视觉在自动驾驶中的应用及地位_59页_2mb

报告摘要

计算机行业：视觉在自动驾驶中的应用及地位总结

核心内容

视觉在自动驾驶（ADAS）中的应用正逐步成为行业发展的关键因素。随着ADAS研发进入关键节点，领先车企计划在2020~2022年推出L3级别车型。视觉传感器的性能在下一代将有显著提升，预计未来3~5年量产的前视传感器中，单目测距可达200米~300米，像素在2Mp到8Mp之间，性能与长距离毫米波雷达差距缩小，同时具备成本和图像识别方面的优势。基于纯视觉的L4级方案已实现路测成功（如百度Apollo Lite），未来中下游厂商将逐步调整方案结构，侧重使用视觉方案，预计其在产业链中的比重将持续增长。

主要观点

视觉传感器性能提升：下一代视觉传感器在性能、成本与图像识别能力方面有显著进步，成为ADAS系统中的核心输入组件。
硬件与软件协同进化：车规级高算力硬件（如英伟达Drive Xavier、特斯拉FSD、Mobileye EyeQ5）推动深度学习算法落地，提升视觉处理能力。同时，车规软件门槛更高，研发周期更长，部分消费级企业面临挑战。
视觉方案的商业化考量：车载视觉方案的商业化依赖软件通用性与上下游合作。车舱视觉因通用性强，对上游议价能力较高，而车体视觉因封闭性高，移植难度较大。
产业链界限模糊化：随着技术发展，头部Tier1与算法公司之间的界限逐渐模糊，部分Tier1正转向自研算法，以提升议价空间与技术掌控力。

关键信息

传感器在ADAS中的地位

视觉传感器在ADAS中承担感知环境、识别物体与事件、支持决策层的重要任务。随着自动驾驶级别提升，视觉传感器的应用范围与数量也相应增加，L4/L5级车型预计装配9~10个摄像头。视觉与雷达形成良好互补，主流方案为“视觉+雷达”集成，未来发展趋势为传感器集成与处理优化。

传感器路径比较

技术路径	优势	劣势
视觉传感器	成本低、体积小、支持深度学习识别	受天气、光照等影响，无法获取三维信息
毫米波雷达	抗干扰能力强、适合恶劣环境	分辨率较低、无法感知行人
激光雷达	精度高、不受光线与天气制约	价格昂贵、扫描速度慢

单目与双目方案对比

方案类型	优点	缺点
单目	成本低、探测距离远	需要大量样本，漏检率高
双目	无需样本、距离计算精确	算力需求高、成本高、受热胀冷缩影响

视觉处理硬件与软件

硬件：车规级高算力芯片（如Nvidia Drive Xavier、特斯拉FSD）推动深度学习算法落地，提升视觉处理能力。
软件：深度学习算法在图像识别与目标检测方面表现优于传统算法，但车规级软件开发周期更长，对系统稳定性与可靠性要求更高。

产业链格局

上游：包括镜头组、CMOS、算法芯片等，其中车载摄像头产业链涵盖光学、图像处理、算法等。
定价权：软件公司与Tier1、芯片公司之间存在竞合关系，车舱视觉软件公司议价能力较强。
Tier1与算法公司：头部Tier1与算法公司深度合作，长期来看，部分Tier1可能转向自研，一二级供应商界限逐渐模糊。

视觉技术的商业化实现

商业化机遇：
- 需求驱动力强，安全与舒适性提升推动ADAS发展。
- 政策支持，如《中国制造2025》与《新一代人工智能发展规划》。
- 视觉算法在L1~L2级功能中已广泛应用，L4/L5级方案逐步落地。
商业化挑战：
- 算法公司需面对成本测算与技术落地难题。
- 基础设施如高精度地图、云计算等尚未完全成熟。
- 法律法规与标准尚未统一，影响商业化进程。
- 研发周期较长，技术壁垒高。

重点公司概览

公司	股票代码	最新收盘价（CNY）	评级	合理价值（CNY）	EPS（2019E）	EPS（2020E）	PE（2019E）	PE（2020E）	EV/EBITDA（2019E）	EV/EBITDA（2020E）	ROE（2019E）	ROE（2020E）
中科创达	300496	32.12	买入	38.50	0.55	0.76	58.40	42.26	59.36	42.15	13.1	15.3
石基信息	002153	34.13	增持	36.40	0.52	0.63	65.63	54.17	77.04	56.58	6.5	7.3
卫宁健康	300253	14.1	买入	15.97	0.25	0.31	56.40	45.48	53.89	42.11	11.4	12.6
创业慧康	300451	15.09	买入	18.50	0.37	0.49	40.78	30.80	37.38	27.75	9.7	11.3
广联达	002410	35.3	买入	30.75	0.41	0.46	86.10	76.74	99.17	89.97	12.7	12.4

数据来源：Wind、广发证券发展研究中心

图表索引

图1：ADAS至全自动驾驶发展阶段
图2：ADAS技术架构
图3：各车企智能驾驶落地规划
图4：车载传感器
图5：传感器成本对比
图6：传感器外形
图7：奥迪e-tron纯电动跑车
图8：传感器位置
图9：全国AI企业数量分布
图10：全国AI企业融资分布
图11：传感器与ECU连接
图12：ADAS架构与功能
图13：传统算法与深度学习算法流程
图14：卷积神经网络训练过程
图15：双目视觉原理
图16：国内外Tier1单双目产品测距
图17：环视算法流程
图18：DMS基本流程
图19：奥迪e-tron虚拟后视镜
图20：奥迪A4 HUD
图21：汽车电子验证系统
图22：全国汽车产量预测
图23：全国自动驾驶汽车分等级渗透率预测
图24：全国L1~L4级车产量预测
图25：2018~2025年前视视觉方案市场规模框算
图26：上游车载摄像头产业链
图27：Tier1竞争激烈，L3落地在即
图28：Tier1切入算法赛道，与Tier2界限模糊化
图29：全自动驾驶重要性
图30：消费者愿意为ADAS承受的溢价（美元）
图31：后装单目、双目产品成本估算
图32：目前各地路测号牌数量
图33：国内初创算法企业融资概览
图34：EyeQ性能演化
图35：EyeQ出货量
图36：Mobileye前装产品开发流程

表格索引

表1: ADAS级别简述
表2: ADAS各功能简称及全称
表3: L1~L5传感器技术配置 (典型案例)
表4: 全球自动驾驶相关政策
表5: 我国自动驾驶相关政策
表6: 传感器路径优劣势对比
表7: 2018新车型传感器配置
表8: 测距传感器路径性能对比
表9: 传感器代表产品重量与规格比较
表10: 环视与前视摄像头性能对比
表11: 代表性单目传统视觉处理SoC
表12: 代表性车规级深度学习平台/芯片
表13: 代表性双目传统视觉处理SoC
表14: 单双目方案优劣势对比
表15: 恩智浦i.Mx8与i.Mx6构成
表16: 代表性DMS芯片
表17: 已推出DMS解决方案的部分Tier1
表18: 代表性软件厂商与电子供应商合作DMS产品
表19: 商业级、工业级和车规级的部分指标区别
表20: ASIL等级划分
表21: 2018年价格假设与递减量
表22: ADAS视觉产业链(部分案例)
表23: Tier1算法来源
表24: 车载软件公司产品支持的硬件平台
表25: 软件公司前装产品采用芯片及供应商
表26: 自研芯片的算法厂商
表27: 新兴车企选择与Tier1/Tier2合作
表28: 2018版C-NCAP调整项目
表29: 代表性公司及盈利模式
表30: 代表性公司及盈利模式
表31: 单双目价格对比
表32: 专用双目处理器与Mobileye性能对比
表33: 单目算法公司成本、利润率大致框算
表34: Mobileye历代EyeQ芯片对比
表35: Mobileye合作伙伴
表36：部分2017年底前装载项目
表37: Minieye部分合作伙伴与合作内容
表38: 中科创达重要收购

总结

视觉在自动驾驶中的地位日益凸显，成为ADAS系统的重要组成部分。随着传感器性能提升、成本优化和深度学习算法的发展，视觉方案在产业链中的比重将持续上升。然而，视觉方案的商业化仍面临技术、成本与法规等多重挑战。重点公司如中科创达、Mobileye、百度等在视觉算法与硬件集成方面具有领先优势，但需面对车规级标准的高门槛。未来，视觉技术在车载领域的应用将更加广泛，推动自动驾驶向L4、L5级别迈进。

展开完整摘要