近年來(lái)，無(wú)人駕駛發(fā)展駛入“快車(chē)道”，政策端傳出利好消息，工信部明確表示支持L3級及更高級別的自動(dòng)駕駛功能商業(yè)化應用。

(資料圖片)

同時(shí)，產(chǎn)業(yè)端也迎來(lái)利好，AI大模型或進(jìn)一步加入無(wú)人駕駛的發(fā)展，具體來(lái)看AI從哪些方面賦能？

華泰證券在最新的報告中，對AI大模型賦能自動(dòng)駕駛進(jìn)行了詳細剖析，分析指出AI大模型的引入（自動(dòng)標注、感知預測算法的快速迭代），從行業(yè)整體層面可以加速高級別輔助駕駛的量產(chǎn)落地。

其次，智能駕駛板塊后發(fā)者借助產(chǎn)業(yè)鏈優(yōu)勢（云端算力中心、通用開(kāi)源模型的適配）與先發(fā)者在數據積累、模型迭代中的差距有望進(jìn)一步縮小。

而受益于智能駕駛本土化的客觀(guān)需求、產(chǎn)業(yè)鏈各環(huán)節國內供應商產(chǎn)品性能的提升與下游自主品牌的崛起，零部件國產(chǎn)替代趨勢顯著(zhù)。?

總結來(lái)看，華泰認為，今年或是城市NOA（領(lǐng)航輔助駕駛）普及的元年。當前旗艦車(chē)型高級別輔助駕駛BOM成本為1.4萬(wàn)元，預測2023-2030年高級別輔助駕駛BOM成本的平均年降幅度為11%。

提升數據采集、數據標注的效率

海量的數據是無(wú)人駕駛的基礎，主要來(lái)自真實(shí)數據、虛擬仿真、影子模式，而下一步是則對數據進(jìn)行識別、標注。

數據采集方面，華泰證券指出，大模型可以構建虛擬場(chǎng)景人工生成數據，補充現實(shí)中難以獲得/數據量不足的情形。

以特斯拉FSD為例，針對真實(shí)道路場(chǎng)景中不常見(jiàn)的案例，特斯拉通過(guò)模擬仿真，構建虛擬場(chǎng)景采集數據，以豐富數據的來(lái)源，為模型訓練提供支持；通過(guò)數據引擎，人工挖掘誤判的、非典型案例。

數據標注方面，華泰證券指出，人工標注成本高、效率低，自動(dòng)標注是AI大模型賦能智能駕駛最直接的應用，能大幅降低數據標注的成本。

以特斯拉為例，特斯拉FSD通過(guò)“多重軌跡重建”技術(shù)自動(dòng)標注車(chē)輛行駛軌跡。目前在集群中運行12小時(shí)即可完成10000次行駛軌跡標注，取代500萬(wàn)小時(shí)人工標注。通過(guò)機器的自我訓練，減少了人力標注成本高、效率低的問(wèn)題。?

以Meta的SAM為代表的圖像分割大模型的出現可大幅降低數據標注的成本，該模型是有史以來(lái)最大的分割數據集。

優(yōu)化感知-決策-執行三階段算法

同樣以考特斯拉FSD為例，華泰分析師黃樂(lè )平將自動(dòng)駕駛模型算法按流程，分為感知識別道路和道路上物體）、預測（預測周?chē)?chē)輛和行人的行為）、執行（控制車(chē)輛速度方向等行動(dòng)）三個(gè)階段。?

特斯拉、新勢力等主要企業(yè)從幾年前開(kāi)始采用基于Transformer的大模型等新技術(shù)，1）提高道路、物體的識別精準度；2）學(xué)習人類(lèi)的駕駛習慣（影子模式），3)縮短決策所需要的時(shí)間，從而訓練模型更加“擬人”。?

1、感知層面：OccupancyNetwork、3D建模

華泰證券指出，特斯拉創(chuàng )新性的提出了占用網(wǎng)絡(luò )（OccupancyNetwork）模型，直接將3D空間點(diǎn)格化，相較于之前在障礙物識別和行駛路徑預判方面有了明顯提升，具體來(lái)看：

1）通過(guò)占用網(wǎng)絡(luò )，只需分析物體的空間內柵格占用情況，不需對物體本身進(jìn)行檢測識別，規避傳統視覺(jué)算法中對物體識別失敗帶來(lái)的車(chē)禍風(fēng)險。

2）占用網(wǎng)絡(luò )解決傳統視覺(jué)算法難題及還原道路坡度和曲率，輔助行車(chē)更優(yōu)決策。

3）基于占用網(wǎng)絡(luò )可以預測道路上其它物體的行進(jìn)軌跡。

2、預測層面：道路拓撲關(guān)系預測、障礙物預測

華泰證券指出，預測分兩種，一種是道路信息的預測，另一種是障礙物的預測。

車(chē)道線(xiàn)網(wǎng)絡(luò )模型輔助進(jìn)行車(chē)輛行駛路徑的預判。車(chē)道線(xiàn)網(wǎng)絡(luò )模型生成的“車(chē)道語(yǔ)言”，可以在小于10毫秒的延遲內，思考超過(guò)7500萬(wàn)個(gè)可能影響車(chē)輛決策的因素，運行這套語(yǔ)言的功耗只需要8W，較大的提升了特斯拉FSD對車(chē)輛行駛路徑的預判能力。

物體的預測包含動(dòng)、靜概率信息，再結合道路拓撲信息，為最終的形式?jīng)Q策提供支持，模型會(huì )自動(dòng)生成虛擬車(chē)輛，令決策更貼近人類(lèi)駕駛員的思維模式。

3、決策層面：車(chē)端算力升級、模型計算效率優(yōu)化，決策更加智能

決策的難點(diǎn)在于多方的交互與對路權的博弈，計算的效率是至關(guān)重要的。華泰證券表示：

目前業(yè)內普遍50-100毫秒之間完成一輪計算。受車(chē)端算力與計算效率的限制，目前決策層面的模型可分為兩類(lèi)：1）rulebase的模型（類(lèi)似if程序，提前設定了某些情境下的反應機制）；2）特斯拉的交互搜索的模型（querybase的條件下可縮短單次計算時(shí)間至100微秒）。

推動(dòng)車(chē)端/云端算力升級與國產(chǎn)化

最后，受益于智能駕駛本土化的客觀(guān)需求、產(chǎn)業(yè)鏈各環(huán)節國內供應商產(chǎn)品性能的提升與下游自主品牌的崛起，華泰證券認為零部件國產(chǎn)替代趨勢顯著(zhù)。

隨著(zhù)大模型上車(chē)對車(chē)載算力需求的進(jìn)一步提高，以及車(chē)載芯片制造商對芯片架構和技術(shù)的改進(jìn)，車(chē)載芯片的算力有望持續上升。英偉達Thor芯片（2000TOPS）未來(lái)量產(chǎn)有望加速計算平臺融合。

云端方面，基礎設施算力升級加速算法迭代：

主機廠(chǎng)和自動(dòng)駕駛技術(shù)開(kāi)發(fā)商積極布局建設智算中心，以提高自身“云上”競爭力。目前，主機廠(chǎng)特斯拉、小鵬、吉利，解決方案提供商毫末智行、商湯、百度布局建設了智算中心，用于訓練自動(dòng)駕駛等大模型。

隨著(zhù)智能駕駛的逐步滲透，大模型或將成為各公司的核心競爭力之一，為匹配模型中大規模參數以及大數據量計算，智算中心的建設規模有望持續擴張。

華泰證券展望未來(lái)3-5年AI賦能智能駕駛如何重塑出行方式，預計今年或是城市NOA普及的元年，高級別輔助駕駛將呈現降本趨勢，2023-2030年高級別輔助駕駛BOM成本的平均年降幅度為11%。

本文節選自華泰證券《AI大模型如何加速無(wú)人駕駛發(fā)展》

分析師

黃樂(lè )平?SAC No. S0570521050001? ? SFC No. AUZ066

陳旭東?SAC No. S0570521070004? ? SFC No. BPH392

張宇??SAC No. S0570121090024? ? SFC No. BSF274

郭春杏?SAC No. S0570122010047? ? SFC No. BTP481

風(fēng)險提示及免責條款 市場(chǎng)有風(fēng)險，投資需謹慎。本文不構成個(gè)人投資建議，也未考慮到個(gè)別用戶(hù)特殊的投資目標、財務(wù)狀況或需要。用戶(hù)應考慮本文中的任何意見(jiàn)、觀(guān)點(diǎn)或結論是否符合其特定狀況。據此投資，責任自負。

關(guān)鍵詞：