智能汽車行業(yè)市場分析進(jìn)展與趨勢特斯拉開啟自動(dòng)駕駛3.0大模型時(shí)代特斯拉率先引入大模型，開啟自動(dòng)駕駛3.0時(shí)代。2015年，特斯拉開始布局自研自動(dòng)駕駛軟硬件，2016-2019年陸續(xù)實(shí)現(xiàn)算法和芯片自研。2020年特斯拉重構(gòu)自動(dòng)駕駛算法，引入BEV+Transformer取代傳統(tǒng)的2D+CNN算法，并采用特征級(jí)融合取代后融合，自動(dòng)標(biāo)注取代人工標(biāo)注。2022年算法中引入時(shí)序網(wǎng)絡(luò)，并將BEV升級(jí)為占用網(wǎng)絡(luò)(OccupancyNetwork)。2023年8月，端到端AI自動(dòng)駕駛系統(tǒng)FSDBetaV12首次公開亮相，完全依靠車載攝像頭和神經(jīng)網(wǎng)絡(luò)來識(shí)別道路和交通情況，并做出相應(yīng)的決策。FSD入華進(jìn)程漸近，有望加速智能化進(jìn)程。目前FSDBeta版本尚未在國內(nèi)開放，根據(jù)36氪消息，特斯拉已在中國建立數(shù)據(jù)中心，并布局組建國內(nèi)運(yùn)營團(tuán)隊(duì)和數(shù)據(jù)標(biāo)注團(tuán)隊(duì)。由于中國道路的復(fù)雜性，特斯拉FSD方案入華仍要進(jìn)行大量中國里程的實(shí)車驗(yàn)證，采集對(duì)應(yīng)場景的數(shù)據(jù)，優(yōu)化訓(xùn)練出針對(duì)中國場景的神經(jīng)網(wǎng)絡(luò)模型，提煉針對(duì)性策略。我們認(rèn)為，F(xiàn)SD或?qū)⒃?024年進(jìn)入中國，經(jīng)過對(duì)中國道路的訓(xùn)練后，2025年大規(guī)模上車。預(yù)計(jì)FSD入華后，有望整體加速中國電動(dòng)汽車的智能化進(jìn)程。BEV+Transformer提高智能駕駛感知能力和泛化能力BEV/Transformer分別是什么？BEV全稱是Bird’sEyeView(鳥瞰視角），是將三維環(huán)境信息投影到二維平面的一種方法，以俯視視角來展示環(huán)境當(dāng)中的物體和地形。Transformer大模型本質(zhì)上是基于自注意力機(jī)制的深度學(xué)習(xí)模型，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)RNN和CNN不同，Transformer不會(huì)按照串行順序來處理數(shù)據(jù)，而是通過注意力機(jī)制，挖掘序列中不同元素的聯(lián)系及相關(guān)性，使得Transformer可以適應(yīng)不同長度和不同結(jié)構(gòu)的輸入，從而提高模型在處理序列數(shù)據(jù)上的能力。與傳統(tǒng)小模型相比，BEV+Transformer的優(yōu)勢主要在于提升智能駕駛的感知能力和泛化能力，有助于緩解智能駕駛的長尾問題：1）提高感知能力：BEV統(tǒng)一視角，將激光雷達(dá)、雷達(dá)和相機(jī)等多模態(tài)數(shù)據(jù)融合至同一平面上，可以提供全局視角并消除數(shù)據(jù)之間的遮擋和重疊問題，提高物體檢測和跟蹤的精度；2）提高泛化能力：Transformer模型通過自注意力機(jī)制，可實(shí)現(xiàn)全局理解的特征提取，有利于尋找事物本身的內(nèi)在關(guān)系，使智能駕駛學(xué)會(huì)總結(jié)歸納而不是機(jī)械式學(xué)習(xí)。占用網(wǎng)絡(luò)模型有望成為下一代自動(dòng)駕駛算法進(jìn)步方向特斯拉在2022年AIDay上發(fā)布OccupancyNetworks(占用網(wǎng)絡(luò))，將BEV網(wǎng)絡(luò)在高度方向進(jìn)行了進(jìn)一步的擴(kuò)展，從而實(shí)現(xiàn)了BEV從2D到3D的優(yōu)化，可實(shí)時(shí)預(yù)測被遮擋物體的狀態(tài)，解決了目標(biāo)檢測的長尾問題，即使某些物體不存在于訓(xùn)練集中，但是因?yàn)樗惴ū旧磉M(jìn)行的是空間占用的檢測，不進(jìn)行目標(biāo)檢測，因此從根本上避免了這個(gè)問題。華為ADS2.0進(jìn)一步升級(jí)GOD網(wǎng)絡(luò)，道路拓?fù)渫评砭W(wǎng)絡(luò)進(jìn)一步增強(qiáng)，類似于特斯拉的占用網(wǎng)絡(luò)。GOD2.0(通用障礙物檢測網(wǎng)絡(luò)，GeneralObstacleDetection)障礙物識(shí)別無上限，障礙物識(shí)別率達(dá)到99.9%；RCR2.0能識(shí)別更多路，感知面積達(dá)到2.5個(gè)足球場，道路拓?fù)鋵?shí)時(shí)生成。2023年12月，搭載ADS2.0的問界新M7可實(shí)現(xiàn)全國無高精地圖的高階智能駕駛。占用網(wǎng)絡(luò)模型以占用的方式重建了3D場景，可用于通用障礙物檢測，精準(zhǔn)實(shí)現(xiàn)空間中物體的占位情況、語義識(shí)別、運(yùn)動(dòng)情況等，在表征上更具優(yōu)勢，有望成為下一代自動(dòng)駕駛算法進(jìn)步方向。BEV+Transformer已成自動(dòng)駕駛算法主流趨勢目前包括比亞迪、蔚小理、智己等車企，以及華為、百度Apollo、毫末智行、地平線、輕舟智航、覺非科技、商湯科技等自動(dòng)駕駛企業(yè)均已布局BEV+Transformer。據(jù)下表，大模型應(yīng)用已成自動(dòng)駕駛賽道主流趨勢，其中新勢力及自動(dòng)駕駛供應(yīng)商布局領(lǐng)先，大模型應(yīng)用已成自動(dòng)駕駛的主流趨勢。如何應(yīng)用？有何效果？車端賦能主要作用于感知和預(yù)測環(huán)節(jié)，逐漸向決策層滲透大模型在自動(dòng)駕駛中的應(yīng)用簡單來說，就是把整車采集到的數(shù)據(jù)回傳到云端，通過云端部署的大模型，對(duì)數(shù)據(jù)進(jìn)行相近的訓(xùn)練。大模型主要作用于自動(dòng)駕駛的感知和預(yù)測環(huán)節(jié)。在感知層，可以利用Transformer模型對(duì)BEV數(shù)據(jù)進(jìn)行特征提取，實(shí)現(xiàn)對(duì)障礙物的監(jiān)測和定位；預(yù)測層基于感知模塊的輸出，利用Transformer模型捕捉學(xué)習(xí)交通參與者的運(yùn)動(dòng)模式和歷史軌跡數(shù)據(jù)，預(yù)測他們未來行為和軌跡。未來將驅(qū)動(dòng)駕駛策略生成逐漸從規(guī)則驅(qū)動(dòng)向數(shù)據(jù)驅(qū)動(dòng)轉(zhuǎn)變。規(guī)劃決策層的駕駛策略的生成有兩種方式：1）基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)算法；2）基于規(guī)則驅(qū)動(dòng)（出于安全考慮，目前普遍采取基于規(guī)則生成駕駛策略，但隨著自動(dòng)駕駛等級(jí)的提升及應(yīng)用場景的不斷拓展，基于規(guī)則的規(guī)控算法存在較多CornerCase處理局限性）。結(jié)合車輛動(dòng)力學(xué)，可利用Transformer模型生成合適的駕駛策略：將動(dòng)態(tài)環(huán)境、路況信息、車輛狀態(tài)等數(shù)據(jù)整合到模型中，Transformer多頭注意力機(jī)制有效平衡不同信息源之間的權(quán)重，以便快速在復(fù)雜環(huán)境中做出合理決策。云端應(yīng)用部署，有望加快L3及以上自動(dòng)駕駛落地大模型云端應(yīng)用加速L3及以上自動(dòng)駕駛落地。主要在于：1）采用大模型預(yù)訓(xùn)練的方式可以實(shí)現(xiàn)自動(dòng)標(biāo)注，提高數(shù)據(jù)標(biāo)注的精度和效率，同時(shí)縮減成本；2）對(duì)長尾數(shù)據(jù)進(jìn)行挖掘，大模型具有較強(qiáng)的泛化性，加速解決長尾問題；3）場景仿真和數(shù)據(jù)生成，模擬真實(shí)道路場景和高危險(xiǎn)性場景數(shù)據(jù)，加速模型優(yōu)化。大模型目前仍處于發(fā)展初期階段，預(yù)計(jì)未來應(yīng)用比例快速增長。大模型在智能汽車中的應(yīng)用仍存在多模態(tài)數(shù)據(jù)融合、云端算力需求大、車端部署、以及安全性和一致性等問題。我們認(rèn)為大模型應(yīng)用仍處于初期階段，隨著模型的優(yōu)化和技術(shù)的應(yīng)用，大模型在自動(dòng)駕駛中的應(yīng)用比例或?qū)⒖焖偬嵘?。NOA快速落地成為智能化新指標(biāo)大模型催化下，城市NOA快速落地，開啟百城落地規(guī)劃。小鵬及華為合作品牌車企（阿維塔、問界、極狐）走在前列，目前大多仍需依賴高精地圖，無圖方案或?qū)⒃?023年底落地。泰伯研究院預(yù)測到2025年，搭載NOA的車型將有望超過400萬輛，滲透率將有望從2023年的12%增加到32%。2025年高階智能駕駛（NOA）市場規(guī)模有望達(dá)到520億元，2023-2025年平均年增長率預(yù)計(jì)為105%。新變化新需求云端算力|是否需要智算中心？智算中心成為下一階段競爭重點(diǎn)自動(dòng)駕駛系統(tǒng)的開發(fā)、驗(yàn)證、迭代需要算力支持。自動(dòng)駕駛系統(tǒng)前期開發(fā)依賴大量環(huán)境數(shù)據(jù)的輸入，形成貫穿感知、決策、規(guī)劃、控制多環(huán)節(jié)的算法。后期仍需持續(xù)輸入數(shù)據(jù)，對(duì)算法進(jìn)行訓(xùn)練與驗(yàn)證，加速自動(dòng)駕駛迭代落地。同時(shí)仿真測試中場景搭建與渲染也需要高算力支持。智算中心承載著訓(xùn)練自動(dòng)駕駛系統(tǒng)所需的巨大算力。為支撐人工智能計(jì)算提供了重要的硬件基礎(chǔ)設(shè)施，其底層硬件技術(shù)路徑包括GPU、ASIC、FPGA、NPU。根據(jù)IDC調(diào)研，汽車行業(yè)訓(xùn)練自動(dòng)駕駛算法的硬件基礎(chǔ)設(shè)施以GPU為主，占比61.4%。頭部自動(dòng)駕駛廠商已布局智算中心。特斯拉、吉利、小鵬、毫末智行等主要自動(dòng)駕駛廠商采用不同模式建設(shè)云端計(jì)算中心用于模型訓(xùn)練。我們認(rèn)為，智算中心已成為下一階段競爭重點(diǎn)，能夠幫助車企構(gòu)建包括數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)標(biāo)注、模型訓(xùn)練、測試驗(yàn)證的數(shù)據(jù)閉環(huán)，從而提升CornerCase數(shù)據(jù)采集效率、提高模型的泛化能力以及驅(qū)動(dòng)算法的迭代。車端算力|如何變化？感知數(shù)量質(zhì)量和場景復(fù)雜度驅(qū)動(dòng)算力升級(jí)感知硬件的數(shù)量和性能不斷提升，邊緣計(jì)算需求增加。自動(dòng)駕駛級(jí)別越高，傳感器配置數(shù)量越多，運(yùn)行產(chǎn)生的數(shù)據(jù)隨之大量增加。據(jù)新戰(zhàn)略低速無人駕駛產(chǎn)業(yè)研究所數(shù)據(jù)，1個(gè)200W像素的高清攝像頭24小時(shí)錄像需占用40~60GB的存儲(chǔ)容量；1個(gè)單線激光雷達(dá)每小時(shí)可產(chǎn)生3~4GB點(diǎn)云數(shù)據(jù)；另外，GPS定位系統(tǒng)、車輛位姿等均有數(shù)據(jù)積累。當(dāng)一輛自動(dòng)駕駛車輛每天可以產(chǎn)生數(shù)TB，甚至數(shù)十TB數(shù)據(jù)，數(shù)據(jù)處理能力即為自動(dòng)駕駛技術(shù)驗(yàn)證的關(guān)鍵點(diǎn)之一。若過度依賴云端數(shù)據(jù)處理分析和指令回傳，就會(huì)出現(xiàn)各種數(shù)據(jù)都往云端傳輸，云平臺(tái)數(shù)據(jù)過多，處理效率降低，時(shí)延增大，將極大影響自動(dòng)駕駛車輛的使用體驗(yàn)。邊緣計(jì)算能預(yù)處理數(shù)據(jù)，過濾掉無用數(shù)據(jù)再上傳到云端。大模型催化駕駛場景復(fù)雜多樣，提升算力需求。大模型催化下，NOA不斷從高速道路向城市道路拓展（高速道路-城市快速路-城市主干道-城市次干道-城市支路）。與城市道路相比，高速道路可能的場景和物體相對(duì)固定，而城市道路不僅是最主要出行場景（每天僅25%的人出行途徑高速，而城市道路則是100%），而且環(huán)境復(fù)雜度更高，同時(shí)提升物體識(shí)別、感知融合和系統(tǒng)決策算力需求。感知端|車載攝像頭數(shù)量質(zhì)量齊升單車搭載的攝像頭數(shù)量將增加。Yole報(bào)告指出，L1～L2級(jí)自動(dòng)駕駛功能僅需前后兩顆攝像頭，L2+級(jí)則需要引入ADAS前視感知攝像頭，加上4顆環(huán)視，共計(jì)需要5顆攝像頭。實(shí)際主機(jī)廠為后續(xù)OTA升級(jí)預(yù)留冗余，單車攝像頭配置遠(yuǎn)超本級(jí)ADAS所需的攝像頭數(shù)量，如特斯拉Model3搭載9顆高清攝像頭，蔚來、小鵬、理想車型攝像頭數(shù)量達(dá)到10-13顆。攝像頭像素要求升級(jí)。大模型提高對(duì)感知數(shù)據(jù)的精細(xì)化要求，高分辨率圖像數(shù)據(jù)可以作為深度學(xué)習(xí)模型中更新和優(yōu)化其架構(gòu)的參數(shù)的數(shù)據(jù)源，車載攝像頭向800萬像素或更高像素級(jí)別升級(jí)。尤其是前視攝像頭，前視需要解決的場景最多，目標(biāo)識(shí)別任務(wù)最復(fù)雜，比如遠(yuǎn)距離小目標(biāo)識(shí)別，近距離目標(biāo)切入識(shí)別，高級(jí)別自動(dòng)駕駛車輛中都在規(guī)劃應(yīng)用800萬級(jí)別的高清像素?cái)z像頭，用于對(duì)更遠(yuǎn)距離的目標(biāo)進(jìn)行識(shí)別和監(jiān)測。目前具備800W像素?cái)z像頭模組生產(chǎn)能力的廠商還比較少，比如說舜宇、聯(lián)創(chuàng)電子等。百度Apollo聯(lián)合索尼半導(dǎo)體方案公司、聯(lián)創(chuàng)電子（LCE）與黑芝麻智能，全球首創(chuàng)超1500萬高像素車載攝像頭模組。執(zhí)行端|有望加快線控底盤環(huán)節(jié)國產(chǎn)化進(jìn)程高階智能駕駛落地進(jìn)行加快下，執(zhí)行端的線控底盤重要性凸顯。線控底盤由線控?fù)Q擋、線控油門、線控懸架、線控轉(zhuǎn)向、線控制動(dòng)五大環(huán)節(jié)組成。線控底盤以電信號(hào)代替機(jī)械信號(hào)，可實(shí)現(xiàn)人機(jī)解耦，更加適用于自動(dòng)駕駛車輛。隨著高階智能駕駛的發(fā)展，車輛的行駛過程中機(jī)器駕駛比例提升，駕駛員百公里接管次數(shù)逐漸下降。為保證整車在機(jī)器駕駛過程中的安全性，高階自動(dòng)駕駛車輛在執(zhí)行層的設(shè)計(jì)中，需要在制動(dòng)、轉(zhuǎn)向等關(guān)鍵執(zhí)行環(huán)節(jié)實(shí)現(xiàn)雙重甚至多重冗余。而考慮到車內(nèi)空間、信號(hào)傳導(dǎo)機(jī)制、響應(yīng)精度等因素，以線控結(jié)構(gòu)替代機(jī)械式結(jié)構(gòu)則是實(shí)現(xiàn)執(zhí)行器多重安全冗余的必要條件?？春脟a(chǎn)線控底盤零部件供應(yīng)商崛起機(jī)會(huì)。目前，線控制動(dòng)、線控轉(zhuǎn)向主要由外資Tier1主導(dǎo)，行業(yè)競爭格局集中。線控制動(dòng)主要由博世