汽車行業(yè)AI大模型賦能自動(dòng)駕駛：特斯拉自動(dòng)駕駛技術(shù)跟蹤-2023-06-自動(dòng)駕駛

證券研究報(bào)告AAI大模型賦能自動(dòng)駕駛：特斯拉自動(dòng)駕駛技術(shù)跟蹤，占用網(wǎng)絡(luò)算法驅(qū)動(dòng)自動(dòng)駕駛落地本報(bào)告由中信建投證券股份有限公司在中華人民共和國(guó)（僅為本報(bào)告目的，不包括香港、澳門、臺(tái)灣）提供。在遵守適用的法律法規(guī)情況下，本報(bào)告亦可能由中信建投（國(guó)際）證券有限公司在香港提供。同時(shí)請(qǐng)參閱最后一頁(yè)的重要聲明。?核心觀點(diǎn)：近期，特斯拉更新其FSD算法至v11.4，此次升級(jí)實(shí)現(xiàn)FSD端到端的特斯拉將改進(jìn)車輛性能置于引入新功能之上，可以更快地針對(duì)環(huán)境做出反應(yīng)，并在必要時(shí)調(diào)整車速，確保所有相關(guān)人員都能獲得更安全的體驗(yàn)。?特斯拉自動(dòng)駕駛算法主要經(jīng)歷四個(gè)階段，目前架構(gòu)包括RegNet、HydraNet等。2016-2018年，特斯拉自動(dòng)駕駛算法處于第一階段，在該階段中，使用常規(guī)的骨干網(wǎng)結(jié)構(gòu)；使用2D檢測(cè)器進(jìn)行特征提?。挥?xùn)練數(shù)據(jù)為人工標(biāo)注，整體來(lái)看比較原始，相對(duì)傳統(tǒng)；2018-2019年，特斯拉自動(dòng)駕駛算法采用了HydraNet結(jié)構(gòu)；加入特征提取網(wǎng)絡(luò)BiFPN；將圖像空間從imagespace直接轉(zhuǎn)化為vectorspace，能執(zhí)行多任務(wù)、對(duì)視覺(jué)特征進(jìn)行充分融合以及很大程度上避免映射偏差，相較于精度提升，這個(gè)階段注重提高效率；2019-2020年，特斯拉自動(dòng)駕駛算法來(lái)到第三階段，使用了Transformer；骨干網(wǎng)結(jié)構(gòu)使用了RegNet；能夠?qū)崿F(xiàn)自動(dòng)標(biāo)注數(shù)據(jù)；以及主張去掉雷達(dá)，使用純視覺(jué)方案，不僅解決了CNN算法在BEV遮擋區(qū)域預(yù)測(cè)問(wèn)題，同時(shí)還有更高的性能和算法準(zhǔn)確度以及能夠快速得到高精度地圖數(shù)據(jù)，相較于提高效率，這個(gè)階段注重提高精度；2021年以來(lái)，特斯拉自動(dòng)駕駛算法來(lái)到第四階段，增加了時(shí)空序列與時(shí)序信息融合等能力；在空間感知方面，使用占用網(wǎng)絡(luò)；使用LanesNetwork；為了增強(qiáng)汽?特斯拉自動(dòng)駕駛算法2022年的核心改變?cè)谟谑褂肙ccupancyNetworks進(jìn)行感知以及使用LanesNetwork進(jìn)行矢量地圖繪制。OccupancyNetworks（占用網(wǎng)絡(luò)）可以通過(guò)3D物體檢測(cè)的方式來(lái)估計(jì)行駛中其他車輛、物體的位置和大小，占用網(wǎng)絡(luò)可以使用多個(gè)攝像機(jī)拍攝的圖像進(jìn)節(jié)點(diǎn)進(jìn)行生成，從而獲取更精確的車道線拓?fù)浣Y(jié)構(gòu)。2023年5月，特斯拉推出FSDv11.4，實(shí)現(xiàn)FSD端到端能力。FSD端到端的能力，即包含高速領(lǐng)航、城市道路領(lǐng)航和泊車三個(gè)域的智駕功?映射到國(guó)內(nèi)，以蔚小理為代表的車廠以特斯拉為錨，在自動(dòng)駕駛領(lǐng)域持續(xù)發(fā)力，可像人類司機(jī)那樣實(shí)時(shí)地感知、決策、規(guī)劃，蔚來(lái)NAD、小鵬XNGP等逐步實(shí)現(xiàn)L4駕駛水平。特斯拉正持續(xù)引領(lǐng)廠商技術(shù)革新，例如特斯拉將Occupancy網(wǎng)絡(luò)引入到自動(dòng)駕駛感知技術(shù)中，后續(xù)理想ADMax3.0也將?特斯拉引領(lǐng)自動(dòng)駕駛走向落地階段，全球自動(dòng)駕駛產(chǎn)業(yè)鏈推進(jìn)加速，域控制器放量或?qū)⑻崴?。重點(diǎn)推薦德賽西威、中科創(chuàng)達(dá)、均勝電子、經(jīng)緯恒以特斯拉為錨把握自動(dòng)駕駛技術(shù)演進(jìn)?特斯拉自動(dòng)駕駛算法使用的是多任務(wù)學(xué)習(xí)HydraNets架構(gòu)，從而讓汽車共享相同神經(jīng)網(wǎng)絡(luò)或特征提取器的同時(shí)能進(jìn)行交通燈檢測(cè)、車輛避讓等多項(xiàng)任務(wù)。特斯拉自動(dòng)駕駛算法中，首先讓車載攝像頭使用RegNet對(duì)路況/汽車進(jìn)行原始圖像提取，多個(gè)特征層通過(guò)FPN相互交互，從而進(jìn)行特征提取。?在每個(gè)攝像頭都處理完單個(gè)圖像后，使用具有多頭自注意力的Transformer模型進(jìn)行處理，Transformer模型不僅解決了CNN算法在而完成整個(gè)自動(dòng)駕駛算法。近年來(lái)Transformer憑借傳統(tǒng)CNN算法所不能企及的感知能力以及其優(yōu)秀的魯棒性和泛化性，已逐步取代IPM、Lift-splat、MLP成為BEV感知領(lǐng)域的主流算法。圖表：特斯拉自動(dòng)駕駛算法架構(gòu)Autopilot是特斯拉自動(dòng)駕駛技術(shù)底座?Autopilot于2014年發(fā)布，是一種先進(jìn)的駕駛輔助系統(tǒng)，可提高駕駛的安全性和便利性。多年來(lái)，Autopilot隨著整車OTA及硬件更新不斷迭代升級(jí)。?現(xiàn)階段，Autopilot可實(shí)現(xiàn)的功能包括：交通感知巡航（控制車速與交通流一致）、變道輔助（協(xié)助用戶轉(zhuǎn)向變道）、自動(dòng)駕駛導(dǎo)航（主動(dòng)引導(dǎo)車輛進(jìn)出匝道、自動(dòng)接通轉(zhuǎn)向信號(hào)并選擇正確出口）、自動(dòng)變道、自動(dòng)泊車、智能召喚（自動(dòng)在復(fù)雜環(huán)境和停車位間行駛，找到用戶）、自動(dòng)緊急制動(dòng)、側(cè)面碰撞預(yù)警、車道偏離提醒等第階段比較原始，相對(duì)傳統(tǒng)1、使用常規(guī)的骨干網(wǎng)結(jié)構(gòu)；1、使用常規(guī)的骨干網(wǎng)結(jié)構(gòu)；2、使用2D檢測(cè)器進(jìn)行特征提??；3、訓(xùn)練數(shù)據(jù)為人工標(biāo)注3、將圖像空1vectorspace2、且1、使用了Transformer；2、骨干網(wǎng)結(jié)構(gòu)使用了RegNet；1、使用了Transformer；2、骨干網(wǎng)結(jié)構(gòu)使用了RegNet；3、自動(dòng)標(biāo)注數(shù)據(jù)；4、主張去掉雷達(dá)，使用純視覺(jué)方案有更高的性能和算法準(zhǔn)確度；2、更加簡(jiǎn)單、易理解，而且還能夠運(yùn)行高復(fù)雜計(jì)算量；3、能夠快速得到高精度地圖數(shù)據(jù) ?相比HydraNet結(jié)構(gòu)的鳥(niǎo)瞰圖、固定矩形、物體檢測(cè)?occupancynetwork將世界分為小?對(duì)象檢測(cè)的算法受數(shù)據(jù)集限制，一旦遇到?jīng)]有標(biāo)注的物體出現(xiàn)，則沒(méi)法檢測(cè)到前方物體。而占用網(wǎng)絡(luò)特斯拉自動(dòng)駕駛技術(shù)經(jīng)歷四代 Input：特斯拉幾乎采用了純視覺(jué)解決方案將視覺(jué)的圖像空間轉(zhuǎn)移至向量空間，這個(gè)技術(shù)路線基調(diào)更是在2020年的smartsummon功能研發(fā)時(shí)確定下來(lái)。2021年，TeslaVision在上一版本的Transformer中引入SpacialTemporal模型，將時(shí)序信息加入視覺(jué)模型。力可實(shí)現(xiàn)360度視野范圍，對(duì)周圍環(huán)境的監(jiān)測(cè)距離最遠(yuǎn)可達(dá)250米。后來(lái)，為了在感知層提升自動(dòng)駕駛能力，特斯拉在HW4.0硬件系統(tǒng)中，配置了高精度4D毫米波雷達(dá)。圖表：特斯拉純視覺(jué)解決方案Backbone：特斯拉采取RegNet進(jìn)行特征提取?骨干網(wǎng)是用于圖像物體特征提取，常見(jiàn)的骨干網(wǎng)包括AlexNet、ResNet、VGGNet等。特斯拉采用RegNet識(shí)別圖像中的對(duì)象，并提供夠運(yùn)行高復(fù)雜計(jì)算量。具來(lái)分析設(shè)計(jì)空間。設(shè)計(jì)一個(gè)不受限制的初始設(shè)計(jì)空間的逐步簡(jiǎn)化版本就稱為設(shè)計(jì)空間設(shè)計(jì)（designspacedesign）。在設(shè)計(jì)過(guò)程的每個(gè)步驟中，輸入都是初始設(shè)計(jì)空間，輸出則是更簡(jiǎn)單、或性能更好的模型的精簡(jiǎn)模型。通過(guò)對(duì)模型進(jìn)行采樣，并檢查其誤差分布，即可表征設(shè)計(jì)空間的質(zhì)量。圖表：Regnet中網(wǎng)絡(luò)設(shè)計(jì)空間的概念圖表：Regnet要好于最優(yōu)網(wǎng)絡(luò)EfficientNet資料來(lái)源：DesigningNetworkDesignSpaces,中信建投Neck：使用BiFPN對(duì)更精細(xì)特征進(jìn)行提取與特征融合?Neck位于骨干網(wǎng)和檢測(cè)頭之間，是用于提取更細(xì)的特征。?特斯拉自動(dòng)駕駛算法采用BiFPN（加權(quán)雙向特征金字塔網(wǎng)絡(luò)BiFPN是一種易于快速進(jìn)行多尺度特征融合的特征金字合了FPN、PANet和NAS-FPN的多級(jí)特征融合思想，使信息在自上而下和自下而上兩個(gè)方向上流動(dòng)。?BiFPN具有以下幾點(diǎn)改進(jìn)：通過(guò)增加殘差鏈接，增強(qiáng)特征的表示能力；移除單輸入邊的結(jié)點(diǎn)，減少計(jì)算量；針對(duì)融合的各個(gè)尺度特征增加一個(gè)權(quán)重，調(diào)節(jié)每個(gè)尺度的貢獻(xiàn)度，提高檢測(cè)速度。簡(jiǎn)單來(lái)說(shuō)，BiFPN是在FPN的基礎(chǔ)上對(duì)其進(jìn)行改進(jìn)，對(duì)原始的FPN模塊又添加了添加上下文信息的邊，并對(duì)每個(gè)邊乘以一個(gè)相應(yīng)的權(quán)重。資料來(lái)源：EfficientDet:ScalableandEfficientObjectDetection，中信建投Head：特斯拉使用HydraNets實(shí)施多任務(wù)?骨干網(wǎng)為模型提供相關(guān)的矩陣輸入，對(duì)于一些實(shí)際任務(wù)，例如檢測(cè)、分割等，通常要在特征圖上應(yīng)用“檢測(cè)頭”。特斯拉使用HydraNets進(jìn)行具體任務(wù)實(shí)施。HydraNets包含用于處理視覺(jué)特征的多個(gè)組件，在訓(xùn)練期間分別訓(xùn)練出專業(yè)的組件，在推理過(guò)程中選擇相應(yīng)組件進(jìn)行執(zhí)行，能處理多種任務(wù)，極大提升了效率。8個(gè)攝像頭使用Regnet提取完圖像后，使用Transformer模型進(jìn)行圖像特征融合，其中還會(huì)有時(shí)間信息融合操作，圖像信息處理完后，就通過(guò)HydraNets將信息分到不同的視覺(jué)組件中處理不同的下游任務(wù)。資料來(lái)源：HydraNets:SpecializedDynamicArchitecturesforEfficientInference，Tesla，中信建投?特斯拉采用占用網(wǎng)絡(luò)技術(shù)進(jìn)行駕駛感知，占據(jù)網(wǎng)絡(luò)可以通過(guò)3D物體檢測(cè)的方式來(lái)估計(jì)行駛中其他車輛、物體的位置和大小。占據(jù)網(wǎng)絡(luò)利用RegNet和BiFPN從多相機(jī)獲取特征，然后模型通過(guò)帶3D空間位置的spatialquery對(duì)2D圖像特征進(jìn)行基于attention的多相機(jī)融合。之后利用3D-to-2Dquery，即根據(jù)每個(gè)相機(jī)的內(nèi)外參將3Dspatialquery投影到2D特征圖上，提取對(duì)應(yīng)位置的特征。最后進(jìn)行時(shí)序融合。實(shí)際上，占用網(wǎng)絡(luò)實(shí)際上是對(duì)BEV技術(shù)的拓展。?占用網(wǎng)絡(luò)具有多個(gè)優(yōu)點(diǎn)，例如占用網(wǎng)絡(luò)可以使用多個(gè)攝像機(jī)拍攝的圖像進(jìn)行3D處理，即使是動(dòng)態(tài)占用也可以計(jì)算出來(lái)，哪怕是遮擋的部分，也可以更加精準(zhǔn)的識(shí)別出來(lái)。占用網(wǎng)絡(luò)可以在10ms時(shí)間內(nèi)運(yùn)行。圖表：占用網(wǎng)絡(luò)整體架構(gòu)在BEV（鳥(niǎo)瞰圖）上進(jìn)行地圖分割和識(shí)別，往往是在像素級(jí)別進(jìn)行操作，因?yàn)闊o(wú)法得到車道線的拓?fù)浣Y(jié)構(gòu)，因此不能用于軌跡規(guī)劃。特斯拉使用LanesNetwork進(jìn)行矢量地圖規(guī)劃，LanesNetwork可幫助獲取更精確的車道線拓?fù)浣Y(jié)構(gòu)，以識(shí)別車輛從一條車道?LanesNetwork在模型結(jié)構(gòu)上，是在感知網(wǎng)絡(luò)backbone基礎(chǔ)上加入一個(gè)解碼器，以序列的方式自回歸地輸出結(jié)果。具體實(shí)現(xiàn)上來(lái)說(shuō)，模型首先要選取一個(gè)生成順序（如從左到右，從上到下），對(duì)空間進(jìn)行離散化（tokenization），然后就可以用LanesNetwork進(jìn)行一系列離散token的預(yù)測(cè)，網(wǎng)絡(luò)會(huì)以自回歸的方式將所有的車道線節(jié)點(diǎn)進(jìn)行生成。特斯拉FSD升級(jí)到v11.4?特斯拉2023年4月30日發(fā)布FSDBetav11.4，版本為2023.6.15，并于5月8日向員工推出測(cè)試。通過(guò)此次更新，特斯拉將改進(jìn)車輛性能置于引入新功能之上。FSDBetav11.4可根據(jù)當(dāng)前天氣條件、能見(jiàn)度、道路濕度、輪胎胎面，甚至其他車輛的輪胎印記等因素，調(diào)整自動(dòng)駕駛儀的最大速度，確保在惡劣條件下獲得更安全的駕駛體驗(yàn)。同時(shí)，F(xiàn)SDBetav11.4可以更快地針對(duì)環(huán)境做出反應(yīng)，并在必要時(shí)調(diào)整車速，確保所有相關(guān)人員都能獲得更安全的體驗(yàn)。 圖表：特斯拉FSDv11.4特性與馬斯克對(duì)其評(píng)價(jià)?采用端到端人工智能，即包含高速領(lǐng)航、城市道路領(lǐng)航和泊車三個(gè)域的智駕功能。該算法在簡(jiǎn)化流程的同時(shí)，能夠模擬人類駕駛員做出恰當(dāng)?shù)臎Q策行為。?通過(guò)聯(lián)合空間評(píng)估，改進(jìn)人行橫道上的行為決策。?運(yùn)用運(yùn)動(dòng)學(xué)數(shù)據(jù)測(cè)量風(fēng)險(xiǎn)并提前減速，改善自動(dòng)駕駛車輛在VRU附近的行為。?改進(jìn)在密集非結(jié)構(gòu)化城市環(huán)境中的轉(zhuǎn)彎性能，避免?優(yōu)化路由提示和自動(dòng)貼標(biāo)機(jī)，解決由于不良路由類型引起的干預(yù)措施。?通過(guò)更新車道類型檢測(cè)網(wǎng)絡(luò)和改進(jìn)地圖視覺(jué)融合等，提高自動(dòng)駕駛系統(tǒng)的理解能力和安全性。蔚小理四月交付量出爐，理想交付量領(lǐng)先?蔚小理發(fā)布四月份交付量數(shù)據(jù)，其中理想汽車交付25681輛，創(chuàng)下單月新紀(jì)錄，同比增長(zhǎng)516.3%，1-4月累計(jì)交付78,265輛品牌累計(jì)交付335599輛；品牌累計(jì)交付335599輛；蔚來(lái)交付新車6658輛，同比增長(zhǎng)31.2%，1-4月累計(jì)交付37699輛，同比增長(zhǎng)22.2%，品牌累計(jì)交付327255輛。小鵬汽車交付新車7079輛，同比下降21%，1-4月累計(jì)交付25309輛，品牌累計(jì)交付284019輛。000蔚來(lái)自動(dòng)駕駛NAD由Aquila與Adam構(gòu)成?NIOAssistedandIntelligentDriving（NAD）是蔚來(lái)汽車自動(dòng)駕駛技術(shù)，擁有全棧自動(dòng)駕駛技術(shù)能力，能夠從地圖定位到感知算法，從底層系統(tǒng)到控制策略，實(shí)現(xiàn)自動(dòng)駕駛在高速、城區(qū)、泊車和換電場(chǎng)景的全覆蓋，主要包含Aquila、Adam及相關(guān)算法等，支持L4級(jí)別。?Aquila蔚來(lái)超感系統(tǒng)實(shí)現(xiàn)融合感知。Aquila蔚來(lái)超感系統(tǒng)擁有33個(gè)高性能感知硬件，包括1個(gè)超遠(yuǎn)距高精度激光雷達(dá)、7顆800萬(wàn)像素高清攝像頭、4顆300萬(wàn)像素高感光環(huán)視專用攝像頭、1個(gè)增強(qiáng)主駕感知、5個(gè)毫米波雷達(dá)、12個(gè)超聲波傳感器、2個(gè)高精度定位單元和V2X車路協(xié)同，協(xié)助算法實(shí)現(xiàn)全向無(wú)盲區(qū)融合，具備L4能力。?Adam超算平臺(tái)作為底層提供算力，Adam搭載4顆NVIDIADRIVEOrin芯片，算力高達(dá)1016Tops。同時(shí)借助于超級(jí)圖像處理流水線、超高帶寬骨干數(shù)據(jù)網(wǎng)絡(luò)、熱備份冗余設(shè)計(jì)等，為自動(dòng)駕駛決策控制提供算力保障。圖表：蔚來(lái)自動(dòng)駕駛（NAD）系統(tǒng)圖表：800萬(wàn)高清攝像頭提升感知距離資料來(lái)源：蔚來(lái)，中信建投?XNGP是繼XPILOT系統(tǒng)之后，小鵬推出的第二代智能輔助駕駛系統(tǒng)，XNGP在第一代XPilot系統(tǒng)的基礎(chǔ)上，增加了城市路況下的全程智能輔助駕駛功能（城市NGP），以及高速NGP和VPA記憶泊車的增強(qiáng)版功能，是目前國(guó)內(nèi)唯一一款能夠?qū)崿F(xiàn)城市路況下全程智能輔助駕駛的系統(tǒng)，并且可以在沒(méi)有高精地圖的情況下，讓車輛在城市道路上實(shí)現(xiàn)自動(dòng)跟隨、自動(dòng)變道、自動(dòng)超車等功能。NGP系統(tǒng)主要包括兩顆激光雷達(dá)、雙NVIDIADRIVEOrin超級(jí)計(jì)算平臺(tái)、13個(gè)攝像頭、12個(gè)超聲波雷達(dá)、5個(gè)毫米波雷達(dá)和1個(gè)車內(nèi)攝像頭。?小鵬汽車感知技術(shù)采用XNET，通過(guò)多相機(jī)和雷達(dá)收集數(shù)據(jù)，實(shí)時(shí)生成3D場(chǎng)景地圖和高精度地圖，靜態(tài)、動(dòng)態(tài)感知能力大幅提升，無(wú)縫連接城市道路、高速和停車場(chǎng)等場(chǎng)景。具公司介紹，今年6月推送的高速NGP2.0預(yù)計(jì)達(dá)到非常接近于L4的體驗(yàn)水準(zhǔn)。 圖表：XNGP擁有超強(qiáng)的算力芯片及多個(gè)感知傳感器圖表：XNGP是行業(yè)首個(gè)全場(chǎng)景智能輔助駕駛系統(tǒng)資料來(lái)源：小鵬汽車，汽車之心，中信建投?理想ADMax3.0通過(guò)大模型AI算法，擺脫對(duì)高精地圖的依賴，該技術(shù)使用三種神經(jīng)網(wǎng)絡(luò)大模型算法，分別是靜態(tài)BEV網(wǎng)絡(luò)、動(dòng)態(tài)BEV網(wǎng)絡(luò)和Occupancy網(wǎng)絡(luò)，并通過(guò)NeRF技術(shù)增強(qiáng)Occupancy網(wǎng)絡(luò)還原的精度和細(xì)節(jié)，實(shí)現(xiàn)對(duì)物理世界的完整還原。三種神經(jīng)網(wǎng)絡(luò)大模型算法的感知結(jié)果匯總到預(yù)測(cè)模型，就可以實(shí)時(shí)輸出對(duì)周圍所有交通參與者