|
11月17日，工信部等四部门发布《关于开展智能网联汽车准入和上路通行试点工作的通知》（以下简称《通知》），将推动高阶自动驾驶的落地、促进产业发展，迈出了关键一步。随着政策的密集落地，2024年有望成为自动驾驶的爆发元年。本文系统梳理了自动驾驶当下发展的两种技术路线、商业模式和面临的发展瓶颈，并对未来自动驾驶产业的发展趋势进行展望，为自动驾驶发展及落地提供参考。
一、路线一：单车智能（AD）的发展及挑战
1. 单车智能发展处于L2向L3过渡的关键时期，大模型赋能下或迎奇点
全球L2等级的自动驾驶车辆是现阶段自动驾驶落地的核心，正处在加速量产阶段，但市场渗透率和应用规模仍需要进一步扩大。中国已成为智能驾驶的主战场，L2级自动驾驶渗透率已达34%，但目前，被誉为自动驾驶分水岭即在特定环境下自动驾驶的L3级进程推动相对缓慢，在软硬件开发、核心算法、高端GPU芯片等方面高度依赖国外厂商。
单车智能技术的供给端发生重要变化，从激光雷达+高精地图逐步走向软件+算法，从基于规则逐步走向神经网络，从模块化部署逐步走向端到端一体化，有望助力自动驾驶系统更好地实现L3能力，但能否迈向L4仍待观望。基于大模型赋能，目前行业已形成Transformer+BEV+占用网络的算法模型架构，形成高质量的3D感知结果，实现多模态数据处理并能够感知全局信息，摆脱对高精地图的依赖，同时大幅提升算法的泛化性，推动端到端自动驾驶模型落地并有望进入L3阶段，为单车智能后续的技术发展奠定了基础。目前，国内车企与特斯拉等全球领先企业存在一定差距，如与特斯拉的端到端一体化技术存在1-2年差距，需要2-3年追赶。
图1 端到端VS模块化算法的性能增长曲线
2. 高级别单车智能发展面临商业化、安全性、技术成熟度等众多挑战
单车制造成本过高，商业化迟迟无法破局。硬件方面，目前乘用车激光雷达传感器成本仍较为高昂，单价在1000-1500美元区间；高性能芯片单价在300美元左右1，L3级以上的自动驾驶系统通常需要几十到上百块芯片。软件方面，自动驾驶升级至L3级时，对应的单车软件成本会从8000-16000元提高到16000-32000元2。BEV感知模型的图像数据从2D升级为3D视觉，图像采集需要消耗较大的算力，并且需要重新进行数据标注等工作，导致数据采集成本会大幅上升。同时，随着自动驾驶功能升级，大模型算法对应的训练数据量亦呈指数级增长，L4级、L5级的算力需求分别高达400 TOPS和4000+ TOPS。
现有单车智能技术仍不足以实现从L3级向更高级别自动驾驶的过渡。首先，高级别单车智能受技术成熟度的制约，各种硬件、软件、计算能力等方面的技术进步及其整合效果仍不理想，如摄像头视觉感知的灵敏度在极端环境中显著下降；大模型算法容易受到输入数据扰动的干扰，出现非鲁棒特征，从而导致模型给出错误的结论。第二，受数据丰富度的制约。想要覆盖各种驾驶场景，需要收集大量且丰富的数据用于自动驾驶算法的训练和迭代升级，但目前无法获取大量多场景边缘数据，而升级所需的大量数据也给数据处理带来困难。
智能驾驶的商业化闭环难题导致投资信心明显减弱，资本市场对自动驾驶的追捧持续降温。2022年以来，已上市的自动驾驶公司普遍表现不佳，包括 Aurora、图森未来和Embark等自动驾驶公司的股价都暴跌至少80%。从一级市场看，2022年国内自动驾驶领域相关融资达153起，但对外披露的融资总额合计仅为315.5亿元，同比大幅减少48%。
图2 2021年以来自动驾驶融资规模逐步下行
二、路线二：车路协同（VICAD）的发展及挑战
1. 车路协同将大幅提升自动驾驶的安全性、智能性，成为单车智能的有效补充
要真正实现L3/L4的高级别自动驾驶，仅仅靠单车智能很难实现，需要车路协同和单车智能同时支持。通过引入熵减的智能要素，路端、云端、网端都可以承担部分或全部“感知-规划-执行”功能，实现车辆和基础设施之间智能协同与配合，同时在车路云协同的监管系统下，在大环境中对AI智能驾驶车辆进行全面监管，有效降低单车智能下系统输入。
2. 车路协同将大幅降低智能化成本，助力产业步入低成本周期
从宏观的角度看全局成本，车路协同方案得益于将大部分感知和计算能力从汽车身上“卸载”到路侧及云端，变成可供汽车同时接入共享和复用的基础设施，其成本仅占到单车智能的30%左右。长远来看，车路协同自动驾驶可降低90%的成本4。未来可参考公共设施投资成本回收的方式，通过长期累计的智能汽车运行流量来有效分摊政府在“路侧”智能化改造投入的大量成本，并通过效率提升、安全出行、智慧化管理等方面改善的收益来逐步收回。
图4 中国车路协同市场规模预测（亿元）
3. 车路协同渗透率的临界点为15%5，政策端发力有望加速车路协同落地进程
当前车路协同装机率、渗透率“两率”不达标问题十分突出，路测覆盖率、车端渗透率均不高，RSU和感知路侧设施的建设数量仍需提高。2022年我国车载C-V2X的比例不足1%；从路端来看，2023年国内第一条我国主导的C-V2X车联网技术的公路才正式完工。车路协同发展逻辑高度协同于通信网产业，依赖于公路的智能化改造和基础设施投资。
高阶自动驾驶政策逐步完善，有望推动车路协同法规的构建和技术试点，催化渗透率的提升和产业发展。《通知》将进一步开启L3、L4级车路协同智能网联技术落地试点的进程，解决高级自动驾驶责任划分问题，未来申请自动驾驶道路必须要有相关V2X的基础设施建设，促进政府和企业加大对V2X的投入，消除高阶智驾落地的政策阻碍。
4. B端的商业化应用需求将是车路协同现阶段主要的商业化契机，亟需培育“链长”来协同推进产业发展
车路协同的商业化落地需要经历从慢到快、从限定场景到开放道路的渐进过程。如在封闭/半封闭场景内，车路协同能更有效发挥降本增效的效果，有效降低开发设计、硬件、人力成本，目前在矿山、港口、环卫、无人物流小车等场景已经接近批量复制的节点。
车路协同技术链条涉及到“人—车—路—网—云”协同、应用及算法服务、运营及盈利模式等方面的挑战。产业的发展亟需自动驾驶“链长”统筹多方资源、协调各方需求，构建场景应用、技术标准的联动创新体系，强化车企、路企、通信、云等跨行业间的协同合作，共同构建产业生态。
图5 依托“链长”打造统一市场主体
三、自动驾驶未来的发展趋势与展望
1. 技术层面
未来2年是L2+产品量产竞赛的阶段，单车智能仍将扮演重要角色。单车智能并非站在车路协同的对立面，而是相辅相成互为补充，即使未来车路协同场景下，仍将有大量的计算和决策在车端完成。在路端实现智能化之前，以车端为核心的L2+技术依旧是产业发展的重点方向。大模型的应用也将催化模型端的成熟，实现端到端的自动驾驶学习，提供更强的环境感知能力。端到端自动驾驶可实现将多个小模型整合成一个“大模型”，输入原始数据通过大模型直接生成驾驶指令，极大提升系统的性能上限，有望成为单车智能的终极解决方案。
2025年之后，中国有望逐步进入L3+阶段，车路协同技术将成为未来自动驾驶发展的必然趋势和主战场。车路协同的产业仍将是渐进式的进程，随着高级别自动驾驶试点文件的发布，政府主导推进不断深化扩大运行的特定道路和区域等场景，L4技术有望实现快速进步。此外，车路协同路线成本较低、安全可靠的优势将被充分释放出来，成为自动驾驶的核心乃至决胜未来汽车产业的关键。
中长期看，以车路协同为技术底座，构建“通信+数据+计算”的新体系，自动驾驶将走向大感知和大规控。未来高阶自动驾驶将包含协同感知、协同决策和协同控制，形成车路协同的“世界模型”（World Models），并能够根据历史驾驶习惯和路况预测未来的发展，生成视觉反馈指导规划路线选择，帮助车辆进行自主导航、决策和规划行驶路径，极大地提高自动驾驶的安全性，提升移动生态系统的生态效率。
2. 商业层面
在G端，车路协同作为一个牵引性的系统工程，将会和政府的投资、基础设施建设和管理规则发生重要联系，形成经济社会发展关键新动能。车路协同在城市公共服务领域有巨大替代空间，来来汽车将会成为移动的智能终端、算力中心和分布式能源，决定了汽车将演变为智慧城市的重要节点，将会和政府的投资、新基建发展发生重要联系，推动IT、智能制造与交通、汽车产业走向深度融合。
在B端，车路协同将成为“中国方案”下智能化产业发展的关键破局点，持续带动产业的迭代创新。近期，美国政府对尖端人工智能芯片的出口管制，限制单车智能技术升级与迭代创新。从需求端看，车路协同可降低对高端芯片的依赖，为智能化产业链关键环节发展提供重要的机遇和窗口，有望成为突破高级算力限制的关键破局点。在我国5G、V2X等通信技术全球领先的情况下，车路协同将在市场化发展中扮演关键角色，持续带动智能化产业迭代创新。
在C端,自动驾驶商业化拥有万亿规模的市场空间，并衍生出TaaS/MaaS、共享服务等新的商业模式。中信证券预测，未来十年，无人驾驶出租车市场空间约3.2万亿元，商用车市场空间合计约3万亿元。围绕自动驾驶也将衍生出移动即服务（TaaS/MaaS）、共享服务等新的商业模式，整合各种交通方式，提供集成、无缝和按需移动解决方案，并通过平台用户偏好、运输模式、交付数据的分析和洞察，使城市交通更加便捷高效。
| 
287
发表于 2023-12-28 09:17:45
