2024年智能汽车产业专题报告：高阶智驾技术进步和终端渗透率提速，拥抱智驾与机器人的黄金时代

Part1：智能座舱&智能驾驶概念、空间、格局

座舱渗透率：从空间/ASP、渗透率的边际变化、市场格局等几个维度考虑，硬件环节重 点关注座舱域控、大尺寸中控、DMS/OMS、HUD

ASP较高且仍将提升+渗透提速+格局较好-座舱域控：从传统车机控制器（1-2k）→8155系列（2-3k）→82系列（4-5k），ASP有提升动力且渗透率提升加速（代表公司包括：德赛西威、华阳集团、均胜 电子等）； ASP较高且仍将提升+渗透率提升幅度较大但边际放缓+格局较好-大尺寸中控屏/液晶仪表：大屏连屏化趋势加速（例如20万左右银河E8 45英寸；智己LS6 26.3+10.5连屏），屏显技术升级（从LCD到OLED 再到microLED），格局相对集中。中游关注德赛西威、华阳集团、比亚迪电子；上游关注屏厂； ASP较高且仍将提升+渗透率未开始提速+格局较好-HUD：HUD格局相对分散，但AR-HUD集中度较高（华阳集团、水晶光电、经纬恒润等）； ASP较低但有提升可能+渗透率提速且是法规件，存在爆发可能+格局较优-DMS/OMS：ASP偏低导致天化板低，但渗透率较低，且23年已纳入推荐标准，不排除几年后成为强制标准的可能；另外，E-NCAP已 将儿童检测功能与报警策略纳入打分体系；软件>硬件（摄像头相对同质化）；可关注格局相对较优的算法供应商（例如虹软科技、商汤-W）；

智能驾驶-聪明的车：ADAS（高级辅助驾驶系统）与AD（自动驾驶）

按照系统的能力边界划分-L0-L5：L0不参与车控，仅预警（例如FCW）；L1可代替驾驶员执行某些简单操作（通常是单纵向/单横向；例如ACC）；L2在特定路况下可以代替驾驶 员执行转向/加减速操作（可完成纵向+横向的组合控制），允许手、眼短暂脱离驾驶状态（例如TJA）；L3允许驾驶员在特定路况下将车辆操纵完全交由系统执行（例如NOA；点 对点自动驾驶）；L4、L5、L3的主要区别是ODD（设计运行域cover的范畴）；L0-L2为ADAS（辅助驾驶）、L3-L5为AD（自动驾驶）；ADAS与AD的核心区别是事故责任是人还是车； 按照场景划分：1）按车速：行车ADAS（所谓前向ADAS）/泊车ADAS/安全功能（比如AEB）；2）按道路类型：城区&高速/城区快速路，所谓城市NOA与高速NOA； 传感器&算力平台基本已经标准化：城市NOA目前来看，普遍需要200Tops以上算力平台&激光雷达（部分车型已经选配/去除，例如小鹏AI鹰眼视觉&极越）；

Part2：高阶智驾技术路线的演进

高阶智驾的技术进步：Occpuancy解决通用障碍物识别问题

BEV等传统方法划分“可行驶空间”存在一些问题：1）在地面极不平坦的时候，只有2个左右的像素点估计画面深度；2）可变形的障碍物，如两节的挂车/汽车顶上的杂物等，不适合用3D bounding box来表示（会被直接视为一个整体）；3）不在已知类别中的障碍物，如路上的石子、垃圾等，无法进行分类。

马斯克的第一性原理：世界上没有所谓的静止物体，只要摩擦力够小，任何物体都可以移动，都可能影响可行驶区域。感知系统的任务不是“目标识别+分割”而是3D分割，Fixed Rectangles（监测 框/2D网格）、Object Detection（目标识别）、Object Ontology（具体形状刻画）都是多余的。预测Votel的flow（速度）则是需要额外了解的参数。

核心是解决通用障碍物的识别问题（找到一种更好的方式来描述长尾障碍物）：占用网络并非推翻BEV感知的技术基础，而是对BEV 网络在高度方向（Z轴）进行了进一步的扩展，从下图的架构中可 以看到整体框架在对各个相机进行图像平面特征提取以后，仍旧是接一个Transformer的模块，在图像feature map中通过MLP生成Value-key，并利用BEV坐标系下栅格坐标的位置编码生成Query，不 同的是这次栅格不只是BEV感知中的2D栅格，而是在高度方向又增加了一个维度变成了3D栅格，进而生成了Occupancy Features替代了原本的BEV Features。

占用网络的输出：Occupancy Volume（通用障碍物的体积） & Occupancy Flow（通用障碍物的速度刻画）。Voxel（3D体素）取代pixel（2D像素），通过预测每个Voxel的流动来预测障碍物的移动 轨迹（通过NeRF实现被遮挡物体的3D建模）。特斯拉能做到超过100FPS的速度运行，内存效率非常高。

高阶智驾的技术进步：端到端实现算法从Rule-Based→NN-Based

从V10到V12的端到端过程就是Rule-Based到NN-Based的过程：FSD V10版本已经开始把感知环节依托神经网络实现，但感知空间到向量空间的映射以及规控环节基本还是Rule-based代码主导（规划 环节引入了辅助神经网络）；FSD V11版本感知环节实现端到端，规划环节与控制环节均引入神经网络辅助；V12版本完全实现从传感器输入到控制指令输出的全流程NN-based。 端到端的难点不仅是车端模型全链路打通，云端训练的数据量要求与标注难度均提升：端到端理论上可以实现完全数据驱动的模型训练（影子模式数据/采集车数据输入/仿真数据→4D Clip自动标 注系统标注→模型训练→参数调整→重复循环），训练端V12不同V10的点在于标注数据需要为视频帧（4D Clip），且需要同时标注感知信息与车控信息，而且完全NN的架构数据需求量也会更大。 端到端NN-Based的核心优点是可以大幅度提高开城效率：不需要靠堆人头的形式针对每个城市的细分场景写代码，车队自监督学习，泛化能力非常强大。FSD如果真入华，成熟速度可能非常快。

高阶智驾的技术进步：端到端/世界模型的价值&技术进步的方向

端到端的本质还是基于规则，Zero-shot的能力依旧是短板：端到端只是把基于规则的多模块框架转化为可以数据驱动的一体化框架；还是欠缺针对长尾场景的zero-shot能力（从直接遵从规则代码 到从海量数据中学习到规则）；L4任何的未知场景中用户都不需要接管；数据驱动的end-to-end本质还需要见过这些场景，才能理解，所以还是不能胜任长尾场景； 引入多模态视觉语言模型（VLM）基于比行车场景更广阔的通识知识来补足长尾场景的理解不足：把没办法基于规则去匹配的长尾场景（例如骑着自行车还单手撑伞，然后闯红灯，很难对应上这种特 征很复杂场景的规则）先转化为自然语言描述，然后输入多模态LLM，LLM直接给出决策建议； 增加人机交互的信任感&弥补可解释性不足：如果机器决策的流程可以通过文字形式通过车机与乘车人交互，能大大提高系统信任度&模型可解释性。

高阶智驾的技术进步：世界模型/VLM视觉语言模型旨在实现对通用泛化世界的逻辑理解

特斯拉在CVPR2023展示的更通用世界模型：模型最终目的是希望可以根据过去的场景或者其他事物来预测未来的场景；特斯拉通过轻量化扩散模型（Diffusion Model）试图 实现这一点；希望它具有几个性质：①可以基于当前帧的图像预测未来几帧图像；②网络可以在没有新的图像信息情况下持续学习；③可以通过Prompt生成现实中没有的场 景；④可以作为神经网络模拟器；⑤不仅能够生成RGB空间图像，还能够生成类似标注的语义信息，这既表明了这项技术有未来被利用在标注数据生成的潜力，也说明了模型 将具备一定的对客观世界的理解推演能力。⑥可以做场景泛化；

Part3：Robotaxi&单车智能的异同

Robotaxi：典型的牌照生意，大体需要经过“道路测试→示范运营→商业化运营”三个阶段

Robotaxi属于牌照生意，从测试到商业化运营通常需要数年时间：23年12月交通部运输服务司发布《自动驾驶汽车运输安全服务指南（试行）》，首次从国家政策层面明确智能网联汽车可以用于运 输经营活动，为我国自动驾驶技术的商业化应用按下“加速键”。以上海为例，从测试到实现商业化，Robotaxi运营方大概需要经过以下阶段：测试阶段（Testing，小马、安途、百度三家；划定路 段车内全无人测试（无安全员&司机，不面向公众开放））→24年7月发布无人驾驶示范（Public facing，新增一家赛可智能；车内有安全员，面向公众免费试乘；未来逐步取消安全员；运营范围为： 金桥经开区→浦东申江路、沪南公路、沪南公路/两港高速→浦东机场→临港（205公里））→示范运营结束后，才会颁发无人驾驶商业化运营牌照；

Robotaxi：与乘用车ADAS/AD的业务属性不一样，直接比较数据意义不大

Robotaxi的to-B属性决定了其跟乘用车ADAS/AD阶段性会有很大差异：1）BOM成本：以小马智行/Waymo为例，小马第六代自动驾驶系统包含4颗固态雷达&2颗补盲激光雷达&3颗长距离毫米波雷达&11颗 摄像头（11V3R6L），Waymo的第五代自动驾驶系统包括10V6R5L；通常乘用车L3是11V3~5R1~2L，仅传感器方面，就多4-5颗激光雷达（预计1w+成本）；域控制器方面，L4级别至少双冗余，考虑乘用 车需要200T以上算力，L4车端算力需求普遍在1000T+（又是1w+成本）；制动也应该双冗余；综合来看，Robotaxi的自动驾驶硬件成本是L3乘用车的2x以上；2）为什么需要这么高的车端成本：L4是 to-B生意，乘客把人身安全托付给运营方，没办法介入车的驾驶过程（最终形态是没有方向盘），不存在主动接管车辆的可能，且需要对监管负责（可解释性要求高于乘用车）；因此刚需更多的规 控代码&硬件冗余，MPI（Miles Per Intervention，即每次接管的行驶里程间隔）需要远好于目前的乘用车L2.9；3）更高的BOM成本&更严格的法规要求&系统能力要求也就意味着Robotaxi的泛化进 程会比较慢，在某个城市表现很好，也不太可能迅速copy到其他城市（证据：robotaxi主流企业的运营范围普遍集中在少数几个打车需求旺盛的发达城市）；

乘用车L2.9与Robotaxi MPI存在2个数量级代差：Waymo 23年加州单车平均每年运营1.35万公里；平均2.79万公里需要介入一次，FSD V12 MPI也就几百公里；技术路线方面，二者差异也会很大，比 如Waymo有专门的地图测绘团队；目前算法还是模块化+富冗余；小马也强调必须有高精地图）；

Part4：核心车企的智驾配置情况&高阶智驾渗透率展望

比亚迪： 前向ADAS外资集中度骤降，地平线占比提升显著；行泊一体加速渗透；自研芯片起步

比亚迪当前ADAS供应商格局：1）芯片格局：地平线市占明显提升，J2大面积开始替换瑞萨V3H&赛灵思&EyeQ4；2）Tier1格局：国产供应商份额明显升高，其中比亚迪系（比电&五部&新技术研究院）、 四维系份额较高；3）行泊一体&高阶智驾渗透率：较之23年1-5月明显提升；包括腾势、仰望、汉、豹5在内的车型智驾配置提升，天神之眼域控主要靠自研；

中高端智驾平台展望&自研芯片&组织架构调整： 新技术研究院&海外研究院成立，组织架构精简：规划院的智能网联中心与智能驾驶中心合二为一成新技术研究院，院长杨冬生（副总裁，前产品及技术规划处总经理）；两个中心原来的主任刘 柯、韩冰被归入研究院（产品管理中心同时横跨管理智驾&座舱，二者的其他子部门仍相对独立）；智驾团队超过4000人（核心算法团队预计1000+）（来源：36氪）； 中高端平台展望（天神之眼加速铺开，高阶可能复刻低阶的发展轨迹，地平线成熟后切地平线&后续也会有华为车型，目前还是NV主导）：Dipilot智驾平台分级（大体是以算力来分级）：L2级： DiPilot 10、DiPilot 30；L2+（BAS天神之眼系列；算法预计迪派智行为主（momenta与比亚迪的合资公司））：Dipilot100（J5；Tier1东软睿驰；25年可能切到J6E；Tier1鉴智）、300（单 OrinX；Tier1比电；激光雷达速腾M1；代表车型25款汉EV/海豹EV智驾版、腾势N7；主要是EV车型）、600（双OrinX；Tier1比电；三颗速腾M1（一颗前向+两颗补盲）；代表车型仰望U8） 3个 level（后续还有1000-2000Tops的1000&2000）；方程豹豹8确定定点华为ADS3.0； 自研芯片（从成熟制程切入）：23H2开始布局（来源：芯流汽车）；定位对标8TopsTDA4VM；未来服务于自家10-20w主流车型（秦、元、宋、海豹、汉入门等），座舱芯片BYD9000上车腾势Z9GT；

吉利： 前向ADAS Tier1国产化进程加速；路特斯、极氪、领克等子品牌高阶智驾加速上车

吉利当前ADAS供应商格局：1）芯片格局：EyeQ4依然主导，地平线份额上升不明显；2）Tier1格局：经纬恒润份额明显体现（逐步替代Veoneer、安波福、博世份额）；3）行泊一体&高阶智驾渗透率： 较之23年1-5月提升较明显；行泊一体主要车型包括极氪系、领克系、路特斯系、沃尔沃系等；域控Tier1主要为知行科技&德赛西威； 智驾平台展望&自研芯片&组织架构调整：路特斯、极氪、领克平台高阶智驾加速上车，当前以OrinX方案为主；中低阶平台仍是EyeQ4主导，Tier1逐步切换至国产（德赛/经纬/福特泰克） 。智驾平台展望：大致可划分为4个team：1）极氪智驾（leader：陈奇；原华为车BU智驾研发负责人；24年团队或扩张至2000人+）：国内开始切基于OrinX的自研算法方案（浩瀚智驾2.0系统；25 款007/009已经是标配；001也开始切OrinX）；SuperVision方案后续针对出海车型；Tier1：德赛西威；2）路特斯（leader：李博；原吉利研究院智驾开发中心总监）：与momenta合资设立子公 司路特斯机器人，承接路特斯&领克的LHP方案（Lotus Hyper Pilot）；路特斯为4激光雷达（前向AT128+侧向M1）+双OrinX；领克Z10为1颗激光雷达+单OrinX；Tier1：德赛西威；3）吉利研究院 （leader：郭阳；吉利中央研究院副院长）：中高阶平台分为J3+TDA4&双A1000两种方案；分别福瑞泰克、吉咖智能配套；最高阶方案配置为路特斯LHP（代表车型领克Z10智驾max版）；沃尔沃中 EM90与极星4-6解决方案为知行科技的IDC-500（双EyeQ5H）；其他 系列以EyeQ4为主，Tier1从安波福切到经纬恒润；4）亿咖通&吉咖智能：代表方案有基于双A1000的天穹Pro域控方案&基于龙鹰 SOC的ECARX Antora系列舱泊计算平台； 自研芯片（从成熟制程切入）：主要由亿咖通&ARM的合资公司芯擎科技设计，24年初正式发布7nm/256Tops的AD1000，后续可能配套领克/银河部分车型。

Part5：特斯拉仍是产业核心Beta，重点关注FSD的takerate及MPI变化

需要重点关注特斯拉FSD实际表现（客观指标是MPI）&take-rate（通常有明显改善时，特斯拉会主动发 布相关数据）

FSD V12版本开始，算法迭代速度加快，但MPI指标的抽样来看，斜率在波动：观察V12.5的小版本号迭代，基本上一周到两周迭代一次，架构升级端到端&统一城市/高速软件栈后算法迭代的效率持续在提升；但 从接管率指标的抽样结果来看，由于从规则驱动升级到偏AI的黑盒驱动，MPI数据走势并不稳定，scaling laws尚未体现；预判MPI的拐点非常困难（本身AI黑盒框架下，特斯拉可能都没法确定哪个版本MPI能明 显提升，类似GPT-4时刻也是不期而至的），后验去看，以V12.3版本为代表，如果终端客户反馈好的话，FSD的谷歌搜索指数可能会有一定表现。 Take-rate的提升很重要，或许也是FSD大降价的核心诉求：FSD降价是今年特斯拉的标志性事件，24年4月北美地区大幅降价后，9月特斯拉针对部分地区的库存车进一步调降FSD价格（部分原因可能是为了冲交 付量），可见FSD新用户take-rate表现的提升对于特斯拉相当重要。

Part6：几个代表性方向-域控/传感器、芯片、车路协同

智能驾驶竞争格局——域控/传感器Tier1：L0-L2国产替代空间虽大，但相对内卷——上游或好于下游

外资供应商份额较高，传感器1V1R&1V3R为主，核心竞争壁垒或是前向毫米波雷达：L0-L2 ADAS市场的格局基本与77GHz前向毫米波的市场格局一致（国内毫末波雷达公司多在13年后起步）；泊 车与行车ADAS的格局都是外资份额较高，行车/泊车ADAS外资Tier1份额预计均在60%左右，以博世为代表的海外Tier1前向ADAS+泊车ASP预计1400-1500元；以经纬恒润与德赛西威为代表的国内 供应商性价比上预计有一定优势，随着国内供应商前向毫米波雷达短板补齐，国产替代潜力不小。考虑25年60%+的L1/L2渗透，ASP假设1200-2500元，对应300亿+市场，200亿左右的国产替代空 间；痛点在于方案同质化/算法无壁垒的情况下，规模效应&价格战可能成为趋势，利润率或承压，且可能被L2.5&L3持续替代，格局较差。重点关注上游的国产替代&一些具备强大成本竞争力的 方案&有规模效应/垂直一体化厂商（比如芯片厂商-地平线（J6B）；毫米波雷达上游MMIC芯片的国产替代（加特兰微电子（C+轮））；算法降本能力突出的供应商-虹软科技；垂直一体化&规模 效应&能打包出售整体解决方案的厂商：德赛西威&经纬恒润）；

报告节选：

编辑：火腿肠