2024年智能駕駛行業(yè)市場前景及投資研究報告：特斯拉技術高度國內產業(yè)鏈降本

證券研究報告2024年智駕中期策略：特斯拉打開智駕技術新高度，降本是國內產業(yè)鏈首要目標2024年5月25日1、技術角度：特斯拉端到端打開智駕新高度，中美智駕階段性脫鉤1.1

2022-2023：特斯拉引領下感知技術收斂，國內頭部廠商城市NOA功能開始落地2020-2022年間特斯拉在北美提出并成功驗證了“BEV+Occupancy”感知架構，國內廠商從2022/2023開始陸續(xù)跟隨：?

BEV鳥瞰圖解決了此前落地城市NOA功能過程中對高精度地圖強依賴的問題。2021年AIDAY，特斯拉提出以Transformer為主干網絡的BEV空間構建方式，也即通過Transformer模型將多視角圖像信息重建至向量空間下，且該向量空間在大模型的加持下擁有更高的環(huán)境感知精度，從而降低對高精度地圖的依賴。?

Occupancy則在2D

BEV的基礎上增強對于物體高度信息的感知，有效解決了對于異形障礙物識別的問題。Occupancy占用網絡的核心思想在于將三維空間劃分為無數個微小立方體，面對障礙物時“不再考慮這個物體到底是什么，只考慮對應區(qū)域的微小立方體是否被占用”。國內廠商陸續(xù)跟隨特斯拉BEV+Occupancy網絡架構特斯拉算法架構向神經網絡升級，

開始聚焦純視提出九頭蛇算法，探索基

覺自動駕駛FSDV9，第一屆AIDay，公布BEV網絡FSDV10，特斯拉召開

FSDV11，統(tǒng)一高第二屆AIDay，公布

速/城區(qū)堆棧，端FSDV12推送，端到端上車于后融合的BEV感知架構，城區(qū)NOA落地

Occupancy網絡架構

到端全新架構在研201920202021202220232024201920202021202220232024國內新勢力廠商基于傳統(tǒng)機器視覺的方法，陸續(xù)落地高速NOA功能極狐首次亮相，

國內頭部新勢力廠商基搭載三顆激光

于小模型+激光在個別城市落地NOA功

架構開始上車，城市NOA開始落地國內向重感知輕地方案

圖方向演進，BEV國內Occupancy網絡開始上車。在研端到端，架構與特斯拉差異較大。國內智駕能資料：國投證券研究中心繪制1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂“端到端”智能駕駛的三層概念?

全局端到端：從傳感器輸入到控制信號輸出（Photonto

Control），中間所有步驟都是端到端可導，可進行全局的優(yōu)化。?

模塊化端到端：在最終輸出控制信號之外，引入一些中間任務的監(jiān)督。和全局端到端相同的地方在于同樣可以進行全局的優(yōu)化，整個模型可以進行聯合訓練和調優(yōu)。?

“偽”端到端：在規(guī)控端用神經網絡替代基于程序員自己寫規(guī)則的方式，感知大模型網絡和規(guī)控大模型網絡之間不可導。為什么需要端到端智能駕駛？BEV鳥瞰圖增強車端實時感知能力Occupancy占用網絡對高精度地圖的強依賴問題一般障礙物識別率低的問題?

規(guī)控端仍是主要基于程序員自己寫規(guī)則的方式，城區(qū)場景下僅一個十字路口可能就存在上百種交互情景，靠人類程序員手寫規(guī)則無法窮盡，造成的結果就是強博弈場景通行效率低。上述三種端到端均可以解決與復雜交通參與者的交互問題。端到端自動駕駛與復雜交通參與者交互問題?

傳統(tǒng)分模塊的自動駕駛模型架構下，不同模塊之間的接口輸出結果均基于人工的選擇，感知輸出的信息都是人工定義的顯示抽象（如車道線、障礙物等信息），但現實中可能存在難以充分表達但會影響下游決策的因素。同時模塊之間的誤差結果會累計，使得最終的輸出結果有較大的偏差。針對這個問題只有前兩種端到端才可以解決。1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1

特斯拉端到端模型上車，FSD體驗跨越式提升模型層面：基于全局端到端自動駕駛模型?

目前特斯拉未召開第三屆AIDay，行業(yè)內尚不知道特斯拉端到端自動駕駛模型具體的網絡架構，我們僅能從23年CVPR以及馬斯克采訪/博文的只言片語中得到一些基本的判斷。1）特斯拉端到端模型很可能是基于生成式AI。2）在特斯拉很可能在原有Occupancy模型的基礎上構建世界模型，為端到端提供場景演化的理解。①

特斯拉端到端模型很可能是基于生成式AI判別式模型

vs.

生成式模型：?

判別式模型：學習輸入數據到輸出結果的映射關系，需要人工標注的數據進行有監(jiān)督的訓練。之前特斯拉、國內自動駕駛廠商主要采用的就是判別式模型，為了提高效率，特斯拉逐步從人工標注向自動化標注轉變。但自動標注過程非常占用算力資源，影響模型的scaleup能力。?

生成式模型：可以利用自然數據做自監(jiān)督訓練，無需標注，模型的scale

up能力大幅提升。比如GPT會讀取一段連續(xù)的文本，嘗試預測這段文本中的下一個詞，再比較預測的單詞與實際的單詞進行迭代優(yōu)化。自動駕駛最終任務可以抽象為“生成自車的未來軌跡”，與生成式模型的原理非常類似，且相比于判別式模型，生成式模型在scale

up上具備明顯的優(yōu)勢，因此我們判斷，特斯拉端到端模型很可能是基于生成式AI模型。1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂模型層面：基于全局端到端自動駕駛模型①

特斯拉端到端模型很可能是基于生成式AI?

以學界OccWorld模型解釋生成式AI在自動駕駛模型中的應用：采用類似GPT的生成架構，以自回歸方式從先前場景預測下一個場景，實現了對自車運動和周圍環(huán)境演化的同時建模。?

特斯拉FSDV11的算法架構中，已經在Lanes

network模型中部分應用了類似的思路：將來自視覺模塊和地圖模塊的所有信息進行編碼，類似于語言模型中單詞token，再以序列自回歸的方式預測節(jié)點的位置、屬性以及連接關系。OccWorld模型采用類似于GPT的框架特斯拉Lanes

network模型語義模塊架構資料：OccWorld:Learninga3DOccupancyWorldModelforAutonomousDriving，國投證券研究中心資料特斯拉AIDay，國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1

特斯拉端到端模型上車，FSD體驗跨越式提升模型層面：基于全局端到端自動駕駛模型②特斯拉或在原有Occupancy模型的基礎上構建世界模型，為端到端提供場景演化的理解。世界模型應用于自動駕駛的Pipeline什么是世界模型？?

world

model世界模型的核心任務是預測出未來怎么發(fā)展，背后的本質在于模型能夠自己習得因果關系。當前神經網絡和人類的差距在于，神經網絡的預測結果是概率輸出，知其然而不知其所以然；而人類可以通過觀察、以及通過無監(jiān)督的方式進行交互來學習積累大量關于物理世界如何運行的常識，這些常識告訴人類什么是合理的、什么是不可能的，因此人類可以通過很少的試驗學習新技能，可以預測自身行為的后果。所謂世界模型就是希望神經網絡可以同樣具備上述的能力。世界模型和端到端的關系？?

在自動駕駛領域引入世界模型意味著對未來場景的模擬和預測，即世界模型為端到端提供場景演化的理解。資料：WorldModelsforAutonomousDriving:AnInitialSurvey，國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1

特斯拉端到端模型上車，FSD體驗跨越式提升②特斯拉或在原有Occupancy模型的基礎上Occupancy模型中很大一部分用于構建向量空間特征構建世界模型，為端到端提供場景演化的理解。?

特斯拉在2023年

CVPR上曾展示了對于世界模型的探索：構建向量空間的世界模型特征（一種三維重建方式能描述物理世界的全部特征），所有的智能駕駛任務都可以通過簡單地插入（plugging）任務頭來實現。?

端到端模型不等于拋棄之前的感知網絡架構：特斯拉在2023CVPR的演講上曾表示“Occupancy模型實際上具有非常豐富的特征，能夠捕捉到我們周圍發(fā)生的許多事情。整個網絡很大一部分就是在構建世界模型特征?！辟Y料：2023CVPR，國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1

特斯拉端到端模型上車，FSD體驗跨越式提升數據閉環(huán)：數據閉環(huán)流程簡化，云端算力為數據閉環(huán)中最核心的環(huán)節(jié)特斯拉FSD

云端算力大幅增長（單位：EFLOPS）?

隨著模型架構的改變，數據閉環(huán)流程也隨之改變。在FSDV11的技術棧下，數據閉環(huán)包括數據采集->數據清洗->自動化標注->模擬仿真->云端訓練->模型部署等多個環(huán)節(jié)。若模型架構從判別式模型向生成式模型轉變，訓練方式從有監(jiān)督向自監(jiān)督轉變，并省去了復雜的數據清洗和自動化標注環(huán)節(jié)（僅需要刪選出來人類優(yōu)質的駕駛行為數據即可），數據閉環(huán)流程大幅簡化。2024年12月85?

云端算力資源的重要性進一步提升。馬斯克曾多次在推特上表示“FSD

V122024年4月35端到端模型迭代主要受到云端算力資源的掣肘”。?

特斯拉針對超算中心大幅投入，云端算力快速提升。截至22年AI

Day，特斯拉具有1.4萬個A100（<5EFLOPS算力），到23年8月馬斯克直播時特斯拉已經具備1.6萬個A100+1萬個H100+Dojo，算力合計超過16E

FLOPS，同時馬斯克提到特斯拉23/24年對超算中心的年投入都會超過20億美金。在大幅投入的背景下，特斯拉云端算力快速提升，至24年4月，具有約35EFLOPS云端算力，預計到24年底提升到85EFLOPS。2023年8月162022年10月4.372021年8月3.602020年2月0.532019年8月0.472019年1月

2020年1月

2021年1月

2022年1月

2023年1月

2024年1月資料：特斯拉AIDay，馬斯克直播，特斯拉業(yè)績會等，國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂得益于云端算力不斷增強，FSD

V12迭代速度遠快于FSD

V11日期版本推送范圍FSDV11推送節(jié)奏2022年11月11日2023年2月14日2023年3月7日2023年3月19日2023年3月24日2023年3月25日2023年3月31日2023年4月1日2023年4月8日V11V11.3向員工和特定車主（specificgroups）推送FSDV11。向內部員工推送FSDV11.3。面向此前使用過FSDBeta11.3的員工以及最初的1000名公測用戶推出。發(fā)布后一天內面向0.1-0.5%、0.1-0.5%、15%-25%的北美用戶范圍進行三輪推送。由于發(fā)現關鍵問題，測試在有9%的測試用戶參與測試后停止。向員工發(fā)布FSDV11.3.3。修正v11.3.2問題后面向北美用戶推出，覆蓋超過35%的測試者，v10等舊版本用戶可直接更新至v11.3.3。向員工推送FSDV11.3.4。同時向北美用戶推出，原因可能是進行A/B測試。在4月1日、4月2日、4月5日分批次向用戶推送。先后向員工和全量用戶陸續(xù)推出。v11.3.1v11.3.2v11.3.3v11.3.3v11.3.4v11.3.5v11.3.6FSDV12推送節(jié)奏2023年11月24日2023年12月21日2023年12月27日2024年1月14日2024年1月22日2024年2月10日2024年2月19日2024年2月20日2024年3月14日2024年3月24日2024年3月25日2024年3月27日2024年3月31日2024年4月11日2024年4月21日2024年4月29日V12內測版V12.1推送給以高管和團隊領導人組成的“特殊小組”。北美所有的團隊領導和經理。V12.1推送給Wave1（以員工自有車輛組成的項目）。V12.1.1V12.1.2V12.2向員工推送FSDV12.1.1。首次向部分非員工用戶FSD

V12.1.2，且首次包括HW4.0平臺車輛，之前只有3.0平臺FSDV12.2向內部員工和specialgroup（受邀加入搶先體驗計劃的用戶）進行推送，僅包括3.0平臺。（由于NHTSA召回而稍微延長了期限）向內部員工和受邀加入搶先體驗計劃的用戶推送FSDV12.2.1，包括HW3.0和4.0平臺。特斯拉向0.5-2%訂閱了FSD的用戶推送FSDV12.2.1而不僅限于特邀用戶。包括加利福尼亞州以外的區(qū)域。包括S/X/3/YHW3.0和HW4.0平臺車輛。開始向包括部分員工和擁有FSDV12.2.1的用戶開放，試駕人數在百人左右累積向超過40%的FSD用戶推送。（根據Teslascope統(tǒng)計樣本）開始向部分用戶推送。V12.2.1V12.2.1V12.3V12.3V12.3.1V12.3.2開始向用戶推送Supervised

V12.3.3

美國所有符合要求的車輛開啟免費試用30天，同時FSD

Beta正式更名為FSD

SupervisedSupervisedV12.3.4

向部分ModelS/X/3/Y車主推送，首次向ModelX車主推送FSDV12版本SupervisedV12.3.5

特斯拉開始向員工推送FSD(Supervised)V12.3.5；買斷價格下調到8000元。SupervisedV12.3.6

開始向用戶推送；同時免費試用30天活動結束。資料：Notateslaapp,國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1

特斯拉端到端模型上車，FSD體驗跨越式提升功能體驗層面：相較于V11，FSD

V12功能體驗跨越式提升，帶來近L4的駕駛體驗1.

corner

case處理?

可繞開施工封閉路段2.

擬人化處理?

能在坑洼地段/減速帶減速?

可識別地面積水并繞行?

對紅綠燈、含文字路標等的識別和理解能力增強3.

行車泊車打通?

到達目的地后靠邊停車或自動尋找車位?

具備Autopark泊車功能，可實現平行停車等功能?

可識別購物車等異形障礙物并繞行?

在交通極度復雜路段能根據其他車輛和行人意圖進行路徑規(guī)劃?

12.4/12.5版本將打通智能召喚等功能。FSD

V12在復雜路段低速準備左轉FSD

V12

繞過水坑FSD

V12

Autopark功能資：X@EdgeCase，X@AIDriver，X@FSDdreams1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.2

目前國內智駕廠商在研的端到端與特斯拉相差較遠模型層面：國內對端到端的探索主要為模塊化端到端和“偽”端到端?

獲得2023年CVPR最佳論文獎的《Planning-orientedAutonomousDriving》提出UniAD自動駕駛大模型，以“規(guī)劃”為目標，利用多組query實現了全棧Transformer

的端到端模型。但需要注意的是，UniAD模塊之間有明顯的區(qū)隔，模塊之間可導，可實現全局調優(yōu)。?

UniAD將三大類主任務感知、預測、規(guī)劃等進一步劃分為六小類子任務（目標檢測、目標跟蹤、場景建圖、軌跡預測、柵格預測和路徑規(guī)劃），模型整體由2個感知模塊，2個預測模塊以及一個規(guī)劃模塊組成.UniAD技術架構規(guī)劃模塊預測模塊感知模塊資料：Planning-orientedAutonomousDriving，國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.2

目前國內智駕廠商在研的端到端與特斯拉相差較遠?

模型層面：國內對端到端的探索主要為模塊化端到端和“偽”端到端?

百度于ApolloDay2024發(fā)布自動駕駛的端到端大模型ApolloADFM，整體思路與UniAD類似，有明顯的模塊區(qū)隔，但模塊之間可導。?

與UniAD的區(qū)別在于ApolloADFM將預測和規(guī)劃融合在一張網絡里，跳出原決策規(guī)劃任務中階段性任務，直接生成最終可執(zhí)行軌跡。Apollo

ADFM技術架構：通過隱式傳遞、聯合訓練實現端到端自動駕駛資料：ApolloDay2024，國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.2

目前國內智駕廠商在研的端到端與特斯拉相差較遠模型層面：國內對端到端的探索主要為模塊化端到端和“偽”端到端國內頭部智駕主機廠目前在研的“端到端”模型架構僅為在規(guī)控端用神經網絡模型替代了手寫規(guī)則，分別實現了感知端到端和規(guī)劃決策端到端，與特斯拉有本質不同。?ADS

3.0模型架構：感知端基于Occupancy占用網絡（取消BEV），將預決策規(guī)劃融合進一張網（PDP）網絡?

小鵬面向全場景智駕的終極架構XBrain：Xnet2.0（具備空間理解的下一代感知）+XPlanner（規(guī)控端神經網絡）+MoreADS

3.0模型架構小鵬即將推出規(guī)控大模型XPlannerVisionRadarGOD網絡PDP網絡預決策規(guī)劃一張網運動控制目標障礙物道路結構場景理解LidarNavigation資料：智能汽車解決方案發(fā)布會，國投證券研究中心資料：小鵬北京車展發(fā)布會，國投證券研究中心1.2

2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.2

目前國內智駕廠商在研的端到端與特斯拉相差較遠基礎設施層面：國內廠商云端算力與特斯拉差距較大FP16/BF

16算力主機廠特斯拉小鵬超算中心對應時間對應卡的數量合作方未來規(guī)劃說明（EFlops）直接購買NV英偉達GPU集群+Dojo24年底具有等效8.5萬張H100算力352024.04

等效3.5萬張H100

GPU+自研訓練芯片D1不只用于自動駕駛訓練，還有機器人等2.2（預估）7000張卡（假設為未來具備10~100倍的算力提升空間扶搖2024.05阿里云專用于自動駕駛模型訓練A100）具有10PBCache分布式緩存系統(tǒng)（可同時訓練10PB數據）蔚來理想-1.41.22023.092023.062024.042024.04---騰訊云--火山引擎專用于自動駕駛模型訓練專用于自動駕駛模型訓練，每天可學習3000萬公里數據昇騰AI云服務九州超算中心3.5云---長城比亞迪吉利1.64寬帶3.7T/s韓冰23年6月在出席智源大會時提到比亞迪未來會建立智能駕駛基礎設施（推斷目前尚無超算）星睿智算中心-1.02-2024.01阿里云2025年達到1200PFLOPS

不止用于自動駕駛模型訓練，還包括座艙等飛凡、智己、中海庭等上汽各種智駕相關的上汽長安極越--阿里云-子公司共用用于自動駕駛和智能網聯，模型訓練速度最高提升125倍；截止23年8月16日，已累計完成了15000次智能AI算法模型的訓練。--1.422.22023.082024.02百度云百度云-30PB數據緩存，98%有效訓練時長，95%帶寬有效性-資料各主機廠發(fā)布會，國投證券研究中心小結：特斯拉端到端打開智駕新高度，中美智駕階段性脫鉤主機廠智能駕駛水平=算法構建能力*數據訓練效率由模型本身的選擇、技術路線等因素決定由主機廠數據閉環(huán)能力決定?

目前我國頭部主機廠自動駕駛功能對標特斯拉FSD

V10/11（相當于1-2年前特斯拉FSD的水平）?

算法構建能力：收斂至BEVOccupancy感知架構，技術路線趨同。?

數據閉環(huán)能力：由主機廠工程化能力決定。?

FSD

V12：基于端到端打開智駕新高度，中美階段性脫鉤?

算法構建能力：目前端到端的智能駕駛技術尚未收斂，特斯拉暫未召開AI

Day，并不知道特斯拉具體的算法構建方式。但僅從基本思路上來說，國內基于UniAD模塊化的端到端或僅在規(guī)劃決策端用神經網絡替代規(guī)則的方式與特斯拉差距較大。?

超算中心：端到端架構下，主機廠云端算力的重要性進一步提升，國內外算力差距同樣非常大。2、應用角度：平價化是用戶買單的前提，降本是當前產業(yè)鏈首要目標2.1

規(guī)模效應降本對于智駕Tier1而言，規(guī)模效應降本體現在以下兩個方面：?

研發(fā)成本：研發(fā)投入主要包括給芯片廠商的開發(fā)費和智駕域控制器系統(tǒng)開發(fā)的成本（簡單理解為攢板子投入的資源）。以德賽為例，在IPU04研發(fā)初期，需要一次性支付英偉達大額的開發(fā)費，隨著出貨量的增多，開發(fā)費逐步攤薄。同時，高階智駕處于0-1階段時，項目的定制化屬性強，隨著產業(yè)發(fā)展到1-10的階段，項目的標準化程度增強，單個項目需要投入的研發(fā)成本下降。?

物料采購成本：智駕域控除了主控SoC芯片以外，還包括大量電子元器件，如MCU、存儲芯片、交換機網芯片、Serdes等，此外還需要PCB、結構件、水冷板、連接器等。隨著出貨量的增多，在物料采購端同樣具有規(guī)模效應，進而降低BOM成本。德賽西威研發(fā)費用率逐步下降智駕域控包括大量電子元器件：以特斯拉HW3.0為例16.0%14.0%12.0%10.0%8.0%6.0%4.0%2.0%0.0%資料：wind，國投證券研究中心資料：Tesla，國投證券研究中心2.2

技術降本2.2.1

低算力跑高算法，城市NOA硬件門檻降低提高軟硬件的協(xié)同效率，城市NOA的硬件門檻逐步降低：在高階智駕0-1階段，頭部廠商主要基于雙OrinX（508Tops）平臺落地了城市NOA功能，隨著當前一代智駕在算法端逐步成熟，行業(yè)技術創(chuàng)新的重心也逐步從算法端向后端更底層的部分轉移，以此來提高軟硬件協(xié)同效率，進而實現降本。目前城市NOA的硬件門檻逐步從雙OrinX降低到單OrinX，成本大幅降低，如智己LS6/L6、零跑C10/C16、樂道L60等均僅搭載單OrinX芯片，目標實現全國無圖城市NOA。元戎啟行自研推理引擎技術從技術實現實現的角度：?

元戎啟行：自研DeepRoute-Engine的推理引擎技術壓榨芯片算力：元戎啟行推理引擎技術包含了模型解析前端、圖融合終端、后端算子的自動生成和編譯優(yōu)化等等多方面工作，具有自有的框架支持底層算子，可適配多種主流的神經網絡模型，針對智能駕駛做專門的優(yōu)化，以此來實現更高的軟硬件協(xié)同效率。?

Momenta：通過核心算子自動調優(yōu)、跨層融合、模型壓縮等技術方式使模型運行效率提升500%，算力需求降低90%，僅通過單OrinX+單激光是實現無圖城市NOA功能。資：元戎啟行Mapfree發(fā)布會，國投證券研究中心2.2

技術降本2.2.2

傳感器降本：大疆“激目方案”?

慣導三目及激光總成：由慣導立體雙目+一個長焦單目+一個激光構成的的車規(guī)級集成一體式傳感器，激光作為輔助增強車輛的縱向控制安全感，該方案還具備以下優(yōu)勢：1）前前融合：硬件設計整合激光和攝像頭，由中央域控芯片替代激光

主控芯片，激光點云處理軟件可隨智駕軟件OTA；2）艙內集成：系統(tǒng)可整體內置于車艙內，僅要求擋風玻璃透光率＞70%，降低綜合裝配成本，造型美觀、不影響風阻系數、不增加噪音；3）標定同步：硬件剛性互聯，兩個傳感器的坐標幾乎一致，時間同步和空間同步精度上升、難度下降。?

量產計劃：根據大疆車載在中國電動汽車百人會論壇上披露，激目方案最早2025年開始上車；2026年左右與L3異構域控制器組合配置，把L3級自動駕駛下放至25萬左右級別的車型上。?

成本降低：省去一個激光主控芯片，同時降低綜合裝配成本?！凹つ俊狈桨甘疽鈭D“激目”方案與傳統(tǒng)分離式傳感方案對比Stereo

Camera

(Left)分離式傳感方案激目集成式傳感方案硬件設計時間同步獨立設計的多個傳感器硬件毫秒級同步誤差相機&激光一體化系統(tǒng)設計微秒級同步誤差整車工站標定+在線標定+售后標定對齊精度受環(huán)境影響大只需模組工站標定對齊精度高空間同步（外參標定）計算架構Lidar端側激光計算架構：中央域控激光計算架構：激光&相機只能在點云層面做融合激光點云處理軟件一般不OTA激光&相機rawdata融合處理，提升點云質量激光點云處理軟件可隨智駕軟件OTATele

CameraStereo

Camera

(Right)資料：大疆車載，國投證券研究中心資料：大疆車載，國投證券研究中心2.3

縱向一體化降本L2

ADAS前視一體機的供應模式簡單，由芯片廠商或Tier

1負責算法環(huán)節(jié)；而由于L3功能復雜度高，因此在原有產業(yè)鏈基礎上，逐步分化出單獨的算法供應商，供應模式復雜度提升。但隨著技術路線的逐步收斂、高階智駕產品標準度提升，產業(yè)鏈之間逐步整合、減少環(huán)節(jié)，通過增強縱向一體化能力實現降本。?

芯片廠商英偉達、地平線均積極補足算法能力，未來將具備提供智能駕駛完整解決方案的能力；智能駕駛算法龍頭Momenta

組建芯片團隊，補足底層能力；經緯恒潤作為傳統(tǒng)汽車電子

Tier1具備強大的制造能力，投資輝羲智能布局高算力芯片。智能駕駛產業(yè)鏈供應模式芯片算法底軟硬件代工MobileyeTier

1（如經緯恒潤）Tier

1（如博世）L2ADAS產業(yè)鏈瑞薩主機廠L3產業(yè)鏈英偉達Momenta等德賽等Tier1英偉達、地平線、Momenta等英偉達等傳統(tǒng)Tier1L3未來產業(yè)鏈具備算法能力的Tier1資料：國投證券研究中心繪制3、行業(yè)滲透率開始從1到10，高階智駕即將走向千家萬戶3.1

新勢力廠商和自主品牌紛紛在20-30萬價格帶主力車型上搭載城市NOA功能內卷壓力之下，新勢力廠商和傳統(tǒng)主機廠的新能源品牌紛紛在20-30萬價格帶主力車型上搭載城市NOA功能，2023年20-30萬成為城市NOA功能滲透率最高的價格帶。?

20-30萬價格帶新能源車競爭激烈，根據乘聯會數據，截至2024年3月，20-30萬價格帶新能源滲透率已達到57.3%。?

23年以來小鵬

G6、智己

LS6等代表性車型已率先將高階智能化功能作為該價格帶車型的賣點之一，24年以來更多該價格帶的主力車型搭載城市NOA功能。20-30萬價格帶可實現城市NOA功能的重點車型可實現城市NOA功能的最低價格主機廠車型上市時間主控芯片廠商指導價22.99疊加終端優(yōu)惠后的實際價格G6P7i2023062023112024H22024092024042024042024042024H220231220240520231020240520240320.9921.99雙OrinX雙OrinX雙OrinX單OrinX雙OrinXMDC610MDC610MDC810雙OrinX雙OrinX單OrinX單OrinX雙OrinX小鵬23.99P620-3021.99（預售）蔚來理想樂道L60L627.9824.9826.9827.4824.6826.98問界M5（2024）智界S7阿維塔07極氪007星紀元ET智己LS6智己L6Su7長安吉利奇瑞20-3022.9924.9822.9921.9924.5922.9924.9821.9919.9924.59上汽小米注：終端優(yōu)惠為2024年5月數據；資料各公司官網，國投證券研究中心3.2系朋友圈逐步擴大，頭部效應增強搭載ADS的車型將于24/25年密集上市模式主機廠賽力斯品牌車型M5上市時間2022M22022M72023M122024H22024M42024H12023Q4定位B級SUV價位?

搭載ADS2.0

的車型于24年春節(jié)后陸25-30萬30-40萬50-60萬30-40萬25-30萬40-50萬25-35萬30萬左右百萬級續(xù)推送了全國都能開的無圖城市NCA，功能可用范圍大幅增加。M7C級SUV問界M9D級SUVM8C級SUV?于智能汽車解決方案發(fā)布會上表示，M5改款S9B級SUV到24年底，采用過50萬輛。智駕系統(tǒng)的車輛將超智選模式北汽奇瑞享界智界行政級中大型轎車C級轎車S7EHY（S9）X6平臺轎車2024H22024Q4/20252025C級SUV中大型MPV中大型轎車中大型SUV中大型轎車中型SUVADS“可用性”數據江淮長安北汽X界百萬級3002502001501005099.3%99.20%99.2%99.1%270阿維塔11阿維塔12阿維塔07阿維塔162022M82023M112024H22024H230-40萬30-40萬20-30萬未知阿維塔20099.00%99.0%中型轎車11498.9%深藍極狐2024年陸續(xù)落地產品98.86%HI模式阿爾法S阿爾法T2021M4中大型轎車中型SUV25-35萬25-30萬98.8%2020M1098.7%嵐圖猛士傳祺098.6%東風廣汽2024年陸續(xù)落地產品三款合作車型，2025年陸續(xù)上PI平均接管里程（km）城市高架匯入匯出成功率資料智界S7發(fā)布會，國投證券研究中心資料：汽車之家，智能汽車解決方案發(fā)布會，國投證券研究中心3.3

傳統(tǒng)主機廠/合資廠商被迫卷入智能化浪潮，利用供應商方案實現快速上車傳統(tǒng)主機廠智能駕駛車型規(guī)劃智能駕駛規(guī)劃/合作情況主機廠車型芯片合作方案廠商某外部供應商Momenta可實現功能城市NOA（5月開放體驗）城市NOA長城魏牌藍山智駕版仰望U7騰勢Z9GT豹8OrinX（預計）雙OrinX城市NOA比亞迪城市NOA（Q3上市）高速NOA（6月上市）高速NOA（5月上市）宋L智駕版海獅07EV深藍----與簽署戰(zhàn)略合作協(xié)議，今年將陸續(xù)落地產品長安吉利廣汽北