大国重车之琰究智能汽车系列报告七：智能驾驶：三重拐点临近 L3落地加速

仅供机构投资者使用 证券研究报告/行业深度研究报告 智能驾驶：三重拐点临近L3落地加速 大国重车之琰究智能汽车系列报告七 华西证券汽车团队： 崔琰（SACNO:S1120519080006）cuiyan@hx168.com.cn2023年06月26日 请仔细阅读在本报告尾部的重要法律声明 引言|本文将试图解答哪些问题？ 智能驾驶行业正在发生哪些变化？为什么说拐点将至？ 特斯拉FSD如何迭代？领先原因为何？ 特斯拉FSD的用户接受度发生了什么变化？国内L3智驾发展到了什么程度？可追赶性如何？如何看待后续数据积累及法规促进？ 哪些标的将会受益？ 目录 •综述：电动智能变革智驾加速向L3迈进 •海外：特斯拉FSD全球领先使用率拐点临近 •国内：新势力领跑国内城市NOA陆续落地 •催化：数据积累助推技术迭代法规标准逐步健全 •投资建议 •风险提示 图：智能汽车构成图：汽车电子电气架构发展趋势 智智中央集中式 能能EE架构 驾车 驶联 域控制器 EE架构 智 能分布式 空ECU架构 间 车载中央计算机+云计算 大脑-区-层架构 独立感知层 云计算+车载中央计算机+执行器+传感器架构 域控制器架构 以太网TSN 引入以太网，基于域划分进一步优化 功能模块化 功能集成化 多是独立功能ECU，基于CAN、LIN等通信，BCM集成Gateway 2010201520202025 资料来源：汽车之家，华西证券研究所 智能化千车千面，满足个体差异化诉求 智能驾驶：L3自动驾驶逐步导入，解放驾驶员双手； 智能空间：车载声学+车载光学（HUD、大屏多屏、氛 围灯）+智能座椅持续增配，打造家庭、公司之外第三空间； 智能车联：人-车-路-云高效协同，场景无限拓展。 资料来源：博世，华西证券研究所 新能源为智能化最佳载体，集中架构为底层驱动 架构：分布式向集中式发展（域融合→中央电脑），OTA赋予整车持续升级进化可能； 能耗：新能源汽车大容量电池可满足智能化配置高功率需求； 安全：功能安全+信息安全，保证系统强鲁棒性和高可靠度。 智能汽车 智能驾驶 数据积累，技术拐点 潜在转化为用户接受度拐点 智能空间 生态构建 渐进式 （L2→L3→L4/L5） 特斯拉英伟达华为 以传统车企+造车 新势力为代表 高通其他 跨越式 （一步到位） Waymo百度 以科技初创企业为代表 其他 车 氛 底汽车汽载 围 层车载车信座 灯 平声光玻息椅 台学学璃娱 自研小鹏、理想蔚来、智己等 长安阿维塔、北汽 极狐、广汽长城华为智选：赛力斯 地平线、黑芝麻 Mobileye：吉利 1）商用特定场景加速落地 乐 1）底层平台：高通消费电子领域切入，市占率较高 1）发展趋势：硬件预埋赋予整车高级别自动驾驶进化可能 2）商业模式：服务订阅重塑传统汽车商业模式 3）法律法规：此前无L3标准，23年有望落地，法规拐点 2）头部企业开启技术方案降维输出 2）汽车声学：情感化个性化的沉浸式体验，智能空间增配首选 3）车载光学：天幕投影、车窗透明显示、AR-HUD等 感知层 摄像头 毫米波雷达 激光雷达 超声波雷达 1）不同传感器优劣势各异，多传感器融合 2）高技术壁垒决定高集中度，自主寻求突破 3）4D毫米波初渗透，激光雷达批量上车，技术拐点 执行层 线控转向 线控制动 1）线控制动：执行层关键组成，高阶智能驾驶必需 2）线控转向：短期尚不成熟 1）芯片+计算平台：英伟达+华为+高通，算力提升 2）算法层：BEV+Transformer大模型、占用网络，技术拐点 算法 计算平台 芯片 判断层 互联 5G赋能，高等级自动驾驶最后拼图 V2X 产 智能驾驶 业链 ： 中国自动驾驶分级标准 美国SAE自动驾驶分级标准 目前阶段：乘用场景由L2逐步向L3（功能层面）迈进；商用特定场景L4加速落地 资料来源：知乎，太平洋汽车等公开资料整理，华西证券研究所 目录 •综述：电动智能变革智驾加速向L3迈进 •海外：特斯拉FSD全球领先使用率拐点临近 •国内：新势力领跑国内城市NOA陆续落地 •催化：数据积累助推技术迭代法规标准逐步健全 •投资建议 •风险提示 2022.11 2021.07 2020.10 2019.04 2016.10 2016.05 2014.10 2013.09 图：特斯拉智能驾驶发展历程 正式向公众推出AP1.0版本（HW1.0） 正式向公众推出HW2.0版本 首次实现FSD对外推送测试 FSDBeta向约40万用户开放使用权 马斯克推特披露 特斯拉正研发辅助驾驶系统AP(AutopilotSystem) Mobileye宣布不再与特斯拉合作 正式推出HW3.0版本，搭载FSD芯片 向约2,000名美国用户推送FSDBetaV9版本 资料来源：42号车库，知乎，华西证券研究所 软硬件全栈技术能力，智驾能力全球领先 2013年起，特斯拉即开始构建自身智能驾驶能力，历经十余年发展，逐步构建从硬件（Mobileye到英伟达再到自研）到软件 （从AP到FSD）的全栈技术能力，智能驾驶能力全球领先； 2020年10月，FSD实现首次对外推送测试，2021年7月，特斯拉向约2,000名美国用户推送FSDBetaV9版本，2022年9月，特斯拉FSDBeta版本的测试用户扩大到16万，11月24日，FSDBeta向全部约40万用户开放使用权，用户数量保持持续增加。 否 高精地图使用 有 无 激光雷达 有 有 无 续加装） 毫米波雷 达（后 摄像头+雷达 摄像头+雷达 摄像头+雷达 纯视觉 技术路线 比亚迪 理想 小鹏 蔚来 特斯拉 表：主要车企智能驾驶技术路线对比图：特斯拉FSD新版本采用端到端方案 是 是 有 是 有 有 是 暂无 有 摄像头+雷达 资料来源：各公司官网，华西证券研究所 坚持纯视觉路线，或率先落地端到端方案 资料来源：36氪，华西证券研究所 坚持纯视觉技术路线：不同于其他大部分车企/Tier1，特斯拉始终坚持纯视觉感知方案，即基于摄像头的高级别智能驾驶；开 发Dojo超算，应用于4DAutopilot神经网络训练（加入时间维度）； 或率先落地端到端方案：FSDBetaV11.4版本完成了很多重要改进，预计V12.0版本将进一步升级至端到端AI方案，以道路场景图像作为输入，控制参数作为输出，并使用神经网络帮助学习，能够在输入的道路场景信息中有效提取影响驾驶决策的关键场景特征，进而针对每一帧场景图像，通过计算得到对应的驾驶行为的决策值，提升效率。 硬件版本 SOP时间 处理平台/主芯片 MobileyeEyeQ3 冗余控制 算力(Tops) 功耗(W) 图像处理能力 HW1.0 2014.10 HW2.0 2016.10 NvidiaDrivePX2 HW2.5 2017.08 NvidiaDrivePX2+ HW3.0 2019.04 TeslaFSD 完全 144 （双芯片） 220 2,300 HW4.0 2023(E) TeslaFSD 完全 预计性能将是HW3.0三倍左右 项目 HW1.0 HW2.0 HW2.5 HW3.0 amera(120°）*1 毫米波雷达 Radar*1(160m) Radar*1(170m) 超声波雷达 USS*12(5m） USS*12(8m） 表：特斯拉自动驾驶计算平台 表：特斯拉FSD硬件参数变化 无 0.256 25 36 前置摄像头 1个Camera(35°）*1/Camera(50°）*1/C 部分 20 250 110 侧面相机 0 Camera(90°）*2 完全 20 300 110 侧面后置摄像 头 0 Camera(60°）*2 资料来源：特斯拉官网，汽车之家，华西证券研究所 硬件持续迭代，全栈自研赋能 资料来源：知乎，华西证券研究所 硬件层面，HW1.0中的芯片和核心技术来自Mobileye，HW2.0版本基于英伟达DrivePX2芯片，并大幅提升了传感器的数量， 前置摄像头、前后侧摄像头数目均有增加，算力也实现大幅提升,特斯拉HW2.5版本相对HW2.0获得了80%左右的运算性能提升，提高了系统的可靠性和冗余性； 2019年的HW3.0版本首次搭载了特斯拉自研的FSD芯片，两颗独立的FSD芯片能够防止因功能区损坏影响运算，提高自动驾驶的安全性，总算力144TOPS，每秒可处理图片2,300张，比HW2.5的算力提高了21倍。 图：特斯拉向FCC递交的毫米波雷达设计图 资料来源：FCC，佐思汽研，华西证券研究所 图：特斯拉毫米波雷达PCB板 资料来源：FCC，佐思汽研，华西证券研究所 HW4.0升级：或启用4D毫米波雷达，算力升级摄像头分辨率提升 或启用4D毫米波雷达：特斯拉在2022年6月就向FCC申报了毫米波雷达，今年3月greentheonly曝光特斯拉HW4.0的详细资料，HW4.0包括1个高分辨率（4D）毫米波雷达、11个摄像头模组、1个域控单元，合计BOM成本大约1,500-2,100美元； 算力升级，摄像头分辨率提升：HW4.0算力有望较HW3.0提升三倍；特斯拉FSD（HW3.0）配备安森美AR0136AT的图像传感器，像素为123万像素，HW4.0摄像头变为7个，35度FOV摄像头取消，50°FOV摄像头从安森美的AR0136AT改为索尼的IMX490，像素增加到543万，其余6个摄像头升级为200万像素。 图：BEV+Transformer架构框架图 资料来源：佐思汽研，华西证券研究所 图：特斯拉矢量地图生成效果 资料来源：知乎，华西证券研究所 BEV+Transformer完成时空融合，降低对激光雷达依赖 特斯拉采取的BEV+Transformer思路，融合时间和空间维度，能动态的获得时序特征，解决BEV框架下物体的遮挡问题，让纯视觉更加强大，更加靠近激光雷达制造BEV的效果； 算法逻辑（典型前融合）：摄像头单目标检测后，多相位融合形成矢量空间，根据时空系列记忆加强预判，然后将结果输出至九头蛇头部，实现车体坐标系下的目标检测与行为预测。 图：Tesla感知算法从BEV到占用网络 资料来源：知乎，华西证券研究所 2023年AIDay公布占用网络，引领工程化落地 图：特斯拉占用网络技术示意图 资料来源：知乎，华西证券研究所 在2023年TeslaAIDay上，特斯拉在软件算法领域公布其重点技术应用OccupancyNetwork(占据网络)，相比于传统BEV架构，占用网络的技术本质是基于Transformer大模型将2D特征恢复为3D空间特征，解决通用障碍物（任意障碍物）检测最终实现端到端的感知算法和环境搭建； 将感知层从2D结构提升至3D结构，可以更好的将3D几何信息与语义信息融合，将当前场景下遮挡、精致物体和动态物体也用体块表示，增加整体视野域，提升路径规划效率与自动驾驶效率，有望成为下一代自动驾驶算法的进步方向。 图：特斯拉FSDBeta更新总结 推出时间 版本 更新范围 具体更新内容 2021年9月 正式公测 - 2021.08.15 FSDBeta9.2 NewFeatures 推动可视化改进； 后视镜上方的驾驶室摄像头现在可以在自动驾驶仪启用时检测并提醒驾驶员注意力不集中将交叉物体速度估计提高了20%，偏航估计提高了25%； 改进了车辆语义检测（例如刹车灯、转向指示灯、危险） 将静态世界预测（道路线、边缘和车道连通性）提高了165%； 在阴影模式下启用“紧急防撞机动”；保持路线并避免不必要的绕道；改进了横向控制 整体召回率提高了3.9%，准确率提高了1.7%；将车道偏好和拓扑估计提高了1.2%；改进不局限于车道几何形状的物体的未来路径；改进在狭窄道路上向迎面而来的汽车让路时的间隙选择 使用高保真轨迹基元进行更平滑的叉子操作和转弯车道选择；禁用了所有FSD配置文件中的滚动停止功能；使用改进的地面真实轨迹将广义静态对象网络改进了4%；提高了在交