2024自动驾驶行业报告-“端到端”渐行渐近

出品机构：甲子光年智库智库院长：宋涛 报告撰写：翟惠宇发布时间：2024.07 *甲子光年智库分析师胡博文对本次报告撰写亦有贡献。 Part01发展背景：汽车智能化正加速普及P02 目录 Part02趋势辨析：端到端自动驾驶的价值P09 Part03厂商实践：技术路线的选择与践行P18 Part04未来展望：端到端的挑战与未来式P26 智能化水平已经成为国内汽车消费者最核心的购买因素之一。 国内汽车工业在电动化和智能化领域的迅猛发展，正在重塑消费者的购车偏好，消费者对于自动驾驶技术、智能座舱等高端智能化功能的兴趣日益浓厚。 超半数的汽车消费者将智能化水平作为购车时的关键考量因素，他们追求更先进的自动驾驶体验、更智能的座舱环境以及更个性化的驾驶乐趣。 智能化在购车决策中的重要性日益凸显，这也促使众多汽车制造商加快了智能化技术的研发和工程投入；继续航里程和用车成本之后，智能化已成为新能源汽车竞争的主要领域，未能跟上智能化步伐的汽车品牌可能会逐渐失去市场竞争力。 图1：购车时“智能化”考量因素高居第二图2：自动驾驶、智能座舱、OTA能力受广泛关注 用车成本低 59% 更先进的自动驾驶功能 65% 智能化程度高 54% 智能座舱体验更好 62% 保养成本低 51% 造型设计美观 51% 外观时尚 48% 原生新能源汽车平台 51% 环保 47% 乘坐更舒适 47% 噪音小 47% 售后体验更好 43% 获取牌照 43% OTA能力更强 42% 动力性能 31% 续航里程表现 40% 配置表精炼 30% 驾驶乐趣更高 39% Dec-22 Jan-23Feb-23Mar-23Apr-23May-23Jun-23Jul-23Aug-23Sep-23Oct-23Nov-23Dec-23Jan-24Feb-24Mar-24 Dec-22 Jan-23Feb-23Mar-23Apr-23May-23Jun-23Jul-23Aug-23Sep-23Oct-23Nov-23Dec-23Jan-24Feb-24Mar-24 智能驾驶渗透提速，“智能化”竞争进入白热化。 NOA技术的渗透率正迅速提升：自2022年“量产元年”起，高速NOA和城区NOA的普及率显著增长。目前，高速NOA的渗透率已超10%，城市NOA也超过了3%。 在众多厂商的推动下，重视“智能化”的汽车越来越受消费者青睐，尤其是那些配备自动泊车和L2.5以上级别NOA功能的车型；这些车型已成为车企竞争的焦点，预示着未来缺乏NOA功能的车辆可能失去竞争力。 自动驾驶功能的普及，得益于车企的持续投入和消费者对这些技术的接受度，这已成为汽车市场竞争力的关键。 图1：高速NOA渗透率持续增长（%）图2：城市NOA渗透率持续增长（%） 14 12 10 8 6 4 2 0 选配 5 4 3 2 1 0 合计 标配合计标配选配 自动驾驶科技公司排队冲击IPO，智驾加速普及，行业正在苏醒。 尽管一级市场融资受到整体投融资环境的影响，但自动驾驶公司通过不断优化核心软硬件产品，向更务实的L2辅助驾驶转型，加速了智能驾驶的商业化进程，众多企业开始准备IPO。 同时，随着智能驾驶功能的普及，消费者对其正面认知逐渐增强，乘用车自动驾驶市场稳步增长，这促使主机厂与智能驾驶解决方案供应商之间 的合作更加紧密，进一步推动了智能驾驶技术的商业化应用。 企业名称 计划上市地 IPO进程 主营业务 禾赛科技 美股 2023年2月上市 激光雷达传感器 表：2023年起，自动驾驶厂商扎堆IPO 订单需求扩张业绩快速上涨产品性能提升 一级市场融资难造血能力待提升需要研发投入 海创光电科创板2023年5月提交申请激光雷达传感器 黑芝麻智能港交所2023年6月提交申请自动驾驶计算芯片 图达通美股2023年8月完成IPO备案激光雷达传感器 如祺出行港交所2023年8月提交申请Robotaxi、网约车运营 文远知行美股2023年8月完成IPO备案自动驾驶解决方案、Robotaxi赛目科技港交所2023年10月提交申请ICV仿真测试、验证 知行科技港交所2023年12月已上市自动驾驶解决方案 速腾聚创港交所2024年1月已上市激光雷达传感器 小马智行美股2024年4月完成IPO备案Robotaxi、Robotruck、智能驾驶解决方案纵目科技港交所2024年3月提交申请智能驾驶解决方案 地平线港交所2024年3月提交申请自动驾驶计算芯片、智能驾驶解决方案佑驾创新港交所2024年5月提交申请智能驾驶解决方案 Momenta美股2024年6月完成IPO备案自动驾驶解决方案 智驾量产车上路，数据飞轮已经转了起来。 自BEV（鸟瞰视图）结合Transformer架构成为自动驾驶感知领域的主要发展方向以来，数据驱动在其中扮演的角色愈发关键；众多汽车制造商和自动驾驶解决方案提供商都已构建数据闭环系统，以支持自动驾驶系统的模型训练和持续迭代。 目前，配备高级智能驾驶功能的汽车已实现规模化部署，这为自动驾驶算法的持续创新和优化提供了坚实的数据支撑。 图：打造数据闭环，量产时代下的自动驾驶应用部署为数据驱动提供条件 AI驱动的数据闭环量产项目提供海量车端大数据： 数据采集 影子模式触发数据回传 数据数据 分析标注 •人工智能技术加持，数据筛选、标注、训练、验证形成全链路闭环，持续迭代智能驾驶产品 •相比过去工程师制定的规则算法，能够实现低成本、高效率的系统迭代 打造数据闭环升级现有智能车 自动驾驶智算中心 智能驾驶汽车规模化 OTA部署算法升级 算法部署 模型验证 模型训练 •由此实现闭环自动化，数据驱动自动驾驶，在为现有车辆进行OTA功能升级的同时，为后续更高级别的自动驾驶车辆做准备 数据积累训练高阶自动驾驶算法 L3/L4量产上车 自动驾驶技术发展与普及的背后，是底层AI技术的进步。 AI技术的应用场景众多，自动驾驶无疑是其中的核心议题；它不仅代表了技术应用的前沿，也是产学两界AI专家不懈追求、共同攻克的领域。 自动驾驶行业的发展与AI技术的每次飞跃紧密相连：从卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）到Transformer， 每一次技术革新背后，都伴随着深度学习等基础AI技术的突破性进展。正是AI技术的持续进步，构成了自动驾驶技术不断演进和成熟的基础动力。 图：自动驾驶技术的主要迭代路径 那么，下一步？ Transformer大模型基于大规模数据训练，具备更强的鲁棒性与泛化能力，在自动驾驶行业大方异彩 BEV+Transformer OCC+Transformer •OccupancyNetwork基于学习进行 三维重建，是BEV的3D迭代 BEV（鸟瞰视角） •结合Transformer更强的处理序列数据和复杂上下文关系方面的能力，实现更精确的环境感知、更长远的运动规划和更全局化的决策 •直观且丰富的车身周边环境表示 •需要复杂的传感器数据融合与校准，计算量庞大 RNN（LSTM）+GAN CNN提出后，深度学习进入爆发期，自主学习能力被释放 CNN（卷积神经网络） •更擅长处理时间序列数据+生成高质量合成数据 •预测车辆未来轨迹能力 •长期时序建模能力弱；数据质量难把控；实时性要求无法满足 •图像识别处理表现优秀；有效处理传感器数据融合 •需要大量数据标注；时序任务处理能力偏弱 2011 201620182020 2022至今 AI大模型技术已经在自动驾驶领域得到广泛应用。 Transformer大模型技术在自动驾驶领域并非新近出现，其实早在ChatGPT之前，这一技术就已被应用于自动驾驶的感知任务。 特斯拉在2021年就展示了其基于BEV视角结合Transformer的感知方案，此后，国内厂商纷纷跟进并进行创新，这间接加速了2022年之后高阶智能驾驶方案的快速落地。 从云端的模型训练到车端的模型部署，大模型技术已被广泛应用于数据处理、模型融合与优化等多个环节，显著提高了模型训练的效率和系统的整体性能。 图：从云端到车端，大模型已经在自动驾驶感知模块开始规模化应用 感知云端 数据自动标注 利用大模型通过自监督学习预训练，配合极少量人工标注微调，实现自动标注视频clip数据。 数据挖掘 大模型的泛化性能用于挖掘长尾数据，如使用CLIP模型进行基于文本描述的图像数据检索。 知识蒸馏数据生成 预测大模型通过学习海量数据中的特征，然后用来配合中、小模 型的训练，提高中、小模型的性能。 决策 使用NeRF技术隐式存储场景，通过渲染图片的监督学习学出场景的隐式参数，实现场景重建和高真实感数据生成。 控制合并不同小模型 车端 将处理不同子任务的小模型合并成一个大模型，在车端进行联合推理计算，提高感知算法的准确性和实时性。 物体检测 利用大模型检测真值固定的物体，如车道线、交通灯等，这些物体的位置不受天气、时间等因素的影响。 车道拓扑预测 使用自回归编解码网络将BEV特征解码为结构化的拓扑点序列，实现车道拓扑预测。 Part01发展背景：汽车智能化正加速普及P02 目录 Part02创新思路：端到端自动驾驶的价值P09 Part03厂商实践：技术路线的选择与践行P18 Part04未来展望：端到端的挑战与未来式P26 传统模块化自动驾驶存在信息传递损耗、计算效率低下等问题。 传统自动驾驶系统已经发展得相当成熟，通常采用模块化串联的部署方式：其核心模块涵盖感知、定位、预测、决策和控制等，每个主要模块及其子模块都承担着特定的职责，且每个模块的输入通常来源于前一模块的输出。 模块化设计的优势在于能够将复杂的自动驾驶任务分解为更小、更易于管理的子任务，同时便于问题的追踪和定位；然而，随着自动驾驶技术向 数据驱动的方向发展，模块化设计的某些局限性也逐渐显现，例如信息传递过程中可能出现的损耗、计算延迟以及累积误差等问题。 图：传统自动驾驶的模块化部署 传感器 摄像头激光雷达毫米波雷达 轮速IMU 感知模块 传感器融合目标跟踪车道线识别红绿灯识别障碍物识别 预测模块 车辆行为预测 行人行为预测 规划模块 全局路径规划 车辆行为决策 控制模块 转向油门/电门 刹车PID/MPC 信息的损耗与丢失任务多且散导致低效误差累积影响安全性复合误差难以修正 高精地图车辆定位 定位模块 底盘通信 系统构建与维护成本高 userid:532115,docid:166896,date:2024-07-05,sgpjbg.com 从系统架构的变化趋势上看，自动驾驶系统模块是在不断融合的。 模块化自动驾驶的核心在于不同子模型在各个模块中的嵌套与协同工作。然而，随着Transformer架构等先进AI技术的发展，模型间的界限正逐渐变得模糊。原本独立的子任务模型正逐步被更大规模的神经网络模型所取代，特别是在感知模块，BEV结合Transformer方案的广泛应用预示着数据驱动的深度学习神经网络正日趋成熟。 从架构的角度来看，随着模型融合的趋势，自动驾驶系统的终极形态很可能是OneModel，即一个狭义上的端到端神经网络模型。 图：自动驾驶系统模块的融合趋势 Learning-Based 更少的工程更多的数据 端到端全栈神经网络 预测、决策模块也正在神经 网络化的进程中 通用感知网络 BEV+Transformer极大推动自动驾驶通用感知网络的发展速度 预测规划网络控制 Rule-Based 更多的工程适量的数据 多传感器融合预测地图定位 决策规划控制 目标检测目标跟踪后融合预测 决策规划控制地图定位 端到端路线为自动驾驶进一步突破提供了一种可能性。 随着感知、预测和决策等关键模块逐渐实现神经网络化，端到端自动驾驶的路径已经清晰可见，为自动驾驶技术向L4级别无人驾驶的迈进提供了广阔