汽车行业深度报告：智驾时代来袭 多玩家多模式齐发力推动行业走向落地

　　报告摘要：
　　目前汽车行业已经从电动化的上半场逐渐走向智能化的下半场，智能驾驶迎来了高速发展期。
　　特斯拉是智能驾驶赛道商最为领先的玩家。在2018-2019 年特斯拉通过提出的多头结构HydraNets 算法提升了效率，解决了自动驾驶目标检测的多任务问题；2020-2021 年特斯拉推出了BEV+Transformer 大模型算法，构建俯视角全景图，解决了2D-3D 空间转换和感知性能问题；2022年特斯拉引入占用网络，实现了感知一般障碍物的能力；2023 年特斯拉采用端到端方案，直接将传感器信息输入神经网络，提高感知和决策规控整体性能。这四代算法也给智驾赛道的其他玩家提供了可以参考的清晰路线，对后来者的算法发展带来了深远的影响。但基于强大的先发优势，特斯拉目前在算法、算力和数据等方面领先于其他玩家，在智驾方案中仍处于领先地位。
　　华为通过GOD 和RCR 两个关键算法实现了对物和路的实时感知。GOD2.0 网络实现了高达99.9%的通用障碍物识别率，其中包括白名单外异形物体和细致分类；RCR 2.0 通过道路拓扑推理实现了导航地图和实际场景的匹配，解决了没有高精度地图的关键问题。
　　小鹏智驾方案持续升级，目前的XBrain 由XNet2.0 和XPlanner 等组成。XNet2.0 采用三网合一的创新架构，包括动静态BEV 网络和最占据网络，使XNGP 感知系统在处理遮挡、光照不清和复杂路口等场景时展现出强大的能力。XPlanner 采用长时序规划、多对象决策和强推理，提高了规划和决策的综合性。
　　其他玩家也都在跟进特斯拉的思路，目标实现占用网络架构下的感知能力。蔚来智驾方案的感知算法采用BEV+Transformer 架构，通过NADLane 2.0 网络结构处理静态拓扑环境，目标实现不依赖高精度地图，通过占用网络检测通用障碍物。理想智驾方案由静态BEV 网络算法，动态BEV 网络算法以及占用网络算法构成，通过NPN+TIN 增强BEV 大模型。Momenta 智驾方案持续迭代更新，感知方面采用BEV+Transformer算法构架，辅以DDLD 车道线识别算法，定位方面采用DDPF 算法，规控路径方面引入DLP 算法。Apollo 算法积淀雄厚，首创车路一体BEV感知方案Uni BEV，结合4D BEV Transformer 技术和占用网络技术推出第二代纯视觉感知系统，实现对激光雷达的替代。Mobileye 视觉方案和雷达方案单独建模，提供感知冗余； 通过视觉采集数据，解析出车道线、路面边界、交通灯等信息，实现类先验地图信息；通过对算力友好的责任敏感安全（RSS）模型进行规控。毫末智行与火山引擎联合打造智算中心MANA OASIS 对智能驾驶提供高算力支持，同时针对不同场景和成本要求，提出了低中高三阶方案HP170、HP370、HP570。大疆通过自己在无人机上的技术积累，借助惯导双目摄像头开发出了多套极具性价比的高效行泊一体方案。
　　2024 年将是国内智能驾驶的爆发年，伴随者供给端井喷和需求端的逐渐起步，我们看好智能驾驶渗透率的持续提升。
　　风险提示：智驾渗透不及预期，行业竞争加剧。
【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。

   【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。