汽車自動駕駛算法行業(yè)市場分析

1、自動駕駛一一數(shù)據(jù)驅(qū)動下的算法迭代

1.1、自動駕駛算法是感知、預(yù)測、規(guī)劃、控制的結(jié)合體

自動駕駛算法反應(yīng)了工程師們根據(jù)人的思維模式，對自動駕駛所需處

理過程的思考，通常包含感知、預(yù)測、規(guī)劃模塊，同時輔助一些地圖、

定位等模塊，實現(xiàn)自動駕駛功能的落地。

感知：感知外部世界

感知模塊主要解決四類任務(wù)：（1）檢測：找出物體在環(huán)境中的位置；

（2）分類：明確對象是什么，如分辨不同類別交通標(biāo)志；（3）跟蹤：

隨著時間的推移觀察移動物體，通常采用跨幀追蹤對象（將不同幀中

檢測到的對象進行匹配）、BEV加入時序信息等實現(xiàn)；（4）語義分

割：將圖像中的每個像素與語義類別匹配，如道路、天空、汽車等,

用于盡可能詳細了解環(huán)境。以Apollo感知算法框架為例，其算法包

含預(yù)處理、神經(jīng)網(wǎng)絡(luò)模型、后處理等模塊。首先圖像預(yù)處理主要是對

圖像進行調(diào)整、畸變校正等，使之更符合機器學(xué)習(xí)的要求。其次分別

對紅綠燈、車道線、障礙物等特征進行檢測，其中紅綠燈通過檢測邊

框、顏色等進行進一步的識別；障礙物則經(jīng)過2D到3D的轉(zhuǎn)換，得

出真實的信息坐標(biāo)，再融合車道線檢測信息、外部傳感器信息等得出

真實世界的障礙物信息。該部分通常采用全卷積神經(jīng)網(wǎng)絡(luò)或者YOLO

等算法實現(xiàn)。

1.1.2.預(yù)測：理解外部環(huán)境和當(dāng)前狀態(tài)

預(yù)測模塊實際上是算法對外部環(huán)境和自車狀態(tài)的理解。預(yù)測模塊首先

收集感知模塊輸入的車道線、障礙物、紅綠燈、地圖、定位等信息對

主車的狀況進行判斷。其次場景感知模塊對外部障礙物的優(yōu)先級、路

權(quán)等外部環(huán)境對主車的影響進行感知。評估器則會根據(jù)場景信息和障

礙物信息判斷出障礙物的軌跡或意圖。預(yù)測器則根據(jù)短期的預(yù)測軌跡

和意圖判斷障礙物等外部環(huán)境相對長期的軌跡。這將為未來汽車的規(guī)

劃提供重要的參考。算法層面通常以RNN為主。

圖3:百度Apollo的算法中，預(yù)測模塊包含場景理解、評估、預(yù)測等環(huán)節(jié)

感際信息容濤場景感際評估涔預(yù)測涔

埼票管理!-

逐ffl

1.1.3、規(guī)劃：思考如何行動

規(guī)劃指找到合理路徑來到達目的地。規(guī)劃通常分為全局路徑規(guī)劃、行

為規(guī)劃與運動規(guī)劃幾個部分。其中，全局路徑規(guī)劃指智能汽車依靠地

圖規(guī)劃出理想狀態(tài)下到達目的地的路徑。行為規(guī)劃則是主車在實際行

駛的過程中，面臨實時的交通環(huán)境，做出的各類駕駛行為，如跟車、

換道、避讓等。運動規(guī)劃生成與駕駛行為對應(yīng)的駕駛軌跡，包含路徑

規(guī)劃和速度規(guī)劃。最后再采用一些優(yōu)化方式讓變道加速等行為變得平

順以滿足舒適性要求。算法層面，通常采用基于規(guī)則的規(guī)劃決策算法,

前沿的玩家也開始引入機器學(xué)習(xí)等方式，以提升決策效能。

1.2、數(shù)據(jù)：算法的養(yǎng)料，現(xiàn)實與虛擬的交織

算法、算力和數(shù)據(jù)是人工智能的三大要素，數(shù)據(jù)在模型訓(xùn)練中擁有不

可忽視的影響。一方面，Transformer等大模型在大體量數(shù)據(jù)集訓(xùn)練

下才能表現(xiàn)更佳的特性帶來其對訓(xùn)練端數(shù)據(jù)的要求激增，特斯拉在

2022年AIDAY上曾表示,訓(xùn)練其占用網(wǎng)絡(luò)采用了14億幀圖像數(shù)據(jù)。

另一方面，由于自動駕駛面臨的場景紛繁復(fù)雜，諸多長尾問題需要在

現(xiàn)實或虛擬場景中獲取。因此數(shù)據(jù)閉環(huán)在自動駕駛領(lǐng)域彌足重要。毫

末智行將數(shù)據(jù)作為“自動駕駛能力函數(shù)”的自變量，認(rèn)為是決定能力發(fā)

展的關(guān)鍵，Momenta也曾表示，L4要實現(xiàn)規(guī)模化，至少要做到人類

司機的安全水平，最好比人類司機水平高一個數(shù)量級，因此需要至少

千億公里的測試，解決百萬長尾問題。

數(shù)據(jù)挖掘和針對性的訓(xùn)練能顯著減少CornerCaseo以特斯拉為例，

在面臨一個看起來像臨時停車但實際上是永久停車的場景時，最初算

法會將其判定為臨時停車。當(dāng)特斯拉通過數(shù)據(jù)挖掘在訓(xùn)練集中增加了

1.4萬個類似場景的視頻并訓(xùn)練模型后，神經(jīng)網(wǎng)絡(luò)便理解了這輛車?yán)?/p>

面沒有司機，將其判別為永久停車。

2、大模型橫空出世，自動駕駛奇點來臨

早期自動駕駛方案采用激光雷達+高精度地圖為主。早期市場以傳統(tǒng)

計算機視覺和專家系統(tǒng)為基礎(chǔ)構(gòu)建輔助駕駛功能，隨后人工智能的蓬

勃發(fā)展讓深度學(xué)習(xí)在自動駕駛領(lǐng)域被廣泛使用，以waymo為代表的

自動駕駛先驅(qū)玩家開創(chuàng)了激光雷達+高精度地圖的感知范式，Cruise.

白度等巨頭紛紛效仿。該方案中，對道路結(jié)構(gòu)、車道線等靜態(tài)環(huán)境元

素的感知強依賴高精度地圖，而實時的動靜態(tài)障礙物信息則強依賴激

光雷達。高精地圖成為一項“基礎(chǔ)設(shè)施”，將很多在線難以解決的問題

提前存儲到地圖數(shù)據(jù)中，行車時作為一項重要的感知數(shù)據(jù)來源，減輕

傳感器和控制器的壓力。由于該方案只能在有圖地區(qū)行駛，也被一些

人形象的稱為“有軌電車，

高昂的單車成本和高精度地圖成為自動駕駛大規(guī)模推廣瓶頸。

Robotaxi成本高昂（Yole統(tǒng)計早期Waymo為代表的的自動駕駛汽

車改裝成本約為20萬美元），高精度地圖采集制作以及合規(guī)要求繁

雜（量產(chǎn)落地過程中，高精度地圖面臨：采集成本高；人工修圖制圖

費時費力；地圖鮮度不足；國內(nèi)法規(guī)嚴(yán)格等困難），帶來該方案的泛

化性較差。經(jīng)過數(shù)十年的發(fā)展，Robotaxi的使用范圍仍被限制在特

定區(qū)域，使用對象也僅局限在商用車領(lǐng)域。市場亟待出現(xiàn)一種單車性

能強大、成本低廉的自動駕駛解決方案。

2.1.BEV+Transformer橫空出世，大模型推動自動駕駛邁向普及

2021年特斯拉推出BEV+transformer、重感知輕地圖的自動駕駛解

決方案，開啟了自動駕駛行業(yè)新的篇章。

2.1.1、BEV感知助力成為感知外部世界標(biāo)準(zhǔn)范式

BEV全稱為Bird'sEye-View（鳥瞰圖），即通過神經(jīng)網(wǎng)絡(luò)將各個攝

像頭和傳感器獲取的信息進行融合，生成基于俯視的“上帝視角”的鳥

瞰圖，同時加入時序信息，動態(tài)的對周邊環(huán)境進行感知輸出，便于后

續(xù)預(yù)測規(guī)劃模塊使用。正如人類一樣，駕駛行為需要將各處觀察到的

信息綜合到統(tǒng)一的空間中，來判別什么地方是可以行駛的區(qū)域。究其

原因，駕駛行為是在3D空間中的行為，而鳥瞰圖則是將2D的透視

空間圖像轉(zhuǎn)換為3D空間，不存在距離尺度問題和遮擋問題，使得算

法可以直觀的判斷車輛在空間中的位置以及與其他障礙物之間的關(guān)

系。

2.1.2、Transformer大模型為構(gòu)建BEV空間提供最優(yōu)解

2021年特斯拉在AIDay上第一次將BEV+transformer的算法形式引

入到自動駕駛，開啟了自動駕駛的嶄新時代。首先BEV空間的構(gòu)建，

實際上就是尋找一種恰當(dāng)?shù)姆绞?，將多個2D的圖像和傳感器信息綜

合轉(zhuǎn)化成為一個3D的向量空間。經(jīng)過多次嘗試，特斯拉最終引入了

Transformer大模型來實現(xiàn)這一轉(zhuǎn)換。Transformer大模型是近年人

工智能領(lǐng)域的熱門算法，其主要通過注意力機制來分析關(guān)注元素之間

的關(guān)系進而理解外部世界。早年被應(yīng)用于自然語言處理領(lǐng)域，后續(xù)延

展到計算機視覺等多個方向。算法的優(yōu)勢顯著：

具有更好的全局信息感知能力：Transformer模型更關(guān)注圖像特征之

間的關(guān)系，因此會跟多關(guān)注整個圖像的信息，卷積神經(jīng)網(wǎng)絡(luò)更多關(guān)注

固定大小區(qū)域的局部信息，因此Transformer在面對圖像中長程依賴

性的問題擁有更好的表現(xiàn)。

天花板高企適用于大規(guī)模數(shù)據(jù)訓(xùn)練場景：在圖像識別能力方面，

Transformer擁有更高的上限，隨著訓(xùn)練數(shù)據(jù)量的增長，傳統(tǒng)CNN

模型識別能力呈現(xiàn)飽和態(tài)勢，而Transformer則在數(shù)據(jù)量越大的情況

下?lián)碛懈玫谋憩F(xiàn)。而自動駕駛洽洽為面向海量的數(shù)據(jù)場景，要求有

足夠好的精度的場景。

擁有多模態(tài)感知能力：Transformer可實現(xiàn)多模態(tài)數(shù)據(jù)的處理，應(yīng)對

圖像分類、目標(biāo)檢測、圖像分割功能，并實現(xiàn)對3D點云、圖像等數(shù)

據(jù)的融合處理。

靈活、較好的泛化性能:Transformer可適用于不同大小的輸入圖像，

同時外部環(huán)境包含擾動的情況下仍能保持較好的檢測性能。

但CNN網(wǎng)絡(luò)在提取底層特征和視覺結(jié)構(gòu)方面有比較大的優(yōu)勢，而在

高層級的視覺語義理解方面，需要判別這些特征和結(jié)構(gòu)之間的如何關(guān)

聯(lián)而形成一個整體的物體，采用Transformer更加自然和有效。同時

CNN也擁有更好的效率，可以采用更低的算力實現(xiàn)效果。因此業(yè)界

通常會將CNN和Transformer結(jié)合來進行物體識別。

2.1.3.特斯拉引領(lǐng)打開自動駕駛天花板

特斯拉的自動駕駛算法結(jié)構(gòu)中，首先將攝像頭信息無損采集，送入卷

積神經(jīng)網(wǎng)絡(luò)Regnet來提取不同尺度的圖像特征，接著使用BiFPN進

行特征融合，然后將這些特征送入Transformer模塊，利用

Transformer中的多頭注意力機制來實現(xiàn)2D圖像特征到三維向量空

間的轉(zhuǎn)換和多攝像頭特征系信息的融合，之后接入不同的“頭”如交通

標(biāo)志檢測、障礙物檢測等，來實現(xiàn)不同任務(wù)的處落地，形成一套優(yōu)雅

的，可完美實現(xiàn)數(shù)據(jù)驅(qū)動的感知算法。由十不同的“頭”之間采用了共

享的特征提取網(wǎng)絡(luò)，因此被特斯拉起名為‘九頭蛇”算法架構(gòu)。

特斯拉的BEV+Transformer算法中兩個環(huán)節(jié)尤為關(guān)鍵：

（1）2D圖像到3D空間的轉(zhuǎn)換以及圖像融合：在2D圖像到3D向

量空間轉(zhuǎn)換的環(huán)節(jié)，特斯拉在行業(yè)內(nèi)首次引入了Transformer。具體

而言，先構(gòu)建一個想要輸出的三維的柵格空間，并對其進行位置編碼

成為查詢向量（Query）,然后將每個圖像和自己的特征輸出相應(yīng)的

查詢鍵碼（Key）和值（Value）,最終輸入到注意力機制中輸出想

要的結(jié)果。類似于每個圖像中的特征都廣播自己是什么物體的一部分,

而每個輸出空間的位置像素像拼圖一樣，尋找對應(yīng)的特征，最終構(gòu)建

出希望輸出的向量空間。（Query、Key、Value分別為Transformer

算法中的參數(shù)，通過將外部世界轉(zhuǎn)化為參數(shù)而實現(xiàn)信息處理和任務(wù)輸

出）

（2）加入時序信息，讓算法擁有“記憶”:為了讓自動駕駛算法捱有

類似一段時間內(nèi)“記憶”的能力，特斯拉在感知網(wǎng)絡(luò)架構(gòu)中加入了時空

序列特征層。通過引入慣性導(dǎo)航傳感器獲取的包含速度和加速度等自

車運動的信息，算法模型可獲取時間和空間的記憶能力。具體而言，

特斯拉給算法加入特征隊列模塊(FeatureQueue),他會緩存一些

特征值(包含歷史幀的BEV特征、慣導(dǎo)傳感器信息等)，便于了解

車輛行動，這個序列包含時間和空間記憶。然后引入視頻模塊(Video

Module)使用空間循環(huán)神經(jīng)網(wǎng)絡(luò)(SpatialRNN)/transformer等算

法將前述緩存的特征進行融合，關(guān)聯(lián)前后時刻信息，使得模型具有記

憶能力，讓自動駕駛汽車將?同時能夠記住上一段時間和上一段位置的

檢測信息。

圖14:杵斯拉為感知部分加入時序信息已增強其“記憶”

時序信息融合

.計征序列(存儲時序信息)

車輛運動學(xué)信息

Multi-C4m<fafusion&BEVtransform1多攝像頭融合及BEV視角轉(zhuǎn)換

2PN

共享皆干網(wǎng)絡(luò)提取圖像特征

2.1.4.BEV+Transformer大模型提供遠強于傳統(tǒng)自動駕駛算法的感

知能力

(1)改善2D-3D空間轉(zhuǎn)換過程中深度預(yù)測難點，感知性能大幅提升

弓I入BEV+Transfo「mer后，模型對于2D空間向3D空間轉(zhuǎn)換的精度

大幅提高。構(gòu)建BEV模型一大重要任務(wù)是實現(xiàn)2D圖片到3D空間的

轉(zhuǎn)換，通常業(yè)內(nèi)有四大類方式實現(xiàn)2D-3D視角轉(zhuǎn)換：早期通常以基

于相機內(nèi)外參數(shù)（焦距、光芯、俯仰角、偏航角和地面高度）的兒何

變換的IPM（逆透視變換）實現(xiàn)，由于該方式基于地面純平、俯仰角

一定的假設(shè)，約束條件實現(xiàn)難度高；后續(xù)英偉達推出BEV行業(yè)的開

山之作LSS算法，但由于其計算量龐大以及精度仍然有限，難以支

撐BEV的真正落地；其后學(xué)界業(yè)界探索了眾多方案，包含基于神經(jīng)

網(wǎng)絡(luò)，通過監(jiān)督學(xué)習(xí)數(shù)據(jù)驅(qū)動實現(xiàn)BEV空間構(gòu)建等方式，但深度估

計的精度均不盡人意。2021年，特斯拉首次將Transformer應(yīng)用于

BEV空間的構(gòu)建，在多攝像頭視角下，相比傳統(tǒng)感知方式，大幅提

升了感知精度，該方案推出后也迅速被業(yè)界廣泛追捧。

（2）完美實現(xiàn)多攝像頭、多傳感器的信息融合，極大方便后續(xù)規(guī)控

任務(wù)

BEV+Transformer實際上引入“特征級融合”（中融合）方式。通常自

動駕駛汽車擁有6-8個攝像頭以及其他多種傳感器，在感知過程中,

需要將各類傳感器的信息進行融合。傳感器融合大體可分為幾大類:

數(shù)據(jù)級融合（前融合）：直接將傳感器采集的數(shù)據(jù)如圖像和點云融合。

該方案優(yōu)勢在于數(shù)據(jù)損失少，融合效果好，但時間同步、空間同步要

求達到像素級別，難度較高，需要對每個像素計算，對算力消耗大,

目前少有使用。

目標(biāo)級融合（后融合）：將每個傳感器采集信息并處理后的目標(biāo)進行

融合。該方案是此前自動駕駛主流采用的方案，被廣泛應(yīng)用于攝像頭

之間、不同傳感器之間的信息融合。優(yōu)勢在于算法簡單、解耦性好即

插即用。但也存在致命問題，由于融合前的處理損失了大量關(guān)鍵信息，

影響感知精度，融合結(jié)果容易沖突或錯誤。此外后融合中的融合算法

仍然基于規(guī)則，無法進行數(shù)據(jù)驅(qū)動，存在局限性。

特征級融合（中融合）：則將原始傳感器采集的數(shù)據(jù)經(jīng)過特征提取后

再將特征向量進行融合。該方案的優(yōu)勢在于，數(shù)據(jù)損失少、將目標(biāo)“分

解”為特征，更容易在不同相機和傳感器之間關(guān)聯(lián)，融合效果好。在

BEV+transformer算法中實際上均采用中融合的方式。

以路過大型卡車場景為例，障礙物某個時刻在5個攝像頭中同時出現(xiàn),

且每個攝像頭只能觀察到車的某個部分。傳統(tǒng)算法通常會分別在每個

攝像頭內(nèi)完成檢測，再融合各攝像頭的結(jié)果。通過部分信息識別出卡

車整體的特征及其困難，且一旦完成物體險測，相當(dāng)于“腦補”了看不

到的部分，誤差較大拼接困難，經(jīng)常會識別為多個目標(biāo)或漏檢。而

BEV+Transformer通過特征級融合，完美生成鳥瞰視角下的場景，

并且識別精度更高。

（3）更易融入時序信息，模型擁有“記憶”，避免遮擋等問題

感知算法中，時序融合能夠大幅提升算法連續(xù)性，對障礙物的記憶可

解決遮擋問題，更好的感知速度信息，對于道路標(biāo)志的記憶可提升駕

駛安全和對汽車車輛行為預(yù)測的準(zhǔn)確度，增強算法的可靠性和精度。

在BEV+transformer算法中，由于所有的感知被統(tǒng)一到3D鳥瞰圖空

間，通過將不同時間和不同位置的特征關(guān)聯(lián)可很容易的實現(xiàn)時序信息

的融合。如在面對遮擋場景時，帶有時序信息的自動駕駛算法感知效

果遠優(yōu)于基于單幀圖像感知的算法。同時也更便于下游的規(guī)劃控制算

法實現(xiàn)對障礙物的追蹤。

（4）汽車擁有實時建圖能力，擺脫對高精度地圖的依賴

BEV+Transformer算法可在車端實時構(gòu)建媲美高精地圖的高精度局

部地圖，能夠在任意常規(guī)道路條件下，實現(xiàn)自動駕駛所需的靜態(tài)場景

深刻理解，然后以此為基礎(chǔ)，端到端的輸出障礙物的軌跡和速度、車

道線信息等，實現(xiàn)復(fù)雜場景下的自動駕駛應(yīng)用，而不需要依賴高精地

圖。使得算法的泛化性大幅提升，成本也大幅下降。

2.2、占用網(wǎng)絡(luò)提供3D世界感知，形成通用障礙物識別能力

占用網(wǎng)絡(luò)構(gòu)建通用障礙物感知體系，提升對未知物體感知效果。直接

在矢量空間產(chǎn)生統(tǒng)一的體積占用數(shù)據(jù)，對于車子周圍任意的一個3D

位置，它預(yù)測了該位置被占用的概率，對每個位置它還會產(chǎn)生一定的

語義信息比如路邊、汽車、行人、或者路上的碎片等等，用不同的顏

色標(biāo)出，同時觀測速度信息，形成“占用柵格”'柵格流（描述速度信

息）”+弱語義的表達形式。對特斯拉而言，即將原有Transformer算

法輸出的2DBEV+時序信息的向量空間增加高度信息，形成3DBEV+

時序信息的4D空間表達形式。網(wǎng)絡(luò)在FSD上每10ms運行一次，

即以100FPS的速度運行，模型檢測速度大幅提升。

占用網(wǎng)絡(luò)優(yōu)勢顯著：(1)其改變了神經(jīng)網(wǎng)絡(luò)算法先“認(rèn)識”才能‘識別”

的特性，形成了動靜態(tài)物體統(tǒng)一的障礙物感知方式，可大幅減少

Cornercase,提升安全性。(2)擺脫檢測框的約束，對不規(guī)則外形

障礙物的感知能力大大增強。(3)對特斯拉來說，通用障礙物感知

能力可以復(fù)用到其他產(chǎn)品如機器人上，形成了統(tǒng)一的算法框架。

占用網(wǎng)絡(luò)的構(gòu)建并非單獨算法上得演進，而是體系能力的提升。3D

空間的距離真值獲取實際上較為困難，即使擁有激光雷達，其稀疏的

點云信息仍然難以滿足占用網(wǎng)絡(luò)的訓(xùn)練需求，而由于仿真環(huán)境中距離

真值信息可以直接獲取，因此占用網(wǎng)絡(luò)的構(gòu)建幾乎和強大的仿真場景

構(gòu)建相輔相成。

2.3、規(guī)控算法由基于規(guī)則邁向基于神經(jīng)網(wǎng)，大模型開始嶄露頭角

2.3.1＞人工智能逐步滲透進入規(guī)控算法

發(fā)力安全性、舒適性和效率，規(guī)控算法成為當(dāng)前頭部玩家主攻方向。

人能夠基于非常有限的感知信息完美實現(xiàn)駕駛行為，很大程度因為人

類擁有強大的“規(guī)控”能力。對自動駕駛而言，采取一種讓安全性、舒

適性和效率都達到最大化的駕駛策略無疑是各大廠商不懈追求的目

標(biāo)。而該環(huán)節(jié)也直接決定了自動駕駛功能的消費者體驗，目前頭部玩

家已經(jīng)將主攻方向轉(zhuǎn)移到規(guī)控算法領(lǐng)域。

a24：自動駕駛的目標(biāo)：安全、仔適、效率

“擬人化”、強泛化性，人工智能推動自動駕駛“老司機'上線。規(guī)控算

法的難度較高，存在諸多非確定（如輔路與干道沒有綠化帶隔離，輔

路的車輛可隨時進入干道）、強交互（如多個物體在同一場環(huán)境下決

策會相互影響，存在一定博弈性）、強主觀（如駕駛員的駕駛風(fēng)格,

很難用有限標(biāo)準(zhǔn)量化表示）的場景。同時涉及交通法規(guī)等一系列問題。

早年的算法通常采用基于專家知識和規(guī)則的模式為主，由于基于規(guī)則

的系統(tǒng)需要不斷補充新的規(guī)則以實現(xiàn)對各類環(huán)境的良好應(yīng)付，日積月

累代碼量龐大，占用算力資源，且不易維護。因此依靠數(shù)據(jù)驅(qū)動的基

于人工智能的規(guī)控算法日益走向臺前。面對復(fù)雜的外部環(huán)境，人工智

能模型能夠更加平滑的以“類人”的方式對駕駛行為進行處理，泛化能

力強、舒適性好，應(yīng)對復(fù)雜場景的能力大幅提升C

兼顧“安全”和“性能”，神經(jīng)網(wǎng)絡(luò)和基于規(guī)則結(jié)合有望成為一段時期內(nèi)

規(guī)控算法的主流。小鵬汽車自動駕駛負責(zé)人吳新宙曾表示，基于大數(shù)

據(jù)和深度學(xué)習(xí)的算法在規(guī)控領(lǐng)域的滲透會越來越深，預(yù)計未來整個框

架都將基于深度學(xué)習(xí)為基礎(chǔ)，但基于規(guī)則的算法也會長期存在，因為

規(guī)控算法的可解釋性很重要?；谏窠?jīng)網(wǎng)絡(luò)的規(guī)控算法有諸多優(yōu)勢，

但目前如訓(xùn)練過程中數(shù)據(jù)的清洗、一致性；面向一些小場景特定的算

法調(diào)整；可解釋性差等問題仍客觀存在。因此諸多玩家目前仍采用以

人工智能和基于規(guī)則結(jié)合的方式來部署規(guī)控算法，制定一些規(guī)則來對

人工智能產(chǎn)生的行為進行兜底，實現(xiàn)較好的規(guī)控效果，未來隨著人工

智能能力的提升，視控算法人工智能化已經(jīng)成為大勢所趨。交互搜索

+評估模型，特斯拉規(guī)控算法行止有效。在規(guī)控方面，特斯拉采月交

互搜索+評估模型的方式實現(xiàn)舒適、有效以及傳統(tǒng)搜索算法和人工智

能的結(jié)合的算法。具體如下：（1）決策樹生成：首先根據(jù)車道線、

占用網(wǎng)絡(luò)、障礙物等得到候選目標(biāo)，生成一些候選目標(biāo)；（2）軌跡

規(guī)劃：通過傳統(tǒng)搜索和神經(jīng)網(wǎng)絡(luò)的方式同步構(gòu)建抵達上述目標(biāo)的軌跡;

（3）交互決策：預(yù)測自車以及場景中其他參與者之間的相互作用，

形成新的軌跡，經(jīng)過多次評估選擇最后軌跡。在軌跡生成階段，特斯

拉采用了基于傳統(tǒng)搜索算法和基于神經(jīng)網(wǎng)絡(luò)兩種形式，之后根據(jù)碰撞

檢查、舒適性分析、駕駛員接管可能性和與人的相似程度等對生成的

軌跡打分，決定走哪條路線?；谶@種方式有效的將道路參與者的博

弈考慮在內(nèi)，同時完美將基于規(guī)則和基于人工智能結(jié)合，呈現(xiàn)出強大

競爭力。

2.3.2,大模型賦能，車道線預(yù)測等復(fù)雜任務(wù)得以實現(xiàn)

復(fù)雜道路的車道拓普結(jié)構(gòu)識別難度較高。自動駕駛車輛在行駛過程中

需要明確自車的道路情況和車道線拓撲情況，以此來決定如何規(guī)劃自

己的行駛軌跡。但當(dāng)車道線模糊，或者十字路口等場景下，需要算法

自己計算出車道線情況，來指導(dǎo)自身的自動駕駛行為。我們看到一些

玩家針對這樣的場景做出了優(yōu)化，來完美應(yīng)對各類突發(fā)情況，產(chǎn)業(yè)算

法不斷進化和成熟。

特斯拉采用訓(xùn)練語言模型的形式來訓(xùn)練車道線網(wǎng)絡(luò)模型。車道線網(wǎng)絡(luò)

實際上是嫁接在感知網(wǎng)絡(luò)上的一個Transformer的解碼器（Decoder）。

參考自然語言處理任務(wù)中的形式，讓模型用自回歸（綜合上個環(huán)節(jié)的

結(jié)果輸出下個環(huán)節(jié)的內(nèi)容）的方式輸出車道線的預(yù)測結(jié)果。具體而言，

將車道線包含節(jié)點位置、節(jié)點屬性（起點、終點、中間點等）、分叉

點、交叉點等進行編碼，形成類似語言模型中單詞的屬性，輸入

Transformer解碼器中，將信息轉(zhuǎn)化成為“車道線語言”，去生成下個

階段的結(jié)果，進而形成整個路網(wǎng)的車道線的拓撲結(jié)構(gòu)。

理想汽車在理想家庭日上也展示了其用于增強路口性能的算法NPN

神經(jīng)先驗網(wǎng)絡(luò)。為了解決大模型在十字路口不穩(wěn)定的問題，對復(fù)雜路

口，提前進行路口的特征提取和存儲，當(dāng)車輛再次行駛到路口時刻，

將過去提取好的特征和BEV感知大模型粕合，形成更加完美的感知

結(jié)果。

2.4、端到端（感知決策一體化）：大模型為自動駕駛徹底實現(xiàn)帶來

希望

2.4.1.回歸自動駕駛第一性原理，端到端自動駕駛成為市場遠期共

識

模塊化的自動駕駛算法設(shè)計存在諸多問題，前述文章中提到的感知、

預(yù)測、規(guī)劃等環(huán)節(jié)的算法稱為模塊化算法設(shè)計，這些方案中每個模塊

獨立負責(zé)單獨的子任務(wù)，這種方案具備簡化研發(fā)團隊分工，便于問題

回溯，易于調(diào)試迭代等優(yōu)點。但由于將不同任務(wù)解耦，各個模塊之間

容易產(chǎn)生信息損失問題，且多個模塊間優(yōu)化目標(biāo)不一致，最后模塊間

產(chǎn)生的誤差會在模型中傳遞。端到端自動駕駛解決方案回歸自動駕駛

第一性原理。因此業(yè)界也一直在探索端到端的自動駕駛算法形式，即

設(shè)計一個算法模型，直接輸入傳感器感知的信息，輸出控制結(jié)果C端

到端的自動駕駛算法擁有非常明顯的優(yōu)勢：（1）其遵循了自動駕駛

的第一性原理：即無論感知、規(guī)劃、決策模塊如何設(shè)計，最終是為了

實現(xiàn)更好的自動駕駛效果，因此現(xiàn)有的方法聚焦單獨某個模塊的優(yōu)化,

對整體的效果提升未必有效。（2）端到端的方式可避免極聯(lián)誤差，

去掉冗余信息，提升視覺信息的表達。（3）傳統(tǒng)模塊化的算法中需

要面臨模型之間的多個編解碼環(huán)節(jié)，帶來的計算的冗余浪費。（4）

規(guī)則驅(qū)動徹底轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動，理想狀態(tài)下讓汽車自動駕駛模型訓(xùn)練

變得簡潔。

2.4.2.工業(yè)界已經(jīng)開啟探索，邁向完全自動駕駛

目前全球無論學(xué)術(shù)界還是工業(yè)界均對該方案進行了不懈探索。如英偉

達2016年即提出端到端的自動駕駛解決方案，而Uber更多次發(fā)相

關(guān)的論文探索有關(guān)算法。最新的CVPR2023上商湯、OpenDriveLab、

地平線等聯(lián)合發(fā)布的端到端的自動駕駛算法UniAD,獲得了當(dāng)年的最

佳論文。其采用Transformer將感知、決策、規(guī)劃、控制模塊都融入

到一個模型中，端到端的處理自動駕駛問題，能夠呈現(xiàn)出最佳的運行

效果。

目前英國初創(chuàng)公司W(wǎng)ayve亦致力于開發(fā)端到端的自動駕駛系統(tǒng)，致

力于讓汽車通過自己的計算機視覺平臺“自己看世界”，同時可以根據(jù)

它所看到的東西做出自己的決定。馬斯克也曾在推特上表示，其

FSDV12版本將是一個端到端的自動駕駛模型。

2.4.3,大模型的思考，自動駕駛或許并非終點

通識知識和強泛化能力助力人類輕松學(xué)會駕駛。人類可以在短時間內(nèi)

學(xué)會駕駛，但機器則需要海量的數(shù)據(jù)和訓(xùn)練?？赡艿脑蛟谟谌祟愒?/p>

學(xué)習(xí)駕駛之前就已經(jīng)充分對整個世界有了全面的認(rèn)知，并可以將這些

認(rèn)識泛化到各類場景下。如在學(xué)校附近應(yīng)該減速、遇到老人應(yīng)當(dāng)小心

等，面對形狀怪異的紅綠燈人類幾乎不加思考就可理解其想表達的意

思。通識知識，強泛化能力可以對自動駕駛行為產(chǎn)生重大幫助。GPT

受到市場追捧，也引發(fā)了自動駕駛界對模型構(gòu)建方式的思考。前文提

到的英國公司W(wǎng)ayve亦在嘗試構(gòu)建一個世界模型，通過使用與駕駛

本身無關(guān)的數(shù)據(jù)，如一些文本數(shù)據(jù)預(yù)訓(xùn)練模型進而提升模型的駕駛性

能。此外，公司亦在嘗試將自動駕駛模型和自然語言結(jié)合，讓自動駕

駛模型能夠描述自己的行為，進而增強模型的性能和可解釋性。國內(nèi)

毫末智行等也在做出相應(yīng)的嘗試，建立大參數(shù)的模型，并將海量駕駛

場景編碼成語料，投喂給模型進行無監(jiān)督學(xué)習(xí)，接著再加入人類反饋

強化學(xué)習(xí)幫助其掌握駕駛員的行為，進而讓模型擁有接近人的自動駕

駛能力。大語言模型的風(fēng)靡也讓市場對自動駕駛模型構(gòu)建的方式有了

新的想象空間，DriveGPT未嘗不是一種可以嘗試的方向。

圖38:GPT帶來了業(yè)界對自動駕駛算法構(gòu)建的新思考

InstructionGPT初隔唉

育?文本!!■

RLHF

■■學(xué)習(xí)

子任imiutkxi

自動偵gLearning1

魂郅&洎動駕駛的曬范式

世界模型浮上水面，面向通用場景，解決通用問題。在最新的

CVPR2023會議上，特斯拉提出了世界模型，即構(gòu)建一個模型，可

觀察所有需要觀察的事物，并將其轉(zhuǎn)化為向量空間，鏈接各類豐富的

下游任務(wù)。該模型不止用于汽車，還可用于機器人等等嵌入式人工智

能場景。通過該模型可預(yù)測未來、構(gòu)建仿真場景，通過語言提示，讓

它生成各類場景如直行、向右變道等。

2.5、數(shù)據(jù)端：大模型推動數(shù)據(jù)閉環(huán)和仿真落地

神經(jīng)網(wǎng)絡(luò)只決定了算法的上限，而是否能讓神經(jīng)網(wǎng)絡(luò)發(fā)揮其效能，數(shù)

據(jù)起到了決定性的作用，因此如何尋找純凈且多樣化的海量數(shù)據(jù)集相

比算法而言同等重要。

2.5.1＞數(shù)據(jù)閉環(huán)：自動化運行，降本增效推升規(guī)模是關(guān)鍵

完整的數(shù)據(jù)閉環(huán)系統(tǒng)，通經(jīng)常包含數(shù)據(jù)采集、數(shù)據(jù)挖掘、數(shù)據(jù)標(biāo)注、

模型訓(xùn)練等環(huán)節(jié)。其對自動駕駛功能實現(xiàn)的重要性不言而喻，但當(dāng)前

自動駕駛車型傳感器越來越高端，據(jù)dSPACE的數(shù)據(jù)，若采用4k800

萬像素的攝像頭，每秒產(chǎn)生的數(shù)據(jù)將達到3GB,疊加激光雷達毫米

波雷達等傳感器，整車每秒將產(chǎn)生的40G數(shù)據(jù)，每小時產(chǎn)生19Tb

數(shù)據(jù)，對整車廠的數(shù)據(jù)處理能力提出考驗。

數(shù)據(jù)采集：通常自動駕駛算法會采取一定的觸發(fā)（Trigger）機制來

開啟數(shù)據(jù)上傳。如出現(xiàn)人類駕駛和自動駕駛不一致的情況，或不同傳

感器之間一致性不同的情況，或者不同算法出現(xiàn)沖突，以及某些指定

的特殊場景如近距離跟車、加塞、光照急劇變化、陰影車道線等等。

特斯拉在2022AIDAY上表示其擁有221種觸發(fā)器。數(shù)據(jù)清洗/挖掘：

數(shù)據(jù)清洗和挖掘?qū)嶋H上是數(shù)據(jù)處理的過程：通常采集的數(shù)據(jù)包含大量

的無用數(shù)據(jù)，這里需要算法將訓(xùn)練模型所需要的數(shù)據(jù)提取出來，以實

現(xiàn)有效的數(shù)據(jù)收集，同時修正部分錯誤數(shù)據(jù)。這其中對于數(shù)據(jù)處理的

“內(nèi)功”要求深厚。數(shù)據(jù)標(biāo)注：挖掘到有價值的數(shù)據(jù)后，需要采用人工

標(biāo)注或自動標(biāo)注的方式，疊加部分仿真數(shù)據(jù)，形成數(shù)據(jù)集來實現(xiàn)對算

法的訓(xùn)練和迭代。這其中涉及2D標(biāo)注、3D標(biāo)注、車道線標(biāo)注、語

義分割等，工作量大，同時影響著車企自動駕駛算法的迭代，是數(shù)據(jù)

閉環(huán)中的重中之重。

數(shù)據(jù)閉環(huán)收益顯著但成本不可忽視，降本增效是關(guān)鍵。數(shù)據(jù)標(biāo)注方面,

據(jù)特斯拉AIDAY描述公司曾經(jīng)組建了超過千人的團隊，早期通過人

工在2D圖片上進行精細標(biāo)注，但效率低下；后改進為在向量空間完

成標(biāo)注，再通過投影投射到8個攝像機里面，效率大幅提升；再之后

特斯拉即建立了自動標(biāo)注系統(tǒng)，通過離線大模型實現(xiàn)自動標(biāo)注，大幅

提升標(biāo)注效率。此外特斯拉通過多車輛聯(lián)合優(yōu)化等方式來提升標(biāo)注的

精確度，起到了良好的效果。行業(yè)其他玩家亦開發(fā)自動標(biāo)注工具以降

本增效，據(jù)小鵬汽車描述，采用自動化標(biāo)注工具后，公司能夠在17

天內(nèi)完成原本需要200個人年才能完成的標(biāo)注任務(wù)。數(shù)據(jù)閉環(huán)方面，

特斯拉、小鵬、理想汽車均提到了各自的自動化數(shù)據(jù)閉環(huán)體系，能夠

全自動完成數(shù)據(jù)的采集、挖掘、標(biāo)注、存儲等環(huán)節(jié)，大大提升模型的

訓(xùn)練和迭代效率。

2.5.2.仿真：從提升效率到不可或缺

仿真是自動駕駛系統(tǒng)構(gòu)建不可或缺的環(huán)節(jié)。將數(shù)據(jù)采集過程中的實車

數(shù)據(jù)經(jīng)過聚類、場景提取、泛化與篩選，構(gòu)筑用于測試的虛擬世界,

自動駕駛算法控制車輛，與虛擬世界產(chǎn)生交互，并將交互結(jié)果輸出，

在自動駕駛領(lǐng)域優(yōu)勢明顯：（1）當(dāng)數(shù)據(jù)極端難以獲取的時候，仿真

可以生成大量的場景供模型訓(xùn)練；（2）天然帶有標(biāo)注信息。當(dāng)數(shù)據(jù)

難以標(biāo)注的時候，如幾百萬人過馬路，標(biāo)注成本極高且效率低下容易

產(chǎn)生錯誤，但仿真場景下不存在上述難點；（3）仿真可以給規(guī)控算

法以安全的實驗環(huán)境；（4）仿真的價格低廉，效率高。理論上完美

的仿真能夠取代實車測試，進而以較低成本達到安全測試效果，縮短

自動駕駛算法研發(fā)周期，是自動駕駛開發(fā)迭代的重要環(huán)節(jié)。

不同的算法對仿真環(huán)境的構(gòu)建提出不同要求。通常自動駕駛核心算法

包括感知算法、決策規(guī)劃算法、控制算法三大環(huán)節(jié)，其中感知算法仿

真需要高還原度的三維重建場景和精準(zhǔn)的傳感器模型；決策規(guī)劃算法

仿真需要大量的場景庫為支撐；控制算法需要引入精準(zhǔn)的車輛動力學(xué)

模型。虛擬場景構(gòu)建方面，通常需要模擬出與真實世界一致的靜態(tài)、

動態(tài)交通運行場景。靜態(tài)場景通常包含道路、車道線、減速帶、交通

標(biāo)志、路燈、車站、周圍建筑等等，通常使用高精度地圖和二維重建

技術(shù)構(gòu)建（通常需要回執(zhí)高精度地圖并進行三維建模）；動態(tài)場景包

含動態(tài)指示設(shè)施、機動車行為、非機動車行為、行人行為、通信環(huán)境、

氣象變化、時間變化等。感知系統(tǒng)仿真方面，包含攝像頭仿真（生成

逼真的圖像并添加色彩和光學(xué)屬性等通常采用游戲引擎來構(gòu)建，如百

度阿波羅采用Unity3D、騰訊TADSim引入了虛幻引擎）、毫米波雷

達仿真、激光雷達仿真。車輛動力學(xué)仿真方面，通?；诙囿w動力學(xué)

搭建模型，其中包含車體、懸架系統(tǒng)、轉(zhuǎn)向系統(tǒng)、制動系統(tǒng)、動力系

統(tǒng)、傳動系統(tǒng)等多個真實部件的車輛模型。

對仿真工具而言，其能夠覆蓋的場景范圍越大，自動駕駛可行駛邊界

就越廣泛。因此評價自動駕駛算法最重要的標(biāo)準(zhǔn)就是測試其是否能夠

處理足夠多的場景摩。通常仿真模型會以真實采集的數(shù)據(jù)、模擬數(shù)據(jù)、

以及根據(jù)真實場景合成的仿真數(shù)據(jù)為數(shù)據(jù)源，對場景的幾何形狀、物

理運動規(guī)律、以及場景中各個元素如車流、行人等符合邏輯規(guī)律，以

實現(xiàn)更好的仿真效果。

自動駕駛仿真平臺市場競爭激烈，促使平臺仿真性能提升。自駕仿真

平臺布局主體眾多，可以劃分為科技公司、自駕解決方案商、仿真軟

件企業(yè)、車企、高校及科研機構(gòu)五大類?？萍脊緭碛写髷?shù)據(jù)優(yōu)勢，

軟件開發(fā)經(jīng)驗豐富；自駕解決方案商多針對自研發(fā)需要，較少對外提

供仿真服務(wù)；不同仿真軟件企業(yè)經(jīng)驗積累程度不同，傳統(tǒng)企業(yè)積累深

厚，初創(chuàng)企業(yè)積累薄弱；車企能夠?qū)⒙窚y和仿真測試同步結(jié)合，但限

于自身軟件開發(fā)能力，多與外部仿真平臺提供商合作進行自動駕駛汽

車開發(fā)；高校及科研機構(gòu)主要對自駕仿真軟件進行前瞻、基礎(chǔ)性研究。

自駕仿真平臺參與者眾，市場競爭激烈，具備更快迭代速度、更強仿

真能力、更完善服務(wù)支持的仿真平臺將快速成長。

DRIVESim：Nvidia自動駕駛研發(fā)生態(tài)體系重要一環(huán)。DRIVESim是

由英偉達開發(fā)的端到端仿真平臺，能夠進行大規(guī)模多傳感器仿真。

DRIVESim功能強大，能夠提供核心模擬和渲染引擎，生成逼真的數(shù)

據(jù)流，創(chuàng)建各種測試環(huán)境，模擬暴雨和暴雪等各種天氣條件，以及不

同的路面和地形，還可以模擬白天不同時間的眩目強光以及晚上有限

的視野，達到“照片級逼真且物理精確”的傳感器仿真。

DRIVESim具有完善的工具鏈支持，融入英偉達自動駕駛開發(fā)生態(tài)。

DRIVESim可以在Omniverse云平臺上運行，也可以在OVX服務(wù)器

組成的本地數(shù)據(jù)中心甚至單顆RTX3090上運行。DRIVESim具有開

放式、模組化分特點，擁有良好的可拓展性：（1）支持神經(jīng)重建引

擎（NER）,該AI工具可以將真實世界的數(shù)據(jù)直接帶入仿真中，開

發(fā)者可在仿真環(huán)境中修改場景、添加合成對象，并應(yīng)用隨機化技術(shù),

大大增加真實感并加快生產(chǎn)速度。（2）使用NVIDIAOmniverseKit

SDK,DRIVESim允許開發(fā)人員構(gòu)建自定義模型、3D內(nèi)容和驗證工

具，或與其他模擬進行交互。（3）支持DRIVEReplicator生成與合

成傳感器數(shù)據(jù)對應(yīng)的真值數(shù)據(jù)，用于訓(xùn)練芻動駕駛汽車DNNo

DRIVESim已融入英偉達完整的軟硬協(xié)同生態(tài)，支持從概念到部署的

自動駕駛汽車開發(fā)及驗證。

51Sim-0ne：本土仿真系統(tǒng)助力中國自動駕駛量產(chǎn)落地。Sim-One

是51World全棧自研的云原生仿真平臺。（1）場景方面，Sim-One

具有豐富的場景生成方式，特別是能基于語義泛化工具鏈能夠?qū)崿F(xiàn)場

景的快速定義；與第三方場景庫達成合作，擴充場景數(shù)量，提高仿真

測試質(zhì)量。（2）平臺方面，Sim-One具有豐富的功能，包括靜態(tài)和

動態(tài)數(shù)據(jù)導(dǎo)入、測試場景案例編輯、各類仿真、測試與回放、虛擬數(shù)

據(jù)集生成以及各類在環(huán)測試；Sim-One基于原生云架構(gòu)仿真平臺，

支持大規(guī)模并發(fā)仿真技術(shù)，日測試?yán)锍炭蛇_十萬公里。（3）評價方

面，Sim-One具備豐富的指標(biāo)庫可供用戶自行選擇進行評價，涵蓋

安全性、違規(guī)性、舒適性、高效性、經(jīng)濟能耗性、控制準(zhǔn)確性等多個

維度，并且支持多場景并發(fā)評價。

Al應(yīng)用于仿真系統(tǒng)，能夠有效輔助自動駕駛系統(tǒng)升級。（1）在場景

庫構(gòu)建方面，從傳感器數(shù)據(jù)中利用AI進行自動化、大規(guī)模三維重建，

構(gòu)建現(xiàn)實世界對象和背景的幾何形狀、外觀和材料屬性；使用大量路

采數(shù)據(jù)訓(xùn)練AgentAI,使之模仿道路場景口的主體，賦予虛擬場景強

交互性；利用已有場景庫與生成式AI,自動生成無需標(biāo)注的各種交

通場景數(shù)據(jù)。（2）在車輛仿真測試過程中，使用AI識別自動駕駛系

統(tǒng)的弱點，并自動創(chuàng)建對抗性場景，同時芻駕系統(tǒng)使用AI算法自動

從錯誤中學(xué)習(xí)，自動迭代更新，無需密集手動調(diào)整算法，適應(yīng)更快節(jié)

奏、更大規(guī)模的訓(xùn)練。AI能使仿真系統(tǒng)更有針對性，使自動駕駛算

法調(diào)整自動化，加速自駕技術(shù)在現(xiàn)實世界落地。

3、自動駕駛算法變革引領(lǐng)產(chǎn)業(yè)鏈變化

3.1.兵馬未動糧草先行，云端算力軍備競賽開啟

對自動駕駛而言，大量的數(shù)據(jù)處理、訓(xùn)練、自動標(biāo)注、仿真等工作需

要完成，算力成為車企打造自動駕駛能力的核心，決定著車企的算法

迭代效率和上限。特斯拉表示其總算力在2024年將沖刺100EFIops,

而國內(nèi)領(lǐng)先玩家亦不遑多讓，紛紛構(gòu)建自有的數(shù)據(jù)中心，自動駕駛的

算力軍備競賽從車端蔓延到云端。

3.1.1、特斯拉自研算力平臺Dojo,2024年沖刺100EFIops算力

特斯拉在應(yīng)對海量訓(xùn)練和仿真需求時構(gòu)建了龐大的算力體系。據(jù)特斯

拉在2021年AIDAY介紹，特斯拉為了移除自動駕駛系統(tǒng)對毫米波

雷達的依賴，從250萬個視頻剪輯中生成了超過100億個標(biāo)簽，需

要龐大的離線神經(jīng)網(wǎng)絡(luò)和引擎。而硬件方面，特斯拉在2021年AIDAY

期間就擁有接近1萬塊GPU,2022年AIDAY上這一數(shù)字提升到1.4

萬片，其中約50%的負載用來實現(xiàn)云端自動標(biāo)注和車載占用網(wǎng)絡(luò)的

訓(xùn)練。

自研D1芯片和Doj。超級計算機布局算力。為了進一步提升算力水

平,2021年起特斯拉開始自研D1人工智能芯片和Dojo超級計算機。

將25顆自研的D1芯片封裝成Dojo訓(xùn)練模塊，再將120個訓(xùn)練模塊

結(jié)合Dojo接口處理器等組件融合形成Dojo主機，目前10機柜的

DojoExaPOD超級計算機將擁有1.1EFlops算力，并且擁有強擴展

能力，借助特斯拉強大的軟件能力，將有效提升其在算法領(lǐng)域的迭代

速率。

圖60:掙斯拉算力需求將迎來快速增長

TrainedOnExtremely

LargeCompute

InUnitsOfA100GPU8TotalAmountOfTeslaCompute

400,000

300,000

200,000

100,000

0

而據(jù)特斯拉Al官方賬號顯示，特斯拉將