2023智能汽車行業(yè)專題研究：大模型應(yīng)用下自動(dòng)駕駛賽道將有哪些變化

大模型應(yīng)用下自動(dòng)駕駛賽道將有哪些變化？目錄進(jìn)展與趨勢特斯拉開啟自動(dòng)駕駛3.0大模型時(shí)代BEV+Transformer提高智能駕駛感知能力和泛化能力占用網(wǎng)絡(luò)模型有望成為下一代自動(dòng)駕駛算法進(jìn)步方向BEV+Transformer已成自動(dòng)駕駛算法主流趨勢如何應(yīng)用？有何趨勢大模型目前主要用于感知和預(yù)測環(huán)節(jié)，逐漸向決策層滲透大模型可提升智能駕駛性能，有望加快L3及以上自動(dòng)駕駛落地NOA快速落地

成為智能化新指標(biāo)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)需要多少？預(yù)計(jì)2025年總算力需求達(dá)14-46EFLOPS如何建智算中心？合作/采購模式為主，自建傾向較高車端算力如何變化？感知數(shù)量質(zhì)量和場景復(fù)雜度驅(qū)動(dòng)算力升級需要多少？算力需求翻倍達(dá)800TOPS感知端車載攝像頭數(shù)量質(zhì)量齊升無圖方案頻出，逐步降低對高精地圖依賴激光雷達(dá)仍作為重要傳感器，長期需求或?qū)⒁婍斚?D成像毫米波雷達(dá)升級，或?qū)⑻娲途€激光雷達(dá)執(zhí)行端有望加快線控底盤環(huán)節(jié)國產(chǎn)化進(jìn)程商業(yè)模式訂閱模式或成主流4

風(fēng)險(xiǎn)提示研究背景及目的Open

AI推出Chat

GPT，人工智能迎來新時(shí)代，大模型成為角逐重點(diǎn)掀起百模大戰(zhàn)，行業(yè)賦能加速。自動(dòng)駕駛是大模型行業(yè)應(yīng)用的重點(diǎn)領(lǐng)域之一，本報(bào)告嘗試解答下列問題：進(jìn)展與趨勢應(yīng)用與效果未來展望變化與影響大模型應(yīng)用進(jìn)展與趨勢主機(jī)廠與供應(yīng)商大模型應(yīng)用進(jìn)展與規(guī)劃如何？大模型是否將成主流？1423大模型如何應(yīng)用及其應(yīng)用效果如何大模型主要用途/效果？是否會(huì)帶來新的駕駛功能/駕駛場景？未來展望大模型應(yīng)用下L3及以上自動(dòng)駕駛何時(shí)到來？影響因素是什么？大模型對產(chǎn)業(yè)鏈影響幾何產(chǎn)業(yè)鏈會(huì)有哪些新影響和新需求？誰將收益/誰或?qū)⑹苡绊?？進(jìn)展與趨勢11.1

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

升級為占用網(wǎng)絡(luò)(OccupancyNetwork)。2023年8月，端到端AI自動(dòng)駕駛系統(tǒng)FSDBeta

V12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，采集對應(yīng)場景的數(shù)據(jù)，優(yōu)化訓(xùn)練出針對中國場景的神經(jīng)網(wǎng)絡(luò)模型，提煉針對性策略。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。2016以前軟硬件均有Mobileye提供硬件：HW

1.0軟件：Autopilot

1.0算法：2D+CNN2016-2017牽手英偉達(dá)，算法實(shí)現(xiàn)自研? 硬件：HW2.0-HW

2.5軟件：Autopilot

2.0算法：2D+CNN2018-2019采用自研芯片F(xiàn)SD，算法升級HyraNet神經(jīng)網(wǎng)絡(luò)架構(gòu)+特征提取網(wǎng)絡(luò)

BiFPN。硬件：HW

3.0軟件：Autopilot

3.0算法：2D+CNN（HydraNet+BiFPN）2020引入BEV+Transformer，特征級融合取代后融合，自動(dòng)標(biāo)注取代人工標(biāo)注，布局Dojo開發(fā)硬件：HW

3.0軟件：FSD

Beta算法：BEV+Transformer2021-2022引入時(shí)序網(wǎng)絡(luò)，BEV

升級為占用網(wǎng)絡(luò)（Occupancy

Network）硬件：HW

3.0軟件：FSDBeta

V9-10算法：Occupancy+Transformer2023——使用端到端技術(shù)硬件：HW

4.0軟件：FSD

V12算法：Occupancy

+Transformer特斯拉智能駕駛迭代歷程1.2BEV+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’s

Eye

View(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)BEV+Transformer技術(shù)路線BEV+Transformer技術(shù)路線的優(yōu)勢（VS

傳統(tǒng)小模型）傳統(tǒng)小模型BEV+Transformer單視角攝像頭來進(jìn)行單模塊感知（即后融合），在視野和信息的獲取方面存在著很大的局限性傳統(tǒng)的小模型，如CNN、RNN等，參數(shù)小、泛化性差，并不能支撐高等級自動(dòng)駕駛的海量數(shù)據(jù)處理需求BEV將多個(gè)傳感器圖像融合至同一平面（即中融合），提供全局視角，可以更全面的了解周圍環(huán)境利用Transformer自注意力機(jī)制可實(shí)現(xiàn)全局理解的特征提取，增強(qiáng)模型穩(wěn)定性和泛化能力1.3

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Occupancy

Networks(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ADS

2.0進(jìn)一步升級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)。GOD

2.0

(通用障礙物檢測網(wǎng)絡(luò)，General

Obstacle

Detection)

障礙物識別無上限，障礙物識別率達(dá)到99.9%；RCR2.0能識別更多路，感知面積達(dá)到2.5個(gè)足球場，道路拓?fù)鋵?shí)時(shí)Th成。2023年12月，搭載ADS

2.0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。Occupancy

Network

效果 華為GOD

2.01.4

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。國內(nèi)自動(dòng)駕駛廠商智能駕駛大模型布局梳理（不完全統(tǒng)計(jì)）廠商類型進(jìn)展BEVTransformerOccupancyNetwork小鵬OEM2021年下半年起，小鵬開始搭建基于Transformer大模型的BEV視覺感知系統(tǒng)

Xnet，可實(shí)現(xiàn)無高精地圖城市NOA。??理想OEM采用具有Transformer+BEV算法架構(gòu)，以及占用網(wǎng)絡(luò)，搭配紅綠燈識別TIN網(wǎng)絡(luò)和城市復(fù)雜路口識別NPN特征網(wǎng)絡(luò)，能實(shí)現(xiàn)無高精地圖的城市NOA??蔚來OEM2021年開始搭建BEV+Transformer的技術(shù)架構(gòu)，將于2023年6

月下向用戶推送??比亞迪OEM感知模型的開發(fā)已經(jīng)實(shí)現(xiàn)100%數(shù)擺驅(qū)動(dòng)，并研發(fā)了擁有多相機(jī)的BEV模型，

計(jì)劃年內(nèi)做到量產(chǎn)；決策規(guī)劃大模型將采用Transformer

架構(gòu)??智己OEM2021年布局Transformer橫型和時(shí)序BEV，2023年發(fā)布Transfrmer架構(gòu)的

D.L.P.人工智能橫型???華為Tier

1ADS

1.0

已實(shí)現(xiàn)基于Transformer

的

BEV

架構(gòu)；ADS

2.0

在合

BEV

感知能力基礎(chǔ)上使用GOD

網(wǎng)絡(luò)???（GOD網(wǎng)絡(luò)）毫末智行Tier

1在MANA

感知架構(gòu)中，采用BEV融合融(視覺+Llidar)技術(shù)，利用自研的Transformer算法，實(shí)現(xiàn)對視信息的BEV轉(zhuǎn)化??小馬智行Tier

1自研BEV感知算法，僅用導(dǎo)航地圖實(shí)現(xiàn)高速與城市NOA功能?地平線Tier

1基于BEV+Transformer的算法，已經(jīng)在征程5上閉環(huán)驗(yàn)證，純視覺BEV

動(dòng)靜態(tài)環(huán)境感知等即將量產(chǎn)??輕舟智航Tier

1時(shí)序多模態(tài)待征融合的大模型OmniNet能夠在線建圖，以一個(gè)神經(jīng)網(wǎng)絡(luò)即可實(shí)現(xiàn)視覺、激光雷達(dá)、毫米波雷達(dá)在BEV空問和圖像空問上輸出多任務(wù)結(jié)果，達(dá)到高精地圖的精度。??商湯Tier

1布局BEV+transformer

大模型的算法??百度ApolloTier

12022年，Apollo團(tuán)隊(duì)推出了第二代純視覺感知系統(tǒng)Lite++，Transformer把前視特征轉(zhuǎn)到BEV

直接輸出三維感知結(jié)果；2023年1月，推出車路一體的端到端感知解決方案

UniBEV，更易實(shí)現(xiàn)多模、多視角、多時(shí)間上的時(shí)空特征融合。??智駕科技Tier

1MAXIPILOT

2.0-Pro

與MAXIPILOT

3.0-Max

均使用

BEV+Transformer

算法??覺非科技Tier

1發(fā)布面向城市NOA記億通勒/泊車的“基于BEV的數(shù)據(jù)團(tuán)環(huán)融合智能駕駛解決方案”其中BEV+Transformer的算法訓(xùn)練數(shù)據(jù)由地圖數(shù)據(jù)庫通過自研數(shù)據(jù)中心選代Th成??紐勱科技Tier

1在感知層面可同時(shí)融合空間、時(shí)間信息，多傳感器、多任務(wù)之間高效協(xié)同。行泊一體方案MaxDrive使用BEV+Transformer技術(shù)架構(gòu)??MomentaTier

1已經(jīng)量產(chǎn)BEV+Transformer，目前在研發(fā)下一代的技術(shù)方案DD4D(DataDriven4D

Model)??如何應(yīng)用？有何效果？22.1

車端賦能主要作用于感知和預(yù)測環(huán)節(jié)，逐漸向決策層滲透車道線檢測3D目標(biāo)檢測障礙物檢測紅路燈檢測感知車輛行為預(yù)測行人行為預(yù)測預(yù)測全局路徑規(guī)劃行為決策運(yùn)動(dòng)規(guī)劃規(guī)劃決策車道保持車輛跟隨車道變換制動(dòng)避障控制利 用Transformer模型對

BEV

數(shù)據(jù)進(jìn)行特征提取，

實(shí)現(xiàn)障礙物的檢測和定位基于感知模塊的輸出，

使用Transformer模型預(yù)測其他交通參與者的未來行為和軌跡根據(jù)預(yù)測結(jié)果，結(jié)合交通規(guī)則和車輛狀態(tài)，有效平衡不同信息源之間的權(quán)重Th成合適的駕駛策略。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BEV數(shù)據(jù)進(jìn)行特征提取，實(shí)現(xiàn)對障礙物的監(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Th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Th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Th成駕駛策略，但隨著自動(dòng)駕駛等級的提升及應(yīng)用場景的不斷拓展，基于規(guī)則的規(guī)控算法存在較多Corner

Case處理局限性）。結(jié)合車輛動(dòng)力學(xué)，可利用Transformer模型Th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。大模型在自動(dòng)駕駛中的應(yīng)用 端到端自動(dòng)駕駛

VS.

模塊化自動(dòng)駕駛端到端自動(dòng)駕駛2.2

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)Th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?。大模型云端?yīng)用自動(dòng)標(biāo)注商湯大模型自動(dòng)標(biāo)注精度可以達(dá)到98%以上，標(biāo)注周期和標(biāo)注成本都可以縮減數(shù)十倍以上。數(shù)據(jù)挖掘區(qū)別于傳統(tǒng)基于標(biāo)簽的方式來挖掘長尾場景，

大模型從大量數(shù)據(jù)中提取特征進(jìn)行數(shù)據(jù)挖掘。場景仿真毫末采用NeRF

技術(shù)進(jìn)行自動(dòng)駕駛場景的重建，

研發(fā)過程覆蓋率超過70%，研發(fā)效能較兩年前提升8倍。大模型在智能汽車應(yīng)用的挑戰(zhàn)多模態(tài)數(shù)據(jù)自然語言：HMI

可復(fù)用大模型圖像、音頻等自然語言數(shù)據(jù)傳感器：車載多類傳感器數(shù)據(jù):如Camera、Lidar、Radar、GNSS、IMU等場景：場景數(shù)據(jù):如道路拓?fù)洹⒔煌?biāo)志標(biāo)線、交通流、行為模型等訓(xùn)練算力：大模型大于10億量級GPU

hours（小模型僅10-100萬量級）部署算力：大模型推理有高算力需求內(nèi)存：大模型推理激發(fā)存儲(chǔ)需求時(shí)延：大模型推理時(shí)延遠(yuǎn)高于智能駕駛i汽車要求其他安全：汽車的高功能安全、網(wǎng)絡(luò)安全要求，現(xiàn)有大橫型能力難以達(dá)到一致性：車輛行為一致性要求高

（現(xiàn)有大模型Th成內(nèi)容不穩(wěn)定）品牌小鵬阿維塔問界極狐車型G6/G9/P7i

Max版本阿維塔11問界M5/新M7

智駕版阿爾法S

HI版本高速NOA√√√√城市NOA√選配選配選配價(jià)格22.99-41.99萬元30.00-39.00萬元27.98-32.98萬元32.98萬元芯片OrinX*

2華為MDC810華為MDC610華為MDC810算力508TOPS400TOPS544TOPS400TOPS傳感器方案12V5R2L12U（G6/P7i）11V5R2L12U（G9）13V6R3L12U11V3R1L12U13V6R3L12U是否需要高精地圖是（2024款G9實(shí)時(shí)Th成高精地圖）是是是付費(fèi)模式標(biāo)配高速NOA標(biāo)配，城市NOA選配，按月訂閱640元，按年訂閱6400元，一次性購買32,000元高速NOA標(biāo)配，城市NOA選配，按月訂閱720元，按年訂閱7200元，一次性購買36,000元高速NOA標(biāo)配，城市NOA選配，按月訂閱720元，按年訂閱7200元，一次性購買36,000元無圖方案落地時(shí)間2023年下半年2023年年底2023年年底2023年年底落地進(jìn)展及規(guī)劃城市NOA開通5城（廣州/深圳/上海/北京/佛山），預(yù)計(jì)2023年落地50城；2024年落地200城城市NOA開通5城（上海/深圳/廣州/重慶/杭州），預(yù)計(jì)2023年三季度15城，四季度45城2023年年底無圖版本落地全國城市NOA開通6城（深圳、上海、廣州、北京、重慶、杭州），預(yù)計(jì)2023年無圖版本Q3落地15城，Q4落地 城2.3NOA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%。主機(jī)廠/供應(yīng)商城市NOA落地進(jìn)展（截至2023年9月19日）注：√表示標(biāo)配，V/R/L/U分別代表攝像頭/毫米波雷達(dá)/激光雷達(dá)/超聲波雷達(dá)2.3NOA快速落地

成為智能化新指標(biāo)品牌蔚來理想理想上汽智己騰勢車型全系列車型L7/L8Air&Pro，L9

ProL7/L8/L9

MaxL7/LS7騰勢N7高速NOA選配√√選配選配城市NOA選配未開通√未開通選配價(jià)格42.80-59.80萬元31.98-35.98萬元37.98-45.98萬元28.98-45.98萬元30.18-34.98萬元芯片OrinX*

4地平線J5OrinX*

2Orin

XOrin

X算力1016TOPS128TOPS508TOPS254TOPS254TOPS傳感器方案11V5R1L12U10V1R12U11V1R1L12U11V5R2L12U13V5R2L12U是否需要高精地圖是是是是未知付費(fèi)模式高速NOA和城市NOA選配，NAD按月訂閱680元，NOP+按月訂閱380元標(biāo)配標(biāo)配高速NOA選配，選裝包36800元選配，選裝包28000元無圖方案落地時(shí)間2023年年底2023年9月公測落地進(jìn)展及規(guī)劃NOP+覆蓋全國95

的高速城快道路2023年底開通100城（無圖）高速NOA：2023年12月輻射全國333城；城市NOA：2023年4月開始內(nèi)測，2023年10月開始公測；通勤NOA：2024年通勤模式，百城齊開，2025年將邁入Door

to

Door時(shí)代全場景通勤高速NOA預(yù)計(jì)2023年底開通；城市NOA預(yù)計(jì)2024Q1開通注：√表示標(biāo)配，V/R/L/U分別代表攝像頭/毫米波雷達(dá)/激光雷達(dá)/超聲波雷達(dá)2.3NOA快速落地

成為智能化新指標(biāo)品牌極氪長城魏牌長城魏牌嵐圖極越車型極氪001新摩卡DHT

PHEV藍(lán)山DHT

PHEV新嵐圖FREE極越01高速NOA選配選配√選配未開通城市NOA未開通未開通未開通未開通未開通價(jià)格26.90萬起23.18萬元30.88萬元26.69萬起步25.99萬元起芯片MobileyeQ5H*

2--ApolloHighwayDrivingPro智能駕駛系統(tǒng)Apollo

3.0版高階智駕OrinX*

2算力48TOPS--16/32TOPS508TOPS傳感器方案15V1R13U5V5R12U9V5R12U13V5R12U13V5R2L12U是否需要高精地圖是是是是輕量級高精地圖付費(fèi)模式高速NOA選配高速NOA選配，選裝包17000元標(biāo)配高速NOA選配，選裝包25000元-無圖方案落地時(shí)間----落地進(jìn)展及規(guī)劃高速NOA

9月正式推送，首開上海杭州兩城，預(yù)計(jì)2023年底開通15城，啟動(dòng)20城內(nèi)測城市NOA預(yù)計(jì)2024Q1量產(chǎn)落地，2024年落地100城領(lǐng)航輔助智駕功能已經(jīng)覆蓋全國347個(gè)城市高速NOA和城市NOA預(yù)計(jì)10月底正式落地注：√表示標(biāo)配，V/R/L/U分別代表攝像頭/毫米波雷達(dá)/激光雷達(dá)/超聲波雷達(dá)新變化

新需求33.1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Corner

Case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。特斯拉吉利小鵬毫末理想公司類型主機(jī)廠主機(jī)廠主機(jī)廠自動(dòng)駕駛廠商主機(jī)廠算力中心名稱1萬塊英偉達(dá)H100組成的訓(xùn)練集群+Dojo星睿扶搖雪湖·綠洲（定址山西）上線時(shí)間2023年8月2023年1月2022年8月2023年1月2023Q3合作廠商自建阿里云阿里云火山引擎火山引擎算力峰值訓(xùn)練集群：340

PFLOPS（FP64）Dojo：預(yù)計(jì)24年10月100

EFLOPS810

PFLOS預(yù)計(jì)25年：1.2

EFLOPS600PFLOPS670

PFLOPS750

PFLOPS（FP16）投資金額訓(xùn)練集群：3億美元Dojo：10億美元10億元---主機(jī)廠/自動(dòng)駕駛廠商智算中心建設(shè)情況梳理3.1云端算力|需要多少？預(yù)計(jì)到2025年將達(dá)到14-46

EFLOPS?

預(yù)計(jì)到2025年，智算中心算力需求將達(dá)到14-43

EFLOPS。我們采用兩種測算方法：1）以吉利為基礎(chǔ)，從單車算力需求角度進(jìn)行測算。星睿智算中心算力預(yù)計(jì)2025年達(dá)到1200PFLOPS，可支持350萬輛在線車輛并行計(jì)算，我們預(yù)測到2025年總算力需求為14EFLOPS；2）以小鵬為基礎(chǔ)，從數(shù)據(jù)量角度測算需求。假設(shè)小鵬扶搖算力可支撐未來2年每輛車每天10TB數(shù)據(jù)量的訓(xùn)練算力，2023E/2024E/2025E

中國乘用車銷量分別為2380/2428/2485萬輛，2023E/2024E/2025E中國L2及以上級別智能駕駛滲透率為50%/70%/80%，我們預(yù)測到2025年算力需求達(dá)到46EFLOPS。算力需求與車企高階智能駕駛滲透率相關(guān)，我們預(yù)計(jì)到2025年，算力需求區(qū)間或?yàn)?4-46EFLOPS，按英偉達(dá)A1001萬美元/張價(jià)格核算，自動(dòng)駕駛智算中心僅算力市場規(guī)?；?qū)⑦_(dá)到4-15億美元，國2023E2024E2025E小鵬交付量（萬輛）162128L2及以上智能駕駛滲透率95100100數(shù)據(jù)量/年（EB）5227219612023-2025總數(shù)據(jù)量（EB）3,969中國乘用車銷量（萬輛）2,3802,4282,485L2及以上智能駕駛滲透率507080數(shù)據(jù)量/年（EB）40,85558,35168,2532023-2025總數(shù)據(jù)量（EB）307,521年算力需求為假設(shè)1.

扶搖算力可支持未來2年需求假設(shè)2.

平均每輛車每天產(chǎn)Th10TB數(shù)據(jù)量假設(shè)3.

小鵬2023/2024/2025年銷量分別達(dá)到16/21/28萬假設(shè)4.

中國2023/2024/2025年乘用車銷量分別為2380/2428/2485萬輛，L2及以上智能駕駛滲透率達(dá)到50%/70%/80%產(chǎn)算力產(chǎn)業(yè)鏈值得關(guān)注。智算中心算力需求預(yù)測-以吉利為基礎(chǔ) 智算中心算力需求預(yù)測-以小鵬為基礎(chǔ)2025E吉利算力（PFLOPS）1200并行計(jì)算數(shù)（萬輛）350L2及以上智能駕駛滲透率50每萬輛算力（PFLOPS/萬輛）7中國乘用車銷量2485L2及以上智能駕駛滲透率80總算力需求14

EFLOPS假設(shè)1.

中國2025年乘用車銷量為2485萬輛假設(shè)2.

2025年我國L2及以上智能駕駛滲透率達(dá)到803.1云端算力|

如何建智算中心？合作/采購模式為主，自建傾向較高優(yōu)勢:降低研發(fā)費(fèi)用，可加快產(chǎn)品研發(fā)落地速度掌握智駕核心，利用合作伙伴能力反哺自身劣勢：難以找到合作的合作伙伴缺乏全棧能力，依賴合作伙伴能力優(yōu)勢:可快速落地，掌握先機(jī)直接搭建完整解決方案，無需承擔(dān)技術(shù)風(fēng)險(xiǎn)劣勢：需要持續(xù)性投資，可能造成邊際成本不斷上漲數(shù)據(jù)安全和數(shù)據(jù)隱私問題優(yōu)勢:規(guī)模擴(kuò)大時(shí)邊際成本可收斂，長期成本優(yōu)勢可多場景復(fù)用數(shù)據(jù)安全可靠性高全棧能力，差異化服務(wù)構(gòu)建競爭有優(yōu)勢劣勢：初始投資過高，面臨資金壓力（超過1億元）項(xiàng)目時(shí)間周期過長（3-4個(gè)月）數(shù)據(jù)是否需要大算力支持？需求是否能承擔(dān)高昂初始投資成本？成本是否具備自動(dòng)駕駛算法自研能力和智算中心建設(shè)能力？能力1.

自研自建2.

合作建設(shè)3.

采購/租用智算中心建設(shè)需要綜合考慮需求、成本、能力三大因素。需求上數(shù)據(jù)是否起量是否需要大算力支持；成本上能否承擔(dān)高昂的初始投資成本；能力上是否具備自動(dòng)駕駛算法自研能力和智算中心建設(shè)運(yùn)營能力。呈現(xiàn)自建、合作、采購/租用三種建設(shè)模式。1）自研自建為主：需求成本能力均滿足，自研算法、自建算力中心及應(yīng)用，僅采購部分外部云服務(wù)，如特斯拉；2）合作模式：采取核心算法自研，由阿里、百度、騰訊、火山引擎等提供計(jì)算中心搭建與運(yùn)營過程，適用于有算法自研能力，成本有限且智算中心搭建能力有限的廠商；3）采購/租用：外采包括算法、計(jì)算資源、應(yīng)用服務(wù)在內(nèi)的全棧解決方案。合作/采購模式為主，自建傾向較高。我們認(rèn)為，由于初始成本較高，國內(nèi)主流自動(dòng)駕駛廠商大多采取合作模式/采購模式，但從長期成本優(yōu)勢來看或仍具備較高的自建傾向。我們認(rèn)為中短期內(nèi)，算力供應(yīng)商將存在較大機(jī)會(huì)，長期自建趨勢下Th存空間或?qū)⒈粔嚎s，但對其服務(wù)和運(yùn)營能力仍將具有長久需求。智算中心建設(shè)模式及其考慮因素智算中心建設(shè)模式3.2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)駕駛級別越高，傳感器配置數(shù)量越多，運(yùn)行產(chǎn)Th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)Th3~4GB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)Th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)提升物體識別、感知融合和系統(tǒng)決策算力需求。特斯拉VS

小鵬智能駕駛感知硬件與算力 高速和城市行車場景對比特斯拉Model

Y小鵬G6

Max版本車外攝像頭8個(gè)120萬像素2個(gè)800萬像素+9個(gè)200萬像素超聲波雷達(dá)1212毫米波雷達(dá)15激光雷達(dá)02高精地圖無有算力144

TOPS508

TOPS車道保持定速巡航主動(dòng)剎車自主上下匝道主動(dòng)變道超車主動(dòng)避障…自主識別交通標(biāo)志自主進(jìn)出環(huán)島自主識別車位泊車記憶泊車紅綠燈通行、掉頭、并線自主切換車道自主切換到路代客泊車…高速場景城市場景3.2車端算力|需要多少？算力需求翻倍，或?qū)⑦_(dá)到800TOPS廠商芯片內(nèi)容英偉達(dá)Thor（2000TOPS）支持8位浮點(diǎn)（FP8）的精度，首個(gè)采用推理Transformer引擎的NVIDIA自動(dòng)駕駛汽車平臺。地平線征程5（128TOPS）構(gòu)建面向大參數(shù)的Transformer的統(tǒng)一的計(jì)算架構(gòu)，在架構(gòu)上面優(yōu)化它的計(jì)算效率，降低功耗，打造芯片+工具鏈開放平臺。黑芝麻A1000（58TOPS）已將開發(fā)的BEV模型部署到華山二號A1000芯片上，同時(shí)還可部署在最新發(fā)布的武當(dāng)系列C1200芯片上愛芯元智M55（8TOPS）M76（60TOPS）混合精度NPU通過豐富的算子和指令集優(yōu)化，支持BEV與Transformer布署車端算力需求翻倍，達(dá)800TOPS以上。上汽人工智能實(shí)驗(yàn)室表示，實(shí)現(xiàn)L2級自動(dòng)駕駛只需10Tops以下的算力，即便是實(shí)現(xiàn)L4級自動(dòng)駕駛也只需100Tops左右的算力，只有到了真正無人駕駛的L5級，才需要1000+Tops的算力?，F(xiàn)實(shí)中主機(jī)廠具備城市NOA高階智能駕駛功能的車型，算力大多在200-500TOPS左右。沐曦首席產(chǎn)品官孫國梁指出，在車端部署大模型并能實(shí)現(xiàn)既定任務(wù)，算力至少要達(dá)到300～500TOPS。我們認(rèn)為，模型優(yōu)化或可降低算力要求，但考慮到未來場景復(fù)雜度的增加，數(shù)據(jù)量增加，以及視覺感知占比增加（相對基于規(guī)則），車端算力或?qū)⒎哆_(dá)800TOPS以上。大模型同時(shí)對芯片效能有更高要求。除了對算力有更高要求外，Transformer大模型對芯片效能有更高要求，主要體現(xiàn)在：1）CNN模型以卷積和矩陣乘等計(jì)算密集型算子為主（目前大多芯片是以CNN模型為出發(fā)點(diǎn)設(shè)計(jì)的），而Transformer是以訪存密集型算子為主的，對帶寬和存儲(chǔ)有較高要求；2）Transformer是浮點(diǎn)矢量矩陣乘法累加運(yùn)算，而目前智能駕駛芯片基本均針對INT8的。智能駕駛芯片廠商正在加強(qiáng)芯片對Transformer的適配，如英偉達(dá)在新一代GPU中特別增加了Transformer引擎。智能駕駛算力需求持續(xù)增長 智能駕駛芯片廠商加強(qiáng)芯片對Transformer的適配3.3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級自動(dòng)駕駛功能僅需前后兩顆攝像頭，L2+級則需要引入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升級預(yù)留冗余，單車攝像頭配置遠(yuǎn)超本級ADAS所需的攝像頭數(shù)量，如特斯拉Model

3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。大模型提高對感知數(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別升級。尤其是前視攝像頭，前視需要解決的場景最多，目標(biāo)識別任務(wù)最復(fù)雜，比如遠(yuǎn)距離小目標(biāo)識別，近距離目標(biāo)切入識別，高級別自動(dòng)駕駛車輛中都在規(guī)劃應(yīng)用800萬級別的高清像素?cái)z像頭，用于對更遠(yuǎn)距離的目標(biāo)進(jìn)行識別和監(jiān)測。目前具備800W像素?cái)z像頭模組Th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。L1-L3自動(dòng)駕駛等級所需車載攝像頭數(shù)量主機(jī)廠車型上市時(shí)間攝像頭搭載情況特斯拉Model

S20141顆前置攝像頭特斯拉Model

320169顆120萬像素的高清攝像頭小鵬P720209顆高感知攝像，4顆環(huán)視攝像頭蔚來ET720217顆800萬像素ADAS攝像頭、4顆300萬像素環(huán)視攝像頭吉利極氪001202115顆攝像頭，其中有7顆800萬像素?cái)z像頭阿維塔科技阿維塔11202213顆高清攝像頭，包括9個(gè)ADAS攝像頭、4個(gè)環(huán)視攝像頭3.3感知端|

無圖方案頻出，逐步降低對高精地圖依賴為什么要去高精地圖？高精度地圖作為先驗(yàn)信息，可以給自動(dòng)駕駛提供大量的安全冗余，在數(shù)據(jù)和算法尚未成熟之前，主機(jī)廠依賴程度較高。脫圖原因主要在于：1）高精地圖存在更新周期漫長、成本高昂、圖商資格收緊等弊端，限制了高階自動(dòng)駕駛大規(guī)模商業(yè)化的可能性。2）構(gòu)建數(shù)據(jù)閉環(huán)，形成對算法模型的迭代升級反哺車端。如何實(shí)現(xiàn)去高精地圖？特斯拉引入車道線網(wǎng)絡(luò)及新的數(shù)據(jù)標(biāo)注方法，將車道同時(shí)線標(biāo)注為一系列點(diǎn)，每個(gè)點(diǎn)有自己明確的語義（如“起始、并線、分叉、結(jié)束”等），從而形成完整的車道線連通關(guān)系圖，幫助FSD補(bǔ)足對高精地圖的需求。國內(nèi)自動(dòng)駕駛頭部公司去高精地圖后或采取車端實(shí)時(shí)建圖方案，通過安裝在車輛上的相機(jī)等傳感器來構(gòu)建車輛行駛過程中周圍的環(huán)境地圖。無圖方案頻出，逐步降低對高精地圖依賴。目前小鵬、華為等頭部主機(jī)廠發(fā)布無高精地圖的高階智能駕駛方案，并定下量產(chǎn)時(shí)間表，華為、毫末、元戎啟行等自動(dòng)駕駛公司也加入其中，自動(dòng)駕駛算法“重感知，輕地圖”趨勢明確。另一方面，百度、騰訊、四維等圖商近期也釋放輕地圖傾向，提供“精簡版”高精地圖，比如騰訊的HD

AIR，四維圖新的場景地圖。華為ADS2.0

去高精地圖方案主機(jī)廠/供應(yīng)商高精地圖替代方案主機(jī)廠時(shí)間替代高精地圖的方法小鵬2023年9月使用Xnet深度視覺感知神經(jīng)網(wǎng)絡(luò)，實(shí)時(shí)Th成3D高精地圖理想2023年6月通過NPN特征和TIN網(wǎng)絡(luò)，配合BEV大模型，能夠準(zhǔn)確識別城市中的復(fù)雜路口和信號燈通行意圖，從而實(shí)現(xiàn)去高精地圖的能力華為2023年4月已實(shí)現(xiàn)基于Transformer的BEV架構(gòu)，ADS

2.0進(jìn)一步升級，基于道路拓?fù)渫评砭W(wǎng)絡(luò)進(jìn)一步增強(qiáng)，即使無高精地圖也能看懂路，紅綠燈等各種道路元素，使得無圖也能開。百度2023年8月Apollo將使用純視覺感知，同時(shí)輔以激光雷達(dá)，實(shí)現(xiàn)“純視覺+激光雷達(dá)”的感知冗余，以提供連貫的城市駕駛；Apollo

使用“輕量級高精地圖”方案，比行業(yè)通用的傳統(tǒng)高精地圖要“輕”近80%元戎啟行2023年3月發(fā)布不依賴高精地圖的新一代自動(dòng)駕駛方案DeepRoute-Driver3.0小馬智行2023年4月通過感知模塊、預(yù)測模塊等所有模塊的提升不強(qiáng)依賴高精地圖3.3感知端|

激光雷達(dá)仍作為重要傳感器，長期需求或?qū)⒁婍敀呙瓒私邮斩诵畔⑻幚鞡EV技術(shù)能夠提供全局視角下的環(huán)境感知下，融合兩個(gè)信息源提供最大的安全保障。激光雷達(dá)在距離和空間信息方面具有精度優(yōu)勢，搭載激光雷達(dá)的多傳感器融合感知方案可通過互補(bǔ)達(dá)到全環(huán)境感知能力，可為高級別自動(dòng)駕駛提供安全冗余。特斯拉在感知領(lǐng)域引入占用網(wǎng)絡(luò)模型，在不定義具體物體的情況下，去確定物體在三維空間中的位置及速度運(yùn)動(dòng)，來實(shí)現(xiàn)類似激光雷達(dá)的感知效果。我們認(rèn)為國內(nèi)主機(jī)廠在機(jī)器視覺算法進(jìn)步的過程中，預(yù)計(jì)仍將激光雷達(dá)作為重要的補(bǔ)充傳感器，由此可減少在視覺領(lǐng)域所需積累的數(shù)據(jù)量，但長期來看需求或?qū)⒁婍?，未來主機(jī)廠預(yù)計(jì)將逐漸降低對激光雷達(dá)的依賴。通過技術(shù)迭代和大規(guī)模量產(chǎn)實(shí)現(xiàn)降本。根據(jù)天風(fēng)電子團(tuán)隊(duì)報(bào)告《后智能手機(jī)時(shí)代光學(xué)看什么？光學(xué)標(biāo)的未來誰能走出來？》，激光雷達(dá)掃描方式從機(jī)械式到半固態(tài)是降本第一步?；旌瞎虘B(tài)式比機(jī)械式成本低的主要原因在：1）發(fā)射&接收端：相比于機(jī)械式激光雷達(dá)，激光器收發(fā)模塊數(shù)量明顯減少；2）掃描端：機(jī)械式收發(fā)模塊動(dòng)，系統(tǒng)復(fù)雜度高，電機(jī)成本高+調(diào)整測試難度大。激光器收發(fā)芯片集成化+MEMS

規(guī)?；慨a(chǎn)是降本第二步。激光雷達(dá)不同環(huán)節(jié)降本技術(shù)路徑 激光雷達(dá)規(guī)模化量產(chǎn)可實(shí)現(xiàn)快速降本發(fā)射端 EEL→VSCEL→VSCEL陣列機(jī)械式→半固態(tài)→純固態(tài)PD/APD→SPAD/SPiMFPGA→SoC傳統(tǒng)毫米波雷達(dá)4D毫米波雷達(dá)核心區(qū)別縱向天線無有天線數(shù)少多通道數(shù)3發(fā)4收/2發(fā)4收為代表12發(fā)16收/48發(fā)48收等核心參數(shù)俯仰角度無優(yōu)于2度方位角分辨率5-8度<1度精度0.3度0.1度最遠(yuǎn)探測距離≤200m≤300m，短/中/長三種模式點(diǎn)云有限返回信息數(shù)十倍的返回信息點(diǎn)、高密度點(diǎn)云功能優(yōu)化靜止識別識別難度大可適應(yīng)復(fù)雜路況橫向移動(dòng)障礙物檢測識別難度大可適應(yīng)復(fù)雜路況相鄰人/物區(qū)分不可區(qū)分可區(qū)分高度識別高出物體喝地面車輛難以區(qū)分可在150m出區(qū)分地物和立交橋隱藏車輛探測幾率20%80%3.3感知端|

向4D成像毫米波雷達(dá)升級，或?qū)⑻娲途€激光雷達(dá)4D成像毫米波雷達(dá)或?qū)⑼耆娲?D毫米波雷達(dá)，有望對低線激光雷達(dá)形成替代。4D毫米波成像雷達(dá)相對于傳統(tǒng)毫米波雷達(dá)增加了俯仰角度的信息感知能力，可對縱向目標(biāo)進(jìn)行高分辨率地識別；“成像”則類似于激光雷達(dá)的點(diǎn)云成像效果。與傳統(tǒng)毫米波相比，4D成像雷達(dá)的射頻收發(fā)通道數(shù)量多出十倍以上，隨著俯仰角分辨率大大提高，能夠?qū)δ繕?biāo)和環(huán)境呈現(xiàn)出豐富的點(diǎn)云圖像以及距離、速度和角度信息，可以適應(yīng)更多復(fù)雜路況(如較小物體、遮擋物體以及靜止物體和橫向移動(dòng)障礙物檢測等)。與激光雷達(dá)相比，部分指標(biāo)近似達(dá)到16線激光雷達(dá)性能，但成本僅為激光雷達(dá)十分之一。我們認(rèn)為

4D

毫米波雷達(dá)是較為經(jīng)濟(jì)、穩(wěn)定的車載傳感器，或?qū)⑼耆娲?D毫米波雷達(dá)，并替代低線激光雷達(dá)，與高線激光雷達(dá)形成互補(bǔ)，后續(xù)或?qū)⒅鸩綕B透放量。4D毫米波雷達(dá)在中高端車型及自動(dòng)駕駛服務(wù)車型中快速滲透。特斯拉基于全新的自動(dòng)駕駛硬件HW4.0，首次在S/X的車型上搭載了4D毫米波雷達(dá)。根據(jù)天風(fēng)電子團(tuán)隊(duì)報(bào)告《4D

毫米波雷達(dá)：平衡成本&性能的標(biāo)配傳感器，自動(dòng)駕駛再添新翼》,除Tesla外，價(jià)格在40萬元以下的理想車型和價(jià)格在70

萬以上的寶馬車型、以及通用收購的Cruise自動(dòng)駕駛服務(wù)車均于近兩年完成了4D毫米波雷達(dá)布局