中小盘策略专题：智能汽车系列深度（十），自动驾驶算法篇_大模型助力，自动驾驶有望迎来奇点-20230629-开源证券-36页_4mb

中小盘研究团队 - 智能汽车系列深度（十）：自动驾驶算法篇

核心内容概述

本报告聚焦于自动驾驶算法的发展趋势，特别是大模型对自动驾驶技术的推动作用。自动驾驶算法主要包括感知、预测、规划和控制模块，其发展正从传统规则导向逐步转向数据驱动。大模型如Transformer和BEV（Bird's Eye-View）技术的应用显著提升了自动驾驶的性能与泛化能力，推动了L3级自动驾驶的快速到来，并为端到端自动驾驶提供了新的可能。

主要观点与关键信息

1. 自动驾驶算法的结构与功能

• 自动驾驶算法由感知、预测、规划、控制四大模块构成，同时依赖地图和定位模块实现功能落地。
• 感知模块负责检测、分类、跟踪、语义分割等任务，其性能直接影响自动驾驶系统的整体表现。
• 预测模块通过分析场景信息和障碍物行为，输出对未来行为的判断，为规划提供依据。
• 规划模块负责路径规划、行为决策、运动控制，通常采用基于规则的算法，但正逐步引入机器学习。
• 控制模块则基于规划输出进行实时控制，确保车辆安全、高效行驶。

2. 大模型对自动驾驶的推动

• BEV+Transformer算法成为行业新趋势，特斯拉在2021年首次提出该架构，通过将2D图像转换为3D向量空间，提升了感知精度和泛化能力。
• BEV+Transformer算法的优势包括：
  • 更精确的深度预测，解决传统2D到3D转换中的误差问题；
  • 多模态数据融合，实现摄像头与传感器信息的统一处理；
  • 时序信息处理，增强模型对环境变化的记忆能力；
  • 实时建图能力，减少对高精度地图的依赖，提升算法灵活性。
• 占用网络（Occupancy Network）进一步提升了自动驾驶对动态和静态障碍物的识别能力，形成通用障碍物感知体系。

3. 端到端自动驾驶的发展

• 端到端算法通过将感知、决策、规划、控制模块整合，实现从传感器输入到控制输出的直接映射，提高系统整体效率。
• 该方式避免了模块化带来的误差传递问题，且更符合自动驾驶的第一性原理。
• UniAD、Wayve等公司已开始探索端到端方案，其中Wayve的2.0架构代表了端到端的最新进展。
• 未来趋势是通过世界模型（World Model）实现更复杂的任务，如模拟和预测，为自动驾驶系统提供更强的泛化能力。

4. 数据闭环与仿真技术的重要性

• 数据闭环是自动驾驶系统持续优化的核心，包括数据采集、挖掘、标注、训练等环节。
• 数据标注效率大幅提升，特斯拉通过自动标注系统将标注效率提升至17天完成原本需要200人年的工作。
• 仿真技术在自动驾驶研发中日益重要，能有效替代实车测试，提升安全性与效率。
• 仿真平台如DRIVE Sim、51Sim-One等支持多传感器仿真、场景生成和车辆动力学建模，成为自动驾驶研发的关键工具。

5. 产业链的变化与算力竞争

• 算力需求激增，特斯拉自研算力平台Dojo，2024年将实现100EFlops算力，成为行业标杆。
• 国内企业如小鹏汽车、理想汽车等也纷纷布局自有的数据中心和算力平台，以提升自动驾驶能力。
• 自动驾驶芯片格局面临重塑，Transformer等大模型对芯片架构提出更高要求，促使芯片厂商加大适配力度。

6. 受益标的与市场趋势

• 重点关注公司包括：德赛西威、经纬恒润、中科创达、华阳集团、北京君正、美格智能、晶晨股份、均胜电子。
• L3级自动驾驶正加速落地，城市辅助驾驶将成为新风口。
• 大模型推动下，自动驾驶技术有望迎来“奇点”，实现更安全、舒适、高效的驾驶体验。

风险提示

• 技术发展进度不及预期；
• 市场需求不及预期。

图表与数据支持

• 图1：自动驾驶算法框架；
• 图2-3：百度Apollo算法模块；
• 图4：规划模块作用；
• 图5：Corner Case分布；
• 图6：毫末智行数据与能力关系；
• 图7：数据对Corner Case的改善；
• 图8-9：高精度地图与激光雷达方案；
• 图10-14：BEV+Transformer的实现与优势；
• 图15-18：时序融合与遮挡处理；
• 图19-20：占用网络与实时建图；
• 图21-23：占用网络的应用；
• 图24-26：规控算法的发展；
• 图27：特斯拉规控方案；
• 图28-30：车道线预测与NPN网络；
• 图31-32：理想汽车的NPN网络；
• 图33-36：端到端方案与世界模型；
• 图37-38：Wayve与GPT对自动驾驶的启发；
• 图39-40：特斯拉世界模型；
• 图41-43：特斯拉数据闭环流程；
• 图44-46：仿真场景构建；
• 图47-50：DRIVE Sim与51Sim-One的功能；
• 图51-56：算力平台与数据中心建设；
• 图57-59：特斯拉Dojo与ExaPOD算力；
• 图60：特斯拉算力需求增长趋势。

产业展望

• 大模型的引入标志着自动驾驶进入数据驱动的新阶段；
• 算力与仿真技术成为自动驾驶发展的关键基础设施；
• 端到端与世界模型的结合，有望实现自动驾驶的全面普及；
• 产业链将围绕大模型、算力平台、仿真系统展开激烈竞争。

表格支持

• 表1：2D到3D转换方式；
• 表2：仿真软件产品特点；
• 表3：国内算力布局；
• 表4：Transformer算法适配；
• 表5：BEV+Transformer算法应用；
• 表6：城市辅助驾驶增长；
• 表7：受益公司盈利预测与估值。