證

券

研

究

報

告行業(yè)深度報告從特斯拉視角，看智能駕駛研究框架智能駕駛系列研究（一）投資評級：推薦

（

維持

）報告日期：

2024年06月04日從特斯拉視角看智能駕駛

核心結論：

第一章：回顧歷史，智能駕駛的核心主線是算法的演進史，從2017年至今，在感知側+規(guī)控側實現(xiàn)算法從規(guī)則為主走向端到端。算法方面，2017-2022年，特斯拉在感知側走向端到端，實現(xiàn)BEV+Transformer+Occupancy。2021-2023年，特斯拉在規(guī)控側從規(guī)則走向端到端。數(shù)據(jù)閉環(huán)方面，特斯拉在2022年實現(xiàn)模擬仿真數(shù)據(jù)、自動標注、云端算力等三個方面的升級。硬件方面，特斯拉從HW1.0升級至HW4.0，期間通過算法升級+自研FSD芯片，實現(xiàn)更為適配智能駕駛進化的硬件體現(xiàn)。算法算法

第二章：展望未來，我們認為智能駕駛的算法將走向收斂，核心主線將從算法走向數(shù)據(jù)閉環(huán)。向未來看，我們提出由算法+數(shù)據(jù)閉環(huán)+硬件降本+政策法規(guī)四個維度構成的研究框架。圍繞這些角度展開，我們提出未來智能駕駛核心的三個趨勢：數(shù)據(jù)競賽+大模型+任務導向。特斯拉視角智能駕駛未來研究框架數(shù)據(jù)閉環(huán)數(shù)據(jù)閉環(huán)智能駕駛歷史復盤

第三章：對國內(nèi)智駕能力的區(qū)分，我們提煉四個維度：數(shù)據(jù)積累能力+智駕好用能力+安全性+舒適性。基于數(shù)據(jù)閉環(huán)（背后競爭要素對應為組織的工程化能力）成為未來核心分水嶺，我們認為基于算法來判斷各車企領先程度的意義將愈發(fā)有限，以對數(shù)據(jù)為主的跟蹤將成為未來判斷各車企競爭水平的重要指標。

第四章：智駕下半場是城區(qū)NOA，智駕有望在2025H1迎來“好用”拐點。通過復盤高速NOA發(fā)展歷史，我們總結出高速NOA與城區(qū)NOA的兩點不同，提出城區(qū)NOA發(fā)展的三個階段，判斷2025H1有望實現(xiàn)“好用拐點”。硬件降本硬件配置政策法規(guī)誠信、專業(yè)、穩(wěn)健、高效PAGE

2車企能力跟蹤框架+智駕臨界拐點可期高速NOAvs城區(qū)NOA驅動方式落地成本數(shù)據(jù)積累能力智駕好用能力兩個不同高速NOA三年好用城區(qū)NOA更快車企的智駕能力跟蹤框架智駕拐點判斷可用：2023-2024執(zhí)行側舒適度好用:

2024-2025H1必用:

2026及以后城區(qū)NOA安全三個階段誠信、專業(yè)、穩(wěn)健、高效PAGE

3風

險

提

示?

智能化落地不及預期；?

技術迭代風險；?

宏觀經(jīng)濟波動風險；?

下游需求不及預期的風險。誠信、專業(yè)、穩(wěn)健、高效PAGE

41.

歷史：特斯拉視角看智駕演進2.

未來：智能駕駛研判框架3.

供給：車企智駕能力分析4.

需求：智駕拐點何時來臨目

錄CONTENTS誠信、專業(yè)、穩(wěn)健、高效PAGE

501

特斯拉視角：智駕歷史復盤FSD入華落地進入倒計時，從特斯拉視角看智駕特斯拉計劃組建一個20人左右的本地遠營團隊，以推動自動駕駛在中國市場落地。與此同時，特斯拉還在中國嘗試成立一個數(shù)據(jù)標注團隊，規(guī)模約上百人，為訓練FSD的算法作準備。特斯拉中國回應，F(xiàn)SD落地中國正在推進的消息屬實。馬斯克在twitter上的回復中表態(tài)，F(xiàn)SD入華"可能很快就會到來”,本次訪問中國預計將推動相關進程。馬斯克訪問中國：特斯拉通過國家汽車數(shù)據(jù)安全4項全部要求。據(jù)特斯拉用戶APP表示，特斯拉中國官方的FSD購買頁面描述由“稍后推出”改為“即將推出”，特斯拉FSD離進入中國更進一步。資料：財聯(lián)社，twitter，中國汽車工業(yè)協(xié)會，特斯拉官方，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

71.1智能駕駛設計理念分類：模塊化vs端到端?模塊合成式駕駛方法：包含感知、規(guī)劃決策，執(zhí)行控制三大模塊，通過分別調試每個模塊的參數(shù)來適應各種各樣的駕駛場景。（1）感知模塊：利用各種傳感器來實現(xiàn)對靜止環(huán)境、行車相關信息及移動障礙物的全面檢測和跟蹤，進而將場景圖像轉化為關鍵感知指標。（2）決策模塊：在完成道路交通場景的感知后，從感知模塊獲取全局和局部信息，對起點到終點的行駛路線進行分析和規(guī)劃，確定車輛的行駛路線并最終輸入執(zhí)行模塊以實現(xiàn)車輛控制。???（3）控制模塊：負責將來自決策模塊的行駛策略轉化為具體的車輛控制指令，實現(xiàn)車輛的實際運動。端到端智能駕駛方法：端到端智能駕駛方法本質上是使用一個獨立系統(tǒng)進行駕駛，通過訓練一個深度神經(jīng)網(wǎng)絡從感官輸入（如攝像頭采集的道路信息）直接映射到駕駛動作。?圖表：智能駕駛端到端設計理念圖表：智能駕駛模塊化設計理念模塊化架構：規(guī)則驅動端到端架構：數(shù)據(jù)驅動-規(guī)劃執(zhí)行-控制感知-定位決策環(huán)境感知統(tǒng)執(zhí)行系統(tǒng)決策系卷積神經(jīng)網(wǎng)絡LSTM網(wǎng)絡激光統(tǒng)路徑追蹤系行為決策模塊毫米波傳感器轉向控制驅動控制定位/導航GPS/慣性導航軌跡規(guī)劃模塊Transformer制動控制異常處理車輛數(shù)據(jù)安全控制資料：《面向大場景的智能駕駛端到端算法研究》,億歐智庫，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

81.1感知側走向端到端歷程??1.1.12014-2016年以規(guī)則驅動為主端到端的設計理念是輸入原始數(shù)據(jù)后，直接反應輸出結果，最早可追溯到上世紀80年代。1988

年，第一輛端到端驅動的陸軍救護車ALVINN

，當時還沒有出現(xiàn)卷積神經(jīng)網(wǎng)絡

CNN，只構建了一個三層可反向傳播的全連接神經(jīng)網(wǎng)絡，并在卡內(nèi)基梅隆大學的校園內(nèi)以0.5m/s的速度準確的行駛了

400米。?相比規(guī)則驅動，端到端的框架更為簡潔，應用潛力更大，但受制于神經(jīng)網(wǎng)絡模型的發(fā)展，一直未在產(chǎn)業(yè)中大規(guī)模落地使用。圖表：第一臺端到端ALVINN圖表：規(guī)則驅動與數(shù)據(jù)驅動對比規(guī)則驅動系統(tǒng)數(shù)據(jù)驅動系統(tǒng)設計理念優(yōu)勢模塊化端到端可解釋性、可驗證性、易于調試數(shù)據(jù)驅動潛力較大，簡潔，易于聯(lián)合訓練受限神經(jīng)網(wǎng)絡模型發(fā)展；黑匣子劣勢錯誤傳遞、模塊間不協(xié)調、潛力有限模型架構資料：《ALVINN

:An

autonomous

landvehicle

in

aneural

network》，《基于深度學習的端到端自動駕駛模型研究及仿真》，Building

the

Software

20Stack，《End-to-end

Autonomous

Driving:

Challenges

and

Frontiers》，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

91.1感知側走向端到端歷程??1.1.1

2014-2016年以規(guī)則驅動為主：由Mobileye提供智駕解決方案。早年的特斯拉并沒有自研自動駕駛芯片，從2014年開始特斯拉與Mobileye合作，在其量產(chǎn)車型上一直采用Mobileye的EyeQ3技術方案。Mobileye屆時的算法主要由規(guī)則驅動，以單目相機成像測距為例，通過物體在圖像中的像素高度h和焦距f，即可計算出前方車距。2016年特斯拉和Mobileye終止合作：①導火索：2016年5月第一起配備

Autopilot

的Model

S發(fā)生致命事故，無法識別白色拖車和天空；②核心原因：Mobileye提供的車企的是一個封閉的黑盒方案，車企不僅不能修改其中的算法，而且還不能與Mobileye共享車輛數(shù)據(jù)。圖表：MobileEye距離測試規(guī)則示例圖表：利用焦距計算距離原理示意資料：Mobileye，The

DistanceEstimationofMonocular

Camera，Theverge,華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

101.1感知側走向端到端歷程??1.1.2感知側2017-2022走向端到端:Transformer+BEV

+Occuopancy的主流架構CNN極大提高了機器視覺的識別效率，讓機器視覺走向深度神經(jīng)網(wǎng)絡結合的端到端架構成為可能。從機器認識一只狗的過程來類比，此前的DNN網(wǎng)絡依賴于先認識狗的每個“細胞”，而CNN則從認識狗的一個部位開始，例如眼睛、耳朵，來判斷一只圖像為狗，其中涉及到三個主要的不同：?（1）不需要認識圖像的全部，識別難度降低；（2）通過局部特征訓練出來的神經(jīng)元，能更好的遷移到其他圖像（從認識狗的專家，變成認識耳朵的專家）；（3）卷積過程降低了圖像特征的維度，減少數(shù)據(jù)量。圖表：DNN去認識一只小狗圖表：CNN去認識一只小狗資料：《丁磊：生成式人工智能

》，《Edge

Machine

Learning

for

AI-EnabledIoT

Devices:

AReview》，《Image

Processing:

HowDoImage

ClassifiersWork?》，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

111.1感知側走向端到端歷程??1.1.2感知側2017-2022走向端到端:Transformer+BEV

+Occuopancy的主流架構深入來看，CNN神經(jīng)網(wǎng)絡的效率核心在于卷積+池化的過程。相比全連接DNN神經(jīng)網(wǎng)絡，CNN需要訓練的參數(shù)數(shù)量明顯減少。舉例來說，一幅像素為1K*1K的圖像作為輸入，Hidden

layer有1M節(jié)點，僅一層就有10^12個權重需要訓練，如果使用CNN網(wǎng)絡，采用100*100的卷積核，共使用100個卷積核，輸入到Hidden

layer的參數(shù)便降低到了100*100*100=10^6個。?如果說CNN將管理100人的工作變成管理10個組長，那卷積核就像不同的組長

：不同的卷積核代表了不同的特征提取能力。該結構上下層不再直接全部連接，同一層將共用單個或一定數(shù)量的卷積核，因此大大減少了訓練權重的數(shù)量。圖表：CNN工作過程示意圖圖表：CNN卷積-池化層核心結構示意資料：《丁磊：生成式人工智能》，《深度神經(jīng)網(wǎng)絡的關鍵技術及其在自動駕駛領域的應用》，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

121.1感知側走向端到端歷程??1.1.2感知側2017-2022走向端到端:Transformer+BEV

+Occuopancy的主流架構2017年Andrej

Karpathy加入特斯拉，推動CNN神經(jīng)網(wǎng)絡落地，感知側端到端拉開序幕。Andrej

Karpathy

2015年在斯坦福執(zhí)教，設計并創(chuàng)辦了課程卷積神經(jīng)網(wǎng)絡CNN在機器視覺中的應用。?特斯拉提出Softwate2.0吞噬1.0，CNN網(wǎng)絡架構將設計特征的工作從專家交給機器。傳統(tǒng)的特征設計往往由特定領域內(nèi)的專家設計，但當面對復雜任務情景是，專家設計的特征往往存在諸多局限，例如特征本身的有效性、有限性等等。Andrej

Karpathy

2017年加入特斯拉，推出Software

2.0，提出用2.0（基于CNN神經(jīng)網(wǎng)絡模型）吞噬傳統(tǒng)Software

1.0（由Python、C++等語言編寫的代碼）的理念。圖表：神經(jīng)網(wǎng)絡將設計特征從專家交給機器圖表：特斯拉Software2.0吞噬1.0過程圖OutputOutput1.0

codeMappingfromfeaturesMappingfromfeaturesOutput1.0

code1.0：基于編程代碼Hand-designedprogramHand-designedfeaturesFeaturesInput2.0：基于端到端神經(jīng)網(wǎng)絡2.0

code2.0

codeInputInput資料：Building

the

Software

2

0Stack，Enhancing

Deep

Learning

Performance

using

Displaced

RectifierLinear

Unit，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

131.1感知側走向端到端歷程??1.1.2感知側2017-2022走向端到端:Transformer+BEV

+Occuopancy的主流架構2019年推出HydraNet架構，處理不同的任務。感知側有許多不同的任務，如果每一項任務都單獨使用神經(jīng)網(wǎng)絡，則成本高昂。HydraNet的架構通過一個共享的主干網(wǎng)絡backbone，能有效的實現(xiàn)三個方面的優(yōu)點:

(1)

特征共享：減少重復的卷積計算，減少主干網(wǎng)的數(shù)量；(2)

任務解耦：將特定任務與主干分離，能夠單獨微調任務;（3）能緩存特征，更高效的微調。圖表：駕駛過程中的不同任務繁雜圖表：特斯拉的HydraNet架構圖表：不同的任務共用一個SharedEncoder資料：Tesla

AIDay，LEARNHYDRANETS:

Monstrous

Multi-Task

Learning

Techniques

withPyTorch，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

141.1感知側走向端到端歷程????1.1.2感知側2017-2022走向端到端:Transformer+BEV

+Occuopancy的主流架構2021年特斯拉提出BEV，從2D圖像走向3D空間。相比于傳統(tǒng)的2D圖像視為BEV的推出克服了傳統(tǒng)2D圖像存在的幾個問題：（1）2D任務中常見的遮擋或縮放問題，識別遮擋或交叉車輛的場景存在問題。（2）將不同視角在

BEV

下統(tǒng)一表達遵循第一性原理，有利于后續(xù)規(guī)劃控制模塊任務。以大貨車為例，特斯拉8個攝像頭分別觀察到了一部分的卡車軀體，每一部分都需要單獨對卡車未來的行進路線做出預測，無法準確預測后續(xù)路線（每個攝像頭只有一部分）。圖表：8個不同的攝像頭觀察一輛卡車圖表：BEV融合8個2D圖像到一個3D空間資料：Tesla

AIDay，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

151.1感知側走向端到端歷程?實現(xiàn)BEV空間的路徑主要分為后融合、前融合與特斯拉采用的特征級融合三種路徑，特斯拉使用特征級融合取代傳統(tǒng)的后融合策略：（1）前融合指的直接對數(shù)據(jù)融合，主要優(yōu)勢在于信息保留度較高，但由于其算力消耗較高，技術難度較大，在行業(yè)內(nèi)極少使用。（2）后融合主要基于規(guī)則的運算，將2D圖片還原到3D空間，但由于轉換過程對于前提假設（例如路面水平的假設）并不能在真實世界里時刻滿足，所以整體的融合精度偏差。???（3）特斯拉采用特征級融合效果顯著：在特征層進行融合，數(shù)據(jù)損失較少，融合效果更加顯著，算力消耗較后融合仍然較大。圖表：融合效果對比圖圖表：BEV特征級融合與目標級融合對比特征級融合（中融合）優(yōu)勢：數(shù)據(jù)損失少、目標特征級信息使得不同傳感器之間融合效果較好劣勢：算力消耗大、不同模態(tài)間語義差異較大特征級融合方案將不同傳感器采集的數(shù)據(jù)進行特征提取后，再進行融合，其是目前

BEV+

Transformer架構下，較常用的一種融合方式。目標級融合（后融合）優(yōu)勢：算法難度低、各傳感器之間解耦性強劣勢：關鍵信息容易丟失、整體融合精度低目標級融合方案采用的算法仍然是基于規(guī)則的運算，雖然方案整體的算法開發(fā)難度較低，但有效信息容易缺失，易引起感知系統(tǒng)誤報、漏報等問題。資料：

Tesla

AIDay，《Lift,Splat,

Shoot:

Encoding

Images

From

Arbitrary

Camera

Rigs

byImplicitly

Unprojecting

to

3D》，億歐智庫，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

161.1感知側走向端到端歷程?Transformer架構中的自注意機制，對實現(xiàn)特征級BEV的適配性更高。Transformer架構核心在于自注意力機制，能計算每個輸入元素之間的相關性，相關性較高的元素需要給予更多的注意力。相比于之前的CNN網(wǎng)絡有兩個更顯著的優(yōu)勢：（1）Transfromer提供全局的感受野，對特征的學習能力更強。視覺任務一個關鍵的步驟就是要提取像素之間的相關性，普通的

CNN

是通過卷積核來提取局部的相關性（局部感受野），Transformer因為能對每個元素及其相關性進行考慮，可以提供全局的感受野，因此特征學習能力相比

CNN要強很多。??（2）如果未來進一步考慮以視頻作為輸入數(shù)據(jù)的話，其時序數(shù)據(jù)的特征更加適合采用Transformer來處理，CNN與RNN在考慮輸入變量之間相關性能力方面要更弱。圖表：Vision

Transformer模型圖表：Transformer架構與CNN對比Transformer模型表現(xiàn)，H的層數(shù)最多為32，L為24CNN模型表現(xiàn)不同數(shù)據(jù)集下的表現(xiàn)Transformer所需算力減少，訓練效率提升顯著資料：AnImageis

Worth16x16

Words:Transformers

for

Image

Recognition

atScale，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

171.1感知側走向端到端歷程?特斯拉在2021年采用BEV+Transformer架構，采用Top-down方法構建BEV空間：首先在空間中構建一組3D空間網(wǎng)格（Query），接著對相應位置處的二維圖像特征進行訪問（Key、Value），然后通過多層Transformer與每個圖像特征交互，最終獲得

BEV特征。圖表：特斯拉基于Transformer轉換BEV過程示意圖表：TOP-down建立BEV資料：Tesla

AIDay（2021），華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

181.1感知側走向端到端歷程??現(xiàn)實駕駛情景中，存在大量長尾問題，視覺系統(tǒng)無法“認識”所有的物體。如果看到不屬于數(shù)據(jù)集的物體，或者不規(guī)則的長尾數(shù)據(jù)，僅用傳統(tǒng)可能就出現(xiàn)無法檢測到的情況。為此，特斯拉在2022年推出Ocuupancy占用網(wǎng)絡，從識別檢測到識別占用。Occupancy

Networks將世界劃分為網(wǎng)格單元，然后定義單元是空閑還是被占用，不以認識分類為第一優(yōu)先級，而以空間占用為主要測量目標，將BEV融合空間從2D升維至3D，同時大大提升了系統(tǒng)的泛化能力。圖表：Occupancy

Networks圖表：無法檢查到的不規(guī)則物體圖表：遇見不屬于數(shù)據(jù)集的物體無法識別情況劃分空間為網(wǎng)格單元示意資料：Tesla

AIDay（2022），《MonoScene:

Monocular

3D

Semantic

Scene

Completion》，《OccDepth:

ADepth-Aware

Method

for

3D

Semantic

Scene

Compion》，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

191.1規(guī)控側2021-2023走向端到端?2021年，特斯拉開始在路徑規(guī)劃層面部分加入神經(jīng)網(wǎng)絡的元素，推出蒙特卡羅樹與神經(jīng)網(wǎng)絡結合的算法。在2021年的TeslaAIDay上，特斯拉用尋找停車場的路徑規(guī)劃作為案例，對比了傳統(tǒng)的兩種人工規(guī)則代碼和結合神經(jīng)網(wǎng)絡的第三種算法：推出的Monte-Carlo

Tree

結合神經(jīng)網(wǎng)絡的算法，可以將潛在路徑的可擴展次數(shù)從傳統(tǒng)A*算法的接近40萬次降低到288次，但這個階段并非全部都使用了神經(jīng)網(wǎng)絡，大部分依然是人工規(guī)則代碼。圖表：結合神經(jīng)網(wǎng)絡的蒙特卡羅算法實現(xiàn)最小擴展次數(shù)Number

ofExpansion圖像示例AlgorithmA*Search

HeuristicEuclidean：歐氏最小距離測算方法398320Euclidean+Navigation：歐氏最小距離測算方法+導航A*22224228MCTS

ArgmaxSamplingNeural

Network

Policy

&ValueFunction資料：Tesla

AIDay（2021），華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

201.1規(guī)控側2021-2023走向端到端?2022年特斯拉在規(guī)劃層將BEV空間融入神經(jīng)網(wǎng)絡結合的蒙特卡羅算法，進一步實現(xiàn)規(guī)控端的端到端。特斯拉推出的交互搜索網(wǎng)絡，將結合神經(jīng)網(wǎng)絡的蒙特卡羅算法應用到Occupancy網(wǎng)絡中，用輕量級的問詢網(wǎng)絡替代了傳統(tǒng)的優(yōu)化方法，可以將每個動作計算耗時從1到5毫秒降低到100微秒。同時，計算出的每個軌跡都會有一個成本函數(shù)，這一部分仍然是基于規(guī)則的代碼，該函數(shù)取決于

4個因素：碰撞概率、舒適度、干預可能性和人類操作相似性。圖表：每次駕駛動作耗時降低顯著圖表：結合神經(jīng)網(wǎng)絡的蒙特卡羅算法決策流程資料：

Tesla

AIDay

（2022），華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

211.1規(guī)控側走向端到端?2023年底，特斯拉推出完全端到端，開啟加速進化。圖表：特斯拉2023年走向端到端進程梳理2023年8月，馬斯克在社交平臺上進行了一場關于特斯拉

端

到

端

自

動

駕

駛

測

試

版（

FSD

V12

Beta）的直播。從直播中的內(nèi)容來看，馬斯克信心滿滿，而這輛車在自動駕駛過程中也，補充公里數(shù)，僅僅出現(xiàn)了一次與紅綠燈相關的失誤。2023年4月，馬斯克首次試駕神經(jīng)網(wǎng)絡規(guī)劃路徑項目，Dhaval

Shroff

指出運行速度快出10倍，可以直接刪掉30萬行代碼。2023.42023.62023.12~2024.320232023.82023年6月，上海人工智能實驗室提出業(yè)界首個具備全棧關鍵任務的端到端自動駕駛模型UniAD，獲得2023年12月，開始擴大內(nèi)測范圍到特斯拉內(nèi)部員工。2024年1月，F(xiàn)SD

V12又分別在1月推送給媒體人。2024年2月，特斯拉把FSD

V12推送給一定范圍內(nèi)的普通用戶。2023年

年初，

Dhaval

Shroff

提出Neural

network

planner項目，用車上的GPT說服馬斯克支持，神經(jīng)網(wǎng)絡路徑規(guī)劃項目已經(jīng)分析了從特斯拉客戶車輛上收集的1000萬幀視頻畫面，馬斯克讓他們找出“Uber五星司機會采取的做法”。2023年CVPR最佳論文獎。本方案利用多組查詢向量（query）串聯(lián)起多個任務，并在網(wǎng)絡中傳遞信息，將所有融合的信息傳至最終的規(guī)劃模塊。同時，每個模塊的Transformer架構可以有效地對查詢向量通過注意力機制進行交互。UniAD首次將全棧關鍵任務端到端地包含在一個統(tǒng)一的網(wǎng)絡架構中，提出“全棧可控端到端方案”。2024年3月，F(xiàn)SD

Beta更名FSD

Supervised。特斯拉智駕團隊負責人Shok

Elluswamy發(fā)文，端到端模型在數(shù)月的訓練時間內(nèi)，已經(jīng)完全超過經(jīng)過數(shù)年積累的V11。資料：《埃隆馬斯克傳》，Planning-oriented

Autonomous

Driving，

Twitter，新浪財經(jīng)，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

22小結：一圖看特斯拉智駕算法歷史模塊化端到端感知

側

：Transformer+

BEV+

Occupancy2016年規(guī)則驅動數(shù)據(jù)驅動規(guī)控側：結

合

神

經(jīng)

網(wǎng)

絡實

現(xiàn)

部

分

端

到端2023年參考24年4月優(yōu)勢：①可解釋性②可驗證性③易于調試優(yōu)勢：模型遠期的潛力較大26日ADS3.0，實現(xiàn)GOD（感知側）+PDP（規(guī)控側）特征：特征：“仍在小學，但可讀到博士，學習速度快”“大學畢業(yè)但很難進修”特斯拉聲稱的完全端到端，僅為推測模型，具體并未完全公布細節(jié)以CNN、Transformer等為代表的算法升級是迭代的核心驅動資料：Towards

Knowledge-driven

Autonomous

Driving，Thinkautonomous，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

231.2特斯拉的數(shù)據(jù)引擎進化史?數(shù)據(jù)引擎的核心在于提高模型的泛化能力?，F(xiàn)實駕駛情景中存在大量的conner

case，特斯拉建立數(shù)據(jù)引擎通過車端的影子模式發(fā)現(xiàn)特定問題>數(shù)據(jù)挖掘：自有車隊或仿真模擬獲取類似數(shù)據(jù)>數(shù)據(jù)標注：自動標注+人工標注>數(shù)據(jù)訓練：在線訓練+離線訓練>重新車端部署。特斯拉在2019年首先提出數(shù)據(jù)引擎閉環(huán)，2022年對三個方面實現(xiàn)改進：（1）仿真模擬；（2）自動標注；（3）云端算力。?圖表：特斯拉數(shù)據(jù)訓練閉環(huán)及改進特斯拉車端在線訓練離線訓練③模型部署：壓縮、剪技、蒸餾云端算力：DojoDATA

ENGINE②自動標注人工標注影子模式發(fā)現(xiàn)

connercase數(shù)據(jù)挖掘：獲取更多類似情景系統(tǒng)算法在“影子模式”下模擬決策，并與駕駛員的實際進行對比，一旦兩者不一致，該場景便被判定為“conner

case”，進而觸發(fā)數(shù)據(jù)回傳自有車隊數(shù)據(jù)①仿真模擬數(shù)據(jù)資料：Tesla

AIday

2022，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

241.2特斯拉的數(shù)據(jù)引擎進化史?

改進一：現(xiàn)實車隊數(shù)據(jù)+模擬仿真數(shù)據(jù)。（1）車隊的數(shù)據(jù)：特斯拉的數(shù)據(jù)可以通過現(xiàn)實車隊獲取。通過14000+個視頻就顯著降低將“靜止車輛”視作“待行車輛”而誤停的概率。（2）模擬仿真數(shù)據(jù)：提供現(xiàn)實車隊中難以獲得的數(shù)據(jù)，進一步提升獲取相同場景數(shù)據(jù)的效率。一般來說，首先會從真實世界獲取初步的標注數(shù)據(jù)，基于此獲得基本的道路情況，進而可以對情景進行不同的路標、天氣、道路線等條件的模擬。圖表：特斯拉行駛準確率隨著數(shù)據(jù)集增加而提高示意圖仿真數(shù)據(jù)車隊數(shù)據(jù)更高的車輛行駛準確率道路構建道路線模擬天氣模擬挖掘車隊數(shù)據(jù)，判斷靜止車輛行駛準確率隨數(shù)據(jù)集擴容而提高霧化模擬雨水模擬資料：Tesla

AIDay（2021-2022）

，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

251.2特斯拉的數(shù)據(jù)引擎進化史?改進二：自建千人團隊，從2D人工標注到4D自動標注。獲取大量數(shù)據(jù)之后，需要有一個標注“清潔”的過程，符合條件之后才能使用。數(shù)據(jù)的標注需要涵蓋深度、速度、加速度信息。特斯拉2016年開始，仍是通過第三方外包數(shù)據(jù)標注，但存在響應慢，標注質量不夠等問題，到2019年開始自建1000人團隊，從2D人工標注發(fā)展到4D自動標注。特斯拉自動標注系統(tǒng)可以取代

500萬小時的人工作業(yè)量，人工僅需要檢查補漏。特斯拉標注演進史image

space

(2018)unknownsingle

trip(2019)manualtop-view(2020)alignedmulti-trip(2021-)reconstructed<3pixel3Dlabel<1pixel<3pixel<7pixelreprojectionlocalup

to

trajectoryunlimitedup

to

reconstructiontopologyLabeling/clipcompute/clipscalability533hrsnotneededlow3.5

hrs1hr<0.1hravg2hrs<0.1hrsavg0.5hrsavgVeryhighVeryhighmediummediumhighlowhigheng.effort資料：Tesla

AIDay（2021-2022），華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

261.2特斯拉的數(shù)據(jù)引擎進化史圖表：D1芯片與A100訓練性能對比?改進三：自建Dojo算力中心+自研D1芯片。對比英偉達的A100而言，D1自研芯片對于特斯拉數(shù)據(jù)訓練的適配性更高：①自動標注任務：一顆

D1芯片在最高能夠實現(xiàn)

3.2倍的計算性能。②占用網(wǎng)絡任務：一顆

D1芯片在最高能夠實現(xiàn)

4.4倍的計算性能。圖表：特斯拉Dojo歷史進展梳理2019年9月，不到1500個GPU2021年8月，11544個GPU，自研芯片D12024年4月，等效35000+GPU2022年8月：AI

day之前的兩場演講表2019年4月開始籌備：馬斯克提到特斯拉正在開發(fā)一款“超級強大的訓練電腦”，Dojo的目標將是使用大量的視頻數(shù)據(jù)進行大規(guī)模的無監(jiān)督訓練。2023年6月稱Dojo即將運營：特斯拉發(fā)布了一張圖表表明dojo的部分項目將在7月運營，旨在打造全球最大的計算機。2020年8月稱僅有一年距離：馬斯克發(fā)布了一系列關于Dojo的推文，其中一條聲稱V1.0“about

ayear

away”明，加速人工智能發(fā)展所需要的條件和可獲得的東西之間存在很大的差距，dojo可以填補這一空白。2019.042019.072019.102020.012020.042020.072020.102021.012021.042021.072021.102022.012022.042022.072022.102023.012023.042023.072023.10

2024.62019年8月馬斯克推特驗證，“willDojoto

bethe

difference”，馬斯克暗示了這臺超級計算機的潛在意義2020年9月推特稱Dojo自研芯片，馬斯克推文提到，Dojo使用了特斯拉制造的芯片（而不是GPU集群）和為神經(jīng)網(wǎng)絡訓練而優(yōu)化的計算機架構。他可以2023年7月馬斯克確認Dojo上線，通過推特點贊量管控生產(chǎn)工作量。特斯拉將公布第二季度收益，包括未來一年10億美元+的研發(fā)/資本支出成本。2021年8月正式發(fā)布Dojo：特斯拉舉辦了AI

Day，更詳細地展示了Dojo的硬件和軟件。說:”Ithink

itwillbethebest

intheworld”資料：Tesla

AIDay（2021-2022）

，Unlocking

Tesla’s

AIMojo，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

271.2特斯拉的數(shù)據(jù)引擎進化史DojoCoreDojosystemtray6個Training

Tile組成一個System

Tray。其中有非常多的電纜直接連接，具有高速連接，密集集成的特性。BF16/CFP8峰值算例可達到54TFLOPS，功耗大概

100+kW。每個DOJO節(jié)點都有一個內(nèi)核，具有CPU專用內(nèi)存和IO接口。每個內(nèi)核擁有一個1.25MB的SRAM

作為主存。其中SRAM能以400GB/s速度加載，并以270GB/s存儲。DIPD1ChipsDIP（DOJO

接口處理器）是一個具有高帶寬內(nèi)存的PCIe卡，使用了特斯拉獨創(chuàng)的傳輸協(xié)議TTP（Tesla

Transport

Protocol）。每個DIP都包含PCIe插槽和兩個32GB的HBM。DIP是主機與Training

Tiles之間的橋梁。TTP可以將標D1

芯片是

DOJO超級計算機的基本單元，由多個Dojo

Core組成。D1采用臺積電

7nm制程工藝FP32算力可達

22.6TFLOPS，TDP(熱設計功耗)為

400W。645mm2面積上擁有

500

億顆晶體管，BFI6、CFP8

算力可達

362TFLOPS準網(wǎng)轉化為Z平面拓撲，擁有高Z平面拓撲連。Z平面拓撲可以更好的幫助TrainingTiles進行數(shù)據(jù)的交換，進而實現(xiàn)近存計算。DOJOExaPODTraining

Tile最多可以將

5個

DIP以

900GB/s

的速度連接到一個訓練瓦片上，達到

4.5TB/s

的總量。每個訓練瓦片都有

160GB的

HBM。兩個System

Tray組成一個

DOJOCabinet，每個

DOJO

ExaPOD

擁有

10

個

DOJOCabinet，集成了120

個TrainingTiles，內(nèi)置3000

個

D1芯片，擁有

100

萬個

DOJOcore，BF16/CFP8

峰值算力達到基于

D1

芯片，特斯拉推出晶圓上系統(tǒng)級方案，通過應用臺積電

SoW封裝技術，以極低的延遲和極高的帶寬實現(xiàn)大量的計算集成，將所有

25

顆

D1

裸片集成到一個Training

Tiles上，橫排

5個豎排

5個，成方陣排列。每個

D1

芯片之間都是通過

DIP（DOJO接口處理器）進行互連。每個

DOJOTraining

Tiles都需要單獨供電，每個瓦片消耗

15kW。由計算、I/O、功率和液冷模塊就組成了一個完整的Training

Tiles。1.1EFLOPS（百億億次浮點運算），擁有1.3TB

高速

SRAM

和

13TB

高帶寬

DRAM資料：Tesla

AIDay（2021-2022），華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

281.3特斯拉的硬件進化史?硬件迭代歷史：自研核心芯片F(xiàn)SD+算法升級傳感器配置。時間2014年2016年2017年2019年2021年2022年2023年版本芯片HW1.0HW2.0HW2.5HW3.0HW4.0NividiaParker

SoC*1NividiaPascalGPU*1英飛凌TriCore

MCU*1NividiaParker

SoC*2NividiaPascalGPU*1英飛凌TriCore

MCU*1MobileyeEyeQ3FSD1.0*2FSD2.0*3硬件-決算力內(nèi)存閃存0.256256MB//1448GB*24GB*2/策6GB8GB8GB*24GB*2每秒處理幀數(shù)3611011023006900處理能力1x40x40x，帶冗余冗余電源純視覺420x，帶冗余冗余電源1260x，帶冗余冗余電源轉向架傳感形式

純視覺單電源單電源純視覺純視覺純視覺三目攝像頭（長焦250m+

三目攝像頭（長焦250m+中焦150m+廣角60m）

中焦150m+廣角60m）前置攝像1個三目攝像頭（長焦250m+中焦150m+廣角60m）12個攝像頭接口(前置變?yōu)殡p目，預留一個做冗余，艙內(nèi)監(jiān)控1個)前側攝像后側攝像002個(80m)2個（100m）1個(50m)2個(80m)2個（100m)1個(50m)2個(80m)2個（100m)1個（50m）前側攝像頭和后側攝像頭均為5百萬像素硬件-感知后置攝像毫米波1個1個（160m）MS、MX1個向前（300m）M3、MY無1個前向(160m)1個前向(170m)1個前向(170m)000超聲波12個（5m12個（8m)MS、MX12個（8m)12個（8m)全部車型/）應用車型MS、MX全部車型全部車型資料：Tesla

AIDay，Tesla

InvestorDay2023，

Donews等整理，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

291.3特斯拉的硬件進化史?

FSD芯片與英偉達芯片對比：犧牲小量性能，追求更低成本與供應鏈安全。特斯拉避免受制于英偉達芯片產(chǎn)能限制，同時降低成本，推出FSD芯片：JetsonAGX

Orin32GBJetsonAGX

Orin64GBFSD一代FSD二代工藝制程三星14nm\\7nm7nmAI性能指標144TOPS200

TOPS(INT8)275

TOPS(INT8)12-core

Arm?Cortex?-A78AE

v8.264-bitCPU3MB

L2

+6MB

L312個ARM

Cortex-A72CPU內(nèi)核，分成3集群，

CPU

內(nèi)核，分成5個集每個集群包含4個CPU20個ARM

Cortex-A728-coreArm?

Cortex?-A78AEv8.2

64-bitCPU從工藝和構成來看，特斯拉芯片的設計更傾向于優(yōu)化特定的自動駕駛任務，而不追求極限的計算能力：特斯拉FSD芯片內(nèi)置60億個晶體管，而英偉達Drive

AGXOrin

的晶體管數(shù)量為170億顆，A100

TensorCore

GPU的晶體管數(shù)量為542億顆。

特斯拉的芯片在自動駕駛特定任務上進行了優(yōu)化，特別是在處理視覺數(shù)據(jù)方面具有高效的性能1.CPU群，每個集群包含4個CPU核心核心2MB

L2

+4MB

L3CPU最大頻率2.2GHz2.35GHz2.2GHzNVIDIAAmperearchitecturewith1792

NVIDIA?CUDA?cores

and

56TensorCoresNVIDIAAmperearchitecturewith2048

NVIDIA?CUDA?cores

and

64TensorCoresGPUMali

G71MP12GPU工作頻率NPU數(shù)1.0GHz2\3930MHz1.3GHz\\\\\\從成本來看，特斯拉的芯片更適合在電動車上2.NPU工作頻率NPU性能2.0GHz73.7

TOPS2.2GHz121.65TOPS長期運行：特斯拉FSD

36芯片的功耗僅為

瓦，而英偉達的Drive

PX1000系統(tǒng)的功耗高達

瓦。這一差異顯著影響了兩種芯片的成本效率，特斯拉的設計明顯更加節(jié)能，更適合電動車的長期運行和成本控制。8GB128-bit

LPDDR468

GB/s16GB

128-bit

GDDR6224GB/s32GB

256-bit

LPDDR5204.8

GB/s64GB

256-bit

LPDDR5204.8

GB/s內(nèi)存功率36W\\\15W-40W15W-60W晶體管數(shù)量成本估算170億晶體管8530105資料：NextBigFuture，TealsAutonomy

Day，佐思汽研，焉知汽車等整理，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

3002

從特斯拉歷史出發(fā)，看未來落地的研判框架總結特斯拉的歷史，如何看未來競爭要素：算法驅動→數(shù)據(jù)驅動成本下降，消費者使用意愿提高法規(guī)完善，消費者使用成本降低硬件成本政策法規(guī)數(shù)據(jù)算法減配自身降本事故定責數(shù)據(jù)安全工程化能力端到端算法訓練效率算力算法走向收斂黑匣子特征：輕判斷，重跟蹤趨勢一數(shù)據(jù)競賽

Data

Engine趨勢二趨勢三：任務導向，分步端到端大模型Foundation

Model資料：《End-to-end

Autonomous

Driving:Challenges

and

Frontiers》，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

322.1感知側算法逐漸走向收斂，特斯拉領先0.5-1.5年??從算法架構來看，各廠商跟隨特斯拉走向收斂，感知側大模型普遍走向BEV+Transfomer+占用網(wǎng)絡的架構。從感知側算法的推出時間來看，特斯拉領先國內(nèi)0.5-1.5年時間，和小鵬相對靠前。特斯拉與國內(nèi)車企：感知側算法推出時間對比蔚來：2023年9月發(fā)布了基于BEV與占位柵格感知模型NOP+理想：在2023年12月

理

想

推

出

了

ADMax

3.0

，

引

入

了BEV+Occupancy。占用網(wǎng)絡推出時間特斯拉：2022年10月，AI

Day特：2023年4月上海車展發(fā)布了ADS2.0，ADS2.0架構引入為GOD占用網(wǎng)絡。小鵬：2023年10月發(fā)布了XNet2.0，在BEV

和

Transformer的

基

礎

上

引

入Occupancy斯拉引入Occupancy

占

用網(wǎng)絡。特斯拉：2021年9月，在

AI

大

會

上

推

出BEV+Transformer架構。：2022年5月極小鵬

：

2022

年10狐阿爾法S

HI版上市，

月發(fā)布Xnet，引入搭載ADS1.0，實現(xiàn)基于Transformer的BEV架構（后在2023年4月上海車展披露信息）BEV+Transformer網(wǎng)絡Transformer+BEV架構推出時間2021.9202320242022資料：Tesla

AIDay，特斯拉，小鵬汽車，智能汽車解決方案，蔚來汽車，理想汽車，2022CVPR，中國基金報，acrfox官網(wǎng)等，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

332.1.1趨勢一：數(shù)據(jù)競賽??規(guī)控側端到端的核心難點之一：如何獲取大量優(yōu)質的數(shù)據(jù)。BEV屬于感知層面，高質量的學術開源數(shù)據(jù)集Nuscenes的推出為很多BEV研究提供了便利的前置條件。然而學術界目前仍然缺乏大規(guī)模的端到端可用數(shù)據(jù)（相對感知側數(shù)據(jù)來說，規(guī)劃控制的數(shù)據(jù)更難獲?。壳白畲笠?guī)模的Nuplan數(shù)據(jù)集包含了4個城市1200小時的實車采集數(shù)據(jù)，在2023年的財報會議上，Musk表示對于端到端的自動駕駛“訓練了100萬個視頻case，勉強可以工作；200萬個，稍好一些；300萬個，就會感到Wow；到了1000萬個，它的表現(xiàn)就變得難以置信了”。Tesla的Autopilot回傳數(shù)據(jù)假設為普遍的1min片段，即入門級別的100w視頻case約為16000小時，相較Nuscenes學術數(shù)據(jù)集1200小時，超出十倍以上。領先車企紛紛推出獎勵活動，激勵消費者生成更多智駕數(shù)據(jù)。圖表：小鵬&推出消費者使用智駕的激勵活動圖表：學術開源數(shù)據(jù)集nuscenes的數(shù)據(jù)量資料：NUSCENES，鴻蒙智行，小鵬汽車公眾號，特斯拉財報會議，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

342.1.1數(shù)據(jù)競賽：特斯拉里程數(shù)據(jù)加速積累，降價提高滲透率?

FSDV12推出以來，里程數(shù)呈加速向上趨勢，4月累積里程突破13億英里：特斯拉總的FSD行駛里程自2021年3月起穩(wěn)步增長，初始階段增長相對平穩(wěn)，2023Q4開始呈現(xiàn)出加速上升的趨勢。FSD

V12版本上線后，特斯拉的行駛里程迅速突破13億英里。?全球滲透率從2024Q1出現(xiàn)回升趨勢：從2016第四季度至2019年第三季度，特斯拉的市場滲透率呈現(xiàn)出上升趨勢，從約10%增長到超過40%。隨后在2018年第四季度到2022年第三季度，由于價格的迅速上漲，滲透率迅速下降至約7%（側面說明屆時消費者為FSD買單意愿仍不強），從2022年第四季度開始，滲透率迎來了另一輪的顯著上升。?

FSD價格Q1進一步降低至8000美元買斷，訂閱價格從199美元降低至99美元/月：2023年推出端到端以來，特斯拉將數(shù)據(jù)獲取放在首位，推出首月免費及推薦積分等制度，同時進一步采取以價換量策略，將價格不斷壓低換取滲透率的提升。圖表：特斯拉FSD里程數(shù)變化（十億英里）圖表：特斯拉FSD滲透率（左軸）和價格（右軸：美元）50%45%40%35%30%25%20%15%10%5%1600014000120001000080006000400020000滲透率價格目前超過17億英里0%資料：Teslarati，特斯拉年報，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

352.1.2趨勢二：走向大模型，算力投入持續(xù)加大??走向大模型，智能駕駛“GPT時刻”持續(xù)醞釀。參考GPT的訓練路徑，模型訓練達到一定規(guī)模后會發(fā)生性能上的顯著躍升。算力投入軍備賽拉響，特斯拉預計在2024年10月實現(xiàn)100Exa-Flops（1x10^20），算力優(yōu)勢領先顯著。2024年3月，馬斯克推文指出算力是目前主要的限制因素。2024年4月，馬斯克言及100億美元的算力支出，且能高效使用算力訓練是競爭智駕的門檻。2024年Q1財報會議上Tesla披露已經(jīng)擁有35000塊H100的計算資源，并透漏在2024年底或將達到85000塊。圖表：語言類大模型、機器視覺模型，都展現(xiàn)出Scaling

Law圖表：特斯拉算力計劃圖表：馬斯克推特強調算力資料：《Emergent

abilitiesoflargelanguage

models》，

《EVA-CLIP:

Improved

Training

Techniques

for

CLIPatScale》，特斯拉年報，推特，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

362.1.2趨勢二：走向大模型，加大算力投入?國內(nèi)方面，算力投入差距仍然明顯，智駕提供商Tier1相對整車廠的算力投入更大。圖表：國內(nèi)廠商算力投入對比小鵬系（問界）理想蔚來上汽智己長城/毫末智行吉極極氪特斯拉百度商湯類型軟件NPGNCANOANOP+NOANZPFSDADMAX3.0IMAD(Momenta)ApolloANP3.0架構名稱XNGPADS2.0NOP+Hpilot3.0ZADFSD絕影領航BEV√√√√√√√√√√√√√√√√√√√√Transformer占用網(wǎng)絡（類）√√√智算中心名稱理想智算中心云上數(shù)據(jù)超級工廠陽泉智算中心扶搖/蔚來云雪湖綠洲星睿DojoAIDC發(fā)布時間合作廠商2022.08//2023Q3

2022.11火山引擎

騰訊2022.062023.012023.01/2021.06/阿里云阿里云火山引擎云算力訓練里程數(shù)超6億公里

超5億公里1億公里超10億英里0.75EFLOPS4.0EFLOPS算力0.60EFLOPSOrinX*2508///0.67EFLOPS0.81EFLOPS

100EFLOPS（24年10月）12EFLOPS算力芯片算力/TOPSMDC810400OrinX*2

OrinX*4508

1016OrinX254MobileyeQ5H*248自研FSD*2OrinX*2508車端/資料：小鵬、問界等各車企官網(wǎng)，NVIDIA，億歐智庫，圓周智行，賽博汽車，Teslaside等，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

372.1.3趨勢三：任務導向，分步端到端通勤模式??通勤模式的核心是在有限數(shù)據(jù)內(nèi)實現(xiàn)更高效的智駕體驗，主要針對于上下班通勤。通勤模式又稱是記憶行車模式，是利用限定固定路線以及多次采集數(shù)據(jù)來限制和簡化城市導航輔助駕駛功能，將原本的城市域高階輔助駕駛的實現(xiàn)范圍，從全國所有城市道路縮小到了駕駛者的通勤道路。駕駛者主動針對自己最需要的場景進行強化訓練，車端的駕駛數(shù)據(jù)會傳遞至云端，并在特征標注后交由認知模型進行訓練，最終再經(jīng)過仿真驗證回傳至車端，通過反復學習訓練，得到駕駛風格更自然、更接近真人駕駛的效果。小鵬汽車較早在2023年6月提出“通勤模式”概念，理想、大疆、智己在后續(xù)紛紛推出。在2023年3月，小鵬汽車首次提出了這一概念，旨在通過限定固定路線和多次數(shù)據(jù)采集，為在高精地圖未覆蓋區(qū)域的用戶提供城市輔助駕駛體驗。圖表：國內(nèi)車企通勤模式情況梳理圖表：理想通勤模式車企時間名稱小鵬2023年6月Ai代駕理想大疆智己2023年9月通勤NOA2023年8月2024年3月通勤模式beta記憶行車AI代駕在全國的規(guī)范城鎮(zhèn)中都能適用，基于DDLD去高精地圖技術方案，無需依賴高精地圖或設置導航可記憶多條路線，這些路線可支持跨城，同時也支持車主們的私人定制路線，每位車主都能有自己的專屬路線。不依賴激光支持的特點/資料：AutoLab，小鵬、理想汽車官網(wǎng)，大疆車載，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

382.1.3趨勢三：任務導向，分步端到端智能泊車圖表：小米代客泊車實現(xiàn)端到端?智能泊車基于其功能的實用性，有望成為另一個智駕突破的情景。小米發(fā)布會，推出的全球首個端到端大模型主要應用在智能泊車情景下的任務，將感知、決策、規(guī)劃算法多合一，可以停入最少5cm的極窄車位，未來細化跟蹤不同停車場景是分化車企能力的關鍵。圖表：AutoLab智能泊車測試圖表：智能泊車測試維度評價資料：AutoLab，小米汽車官網(wǎng)，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

392.2算法競爭落幕，數(shù)據(jù)驅動的時代下，工程化能力是競爭核心要素??數(shù)據(jù)閉環(huán)能力的背后，是一個企業(yè)的工程化能力。該如何跟蹤工程化能力？從測評結果指標切入。數(shù)據(jù)工程化：形成閉環(huán)數(shù)據(jù)驅動系統(tǒng)，有效獲取數(shù)據(jù)、篩選數(shù)據(jù)、利用數(shù)據(jù)，車輛工程的集成：智駕系統(tǒng)與整車底盤及其他功能件的融合。提高數(shù)據(jù)閉環(huán)的效率和算法迭代的速度。軟件工程化：以標準化的研發(fā)流程、系統(tǒng)化的研發(fā)體系為支撐，達到“過程可重復、結果可預期、問題可追溯硬件工程化：諸多新增測試工程化：有效利用仿真的或性能升級的汽車零部件(如芯片、域控制器等)的質量標準能否快速構建，并建立較穩(wěn)定的供應體系，做到穩(wěn)定供應、故障率低、成本可控。和測試的工具，組合使用真實單場景、云仿真多場景、影子模式等多種測試環(huán)境，實現(xiàn)測試結果的一致性、可靠性和精確性。智

駕

工

程

化

能

力資料：《詳解自動駕駛數(shù)據(jù)閉環(huán)與工程化》，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

402.2算法競爭落幕，數(shù)據(jù)驅動的時代下，工程化能力是競爭核心要素2023年1月16日2023年4月8日11.3.62023年5月26日11.4.22023年6月19日11.4.4-.92024年2月18日12.2.12024年3月12日個體FSD進展追蹤調查左右轉彎平穩(wěn)急轉彎平穩(wěn)12.3101097388888810109執(zhí)行側的流暢性更加擬合平穩(wěn)變道平穩(wěn)快速3999行車數(shù)量適中時變道行車擁擠時變道舒適停穩(wěn)與加速匯入擁擠高速388999舒適度156788788877667888減速或平穩(wěn)駛過減速帶或斜坡連續(xù)無保護左轉彎連續(xù)紅燈右轉555599666667666678??最大的改進體現(xiàn)在規(guī)劃側（無人駕駛）+執(zhí)行側（舒適度）下雨或惡劣天氣下行駛高速有車匯入277777一般安全標準低頻安全標準法規(guī)遵守度777777在高速減速的反應及時度環(huán)島577777444488FSD

V12版本核心變化，是實現(xiàn)了在規(guī)劃和控制兩個層面的端到端，所以從圖表可以看到兩個相關評分顯著提

高

。

相

比

目

前

國

內(nèi)

車

企

，

包

括2022年的FSD都只在感知側實現(xiàn)完全端到端。警察/手勢通過校車?？浚ㄉ鐣{查）施工區(qū)/錐形車道通過躲避碎片/危險物特殊路標熟悉度讓道救護車1111112222N/A7N/A733331344N/A1N/A11111111111識別正確限速注意紅燈閃爍667777555522注意讓行標志車道暢通（公路及鐵路）注意轉向燈333377111177577788正確規(guī)劃行駛路線掉頭倒車355577111177無人駕駛特定標準111111規(guī)控側的準確性顯著提高停車場導航泊車111166111144堵車反應快速度車流適速與自動控速地面凹陷躲避度盲區(qū)躲避度335688698887驅動111111111111無干預驅動（啟動油門）干預頻率加權總分33557763.6264.5974.8974.9986.4986.54資料：FSD

Community

Tracker，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

412.2算法競爭落幕，數(shù)據(jù)驅動的時代下，工程化能力是競爭核心要素??能力新高，干預里程數(shù)創(chuàng)FSD推出以來的新高：城區(qū)的干預里程數(shù)創(chuàng)下新高達203英里。根據(jù)FSD

Community

Tracker

的數(shù)據(jù)，特斯拉的MilestoCriticalDisengagement在V12.3版本后達到了新高203英里（平均每隔203英里才需要一次嚴重干預）。無需干預比例提升顯著。

根據(jù)FSD

Community

Tracker

的數(shù)據(jù)統(tǒng)計，從進入V12.3版本后，特斯拉無需干預（包括嚴重干預CriticalDE和普通干預DE）的司機比例從11.4版本的47%提高到了12.3版本的72%，提升程度顯著。圖表：平均每次嚴重干預，特斯拉的行駛里程數(shù)（英里）圖表：無需干預&無需嚴重干預的司機比例45040035030025020015010050100.0%90.0%80.0%70.0%60.0%50.0%40.0%30.0%20.0%10.0%0.0%96%72%94%92%47%91%91%47%38320381%35%75%26250%1771459731%11410410755935122%58340綜合里程數(shù)城區(qū)里程數(shù)無需緊急干預無需干預資料：Tesla

Community

Tracker，

Twitter，華鑫證券研究誠信、專業(yè)、穩(wěn)健、高效PAGE

422.2算法競爭落幕，數(shù)據(jù)驅動的時代下，工程化能力是競爭核心要素指標數(shù)據(jù)JIYUE01IMLSNIOFTY?不同于國外，國內(nèi)第三方測評跟蹤尚處于起步期，車控CHEK基于AIGC大模型推出全國首個智能汽車智駕表現(xiàn)數(shù)據(jù)開放平臺。參考海外Tesla

Community

Track等測評平臺，國內(nèi)第三方測評未來有望成為消費者購車智駕的重要參考依據(jù)，基于兩個角度：Testtime測試時間測試城市2024.42024.42024.4ShanghaiUrbanShanghaiUrbanShanghaiUrbarTestcity數(shù)據(jù)概覽BANYAN_2.4.5_CNVehicleversion測試版本V1.4.0IMOS_2.7.0Intelligentdrivingsupplierintervention_cnt_tota智罵供應商接管次數(shù)Baidu56Momenta77Nio12218intervention_risk_cnt_total危險接管次數(shù)914干預匯總intervention_risk_proportion_total(%)危險接管占比16.10%18.20%14.80%Crosswlks,zebracrossingsTrafficlight人行橫道交通燈135137615614658783102219165（1）安全性：事故分類+合理歸因。事故本身并不是問題，需要對事故嚴重程度，事故原因做出合理歸類。車控CHEK考慮多種道路情況，事故類型及原因。NOA智駕道路情況匯總ConstructionroadLeftturn施工或事故右轉16203179Righttumn左轉NOA智駕行駛操作匯總NOA過錯分類U-turn掉頭2Unprotectedleftturn無保護左轉34車距過近或剮蹭或碰撞風險Riskofscratchesorcollisions7410（2）使用體驗：從結果看，體現(xiàn)在NOA接管里程；從過程看，體現(xiàn)在剎車、轉彎的舒適度。車控CHEK的測評使用多傳感器智能化采集、評價，減少競品性能評估上的50%人員投入和30%數(shù)據(jù)采集成本，提高統(tǒng)計準確性和效率的同時，增加了對行駛過程中加速度等維度的策略。FailingtoyieldtoapedestrianinacrosswalkNotfollowingthemap人行橫道未禮讓行人不遵守導航行駛25111171616Notfollowingtrafficlights(yellowlight)闖交通燈（黃燈)Failuretoovertakeormaneuveraroundobstacles未能超車或繞行2212ThesystempromptsthatNOAendsGhostbrakeNOA結束幽靈剎OA嚴重過錯分類Failedtoavoidthebuslane末能避開專有車道21Vehiclestanstill(noobstacleahead)車輛停滯1025illegallanechangsothers違規(guī)變道23233資料：車控CHEK，華鑫證券研究其他接管原因13誠信、專業(yè)、穩(wěn)健、高效PAGE

432.2算法競爭落幕，數(shù)據(jù)驅動的時代下，工程化能力是競爭核心要素指標維度數(shù)據(jù)指標TesttimeTestcity問界M52024.2上海小鵬G92024.2上海智己Is62024.2上海小鵬X92024.2北京極越012024.4上海智己LS?2024.4上海NIOFTY2024.4上海測試時間測試城市Vehicleversion測試版本ADSProv2.0XmartOS_4.5.0IMOS2.70XmartOS_5.0.3V1.4.0IMOS_2.7.0BANYAN_2.4.5_CNduration(h)odometer_total(km)持續(xù)時間行程總里程7.2522774170.62964131.2555827.162231836.5967836215.9038153.5980526.06022312017,547386415.378