汽车零部件行业：AI大模型在自动驾驶中的应用-20230504-安信证券-31页_3mb

AI大模型在自动驾驶中的应用总结

核心内容

AI大模型，尤其是Transformer模型，正在成为自动驾驶领域的重要技术力量。其基于Attention机制，具有更强的泛化能力和更高效的并行计算效率，相较于传统的CNN和RNN模型，能更好地处理复杂城市场景下的感知任务。

主要观点

1. Transformer模型的优势

   • Transformer通过注意力机制可以捕捉元素间多维度的相关信息，提高模型的泛化能力。
   • 相较于CNN仅能对已标注物体进行识别，Transformer可以处理未标注物体，实现更广泛的识别。
   • 相较于RNN的顺序依赖和存储限制，Transformer能够处理长距离依赖关系，提升模型的灵活性。

2. 城市领航辅助驾驶的发展趋势

   • 城市场景中Corner case增多，对自动驾驶系统泛化能力要求更高。
   • 当前多数主机厂仍依赖高精度地图方案，但随着技术发展，逐步转向“脱高精度地图”方案。
   • 2023年有望成为城市领航辅助驾驶大规模落地的元年。

3. BEV感知技术的崛起

   • BEV（Bird's Eye View）鸟瞰图视角转换技术成为自动驾驶感知算法的重要组成部分。
   • BEV感知通过将不同视角的图像转换到统一的“上帝视角”，提供更全面的道路拓扑信息。
   • 特斯拉、小鹏、华为等厂商均采用BEV+Transformer方案，实现“脱图”目标。

4. 大模型应用的前置条件

   • 需要大量里程数据，如1亿公里，以支持模型训练。
   • 自动标注工具和仿真平台是提升数据处理效率和丰富训练数据的重要手段。
   • 超算中心作为云端训练平台，是提升算力的重要基础设施。

关键信息

• Transformer的引入：2021年由特斯拉引入自动驾驶领域，通过注意力机制提升模型性能。
• 数据与标注：真实数据需要标注，特斯拉从2D人工标注逐步发展至4D空间自动标注，小鹏、毫末智行等也推出自动标注工具。
• 仿真平台：生成式AI和仿真场景是弥补真实数据不足的重要手段，特斯拉Simulation World Creator和英伟达DRIVE Sim是典型代表。
• 超算中心：特斯拉Dojo使用1.4万个GPU，小鹏与阿里共建“扶摇”超算中心，提升训练效率。

主流方案

• BEV+Transformer：通过将2D图像转换为BEV视角，实现特征级融合，提升自动驾驶系统在复杂场景下的表现。
• 占用网络：在BEV基础上进一步升级，实现“伪激光雷达”效果，提高模型的泛化能力。
• 端到端模型：直接从传感器输入到控制输出，提高决策的灵活性和泛化能力。

关注标的

• 德赛西威：提供汽车电子系统，支持自动驾驶技术。
• 经纬恒润：拥有自动驾驶域控制器产品，推动技术落地。
• 寒武纪：提供AI芯片，为大模型训练和推理提供算力支持。

风险提示

• 技术进步不及预期：大模型技术发展可能面临瓶颈。
• 法规风险：高精度地图涉及国家安全，法规限制可能影响发展。
• 行业竞争加剧：自动驾驶领域竞争激烈，技术领先优势可能被快速压缩。

行业趋势

• “重感知，轻地图”：随着技术成熟，自动驾驶系统将减少对高精度地图的依赖。
• 仿真与数据融合：仿真场景和真实数据的结合，有助于提升模型泛化能力。
• 超算中心建设：超算中心成为自动驾驶厂商的重要基础设施，提升训练效率。

结论

AI大模型，尤其是Transformer模型，正在引领自动驾驶技术的发展。随着数据和算力的提升，BEV+Transformer成为主流方案，推动城市领航辅助驾驶的落地。同时，仿真场景和自动标注工具的使用，提升了模型训练的效率和泛化能力。行业正朝着“重感知，轻地图”的方向发展，超算中心成为主机厂不可或缺的基础设施。