【工业与周期（汽车）】专题报告：智能化（一），城市NOA再近一步，华为智选突围中信期货

【中信期货工业与周期（汽车）】智能化（一）：城市NOA再近一步，华为智选突围——专题报告20231018 中信期货研究所工业与周期组 重要提示：本报告非期货交易咨询业务项下服务，其中的观点和信息仅作参考之用，不构成对任何人的投资建议。中信期货不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。如本报告涉及行业分析或上市公司相关内容，旨在对期货市场及其相关性进行比较论证，列举解释期货品种相关特性及潜在风险，不涉及对其行业或上市公司的相关推荐，不构成对任何主体进行或不进行某项行为的建议或意见，不得将本报告的任何内容据以作为中信期货所作的承诺或声明。在任何情况下，任何主体依据本报告所进行的任何作为或不作为，中信期货不承担任何责任 研究员：朱子悦从业资格号:F03090679投资咨询号:Z0016871 研究员：李兴彪从业资格号:F3048193投资咨询号:Z0015543 核心观点：城市NOA再近一步，华为智选系列突围 ◼高阶辅助驾驶落地：算法+数据为先，硬件为辅。复盘特斯拉的自驾发展战略，由原先的“硬件先行，软件更新”到现在的“轻地图，重感知”，可以看出除了法规影响外，当前从L2-L3的落地关键主要在于感知决策算法迭代突破带动更多长尾场景应对自如性提高，硬件BOM方案降本趋势明显。 ◼算法：BEV+Transformer为行业范式，端到端架构为未来发展趋势。1）2021年：BEV+Transformer使得感知大模型跑通，相当于构成动态的、局部的高精地图，实现初步脱图效果。2）2022年：占用网络用于解决通用障碍物识别问题，理论上可实现摆脱激光雷达依赖；LanesNetwork主要能获得更清晰的车道线信息用于规划决策，进一步实现脱图效果。3）2023及以后：端到端不再区分感知归控决策模块（局部优化），由一个大模型实现从视频流输入到结果输出（全局最优）。 ◼数据：数据闭环逐渐完善，云端超算中心建设扩容。1）搜集：场景数据的采集主要通过测绘车(数量少&成本高)和量产车(脱敏)进行，部分长尾场景通过仿真获取(无需标注）。2）标注：4D Space+Time Labeling自动标注模式极大提升效率，不同主机厂自动化标注能力分化。3）训练：云端算力需求激增，超算中心基础设施建设必要性上升，包含自建和合作（百度、火山引擎、阿里等）等模式。 ◼国内进展：华为ADS2.0将于年底领先实现实现全国无图NOA。1）技术：华为ADS2.0融合BEV+GOD2.0+RCR2.0，感知硬件搭载数量较ADS1.0有明显下降，方案性价比提升。2)消费买单：截止10.6问界新M7上市大定累计超5W（MAX占比超60%），凭借高性价比&领先智驾&优惠延续至10月底，订单量有望持续超预期，为后续华为系新车提供口碑支撑，建议关注华为汽车产业链。 ◼风险提示：技术进展不及预期；法规不及预期；销量不及预期； 目录 第一章高阶辅助驾驶：算法+数据为先，硬件为辅 第二章算法：BEV+Transformer为行业范式，端到端结构为未来发展趋势 第三章数据：数据闭环逐渐完善，云端超算中心建设扩容 第四章国内进展：华为ADS 2.0领先于年底实现全国无图城市NOA 引言：城市NOA加速落地，新一轮智能汽车奇点已至 ◼为什么盯着城市NOA落地进展？除了法规限制外，L3场景相较于L2复杂程度大大增加，极大考验车企自驾能力的完善度。城市NOA作为类L3级别的主要场景，其落地进展可作为当前新一轮智能汽车进展的重要指标。根据小鹏科技日，城市NOA感知模型数量是高速NOA的4倍，相关代码量为88倍。根据泰伯研究，2025年高阶智能驾驶（NOA）市场规模有望达到520亿元，CAGR23-25达105%。 研究框架：由算法突破+数据闭环下的智能新车周期 目录 第一章高阶辅助驾驶关键：算法+数据为先，硬件为辅 第二章算法：BEV+Transformer为行业范式，端到端结构为未来发展趋势 第三章数据：数据闭环逐渐完善，云端超算中心建设扩容 第四章国内进展：华为ADS 2.0领先于年底实现全国无图城市NOA 算法(2021):BEV将多传感器信息投至同一2D平面进行特征融合 ◼BEV是什么？BEV即Bird’s-Eye-View(鸟瞰视角），作用是将三维环境（3D）信息投影到二维平面（2D），可以理解为是一种用于描述感知世界的2D坐标系，然后在这个坐标系里进行多种传感器信息的融合（分为前融合、特征级融合、后融合三种方式）。目前大多数采用特征融合算法，即对传感器采集的原始数据进行特征提取再进行融合，特征级融合相对后融合可以保留更多目标信息，相对前融合可以消耗更少的算力。 资料来源：《BEVFusion:Multi-TaskMulti-SensorFusionwithUnifiedBird’s-EyeViewRepresentation》，特斯拉AIDAY，中信期货研究所 算法(2021):BEV+Transformer实现构建动态高精地图效果（初脱图） ◼为什么车企这么推崇“无图”方案？一是高精地图具有更新慢、法规紧、成本高等限制；二是城市场景路况复杂，“无图”可有效成为各家自驾系统优劣卖点的显性表达。 ◼BEV+Transformer架构解决什么问题？Transformer最大优势在于其泛化性更强，其交叉注意力机制对于BEV空间转换任务适配性较高。Transformer可以通过注意力层的结构找到更基本的元素与元素间之间多个维度的相关信息，进而找到一种更泛化的规律，同时有更高的并行计算效率且可以学习长时间距离的依赖关系。在BEV+Transformer下交通参与者的静态和动态信息（状态、速度、行为预测等），可构成动态的、局部的高精地图效果。 算法(2022):Occupancy网络用于识别通用障碍物（脱激光雷达） BEV和Occupancy输出效果示意图 3D占用示意图（Occupancy) ◼Occupancy是什么？占用网络可以 看 作4D的BEV（加 上 高 度 信息），解决通用障碍物识别问题，可实现摆脱激光雷达依赖问题。纯视觉方案被质疑的一大问题在于没有训练过的障碍物就无法识别，占用网络模型的基本思想是“不考虑这个物体是什么，只考虑空间是否被占用”，从根本上避免了这一问题，大幅提升了模型的泛化能力。其基本的思想是将空间划分成体素voxel，再去预测每个voxel是被占用还是空闲，通过0/1赋值对voxel进行二分类。 特斯拉OccupancyNetwork技术框架 算法(2022):LanesNetwork完善地图模型（进一步脱图） ◼特斯拉Laneswork解决什么问题？识别道路拓扑结构，用于轨迹规划，可实现进一步脱图。车道信息大部分可由BEV识别，但分割的像素级别车道不能进行轨迹规划，特斯拉升级后可将感知信息、地图（众包）整合构成自身高精地图。类比理想的NPN神经先验网络，其与静态BEV获取实时环境信息的融合能够还原出真实的车辆外部环境。比如在下雨天等极端天气使车载传感器感知到的车道线模糊的情况下，通过从云端获取天气状况较好时的先验车道线信息，能够使静态BEV网络生成更加完整的车道线信息，从而进行轨迹规划。 特斯拉LanesNetwork构建矢量地图 算法(2023之后):端到端架构不再区分模块，有望实现全局最优 ◼端到端架构有什么不同？不再区分感知归控决策模块（局部优化），由一个大模型实现从视频流的输入到执行结果的输出（全局最优）。端到端算法在黑盒状态下进行，即输入-输出直接执行（一个大模型，由数据预标注训练变为无监督训练），简化传统感知-决策-执行模块流程（模块传输理论上存在信息缺失和编码解码复杂性）。理论上模型能力起步较慢，一开始黑盒不可解释和不可控的性质在简单场景很可能犯很多“弱智”的错误，但端到端架构效益上限高，仍是未来发展趋势。 目录 第一章高阶辅助驾驶关键：算法+数据为先，硬件为辅 第二章算法：BEV+Transformer为行业范式，端到端结构为未来发展趋势 第三章数据：数据闭环逐渐完善，云端超算中心建设扩容 第四章国内进展：华为ADS 2.0领先于年底实现全国无图城市NOA 数据搜集:测绘&量产车可采集多数corner case，长尾仿真补盲 ◼如何进行数据搜集（数量）？场景数据主要通过测绘车和量产车进行。数据闭环关键环节包括数据搜集、数据清洗和标注、模型训练。毫末智行表示训练出能输出高精度和准确度的自动驾驶大模型，测试里程数据需至少达到1亿公里，同时对数据颗粒度要求较高。特斯拉使用影子模式,即车端只做决策匹配，不参与控制，不一致即触发回传机制。目前场景数据的采集主要通过测绘车（数量少&成本高）和量产车（脱敏）进行，部分长尾场景通过仿真获取(无需进行数据标注）。 数据标注:4DSpace+TimeLabeling自动标注极大提升效率 ◼如何进行数据标注（质量）？4DSpace+TimeLabeling自动标注模式极大提升效率。2022年AIDAY上特斯拉数据标注环节采用4DSpace+TimeLabeling模式，将一个clip（45s-1min的数据）在3D空间下进行标注，再投到摄像机视角中，这样标注的数据量仅为1/8，加入时间序列主要是通过前面的信息去预测后面，这一套自动标注系统可以取代500万小时的人工作业量，人工仅需要检查补漏。毫末智行视觉自监督大模型实现4D-Clip的100%自动标注，原先依靠人工标注成本则降低98%。目前国内主机厂均致力于实现全自动化标注，但据恺望数据观点，国内玩家的标注技术成熟度参差不齐，部分厂商预标注技术仅能处理60%-70%的数据，距离全自动化目标仍有较大差距。 数据训练：云端算力需求激增促使超算中心建设必要性上升 ◼大模型的数据训练需要什么？云端算力需求激增，超算中心基础设施建设必要性上升。云端算力需求主要用在大模型的预训练环节，因此超算中心建设会直接影响模型开发的速度和优化时间。2023年7月特斯拉 已 投 产 超 级 计 算 机 平 台Dojo，并规划于2024年10月将其算力提升至100E，训练算力将显著增强。搭建超算中心耗时耗力，目前车企主要采用自建(特斯拉）和合作（百度、火山引擎、阿里等）等模式。 目录 第一章高阶辅助驾驶关键：算法+数据为先，硬件为辅 第二章算法：BEV+Transformer为行业范式，端到端结构为未来发展趋势 第三章数据：数据闭环逐渐完善，云端超算中心建设扩容 第四章国内进展：华为ADS 2.0领先于年底实现全国无图城市NOA 实车策略对比：问界变道策略相对激进，小鹏表现较为保守 ◼高速NOA实车测评对比：在高速行驶中车道保持是高频使用的功能，问界M5的变道策略相对而言比较激进，总变道次数最多，但有效变道占比相对中等。小鹏和特斯拉变道策略相对保守，但有效变道占比较高。 城市NOA实车测评对比：小鹏G6对比华为系在城区智驾策略中仍然比较保守，总体人工接管次数最多，总用时相对也最高。 主线展望：关注华为汽车产业链 ◼算法：华为ADS2.0融合BEV+GOD2.0网络（通用障碍物检测 识 别 异 形 物 体，类 似 特 斯 拉Occupancy Network）+RCR2.0（道 路 拓 扑 推 理 网 络 匹 配 导 航，类 似 特 斯 拉Lanework矢 量 地 图），ADS2.0感 知 硬 件 搭 载 数 量 较ADS1.0有明显下降，预计年底可实现无图全覆盖。 问界新M7大定超5万辆 ◼消费买单：截止10.6问界新M7上市大定累计超5W（MAX占比超60%），凭借高性价比&领先智驾&优惠延续至月底，订单量有望持续超预期，为后续华为系新车提供口碑支撑。 免责声明 除非另有说明，中信期货有限公司拥有本报告的版权和/或其他相关知识产权。未经中信期货有限公司事先书面许可，任何单位或个人不得以任何方式复制、转载、引用、刊登、发表、发行、修改