近年來，無人駕駛發(fā)展駛入“快車道”，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駕駛功能商業(yè)化應用。

(資料圖片)

同時，產業(yè)端也迎來利好，AI大模型或進一步加入無人駕駛的發(fā)展，具體來看AI從哪些方面賦能？

華泰證券在最新的報告中，對AI大模型賦能自動駕駛進行了詳細剖析，分析指出AI大模型的引入（自動標注、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落地。

其次，智能駕駛板塊后發(fā)者借助產業(yè)鏈優(yōu)勢（云端算力中心、通用開源模型的適配）與先發(fā)者在數(shù)據積累、模型迭代中的差距有望進一步縮小。

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

總結來看，華泰認為，今年或是城市NOA（領航輔助駕駛）普及的元年。當前旗艦車型高級別輔助駕駛BOM成本為1.4萬元，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(shù)據采集、數(shù)據標注的效率

海量的數(shù)據是無人駕駛的基礎，主要來自真實數(shù)據、虛擬仿真、影子模式，而下一步是則對數(shù)據進行識別、標注。

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

以特斯拉FSD為例，針對真實道路場景中不常見的案例，特斯拉通過模擬仿真，構建虛擬場景采集數(shù)據，以豐富數(shù)據的來源，為模型訓練提供支持；通過數(shù)據引擎，人工挖掘誤判的、非典型案例。

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

以特斯拉為例，特斯拉FSD通過“多重軌跡重建”技術自動標注車輛行駛軌跡。目前在集群中運行12小時即可完成10000次行駛軌跡標注，取代500萬小時人工標注。通過機器的自我訓練，減少了人力標注成本高、效率低的問題。?

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

優(yōu)化感知-決策-執(zhí)行三階段算法

同樣以考特斯拉FSD為例，華泰分析師黃樂平將自動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（預測周圍車輛和行人的行為）、執(zhí)行（控制車輛速度方向等行動）三個階段。?

特斯拉、新勢力等主要企業(yè)從幾年前開始采用基于Transformer的大模型等新技術，1）提高道路、物體的識別精準度；2）學習人類的駕駛習慣（影子模式），3)縮短決策所需要的時間，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絡（OccupancyNetwork）模型，直接將3D空間點格化，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，具體來看：

1）通過占用網絡，只需分析物體的空間內柵格占用情況，不需對物體本身進行檢測識別，規(guī)避傳統(tǒng)視覺算法中對物體識別失敗帶來的車禍風險。

2）占用網絡解決傳統(tǒng)視覺算法難題及還原道路坡度和曲率，輔助行車更優(yōu)決策。

3）基于占用網絡可以預測道路上其它物體的行進軌跡。

2、預測層面：道路拓撲關系預測、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。

車道線網絡模型輔助進行車輛行駛路徑的預判。車道線網絡模型生成的“車道語言”，可以在小于10毫秒的延遲內，思考超過7500萬個可能影響車輛決策的因素，運行這套語言的功耗只需要8W，較大的提升了特斯拉FSD對車輛行駛路徑的預判能力。

物體的預測包含動、靜概率信息，再結合道路拓撲信息，為最終的形式決策提供支持，模型會自動生成虛擬車輛，令決策更貼近人類駕駛員的思維模式。

3、決策層面：車端算力升級、模型計算效率優(yōu)化，決策更加智能

決策的難點在于多方的交互與對路權的博弈，計算的效率是至關重要的。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：1）rulebase的模型（類似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間至100微秒）。

推動車端/云端算力升級與國產化

最后，受益于智能駕駛本土化的客觀需求、產業(yè)鏈各環(huán)節(jié)國內供應商產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替代趨勢顯著。

隨著大模型上車對車載算力需求的進一步提高，以及車載芯片制造商對芯片架構和技術的改進，車載芯片的算力有望持續(xù)上升。英偉達Thor芯片（2000TOPS）未來量產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：

主機廠和自動駕駛技術開發(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，用于訓練自動駕駛等大模型。

隨著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(guī)模參數(shù)以及大數(shù)據量計算，智算中心的建設規(guī)模有望持續(xù)擴張。

華泰證券展望未來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(xiàn)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(jié)選自華泰證券《AI大模型如何加速無人駕駛發(fā)展》

分析師

黃樂平?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

風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。

關鍵詞：