自动驾驶行业：全面迈向中高阶智驾

浪潮国际深度报告：国产浪潮，又红又专自动驾驶行业：全面迈向中高阶智驾证券研究报告·行业研究深度报告·计算机证券分析师王紫敬S0600521080005wangzj@dwzq.com.cn2025年2月26日投资要点✓ 2025年有望成为国内L3上车元年。2024年12月，特斯拉发布FSD V13.2更新，实现“从停车位到停车位”的端到端驾驶模式。目前国内鸿蒙智行、小鹏、理想等均已推送端到端大模型上车更新。同济大学汽车学院教授、汽车安全技术研究所所长朱西产预计工信部2025年会发布L3级自动驾驶车辆的相关认证。目前，江淮和华为合作的尊界S800已在申报工信部的认证，通过认证后，将为尊界用户推送L3智驾功能。近期理想CEO表示，理想有望在2025年实现L3级别的智能驾驶，2025年有望成为L3上车元年。✓ 中阶智驾有望成为10万元级车型标配。2025年，比亚迪宣布，天神之眼高阶智驾系统，比亚迪旗下10万元级以上车型全系搭载，10万元以下车型多数搭载。实现了代客泊车、遥控出车、自动泊车的标配。据盖世汽车研究院统计数据，2024年1-11月，国内乘用车市场高速NOA和城市NOA渗透率仅为7.2%和1.5%，2025年NOA将迎来量产规模大幅提升。✓ Deepseek有望推进“智驾平权”加速。借助Deepseek模型及其算法优化技术，车端算力需求有望下降，从而降低车端智驾芯片部署成本。此外，Deepseek也为提升算力利用率打开了思路，有望推进云端大模型训练成本下降，将进一步推进中阶智驾下放。✓ 投资建议：随着中高阶智驾渗透率提升，头部智驾车厂和产业链相关公司有望受益：建议关注：域控：四维图新、光庭信息；算法：中科创达、虹软科技等。✓ 风险提示：技术发展不及预期，政策推进不及预期。2目录1. 技术：迎接L3时代2. 政策：逐步完善3. 趋势：L3商用元年，智驾平权4.自动驾驶产业链5.投资建议和相关标的6.风险提示1.技术：迎接L3时代✓行业内普遍把自动驾驶分为五个等级。其中L0为完全人工驾驶，L1-L2为部分辅助驾驶，从L3-L5由部分自动驾驶逐渐向完全自动驾驶过渡。•L0：提供警告和瞬时协助，如AEB（自动紧急制动）、车道偏离警告等。•L1：借助感知系统对车辆做单一方向的运动控制/辅助，如车道居中LCC（横向运动控制，方向盘）或自适应巡航ACC（纵向运动控制，油门/刹车）。•L2：同时提供纵向和横向控制。如自动泊车。•L2+：高速公路/快速路/城市道路领航辅助驾驶（高速/城市NOA），但是人类仍然是驾驶主体，需要保持观察环境。•L3：系统是驾驶主体，人类不需要观察环境，只有系统请求时，人类需要接管。•L4：系统是驾驶主体，人类不需要接管，但有特定道路和环境条件要求。•L5：在所有条件下随处行驶，人类不需要接管。✓目前大部分主机厂都处于L2+阶段。1.1 智驾渗透率快速提升5数据来源：EV视界，东吴证券研究所图：SAE J3016驾驶自动化分级1.2 从模块化到端到端，迈向L3图：自动驾驶模块化部署架构6数据来源：信通院，东吴证券研究所✓自动驾驶方案正在从模块化向端到端方案发展。•传统的自动驾驶系统采用模块化部署策略。在之前很长一段时间，智能驾驶架构都来源于机器人架构，每个功能，如感知、预测和规划，都是单独开发并集成到车辆中的。•感知模块主要负责使用传感器搜集数据、数据处理等，用于识别行人、交通信号、道路标志和其他车辆等等，高精地图、IMU等则提供车辆位置等，感知处理模块将这些数据转化为车辆可以理解的环境模型，并送入到预测模块；•预测模块主要用于模仿人类感知来预测其他道路使用者的行为意图，例如有人横穿马路、有车要突然抢道等；•规划与决策模块根据前两个模块的信息来设计汽车的行驶策略，生成详细的行驶轨迹，并发送给控制模块；•控制模块，执行上述行车命令的模块，包括油门、刹车、转向，还有HMI的显示。1.2 从模块化到端到端，迈向L3图：端到端原理示意7数据来源：HiEV，东吴证券研究所•因此传统的自动驾驶方案往往要面对大量的“cornercase”，如果出现高精地图未覆盖的路况，或者当路况非常复杂时，由于该方案整个系统非常复杂、庞大、需要人工设计成百上千个模块（可以理解成每个都是一个小模型），各个模块的优化目标不同（如感知中检测追求平均精度，而规划追求驾驶安全和舒适），每个模块的误差会加剧，最终会导致对算力负担增加，需要花费大量精力去解决corner case。模块化的设计使得开发更加独立，问题追溯也比较容易，但是模块之间的信息传递存在损耗、代码量呈指数级上升。•端到端的解决方案将感知、预测和规划结合到一个可以联合训练的单一模型中。端到端的解决方案就是把车辆采集到的所有信息都直接输入到统一的“大模型”中训练学习，系统直接输出汽车的驾驶命令。1.2 从模块化到端到端，迈向L3图：从经典范式到端到端范式8数据来源：CSDN，东吴证券研究所•端到端的优点：相较于模块化的系统，它硬件成本小，系统设计相对简化，易于获得不同场景下的泛化性，能够服务于整体目标、实现全局最优。一个大一统的感知、预测、规划和控制网络，可以使用链式法则无障碍地从输出层（横纵向控制）向输入层（传感器）逐层反向传播误差，以最小化整体损失函数为目标，更加准确地更新每个网络层中的参数。•然而，端到端模型是一个完全的黑盒，不具备解释分析性，可靠性和灵活性较差，工程师无法对其进行系统化的解释分析，而是只能依靠推测和实验进行调整，如果出现问题，只能希望模型在进一步的训练中“自行”解决问题。1.3 领先实践：特斯拉图：特斯拉自动驾驶方案演变9数据来源：深蓝AI，东吴证券研究所•特斯拉领先实践。在特斯拉的带动下，过去量产自动驾驶常见的后融合算法（每个传感器的信息各自通过神经网络模型处理，然后融合运算）逐渐被抛弃，特斯拉推出的FSD Beta V9首次使用了BEV(Bird Eye View) + transformer的算法架构，实现了前融合的BEV算法，把多个摄像头的感知到的画面直接放进AI算法里，生成一个鸟瞰视角的3D空间，并在这个空间内输出感知结果。•在此基础上，2021年，特斯拉引入了名为 HydraNet 的多任务学习算法，允许自动驾驶系统使用单一的神经网络来实施不同的任务，可以检测车辆、标志牌、车道线等，2022年特斯拉引入占据（Occupancy）网络，将图像空间转为立体空间，并且给每个空间单位分配一个“占据/未占据”的标识，从而帮助找到更多相关的特征，能够预测哪些物体（甚至物体的哪个部分）会移动。•至此，特斯拉的自动驾驶系统架构中部分模块已经被深度学习模块所替代，但仍不是一个端到端训练模式的自动驾驶系统，因为系统中仍然存在规划的部分，例如轨迹评分、手动规则等。图：特斯拉自动驾驶方案演变10数据来源：深蓝AI，东吴证券研究所•特斯拉FSD V12升级为端到端神经网络。随着2024.3.10的更 新 ， 特 斯 拉 FSD 去 除 （ Beta ） 标 识 ， 改 为 FSD(Supervised) ，并正式提出FSD V12的概念。特斯拉FSDV12版完全采用了端到端神经网络，这是第一个落地的端到端自动驾驶方案，将感知、分析、决策整合在一起