像的全局感知。與VIT同年，特斯拉將Transformer引入自動(dòng)駕駛領(lǐng)域。2020年特斯拉重寫智能駕駛軟件架構(gòu)，2021年特斯拉AIDAY上展示了基于Transformer的BEV感知方案，核心是用BEV+Transformer將各個(gè)攝像頭的信息進(jìn)行特征提取和融合。目前主流用BEV+Transformer的方法包括DETR3D，PETR，BEVFormer等，以BEVFormer為例，首先在BEV視角下重構(gòu)特征空間，然后利用Attention提取和對(duì)齊時(shí)間和空間維度的特征。在攝像頭視覺融合的基礎(chǔ)上，Transformer也可以實(shí)現(xiàn)攝像頭視覺信息和激光雷達(dá)的多模融合。1.3Transformer在智能駕駛的具體應(yīng)用目前國內(nèi)外頭部企業(yè)利用BEV+Transformer做感知環(huán)節(jié)的特征融合。自特斯拉2020年提出應(yīng)用BEV（Bird’sEyeView）鳥瞰圖的3D坐標(biāo)系空間，把各個(gè)攝像頭的信息進(jìn)行融合，在BEV空間內(nèi)做特征融合已經(jīng)成為視覺感知融合的前沿主流方案。BEV+Transformer可分成五步:(1)將攝像頭數(shù)據(jù)輸入到共享的骨干網(wǎng)絡(luò)（Backbone），提取每個(gè)攝像頭的數(shù)據(jù)特征（feature）。(2)把所有的攝像頭數(shù)據(jù)（跨攝）進(jìn)行融合，并轉(zhuǎn)換到BEV空間。(3)在BEV空間內(nèi)，進(jìn)行跨模態(tài)融合，將像素級(jí)的視覺數(shù)據(jù)和激光雷達(dá)點(diǎn)云進(jìn)行融合。(4)進(jìn)行時(shí)序融合，形成4D時(shí)空維度的感知信息。(5)多任務(wù)輸出，如靜態(tài)語義地圖、動(dòng)態(tài)檢測(cè)等。目前，特斯拉，小鵬，理想與華為等企業(yè)利用Transformer+BEV等大模型進(jìn)行視覺感知融合，可以識(shí)別車身周圍的各類物體，構(gòu)建動(dòng)態(tài)實(shí)時(shí)地圖，在理論上可以擺脫或者減輕對(duì)高精地圖的依賴。特斯拉2021年先提出用BEV+Transformer實(shí)現(xiàn)目標(biāo)檢測(cè)，又在2022年提出OccupancyNetwork升級(jí)到語義分割，進(jìn)一步提升感知精度，同時(shí)避免碰撞。目標(biāo)檢測(cè)（ObjectDetection）和語義分割（SemanticSegmentation）是CV領(lǐng)域的概念，目標(biāo)檢測(cè)的任務(wù)是對(duì)輸入的圖像進(jìn)行物體檢測(cè)，標(biāo)注物體在圖像上的位置，以及該位置上物體屬于哪個(gè)分類，語義分割的任務(wù)是對(duì)輸入的圖像進(jìn)行逐像素的分類，標(biāo)記出像素級(jí)別的物體。（1）目標(biāo)檢測(cè)（ObjectDetection）：目標(biāo)檢測(cè)通用的結(jié)構(gòu)為：Input→Backbone→Neck→Head→Output。其中Backbone指特征提取網(wǎng)絡(luò)，Head指在特征提取后的特征圖表示，Neck位于主干和頭部之間，用于提取一些更精細(xì)的特征。在特斯拉2021年AIDAY提出的神經(jīng)網(wǎng)絡(luò)架構(gòu)中，Backbone:選擇RegNet和ResNet為主要架構(gòu)，Neck:選擇BiFPN，Head:選擇HydraNets（采用了類Transformer的架構(gòu)）。（2）語義分割（SemanticSegmentation）：語義分割是從粗推理到精推理的步驟，一般而言語義分割需要先分類，然后本地化/檢測(cè)，最后通過對(duì)每個(gè)像素進(jìn)行密集的預(yù)測(cè)、推斷標(biāo)簽來實(shí)現(xiàn)細(xì)粒度的推理。特斯拉2022年提出OccupancyNetwork（占用網(wǎng)絡(luò)），將三維空間劃分成體素voxel，對(duì)有物體的voxel賦值為1，表示voxel被物體占據(jù)；沒有物體的voxel被賦值為0，在分割后進(jìn)一步識(shí)別和判斷。Occupancy網(wǎng)絡(luò)最核心的升級(jí)正在于從目標(biāo)檢測(cè)（ObjectDetection）升級(jí)到語義分割（SemanticSegmentation）。一方面對(duì)于白名單的依賴度降低，因此識(shí)別異性物體的能力大大增強(qiáng)，另一方面克服了目標(biāo)檢測(cè)方法對(duì)于目標(biāo)的外形高度敏感的問題。在特斯拉之后，理想汽車在2023年雙能戰(zhàn)略發(fā)布會(huì)上也表示利用Occupancy網(wǎng)絡(luò)識(shí)別通用障礙物，華為提出的GOD網(wǎng)絡(luò)也是基于Occupancy的框架。未來有望基于Transformer大模型實(shí)現(xiàn)端到端的輔助駕駛。在模塊化的算法框架下，輔助駕駛方案分成感知—預(yù)測(cè)—規(guī)劃—執(zhí)行各個(gè)環(huán)節(jié)，目前BEV+Transformer主要用來做感知環(huán)節(jié)的特征融合，以替代后融合的方案，提升感知能力并擺脫對(duì)高精地圖的依賴。但整體而言，感知和預(yù)測(cè)模塊的數(shù)據(jù)會(huì)再輸入到規(guī)劃決策模塊，再通過執(zhí)行模塊的計(jì)算輸出指令，各個(gè)模塊之間仍然是分離的。我們認(rèn)為未來基于大模型有望實(shí)現(xiàn)端到端的輔助駕駛，即傳感器的數(shù)據(jù)輸入大模型后直接輸出執(zhí)行信號(hào)。特斯拉FSDbetaV12版本有望率先實(shí)現(xiàn)端到端的大模型，遠(yuǎn)期國內(nèi)車企也有望實(shí)現(xiàn)端到端。我們以CVPR2023最佳論文《Planning-orientedAutonomousDriving》提出的算法框架UniAD為例解釋端到端智能駕駛的實(shí)現(xiàn)方式。UniAD由2個(gè)感知模塊，2個(gè)預(yù)測(cè)模塊和1個(gè)規(guī)劃模塊組成：（1）TrackFormer：用于動(dòng)態(tài)元素的特征提取，例如車輛和行人的幀間跟蹤。（2）MapFormer：用于靜態(tài)元素的特征提取，以及實(shí)例級(jí)的地圖預(yù)測(cè)。（3）MotionFormer：將動(dòng)態(tài)與靜態(tài)元素的特征融合，進(jìn)行長(zhǎng)時(shí)序的軌跡預(yù)測(cè)。（4）OccFormer：基于較短時(shí)序的全場(chǎng)景BEV，進(jìn)行實(shí)例級(jí)的預(yù)測(cè)。（5）Planner：基于自車query的軌跡規(guī)劃和Occ的碰撞優(yōu)化進(jìn)行規(guī)劃。可以從圖中看到，感知和預(yù)測(cè)模塊都是基于Transformer架構(gòu)，查詢向量Q將各個(gè)模塊串聯(lián)起來，其中，TrackFormer的Query會(huì)一直傳遞到Planner模塊，以此實(shí)現(xiàn)了全棧Transformer二、產(chǎn)業(yè)進(jìn)展突破：海外特斯拉FSD快速升級(jí)，國內(nèi)城市NOA即將規(guī)模落地2.1特斯拉：FSD海外推廣順利，年內(nèi)有望推送V12版本海外特斯拉FSD的新一代的升級(jí)即將完成。特斯拉FSD誕生以來經(jīng)歷過幾次重大升級(jí)，當(dāng)前FSD在BEV+transformer+占用網(wǎng)絡(luò)的底層支持下有望完成新一代的升級(jí)，有望大幅提升FSD的高階智能駕駛能力和迭代速度。2017-2019年Mobileye主導(dǎo)時(shí)代。2016年之前，特斯拉FSD算法全部由Mobileye提供，Mobileye沿用傳統(tǒng)視覺路線，采用低精度地圖+算法迭代實(shí)現(xiàn)自動(dòng)駕駛功能；2016年到2019年間，特斯拉加大對(duì)視覺感知算法的研發(fā)投入，逐步建立起自身的軟件和算法框架。2019-2020年FSD芯片上車，全棧自研第一階段。2019年起，F(xiàn)SD芯片上車，特斯拉加快了軟件的迭代速度，同時(shí)開始發(fā)展視覺神經(jīng)網(wǎng)絡(luò)，在純視覺感知路線上不斷深耕。2019年到2023，BEV、transformer、占用網(wǎng)絡(luò)等引入，全棧自研第二階段。2021年7月推送的FSDBetaV9版本的軟件從底層完全重寫，不依賴?yán)走_(dá)，只采用TeslaVision視覺方案。經(jīng)過多次迭代，最新版本FSDBetaV11.4.2已于今年5月推送，修復(fù)了此前版本中存在的諸多BUG，并將B柱攝像頭的可視范圍從262英尺（80米）擴(kuò)展到623英尺（190米），可以讓FSD系統(tǒng)的響應(yīng)時(shí)間延長(zhǎng)到7-8秒，更早發(fā)現(xiàn)前方路況信息，并讓駕駛員有更充足的時(shí)間做出反應(yīng)。2023H2最新FSD12版本有望推出。特斯拉預(yù)計(jì)2023年內(nèi)推出FSDV12，或?qū)⒁攵说蕉薃I更新其全自動(dòng)駕駛包。AI算法訓(xùn)練的數(shù)據(jù)基礎(chǔ)，基于海量的人類司機(jī)駕駛數(shù)據(jù)，通過AI算法訓(xùn)練，使智能駕駛系統(tǒng)能夠像成熟人類司機(jī)一樣接管cornercase，應(yīng)對(duì)復(fù)雜路況。此外，據(jù)馬斯克透露，F(xiàn)SDV12將取消Beta版本。這意味著特斯拉有可能在年內(nèi)正式向北美用戶推送FSD的完整版。海外特斯拉FSD滲透率未來有望大幅提升。據(jù)TroyTeslike數(shù)據(jù)，特斯拉FSD全球滲透率在2019Q2達(dá)到高點(diǎn)45.7%，主要原因是前期特斯拉銷售主力車型是售價(jià)相對(duì)較貴的ModelS、ModelX，客戶群體預(yù)算較為充足對(duì)價(jià)格相對(duì)不敏感。隨著后期Model3、ModelY等價(jià)格較低車型銷量占比持續(xù)提升，該部分群體對(duì)價(jià)格敏感，而FSD技術(shù)相對(duì)尚未成熟，所以付費(fèi)意愿不強(qiáng)使得FSD滲透率走低，2022Q3全球滲透率已降至7.4%。到了2022年11月FSDBetaV11版本的發(fā)布使得車輛決策時(shí)間尤其在左右轉(zhuǎn)時(shí)大大縮短，延遲減小，性能和使用體驗(yàn)顯著提升，同時(shí)2022年11月開始FSDBeta不再對(duì)安全評(píng)分進(jìn)行要求，可以向幾乎全部北美FSD已購買或訂閱車主進(jìn)行推送。截至2023年1月，已經(jīng)有40萬北美用戶接入FSDBeta，相較于2022年12月公布的數(shù)據(jù)28.5萬提升近40%。我們預(yù)計(jì)隨著FSDV12完整版的到來，F(xiàn)SD功能趨于完善，消費(fèi)者的付費(fèi)意愿不斷增強(qiáng)，F(xiàn)SD滲透率有望加速向上。“超級(jí)計(jì)算機(jī)”Dojo投產(chǎn)運(yùn)行將助力FSD性能躍升，助力特斯拉實(shí)現(xiàn)全面自動(dòng)駕駛。近期，特斯拉披露了特斯拉首臺(tái)“超級(jí)計(jì)算機(jī)”Dojo的進(jìn)展，其計(jì)劃于7月正式投入生產(chǎn)，到2024年初，將成為全球最先進(jìn)的5臺(tái)超級(jí)計(jì)算機(jī)之一。Dojo是用來處理AI任務(wù)的超級(jí)計(jì)算機(jī),可以幫助特斯拉更高效地處理海量的車輛行駛數(shù)據(jù)，包括車輛的傳感器數(shù)據(jù)、路況信息等等，從而提升特斯拉自動(dòng)駕駛算法的準(zhǔn)確性和安全性。一旦正式投入使用，或?qū)⑦M(jìn)一步提升特斯拉電動(dòng)車的計(jì)算機(jī)視覺能力，使FSD自動(dòng)駕駛水平再上一個(gè)臺(tái)階。特斯拉方面稱，一旦Dojo啟動(dòng)并運(yùn)行，特斯拉完全自動(dòng)駕駛系統(tǒng)FSDBeta將呈現(xiàn)“指數(shù)級(jí)提升”。2.2國內(nèi)主機(jī)廠新一代智能駕駛系統(tǒng)城市領(lǐng)航輔助2023H2開始落地1）2023H2城市NOA有望開始大規(guī)模推廣從2021年開始，多家車企公布了城市NOA的上線計(jì)劃。到2022年下半年，城市NOA已經(jīng)從概念變成現(xiàn)實(shí)。2022年9月，小鵬P5率先在廣州推出城市NOA功能，緊隨其后極狐阿爾法S的HI版綁定華為的解決方案，相繼在深圳、上海落地了城市NOA功能。到了2023年，眾多車企在城市NOA方面有了突破性進(jìn)展，2023H2各車企的城市NOA即將大規(guī)模落地。小鵬汽車：國內(nèi)首家上線城市NOA的車企，并預(yù)計(jì)于2024年實(shí)現(xiàn)車位到車位的全景輔助駕駛能力。2018年12月小鵬首次推出輔助駕駛系統(tǒng)Xpilot2.0，搭載于小鵬首款智能汽車G3，計(jì)算平臺(tái)采用MobileyeEyeQ4芯片。2021年1月小鵬推出P7車型，搭載Xavier芯片，并配備自動(dòng)駕駛輔助系統(tǒng)Xpilot3.0，支持NGP高速領(lǐng)航輔助駕駛功能，實(shí)現(xiàn)“泊車+高速”雙場(chǎng)景覆蓋。2022年6月，小鵬發(fā)布的G9中正式搭載了最新硬件系統(tǒng)，將Xavier芯片替換為英偉達(dá)最新的OrinX芯片，打造出Xpilot4.0。2022年9月，小鵬汽車成為國內(nèi)首個(gè)上線城市NOA功能的車企，并開始在廣州進(jìn)行試點(diǎn)。2023年4月，小鵬發(fā)布SEPA2.0扶搖全域智能進(jìn)化架構(gòu)，并搭載了XNGP智能輔助駕駛系統(tǒng)。目前，XNGP已實(shí)現(xiàn)第一階段能力，覆蓋G9Max及P7iMax版車型，主要包括在上海、深圳、廣州、北京四座有高精地圖覆蓋的城市開放城市NGP。小鵬計(jì)劃在下半年在無高精地圖覆蓋的城市開放自動(dòng)變道、超車、左右轉(zhuǎn)的能力，并預(yù)計(jì)在2024年推出XNGP的終極形態(tài)，實(shí)現(xiàn)車位到車位的全場(chǎng)景輔助駕駛能力。蔚來汽車：國內(nèi)首家實(shí)現(xiàn)NOA高速領(lǐng)航的公司，并計(jì)劃于下半年發(fā)布城區(qū)NOP+。蔚來于2017年12月便首次發(fā)布了第一代自動(dòng)駕駛系統(tǒng)NIOPilot，搭載于蔚來首款車型ES8。2020年10月，蔚來自動(dòng)駕駛系統(tǒng)首次融入高精度地圖，釋放的高速場(chǎng)景下點(diǎn)對(duì)點(diǎn)領(lǐng)航輔助駕駛功能，是國內(nèi)首家實(shí)現(xiàn)NOA高速領(lǐng)航落地的公司。2021年1月，在蔚來NIODAY上，李斌發(fā)布了NT2.0以及基于此平臺(tái)打造的NAD自動(dòng)駕駛系統(tǒng)。配備此系統(tǒng)的最新款車型ET7已于2022年3月落地交付。2022年12月，蔚來發(fā)布NOP+，2023年7月，蔚來NOP+已于7月1日開啟商用。目前NOP+已經(jīng)在北京二環(huán)、三環(huán)、四環(huán)、五環(huán)等城市環(huán)路及快速路、高速公路實(shí)現(xiàn)全覆蓋。理想汽車：計(jì)劃2023年下半年開通城市通勤NOA。理想2019年理想ONE上市時(shí)，智能駕駛芯片及視覺融合方案來自Mobileye，軟件基于易航智能。2021年理想開始強(qiáng)化智能駕駛的自研能力，智能駕駛計(jì)算平臺(tái)切換為地平線J3，并在5月引入高清地圖，在12月交付NOA高速導(dǎo)航輔助駕駛并優(yōu)化AEB功能。2022年理想智能駕駛系統(tǒng)升級(jí)為第二代ADMAX，感知、決策、規(guī)劃和控制軟件為全棧自研，智能駕駛計(jì)算平臺(tái)升級(jí)為兩顆英偉達(dá)Orin-X處理器,總算力達(dá)到508Tops，搭載于2022年3月發(fā)布的L9。2023年6月，不依賴高精地圖的城市NOA開啟內(nèi)測(cè)。2023年下半年，理想計(jì)劃開通城市通勤NOA功能。比亞迪：2022年開始自動(dòng)駕駛路線從合作借鑒轉(zhuǎn)為建立自研能力，高速DNP功能將于今年三季度搭載于漢車型上。2021年底開始，比亞迪先后與Momenta、百度、地平線、速騰聚創(chuàng)宣布了合作進(jìn)展。其中2021年12月，比亞迪與Momenta成立了合資公司迪派智行，為雙方長(zhǎng)期在智能駕駛領(lǐng)域攜手融合發(fā)展高階智能駕駛技術(shù)正式拉開序幕。到了2021年之后，比亞迪開始進(jìn)入到第二個(gè)階段，合作借鑒建立自研的基礎(chǔ)能力。從功能層面看，比亞迪自研的高速DNP高階智能駕駛輔助相關(guān)功能即將在今年第三季度搭載漢車型上。漢之后，王朝系列唐、宋的部分版型也將迎來高階智駕功能。定位更高的騰勢(shì)、F品牌、仰望等，也已規(guī)劃或公布將搭載包括城市NOA在內(nèi)的高階智駕功能。從技術(shù)路徑看，業(yè)內(nèi)前沿的BEV感知大模型比亞迪也將于今年內(nèi)部署，并且將會(huì)在下一步規(guī)劃部署占用網(wǎng)絡(luò)。長(zhǎng)城汽車：毫末城市NOH預(yù)計(jì)今年三季度落地。2019年，長(zhǎng)城汽車智能駕駛前瞻部與諸多科技公司自動(dòng)駕駛?cè)瞬湃诤隙闪⒘撕聊┲切小?021年6月，毫末智行發(fā)布小魔盒1.5，通過搭載3個(gè)激光雷達(dá)、8個(gè)毫米波雷達(dá)、3個(gè)視覺傳感器、高精度地圖、導(dǎo)航及定位系統(tǒng)等傳感器設(shè)備，實(shí)現(xiàn)L3級(jí)輔助駕駛功能。2022年1月5日，毫末智行攜與高通聯(lián)手研發(fā)的輔助駕駛域控制器——小魔盒3.0亮相，通過接入12路8百萬像素?cái)z像頭，5路毫米波雷達(dá)，3路激光雷達(dá)，為多視覺+多毫米波+多激光雷達(dá)的前融合感知算法，可滿足當(dāng)前L3以及后續(xù)L4/L5等全場(chǎng)景自動(dòng)駕駛功能的實(shí)現(xiàn)。毫末智行城市NOH預(yù)計(jì)在今年三季度落地，于2024年上半年即可完成落地城市100城的目標(biāo),實(shí)現(xiàn)點(diǎn)點(diǎn)互達(dá)。2025年更大規(guī)模全場(chǎng)景的NOH將更快落地,全面邁入全無人駕駛時(shí)代。華為：城市NCA已經(jīng)實(shí)現(xiàn)落地，并將實(shí)現(xiàn)更多無圖城市的落地。華為于2012年開始做汽車領(lǐng)域相關(guān)研發(fā)，2019年4月，華為對(duì)外發(fā)布了HiCar人-車-家全場(chǎng)景無縫互聯(lián)解決方案。2021年4月18日，華為舉行HI新品發(fā)布會(huì)，發(fā)布了包括鴻蒙OS智能座艙、智能駕駛計(jì)算平臺(tái)MDC810、4D成像雷達(dá)、“華為八爪魚”自動(dòng)駕駛開放平臺(tái)和智能熱管理系統(tǒng)TMS在內(nèi)的五大新產(chǎn)品。2022年9月24日，華為和極狐共同宣布，城市NCA功能首發(fā)落地深圳。今年三季度，華為城區(qū)NCA將實(shí)現(xiàn)15個(gè)無圖城市的落地，四季度將新增30個(gè)無圖城市落地至45城。2）城市領(lǐng)航輔助的落地將促進(jìn)消費(fèi)者的認(rèn)知提升和主機(jī)廠的技術(shù)迭代。城市NOA的落地意味著高階智能駕駛的使用場(chǎng)景大幅度擴(kuò)展，從之前的高速公路、封閉園區(qū)等特定場(chǎng)景擴(kuò)展到更復(fù)雜的城市場(chǎng)景。對(duì)于用戶來講，高階智能駕駛的體驗(yàn)也大幅度提升。之前在特定場(chǎng)景才能使用的高階智能駕駛相關(guān)功能，目前在日常通勤的城市場(chǎng)景也可使用。同時(shí)，對(duì)于體量較大以及自動(dòng)駕駛算法正向研發(fā)能力強(qiáng)的頭部企業(yè)來講，使用場(chǎng)景的擴(kuò)展意味著數(shù)據(jù)量更加豐富，進(jìn)而使得算法迭代速度將提升。三、國內(nèi)高階智能化蝶變時(shí)刻：供給創(chuàng)造需求，滲透率有望大幅提升3.1SUV及電動(dòng)化發(fā)展復(fù)盤：5%-10%滲透率后，供給優(yōu)化驅(qū)動(dòng)滲透率快速提升國內(nèi)SUV滲透率和新能源滲透率的增長(zhǎng)符合“S曲線”。產(chǎn)業(yè)內(nèi)新技術(shù)的應(yīng)用和新產(chǎn)品的推廣往往不是線性的過程，而是符合“S曲線”的發(fā)展規(guī)律，在技術(shù)發(fā)展與產(chǎn)品應(yīng)用的早期，是供給創(chuàng)造需求，滲透率處于低位，愿意嘗鮮的消費(fèi)者群體開始感受技術(shù)與產(chǎn)品的優(yōu)勢(shì)并將向身邊人傳播，這時(shí)也可能出現(xiàn)由于產(chǎn)品體驗(yàn)不佳，大家對(duì)實(shí)際需求的質(zhì)疑。伴隨著技術(shù)的持續(xù)升級(jí)與產(chǎn)品體驗(yàn)的持續(xù)提升，優(yōu)質(zhì)供給會(huì)擴(kuò)大需求，同時(shí)可能出現(xiàn)供應(yīng)鏈為追求規(guī)模效應(yīng)降價(jià)，當(dāng)“體驗(yàn)/成本”到達(dá)某一奇點(diǎn)時(shí)，滲透率會(huì)快速提升。復(fù)盤國內(nèi)SUV滲透率和新能源滲透率的提升過程，可以看到滲透率在5%-10%區(qū)間之后出現(xiàn)快速增長(zhǎng)。5%-10%滲透率之后，供給優(yōu)化驅(qū)動(dòng)電動(dòng)車和SUV滲快速提升（1）復(fù)盤SUV細(xì)分市場(chǎng)的發(fā)展，2009-2012年間SUV滲透率處于5%-10%，2012年后SUV滲透率開始快速增長(zhǎng)。2009-2012年間的核心變化是出現(xiàn)了哈弗H6，途觀，CRV換代等優(yōu)質(zhì)供給，尤其在2012年，哈弗H6和途觀換代產(chǎn)品放量，年銷量分別超過22萬輛和15萬輛，供給端的優(yōu)化驅(qū)動(dòng)2012年后SUV滲透率快速增長(zhǎng)。（2）復(fù)盤新能源細(xì)分市場(chǎng)的發(fā)展，2018-2020年間新能源滲透率處于5%-10%，2021年后新能源滲透率開始快速增長(zhǎng)。2018-2020年間，新能源市場(chǎng)受補(bǔ)貼影響較大，整體新能源車的產(chǎn)品力較弱。2020年開始，市場(chǎng)出現(xiàn)Model3，理想ONE，比亞迪漢等產(chǎn)品力較強(qiáng)的產(chǎn)品，供給端的優(yōu)化驅(qū)動(dòng)2021年后新能源滲透率快速增長(zhǎng)。3.2高階智能駕駛：2023H2供給側(cè)質(zhì)變，后續(xù)滲透率快速提升1）供給優(yōu)化的趨勢(shì)：2023H1城市領(lǐng)航輔助駕駛大規(guī)模落地，后續(xù)預(yù)計(jì)“算法升級(jí)→硬件降本→性能更強(qiáng)價(jià)格更低的產(chǎn)品推出”。從供給端看，2023年開始頭部車企推出具有高階輔助駕駛功能的產(chǎn)品，并大規(guī)模落地城區(qū)NOA。一方面，伴隨著數(shù)據(jù)的累積和模型的訓(xùn)練，智能駕駛算法能力有望快速升級(jí)。另一方面，伴隨著算法的迭代和成熟，高階輔助智能駕駛有望減配高精地圖和激光雷達(dá)等高成本硬件。目前，國內(nèi)能夠?qū)崿F(xiàn)NOA功能的高階輔助駕駛硬件成本預(yù)計(jì)2.5-3萬元。（1）感知環(huán)節(jié)：目前傳感器成本預(yù)計(jì)5000-10000萬元，主要取決于激光雷達(dá)的數(shù)量，目前單顆激光雷達(dá)價(jià)格預(yù)計(jì)3000-5000元。此外，高精地圖的成本也較高。（2）計(jì)算環(huán)節(jié)：目前智駕域控制器成本預(yù)計(jì)1.5-2.5萬元，主要取決于SoC芯片數(shù)量和價(jià)格，目前的英偉達(dá)的大算力SoC芯片價(jià)格仍較高，地平線等國內(nèi)供應(yīng)商和特斯拉/華為等自研芯片的成本預(yù)計(jì)較低。我們預(yù)計(jì)在“重感知輕地圖”的路線下，伴隨著算法的迭代和成熟，高階輔助智能駕駛有望減配高成本硬件，未來綜合成本有望降低50%。2）未來幾年高階輔助駕駛有望進(jìn)入滲透率快速提升過程。我們認(rèn)為當(dāng)下高階輔助駕駛功能的核心問題不在于需求，而在于體驗(yàn)和成本。基于BEV+Transformer技術(shù)路線并持續(xù)升級(jí)的算法，一方面可以提升輔助駕駛功能的體驗(yàn)，另一方面可以降低硬件成本。目前，明確表示在2023年內(nèi)開通城區(qū)NOA功能的車型包括：小鵬G6，理想L7MAX/L8MAX/L9，華為問界M5高階智駕版，阿維塔11，我們預(yù)計(jì)比亞迪騰勢(shì)N7高階版，仰望U8，長(zhǎng)城藍(lán)山等車型也有望2024年落地城市導(dǎo)航輔助駕駛。按照當(dāng)前已知的車企規(guī)劃估計(jì)，2025年高階輔助駕駛滲透率有望接近10%。2025年之后，伴隨著體驗(yàn)的升級(jí)和成本的下降，高階輔助駕駛滲透率有望快速增長(zhǎng)。四、產(chǎn)業(yè)影響：整車格局重構(gòu)和零部件賽道重估4.1整車格局可能因?yàn)橹悄芑黄飘a(chǎn)生新的變化智能駕駛產(chǎn)品技術(shù)上的代際升級(jí)有望驅(qū)動(dòng)整車格局的新變遷。復(fù)盤全球和國內(nèi)車企崛起的經(jīng)驗(yàn)，生產(chǎn)技術(shù)/產(chǎn)品技術(shù)/需求挖掘的代際變革和邊際優(yōu)化是一個(gè)車企崛起的核心原因。（1）從生產(chǎn)技術(shù)角度，汽車行業(yè)經(jīng)歷了手工生產(chǎn)—大批量生產(chǎn)—精益生產(chǎn)的代際性的變革，其中又有平臺(tái)化模塊化等生產(chǎn)方式創(chuàng)新