计算机行业专题：可通过路测数据粗略估计L4落地时点

qijiahong@gtjas.com 对于L4自动驾驶在国内的落地时间的判断意义重大。L4级别自动驾驶何时能够在国内大规模落地会直接关系到未来智能驾驶行业的发展态势。比如：判断国产自动驾驶SOC玩家的潜在份额、英伟达生态内Tier1厂商的竞争激烈程度、高精度地图的落地节奏等。 根据2021年加州路测报告，Waymo、Cruise等公司路测实力较强。加州路测报告指标可分为三类。1）路测效果指标：从各家公司的MPI值来看，Autox、Cruise、滴滴分列前三位。2）路测规模指标：从路测里程来看，Waymo、Cruise、Pony.AI分列前从路测车辆数来看，Waymo、Cruise、Zoox分列三甲。3）路测场景指标：Waymo、Cruise等公司的主要路测地点在城市街道，而苹果等公司的主要路测地点在高速公路。 相关报告 计算机《英伟达大算力芯片助推智能汽车产业发展》 2022.04.10 三； 计算机《订单整体回暖，医院占主导》 2022.04.02 计算机《寻找科技刚需》 通过对2021年各家公司的路测效果、路测规模进行比较，我们认为Waymo、Cruise等公司仍处于领先地位。 2022.03.25 计算机《计算机板块为何还在杀估值》 Waymo仍处于不断拓展场景的过程中。2021年感知问题、行人问题、软件问题等方面，Waymo的接管频率表观值相对于2016年并未发生明显变化。由于Waymo的自动驾驶技术不可能出现“退步”，那么，Waymo在软件问题、行人问题等方面的表观“退步”就只能源于其为了覆盖corner case而在持续拓展场景。这一点在领头羊Waymo的脱离场景分布方面也能得到侧面验证。 在2019年的测试中，人工接管发生在“highway”场景中的情况占比为21%，而在“street”场景中发生的人工接管次数占比为76%；而在2021年的测试中，人工接管发生在“highway”场景中的情况占比大幅下降至3%，而在“street”场景中发生的人工接管次数占比提升至96%。 2022.03.21 计算机《中移动信创PC大单落地，行业信创提速》 2022.03.18 预计国内公司要通过路测实现对于corner case的覆盖，可能会需要5年或更长的时间。 可以借助上述结论来探讨国内L4自动驾驶公司覆盖掉corner case所需要的时间周期。 比如，在2021年的加州路测报告中，我国公司中路测里程最长的是Pony.Ai，路测里程为31万英里，而同期Waymo的路测里程为233万英里。Waymo在2017年的加州路测里程为35万英里，与Pony.Ai2021年加州路测里程相对接近。那么，如果我们不考虑各家公司路测质量的差异，那么国内公司要通过路测实现对于corner case的覆盖，可能会需要5年或更长的时间。 风险提示：智能驾驶政策推出不及预期、智能驾驶技术发展不及预期 1.对于国内L4自动驾驶落地时间的判断意义重大 L3/L4级别自动驾驶何时能够在国内大规模落地会直接关系到未来智能 驾驶行业的发展态势，从而最终映射到上市公司层面。比如： 国产自动驾驶SOC玩家的潜在份额：如此前的报告所述，自动驾 驶可能更接近于APP，而非AppleStore，这会导致“生态站队” 的现象出现。如果L3及以上级别自动驾驶落地较快，则有利于英 伟达等目前处于绝对领先地位的玩家；如果落地较慢，则国内玩家 将获得更长的打磨芯片的窗口期，从而有望获得更高的份额； 英伟达生态内Tier1厂商的竞争激烈程度：SoC厂商的稀缺性导致 其由比较强的话语权，而英伟达目前在国内的主要客户依然是蔚小 理、上汽智己等客户，相对于戴姆勒等海外客户出货量较小。在这 种情况下，英伟达不存在主动增加国内合作Tier1数量的动机。但 如果高级别自动驾驶落地非常迅速，主机厂需求快速增加，这一情 况可能发生变化。 高精度地图的落地节奏：高精度地图对于L3及以上级别的自动驾 驶来说是标配，如果L3自动驾驶能够更快落地，需要借助高精度 地图实现的功能越多，消费者的付费意愿就越强，高精度地图的渗 透率提升也就会越迅速。 2.可通过加州路测结果粗略判断L4落地时点 而现实情况是，一方面，我们看到Pony.AI在2022年3月刚刚完成了 D轮融资的首次交割，整体估值达85亿美元，本轮估值较上轮融资提 升约65%；另一方面是各家主机厂在措辞上越来越强调具体功能的实现和L2+渐进式发展路径，对于L3的落地时点一再延后。对于我们判断 高阶自动驾驶的落地时点形成困扰。故本文希望从路测数据入手，提出 一个对于L4级别自动驾驶（业内普遍认为L3是一个过渡态）在国内落 地时点进行初步预判的思路。整体思路为： 神经网络会存在残差问题导致其准确度存在一定限制，而在自动驾 驶领域，我们对于错误的容忍度非常低。所以在技术上，Robotaxi 要想实现开放场景落地，必须覆盖掉corner case。比如根据广汽 的预测，要实现L4级别自动驾驶至少需要完成10亿个测试场景， 最小测试里程也需要10亿公里，但需要说明的是，“10亿公里” 这个数字本身并不能作为我们判断L4落地时间的参数，因为现阶 段的各类预测都存在比较大的不确定性； 图1：根据广汽预测，达到L4级自动驾驶最小测试里程为10亿公里 由于各家公司的技术路线不完全相同，且各有优势，难以通过直接 对各家公司进行技术对比得到哪些公司更可能最先实现L4级别自 动驾驶的大规模应用（相对于在有限场景下进行运营尝试）。比如， 由于测试里程和车辆数不同、测试场景不同、对于人工接管的标准 不同，不能单纯通过MPI值（每两次人工干预之间行驶的平均里程）来比较各家的路测实力。在这里我们假设，如果想要实现对corner case的覆盖，各家公司需要完成无差别的路测里程； 在路测数据的选择上，我们选择加州路测报告，2021版报告于2022 年Q1发布。选择加州路测报告的原因在于加州是全球首个为自动 驾驶车辆上路制定路测法规的地区，从数据的可获得性上看，首份 报告发布于2015年，可以纵向跟踪的时间较长； 通过横向对比可粗略判断每家公司的路测进程，然后将头部公司的 历年路测数据进行纵向对比，如果全球最头部的公司的路测里程都 没有使得误判的数量“收敛”，用其已经路测的里程可以倒推其他 公司做到这一点的最快时间节点； 由于国内的路况比加州更复杂，corner case更多，所以在国内实 现L4级别自动驾驶的最快时间节点会晚于倒推出的时间节点。 我们将加州路测报告的指标进行分类，主要包括三类。反映路测的效果， 主要指标是MPI值；反映路测的规模，主要指标是路测车队数量、路测 里程数；反映路测的场景，主要指标是人工干预发生时的场景分类情况。 我们根据2022Q1发布的最新加州路测报告进行分析： 路测效果指标：从2021年各家公司的MPI值来看，Autox、Cruise、 滴滴分列前三位，MPI值分别为5.01万英里/次、4.17万英里/次、 4.07万英里/次。 图2：根据MPI值来看，Autox、Cruise、滴滴分列前三位 路测规模指标：从路测里程来看，2021年Waymo、Cruise、Pony.AI 分列前三，分别为232.58万英里、87.61万英里、 30.56万英里； 从路测车辆数来看，2021年Waymo、Cruise、Zoox分列三甲， 分别为693辆、138辆、85辆。不难发现，路测规模指标呈现明 显的“头部集中”现象，Waymo的路测里程和路测车辆数分别占 到了全部的57%和59%。 图3：从路测里程来看，2021年Waymo、Cruise、Pony.AI分列前三 图4：从测试车辆数来看，2021年Waymo、Cruise、Zoox分列前三 路测场景指标：2021年，不同公司的人工接管发生的次数在不同 测试环境中的分布不同。其中“street”场景下脱离次数最多的玩 家分别是Toyota、Waymo和奔驰，而苹果等公司的脱离则主要发 生在“freeway”。这表明Waymo、Cruise等公司的主要路测地点 在城市街道，而苹果等公司的主要路测地点在高速公路。（加州机 动车管理局并没有对路测环境进行统一规定） 表1：2021年，不同公司的脱离次数在不同测试环境中的分布不同（单位：次） 基于上面的梳理，我们重新构建了基于路测效果、路测规模两个维度构 建对于公司路测实力的评价体系，路测效果越好、路测规模越大代表其 路测实力越强。而在两个指标发生冲突时，我们倾向于以路测里程作为 主要评价标准，因为同一家公司的MPI值在每一年中会出现非常大的波 动，且并非下一年的MPI值就一定会高于上一年。比如，百度在2019 年时MPI值高达1.81万英里/次，而在2021年的路测报告中，MPI 值大幅下降为0.15万英里/次。 需要注意的是，在数据处理的过程中，我们以某一年、某家公司的最大 MPI值、最大路测里程数对所有的数据进行了归一化处理，从而形成下 图。通过对2021年各家公司的路测效果、路测规模进行比较，我们认 为Waymo、Cruise等公司仍处于领先地位。 图5：我们构建基于MPI值、路测里程两个维度构建对于公司路测实力的评价体系 基于上面的结论，我们开始对Waymo的路测情况进行纵向分析。在分 析的过程中，我们采用了每百万公里内由于某类故障而发生的接管次数 作为主要指标，这个指标类似于MPI值的倒数，没有直接采用MPI值 的原因在于如果以“次数”作为分母，可能会出现由于某一年未出现某 类故障而导致无法分析的情况。 结果显示，2021年感知问题、行人问题、软件问题等方面，Waymo 的接管频率表观值相对于2016年并未发生明显变化。比如，在2021 年，Waymo由于软件问题而造成的脱离频率是58次/百万公里，而在 2018、2019年分别为1次/百万公里、0次/百万公里。 表2：2021年感知问题、行人问题、软件问题等方面，Waymo的接管频率表观值相对于2016年并未发生明显变化（单位：次/百万公里） Waymo的“退步”很有可能源自场景拓展。我们知道，Waymo的自 动驾驶能力毫无疑问是逐年增强的，在技术上不可能出现“退步”。那 么，Waymo在软件问题、行人问题等方面的表观“退步”就只能源于 其为了覆盖corner case而在持续拓展场景。比如，在高速公路等路况 相对简单的场景下测试获得好的结果之后，将路测地点逐渐向难度更高 的城区街道进行拓展。 这一点在领头羊Waymo的脱离场景分布方面也能得到侧面验证。我们 对比了2019年、2021年Waymo测试车发生人工接管时所处的场景 分类情况，在2019年的测试中，人工接管发生在“highway”场景中 的情况占比为21%，而在“street”场景中发生的人工接管次数占比为 76%；而在2021年的测试中，人工接管发生在“highway”场景中的 情况占比大幅下降至3%，而在“street”场景中发生的人工接管次数占 比提升至96%。通过这一点可以看出，Waymo的路测场景正在逐渐从 “highway”向整体难度更大的“street”迁移，这也能够说明其场景 拓展情况。 图6：Waymo2019年脱离场景中“highway”场景占比为21% 图7：Waymo2021年脱离场景中“highway”场景占比下降为3% 那么，我们可以认为，由于Waymo仍然在拓展路测场景以实现对于 corner case的覆盖，那么就意味着至少它现在还没能够把corner case 覆盖完。这个结论看起来是显而易见的，但实际上这提供了一种基于全 球最领先玩家的情况来观测L4自动驾驶技术拐点的思路。 进一步，我们还可以借助这一结论来探讨国内L4自