e推stSu荐ggesti ( ＃维持）

重点公司	EPS (元)		评级
重点公司	2023E 2024E		评级
科博达	1.57	2.15	增持
德赛西威	2.94	3.94	增持
经纬恒润	2.50	3.65	增持
均胜电子	0.58	0.85	增持
保隆科技	1.90	2.52	增持

来源：兴业证券经济与金融研究院

重点公司

＃相关rel报ate告d

【兴证汽车】电动智能的征程2：新势力的突破之路：从“0-1”到“1-10”的新挑战

【兴证汽车】电动智能的征程1：特斯拉的崛起之路：核心挑战与解决方案

【兴证汽车】造车新势力系列深度 1——家庭用车：朝阳赛道风景独好，看好理想及产业链 2022-04-20

＃分e析m师ail：A

戴畅

daichang@xyzq.com.cn

S0190517070005

董晓彬

dongxiaobin@xyzq.com.cn

智能驾驶系列深度之六：

S0190520080001

AI加持+城市NOA落地，高阶智能化迎来蝶变时刻

2023 年 07 月 18 日

投资要点

前言：AI加持下，2023H2高阶智能驾驶从高速延伸到城市，智能功能提升和使用场景扩展将驱动消费者认同提升和车企技术迭代加快，高阶智能驾驶有望从理想到现实，进入蝶变时刻，高阶智能化车型销量有望超预期，智能化相关公司成长速度有望超预期。

理论方法突破：AI 大模型用于感知融合，后续有望实现端到端。智能驾驶系统可分为感知，预测，规划，控制几个主要模块。过去，一些智能驾驶的方案中感知，预测等模块采用了 CNN 和 RNN 等 AI 模型。2020 年 Transformer 模型引入CV 领域和智能驾驶领域后，通过 Attention机制，兼备 CNN 易于并行化的优势和 RNN模型可以捕捉长序列内的依赖关系的优势，有效提升感知模块的特征提取等环节的效果，加速了智能驾驶算法的升级。（1）目前，特斯拉等头部玩家基于 BEV+Transformer做特征融合，并结合占用网络将目标检测升级为语义分割，提升感知能力，并减少对高精地图的依赖。（2）未来，有望基于 Transformer大模型实现端到端的辅助驾驶，即传感器的数据输入大模型后直接输出执行信号，进一步提升智驾能力。

产业进展突破：海外特斯拉 FSD 快速升级，国内城市领航辅助即将规模落地。特斯拉 FSD新一代的升级即将完成, “超级计算机”Dojo投产运行将助力 FSD性能跃升，同时年内有望推出 V12版本并应用端到端 AI技术，未来海外渗透率有望大幅提升。国内车企城市 NOA功能下半年有望大规模落地，意味着高阶智能驾驶进入城市场景。对于用户来讲，高阶智能驾驶的体验将大幅度提升。而开放城市场景后更加丰富的数据，有望使得头部车企算法迭代速度加快。

国内高阶智能化蝶变时刻：供给创造需求，高阶智能驾驶渗透率有望加速提升。优质供给驱动需求，高阶智能驾驶有望快速上量。（1）复盘国内 SUV渗透率和新能源渗透率的提升过程，可以看到当渗透率超过 5%-10%区间后快速提升，供给优化驱动渗透率快速提升。（2）当下高阶辅助驾驶功能的核心问题不在于需求，而在于体验和成本。利用 BEV+Transformer，，一方面可以提升辅助驾驶功能的体验，另一方面可以降低硬件成本。按照当前已知车企规划估计，2025高阶辅助驾驶渗透率有望接近 10%，之后伴随着体验的升级和成本的下降，高阶辅助驾驶渗透率有望快速增长。

产业影响：整车格局有望出现新变化，高阶智能化相关零部件放量有望加速。整车格局方面：生产技术/产品技术/需求挖掘的代际变革和边际优化是车企崛起的内核驱动力，从 L2+到城市 NOA是智能技术的代际升级，领先车企有望借助高阶智能化实现销量和份额的提升。零部件方面, 域控制器、线控制动、毫米波雷达、摄像头以及 4D毫米波雷达等是智能化受益新赛道，在城市 NOA驱动高阶智能化渗透率加速提升过程中，相关受益零部件放量有望超预期。

投资建议：AI加持+城市 NOA落地，高阶智能化迎来蝶变时刻，看好高阶智能化的产业机会！整车方面，推荐城市 NOA技术落地速度领先的小鹏汽车（港股团队覆盖）、理想汽车（港服团队覆盖）、比亚迪、长城汽车，关注华为合作车企赛力斯；零部件方面，推荐受益高端智能化的科博达（车身与底盘域控放量）、德赛西威（座舱与智驾域控放量）、经纬恒润（智能驾驶产品布局丰富）、均胜电子（座舱域放量）、保隆科技（ADAS相关业务拓展）。

风险提示：城市 NOA落地不及预期，高阶智能化安全事故，智能化降本不及预期，高阶智能化新车销量不及预期

每日免费获取报告 □

每日微信群内分享7+最新重磅报告;

每日分享当日华尔街日报、金融时报;

行研报告均为公开版, 权利归原作者所有,起点财经仅分发做内部学习。

一、理论方法突破：AI大模型用于感知融合，后续有望实现端到端. .... - 4 -
1.1智能驾驶系统的核心模块与功能.. .... - 4 -
1.2 Transformer 大模型的演进与原理. ... - 6 -
1.3 Transformer 在智能驾驶的具体应用.. .. - 12 -
二、产业进展突破：海外特斯拉 FSD快速升级，国内城市 NOA即将规模落地..-16-
2.1特斯拉：FSD海外推广顺利，年内有望推送 V12版本.. .. - 16 -
2.2国内主机厂新一代智能驾驶系统城市领航辅助 2023H2开始落地.. ... - 18 -
三、国内高阶智能化蝶变时刻：供给创造需求，渗透率有望大幅提升. .. - 22 -
3.1SUV及电动化发展复盘：5%-10%渗透率后，供给优化驱动渗透率快速提升- 22
-
3.2高阶智能驾驶：2023H2供给侧质变，后续渗透率快速提升. .... - 23 -
四、产业影响：整车格局重构和零部件赛道重估... .... - 25 -
4.1整车格局可能因为智能化突破产生新的变化. .. - 25 -
4.2智能驾驶增量/全新部件市场空间的增长有望超预期.. ... - 27 -
五、投资建议：AI加持，看好高阶智能化的产业机会.. .. - 29 -
六、风险提示： . - 30 -

图目录

图 1、智能驾驶系统的主要模块. ..... - 4 -
图 2、传统的智能驾驶方案（后融合） .... - 5 -
图 3、基于感知大模型的智能驾驶方案（BEV+Transformer做特征融合） .... - 5 -
图 4、基于端到端大模型的智能驾驶方案（感知决策一体化）. .... - 6 -
图 5、Transformer 大模型发展历程. ....... - 6 -
图 6、Transformer 大模型的演进.. ....... - 7 -
图 7、Transformer 大模型进化树.. ... - 7 -
图 8、注意力机制中 Q,K,V的来源. ...- 7 -
图 9、自注意力机制的计算.. ...... - 7 -
图 10、多头注意力机制示意图. ..... - 8 -
图 11、多头注意力的计算.. .... - 8 -
图 12、Transformer 模型的原理示意图. .. - 8 -
图 13、前馈神经网络示意图.. .... - 9 -
图 14、反馈神经网络示意图. ..... - 9 -
图 15、卷积神经网络（CNN）示意图.. .....- 9 -
图 16、循环神经网络（RNN）示意图.. ...- 9 -
图 17、VIT模型整体架构... ....- 10 -
图 18、目前主流用 BEV+Transformer 的方法.. .... - 11 -
图 19、Transformer 实现图像的时空融合的原理示意图（以 BEVFormer 为例）...- 11 -
图 20、Transformer 实现多模融合原理示意图（以摄像头和激光雷达融合为例）.-11-
图 21、BEV 感知架构.. .. - 12 -
图 22、特斯拉摄像头覆盖 360度车身. ..... - 12 -
图 23、特斯拉各个摄像头信息融合形成鸟瞰图. ..... - 12 -
图 24、特斯拉将 8个摄像头的信息融合到 BEV空间. ..... - 13 -
图 25、特斯拉实现目标检测的网络架构示意图.. .. - 13 -
图 26、HydraNets 采用类 Transformer 的架构.. .. - 13 -
图 27、特斯拉 Occupancy Network 结构示意图.. ....... - 14 -
图 28、目标检测示意图... .... - 14 -
图 29、语义分割示意图（左图 2D右图 3D） .... - 14 -
图 30、CVPR2023最佳论文提出的端到端的辅助驾驶算法框架 UniAD. ... - 15 -
图 31、FSD分区域销量渗透率情况. .... - 17 -
图 32、小鹏智能驾驶发展路径. .... - 19 -
图 33、蔚来智能驾驶发展历程. .... - 20 -
图 34、理想汽车智能驾驶发展进程. .... - 20 -
图 35、国内 SUV渗透率.. .. - 22 -
图 36、国内新能源乘用车渗透率... .. - 22 -
图 37、2009-2014 年 SUV 市场销量 TOP10 的产品（单位：辆）.. ...- 23 -
图 38、2018-2020 年新能源市场销量 TOP10 的产品（单位：辆）..... ...- 23 -
图 39、目前特斯拉/华为/小鹏/理想/蔚来智驾硬件成本估计（单位：元） ....- 24 -
图 40、高阶辅助驾驶渗透率展望(单位：万辆)..... .... - 25 -
图 41、生产技术/产品技术/需求挖掘的代际变革与边际优化（横轴为年份）.......-26-
图 42、大模型的“涌现”现象示意图.. ...- 27 -

表目录

表 1、FSD发展历史情况... .... - 17 -
表 2、2023各车企城市 NOA相关进展及规划.. ..- 18 -
表 3、特斯拉/华为/小鹏/理想/蔚来辅助驾驶硬件配置梳理. ..- 24 -
表 4、智能驾驶相关赛道市场空间测算.. .. - 28 -
表 5、相关标的盈利预测与估值（市值与 PE 对应 2023 年 7 月 17日收盘价）.....-30 -

报告正文

一、理论方法突破：AI 大模型用于感知融合，后续有望实现端到端

1.1智能驾驶系统的核心模块与功能

智能驾驶系统可分为感知（Perception），预测（Prediction），规划（Planning），控制（Control）几个主要模块。

感知模块（Perception）主要负责车周信息感知和目标检测。感知模块输入各类传感器的数据，输出车道线，行人，车辆等的位置和轨迹等信息。感知算法的核心是融合各类传感器的信息，精准识别物体的类别与位置（需要 2D还原为 3D）。

预测模块（Prediction）主要负责预测车周物体的运动，评估障碍物下一时刻可能的动作。预测模块输入车周物体和车辆自身的位置与速度等信息，输出物体运动轨迹的预测。

决策规划模块（Planning）主要负责计算车辆下一时刻的运动路径，向控制模块输出指令。规划与决策在开发环节往往结合在一起，包括三个层次：（1）全局路径规划（Route Planning），结合目的地和地图信息生成全局路径。（2）行为决策层（Behavioral Layer），结合感知模块的环境信息做具体行为决策。（3）运动规划（Motion Planning），结合行为决策和约束条件形成运动轨迹。

控制模块（Control）主要负责精准控制车辆按规划轨迹行驶。控制模块根据决策规划的路线，生成具体的加速、转向和制动指令，控制驱动系统，转向系统，制动系统和悬架系统。

图 1、智能驾驶系统的主要模块

资料来源：上海人工智能实验室，兴业证券经济与金融研究院整理

Transformer模型加速智能驾驶能力的提升。智能驾驶的本质是通过训练使车辆具有人类的驾驶能力，用神经网络模型替代基于规则的算法，可提升模型表现。（1）过去，一些智能驾驶的方案中感知，预测等模块采用了 CNN和 RNN等 AI模型；（2）现在，在 Transformer 模型引入 CV 领域和智能驾驶领域后，智驾能力的提升明显加速。例如，在感知模块，基于 BEV+Transformer做特征融合，相较于传统的 CNN模型具有更好的全局感知能力；在预测模块，有研究表明基于Transformer的多模态轨迹预测相较于传统的 RNN等神经网络也有更好的效果；在规划模块，基于 AI模型的算法相比于基于大量规则的算法也更加简洁高效。（3）未来，基于 Transformer有望实现感知决策一体化的大模型。相较于目前模块化的开发方式，可以避免级连误差，提升视觉信息表达，优化终端性能体验。

AI加速智能化第一步：头部玩家基于 BEV+Transformer做特征融合，提升感知能力。车辆获取外部信息的传感器包括摄像头，激光雷达，毫米波雷达，超声波雷达等，不同传感器获取的信息特征不同，因此需要通过算法将各类数据融合。过去多传感器融合采用后融合的方式，将传感器各自处理后的信息做基于统计学模型的加权运算，这样会出现数据损失。现在利用 Transformer 大模型可以提取特征向量，在统一的 3D坐标系空间（BEV）内做特征融合，还可以结合时序信息进行动态识别，最后进行多任务输出，如静态语义地图、动态检测等。AI大模型的加持下，智能驾驶的感知能力可以明显提升，优化 Corner Case的处理，同时由于车辆生成了动态语义地图，可以减少对高精地图的依赖。

图 2、传统的智能驾驶方案（后融合）

资料来源：兴业证券经济与金融研究院整理

图 3、基于感知大模型的智能驾驶方案（BEV+Transformer做特征融合）

资料来源：兴业证券经济与金融研究院整理

AI加速智能化第二步：感知决策一体化，实现端到端的智能驾驶。目前采用的模块化的智能驾驶开发架构（感知—预测—规划—控制）优势在于简化研发团队分工，但是缺点在于会出现信息损失和累计误差问题，同时每个模块的优化目标不一致。我们认为，基于 Transformer 的模型的 Attenion 机制，未来智能驾驶有望统一感知与决策算法模块，实现端到端的大模型，即一个模型输入传感器数据，直接输出控制信号。端到端的智能驾驶可以避免累积错误或任务协调不足的问题。

图 4、基于端到端大模型的智能驾驶方案（感知决策一体化）

资料来源：兴业证券经济与金融研究院整理

1.2 Transformer 大模型的演进与原理

Transformer是谷歌 2017年提出的 AI大模型，最早用于自然语言处理领域。人工智能的核心技术是神经网络模型，较为主流和有效的神经网络模型主要包括卷积神经网络（CNN）、循环神经网络（RNN）、深度神经网络（DNN）和脉冲神经网络（SNN）等，主要应用于自然语言处理（NLP）和计算机视觉（CV）等领域。2017 年谷歌在论文《Attention is all you need》提出 Transformer 大模型，在众多自然语言处理问题中取得了非常好的效果。Transformer模型属于 Encoder-Decoder 类模型，举例来说，Bert 侧重 Encoder，GPT2 侧重 Decoder。

图 5、Transformer 大模型发展历程

资料来源：《Transformer-based models and hardware acceleration analysis in autonomousdriving: A survey》，兴业证券经济与金融研究院整理

图 6、Transformer 大模型的演进

资料来源：Deephub Imba，兴业证券经济与金融研究院整理

图 7、Transformer 大模型进化树

资料来源：佐思汽车研究，兴业证券经济与金融研究院整理

Transformer 模型的核心在于引入了多头注意力机制（Multi-Head Attention）。

 注意力机制：通过找到查询（Query）键（Key）的相关性，去找到最合适的值（Value）。当 Q，K，V的来源相同时，就是自注意力机制。

 自注意力机制：向量矩阵 X与可训练的三个权重参数 W(q)、W(k)、W(v)相乘得到 Q，K，V（如 q1=X1×W(q1)），然后通过 Q和 K的计算得到相似度，经过 Softmax的归一化后与 V相乘，计算加权求和。在智能驾驶的感知环节，自注意力机制可以理解为用于提取一类特征。

 多头注意力机制：定义和训练多组权重参数矩阵 W，生成多组 Q、K、V，最后学习到不同的参数 Z1-Zn。通过形状变换进行合并，得到多头注意力的最终输出结果。在智能驾驶的感知环节，多头注意力机制可以理解为提取多个特征。

图 8、注意力机制中 Q,K,V的来源

资料来源：《The Illustrated Transformer》，兴业证券经济与金融研究院整理

图 9、自注意力机制的计算

资料来源：《The Illustrated Transformer》，兴业证券经济与金融研究院整理

图 10、多头注意力机制示意图

资料来源：《The Illustrated Transformer》，兴业证券经济与金融研究院整理

图 11、多头注意力的计算

资料来源：《The Illustrated Transformer》，兴业证券经济与金融研究院整理

Transformer 模型包括编码器（Encoder）和解码器（Decoder）两个部分。编码器用于将序列转换为一组向量表示，包括多头注意力和前馈，解码器用于将向量解码为输出序列，包括多头注意力、编码器-解码器注意力和前馈。

（1）在编码器中，数据到达 Multi-Head Attention 时，会分为三部分输入（k、v、q），v表示输入特征的向量，k和 q是用于计算输入向量之间彼此的关联程度。k、v、q 都是张量，是通过输入向量本身相应权重 W(q)、W(k)、W(v)获得的。多头对应多个特征，即为每个输入数据匹配多个 k、v、q，多头之间的计算互不影响。

（2）解码器中的 Multi-HeadAttention也是自注意力机制，和编码器的过程类似。

（3）连接 encoder 和 decoder 的 Multi-Head Attention 是非自注意力机制，这里的q 是来源于上一个 Output 经过一个 Masked Multi-Head Attention 和 Add&Norm 层之后的输出，k、v来源于 encoder编码器。

图 12、Transformer 模型的原理示意图

资料来源：《AttentionIsAllYouNeed》，兴业证券经济与金融研究院整理

Transformer模型通过注意力机制，整合了 CNN易于并行化的优势和 RNN模型可以捕捉长序列内的依赖关系的优势。神经网络模型可以分为前馈神经网络和反馈神经网络两类：（1）前馈神经网络中，信息从输入层开始输入，每层的神经元接收前一级输入，并输出到下一级，直至输出层。整个网络信息输入传输中无反馈（循环）。常见的前馈神经网络如卷积神经网络（CNN）。（2）反馈神经网络中，神经元不但可以接收其他神经元的信号，而且可以接收自己的反馈信号，常见的反馈神经网络如循环神经网络(RNN)。Transformer 模型利用注意力机制实现了并行化捕捉序列依赖，并且同时处理序列的每个位置的 Tokens。因此相对于CNN模型，Transformer模型可以捕捉长序列内的依赖关系，相对于 RNN模型，Transformer 模型有更高的并行度，且能保存更多的前期数据。

图 13、前馈神经网络示意图

资料来源：算法进阶，兴业证券经济与金融研究院整理

图 14、反馈神经网络示意图

资料来源：算法进阶，兴业证券经济与金融研究院整理

图 15、卷积神经网络（CNN）示意图

资料来源：算法进阶，兴业证券经济与金融研究院整理

图 16、循环神经网络（RNN）示意图

资料来源：算法进阶，兴业证券经济与金融研究院整理

2020 年的 VIT 模型开拓了 Transformer 在 CV 领域的应用。Transformer 作为序列到序列学习的神经网络大模型，最早用于自然语言处理，如机器翻译等场景中。2020 年谷歌论文《 An Image Is Worth 16x16 Words: Transformers For ImageRecognition At Scale》提出的 VIT 模型（Vision Transformer）以 Transformer 为backbone，在 CV领域起到了很好的效果。由于 Transformer 主要是处理序列，VIT 模型首先将图片分割成多个 patch，再将每个 patch 投影为固定长度的向量送入 Transformer，再进行 Encoder等操作。相较于 CNN中的卷积操作只能捕获局部信息，而不能建立全局图像的长距离连接，视觉 Transformer的多头注意力通过 qkv去捕捉全局的特征与特征之间的关系，可以获取更多上下文信息，扩大图像的全局感知。

图 17、VIT模型整体架构

资料来源：《 Transformer-based models and hardware acceleration analysis in autonomousdriving:Asurvey》，兴业证券经济与金融研究院整理

与 VIT 同年，特斯拉将 Transformer 引入自动驾驶领域。2020年特斯拉重写智能驾驶软件架构，2021 年特斯拉 AI DAY 上展示了基于 Transformer 的 BEV 感知方案，核心是用 BEV+Transformer 将各个摄像头的信息进行特征提取和融合。目前主流用 BEV+Transformer 的方法包括 DETR3D，PETR，BEVFormer 等，以BEVFormer为例，首先在 BEV视角下重构特征空间，然后利用 Attention提取和对齐时间和空间维度的特征（如图 19）。在摄像头视觉融合的基础上，Transformer 也可以实现摄像头视觉信息和激光雷达的多模融合（如图 20）。

图 18、目前主流用 BEV+Transformer 的方法

Method	Tasks	summary	Temporal	Dense/sparse	Memorybank
DETR3D	3ddetection	Sparse3D-2Dincrossattention(with3DPEinquery)	no	sparsequery	No
PETR	3Ddetection	3DPEinimage feature;denseanchorDETR queriesin BEV	No	Densein BEVanchordesign,no BEVmap	NO
PERRv2	3Ddetection+semanticseg	Temporalfusionin3DPEofimagefeaturebyegomotion;3DPE(t-1->t)byegomotion;BEVFormermAP5pt	Yes	Densein BEv anchordesign forobject,denseBEVmapforsegmentation	Imagefeature
BEVFormer	3Ddetection+semantic seg	BEVfeaturewarpbyegomotion	YES	Dense BEVmap	BEVfeature
uniformer Image feature3Ddetection+semanticseg Dense Bevmap BEVfeatureBEVerse +motionprediction-> LSSBEVbyimplicitdepthestimation: YESmulti-tasksplanning

资料来源：Nullmax首席科学家演讲视频截图，兴业证券经济与金融研究院整理

图 19、Transformer 实现图像的时空融合的原理示意图（以 BEVFormer 为例）

资料来源：《BEVFormer: Learning Bird's-Eye-View Representation from Multi-Camera Imagesvia Spatiotemporal Transformers》，兴业证券经济与金融研究院整理

图 20、Transformer实现多模融合原理示意图（以摄像头和激光雷达融合为例）

资料来源：《Multi-Modal Fusion Transformer for End-to-End Autonomous Driving》，兴业证券经济与金融研究院整理

1.3 Transformer 在智能驾驶的具体应用

目前国内外头部企业利用 BEV+Transformer做感知环节的特征融合。自特斯拉2020年提出应用 BEV（Bird’s Eye View）鸟瞰图的 3D坐标系空间，把各个摄像头的信息进行融合，在 BEV空间内做特征融合已经成为视觉感知融合的前沿主流方案。BEV+Transformer可分成五步:(1)将摄像头数据输入到共享的骨干网络（Backbone），提取每个摄像头的数据特征（feature）。(2)把所有的摄像头数据（跨摄）进行融合，并转换到 BEV空间。(3)在 BEV空间内，进行跨模态融合，将像素级的视觉数据和激光雷达点云进行融合。(4)进行时序融合，形成 4D时空维度的感知信息。(5)多任务输出，如静态语义地图、动态检测等。目前，特斯拉，小鹏，理想与华为等企业利用 Transformer+BEV 等大模型进行视觉感知融合，可以识别车身周围的各类物体，构建动态实时地图，在理论上可以摆脱或者减轻对高精地图的依赖。

图 21、BEV感知架构

资料来源：地平线演讲视频截图《上帝视角与想象力—自动驾驶感知的新范式》，九章智驾，兴业证券经济与金融研究院整理

图 22、特斯拉摄像头覆盖 360度车身

资料来源：《Teardown：Tesla’s Hardware Retrofits for Model3》，兴业证券经济与金融研究院整理

图 23、特斯拉各个摄像头信息融合形成鸟瞰图

资料来源：2020 年 Andrew Karpathy 技术演讲截图，兴业证券经济与金融研究院整理

特斯拉 2021 年先提出用 BEV+Transformer 实现目标检测，又在 2022 年提出

Occupancy Network升级到语义分割，进一步提升感知精度，同时避免碰撞。目标检测（Object Detection）和语义分割（Semantic Segmentation）是 CV 领域的概念，目标检测的任务是对输入的图像进行物体检测，标注物体在图像上的位置，以及该位置上物体属于哪个分类，语义分割的任务是对输入的图像进行逐像素的分类，标记出像素级别的物体。

（1）目标检测（Object Detection）：目标检测通用的结构为：Input →Backbone→ Neck → Head → Output。其中 Backbone 指特征提取网络，Head 指在特征提取后的特征图表示，Neck位于主干和头部之间，用于提取一些更精细的特征。在特斯拉 2021 年 AI DAY 提出的神经网络架构中，Backbone:选择 RegNet 和ResNet 为主要架构， Neck: 选择 BiFPN ， Head: 选择 HydraNets （采用了类Transformer 的架构）。

图 24、特斯拉将 8 个摄像头的信息融合到 BEV空间

资料来源：特斯拉 2022AI DAY，兴业证券经济与金融研究院整理

图 25、特斯拉实现目标检测的网络架构示意图

资料来源：特斯拉 2022AI DAY，兴业证券经济与金融研究院整理

图 26、HydraNets 采用类 Transformer 的架构

资料来源：特斯拉 2022AI DAY，兴业证券经济与金融研究院整理

（2）语义分割（Semantic Segmentation）：语义分割是从粗推理到精推理的步骤，一般而言语义分割需要先分类，然后本地化/检测，最后通过对每个像素进行密集的预测、推断标签来实现细粒度的推理。特斯拉 2022年提出 OccupancyNetwork（占用网络），将三维空间划分成体素 voxel，对有物体的 voxel赋值为 1，表示 voxel被物体占据；没有物体的 voxel被赋值为 0，在分割后进一步识别和判断。Occupancy 网络最核心的升级正在于从目标检测（Object Detection）升级到语义分割（Semantic Segmentation）。一方面对于白名单的依赖度降低，因此识别异性物体的能力大大增强，另一方面克服了目标检测方法对于目标的外形高度敏感的问题。在特斯拉之后，理想汽车在 2023年双能战略发布会上也表示利用Occupancy 网络识别通用障碍物，华为提出的 GOD网络也是基于 Occupancy的框架。

图 27、特斯拉 Occupancy Network 结构示意图

资料来源：特斯拉 AI DAY，兴业证券经济与金融研究院整理

图 28、目标检测示意图

资料来源：Deep Learning Specialization，佐思汽车研究，兴业证券经济与金融研究院整理

图 29、语义分割示意图（左图 2D右图 3D）

资料来源：Towards a Meaningful 3D Map Using a 3D Lidarand a Camera，佐思汽车研究，兴业证券经济与金融研究院整理

未来有望基于 Transformer大模型实现端到端的辅助驾驶。在模块化的算法框架下，辅助驾驶方案分成感知 — 预测 — 规划 — 执行各个环节，目前BEV+Transformer 主要用来做感知环节的特征融合，以替代后融合的方案，提升感知能力并摆脱对高精地图的依赖。但整体而言，感知和预测模块的数据会再输入到规划决策模块，再通过执行模块的计算输出指令，各个模块之间仍然是分离的。我们认为未来基于大模型有望实现端到端的辅助驾驶，即传感器的数据输入大模型后直接输出执行信号。特斯拉 FSD betaV12版本有望率先实现端到端的大模型，远期国内车企也有望实现端到端。

我们以 CVPR2023 最佳论文《Planning-oriented Autonomous Driving》提出的算法框架 UniAD 为例解释端到端智能驾驶的实现方式。UniAD 由 2个感知模块，2个预测模块和 1个规划模块组成：

（1） TrackFormer：用于动态元素的特征提取，例如车辆和行人的帧间跟踪。

（2） MapFormer：用于静态元素的特征提取，以及实例级的地图预测。

（3） MotionFormer：将动态与静态元素的特征融合，进行长时序的轨迹预测。

（4） OccFormer：基于较短时序的全场景 BEV，进行实例级的预测。

（5） Planner：基于自车 query 的轨迹规划和 Occ 的碰撞优化进行规划。

可以从图中看到，感知和预测模块都是基于 Transformer 架构，查询向量 Q将各个模块串联起来，其中，TrackFormer 的 Query 会一直传递到 Planner 模块，以此实现了全栈 Transformer的端到端模型。

图 30、CVPR2023最佳论文提出的端到端的辅助驾驶算法框架 UniAD

资料来源：《Planning-oriented Autonomous Driving》，兴业证券经济与金融研究院整理

二、产业进展突破：海外特斯拉 FSD 快速升级，国内城市NOA即将规模落地

2.1特斯拉：FSD海外推广顺利，年内有望推送 V12版本

海外特斯拉 FSD的新一代的升级即将完成。特斯拉 FSD诞生以来经历过几次重大升级，当前 FSD在 BEV+transformer+占用网络的底层支持下有望完成新一代的升级，有望大幅提升 FSD的高阶智能驾驶能力和迭代速度。

 2017-2019 年 Mobileye 主导时代。2016 年之前，特斯拉 FSD 算法全部由Mobileye提供，Mobileye沿用传统视觉路线，采用低精度地图+算法迭代实现自动驾驶功能；2016年到 2019年间，特斯拉加大对视觉感知算法的研发投入，逐步建立起自身的软件和算法框架。

 2019-2020年 FSD 芯片上车，全栈自研第一阶段。2019年起，FSD芯片上车，特斯拉加快了软件的迭代速度，同时开始发展视觉神经网络，在纯视觉感知路线上不断深耕。

 2019年到 2023，BEV、transformer、占用网络等引入，全栈自研第二阶段。2021年 7月推送的 FSD BetaV9版本的软件从底层完全重写，不依赖雷达，只采用 Tesla Vision 视觉方案。经过多次迭代，最新版本 FSD Beta V11.4.2已于今年 5月推送，修复了此前版本中存在的诸多 BUG，并将 B 柱摄像头的可视范围从 262 英尺（80 米）扩展到 623英尺（190米），可以让 FSD 系统的响应时间延长到 7-8 秒，更早发现前方路况信息，并让驾驶员有更充足的时间做出反应。

 2023H2 最新 FSD12 版本有望推出。特斯拉预计 2023 年内推出 FSD V12，或将引入端到端 AI更新其全自动驾驶包。AI算法训练的数据基础，基于海量的人类司机驾驶数据，通过 AI算法训练，使智能驾驶系统能够像成熟人类司机一样接管 corner case，应对复杂路况。此外，据马斯克透露，FSDV12将取消 Beta版本。这意味着特斯拉有可能在年内正式向北美用户推送FSD的完整版。

表 1、FSD发展历史情况

	FSD V1	FSD V2	FSD V3	FSD V4	FSD V5-FSD V7	FSD V8	FSD V9	FSD V10	FSD V11	FSD V12
开通时间	2014.09- 2016.10	2016.10-2017.08	2017.08-2019.04	2019.4- 2020	2020-2021.3	2021.3- 2021.7	2021.7-2021.10	2021.10-2022.11	2022.11至今	/
硬件系统HW1.0		HW2.0	HW2.5	HW3.0	HW3.0	HW3.0	HW3.0	HW3.0	HW3.0/4/0	HW4.0
开放范围	标配	标配	标配	付费	付费	付费	付费	付费	付费	付费
			半自动驾首次具备了AP导增加了行车记录仪和			自动变道变				变道、选择岔对于复杂的交通情支持在高速使用端到端AI
			核心能力驶与自动航，自动车道保持、哨兵模式，自动驾驶	提高了安	/		和自动通路、交叉路口况和行人识别的能公路上启用技术，并有望
			泊车自动变道和自动泊车辅助功能和自动泊车	全性		过交叉口	转向等	力进行了增强		FSD Beta取消Beta版本

资料来源：特斯拉官网，雪球，未来智库，车家号，搜狐，百度，IT之家，36氪，新出行，腾讯网，懂车帝，兴业证券经济与金融研究院整理

海外特斯拉 FSD 渗透率未来有望大幅提升。据 Troy Teslike 数据，特斯拉 FSD全球渗透率在 2019Q2达到高点 45.7%，主要原因是前期特斯拉销售主力车型是售价相对较贵的 Model S、Model X，客户群体预算较为充足对价格相对不敏感。随着后期 Model 3、ModelY等价格较低车型销量占比持续提升，该部分群体对价格敏感，而 FSD技术相对尚未成熟，所以付费意愿不强使得 FSD渗透率走低，2022Q3 全球渗透率已降至 7.4%。到了 2022 年 11 月 FSD Beta V11 版本的发布使得车辆决策时间尤其在左右转时大大缩短，延迟减小，性能和使用体验显著提升，同时 2022年 11月开始 FSD Beta不再对安全评分进行要求，可以向几乎全部北美 FSD已购买或订阅车主进行推送。截至 2023年 1月，已经有 40万北美用户接入 FSD Beta，相较于 2022年 12月公布的数据 28.5万提升近 40%。我们预计随着 FSDV12完整版的到来，FSD功能趋于完善，消费者的付费意愿不断增强，FSD渗透率有望加速向上。

图 31、FSD分区域销量渗透率情况

资料来源：TroyTeslike，兴业证券经济与金融研究院整理

“超级计算机”Dojo投产运行将助力 FSD性能跃升，助力特斯拉实现全面自动驾驶。近期，特斯拉披露了特斯拉首台“超级计算机”Dojo的进展，其计划于 7月正式投入生产，到 2024年初，将成为全球最先进的 5 台超级计算机之一。Dojo是用来处理 AI任务的超级计算机,可以帮助特斯拉更高效地处理海量的车辆行驶数据，包括车辆的传感器数据、路况信息等等，从而提升特斯拉自动驾驶算法的准确性和安全性。一旦正式投入使用，或将进一步提升特斯拉电动车的计算机视觉能力，使 FSD 自动驾驶水平再上一个台阶。特斯拉方面称，一旦 Dojo启动并运行，特斯拉完全自动驾驶系统 FSD Beta将呈现“指数级提升”。

2.2国内主机厂新一代智能驾驶系统城市领航辅助 2023H2开始落地

1）2023H2城市 NOA有望开始大规模推广

从 2021年开始，多家车企公布了城市 NOA的上线计划。到 2022年下半年，城市 NOA已经从概念变成现实。2022年 9月，小鹏 P5率先在广州推出城市 NOA功能，紧随其后极狐阿尔法 S的 HI版绑定华为的解决方案，相继在深圳、上海落地了城市 NOA功能。到了 2023年，众多车企在城市 NOA方面有了突破性进展，2023H2各车企的城市 NOA即将大规模落地。

表 2、2023 各车企城市 NOA相关进展及规划

	蔚来	小鹏	理想	百度	长城毫末	上汽智己	华为
首发时间	2023年下半年	2022年9月	2023年下半年	2023年内	2023年三季度	/	2022年9月24日
首发车型	/	G9、P7iMax	L7 Max、L8Max、L9 Max		魏牌摩卡DHT-PHEV和蓝山	L7、LS7	问界 M5 智驾版阿维塔11全系列、极狐阿尔法S全新Hi版
收费模式	NOP+按月进行订阅，订阅费用为380元/月	免费	免费	与车企探讨收费订阅收费模式	/	L7天使轮车主终身IMAD免费使用，A轮车主免3年，B轮及以后车主免2年；LS7盲订车主终身免费，LS7常规轮免1年。权	HUWEI ADS包含基础包、进阶包和高阶包，目前已合作商用车型都是基础包和进阶包随车标配，高阶包可选择购买
技术特点	/	2023年，从高速到城市的领航辅助驾驶不再依靠高精地图	明确表示不依赖高精地图	目前需要，但降低依赖	明确表示不依赖高精地图	益到期后IMAD都是3680元买断预计会和高速NOA一样逐步舍弃高精地图	发布不依赖高精地图版本
推广速度		NOP+在北京二环、三已经在北上广深四个城市开放，下半年2023年下半年计划开通城环、四环、五环等城在无高精地图的区域开放自动变道、超市通勤NOA，并于年底前市环路及快速路、高车、左右转的能力，2024年实现车位到开通100座城市的无图城		会量产交到消费者NOH功能，并于2024年开	城市智驾产品今年将于今年三季度实现城市		今年三季度，华为城区NCA将实现15 预计将于2023年内开启公测个无图城市的落地，Q4将新增30个
核心能力	速公路已实现全覆盖可实现自主在高速换电站进行换电补能	车位的全场景辅助驾驶能力在没有高精地图的区域，将在LCC增强可以在上下班路线上使用	市NOA方案版基础上，逐步增加新的能力，最终使NOA功能，覆盖理想车主	手里	拓100个城市 /		无图城市落地至45城 NCA可覆盖城区90%场景；跨地面、地下停车场以及机械车位均可进行智能泊车

资料来源：腾讯网，网易，IT之家，新浪财经，兴业证券经济与金融研究院整理

 小鹏汽车：国内首家上线城市 NOA的车企，并预计于 2024年实现车位到车位的全景辅助驾驶能力。2018年 12月小鹏首次推出辅助驾驶系统Xpilot2.0，搭载于小鹏首款智能汽车 G3，计算平台采用 Mobileye EyeQ4 芯片。2021年 1月小鹏推出 P7车型，搭载 Xavier芯片，并配备自动驾驶辅助系统 Xpilot3.0，支持 NGP高速领航辅助驾驶功能，实现“泊车+高速”双场景覆盖。2022年 6月，小鹏发布的 G9中正式搭载了最新硬件系统，将

Xavier 芯片替换为英伟达最新的 OrinX 芯片，打造出 Xpilot4.0。2022 年 9月，小鹏汽车成为国内首个上线城市 NOA 功能的车企，并开始在广州进行试点。2023年 4月，小鹏发布 SEPA2.0扶摇全域智能进化架构，并搭载了XNGP智能辅助驾驶系统。目前，XNGP已实现第一阶段能力，覆盖 G9Max及 P7i Max版车型，主要包括在上海、深圳、广州、北京四座有高精地图覆盖的城市开放城市 NGP。小鹏计划在下半年在无高精地图覆盖的城市开放自动变道、超车、左右转的能力，并预计在 2024 年推出 XNGP的终极形态，实现车位到车位的全场景辅助驾驶能力

图 32、小鹏智能驾驶发展路径

资料来源：禾隐记，兴业证券经济与金融研究院整理

 蔚来汽车：国内首家实现 NOA高速领航的公司，并计划于下半年发布城区NOP+。蔚来于 2017年 12月便首次发布了第一代自动驾驶系统 NIO Pilot，搭载于蔚来首款车型 ES8。2020年 10月，蔚来自动驾驶系统首次融入高精度地图，释放的高速场景下点对点领航辅助驾驶功能，是国内首家实现NOA 高速领航落地的公司。2021 年 1 月，在蔚来 NIO DAY上，李斌发布了 NT2.0以及基于此平台打造的 NAD自动驾驶系统。配备此系统的最新款车型 ET7已于 2022年 3月落地交付。2022年 12月，蔚来发布 NOP+，2023 年 7 月，蔚来 NOP+已于 7 月 1 日开启商用。目前 NOP+已经在北京二环、三环、四环、五环等城市环路及快速路、高速公路实现全覆盖。

图 33、蔚来智能驾驶发展历程

资料来源：公司官网，禾隐记，汽车之家，兴业证券经济与金融研究院整理

 理想汽车：计划 2023年下半年开通城市通勤 NOA。理想 2019年理想 ONE上市时，智能驾驶芯片及视觉融合方案来自 Mobileye，软件基于易航智能。2021年理想开始强化智能驾驶的自研能力，智能驾驶计算平台切换为地平线 J3，并在 5月引入高清地图，在 12月交付 NOA高速导航辅助驾驶并优化 AEB功能。2022年理想智能驾驶系统升级为第二代 AD MAX，感知、决策、规划和控制软件为全栈自研，智能驾驶计算平台升级为两颗英伟达Orin-X 处理器,总算力达到 508Tops，搭载于 2022 年 3 月发布的 L9。2023 年6月，不依赖高精地图的城市 NOA开启内测。2023年下半年，理想计划开通城市通勤 NOA功能。

图 34、理想汽车智能驾驶发展进程

资料来源：网易新闻，兴业证券经济与金融研究院整理

 比亚迪：2022年开始自动驾驶路线从合作借鉴转为建立自研能力，高速DNP功能将于今年三季度搭载于汉车型上。2021年底开始，比亚迪先后与Momenta、百度、地平线、速腾聚创宣布了合作进展。其中 2021年 12月，比亚迪与 Momenta 成立了合资公司迪派智行，为双方长期在智能驾驶领域携手融合发展高阶智能驾驶技术正式拉开序幕。到了 2021年之后，比亚迪开始进入到第二个阶段，合作借鉴建立自研的基础能力。从功能层面看，比亚迪自研的高速 DNP高阶智能驾驶辅助相关功能即将在今年第三季度搭载汉车型上。汉之后，王朝系列唐、宋的部分版型也将迎来高阶智驾功能。定位更高的腾势、F 品牌、仰望等，也已规划或公布将搭载包括城市 NOA在内的高阶智驾功能。从技术路径看，业内前沿的 BEV感知大模型比亚迪也将于今年内部署，并且将会在下一步规划部署占用网络。

 长城汽车：毫末城市 NOH预计今年三季度落地。2019年，长城汽车智能驾驶前瞻部与诸多科技公司自动驾驶人才融合而成立了毫末智行。2021年 6月，毫末智行发布小魔盒 1.5，通过搭载 3 个激光雷达、8个毫米波雷达、3个视觉传感器、高精度地图、导航及定位系统等传感器设备，实现 L3级辅助驾驶功能。2022年 1月 5日，毫末智行携与高通联手研发的辅助驾驶域控制器——小魔盒 3.0亮相，通过接入 12路 8 百万像素摄像头，5 路毫米波雷达，3 路激光雷达，为多视觉+多毫米波+多激光雷达的前融合感知算法，可满足当前 L3以及后续 L4/L5等全场景自动驾驶功能的实现。毫末智行城市 NOH预计在今年三季度落地，于 2024年上半年即可完成落地城市 100城的目标,实现点点互达。2025 年更大规模全场景的 NOH将更快落地,全面迈入全无人驾驶时代。

 华为：城市 NCA已经实现落地，并将实现更多无图城市的落地。华为于2012年开始做汽车领域相关研发，2019年 4月，华为对外发布了 HiCar人-车-家全场景无缝互联解决方案。2021年 4月 18日，华为举行 HI新品发布会，发布了包括鸿蒙 OS智能座舱、智能驾驶计算平台 MDC 810、4D成像雷达、“华为八爪鱼”自动驾驶开放平台和智能热管理系统 TMS在内的五大新产品。2022年 9月 24日，华为和极狐共同宣布，城市 NCA功能首发落地深圳。今年三季度，华为城区 NCA将实现 15个无图城市的落地，四季度将新增 30个无图城市落地至 45城。

2）城市领航辅助的落地将促进消费者的认知提升和主机厂的技术迭代。

城市 NOA的落地意味着高阶智能驾驶的使用场景大幅度扩展，从之前的高速公路、封闭园区等特定场景扩展到更复杂的城市场景。对于用户来讲，高阶智能驾驶的体验也大幅度提升。之前在特定场景才能使用的高阶智能驾驶相关功能，目前在日常通勤的城市场景也可使用。同时，对于体量较大以及自动驾驶算法正向研发能力强的头部企业来讲，使用场景的扩展意味着数据量更加丰富，进而使得算法迭代速度将提升。

三、国内高阶智能化蝶变时刻：供给创造需求，渗透率有望大幅提升

3.1SUV及电动化发展复盘：5%-10%渗透率后，供给优化驱动渗透率快速提升

国内 SUV渗透率和新能源渗透率的增长符合“S曲线”。产业内新技术的应用和新产品的推广往往不是线性的过程，而是符合“S曲线”的发展规律，在技术发展与产品应用的早期，是供给创造需求，渗透率处于低位，愿意尝鲜的消费者群体开始感受技术与产品的优势并将向身边人传播，这时也可能出现由于产品体验不佳，大家对实际需求的质疑。伴随着技术的持续升级与产品体验的持续提升，优质供给会扩大需求，同时可能出现供应链为追求规模效应降价，当“体验/成本”到达某一奇点时，渗透率会快速提升。复盘国内 SUV 渗透率和新能源渗透率的提升过程，可以看到渗透率在 5%-10%区间之后出现快速增长。

图 35、国内 SUV渗透率

资料来源：中汽协，兴业证券经济与金融研究院整理

图 36、国内新能源乘用车渗透率

资料来源：中汽协，兴业证券经济与金融研究院整理

5%-10%渗透率之后，供给优化驱动电动车和 SUV渗快速提升

（1）复盘 SUV细分市场的发展，2009-2012年间 SUV 渗透率处于 5%-10%，2012年后 SUV渗透率开始快速增长。2009-2012年间的核心变化是出现了哈弗H6，途观，CRV换代等优质供给，尤其在 2012年，哈弗 H6和途观换代产品放量，年销量分别超过 22万辆和 15万辆，供给端的优化驱动 2012年后 SUV渗透率快速增长。

（2）复盘新能源细分市场的发展，2018-2020年间新能源渗透率处于 5%-10%，2021年后新能源渗透率开始快速增长。2018-2020年间，新能源市场受补贴影响较大，整体新能源车的产品力较弱。2020年开始，市场出现 Model 3，理想ONE，比亚迪汉等产品力较强的产品，供给端的优化驱动 2021年后新能源渗透率快速增长。

图 37、2009-2014 年 SUV 市场销量 TOP10 的产品（单位：辆）

							2012年畅销SUV 2013年畅销SUV 2014年畅销SUV
	产品当年销量产品当年销量产品当年销量
	产品当年销量产品当年销量产品当年销量						产品	当年销量	产品	当年销量产品当年销量
Top1	CRV	105233	CRV 140000 CRV 160003				哈弗H	221549	哈弗H6	217842	哈弗H6 315881
Top2	RAV4	68212	途胜ix35	119805	途胜ix35	154211	途观	173062	途胜ix35	209568	途观 237404
Top3	哈弗H	63479	哈弗H	116790	哈弗H	143816	CRV	169036	途观	199782	途胜ix35 171411
Top4	途胜ix35	49345	RAV4	98057	途观	129172	途胜ix35	164425	CRV	189972	CRV 168179
Top5	圣达菲	46696	汉兰达	80956	逍客	111304	逍客	105143	逍客	124589	翼虎 135998
Top6	瑞虎	45966	圣达菲	77159	RAV4	100218	瑞虎	104013	奥迪Q5	102121	RAV4	124680
Top7	狮跑	43888	众泰5008	70919	瑞虎	99338	RAV4	98179	翼虎	95891	奇骏	114459
Top8	汉兰达	35466	途观	70455	汉兰达	94635	奥迪Q5	90157	汉兰达	95216	奥迪Q5	106999
Top9	逍客	33877	狮跑	67740	众泰5008	73349	比亚迪S6	86851	比亚迪S6	93168	瑞虎	104064
Top10	奇骏	24058	瑞虎	65062	智跑	64341	智跑	75964	智跑	88285	CS35	100571

资料来源：Marklines，兴业证券经济与金融研究院整理
红色表示年销量超过10万辆的车型

图 38、2018-2020 年新能源市场销量 TOP10的产品（单位：辆）

	2017年畅销新能源车产品制当年销量		2018	年畅销新能源车 2019		年畅销新能源车 2020年畅销新能源车 2021年畅销新能源车 2022						年畅销新能源车
	2017年畅销新能源车产品制当年销量		产品	当年销量	产品	当年销量	产品销当年销量		产品当年销量产品			当年销量
Top1	北汽EC180	77628	北汽EC180	91954	绅宝D50	80879	Mode13 137459		五菱宏光MINIEVV426482		五菱宏光MINIEV572757
Top2	D2	42342	秦	47425	元	61900	五菱宏光MINIEV	127651	Model3 283999		ModelY	455091
Top3	宋DM/宋PLUSDM	30911	BYDe5	46213	宝骏E100	60050	欧拉R1	46774	ModelY 200131		宋DM/宋PLUSDM	411026
Top4	iEV5	24198	iEV6E	43155	eQ1	39401	AionS	46091	秦PLUSDMi	113656	Model3	255774
Top5	BYDe5	23601	宋DM/宋PLUSDM	39318	唐DM	34014	秦Pro	41621	理想ONE	90491	海豚	205417
Top6	帝豪	23324	唐DM	37146	AionS	31929	eQ1	39553	汉	87189	元PLUS	202058
Top7	秦	20738	元	35699	荣威Ei5	30550	理想ONE	32624	宋DM/宋PLUSDM	79508	秦PLUSDMi	195350
Top8	荣威RX5	19510	荣威i6	33347	BYDe5	29311	汉	28773	eQ1	77159	汉	144664
Top9	eQ1	18554	E200	32513	欧拉R1	28498	蔚来ES6	28020	奔奔	76438	汉DM	129351
Top10	众泰E200	16751	帝豪	31426	帝豪	28450	MGZSSUV	23967	AionS	69220	唐DM	125687

资料来源：Marklines，兴业证券经济与金融研究院整理
红色表示年销量超过10万辆的车型

3.2高阶智能驾驶：2023H2供给侧质变，后续渗透率快速提升

1）供给优化的趋势：2023H1 城市领航辅助驾驶大规模落地，后续预计“算法升级→硬件降本→性能更强价格更低的产品推出”。从供给端看，2023年开始头部车企推出具有高阶辅助驾驶功能的产品，并大规模落地城区 NOA。一方面，伴随着数据的累积和模型的训练，智能驾驶算法能力有望快速升级。另一方面，伴随着算法的迭代和成熟，高阶辅助智能驾驶有望减配高精地图和激光雷达等高成本硬件。目前，国内能够实现 NOA功能的高阶辅助驾驶硬件成本预计 2.5-3万元。（1）感知环节：目前传感器成本预计 5000-10000万元，主要取决于激光雷达的数量，目前单颗激光雷达价格预计 3000-5000元。此外，高精地图的成本也较高。（2）计算环节：目前智驾域控制器成本预计 1.5-2.5万元，主要取决于SoC芯片数量和价格，目前的英伟达的大算力 SoC芯片价格仍较高，地平线等国内供应商和特斯拉/华为等自研芯片的成本预计较低。我们预计在“重感知轻地图”的路线下，伴随着算法的迭代和成熟，高阶辅助智能驾驶有望减配高成本硬件，未来综合成本有望降低 50%。

图 39、目前特斯拉/华为/小鹏/理想/蔚来智驾硬件成本估计（单位：元）

资料来源：各公司官网，佐思汽车研究，兴业证券经济与金融研究院预计

表 3、特斯拉/华为/小鹏/理想/蔚来辅助驾驶硬件配置梳理

	辅助驾驶系统	发布时间	车型	主控芯片	芯片算力	激光雷达	头	雷达	，摄像毫米波超声波雷达
小鹏	XNGP	2022年9月	小鹏G9/小鹏G6	2个英伟达0rin	508 TOPS	2	13	5	12
蔚来	NOP+ （后续NAD）	2021年1月	ET7/ET5	4个英伟达0rin	1024 TOPS	1	11	5	12
理想	AD PRO	2023年2月	理想L7/8 Air/Pro	地平线征程5	128 TOPS		11	1	12
	AD MAX	2023年2月	理想L7/8 MAX 理想L9	2个英伟达0rin	508 TOPS	1	11	1	12
特斯拉	HW 3.0	2019年3月	Model3/Y/S/X	2个自研FSD	144 TOPS		8	1	12
华为	ADS 2.0	2023年4月	问界M5高阶智驾版	MDC 610	200 TOPS	7	11	3	12

资料来源：各公司官网，汽车之家，兴业证券经济与金融研究院整理

2）未来几年高阶辅助驾驶有望进入渗透率快速提升过程。我们认为当下高阶辅助驾驶功能的核心问题不在于需求，而在于体验和成本。基于 BEV+Transformer技术路线并持续升级的算法，一方面可以提升辅助驾驶功能的体验，另一方面可以降低硬件成本。目前，明确表示在 2023年内开通城区 NOA功能的车型包括：小鹏 G6，理想 L7 MAX/L8 MAX/L9，华为问界 M5高阶智驾版，阿维塔 11，我们预计比亚迪腾势 N7高阶版，仰望 U8，长城蓝山等车型也有望 2024年落地城市导航辅助驾驶。按照当前已知的车企规划估计，2025年高阶辅助驾驶渗透率有望接近 10%。2025年之后，伴随着体验的升级和成本的下降，高阶辅助驾驶渗透率有望快速增长。

图 40、高阶辅助驾驶渗透率展望(单位：万辆)

车型		2023销量	2024销量	2025销量
小鹏	G6 MAX	3	6	75
	P7i MAX	2	4
	G9 MAX	1	1.5	2
	X9	1	3	5
	其他车型		5	10
华为合作车	极狐阿尔法	3	4	5
	问界M5高阶智驾版	2	6	7
	问界M7高阶智驾版		6	7
	阿维塔11	3	6	8
	阿维塔12		3	8
	其他车型		6	20
理想	理想L7 MAX	4	8	10
	理想L8 MAX	4	8	10
	理想L9	6	8	8
	W01		6	10
	其他车型		5	15
比亚迪	腾势N7高阶版	2	8	10
	仰望U8	1	3	3
	其他车型		10	30
	魏牌摩卡DHT-PHEV		5	6
	蓝山	３３	6	7
长城	其他车型		5	10
蔚来		3	10	20
其它车企			10	20
高阶智能驾驶车型总销量		41	143	243
国内乘用车销量预计		2375	2423	2471
高阶智能驾驶渗透率预计		1.7%	5.9%	9.8%
L2+驾驶渗透率预计		35%	40%	45%

资料来源：兴业证券经济与金融研究院整理
注：销量为对高阶辅助驾驶版本的销量预计，不表示对该车型所有版本的销量预计

四、产业影响：整车格局重构和零部件赛道重估

4.1整车格局可能因为智能化突破产生新的变化

智能驾驶产品技术上的代际升级有望驱动整车格局的新变迁。复盘全球和国内车企崛起的经验，生产技术/产品技术/需求挖掘的代际变革和边际优化是一个车企崛起的核心原因。（1）从生产技术角度，汽车行业经历了手工生产—大批量生产—精益生产的代际性的变革，其中又有平台化模块化等生产方式创新带来的降本增效，目前处于精益生产范式下平台化模块化生产的边际优化中。特斯拉采用一体化压铸技术大幅提升生产效率，国内蔚来，极氪等企业也应用一体化压铸生产后地板等零部件。

（2）从需求挖掘角度，汽车行业陆续出现跑车，平民车，大型轿车，皮卡，气泡车，经济型轿车，SUV，MPV等细分市场，一些市场反应敏捷的企业享受到细分市场快速成长的红利。近年来家庭用车，女性用车，越野车等细分市场的需求挖掘给一些企业带来机会，但随着消费者选择的多样化，新的细分市场的挖掘难度加大，目前处于在各种细分市场的边际完善中。

（3）从产品技术角度，汽车行业经历了马车—燃油车—电动车的代际性变革，其中又有涡轮增压，流线型设计等的持续优化。我国汽车行业正处于从燃油车向电动车转型代际变革中，比亚迪与理想汽车等企业在电动化浪潮中迅速崛起。我们认为，产品技术角度即将进入下一个代际跨越，即智能驾驶的代际升级：城市 NOA的大规模落地，高阶智能驾驶进入城市场景。而智能驾驶的代际升级有望产生整车格局的变迁。随着消费者越来越看重智能驾驶带来的驾驶体验的提升，智能驾驶能力有望成为消费者选择汽车产品的重要因素，相关能力较强的车企有望实现弯道超车。

图 41、生产技术/产品技术/需求挖掘的代际变革与边际优化（横轴为年份）

1900191019201930194019501960197019801990 流水线生产生产技术

丰田精益生产边际优化手工生产大批量生产

超级工厂代际精益生产 1900191019201930194019501960197019801990 2000 2010 2020 1903ModelT直列四缸发动机 1934年克莱斯勒流线型车身

1949年捷豹XK的直列六缸发动机 1955雪佛兰小缸体V8发动机 1967马自达的转子式发动机优化 1977年SAAB99应用涡轮增压

1997年丰田普锐斯混动发动机 2015特斯拉Model3 2021比亚迪DM3.0混动

城区NOA大规模落地代际马车燃油车电动车智能车

2020 跑车：奥斯丁SevenUIster(1930)，阿尔法罗密欧8C2600(1933)，阿斯顿马丁MKII(1932)等平民车：庞蒂亚克Six(1935)奥斯丁10/4(1935)普利茅斯P3(1937)等

皮卡：福特F系列(1948)International HarvesterK系列(1941) 需求挖掘大型轿车：奥兹莫比尔(1955)，AMCRambler(1958)等边际优化气泡汽车：菲亚特500(1957)，奥斯丁Mini（1959)等紧凑型汽车：大众Polo(1981年)，本田思域(1987年)等 MPV:SpaceWagon(1984)普利茅斯Voyaher(1984)雷诺Espace(1984)等中国SUV:哈弗H6(2011)，长安CS35/CS75(2012-2014)，广

汽传祺GS4(2014-2017)，吉利帝豪GS/博越(2016-2018)等家庭用车：理想ONE/魏牌蓝山代际贵族车平民车多元化需求

资料来源：《DK汽车大百科》，《我在通用汽车的岁月》，《福特传》，《改变世界的机器：精益生产之道》，丰田汽车官网，福特官网，通用官网，大众官网，本田官网，维基百科，兴业证券经济与金融研究院整理

当前高阶智能化作为技术代际升级，可能驱动行业格局的再变化

L2+ 到 L3-L4 不是连续的技术边际优化，而是跨越式的技术升级。大规模神经网络的参数数量、训练数据等规模到达一定程度时，会出现定性的变化。如图39 展示了大模型的“涌现”现象，横轴表示各个神经网络模型的规模，纵轴表示准确率，可以看到有效参数跨越一个明显的临界值后，模型的精度会大幅提升。我们认为，同样基于 Transformer架构的智能驾驶大模型在数据和参数积累到一定程度后，也有望迎来“涌现”时刻，智能驾驶的能力也有望大幅提升。即智能驾驶的技术能力的提升并非线性的，从 L2+级别提升到 L3-L4 级别的智能驾驶，或许不是连续的技术边际优化，而是跨越式的技术升级。因此，智能化的代际升级可能驱动整车格局变化，头部企业与其他企业的技术差距可能会拉大。

图 42、大模型的“涌现”现象示意图

资料来源：《Emergent Abilities of Large Language Models》，兴业证券经济与金融研究院整理

4.2智能驾驶增量/全新部件市场空间的增长有望超预期

智能化将重塑汽车零部件价值链，高阶智能化渗透率加快将驱动部分零部件赛道进展超预期。

域控制器、线控制动、毫米波雷达、摄像头以及 4D 毫米波雷达等是智能化受益新赛道。随着电动智能化产业趋势，发动机、燃油喷射系统、变速器、启动电机及发电机、涡轮增压、尾气处理系统、油箱及燃油系统预计逐步萎缩。而自动驾驶的实现需要毫米波雷达、摄像头、超声波雷达、激光雷达、4D毫米波雷达等传感端产品的保障，自动驾驶渗透率的提升拉动传感端产品需求持续提升。智能电动车背景下，传统纯机械的转向系统和制动系统逐渐被替代，电控转向和电控制动兴起，到最后线控转向线控制动。此外随着智能化和电动化的深入，转向和制动进入线控转向和线性制控时代。电子电气架构从分布到集中，域控制器、多域控制器替代 ECU。

城市 NOA 及高阶智能化加速，驱动新赛道空间增长加快，渗透提升加快。车企城市 NOA加速落地，意味着高阶智能驾驶进入城市场景。无论从软件还是硬件层面，对汽车产品都提出了更高的要求。因此，有望驱动零部件新赛道市场空间加速增长，同时提升整体渗透速度。

表 4、智能驾驶相关赛道市场空间测算

产品空间中国乘用车销量(万辆)	2021 2148	2022 2356	2023E 2403	2024E 2451	2025E 2501	2026E 2551	2027E 2602 2%	2028E 2654	2029E 2707	2030E 2761	23-25CAGR26-30CAGR
中国乘用车销量yoy 8.3% L3-L5硬件渗透率	6.5% 0%	1%	2.0% 2%	2.0% 6%	2% 10%	2% 25%		40%	2% 50%	2% 60%	2% 65%
4D毫米波雷达出货量合计（万辆）	。	0	0	1	12	96	312	531		812	908
4D毫米波雷达单价（元） 4D毫米波雷达市场空间（亿元）			800 0.00	800 0.06	800 0.98	776 7.42		753 730 23.50 38.75		708 57.51	687 62.40	129%
yoy					1594%	657%		217% 65%	48%		9%
自动驾驶域控制器市场空间（亿元RMB）	43	55	86	186	330	567	754	831	875	861
yoy		28%	57%	115%	78%	72%	33%		10% 5%		-2%
智能座舱域控
出货量（万套）	107	171	293	531	995	1498	1860	2123	2301		2347
单价（元RMB）	2800	2716	2635	2555	2479	2404	2332	2262	2194	2129
市场空间（亿元RMB）	30	46	77	136	247	360	434	480	505	500
yoy		54%	66%	76%	82%	46%	20%	11%	5%	-1%
车身域控制
智能车中渗透率		5%	15%	20%	40%	50%	60%	70%	80%	90%
出货量（万套）	0	61	229	401	1196	1785	2341	2972	3681	4224
单价（元RMB）		900	1080	1296	1555	1477	1404	1333	1267	1203
市场空间（亿元RMB）		6	25	52	186	264	329	396	466	508
yoy 底盘域控制				111%	258%	42%	25%	21%	18%	9%
智能车中渗透率			5%	15%	20%					80%
出货量（万套）			38	150	299	40% 714	50% 976	60% 1274	70% 1610	1877
单价（元RMB）			1200	1320	1452	1379	1310	1245	1183	1124
市场空间（亿元RMB）			5	20	43	99	128	159	190	211
yoy 动力域控制				334%	119%	127%	30%	24%	20%	11%
智能车中渗透率			0%	5%			30%
出货量（万套）			0	50	10% 150	20%		40%	50%	60% 1408
单价（元RMB）			1000	1100	1210	357	585	849	1150
市场空间（亿元RMB）			0	6	18	1150 41	1092	1037	986 113	936
yoy					228%	127%	64 56%	88 38%	29%	132 16%
域控制器市场空间合计（亿元）	73	107	193	399	825	1331	1708	1955	2150	2212	98%	22%
yoy 线控制动		46%	80%	107%	107%	61%	28%	14%	10%	3%
在智能汽车中的渗透率
销量（万套）	75% 338	80% 490	85% 648	90% 902	95%	100%	100%	100%	100%	100%
单价（元/套）	1900	1750	1650 107	1601 144	1421 1552	1785 1506	1951 1461	2123 1417	2301 1374	2347 1333	37%	7%
线控线控制动市场空间（亿元） yoy	64

资料来源：中汽协，兴业证券经济与金融研究院整理

五、投资建议：AI加持，看好高阶智能化的产业机会

理论方法突破：AI大模型用于感知融合，后续有望实现端到端。智能驾驶系统可分为感知，预测，规划，控制几个主要模块。过去，一些智能驾驶的方案中感知，预测等模块采用了 CNN 和 RNN 等 AI 模型。2020 年 Transformer 模型引入CV领域和智能驾驶领域后，通过 Attention机制，兼备 CNN易于并行化的优势和 RNN模型可以捕捉长序列内的依赖关系的优势，有效提升感知模块的特征提取等环节的效果，加速了智能驾驶算法的升级。（1）目前，特斯拉等头部玩家基于 BEV+Transformer做特征融合，并结合占用网络将目标检测升级为语义分割，提升感知能力，并减少对高精地图的依赖。（2）未来，有望基于 Transformer大模型实现端到端的辅助驾驶，即传感器的数据输入大模型后直接输出执行信号，进一步提升智驾能力。

产业进展突破：海外特斯拉 FSD快速升级，国内城市领航辅助即将规模落地。特斯拉 FSD新一代的升级即将完成, “超级计算机”Dojo投产运行将助力 FSD性能跃升，同时年内有望推出 V12版本并应用端到端 AI技术，未来海外渗透率有望大幅提升。国内车企城市 NOA功能下半年有望大规模落地，意味着高阶智能驾驶进入城市场景。对于用户来讲，高阶智能驾驶的体验将大幅度提升。而开放城市场景后更加丰富的数据，有望使得头部车企算法迭代速度加快。

表 5、相关标的盈利预测与估值（市值与 PE 对应 2023年 7月 17日收盘价）

营业收入（百万元）归母净利润2022A2023E2024E 2025E 2022A 2023E 2024E 2025E							（百万元）市值 PE PE（亿元）（对应2023E）（对应2024E)
营业收入（百万元）归母净利润2022A2023E2024E 2025E 2022A 2023E 2024E 2025E							（百万元）市值 PE PE（亿元）（对应2023E）（对应2024E)					2023E	2024E2025E（亿元）
小鹏汽车(海外团队覆盖)	26855	30469	63983	92587	-5946	-8588-5500		-1944	1051
理想汽车（海外团队覆盖）	45287	105485	152708		-2012	3641	7191		2737	75	38
比亚迪	424061	614888	854694	1008539	16622	26749	40470	50118	7425	28	18
长城汽车	137340	192441	233765	296102	8266	6021	10287	14329	1742	29	17
科博达	3384	4770	6317	8075	450	635	869	1123	295	47	34
德赛西威	14933	20709	26048	31231	1184	1634	2188	2836	849	52	39
经纬恒润	4022	5336	7229	9548	235	300	438	616	192	64	44
均胜电子	49793	54645	589449	64223	394	800	1159	1629	290	36	25
保隆科技	4778	5903	7970	10367	214	396	527	709	122	31	23

资料来源：公司公告，Wind，兴业证券经济与金融研究院整理

六、风险提示：

智能化发展不及预期：乘用车辅助驾驶的发展速度与国内消费者对智能化功能的接受程度密切相关，也可能受到政策影响，智能化发展存在不及预期的风险。

降本落地不及预期：辅助驾驶成本降低与芯片和各种传感器价格密切相关，国产替代的效果可能不及预期，用大模型的实际感知融合效果可能不及预期，因此降本落地的速度可能不及预期。

新车销量不及预期：乘用车新车销量受到供给和需求的多方面影响，上市节奏可能不及预期，上市后的产能爬坡和实际需求也可能不及预期。

分析师声明

本人具有中国证券业协会授予的证券投资咨询执业资格并登记为证券分析师，以勤勉的职业态度，独立、客观地出具本报告。本报告清晰准确地反映了本人的研究观点。本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。

投资评级说明

投资建议的评级标准	类别	评级	说明
报告中投资建议所涉及的评级分为股票评级和行业评级 (另有说明的除外)。评级标准为报告发布日后的12个月内公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅。其中：A股市场以沪深300指数为基准；新三板市场以三板成指为基准；香港市场以恒生指数为基准；美国市场以标普500或纳斯达克综合指数为基准。	股票评级	买入	相对同期相关证券市场代表性指数涨幅大于15%
		增持	相对同期相关证券市场代表性指数涨幅在5%~15%之间
		中性	相对同期相关证券市场代表性指数涨幅在-5%～5%之间
		减持	相对同期相关证券市场代表性指数涨幅小于-5%
		无评级	由于我们无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使我们无法给出明确的投资评级
	行业评级	推荐	相对表现优于同期相关证券市场代表性指数
		中性	相对表现与同期相关证券市场代表性指数持平
		回避	相对表现弱于同期相关证券市场代表性指数

信息披露

本公司在知晓的范围内履行信息披露义务。客户可登录 www.xyzq.com.cn 内幕交易防控栏内查询静默期安排和关联公司持股情况。使用本研究报告的风险提示及法律声明

兴业证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。

，本公司不会因接收人收到本报告而视其为客户。本报告中的信

息、意见等均仅供客户参考，不构成所述证券买卖的出价或征价邀请或要约，投资者自主作出投资决策并自行承担投资风险，任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效，任何有关本报告的摘要或节选都不代表本报告正式完整的观点，一切须以本公司向客户发布的本报告完整版本为准。该等信息、意见并未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求，在任何时候均不构成对任何人的个人推荐。客户应当对本报告中的信息和意见进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见。对依据或者使用本报告所造成的一切后果，本公司及/或其关联人员均不承担任何法律责任。

本报告所载资料的来源被认为是可靠的，但本公司不保证其准确性或完整性，也不保证所包含的信息和建议不会发生任何变更。本公司并不对使用本报告所包含的材料产生的任何直接或间接损失或与此相关的其他任何损失承担任何责任。

本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可升可跌，过往表现不应作为日后的表现依据；在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告；本公司不保证本报告所含信息保持在最新状态。同时，本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

除非另行说明，本报告中所引用的关于业绩的数据代表过往表现。过往的业绩表现亦不应作为日后回报的预示。我们不承诺也不保证，任何所预示的回报会得以实现。分析中所做的回报预测可能是基于相应的假设。任何假设的变化可能会显著地影响所预测的回报。

本公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。

本报告并非针对或意图发送予或为任何就发送、发布、可得到或使用此报告而使兴业证券股份有限公司及其关联子公司等违反当地的法律或法规或可致使兴业证券股份有限公司受制于相关法律或法规的任何地区、国家或其他管辖区域的公民或居民，包括但不限于美国及美国公民（1934年美国《证券交易所》第15a-6条例定义为本「主要美国机构投资者」除外）。

本报告的版权归本公司所有。本公司对本报告保留一切权利。除非另有书面显示，否则本报告中的所有材料的版权均属本公司。未经本公司事先书面授权，本报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。未经授权的转载，本公司不承担任何转载责任。

特别声明

在法律许可的情况下，兴业证券股份有限公司可能会持有本报告中提及公司所发行的证券头寸并进行交易，也可能为这些公司提供或争取提供投资银行业务服务。因此，投资者应当考虑到兴业证券股份有限公司及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。投资者请勿将本报告视为投资或其他决定的唯一信赖依据。

兴业证券研究

上海	北京	深圳
地址：上海浦东新区长柳路36号兴业证券大厦15层	地址：北京市朝阳区建国门大街甲6号SK大厦32层01-	地址：深圳市福田区皇岗路5001号深业上城T2座52楼
邮编：200135	08单元	邮编：518035
邮箱：research@xyzq.com.cn	邮编：100020 邮箱：research@xyzq.com.cn	邮箱：research@xyzq.com.cn

StartYourFinance

起点财经，网罗天下报告

汽车行业智能驾驶系列深度之六：AI加持+城市NOA落地，高阶智能化迎来蝶变时刻-20230718-兴业证券-31页