汽车和汽车零部件行业AI大模型应用于汽车智能驾驶梳理：吐故纳新，如日方升-20230706-光大证券-32页_1mb

智能驾驶技术发展与AI大模型应用分析

核心内容

智能驾驶技术正从模块化向全面端到端演进，其中感知算法的升级是L2级向L3级智能驾驶系统跨越的关键。BEV+Transformer算法相较于传统的2D+CNN算法，在感知输出信息的精准度、鲁棒性和泛化能力方面有显著提升，有助于城市高阶智能驾驶的落地。政策层面，工信部明确扶持L3级商业化落地，进一步推动行业向高阶智能驾驶发展。

主要观点

1. 感知算法升级：BEV+Transformer是当前智能驾驶系统感知算法的主要趋势，具备更强的环境感知与决策能力。
2. 特斯拉技术路线：特斯拉在智能驾驶领域采用全栈自研策略，从2018年起FSD芯片与算法全面自研，已采用Occupancy+Transformer算法，未来计划推出自研超算平台Dojo。
3. 国内车企布局：自2022年末起，华为、小鹏、理想、蔚来等新势力车企均开始布局城市领航辅助驾驶功能，基于BEV+Transformer算法，其中华为在软硬件方面占优，理想在数据规模方面占优。
4. L3级商业化关键要素：L2/L2+级向L3级迈进的三大要素重要性排序为数据>算法>硬件，随着智能驾驶等级提升，硬件的重要性将逐渐上升。
5. 行泊一体域控趋势：智能驾驶系统向域集中式架构发展，行泊一体方案有助于降低硬件成本、提高传感器利用率，是未来智能驾驶系统的重要方向。
6. 线控底盘重要性：线控底盘是实现高阶智能驾驶执行层安全与精准控制的基础，预计2025年线控制动与线控转向在新能源车中的渗透率分别可达40%-50%和10%。

关键信息

感知算法突破

• BEV+Transformer：相比传统2D+CNN，具有更高的感知精准度、更强的鲁棒性与泛化能力，有助于解决无图场景下的感知偏差问题。
• 特斯拉：采用纯视觉方案，已从BEV+Transformer升级至Occupancy+Transformer，具备较强的数据自动标注能力。
• 华为：采用BEV融合感知路线，结合激光雷达与摄像头，提升感知融合能力。
• 理想：依托销量增长，积累大量真实道路数据，提升模型训练效果。
• 小鹏、蔚来：均采用BEV+Transformer算法，但数据与算法能力相对较弱。

硬件发展

• 特斯拉FSD芯片：从HW1.0到HW3.0，算力不断提升，HW4.0预计具备L3-L4级自动驾驶所需算力。
• 超算平台Dojo：特斯拉规划推出自研超算平台，未来将用于模型训练与优化。
• 国内车企硬件布局：华为采用自研芯片与超算平台，蔚来、小鹏、理想采用外购芯片与超算中心，硬件能力相对较弱。

数据驱动

• 数据采集与回传：特斯拉通过影子模式实现数据采集与回传，实现数据闭环。
• 数据标注：自动标注提升数据质量与效率，减少人为误差。
• 仿真模拟：用于补充真实场景数据，解决“长尾问题”。
• 数据规模：特斯拉累计行驶里程超100亿公里，理想预计2023年销量目标30-35万辆，数据积累具有优势。

高阶智能驾驶方案

• 行泊一体域控：通过融合行车与泊车功能，降低硬件成本，提升系统集成度。
• 线控底盘：线控制动与线控转向是高阶智能驾驶执行层的关键，提升安全与控制精度。
• 推荐标的：德赛西威、经纬恒润、科博达为智驾域控制器供应商；伯特利为线控制动供应商；耐世特为线控转向供应商。

风险提示

1. 政策风险：智能驾驶监管标准趋严、全球贸易摩擦与宏观政策不确定性。
2. 核心风险：新能源车需求不及预期、整车产能爬坡不及预期、超算平台算力爬坡、供应链紧缺、行业竞争加剧、城市NOA推进不及预期、团队执行力与稳定性不足、自动驾驶选装率不及预期。
3. 其他风险：智能电动车推广初期交通事故风险、车企领导者个人因素导致的市场波动、疫情反复与市场系统性风险。

总结

随着AI大模型在智能驾驶领域的应用，BEV+Transformer成为主流感知算法。特斯拉凭借全栈自研硬件、软件与数据优势，持续引领行业技术发展；华为与理想在软硬件与数据方面各有优势。L3级智能驾驶的商业化落地，依赖于数据积累、算法优化与硬件升级，其中数据在初期阶段最为关键。行泊一体域控与线控底盘将成为高阶智能驾驶系统的重要支撑，建议关注相关零部件供应商。智能驾驶行业面临诸多风险，包括政策、市场与技术层面，需持续关注其发展动态。