分享內(nèi)容包括：新能源汽車/智能座艙/智能駕駛/智能制造/AI/具身智能/低空經(jīng)濟(jì)等
點擊下方，查看近期熱門行業(yè)研究報告
當(dāng)前，智能駕駛領(lǐng)域中端到端技術(shù)發(fā)展步入加速軌道。從定義、發(fā)展歷程到實現(xiàn)方法，端到端技術(shù)不斷演進(jìn)，雖面臨挑戰(zhàn)但前景廣闊。政策層面，自動駕駛產(chǎn)業(yè)獲充足支持，標(biāo)志性政策落地為行業(yè)長期護(hù)航。車企紛紛搶灘 DeepSeek，AI 行業(yè)與智能駕駛形成共振效應(yīng)，10 萬級別智駕的落地更是推動行業(yè)進(jìn)入智駕平權(quán)階段，汽車行業(yè)正加速邁向智能駕駛?cè)嫫占皶r代。在此背景下，深入探究端到端技術(shù)在智能駕駛產(chǎn)業(yè)鏈中的角色，剖析感知層、決策層、執(zhí)行層等環(huán)節(jié)的聯(lián)動與變革，不僅有助于把握行業(yè)技術(shù)趨勢，更對推動技術(shù)創(chuàng)新、促進(jìn)產(chǎn)業(yè)融合及商業(yè)化落地具有重要意義。
一、端到端發(fā)展進(jìn)入加速期
1.1 什么是端到端
在智能駕駛領(lǐng)域，端到端架構(gòu)正成為備受矚目的關(guān)鍵技術(shù)。從廣義上講，端到端是一種研發(fā)范式，即一個任務(wù)從輸入端到輸出端，全程由一個模型獨立完成，不借助其他中間處理環(huán)節(jié) 。在智能駕駛場景下，車輛借助端到端架構(gòu)，將傳感器采集的信息直接輸入統(tǒng)一的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，經(jīng)處理后直接輸出駕駛指令。
深度神經(jīng)網(wǎng)絡(luò)賦予端到端模型強大的學(xué)習(xí)能力，使其能從海量駕駛數(shù)據(jù)中自動挖掘復(fù)雜的駕駛模式與場景特征。相較于傳統(tǒng)智駕系統(tǒng)，其感知層、決策規(guī)劃層和控制執(zhí)行層相互獨立，信息傳遞易累積誤差，且依賴工程師代碼規(guī)則，難以應(yīng)對復(fù)雜場景，隨著智駕能力提升，邊際效應(yīng)呈幾何式驟減。端到端算法基于數(shù)據(jù)驅(qū)動，實現(xiàn)信息無損傳遞；同時將感知、預(yù)測和規(guī)劃整合為單一可共同訓(xùn)練模型，針對最終任務(wù)優(yōu)化，共享骨干網(wǎng)絡(luò)提高計算效率，提升迭代效率，降低維護(hù)成本，其本質(zhì)是深度學(xué)習(xí)與數(shù)據(jù)驅(qū)動的全面應(yīng)用。
根據(jù)感知模塊與決策模塊的貫通程度，端到端架構(gòu)可分為模塊化端到端與一體化端到端 。模塊化端到端將感知與決策規(guī)劃模塊分離，各自采用神經(jīng)網(wǎng)絡(luò)，模塊間設(shè)有人工設(shè)計的數(shù)據(jù)接口，如華為乾崑 ADS 3.0，由 GOD 感知網(wǎng)絡(luò)負(fù)責(zé)障礙物感知，PDP 決策規(guī)劃網(wǎng)絡(luò)依據(jù)感知信息決策 。一體化端到端則打通感知與規(guī)控模塊，形成統(tǒng)一大模型，減少信息損失，降低數(shù)據(jù)標(biāo)注需求，泛化性更強，特斯拉、Momenta、理想等是典型代表。從模塊化端到端向一體化端到端過渡相對平滑，隨著算法不斷優(yōu)化，技術(shù)將朝著一體化端到端或端到端 + 多模態(tài)大模型冗余雙系統(tǒng)架構(gòu)方向演進(jìn)。
1.2 端到端的發(fā)展歷程
早期探索階段（2016 - 2018 年）
端到端自動駕駛的概念可追溯至 1988 年的 ALVINN 系統(tǒng)，它利用相機和激光測距儀輸入，通過簡單神經(jīng)網(wǎng)絡(luò)生成轉(zhuǎn)向指令。到了 2016 年，英偉達(dá)在論文《End to End Learning for Self - Driving Cars》中提出端到端概念 ，同年發(fā)布基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的端到端自動駕駛系統(tǒng) DAVE - 2，可通過攝像頭圖像直接輸出轉(zhuǎn)向指令，這是早期重要嘗試，標(biāo)志著自動駕駛從模塊化邁向一體化的開端。
2017 年，Wayve.AI 成立并發(fā)布 “Learning to Drive in a Day”，其采用強化學(xué)習(xí)結(jié)合深度學(xué)習(xí)的方法，僅一天訓(xùn)練就能應(yīng)對復(fù)雜城市駕駛場景，展現(xiàn)了端到端技術(shù)在快速學(xué)習(xí)和適應(yīng)能力上的潛力。同年，Comma.ai 推出 OpenPilot 軟件，最初為 L2 級輔助駕駛系統(tǒng)，后逐步轉(zhuǎn)向端到端神經(jīng)網(wǎng)絡(luò)模型，成為首個商業(yè)化端到端自動駕駛產(chǎn)品。
技術(shù)突破與現(xiàn)實應(yīng)用階段（2019 年 - ）
2016 年，英偉達(dá)開發(fā)端到端 CNN 原型系統(tǒng)，推動了該概念在 GPU 計算時代的發(fā)展。隨著深度神經(jīng)網(wǎng)絡(luò)進(jìn)步，端到端自動駕駛在模仿學(xué)習(xí)和強化學(xué)習(xí)方面取得突破，如 LBC 中的策略蒸餾方法通過模仿優(yōu)秀專家提升閉環(huán)性能。為增強系統(tǒng)泛化能力，業(yè)內(nèi)研究提出在訓(xùn)練過程中聚合在線數(shù)據(jù)的策略。
2021 年左右，隨著傳感器配置在合理計算預(yù)算內(nèi)普及，研究重點轉(zhuǎn)向融合更多感知模態(tài)和先進(jìn)架構(gòu)（如 Transformer）以捕捉全局上下文和關(guān)鍵特征，像 TransFuser 及其變體。這些設(shè)計結(jié)合對仿真環(huán)境的深入理解，使模型在 CARLA 基準(zhǔn)測試中性能顯著提升。同時，為提高自主系統(tǒng)可解釋性和安全性，引入各種輔助模塊監(jiān)督學(xué)習(xí)過程，或采取注意力可視化等方法。
2021 年，特斯拉在 AI Day 上公布 BEV（Bird Eye View）技術(shù)架構(gòu)，通過多傳感器融合實現(xiàn)感知模塊的端到端化，為后續(xù)端到端技術(shù)全面應(yīng)用奠定基礎(chǔ)。
2023 年，特斯拉正式推出 FSD V12 版本，采用端到端架構(gòu)，實現(xiàn)感知、決策、規(guī)劃一體化，提升駕駛體驗擬人化和安全性，成為行業(yè)標(biāo)桿，推動全球車企加速端到端技術(shù)研發(fā)。同年，OpenDriveLab 推出全棧 Transformer 端到端模型 UniAD，整合感知、預(yù)測和規(guī)劃模塊，進(jìn)一步提升復(fù)雜場景下環(huán)境理解和決策能力。
2023 - 2024 年，研究聚焦生成安全關(guān)鍵數(shù)據(jù)、預(yù)訓(xùn)練策略學(xué)習(xí)的基礎(chǔ)模型或骨干網(wǎng)絡(luò)，推動感知與規(guī)劃模塊端到端整合，同時引入更具挑戰(zhàn)性的 CARLAv2 和 nuPlan 基準(zhǔn)測試。
1.3 端到端實現(xiàn)方法之模仿學(xué)習(xí)
在算法實現(xiàn)的范疇內(nèi)，端到端方法大體可劃分為模仿學(xué)習(xí)與強化學(xué)習(xí)。
模仿學(xué)習(xí)，亦稱作從示范中學(xué)習(xí)，它是借助模仿專家行為來訓(xùn)練智能體掌握策略的一種手段 。在模仿學(xué)習(xí)里，行為克?。˙C）是一種應(yīng)用廣泛的方式，它將相關(guān)問題轉(zhuǎn)化為監(jiān)督學(xué)習(xí)問題。具體而言，就是收集專家在各類場景下的操作數(shù)據(jù)，把這些數(shù)據(jù)當(dāng)作監(jiān)督學(xué)習(xí)中的 “標(biāo)注數(shù)據(jù)”，讓模型去學(xué)習(xí)從輸入（如傳感器數(shù)據(jù)）到輸出（專家操作指令）的映射關(guān)系。另一種方法是逆最優(yōu)控制（IOC，也被稱為逆強化學(xué)習(xí)），該方法借助專家示范來學(xué)習(xí)獎勵函數(shù)。它假定專家的行為是在某種最優(yōu)獎勵機制下產(chǎn)生的，通過分析專家的行為序列，反推背后的獎勵函數(shù)，以便后續(xù)利用這個獎勵函數(shù)去引導(dǎo)智能體的行為學(xué)習(xí)。
1.4 端到端實現(xiàn)方法之強化學(xué)習(xí)
強化學(xué)習(xí)是一種基于 “試錯” 的學(xué)習(xí)模式。以自動駕駛系統(tǒng)為例，作為智能體的車輛不斷嘗試不同的動作，比如加速、減速、轉(zhuǎn)彎等，并依據(jù)動作產(chǎn)生的結(jié)果獲得獎勵或者懲罰，以此來判斷動作的優(yōu)劣。這種學(xué)習(xí)方法最早在 “深度 Q 網(wǎng)絡(luò)”（DQN）應(yīng)用于 Atari 游戲時嶄露頭角，通過學(xué)習(xí)使游戲角色能夠完成各種操作。
在自動駕駛領(lǐng)域，強化學(xué)習(xí)旨在讓車輛在復(fù)雜多變的交通環(huán)境中做出最優(yōu)決策，像在不同路況下合理地轉(zhuǎn)彎、精準(zhǔn)地加速與剎車等。然而，駕駛過程充斥著諸多不確定因素，例如交通流量的實時變化、路況的復(fù)雜多樣等，這使得決策任務(wù)極為復(fù)雜。強化學(xué)習(xí)通過讓系統(tǒng)與環(huán)境持續(xù)交互，不斷優(yōu)化駕駛策略，進(jìn)而提升駕駛的舒適性與安全性。
不過，強化學(xué)習(xí)在實際應(yīng)用中面臨嚴(yán)峻挑戰(zhàn)。一方面，它需要海量數(shù)據(jù)用于訓(xùn)練，可現(xiàn)實中很難將所有可能出現(xiàn)的場景都模擬出來；另一方面，訓(xùn)練過程依賴大量的 “試錯”。為了克服這些不足，眾多研究嘗試將強化學(xué)習(xí)與監(jiān)督學(xué)習(xí)（SL）相結(jié)合，比如隱式效用的運用，先利用監(jiān)督學(xué)習(xí)對 CNN 編碼器進(jìn)行預(yù)訓(xùn)練。監(jiān)督學(xué)習(xí)憑借 “標(biāo)注數(shù)據(jù)” 幫助系統(tǒng)更好地理解環(huán)境，強化學(xué)習(xí)則助力系統(tǒng)在復(fù)雜環(huán)境中逐步完善自身策略，二者相輔相成，讓系統(tǒng)既能汲取已有知識，又能在實踐中不斷改進(jìn)。
1.5 端到端面臨的挑戰(zhàn)：數(shù)據(jù)問題
端到端算法依賴數(shù)據(jù)驅(qū)動，大模型的訓(xùn)練對大量高質(zhì)量數(shù)據(jù)有著極高的需求。圍繞訓(xùn)練數(shù)據(jù)，需要重點關(guān)注數(shù)據(jù)量、數(shù)據(jù)標(biāo)注、數(shù)據(jù)質(zhì)量、數(shù)據(jù)分布以及云端存儲與超算中心等要素。2023 年，特斯拉在端到端神經(jīng)網(wǎng)絡(luò)開發(fā)的起始階段，就向系統(tǒng)輸入了 1000 萬個經(jīng)過篩選的人類駕駛視頻片段。若以每段 15 秒來估算，這些高清視頻的總時長超過 4 萬小時。據(jù)特斯拉測算，單個端到端模型至少要經(jīng)過 100 萬個分布廣泛且高質(zhì)量的視頻片段訓(xùn)練才能正常運行。而且，在大規(guī)模收集數(shù)據(jù)之后，還需要對海量道路場景數(shù)據(jù)進(jìn)行標(biāo)注，使其成為能夠支撐算法訓(xùn)練的數(shù)據(jù)，這無疑需要大量的資金等資源投入。所以，優(yōu)質(zhì)訓(xùn)練數(shù)據(jù)的規(guī)模與企業(yè)的自研能力、綜合產(chǎn)品實力、資金投入以及智駕車型銷量等因素緊密相關(guān)，這些因素在一定程度上加劇了車企間的馬太效應(yīng)。
在真實數(shù)據(jù)里，長尾場景的覆蓋率較低。像暴雨、積雪或者施工等復(fù)雜環(huán)境中的事故高發(fā)區(qū)域這類長尾場景，車輛在此類場景下的行為決策需要高度魯棒的模型支持。但實際上，這些場景在真實數(shù)據(jù)中的占比極少，很難通過傳統(tǒng)的路測全面覆蓋?，F(xiàn)有的仿真測試技術(shù)僅能生成部分場景，尤其是針對復(fù)雜的多車協(xié)同避讓等動態(tài)交互場景，模擬能力十分有限，導(dǎo)致驗證結(jié)果難以完全貼合真實情況。因此，探索如何調(diào)整長尾場景在訓(xùn)練數(shù)據(jù)中的分布比例極具價值。當(dāng)前，普遍采用的解決方案是利用合成數(shù)據(jù)來模擬真實世界數(shù)據(jù)的特征分布。合成數(shù)據(jù)不僅能夠以較低成本擴(kuò)大訓(xùn)練數(shù)據(jù)規(guī)模、豐富泛化場景的多樣性，還能有效地生成各類長尾場景。例如，英偉達(dá)借助其 Omniverse 平臺，運用合成數(shù)據(jù)增強模型對復(fù)雜場景的適應(yīng)能力。特斯拉同樣采用合成數(shù)據(jù)生成邊緣場景來擴(kuò)充數(shù)據(jù)集，并通過迭代方式捕捉更多邊緣情況 。
1.6 端到端面臨的挑戰(zhàn)：算力與算法可解釋性
道路交通環(huán)境的復(fù)雜程度超乎想象，再加上訓(xùn)練數(shù)據(jù)體量的龐大，使得端到端技術(shù)在落地過程中對算力有著極為嚴(yán)苛的要求 。道路交通并非僅靠交通規(guī)則就能完全涵蓋，實際情況中存在著大量難以用理論模型歸納的非規(guī)則狀況。像是機動車道上突然闖入的行人、自行車以及兩輪電動車等，這些情況千差萬別，難以通過某種既定模型來概括，只能依靠不斷擴(kuò)充數(shù)據(jù)庫，將各類情形 “教” 給自動駕駛系統(tǒng)，這無疑極大地增加了對算力的需求。以特斯拉的 FSD 自動駕駛系統(tǒng)為例，在端到端技術(shù)的應(yīng)用下，其算力需求呈倍數(shù)增長。FSD V12 全面采用端到端架構(gòu)，代碼量從原來的 30 多萬行精簡至 3000 行，但算力要求卻提升了 10 倍之多，整個平臺的算力需要達(dá)到 3000 - 5000 TOPS 才能滿足端到端的運行需求 。
端到端技術(shù)不僅對車端算力有著高要求，云端算力同樣不可或缺。由于端到端系統(tǒng)高度依賴大規(guī)模數(shù)據(jù)集，訓(xùn)練過程需要消耗海量的算力資源。特別是為了使大模型能夠精準(zhǔn)識別復(fù)雜路況，需要在大量模擬場景以及真實世界數(shù)據(jù)上展開訓(xùn)練。通常情況下，樣本量越大，系統(tǒng)的成熟度越高，這也促使行業(yè)對高性能計算芯片和計算模塊的需求持續(xù)攀升。目前，特斯拉通過自研的 D1 芯片和超級計算機 Dojo 構(gòu)建超算中心，為其端到端技術(shù)提供算力支持，該項目投資高達(dá) 10 億美元 。而在國內(nèi)，部分車企如小鵬汽車，則更多地采用云計算方案來滿足端到端技術(shù)對算力的需求 。
除了算力挑戰(zhàn)外，端到端技術(shù)中的大模型黑盒屬性也帶來了諸多問題 。端到端模型直接將傳感器數(shù)據(jù)作為輸入，輸出控制指令，其決策過程是一個復(fù)雜的非線性映射，內(nèi)部邏輯難以直觀理解。這種決策過程的不透明性和缺乏可解釋性，給開發(fā)者在調(diào)試和優(yōu)化模型時帶來了極大困難，因為很難精準(zhǔn)定位問題的根源所在。而且，由于無法清晰知曉模型的決策依據(jù)，模型的安全性也難以得到有效驗證 。
為應(yīng)對這些挑戰(zhàn)，行業(yè)內(nèi)正在積極探索多種解決方案 。在算力方面，一方面不斷推動硬件技術(shù)的創(chuàng)新發(fā)展，研發(fā)性能更強大的計算芯片和計算模塊，提高硬件的算力水平；另一方面，通過算法優(yōu)化，如采用量化、剪枝等技術(shù)，在不顯著降低模型性能的前提下，減少模型對算力的需求。同時，一些車企也在探索通過與專業(yè)的云計算服務(wù)提供商合作，利用云端強大的算力資源來緩解車端算力壓力 。
針對算法可解釋性問題，研究人員嘗試引入可解釋的機器學(xué)習(xí)模型，這類模型在設(shè)計之初就充分考慮了可解釋性因素，能夠在保證準(zhǔn)確性的同時，為決策過程提供清晰的依據(jù) 。此外，通過可視化技術(shù)，將模型的決策過程以直觀的方式呈現(xiàn)出來，幫助開發(fā)者更好地理解模型行為，從而進(jìn)行針對性的調(diào)試和優(yōu)化。還有部分研究聚焦于制定相關(guān)的標(biāo)準(zhǔn)和規(guī)范，以確保自動駕駛系統(tǒng)在算法可解釋性和透明度方面達(dá)到一定要求 。
1.7 國內(nèi)政策：產(chǎn)業(yè)支持力度大，標(biāo)志性政策落地
近年來，工信部等相關(guān)部門相繼頒布了多項與智聯(lián)網(wǎng)汽車相關(guān)的政策，大力推動智能駕駛從 “小范圍測試驗證” 階段快速邁入 “規(guī)?；涞亍?階段，加快了高階智能駕駛的普及應(yīng)用與商業(yè)化進(jìn)程。隨著智能網(wǎng)聯(lián)汽車技術(shù)的迅速迭代以及輔助駕駛的大規(guī)模應(yīng)用，“車路云一體化” 正處于向規(guī)模化應(yīng)用轉(zhuǎn)變的關(guān)鍵時期，一旦建成，將具有巨大的潛在價值。一方面，當(dāng)大量車輛接入車路云網(wǎng)絡(luò)后，交通通行效率將得到顯著提升；另一方面，該網(wǎng)絡(luò)中產(chǎn)生的海量數(shù)據(jù)能夠為真實世界模型、自動駕駛模型以及機器人模型的訓(xùn)練提供支持。截至 2024 年 5 月，全國已設(shè)立 47 個國家級智能網(wǎng)聯(lián)測試示范區(qū)、16 個雙智試點城市以及 7 個智能網(wǎng)聯(lián)先導(dǎo)區(qū)，其中包括武漢、重慶、深圳、北京等在無人駕駛領(lǐng)域提前布局的重點城市。全國共開放自動駕駛示范道路 3.2 萬多公里，測試?yán)锍坛^ 1.2 億公里，各地部署的智能化路測單元超過 8700 套 。
1.8 車企積極布局 DeepSeek，AI 行業(yè)與智能駕駛形成共振
2025 年 2 月，比亞迪、吉利、極氪、嵐圖、東風(fēng)、零跑、廣汽、長城、智己、寶駿等 20 多家車企及供應(yīng)商陸續(xù)宣布與 DeepSeek 大模型實現(xiàn)深度融合。以 DeepSeek 為代表的 AI 技術(shù)進(jìn)步，促使自動駕駛行業(yè)逐漸擺脫單純的硬件堆疊與算力比拼模式，一場以 AI 融合為核心的高階智能駕駛和智能座艙新競賽即將拉開帷幕。以往在大模型競賽中，企業(yè)通常聚焦于 “數(shù)據(jù)、算法、算力” 三要素中的算力層面進(jìn)行突破，通過不斷提升算力水平來加速大模型的訓(xùn)練和推理過程。而 DeepSeek 的出現(xiàn)打破了這一傳統(tǒng)模式，它從架構(gòu)和算法創(chuàng)新入手，在有限的算力與訓(xùn)練成本條件下，顯著提高了算力利用效率 。
DeepSeek 本身作為大語言模型，在算法優(yōu)化與算力節(jié)省方面具備創(chuàng)新性優(yōu)勢。同時，基于視覺強化微調(diào)，它能夠拓展至多模態(tài)模型，具有多模態(tài)模型上車的共性優(yōu)勢，具體如下：
開源特性優(yōu)勢明顯：車企能夠快速調(diào)用 API，依據(jù)自身需求開展定制化開發(fā)，這大大縮短了技術(shù)從引入到實際落地應(yīng)用的周期。
應(yīng)對極端場景能力突出：通過對數(shù)據(jù)的深度挖掘、增強、保護(hù)以及跨領(lǐng)域遷移能力，有效應(yīng)對極端場景。在自動駕駛領(lǐng)域，真實路測很難涵蓋所有危險場景，如行人突然橫穿馬路等。DeepSeek 能夠構(gòu)建高保真的長尾虛擬駕駛場景，像極端天氣、突發(fā)事故等，通過合成數(shù)據(jù)訓(xùn)練模型，彌補真實數(shù)據(jù)中罕見場景的不足。并且基于生成對抗網(wǎng)絡(luò)（GAN），生成多樣化的行人、車輛行為模式，增強模型對復(fù)雜交通場景的適應(yīng)能力，使模型提前學(xué)習(xí)應(yīng)對策略，避免實際路測中的安全隱患。此外，通過云端協(xié)同方式，將數(shù)據(jù)合成和仿真訓(xùn)練放在云端完成，車端只需加載輕量化模型，避免占用車端算力，這種方式對提升城市 NOA 在極端路況下的表現(xiàn)尤為適用。
云端訓(xùn)練高效便捷：在云端，DeepSeek 能夠基于當(dāng)前智駕企業(yè)積累的數(shù)據(jù)庫，通過數(shù)據(jù)生成完善場景構(gòu)建，僅需極少量標(biāo)注數(shù)據(jù)就能實現(xiàn)高效訓(xùn)練。據(jù) NE 時代新能源消息，這種方式可節(jié)省約 90% 的標(biāo)注成本，還能生成海量增強數(shù)據(jù)。據(jù)懂車帝消息，傳統(tǒng)智駕系統(tǒng)完成場景訓(xùn)練需 6 - 12 個月，而 DeepSeek 的 MoE（混合專家）架構(gòu)可將周期縮短至 45 天。
蒸餾技術(shù)助力顯著：車企可利用 DeepSeek 的知識蒸餾技術(shù)，將云端大模型壓縮為適合自動駕駛車端部署的小模型，無需單獨對車端模型進(jìn)行訓(xùn)練。在理想狀態(tài)下，不同版本的智駕方案可源自同一教師模型，無需重復(fù)開發(fā)，這有助于提升開發(fā)效率，減輕三方智駕企業(yè)的資金壓力和項目周期壓力，并且逐漸模糊中高階智駕技術(shù)的邊界。從長遠(yuǎn)來看，基于教師模型蒸餾得到的學(xué)生模型會更加精細(xì)化，DeepSeek 所展現(xiàn)的推理效率也具有一定借鑒意義，這意味著車端對芯片算力的要求有望降低。個別企業(yè)表示，基于 DeepSeek 的技術(shù)路徑，甚至能夠在單 Orin - X 上部署 L3 級別的功能。
賦能智能座艙功能豐富：DeepSeek 應(yīng)用于座艙交互時，能夠?qū)崿F(xiàn)更精準(zhǔn)、流暢的語音交互，理解駕駛員的模糊指令，并快速準(zhǔn)確地執(zhí)行操作，將傳統(tǒng)的 “指令式交互” 轉(zhuǎn)變?yōu)?“場景化服務(wù)” 。
1.9 10 萬級別智駕落地，推動行業(yè)進(jìn)入智駕平權(quán)時代
隨著比亞迪引領(lǐng)的 10 萬級別智駕的落地，視覺感知方案與端到端大模型共同促使行業(yè)步入 “智駕平權(quán)” 時期。過去，由激光雷達(dá)、高算力芯片以及海量數(shù)據(jù)訓(xùn)練等因素構(gòu)成的高門檻，使得智能駕駛功能主要集中在豪華車型上。2024 年，中國市場乘用車入門級 L2 及以下輔助駕駛前裝搭載率高達(dá) 52.44%，然而以 NOA 為代表的高階智駕前裝搭載率僅為 8.62%，特別是在 10 - 20 萬元價位區(qū)間，高階智駕的前裝標(biāo)配搭載率僅為 1.31%，這一區(qū)間成為明顯的市場洼地 。
2024 年 1 - 9 月，乘用車市場中城市 NOA（自動導(dǎo)航輔助駕駛）技術(shù)的價格進(jìn)一步降低，多個品牌推出了 20 萬元以內(nèi)搭載高階智能駕駛功能的車型，這標(biāo)志著智能駕駛技術(shù)正逐漸向更廣泛的市場普及。2025 年 2 月，比亞迪的 “天神之眼” 推出三檔技術(shù)方案，精準(zhǔn)細(xì)分市場：仰望品牌搭載天神之眼 A，騰勢與王朝系列匹配天神之眼 B，而王朝網(wǎng)和海洋網(wǎng)共計 21 款車型將搭載天神之眼 C，覆蓋 7 萬級到 20 萬級的廣泛價格區(qū)間。這種策略既保障了高端市場的競爭力，又憑借相對低成本的視覺感知方案，將高速 NOA（領(lǐng)航輔助駕駛）功能推向大眾市場。與此同時，更多車企紛紛加入智駕普及賽道，搶占 20 萬以下主流車型區(qū)間的高階智駕（NOA）市場。例如，零跑汽車即將上市的零跑 B10 搭載激光雷達(dá)，將城區(qū)端到端智駕普及至 15 萬內(nèi)區(qū)間；長安汽車也宣布 2025 年將實現(xiàn)品牌全線智能化，并且要將激光雷達(dá)應(yīng)用到 10 萬元以下車型上。目前，高速 NOA 標(biāo)配車型價格已降至 10 萬元區(qū)間，城區(qū) NOA 標(biāo)配車型價格剛進(jìn)入 20 萬元區(qū)間，且價格下降速度仍在加快 。
1.10 汽車行業(yè)加速邁向智能駕駛?cè)嫫占皶r代
2024 年，國內(nèi)新車 L2 級及以上輔助駕駛裝配量達(dá)到 1098.2 萬輛，滲透率為 47.9%。其中，新能源車 L2 及以上滲透率達(dá) 56.9%，高于燃油車。智能化已成為車企競爭的關(guān)鍵焦點，主機廠加快推動高階智駕系統(tǒng)的量產(chǎn)進(jìn)程，那些未能跟上智能化發(fā)展步伐的品牌，可能會逐漸喪失市場競爭力。在政策方面，國家和地方積極出臺多項政策，支持高階智駕的落地。目前，已有 50 多個城市出臺了自動駕駛地方性法規(guī)，推動技術(shù)的試點應(yīng)用 。
AI 大模型技術(shù)在自動駕駛領(lǐng)域的應(yīng)用不斷深入，涵蓋云端訓(xùn)練和車端部署，在硬件成本降低、性能提升以及算法開源等方面展現(xiàn)出優(yōu)勢，同時降低了訓(xùn)練和推理成本。Deepseek 將從數(shù)據(jù)、算法、算力等多個環(huán)節(jié)全面賦能，加速高階智駕的商用落地進(jìn)程。隨著端到端大模型的持續(xù)優(yōu)化，頭部車企推出 “車位到車位” 功能，實現(xiàn)全場景覆蓋且具備全程無接管能力，2025 年智駕市場將圍繞 “車位到車位” 功能展開激烈競爭 。
高階智駕技術(shù)的進(jìn)步以及規(guī)?；a(chǎn)促使成本不斷下降，10 - 20 萬元車型將成為智駕技術(shù)滲透的主力市場。預(yù)計 2025 年，智駕市場中車企之間圍繞 “車位到車位” 功能的成熟度和用戶體驗，技術(shù)競爭將愈發(fā)激烈；同時，NOA 高階智駕市場將迎來商業(yè)化轉(zhuǎn)折點，消費者有望以更低成本享受到高階智能駕駛功能 。
二、關(guān)注自研核心算法的整車企業(yè)
2.1 特斯拉：純視覺方案與一體化端到端的行業(yè)先驅(qū)
特斯拉在自動駕駛領(lǐng)域不斷探索創(chuàng)新，通過在自研芯片、算法結(jié)構(gòu)、數(shù)據(jù)標(biāo)注與融合等多方面持續(xù)升級，其一體化端到端技術(shù)架構(gòu)日益成熟。
FSD 系統(tǒng)的發(fā)展與成就
Full Self-Driving（FSD，完全自動駕駛）是特斯拉全力研發(fā)的頂級自動輔助駕駛系統(tǒng)，目標(biāo)是借助 OTA（Over-The-Air）軟件更新，逐步達(dá)成 L5 級別的自動駕駛。截至 2024 年第二季度，得益于 FSD 技術(shù)，特斯拉汽車的行駛里程已超 16 億英里（約合 25.75 億公里），其中搭載全面端到端 FSD V12 系統(tǒng)的汽車行駛里程也超過了 6 億英里（約合 9.66 億公里）。到 2024 年底，特斯拉計劃將 FSD 的 AI 訓(xùn)練能力提升至約 9 - 10 萬個 H100 等效算力（對應(yīng) 90 - 100E FLOPS），為技術(shù)的進(jìn)一步突破提供強大算力支撐。
從最初的 Autopilot 到如今的端到端架構(gòu)，特斯拉通過影子模式、構(gòu)建 HydraNet 神經(jīng)網(wǎng)絡(luò)架構(gòu)、實現(xiàn)數(shù)據(jù)自動標(biāo)注、進(jìn)行算法層面的持續(xù)迭代（如采用 BEV+Transformer + 占用網(wǎng)絡(luò)等技術(shù)）以及儲備充足算力等一系列布局，實現(xiàn)了逐步的迭代升級。
強大的硬件支撐：Dojo 超級計算機系統(tǒng)
在硬件層面，特斯拉構(gòu)建了 Dojo 超級計算機系統(tǒng)，計劃在 2024 年將算力規(guī)模突破 100E FLOPS，這一強大的算力設(shè)施為端到端模型的訓(xùn)練提供了堅實保障。
算法結(jié)構(gòu)的演進(jìn)：邁向純視覺與一體化端到端
在算法結(jié)構(gòu)方面，特斯拉的 FSD 采用純視覺解決方案。該方案主要依靠 8 個攝像頭采集視頻數(shù)據(jù)，再借助 AI 芯片和神經(jīng)網(wǎng)絡(luò)算法進(jìn)行數(shù)據(jù)處理，以實現(xiàn)自動駕駛功能。特斯拉早期與 Mobileye 合作，2016 年開始轉(zhuǎn)向自研之路。在 2020 - 2022 年間，特斯拉完成了 BEV+Transformer + 占用網(wǎng)絡(luò)的技術(shù)升級，成功邁入大模型時代。
2023 年 12 月，F(xiàn)SD V12 測試版發(fā)布，其采用端到端神經(jīng)網(wǎng)絡(luò)替代了原本的 30 萬行 C++ 代碼，實現(xiàn)了城市道路自動駕駛，且干預(yù)頻次降低至每千英里 0.3 次，在復(fù)雜場景下也能保持穩(wěn)定表現(xiàn)。2024 年 12 月推出的 FSD V13，處理能力提升至 36Hz 原生清晰度，訓(xùn)練數(shù)據(jù)量提升 4.2 倍，算力提升 5 倍，延遲減少 2 倍。FSD 計劃在 2025 年第一季度進(jìn)入中國和歐洲市場，并計劃推出無監(jiān)督版 FSD，加速高階自動駕駛的商業(yè)化進(jìn)程。
特斯拉的算法逐步從感知模塊端到端發(fā)展成為一體化端到端。2021 年，感知模塊從基于單圖分析的 HydraNet 網(wǎng)絡(luò)架構(gòu)升級為 BEV+Transformer 架構(gòu)。特斯拉在 HydraNet 架構(gòu)中引入 Transformer 構(gòu)建 BEV，同時增添基于時間的序列（feature queue）和基于空間的序列（video Module），共同構(gòu)成完整的感知模塊架構(gòu)，有效解決了相對復(fù)雜的非結(jié)構(gòu)道路識別難題。同年，F(xiàn)SD 規(guī)劃模塊引入基于神經(jīng)網(wǎng)絡(luò)的規(guī)劃模塊和蒙特卡洛樹搜索，實現(xiàn)了規(guī)劃模塊端到端的優(yōu)化。2022 年，為了更好地識別遮擋物、遠(yuǎn)距離及邊緣區(qū)域等，特斯拉引入 Occupancy 網(wǎng)絡(luò)，實現(xiàn)了對 3D 空間的精準(zhǔn)感知，形成了 BEV+Transformer+Occupancy 神經(jīng)網(wǎng)絡(luò)架構(gòu)。通過攝像頭輸入的圖片，該架構(gòu)能夠端到端輸出汽車周圍環(huán)境向量空間數(shù)據(jù)，為規(guī)劃模塊的決策提供有力支持。2023 年 12 月 FSD V12 方案的推出，標(biāo)志著端到端架構(gòu)正式進(jìn)入一體化階段，通過單一的神經(jīng)網(wǎng)絡(luò)直接處理攝像頭數(shù)據(jù)并輸出駕駛指令，摒棄了傳統(tǒng)的模塊化處理方式。
數(shù)據(jù)閉環(huán)：數(shù)據(jù)標(biāo)注與數(shù)據(jù)引擎的協(xié)同
在數(shù)據(jù)方面，特斯拉實現(xiàn)了從外包標(biāo)注到自主標(biāo)注、從人工標(biāo)注到自動化標(biāo)注的轉(zhuǎn)變。從 2018 年到 2021 年，特斯拉的數(shù)據(jù)工程平臺歷經(jīng) 3 次迭代。2021 年，數(shù)據(jù)標(biāo)注在 3D 空間基礎(chǔ)上增加了時間維度，標(biāo)注效率相較于 2018 年提升了 800 倍。同年，特斯拉開始啟用自動標(biāo)注系統(tǒng)，其主要流程包括高精度軌跡提取、多路徑聯(lián)合重建、新路徑自動標(biāo)注。通過融合多條路徑，重建 3D 語義地圖，并將其應(yīng)用于新軌跡的自動標(biāo)注。自動標(biāo)注算法對一萬個駕駛旅程的 12 小時自動標(biāo)注，相當(dāng)于 500 萬小時的人工標(biāo)注工作量。此外，特斯拉通過影子模式收集數(shù)據(jù)，經(jīng)過清洗、標(biāo)注后，與仿真數(shù)據(jù)共同構(gòu)建訓(xùn)練集。訓(xùn)練集用于車載模型的訓(xùn)練，訓(xùn)練完成后更新到車上，如此循環(huán)往復(fù)，完成數(shù)據(jù)流的閉環(huán)。
算力布局：車端與超算中心雙管齊下
算力對于自動駕駛至關(guān)重要，計算平臺作為自動駕駛系統(tǒng)的核心硬件，包括車端算力和用于訓(xùn)練的超算中心。特斯拉在算力領(lǐng)域從依賴外購轉(zhuǎn)向自主研發(fā)。2019 年 4 月，特斯拉推出自研車端芯片 HW3.0，2024 年 2 月升級至 HW4.0，算力提升至 HW3.0 的五倍。由于自動駕駛算力的瓶頸主要在訓(xùn)練環(huán)節(jié)，特斯拉專門開發(fā)了超級計算機 Dojo，專注于深度學(xué)習(xí)模型訓(xùn)練，尤其是為 FSD 提供支持。Dojo 于 2023 年 7 月投產(chǎn)，預(yù)計到 2024 年底，特斯拉在 Dojo 超算系統(tǒng)上的投資將超過 10 億美元。
自動駕駛軟件層級與功能
在自動駕駛軟件層面，目前主要分為三個層級：BAP（基礎(chǔ)版輔助駕駛）、EAP（增強版輔助駕駛）和 FSD（完全自動駕駛），自動駕駛功能的搭載程度依次增強。FSD 的核心功能涵蓋自動輔助導(dǎo)航駕駛、自動泊車、自動變換車道、智慧召喚、交通標(biāo)志識別、輔助轉(zhuǎn)向等。2024 年 1 月發(fā)布的 FSD V12.12 在舊金山 Market Street 路口完成了復(fù)雜路口通行測試，平均通過時間為 12 秒，成功率達(dá) 88%。在硅谷測試中，該系統(tǒng)已能處理 “隧道內(nèi)無保護(hù)左轉(zhuǎn)” 等高階場景，決策邏輯與人腦反應(yīng)時誤差僅 0.3 秒，實現(xiàn)了端到端系統(tǒng)的進(jìn)一步優(yōu)化。最新發(fā)布的 FSD V13 在 V12 的基礎(chǔ)上增添了諸多新功能，包括從駐車啟動 FSD、倒車和目的地停車功能等。
硬件系統(tǒng)的持續(xù)升級
特斯拉的硬件系統(tǒng)歷經(jīng)多次版本迭代，包括 HW1.0、HW2.0/HW2.5、HW3.0 以及最新的 HW4.0。2019 年，特斯拉在國內(nèi)推出搭載 HW3.0 的 Model 3/Y，當(dāng)時 FSD 為付費選裝形式，僅能實現(xiàn)自動泊車、車道保持等基礎(chǔ)功能。HW4.0 芯片算力提升五倍，為 FSD 的后續(xù)迭代提供了堅實的硬件基礎(chǔ)，目前主要搭載于 Model X/S/3/Y 車型上 。
最新版FSD V13的新增亮點：① 從駐車檔啟動FSD（監(jiān)控）；② 集成的起停、倒車和停車功能；③改進(jìn)避免碰撞的獎勵預(yù)測；④ 重新設(shè)計的控制器實現(xiàn)更流暢、更準(zhǔn)確的跟蹤；⑤動態(tài)規(guī)劃道路封閉路線，當(dāng)車隊檢測到封閉道路時，會沿著受影響的路線顯示封閉道路。
2.2 華為鴻蒙智行：模塊化端到端，聚焦生態(tài)整合與全域協(xié)同
華為在智能駕駛領(lǐng)域積極布局，其智能駕駛技術(shù)（ADS）采用了獨特的激光雷達(dá)和視覺融合方案，與行業(yè)內(nèi)其他方案形成了明顯差異。
智能駕駛方案特點與優(yōu)勢
ADS 主要依靠激光雷達(dá)采集數(shù)據(jù)，以此來探索可行駛的空間，再通過 AI 芯片和算法對數(shù)據(jù)進(jìn)行處理，從而實現(xiàn)自動駕駛功能。這種融合感知方案具有較高的上限，因為 1500 波長的激光雷達(dá)能夠有效感知環(huán)境數(shù)據(jù)，極大地突破了視覺限制。在夜晚、雨天、霧天以及塵土飛揚等惡劣天氣條件下，激光雷達(dá)受影響極小。并且，激光雷達(dá)收集的數(shù)據(jù)自帶距離向量，無需芯片進(jìn)行重復(fù)計算，這在一定程度上優(yōu)化了數(shù)據(jù)處理流程。
然而，該方案也存在一定的挑戰(zhàn)。由于激光雷達(dá)和視覺同時采集數(shù)據(jù)，需要進(jìn)行數(shù)據(jù)融合處理，這對算力和算法提出了很高的要求。與特斯拉所采用的純視覺方案相比，ADS 的硬件成本相對較高。不過，華為通過與主機廠合作構(gòu)建鴻蒙智行生態(tài)，充分利用中國市場龐大的規(guī)模優(yōu)勢，有望逐步降低成本，提升該方案的市場競爭力。
從2021年的ADS 1.0到2024年的ADS 3.0，硬件方案已歷經(jīng)三次迭代： ADS 1.0 基于13個攝像頭（前視覺雙目+長短距）、三個激光雷達(dá)、六 個毫米波，400TOPs算力的MDC，采用高精地圖的方案； ADS 2.0 基于11個攝像頭、一個激光雷達(dá)，200TOPs算力的MDC。相比 上一代，減去雙目攝像頭、兩個激光雷達(dá)、三個毫米波，減去一塊昇 騰610算力為200TOPs算力的MDC，減去高精地圖； ADS 3.0 相比上一代，將一個激光雷達(dá)從128線換到了192線，其中一 個毫米波雷達(dá)換成了4D毫米波雷達(dá)。192線雷達(dá)采樣頻率已經(jīng)達(dá)到20hz。
新一代智能駕駛解決方案 ADS 3.0
2024 年 4 月，華為推出新品牌乾崑及其新一代智能駕駛解決方案 ADS 3.0。ADS 3.0 以 GOD 網(wǎng)絡(luò)（通用障礙物檢測）和 PDP 網(wǎng)絡(luò)（預(yù)測 - 決策 - 規(guī)劃一體化）為核心，借助全棧自研的 AI 芯片、操作系統(tǒng)和融合感知傳感器，成功實現(xiàn)了端到端技術(shù)的規(guī)?；慨a(chǎn)。
為了不斷優(yōu)化智能駕駛系統(tǒng)，華為構(gòu)建了云端 AI 訓(xùn)練平臺，進(jìn)行大量的數(shù)據(jù)訓(xùn)練。根據(jù) 2024 年 6 月發(fā)布的信息，ADS 智能駕駛系統(tǒng)的云端學(xué)習(xí)訓(xùn)練算力已達(dá)到 7.5EFLOPS，訓(xùn)練數(shù)據(jù)量更是達(dá)到日行 3500 萬公里。這意味著每過 24 小時，系統(tǒng)就能通過迭代變得更加智能。
ADS 3.0 的升級亮點顯著。在技術(shù)架構(gòu)上，構(gòu)建了 GOD 感知神經(jīng)網(wǎng)絡(luò) + PDP 決策神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了模塊化端到端。華為將 GOD 和 RCR 都進(jìn)行了神經(jīng)網(wǎng)絡(luò)化處理，并納入到一個完整的 GOD 感知神經(jīng)網(wǎng)絡(luò)中。在規(guī)劃決策模塊方面，構(gòu)建了 PDP 決策神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了去 BEV 化。此外，華為還在端到端模型中增加了 “本能安全網(wǎng)絡(luò)”，為系統(tǒng)下限兜底。這一舉措增強了模型的可解釋性與穩(wěn)健性，有效避免了端到端模型下限低的問題。
未來規(guī)劃與技術(shù)支撐
華為計劃在 2025 年推動高速 L3 級自動駕駛的商用化，并開啟城區(qū) L3 級試點。為實現(xiàn)這一目標(biāo)，華為明確了算力冗余、感知冗余和操控冗余三個必備條件，并依托途靈平臺實現(xiàn)線控轉(zhuǎn)向等關(guān)鍵技術(shù)，全力推動 L3 級自動駕駛的落地。屆時，所有配備激光雷達(dá)的車型將具備從車位到車位的高階智能駕駛能力。同時，ADS 基礎(chǔ)版也將具備高速 NCA 和城市快速路 NCA 能力，且不依賴高精地圖，能夠在全國范圍內(nèi)使用。
生態(tài)構(gòu)建與解決方案
在智能網(wǎng)聯(lián)車領(lǐng)域，華為依托昇騰 AI 構(gòu)建了強大的算力底座。圍繞開源生態(tài)和模型體系，打造了完整的軟硬件解決方案?；谌珬Ｗ灾鏖_放兼容、靈活部署的 AI 算力底座，華為提供了完整的自動駕駛和智能網(wǎng)聯(lián)體系的基礎(chǔ)解決方案，涵蓋底層計算架構(gòu)、核心硬件、大規(guī)模的集訓(xùn)系統(tǒng)、操作系統(tǒng)、編譯器、編程語言以及各種各樣的加速庫等。
在算力解決層面，華為不僅提供基礎(chǔ)的軟硬件，還提供圍繞智能網(wǎng)聯(lián)汽車解決方案的可使用套件，包括框架、訓(xùn)練的模型以及更多工具和調(diào)度系統(tǒng)。同時，華為聯(lián)合合作伙伴共同推出自動駕駛和智能網(wǎng)聯(lián)云服務(wù)體系，以滿足上層各種場景的需求。
在自動駕駛模型測試層面，華為構(gòu)建了一套完整的工具鏈，涵蓋了自動駕駛、模型、算子、場景開發(fā)的全流程。從模型遷移到整個訓(xùn)練過程，包括數(shù)據(jù)預(yù)處理、后處理，以及模型的壓縮、減支、優(yōu)化部署等環(huán)節(jié)，都有相應(yīng)的工具和流程支持。
華為鴻蒙智行通過獨特的技術(shù)方案、明確的未來規(guī)劃、強大的生態(tài)構(gòu)建和完善的解決方案，在智能駕駛領(lǐng)域展現(xiàn)出了強大的競爭力和發(fā)展?jié)摿?，有望為用戶帶來更加智能、安全、便捷的駕駛體驗。
ADS 3.0體驗亮點包括：①享界 S9 泊車代駕正式商用，到達(dá)目的地后，人可下車即走，車輛自主泊入，解決停車找位難、費時間等痛點；②開啟條件不挑場景，可以從地庫車位、路邊臨時停車等等狀態(tài)下直接起步；③可以自己過閘機、下地庫、自主泊車的幾個功能無縫銜接，可實現(xiàn)車位到車位的智駕體驗；④特殊場景應(yīng)對：鬼探 頭，ADS 3.0能夠及時避讓或剎停；對向來車時會主動博弈避讓。
3.1 智能駕駛產(chǎn)業(yè)鏈
3.1 車端電子電氣架構(gòu)：邁向中央計算的變革之路
汽車電子電氣架構(gòu)的升級，正沿著一條清晰且極具變革性的路徑展開：從分布式架構(gòu)的基礎(chǔ)形態(tài)，歷經(jīng)域集中階段的功能整合，最終邁向中央集中式架構(gòu)的智能化巔峰。這一演進(jìn)過程，不僅是技術(shù)的革新，更是汽車產(chǎn)業(yè)迎接未來出行挑戰(zhàn)的關(guān)鍵一步。
分布式架構(gòu)：傳統(tǒng)根基與發(fā)展瓶頸
在傳統(tǒng)的分布式電子電氣架構(gòu)中，每一個電子控制單元（ECU）都肩負(fù)著單一功能單元的控制重任，發(fā)動機、剎車、車門等關(guān)鍵部件都有其專屬的 ECU，如發(fā)動機控制器、傳動系統(tǒng)控制器、制動控制器以及電池管理系統(tǒng)等。這些 ECU 通過 CAN（Controller Area Network，控制器域網(wǎng)絡(luò)）或 LIN（Local Interconnect Network，局部互聯(lián)網(wǎng)絡(luò)）總線相互連接，依據(jù)預(yù)定義的協(xié)議進(jìn)行信息交換。
然而，隨著汽車電子電氣產(chǎn)品的日益豐富，這一架構(gòu)的局限性逐漸凸顯。ECU 數(shù)量的急劇增加，直接導(dǎo)致總線線束的長度和重量同步攀升，不僅拉高了整車成本，還阻礙了組裝自動化水平的提升。更為關(guān)鍵的是，分布式架構(gòu)存在著算力分散、布線復(fù)雜、軟硬件耦合過深以及通信帶寬瓶頸等多重問題。不同供應(yīng)商提供的 ECU，其嵌入式軟件和底層代碼各不相同，軟件生態(tài)的復(fù)雜性使得整個系統(tǒng)的兼容性和擴(kuò)展性大打折扣。主機廠在這樣的架構(gòu)下，嚴(yán)重依賴供應(yīng)商，不僅難以自主進(jìn)行整車維護(hù)，更無法實現(xiàn) OTA（Over - The - Air，空中下載技術(shù)）升級。
隨著智能網(wǎng)聯(lián)汽車功能的日益復(fù)雜，車輛傳感器數(shù)量激增，數(shù)據(jù)傳輸及處理的實時性要求呈指數(shù)級增長。傳統(tǒng)的 FlexRay、LIN 和 CAN 低速總線，已無法滿足高帶寬通信的需求，更難以適應(yīng)數(shù)據(jù)處理的實時性挑戰(zhàn)。在自動駕駛領(lǐng)域，分布式架構(gòu)的能力極限僅停留在 L2 級別，面對 L3 及以上級別的自動駕駛需求，顯得力不從心。為了實現(xiàn) OTA 和 “軟件定義汽車” 的愿景，智能汽車迫切需要打破軟硬件之間的緊密耦合。
域集中式架構(gòu)：功能整合的過渡階段
域集中式架構(gòu)的出現(xiàn)，為解決分布式架構(gòu)的困境提供了有效的過渡方案。其中，功能域的劃分成為關(guān)鍵創(chuàng)新點。以博世的經(jīng)典劃分為例，將汽車功能劃分為五個主要領(lǐng)域：動力域、底盤域、車身域、座艙域和自動駕駛域。這些域控制器之間通過以太網(wǎng)和 CANFD（CAN with Flexible Data - Rate）進(jìn)行連接。
在這一架構(gòu)中，座艙域和自動駕駛域由于需要處理海量數(shù)據(jù)，對算力的需求呈現(xiàn)出逐步增長的趨勢。而動力總成域、底盤域和車身域，主要涉及控制指令的計算以及通訊資源的調(diào)配，對算力的要求相對較低。這種功能域的劃分，在一定程度上實現(xiàn)了功能的集中管理，提高了系統(tǒng)的運行效率。
跨域融合階段：深度整合與協(xié)同優(yōu)化
在功能域的基礎(chǔ)上，為了進(jìn)一步降低成本、增強系統(tǒng)協(xié)同能力，跨域融合的概念應(yīng)運而生。跨域融合，即將多個功能域進(jìn)行整合，由跨域控制單元統(tǒng)一進(jìn)行控制。例如，將動力域、底盤域和車身域合并為整車控制域，使得原本的五個功能域（自動駕駛域、動力域、底盤域、座艙域、車身域）逐步過渡到三個更為集成的功能域（自動駕駛域、智能座艙域、車控域）。這一階段的變革，不僅簡化了系統(tǒng)架構(gòu)，還提升了不同功能之間的協(xié)同效率，為汽車的智能化發(fā)展奠定了更堅實的基礎(chǔ)。
中央計算 + 位置域階段：邁向智能化核心
隨著功能域的深度整合，汽車電子電氣架構(gòu)開始向通用計算平臺演進(jìn)，并引入了位置域的概念，如中、左、右域等。區(qū)域控制器平臺（ZCU）作為整車計算系統(tǒng)的局部核心，承擔(dān)著特定區(qū)域內(nèi)傳感器、執(zhí)行器及 ECU 的連接任務(wù)，同時負(fù)責(zé)該區(qū)域的初步數(shù)據(jù)計算和網(wǎng)絡(luò)協(xié)議轉(zhuǎn)換。
位置域的布局優(yōu)化了線束配置，有效降低了成本，減少了通信接口數(shù)量，顯著提升了自動化組裝效率。傳感器和執(zhí)行器就近接入?yún)^(qū)域控制器，不僅方便了硬件的擴(kuò)展，還簡化了結(jié)構(gòu)管理。區(qū)域接入與中央計算的有機結(jié)合，確保了整車架構(gòu)的穩(wěn)定性和功能擴(kuò)展性。新增的外部部件可以通過區(qū)域網(wǎng)關(guān)輕松接入，硬件設(shè)計也充分考慮了算力升級的需求，為中央計算平臺的應(yīng)用軟件迭代提供了強大的算力支持。
汽車云計算階段：云端賦能與軟件定義未來
汽車云計算階段，將汽車的部分功能轉(zhuǎn)移至云端，使得車內(nèi)架構(gòu)得到進(jìn)一步簡化。在這一階段，車輛的各種傳感器和執(zhí)行器都可以通過軟件進(jìn)行定義和控制，汽車零部件逐步向標(biāo)準(zhǔn)化邁進(jìn)，真正實現(xiàn)了 “軟件定義汽車” 的核心功能。
從本質(zhì)上講，汽車電子電氣架構(gòu)的演進(jìn)過程，是一個算力逐漸集中的過程，也是功能實現(xiàn)主體從 ECU、功能域控向區(qū)域域控、中央計算平臺逐步轉(zhuǎn)變的過程。從硬件架構(gòu)、軟件架構(gòu)和通信架構(gòu)三個維度來看，硬件架構(gòu)正從分布式向域控制 / 中央集中式方向發(fā)展，軟件架構(gòu)從軟硬件高度耦合向分層解耦方向演進(jìn)，通信架構(gòu)則由 LIN/CAN 總線向以太網(wǎng)方向升級。
在硬件層面，架構(gòu)升級顯著提升了算力利用率，減少了算力設(shè)計的總需求，使得核心計算性能得到大幅提升。在軟件層面，架構(gòu)升級促進(jìn)了軟硬件的解耦分層，實現(xiàn)了軟件 / 固件的在線升級，保障了軟件架構(gòu)的軟實時性和操作系統(tǒng)的可移植性。同時，有利于采集數(shù)據(jù)信息的多功能應(yīng)用，有效減少了硬件需求量，為真正實現(xiàn) “軟件定義汽車” 的目標(biāo)提供了有力支撐。
當(dāng)前，傳統(tǒng)分布式架構(gòu)已逐步向基于域控的集中式架構(gòu)過渡。展望未來，架構(gòu)形式向中央集中式電氣架構(gòu)的進(jìn)一步演進(jìn)，將成為實現(xiàn)高級別自動駕駛的必要條件，引領(lǐng)汽車產(chǎn)業(yè)駛向智能化、網(wǎng)聯(lián)化的新時代。
3.2 感知層：傳感器數(shù)量減配、性能提升
大模型的應(yīng)用有望降低自動駕駛傳感器硬件成本，降低自動駕駛普及門檻。自動駕駛傳感器主要包括攝像頭、超聲波雷達(dá)、毫米波雷達(dá)、激光雷達(dá)、GPS 等。超聲波雷達(dá)在0.1-3米間精度較高，但易受天氣 和車速影響，主要應(yīng)用于智能泊車功能；攝像頭是實現(xiàn)眾多預(yù)警、識別類高級輔助駕駛功能的基礎(chǔ)； 毫米波雷達(dá)使用波長為1-10 mm的電磁波，測距可達(dá) 200m，具有較強的穿透能力，不受雨、雪、大霧等 惡劣天氣影響，但對非金屬物體（如行人）的反射效果欠佳，無法全面識別周圍環(huán)境；激光雷達(dá)精度高(角/速度/距離分辨率)，響應(yīng)速度快，最遠(yuǎn)探測距離高達(dá)500米，對行人檢測效果良好，但在極端天氣下性能會受影響，且成本較高。
對環(huán)境進(jìn)行三維建模，是高階智能駕駛的必要條件， 要求傳感器具備高分辨率與三維探測能力。攝像頭通過BEV、Occupancy Network等神經(jīng)網(wǎng)絡(luò)算法獲得了這一能力，使得天生擁有這一能力的激光雷達(dá)重要性下降。
隨著算法的不斷迭代以及傳感器性能的持續(xù)提升，實現(xiàn)同等智能駕駛功能所需的傳感器數(shù)量或種類將會發(fā)生變化。以華為在 2023 年 4 月發(fā)布的自動駕駛 ADS2.0 系統(tǒng)為例，相較于第一代系統(tǒng)，它減少了 2 個激光雷達(dá)、3 個毫米波雷達(dá)以及 2 個攝像頭，然而其自動駕駛功能卻實現(xiàn)了增長。借助 Transformer+BEV 算法的升級，ADS2.0 新增了城區(qū)車道巡航輔助增強和哨兵模式。
另一方面，大模型在智能駕駛領(lǐng)域的落地，對感知精度和感知距離提出了更高要求，進(jìn)而推動了傳感器硬件性能的提升。攝像頭分辨率的提高有助于提升感知模型的精度，但這同時也會增加計算量，提升對算力和傳輸帶寬的需求。4D 毫米波雷達(dá)彌補了傳統(tǒng) 3D 毫米波雷達(dá)缺乏高度信息的不足，它在距離、方位、速度三個維度的基礎(chǔ)上增加了高度信息，并且像激光雷達(dá)一樣能夠呈現(xiàn)點云圖，展現(xiàn)出更多細(xì)節(jié)。不過，4D 毫米波雷達(dá)生成的點云相對稀疏，密度基本與 32 線激光雷達(dá)相當(dāng)，與目前主流的百線以上激光雷達(dá)存在較大差距，而且角分辨率較低。鑒于數(shù)據(jù)量對于多模態(tài)大模型的落地至關(guān)重要，短期內(nèi)高線束激光雷達(dá)仍然無法被毫米波雷達(dá)完全取代。隨著 MEMS、FLASH 等技術(shù)逐步走向市場，激光雷達(dá)技術(shù)正從機械式向全固態(tài)升級，其分辨率和探測范圍持續(xù)提升。并且，隨著大規(guī)模量產(chǎn)，激光雷達(dá)的成本處于下降通道，這進(jìn)一步拓展了其在自動駕駛領(lǐng)域的應(yīng)用空間。
激光雷達(dá)屬于主動測量裝置，通過發(fā)射激光來精準(zhǔn)測量物體與自身之間的距離。它由激光器和探測器組成收發(fā)陣列，結(jié)合光束掃描技術(shù)，利用激光點陣獲取周圍物體的精確距離及輪廓信息，從而實現(xiàn)對周圍環(huán)境的實時感知和避障功能。相較于毫米波雷達(dá)和攝像頭，激光雷達(dá)具備強大的空間三維分辨能力。同時，它還能結(jié)合預(yù)先采集的高精地圖，達(dá)到厘米級的定位精度，以實現(xiàn)自主導(dǎo)航。
在全球范圍內(nèi)，汽車激光雷達(dá)領(lǐng)域的核心廠商包括禾賽科技、速騰聚創(chuàng)、華為、圖達(dá)通和 Valeo 等。2024 年，全球前 5 大廠商共占據(jù)了 86.92% 的市場份額。在中國，2024 年激光雷達(dá)市場迎來顯著增長，裝機量突破 150 萬顆。該市場主要由速騰聚創(chuàng)、華為技術(shù)、禾賽科技和圖達(dá)通等廠商主導(dǎo)。其中，速騰聚創(chuàng)以 514,995 顆的裝機量和 33.5% 的市場份額位居榜首，充分彰顯了其行業(yè)領(lǐng)先地位。華為技術(shù)以 420,538 顆裝機量和 27.4% 的市場份額緊隨其后，依靠自身強大的技術(shù)實力和品牌影響力穩(wěn)居第二。禾賽科技以 392,571 顆裝機量和 25.6% 的市場份額位列第三，展現(xiàn)出穩(wěn)定的市場競爭力。圖達(dá)通則以 205,604 顆裝機量和 13.4% 的市場份額在市場中占據(jù)一席之地。而其他供應(yīng)商的合計裝機量僅為 1,853 顆，市場份額不足 0.1%，這凸顯了當(dāng)前激光雷達(dá)市場高度集中的特點。
總體而言，激光雷達(dá)市場正處于快速增長階段，頭部企業(yè)憑借自身的顯著優(yōu)勢鞏固了在市場中的主導(dǎo)地位。2024 年激光雷達(dá)裝機量的大幅增長，得益于以 NOA（Navigate on Autopilot，城市導(dǎo)航輔助駕駛）為代表的中高階智駕需求的爆發(fā)。目前，支持城市 NOA 的車型版本（包括選配）普遍配備激光雷達(dá)。即便部分車型現(xiàn)階段僅支持高速 NOA，但由于后期有拓展城市 NOA 的規(guī)劃，多數(shù)也都配置了激光雷達(dá) 。
· 鈦祺智庫·
1、如欲獲取完整版PDF文件，可以關(guān)注鈦祺汽車官網(wǎng)—>智庫，也可以添加鈦祺小助理微信，回復(fù)“報告名稱：汽車智能駕駛行業(yè)深度報告：端到端與AI共振，智駕平權(quán)開啟新時代 ”
2、鈦祺智庫目前已收錄2000+篇汽車行業(yè)最新技術(shù)報告，供行業(yè)朋友查閱、參考。
3、鈦祺智庫持續(xù)更新、收錄行業(yè)深度技術(shù)文章、研究報告，并不定期上傳行業(yè)專家特約文章，為汽車行業(yè)朋友提供專業(yè)支持。
請注冊賬號，免費下載報告：https://doc.taiqiol.com/m/Register.aspx；
熱門跟貼