向评价主要OEM在智舱、智驾方面的能力

1、目录 HYPERLINK l _TOC_250031 中国品牌弄潮智能驾驶进化新模式 8 HYPERLINK l _TOC_250030 自动驾驶能力需数据积累，海外巨头暂时领先 8 HYPERLINK l _TOC_250029 渐进式发展成商业落地的共识，数据成关键胜负手 9 HYPERLINK l _TOC_250028 领军人物映射车企智能化战略方向及潜力天穹 10 HYPERLINK l _TOC_250027 领军人物决定企业利用数据的方式以及能力 10 HYPERLINK l _TOC_250026 车企智能化战略的分化，与领军人物选择互为映射 12 HYPERLINK l _T

2、OC_250025 造车新势力成为智能化新模式的排头兵 13 HYPERLINK l _TOC_250024 小鹏汽车：走在智能化硬件配置及全栈自研的最前沿 13 HYPERLINK l _TOC_250023 P7 已具备领先智能驾驶体验，P5 配置激光雷达最先量产 13 HYPERLINK l _TOC_250022 带头人在计算平台应用上颇有建树 17 HYPERLINK l _TOC_250021 蔚来汽车：招募AI 行业顶流专家，积极探索软件自主 19 HYPERLINK l _TOC_250020 发布新一代自动驾驶技术，实现点对点驾驶控制 19 HYPERLINK l _TOC_

3、250019 学术大拿，AI 界顶流助力技术发展 21 HYPERLINK l _TOC_250018 理想汽车：选择务实，人才布局关注技术落地 23 HYPERLINK l _TOC_250017 2022 年新车搭载英伟达最新自动驾驶芯片 Orin 23 HYPERLINK l _TOC_250016 招募到供应商核心人员，着力工程化落地 24 HYPERLINK l _TOC_250015 特斯拉：引领行业技术演进，硬件专注于视觉方案 24 HYPERLINK l _TOC_250014 FSD 芯片迭代，为视觉算法充分优化 24 HYPERLINK l _TOC_250013 团队囊括

4、各领域顶尖人才，研发开创性及工程能力兼具 27 HYPERLINK l _TOC_250012 传统中国品牌各尽其能，奋起直追智能化 28 HYPERLINK l _TOC_250011 吉利/亿咖通：传统车企全栈自研的探路者 28 HYPERLINK l _TOC_250010 全栈自研及合作开发同步进行，亿咖通承载芯片自研重任 28 HYPERLINK l _TOC_250009 3.1.2 研究院+亿咖通+Zenseact 的管理、技术、工程能力 29 HYPERLINK l _TOC_250008 长城汽车：变革思潮下，借力打力的奋起直追 30 HYPERLINK l _TOC_250

5、007 4.2.1 “331 战略”发布，2023 实现最多 L4 场景覆盖 30 HYPERLINK l _TOC_250006 4.2.2 团队各有所长，产品落地经验丰富 31 HYPERLINK l _TOC_250005 广汽集团：新技术领导者正逐步构建企业自身能力 32 HYPERLINK l _TOC_250004 系统集成是广汽能力构建的主旋律 32 HYPERLINK l _TOC_250003 兼具学术背景和丰富头部机构研发经验 33 HYPERLINK l _TOC_250002 上汽集团：欲借助高端品牌另辟蹊径 34 HYPERLINK l _TOC_250001 外资企

6、业技术储备丰富，对应变革相对保守 35 HYPERLINK l _TOC_250000 宝马：稳步前行，拾级而上 35Pro 系统应用广泛，L2 级别辅助驾驶是短期工作重点 35团队在自动驾驶落地方面经验丰富 36通用：头部玩家，渐进式、跳跃式路线均在并行 37Bev3 平台开启新阶段，Super Cruise 高速路自动驾驶 37Cruise 核心技术团队在机器人领域颇有建树 39福特：早早布局自动驾驶，正尝试应用落地 39携手 Argo AI 推出第四代自动驾驶测试车 39带头人领导力和研发能力出众 41丰田集团：更重安全，为实现梦想构建一座新城 42Advanced Drive 硬件配置

7、豪华，支持渐进式进化 42Woven City 探索自动驾驶终极方案 44硅谷大神领导新四化转型 46大众：大象转身，定位新商业模式 49乘用车旨在构建新的商业模式 49商用车携手Argo 场景落地自动驾驶 50领导团队运营、研发双管齐下 51图表目录图 1：Navigant 2019 年自动驾驶实力排行榜 8图 2：Navigant 2020 年自动驾驶实力排行榜 8图 3：主要车企自动驾驶负责人学术研究情况 10图 4：主机厂面对自动驾驶战略分化为 4 类 13图 5：XPilot 系统迭代量产之路 14图 6：NGP 系统具备更直观的用户交互界面，具备车道级识别和规划 14图 7：小鹏

8、P5 内饰图 16图 8：小鹏 P5 的感知系统 16图 9：吴新宙的论文量和被引用次数 17图 10：ES6 传感器分布情况 19图 11：Nio ET7 在车顶配置 1550nm 波长激光雷达 19图 12：NAD ADAM 控制器内部芯片布局 21图 13：任少卿的论文量和被引用次数 21图 14：理想汽车发展计划 23图 15：搭载 orin 芯片的理想汽车 23图 16：早期 HW 1.0 采用 Mobileye EQ3 方案 25图 17：HW 2.5 开始采用英伟达 PX2 芯片，算法自研 25图 18：HW3.0 开始，算力及算法均为自研 25图 19: Model 3 算力平

9、台 26图 20：Model 3 配置了丰富的视觉传感器 26图 21：极氪 001 的硬件具备 L4 级自动驾驶潜力 28图 22：EQ5 芯片是产品具备 L4 级自动驾驶的核心 28图 23：长城汽车咖啡智驾战略规划 30图 24：摩卡的自主跟车功能 30图 25：摩卡的自主变道超车功能 30图 26：ADiGO 3.0 系统 32图 27：ADiGO 3.0 系统 32图 28：郭继舜的论文量和被引用次数 33图 29：BMW 自动驾驶辅助系统 PRO 显示屏 35图 30：BMW 自动驾驶辅助系统 PRO 传感器系统 35图 31：BMW 自动驾驶辅助系统 PRO 传感器系统 35图

10、32：i Next 传感器系统 36图 33：ScaLa 1 和 ScaLa 2 参数对比 36图 34：Simon Frst 论文数量及被引用次数 36图 35：通用电动汽车平台 37图 36：Super Cruise 系统车内传感器方案 38图 37：Cruise Origin 内部 38图 38：福特历代自动驾驶测试车 39图 39：福特第四代自动驾驶测试车 40图 40：车顶传感器 40图 41：Peter Rander 的论文量和被引用次数 41图 42：丰田自动驾驶系统 42图 43：ADS ECU 和 ADX ECU 43图 44：电装为丰田开发的 LiDAR 43图 45：电装

11、为丰田开发的 SIS ECU 43图 46：自动驾驶技术的研发路线 44图 47：Woven City 总览 44图 48：Woven City 街道 44图 49：高速道 45图 50：低速道 45图 51：James Kuffner 论文数量及被引用次数 46图 52：Gill A. Pratt 论文数量及被引用次数 48图 53：硬件平台与软件同步发展 49图 54：Project Trinity 三大特点 50图 55：ID Buzz 外观图 50图 56：ID Buzz 内部效果图 50表 1：车展主要车型硬件配置情况 9表 2：小鹏 NGP 远征数据 15表 3：小鹏 NGP 对比

12、特斯拉 NOA 16表 4：吴新宙学术研究情况 18表 5：NAD 与 Pilot 系统在传感器领域的配置对比 20表 6：任少卿学术研究情况 22表 7：三代 HW 硬件配置及性能对比 26表 8：郭继舜学术研究情况 33表 9：Simon Frst 学术研究情况 37表 10：福特各代自动驾驶汽车参数 39表 11：Peter Rander 学术研究情况 41表 12：James Kuffner 学术研究情况 46表 13：Gill A. Pratt 学术研究情况 48表 14：汽车行业重点公司估值表 52中国品牌弄潮智能驾驶进化新模式自动驾驶能力需数据积累，海外巨头暂时领先全球主要玩家在

13、自动驾驶上的竞争力排名，近 2 年来没有太明显变化。美国调研机构 Navigant（法维翰咨询公司）是一家专业的独立咨询公司，是全球能源领域最权威的咨询调研机构，公信力及影响力在全球举足轻重。Navigant Research 从 2016 年开始发布自动驾驶竞争力排行榜，根据以下 10 个标准对报告中的公司进行排名：公司愿景、市场发展策略、合作伙伴、生产战略、技术、销售、营销和分销、产能、产品质量和可靠性、产品组合和持久力，由此评出全球自动驾驶领域的主流玩家竞争力排行榜。下图中纵坐标为执行能力（Execution），横坐标为策略能力（Strategy），Navigant将他们划分为“领导者”

14、、“竞争者”、“挑战者”以及“跟随者”四个等级。图 1：Navigant 2019 年自动驾驶实力排行榜图 2：Navigant 2020 年自动驾驶实力排行榜资料来源：Navigant 官网、研究资料来源：Navigant 官网、研究Waymo、GM Cruise、福特、百度是“领导者”阵营，且 2020 年依旧处于领跑位置。1）通用汽车在 2020 年 1 月旧金山发布了首款“Origin”无人驾驶汽车之后，Cruise目前已在美国旧金山测试 L4 级完全无人驾驶汽车。2）福特汽车携手自动驾驶技术合作伙伴 Argo AI 在美国推出了第四代自动驾驶测试车，目前正在美国六个城市进行自动驾驶的

15、技术测试。因此，GMFORD 均走在了自动驾驶技术发展的前列。3）百度在自动驾驶方面的投入有目共睹。2020 年其在北京路测的车辆就达到 55 台，占北京市总投入自动驾驶测试车辆的 75%。同时其规划在 3 年内（2021 2023 年），实现 30 个城市落地，车队规模达到 3000 辆，服务 300 万乘客。丰田稳定在“竞争者”的位置上,其在 2020 年 CES 上发布了 Woven City（编织之城）计划，要创建一个以未来智慧城市为主题的试验区，展现了丰田智能出行的理念。宝马、特斯拉、苹果为“挑战者”行列。1）宝马近 3 年名次逐年下滑，2020 年已进入“挑战者”行列。此前宝马、M

16、obileye、Intel 和 FCA 作为项目开发合作伙伴共同研究自动驾驶平台开发，对 BMW 前两年的榜单排名起到了助推作用。虽然其在 E-NCAP 驾驶辅助测评中荣获满分四星“VERY GOOD”评级，但目前自动驾驶辅助系统 Pro 仍属于 L2级别。2）特斯拉由于技术路径独树一帜，并未得到大部分企业认可，排名稳定在“挑战者”之列。特斯拉目前正在开发基于自研的自动驾驶芯片 HW4.0，预计其性能将是 HW3.0 的 3 倍，2022 年发布。公司规划采用硬件预埋，影子模式持续训练算法的方式，借助 OTA升级的方法将现有车型升级到 L4。但该机构认为特斯拉目前所展现出的能力（包括硬件配置）

17、将不具备进一步提升自动驾驶能力的可能，所以排名暂时稳定在“挑战者”之列。3）苹果专利多但缺乏“商业化计划的清晰路线图。苹果的自动驾驶一直非常神秘，除了大批招人外，频频爆出相关专利技术，很难说清它的技术究竟达到什么样的程度，因此，2020年苹果没有入选，很大原因是苹果没有提供“任何商业化计划的清晰视图”。而传统中国汽车品牌（包括新势力）在这份榜单中却少有露面，主要原因在于大部分公司都还处于量产功能的研发阶段，对于早期预研并没做过多投入。这也与此前行业认为 L4 以上自动驾驶功能是跳跃式的发展有关，多数公司均为两条腿走，独立的自动驾驶研发团队对于国内主机厂来说是一笔不小的负担。因此，长期的工作重心

18、便不在这一领域造成了中国企业在全球自动驾驶的舞台上缺少了一席之地的现状。渐进式发展成商业落地的共识，数据成关键胜负手2021 年 4 月，领导 Waymo 长达 5 年之久的 CEO 约翰克拉夫奇克（John Krafcik）宣布离职。作为推动 Waymo 自动驾驶商业化落地的第一人，他的离职不免让人猜测直接跳跃式发展的 L4 级自动驾驶的商业化前景到底如何。而目前在榜单前列的海外巨头均为跳跃式发展的典范，无论是互联网企业，还是 OEM 单独成立/投资的自动驾驶团队，均采取了直接强装所有传感器，在小范围场景下运营 Robotaxi，来完善高阶自动驾驶功能的路径。只是这一做法，无论是在车型推广成

19、本，还是数据采集范围上，都限制了玩家对于大规模场景数据的采集广度。因此，通过“影子模式”的渐进式发展逐渐成为商业落地的共识。并且国内传统势力和新势力已经通过硬件预埋的方式开启这一征程。2021 年上海车展后，我们的报告硬件预埋趋势已成，智能驾驶数据迭代开启中提到，硬件预埋成为新的趋势，通过 L4 级的硬件在 L2 场景下大规模收集数据进行算法训练已成为一个全新的能力构建方式。而在这一趋势下，我们发现此次车展自主品牌的硬件配置突出，远超合资。国产车型不仅有全球首款搭载 Orin 产品的蔚来 ET7，搭载量产激光雷达的小鹏 P5，具备 L4 自动驾驶硬件配置的北汽极狐，还有浩瀚架构下的全球首发 E

20、Q5 芯片的首款重磅车型极氪 001。他们都已经把硬件配置提升到了具备 L3 及以上能力的水平，只要终端市场大规模部署后，影子模式将帮助中国品牌快速提升算法能力和水准。 表 1：车展主要车型硬件配置情况小鹏 P5蔚来 ET7智己 L7Zeekr 001极狐 S摄像头数量14551513毫米波雷达53356激光雷达2133算力平台英伟达 XavierOrin * 4Orin * 4Mobileye EQ5华为 MDC610资料来源：盖世汽车、公司官网、研究硬件预埋让国内自主品牌的车企在智能配置上毫不处下风，这也给了我们更多数据采集和训练的机会，这将是一个正向循环。智能化硬件的优势正在逐步确立，用

21、户感知的重心也将逐步迁移至“智能化”。智能化的载体可以是大屏、麦克风阵列、算力芯片、HUD等硬件，但核心却是本地化的 AI 算法、场景应用、语音交互、嵌入式的生活服务等等功能。中国的新势力们正在践行这一商业逻辑路径。目前，蔚来的产品已经达到了 L2 级别辅助驾驶，2021 年初蔚来宣布辅助驾驶系统NIO Pilot 升级为NIO NAD（NIO Autonomous Driving），未来将直接进化为 L4 级别自动驾驶。理想汽车将会在 2021-2022 年前实现地图导航辅助驾驶 NOA，到 2023 年推出具备 L4 自动驾驶硬件能力的新车型 X01，2024 年通过 OTA 使其具备 L

22、4 级别自动驾驶能力。2021 年下半年推出的小鹏 P5 搭载了小鹏最新的 Xpilot 3.5 系统，已经具备了 L4 级自动驾驶的硬件能力。在市场与产业的双重驱动下，国内的传统车企也加大了自动驾驶领域的投入。传统新势力中的“智己”、“塞力斯”、“极狐”均已经大量预埋了高级自动驾驶硬件。除此之外，吉利旗下专门负责研发汽车智能化科技的亿咖通也已形成了四大序列、多款核心产品的芯片矩阵，其与沃尔沃汽车成立合资公司将联合开发适用全球市场的新一代车载智能操作系统。广汽埃安目前拥有两款支持 L3 级别功能车型，同时宣布和华为合作共同开发 L4级自动驾驶汽车，计划于 2024 年量产。长城汽车将在 202

23、1 年实现中国首个全车冗余 L3级自动驾驶，2023 年实现中国场景覆盖最多的 L4 级自动驾驶。领军人物映射车企智能化战略方向及潜力天穹领军人物决定企业利用数据的方式以及能力中国品牌不仅在硬件上已经毫不弱于海外巨头，而在数据处理的能力上部分企业已走在业界前列。通过对比各大车企的领导团队来看，以 Tesla、Apple、Nio、XPEV 等为代表的造车新势力，带头人技术背景深厚，对算法和芯片方面有更多的能力布局。由此其带领的企业领跑智能驾驶、人工智能赛道有突出优势。图 3：主要车企自动驾驶负责人学术研究情况文论数（篇）引用次数（次）160140120100806040200100000任少卿吴

24、新宙Zeljko Popovic特斯拉simon FurstJamesGill A Pratt KuffnerPeter Rander福特汽车郭继舜蔚来汽车小鹏汽车新势力宝马汽车丰田汽车海外势力Ian Goodfellow广汽汽车苹果自主品牌其他9000080000700006000050000400003000020000100000论文数被引用次数资料来源：盖世汽车，赛迪顾问，研究研发带头人的能力决定了公司在自动/智能驾驶能力的高度及方向。而基于此逻辑，我们注意到 Nio 拥有着中国品牌中较为优秀的领军人物素质，且专注于人工智能算法的研究。而海外品牌中，除特斯拉外，丰田汽车的研究实力深度较

25、超预期，CTO 的能力专注于机器人视觉算法落地。具体看，新势力、互联网企业人才储备普遍较好：特斯拉的前自动驾驶团队背景包括芯片、硬件、软件各领域顶尖人才，不乏芯片及算法领域的开创性的专家。蔚来汽车自动驾驶负责人任少卿在计算机视觉领域成果显著，8 篇论文专注与 AI、感知，及机器学习领域，并已经获取超过 66888 次引用，是国内少有的顶尖专业型人才。小鹏 CTO 吴新宙在硬件领域能力突出，深耕芯片研发多年，显示出小鹏在这一方向上的布局野心。理想汽车自动驾驶总经理拥有近十年地图及 L3 系统开发经验，CTO 王凯则是系统架构方面的资深专家，显示出了理想更注重在系统层的能力布局。Apple 的团队

26、更是包含对产品、供应链、硬件、软件、芯片等理解非常深刻的专家。国外传统主机厂又分为两类。一类以丰田、Argo AI、通用 Cruise 为代表的技术派，另一类是以大众集团为代表的管理创新派。丰田集团的 James Kuffner 是典型的硅谷技术大神，擅长机器人视觉算法及控制策略，拥有超百篇的公开论文，以及近 2 万次的引用，技术能力可见。通用汽车Cruise 的Kyle Vogt 和 Argo AI 的Peter Rander 是机器人技术的先驱和专家。宝马的 Alejandro Vukotich 在汽车主动安全、驾驶辅助和自动驾驶等领域拥有长达 19 年的工作经验。大众集团负责自动驾驶的高

27、级副总裁 Alexander Hitzinger 和福特汽车自动驾驶负责人 Scott Griffith 在产品运营方面经验颇多；国内传统主机厂的自动驾驶负责人目前相比国外较弱，但也不乏技术性的人才。吉利汽车亿咖通的 Peter Rogbrant 具有丰富的汽车行业、IT 管理经验，擅长领导产品开发、系统工程管理，拥有很强的信息技术专业能力。长城汽车毫末智行 CEO 顾维灏也曾在互联网公司积累了多年的算法开发经验。广汽集团研究院负责人郭继舜是斯坦福大学 AI 和机器人专业的博士，拥有丰富的人工智能研发经验；上汽集团副总裁兼智已汽车总工程师祖似杰毕业于清华大学工程系，在汽车行业拥有近三十年丰富的

28、规划、研发及制造经验。车企智能化战略的分化，与领军人物选择互为映射2017-2018 年 “软件定义汽车”被提出后，智能化的研发成为评价一个主机厂在未来是否具有核心竞争力的重要维度。主机厂在经过 3 年的考虑后，面对自动驾驶开始有了战略分化，我们认为可以分为以下 4 类：全权委外：主机厂把所有智能化建设都承包给第三方，如小康和华为的合作。该模式主导方来自外部势力，即新入局玩家（如华为），对进入汽车行业有更强的诉求，且具备软硬件的综合能力，因此需要找一个整车话语权相对弱的战略合作伙伴，通过优势互补的方式进入市场。底层委外，其余自研：传统整车厂包括吉利汽车、长城汽车、长安汽车等，在短期内选择了这种

29、模式。之所以选择这一模式，原因在于主机厂很难在短时间内将能力建设的触角衍生到太基础的领域，而又需要在“软件定义汽车”中寻找并发挥出自己对市场把握的能力。因此这是一个难与易、慢与快的权衡之选。中长期维度，各主机厂发展战略存在诸多区别。硬件委外，软件自研：核心零部件外采，算法自研，最典型的代表是小鹏汽车和正在推进这项工作的蔚来。选择这一模式的公司特点是均为互联网出身，有较强的软件基因，对数据有很强的敏感性，已有一套成熟的模式将用户产生的大数据做反馈来优化自身产品。新势力不停 OTA，带给消费者持续新鲜感的产品冲击力非常强。在更新迭代的掌控力上，这种模式的速度和效率要远好于第二种。全栈自研：特斯拉。

30、特斯拉核心算力芯片、自动驾驶算法都为自研，同时整车电气架构是越级发展的状态，在 Model 3 上选择了域控制器状态，颠覆了汽车产业原有的节奏，倒逼全行业进入快速发展新周期。这一能力是众多传统玩家短期难以企及的。全权委外：如小康和华为的合作底层委外，其余自研：包括硬件委外，图 4：主机厂面对自动驾驶战略分化为 4 类资料来源：研究而不同的战略选择也与企业选择技术领军人物的结果相互印证。具备技术探索和突破属性的战略，企业更多选择技术大牛作为公司领军人物来执行公司战略，由此我们才更愿意去相信公司在技术上的成功概率。而现阶段以协作为主的战略，则需要一位有着更丰富管理经验的领军者来掌舵公司技术升级的大

31、船。技术突破派以小鹏、蔚来最为典型。蔚来汽车招募了 AI 行业的顶流专家，积极探索识别算法领域的自主掌控；而小鹏则是请来了在芯片设计及落地领域有着丰富工作经验的吴星宙来帮助其进一步向着全栈自研迈进。而管理派中，多数传统整车品牌均可成为典型的参考样本。造车新势力成为智能化新模式的排头兵小鹏汽车：走在智能化硬件配置及全栈自研的最前沿P7 已具备领先智能驾驶体验，P5 配置激光雷达最先量产小鹏的自动驾驶量产之路分为 6 个阶段进行推进：阶段一:2018 年，XPILOT2.0 正式产品落地。阶段二:2019 年，XPILOT2.5 支持自动变道辅助；辅助驾驶能力从单车道向多车道迈进，并首次实现遥控泊

32、车的量产，目前的小鹏 G3 正处于该阶段。阶段三:2020 年，XPILOT3.0 第三级自动驾驶释放：全自研 360 度感知能力、基于 AI的智能座舱、高速自动驾驶量产，将在小鹏 P7 上开始实现。阶段四:2021 年，XPILOT3.5 全场景第三级高速自动驾驶，实现高速自动驾驶能力的全闭环、基于停车场(代客)自主泊车量产。阶段五:2022 年，XPILOT4.0 面向城市的自动驾驶能力释放，提升城市行车效率&解决城市行车安全痛点。阶段六:2024 年，XPILOT Next 局部的全自动驾驶能力释放。图 5：XPilot 系统迭代量产之路资料来源：车友头条、研究小鹏汽车当前阶段为 XPi

33、lot 3.0 自动驾驶，其一大核心亮点是 NGP （Navigation Guided Pilot）高速自主导航驾驶，即在高精地图覆盖的高速公路设定好导航目的地，小鹏汽车可以根据路线指引，在行车中实时选择最优路线，自主进入高速公路，选择合适的车道，实现自主变道、切换高速路线，自动驶入/出匝道口，并在接近目的地时自行离开高速公路。图 6：NGP 系统具备更直观的用户交互界面，具备车道级识别和规划资料来源：小鹏汽车、研究2021 年初，小鹏汽车通过 OTA 升级向用户推送了 NGP 公测版，14 天用户使用里程超过 50 万公里，25 天内突破百万公里。根据用户反馈，在自动超车、变道自动紧急避让

34、、理解他车的意图并进行交互等关键体验细节的处理上，NGP 工程板十分成熟，在特斯拉和蔚来更早发布的同类功能自动导航辅助驾驶（NoA）和领航辅助（NOP）实现了后来居上。根据搭载 NGP 的小鹏 P7 远征数据来看，通过隧道的成功率在某些路段达到了 100%，且整体成功率都在 90%以上。变道超车成功率大部分在 93%以上，出入高速匝道的成功率，只有在广州-泉州这段路途中低于 90%。总体上，每百公里的接管次数控制在 1 次以内。这是数据迭代软件能力的一次优秀的展示。在此之前小鹏汽车多次跳票NGP 的OTA 时间，就是在持续优化这套系统的算法和功能体验。小鹏 NGP 远征数据表 2：小鹏NGP

35、远征数据成功率成功率成功率里程（公里）接管次数广州-汕头93.45%83.76%99.65%3800.65汕头-泉州86.05%85.00%91.23%279.150.85泉州-温州95.44%90.91%94.51%410.670.67温州-杭州97.91%96.93%93.47%281.151.07杭州-上海-南京93.36%96.30%100%363.870.93南京-青岛93.03%96.67%100%4460.88青岛-济南97.36%93.29%98.33%385.730.48路段变道超车出入高速匝道隧道通过平均每车 NGP 行驶平均每百里资料来源：小鹏汽车、研究将小鹏 NGP 和

36、特斯拉 NOA 进行一次 2300 公里测试比较，发现：从全程接管情况、变道情况、转换匝道情况和隧道通过情况等方面看，小鹏整体表现已毫不逊色于特斯拉。小鹏 P7 的百公里接管次数为 2.4 次，而特斯拉 Model 3 的百公里接管次数则为 3.3 次，人为接管次数上两者相差不大，但降级次数上，小鹏明显更胜一筹。特斯拉 Model 3 的变道次数多于小鹏 P7，而成功率略低于小鹏。全程小鹏 P7转换了 10 次匝道，成功了 6 次，特斯拉 Model 3 转换了 11 次而成功了 7 次，两车均失败 4 次，差别不大。小鹏 P7 在隧道中的表现不错，通过率达到 91.3%；Model 3 在进

37、入隧道前几乎都会出现降级的情况，通过率仅为 14.2%，小鹏完胜特斯拉。高速路上的最高限速：小鹏 P7 最高限速的调节，是根据高精度地图对路牌进行识别，系统可以实时根据该路段的最高限速进行调节。而特斯拉 Model 3 不能够进行自动识别，不同限速的路段需要手动调节。从上面的测评中可以看出，无论是 NGP 表现，还是人机交互上的体验，亦或是充电费用方面，小鹏并不输于特斯拉。虽然特斯拉是电动汽车领域首屈一指的玩家，但小鹏的追赶速度也不慢，在一些特别场景下，小鹏 NGP 的功能令人意外，隐约有赶超特斯拉之势。小鹏 NGP 对比特斯拉 NOA表 3：小鹏NGP 对比特斯拉NOA小鹏 P7特斯拉 Mo

38、del 3全程接管情况全程接管次数19 次18 次全程降级次数30 次46 次百公里降级接管次数2.4 次/100km3.3 次/100km变道情况全程触发变道次数321 次347 次平均百公里变道次数15.4 次17.7 次变道失败次数25 次30 次变道成功次数296 次317 次变道成功率92.20%91.40%匝道转换情况匝道转换次数10 次11 次匝道转换成功次数6 次7 次匝道转换失败次数4 次4 次通过隧道情况隧道数量23 个23 个隧道成功通过数量21 个3 个隧道通过成功率91.30%14.20%资料来源：新出行、研究继 G3 和 P7 之后，小鹏汽车又将迎来一款全新的搭载激

39、光雷达的拥有 XPilot3.5 系统的车型-小鹏 P5。小鹏 P5 将硬件预埋的产品延伸至了激光雷达领域，具备更强的环境感知能力。该车最大亮点是配备来自 Livox 的车规级 LiDAR 激光雷达，叠加全身上下的毫米波雷达及高清摄像头而共同组成了多传感器的融合方案，并在具有 30Tops 算力的英伟达 Xavier 自动驾驶芯片的加持下，具备了 L4 级自动驾驶的硬件能力。图 7：小鹏P5 内饰图图 8：小鹏P5 的感知系统资料来源：小鹏汽车、研究资料来源：小鹏汽车、研究小鹏 P5 其保险杆的两侧均采用了双激光雷达，增强全身感知能力。其单颗雷达的横向视场角达到 120 度，而两颗雷达则构成了

40、 150-180 度的横向视场感知能力，最远探测距离达 150m3，刷新率达到 10 赫兹，扫描能力达到等效 144 线点云密度，测距精度厘米级，角度分辨率高达 0.16，中心区域刷新率 20Hz。并且可以利用激光三位扫描生成的点云，创建 3D 地图，让 NGP 功能在城市中使用。同时，相较于毫密波雷达+摄像头的组合，激光雷达对高速静态物体识别，以及弱光环境下的表现也更佳，检测能力全面提升。P5 是全球首款量产激光雷达的智能汽车。新车将于 2021 年第二季度正式上市，第四季度开始交付。带头人在计算平台应用上颇有建树公司自动驾驶副总裁吴新宙拥有丰富的专业和供应商背景。清华大学电子工程专业的学士

41、学位和美国伊利诺伊大学香槟分校的电子工程专业博士学位，持有一百六十项专利，发表八十余篇论文，被引用次数达 1800 多次，是车载网络和下一代移动网络技术的关键发明者和参与者。曾于 2011 年 1 月在哥伦比亚大兼职担任了 7 个月的副教授。2006 年 1 月至 2018 年 10 月在高通公司担任高级工程师、总工程师和经理、高级工程总监，为自动驾驶团队负责人，致力于在计算平台上提供基于计算机视觉、深度学习、精准定位和传感器深度耦合的自动驾驶解决方案。后于 2018 年 12 月加盟小鹏汽车。吴新宙博士将全面负责小鹏汽车自动驾驶美国及国内的整体技术路线规划、业务及团队管理。图 9：吴新宙的论

42、文量和被引用次数资料来源：AceMap、研究吴新宙学术研究情况表 4：吴新宙学术研究情况论文名字大致内容作者被引次数345Xinzhou Wu、Saurabha Rangrao Tavildar、 Sanjay Shakkottai、 Thomas J. Richarson、Junyi Li、 Rajiv Laroia、Aleksandar Jovicic无线 PHY/MAC 网络体系结构 FlashLinQ。通过利FlashLinQ: a synchronous用 OFDM 的细粒度并行信道接入，FlashLinQ 开发distributed scheduler for了一种基于模拟能量电平

43、的信令方案，实现了基于peer-to-peer ad hocSIR 的分布式调度。作者在 DSP/FPGA 平台实现了networksFlashLinQ-over 许可频谱，并使用了实作和模拟两种方法来呈现FlashLinQ 的效能结果。作者提出了一种用于分布式信道分配的同步点对点Distributed uplink powercontrol for optimal sir assignment in cellular data networks作者通过分布式算法解决了多蜂窝无线网络上行链路的联合功率控制和 SIR 分配问题，并使用 3GPP网络和路径损耗模型进行模拟。Prashanth Ha

44、nde、Sundeep Rangan、 Mung Chiang、 Xinzhou Wu167158Xinzhou Wu、Rayadurgam Srikant作者研究了无线网络中受简单冲突约束的分布式调度问题。作者将分布式调度算法的效率定义为最大数（分数），使得分布式调度策略下的吞吐量至少等于效率乘以集中式策略下可实现的最大吞吐量。Scheduling Efficiency ofDistributed Greedy Scheduling Algorithms inWireless NetworksRegulated MaximalMatching: A Distributed Schedulin

45、g Algorithm for Multi-Hop Wireless Networks WithNode-Exclusive Spectrum Sharing作者考虑具有一种特殊类型的频谱分配的无线网络，其中唯一的限制是一个节点不能一次向多个接收器发射，并且不能一次接收多个发射。引入一种称为调节最大匹配的调度算法，该算法是完全分布式的，并且保证了吞吐量至少是集中式算法所能达到的吞吐量的一半。Xinzhou Wu、 Rayadurgam Srikant122103Ratul Kumar Guha、Robert G. White、 Junyi Li、Kevin W. Lu、 Anthony Buc

46、ceri、Tao ZhangVehicular Communications作者研究了DSRC 目前用于支持车辆安全通信的技Using DSRC: Challenges,术，分析了现有的和可能的 DSRC 性能改进，并对Enhancements, andDSRC 的发展路径提出了一些初步的想法。EvolutionXinzhou Wu、Sundar Subramanian、On the design of device-to-device autonomous discovery作者提出了一种 adhoc 网络的同步设备发现解决方案。在这种网络中，设备可以在人类移动范围内自主地找到对等组。作者开

47、发了 PHY 和 MAC 协议来实现自主设备发现。通过仿真和基于随机几何的分析验证了设计，并认为与传统的基于 Wi-Fi 的解决方案相比可以获得显著的收益。Franois Baccelli、Nilesh Khude、 Rajiv Laroia、 Junyi Li、91Thomas J. Richardson、Sanjay Shakkottai、 Saurabha Rangrao Tavildar、 Xinzhou Wu88Loc Bui、Atilla Eryilmaz、 Rayadurgam Srikant、Xinzhou Wu作者提出了一个公平资源分配的体系结构，它由一个分布式调度算法和一个

48、异步拥塞控制算法组成。并证明了所提出的联合拥塞控制和调度算法至少支持任何其他算法（包括集中式算法）所能支持的吞吐量的三分之一。Joint AsynchronousCongestion Control and Distributed Scheduling for Multi-Hop WirelessNetworksCongestion control for vehicular safety: synchronous and asynchronous MAC algorithms作者评估了所提出的 DCC 算法的性能，并观察到DCC 中的标称参数在许多情况下不合适。作者在 MAC 层之上设计了一

49、个标准兼容的 TDM 覆盖层，它可以显著提高分组接收性能。与分布式资源选择协议相结合，同步 MAC 可以发现比改进的异步方法更多的相邻设备，使 DSRC 安全应用更加可靠。Sundar Subramanian、Marc W. Werner、 Shihuan Liu、72Jubin Jose、Radu Lupoaie、 Xinzhou Wu资料来源：AceMap、研究蔚来汽车：招募AI 行业顶流专家，积极探索软件自主发布新一代自动驾驶技术，实现点对点驾驶控制2021 年，蔚来汽车的产品 L2 级别自动驾驶，预计 2024 年将借助硬件预埋并通过 OTA 进化为 L4 级别自动驾驶。从蔚来的量产车

50、型（ES6/ES8/EC6）来看，目前蔚来的传感器配置应该是市面上最全、最多的，共有 1 个三目摄像头、5 个毫米波雷达、12 个超声波雷达和 4 个环视摄像头，共 22 个传感器。图 10：ES6 传感器分布情况资料来源：新出行、研究2021 年初，蔚来宣布辅助驾驶系统 NIO Pilot 升级为NIO NAD（NIO Autonomous Driving）自动驾驶系统，在该系统帮助下，蔚来首款自动驾驶车型，智能电动旗舰轿车 ET7 将逐步实现高速、城区、停车、加电等场景下安全轻松的点对点自动驾驶。图 11：Nio ET7 在车顶配置 1550nm 波长激光雷达资料来源：蔚来汽车官网、研究N

51、IO Aquila 蔚来超感系统拥有 33 个高精度传感器，包括远距离高精度激光雷达，11个 800 万像素高清摄像头，同时还拥有 5 个毫米波雷达以及 12 个超声传感器，冗余高精度定位单元和 V2X 车路协同感知。定义了自动驾驶感知系统的全新标准，有瞭望塔式传感器布局，这款传感器可有效的越过遮挡，尤其是对于城市复杂交通场景，能够有效的减少很多盲区，一定程度上提升了很多安全性。感知的核心是视觉，而分辨率则决定了视觉的高下。800 万像素的高清摄像头感知距离更远，感知的内容也更加精准，再加上超远距高精度激光雷达，能让安全性提高两个等级层次。表 5：NAD 与 Pilot 系统在传感器领域的配置

52、对比传感器数量NIO NADNIO Pilot前向摄像头1前向车顶摄像头2侧向摄像头2后向摄像头1激光雷达1前向毫米波雷达1侧向毫米波雷达4环视摄像头4超声波雷达12高精度定位单元2V2X 车路协同感知1增强主驾感知1资料来源：蔚来汽车官网、研究在硬件计算平台上，蔚来汽车不仅可以应对全栈算法计算，还具有强大的学习和冗余能力。蔚来为 ET7 搭载了 NIO Adam 超算平台，配备四个 NVIDIA Drive Orin 芯片，其中两个用于自动驾驶，一个用于安全辅助，一个用于 AI 学习，综合算力可达 1016TOPS。值得一提的是，特斯拉 FSD 自动驾驶系统算力为 144TOPS，也就是说，

53、NIO Adam 的算力等于 7 个特斯拉 FSD。分布在 ADAM 内的四颗 Orin 芯片，则被赋予了不同的角色。主控芯片：通过两颗主控芯片，实现 NAD 的全栈计算，包括多方案相互校验的感知、多源组合定位、多模态预测和决策。充足的算力，使得 NAD 在处理复杂交通场景时，算的更多，算的更准，算的更快。独立的实时冗余芯片：任何一个主芯片失效，NAD 都能确保安全，不仅如此，整个超算平台的电源、影像和主控系统，全都是热备份的冗余设计。群体智能与个性训练专用 SOC：可以大大加快 NAD 的总体进化速度，同时又可以针对每个用户的用车环境，进行个性化本地训练，确保每个用户自动驾驶体验更好。四颗芯

54、片，各司其职，也要互相协作，以保证系统的安全，毕竟在大数据量运算时，系统出错宕机的概率也会增加。图 12：NAD ADAM 控制器内部芯片布局资料来源：蔚来汽车官网、研究学术大拿，AI 界顶流助力技术发展蔚来汽车助理副总裁任少卿专业出身，为原自动驾驶初创公司 Momenta 研发总监。任少卿曾于 2007 年-2011 年在中国科技大学攻读信息安全专业理学学士，于 2012 年 8月在微软担任了 4 年的联合博士生。他在计算机视觉领域成果显著，在计算机科学、人工智能、模式识别、机器学习等领域的的 21 篇相关论文的引用量高达 87676 次。他和何恺明、孙剑等人提出适用于物体检测的高效框架 F

55、aster RCNN 和图像识别算法 ResNet，相关论文于 2016 年获得计算机视觉领域顶级会议 CVPR 的 Best Paper Award。20 年 8 月加入蔚来，负责重启 L4 自动驾驶自研项目，直接向李斌汇报。目前正处于团队组建、数据采集阶段。值得注意的是，其在建的 L4 级自动驾驶新团队中有一部分为任少卿在Momenta的旧部人员，经验丰富。任少卿的到来为蔚来的技术发展提供了强大助力。图 13：任少卿的论文量和被引用次数资料来源：AceMap、研究任少卿学术研究情况表 6：任少卿学术研究情况论文名字大致内容作者被引次数42716Xiangyu Zhang、Shaoqing

56、Ren、Jian SunKaiming He、越深的网络越难以训练， 因此作者提出了残差网络。在ImageNet 数据集上，作者使用了 152 层的残差网络进行训练，比 VGG 网络深了 8 倍，但是复杂度却更低，同时精度取得了第一。Deep ResidualLearning for ImageRecognitionFaster R CNN: Towards Real Time Object Detection with Region Proposal Networks作者提出了一种RegionProposal Network(RPN),它能够检测网络共享整张图像的卷及特征，作者通过共享卷及特

57、征进一步将 RPN 和 Fast R-CNN 合并成一个网络。Shaoqing Ren、 Kaiming He、 Ross B. Girshick、 Jian Sun88416441Xiangyu Zhang、Shaoqing Ren、Jian Sun作者以 ReLU 为激活函数的网络的缺陷并提出了改进的激活函数 PReLU 与新的 Kaiming 初始化方法Kaiming He、Delving Deep intoRectifiers: Surpassing Human Level Performance onImageNet ClassificationIdentity Mappings i

58、n Deep Residual Networks深度残差神经网络表现出了很好的分类准确率和很好的收敛特性。作者在原始 resnet 的基础上分析了残差块背后的数学原理，表明了无论在前向还是反向过程中，信号可以在任意一对残差块之间进行传递。Kaiming He、 Xiangyu Zhang、 Shaoqing Ren、 Jian Sun34281964Kaiming He、Xiangyu Zhang、 Shaoqing Ren、Jian SunSpatial Pyramid作者把经典的 Spatial Pyramid Pooling 结构引入 CNN 中，Pooling in Deep从而使 C

59、NN 可以处理任意大小和规格的图片；这中方法不仅Convolutional Networks提升了分类的准确率，而且还非常适合探测，比经典的 RNNfor Visual Recognition快速准确。Face Alignment at 3000 FPS via Regressing Local Binary Features作者提出了一种高效、快速的人脸对齐算法，该算法在电脑上能达到 3000 FPS 的速度，在手机上也能达到 300 FPS 的速度，因此业界称其 face3000。算法的创新点在于局部二值特征以及训练这些局部二值特征的规则。Shaoqing Ren、 Xudong Cao、

60、 Yichen Wei、 Jian Sun663Dong Chen、Joint Cascade FaceShaoqing Ren、Detection andYichen Wei、318AlignmentXudong Cao、Jian SunJifeng Dai、 Kaiming He、Yi Li、227作者提出一个新的基于 CNN 的级联型框架，用于联和人脸检测和对齐；还提出一个有效的 online hard sample mining 方法来提高表现能力，作者还在人脸检测和人脸对齐上提高了不少精度。Instance Sensitive Fully Convolutional Networks