智联汽车行业系列深度之35：从RoboTaxi看中美智能驾驶机会

证 券 研 究 报 告从RoboTaxi看中美智能驾驶机会智联汽车系列深度之35证券分析师：洪依真 A0230519060003 戴文杰 A0230522100006 刘菁菁 A0230522080003 杨海晏 A0230518070003林起贤 A0230519060002 赵航 A0230522100002 樊夏沛 A0230523080004黄忠煌 A 施鑫展 A 刘洋 A联系人： 洪依真 A02305190600032024.8.7www.swsresearch.com2◼ 特斯拉FSD1.0到3.0是“第一性原理”的集中体现，伴随着成本不断下降•特斯拉1.0：通过实施生成的鸟瞰图BEV替代高精度地图作用，约2019年，无图NOA的基础；•特斯拉2.0：通过占用网络预测物体在空间中位置，替代激光雷达，约2021年，纯视觉NOA的基础；•特斯拉3.0：通过端到端大模型，取代传统智能驾驶路线；感知、制图、预测决策、规划—>基础模型、规划，约2023年后，有效解决规则范式下长尾问题的基础。◼ 技术路线差异，导致特斯拉Robotaxi和国内L4运营模式有较大区别•技术路线较大差异。国内L4以萝卜快跑为例，使用高精度地图+冗余传感器结合，配备6-7颗激光雷达，规则化训练，高算力主冗双计算单元1200Tops；特斯拉FSD方案：无高精度地图，无激光雷达，端到端，720Tops；•特斯拉Robotaxi：商业模式可能类似软件服务，约75%运营毛利率，30% EBIDTA率，全球化市场；•萝卜快跑：商业模式类似出租车运营公司，根据正文假设，当单车价值量低于20万元，安全员人车比降低至1：7，单公里收费提升至2元/公里后，可以实现单车运营盈利。◼ 国内乘用车智能驾驶，技术迭代较快，已基标配BEVformer实现无图NOA，正向端到端时代演进•无图NOA：已有充分技术基础，预计2024H2上车可开。1）理想7月5日开始推送， 最终24万名AD Max用户都能使用无图NOA能力；2）小鹏24H2逐渐推送，XNGP城区智能驾驶系统迈入100%无图导航时代，服务场景将包括小路、内部路、停车场等；3）小米Q3推送，智能驾驶城市领航功能采用轻地图方案。•端到端：各主机厂积极布局，预计2025年开始有上车进展。1）华为乾崑ADS3.0：GOD和PDP两个网络，实现感知和决策端到端；2）长城7月魏牌蓝山首发量产国内第一个端到端，使用德赛西威域控+元戎算法；3）理想、小鹏、蔚来等也有端到端迭代。◼ 风险提示：智驾接受度不及预期、技术发展不确定性、安全性问题有待解决、法律法规尚未完善。www.swsresearch.com3◼ 正常的Robo-Taxi长期有较大刺激，短期差3-4个数量级•优势：2018-2023年L2+，尤其NOA和大模型是Robo-Taxi基础•劣势：数量级差距较大◼ Robotaxi和智能驾驶投资方向选择出现差异◼ 国内Robotaxi三方向•1）传感器冗余带来激光雷达、P-box、连接器等机会：华测导航、永新光学、电连技术；•2）车路云相关数据在重视安全的Robotaxi中大量应用：金溢科技、万集科技、千方科技；•3）Robotaxi运营：百度、大众交通、锦江在线；◼ 更长期利好的是ADAS+AI方向•海外：特斯拉，汽车：小鹏（与特斯拉相同技术路线）、•通信：华测导航、永新光学、电连技术•计算机：德赛西威，虹软科技（ADAS纯软）•电子：世运电路、东山精密、宸展光电、立讯精密、蓝思科技◼ 间接利好的是汽车零部件•汽车零部件：拓普集团、新泉股份、科博达、经纬恒润主要内容1. 技术：特斯拉如何逐步实现端到端2. 模式：中美两种RoboTaxi的差异3. 变化：国内智能驾驶技术进展4. 推荐：后续机会和重点标的4www.swsresearch.com51.1.1 1 传统智能驾驶驾驶：感知：感知、规划、规划Timing Data——这么走是正确的吗Occupancy——我周围有什么？如何分布Auto Labelling——数据标注Simulation——仿真模拟Data Engine——数据引擎Training Infra——拿什么运算AI Compiler & Inference——如何在计算机上运行神经网络规划数据感知硬件平台软硬耦合Planning——我该怎么走Neural Networks——为什么要这么走Lanes & Objects——周围的物体下一步去哪里自动驾驶的经典框架◼感知（Perception）•感知系统负责理解车辆周围的环境。包括车辆、行人、交通信号、道路标志等。•将收集到的原始数据转换成有用的信息，比如物体的类型、大小、距离等。◼规划（Planning）•确定车辆的行动路线和行为。•解决路径规划、速度控制、避障等问题。自动驾驶系统数据处理流水线由场景理解、规划和决策任务组成资料来源：马达智数官网，申万宏源研究•需要预测其他车辆和行人的行为，并据此调整车辆的行驶路径和速度。资料来源：申万宏源研究www.swsresearch.com61.1.1 1 传统传统SLAM+M+DL方式方式的缺陷的缺陷◼传统方式：SLAM+DL，一般分为定位（Localization）+地图构建（Mapping）两个步骤•SLAM（Simultaneous Localization and Mapping，同步定位与地图构建）、深度学习（DL）•定位：通过车载传感器（如摄像头、激光雷达、IMU等）收集周围环境的信息实现定位。•作图：在车辆移动的过程中不断收集和处理传感器数据，构建出环境的地图，可以是二维的或三维的，包含道路、障碍物等。◼缺陷：多传感器消耗大量算力，且往往依赖高精度地图，实时性不足•计算资源消耗大：需要处理大量传感器数据。传感器依赖：对高精度传感器如激光雷达的依赖较大，增加了成本。•环境适应性：在动态变化或复杂环境中，可能面临定位和地图构建的挑战。•基本上无法摆脱高精度地图的依赖性。高精度地图问题：资质、鲜度、成本Images data（图像数据）Lidar/Radar data（ 激光雷达/雷达数据）Image Perception module（图像感知模块）2D observation（二维观测）Lidar/Radar Perception module（激光雷达/雷达感知模块）3D observation（三维观测）3D Tracks（三维空间追踪）Perception（感知）HD Map（高精度地图）Localization（定位）Sensor Fusion（传感器融合技术）Planning & Control(PnC)（规划与融合控制）传统自动驾驶技术SLAM+DL资料来源：申万宏源研究www.swsresearch.com71.1.2 2 特斯拉特斯拉AIAI算法算法1.01.0：BEVfoBEVformrmer检测-激光雷达检测-毫米波雷达检测-摄像头数据融合形成实时的BEVformer预测&决策算法控制执行检测跟踪预测特斯拉1.0通过实施生成的鸟瞰图BEV替代高精度地图作用约2019年无图NOA的基础原