智能化汽车行业市场分析1

智能化汽车行业市场分析一、理论方法突破：AI大模型用于感知融合，后续有望实现端到端1.1智能驾驶系统的核心模块与功能智能驾驶系统可分为感知（Perception），预测（Prediction），规划（Planning），控制（Control）几个主要模块。感知模块（Perception）主要负责车周信息感知和目标检测。感知模块输入各类传感器的数据，输出车道线，行人，车辆等的位置和轨迹等信息。感知算法的核心是融合各类传感器的信息，精准识别物体的类别与位置（需要2D还原为3D）。预测模块（Prediction）主要负责预测车周物体的运动，评估障碍物下一时刻可能的动作。预测模块输入车周物体和车辆自身的位置与速度等信息，输出物体运动轨迹的预测。决策规划模块（Planning）主要负责计算车辆下一时刻的运动路径，向控制模块输出指令。规划与决策在开发环节往往结合在一起，包括三个层次：（1）全局路径规划（RoutePlanning），结合目的地和地图信息生成全局路径。（2）行为决策层（BehavioralLayer），结合感知模块的环境信息做具体行为决策。（3）运动规划（MotionPlanning），结合行为决策和约束条件形成运动轨迹。控制模块（Control）主要负责精准控制车辆按规划轨迹行驶。控制模块根据决策规划的路线，生成具体的加速、转向和制动指令，控制驱动系统，转向系统，制动系统和悬架系统。Transformer模型加速智能驾驶能力的提升。智能驾驶的本质是通过训练使车辆具有人类的驾驶能力，用神经网络模型替代基于规则的算法，可提升模型表现。（1）过去，一些智能驾驶的方案中感知，预测等模块采用了CNN和RNN等AI模型；（2）现在，在Transformer模型引入CV领域和智能驾驶领域后，智驾能力的提升明显加速。例如，在感知模块，基于BEV+Transformer做特征融合，相较于传统的CNN模型具有更好的全局感知能力；在预测模块，有研究表明基于Transformer的多模态轨迹预测相较于传统的RNN等神经网络也有更好的效果；在规划模块，基于AI模型的算法相比于基于大量规则的算法也更加简洁高效。（3）未来，基于Transformer有望实现感知决策一体化的大模型。相较于目前模块化的开发方式，可以避免级连误差，提升视觉信息表达，优化终端性能体验。AI加速智能化第一步：头部玩家基于BEV+Transformer做特征融合，提升感知能力。车辆获取外部信息的传感器包括摄像头，激光雷达，毫米波雷达，超声波雷达等，不同传感器获取的信息特征不同，因此需要通过算法将各类数据融合。过去多传感器融合采用后融合的方式，将传感器各自处理后的信息做基于统计学模型的加权运算，这样会出现数据损失。现在利用Transformer大模型可以提取特征向量，在统一的3D坐标系空间（BEV）内做特征融合，还可以结合时序信息进行动态识别，最后进行多任务输出，如静态语义地图、动态检测等。AI大模型的加持下，智能驾驶的感知能力可以明显提升，优化CornerCase的处理，同时由于车辆生成了动态语义地图，可以减少对高精地图的依赖。AI加速智能化第二步：感知决策一体化，实现端到端的智能驾驶。目前采用的模块化的智能驾驶开发架构（感知—预测—规划—控制）优势在于简化研发团队分工，但是缺点在于会出现信息损失和累计误差问题，同时每个模块的优化目标不一致。我们认为，基于Transformer的模型的Attenion机制，未来智能驾驶有望统一感知与决策算法模块，实现端到端的大模型，即一个模型输入传感器数据，直接输出控制信号。端到端的智能驾驶可以避免累积错误或任务协调不足的问题。1.2Transformer大模型的演进与原理Transformer是谷歌2017年提出的AI大模型，最早用于自然语言处理领域。人工智能的核心技术是神经网络模型，较为主流和有效的神经网络模型主要包括卷积神经网络（CNN）、循环神经网络（RNN）、深度神经网络（DNN）和脉冲神经网络（SNN）等，主要应用于自然语言处理（NLP）和计算机视觉（CV）等领域。2017年谷歌在论文《Attentionisallyouneed》提出Transformer大模型，在众多自然语言处理问题中取得了非常好的效果。Transformer模型属于Encoder-Decoder类模型，举例来说，Bert侧重Encoder，GPT2侧重Decoder。Transformer模型的核心在于引入了多头注意力机制（Multi-HeadAttention）。注意力机制：通过找到查询（Query）键（Key）的相关性，去找到最合适的值（Value）。当Q，K，V的来源相同时，就是自注意力机制。自注意力机制：向量矩阵X与可训练的三个权重参数W(q)、W(k)、W(v)相乘得到Q，K，V（如q1=X1×W(q1)），然后通过Q和K的计算得到相似度，经过Softmax的归一化后与V相乘，计算加权求和。在智能驾驶的感知环节，自注意力机制可以理解为用于提取一类特征。多头注意力机制：定义和训练多组权重参数矩阵W，生成多组Q、K、V，最后学习到不同的参数Z1-Zn。通过形状变换进行合并，得到多头注意力的最终输出结果。在智能驾驶的感知环节，多头注意力机制可以理解为提取多个特征。Transformer模型包括编码器（Encoder）和解码器（Decoder）两个部分。编码器用于将序列转换为一组向量表示，包括多头注意力和前馈，解码器用于将向量解码为输出序列，包括多头注意力、编码器-解码器注意力和前馈。（1）在编码器中，数据到达Multi-HeadAttention时，会分为三部分输入（k、v、q），v表示输入特征的向量，k和q是用于计算输入向量之间彼此的关联程度。k、v、q都是张量，是通过输入向量本身相应权重W(q)、W(k)、W(v)获得的。多头对应多个特征，即为每个输入数据匹配多个k、v、q，多头之间的计算互不影响。（2）解码器中的Multi-HeadAttention也是自注意力机制，和编码器的过程类似。（3）连接encoder和decoder的Multi-HeadAttention是非自注意力机制，这里的q是来源于上一个Output经过一个MaskedMulti-HeadAttention和Add&Norm层之后的输出，k、v来源于encoder编码器。Transformer模型通过注意力机制，整合了CNN易于并行化的优势和RNN模型可以捕捉长序列内的依赖关系的优势。神经网络模型可以分为前馈神经网络和反馈神经网络两类：（1）前馈神经网络中，信息从输入层开始输入，每层的神经元接收前一级输入，并输出到下一级，直至输出层。整个网络信息输入传输中无反馈（循环）。常见的前馈神经网络如卷积神经网络（CNN）。（2）反馈神经网络中，神经元不但可以接收其他神经元的信号，而且可以接收自己的反馈信号，常见的反馈神经网络如循环神经网络(RNN)。Transformer模型利用注意力机制实现了并行化捕捉序列依赖，并且同时处理序列的每个位置的Tokens。因此相对于CNN模型，Transformer模型可以捕捉长序列内的依赖关系，相对于RNN模型，Transformer模型有更高的并行度，且能保存更多的前期数据。2020年的VIT模型开拓了Transformer在CV领域的应用。Transformer作为序列到序列学习的神经网络大模型，最早用于自然语言处理，如机器翻译等场景中。2020年谷歌论文《AnImageIsWorth16x16Words:TransformersForImageRecognitionAtScale》提出的VIT模型（VisionTransformer）以Transformer为backbone，在CV领域起到了很好的效果。由于Transformer主要是处理序列，VIT模型首先将图片分割成多个patch，再将每个patch投影为固定长度的向量送入Transformer，再进行Encoder等操作。相较于CNN中的卷积操作只能捕获局部信息，而不能建立全局图像的长距离连接，视觉Transformer的多头注意力通过qkv去捕捉全局的特征与特征之间的关系，可以获取更多上下文信息，扩大图像的全局感知。与VIT同年，特斯拉将Transformer引入自动驾驶领域。2020年特斯拉重写智能驾驶软件架构，2021年特斯拉AIDAY上展示了基于Transformer的BEV感知方案，核心是用BEV+Transformer将各个摄像头的信息进行特征提取和融合。目前主流用BEV+Transformer的方法包括DETR3D，PETR，BEVFormer等，以BEVFormer为例，首先在BEV视角下重构特征空间，然后利用Attention提取和对齐时间和空间维度的特征。在摄像头视觉融合的基础上，Transformer也可以实现摄像头视觉信息和激光雷达的多模融合。1.3Transformer在智能驾驶的具体应用目前国内外头部企业利用BEV+Transformer做感知环节的特征融合。自特斯拉2020年提出应用BEV（Bird’sEyeView）鸟瞰图的3D坐标系空间，把各个摄像头的信息进行融合，在BEV空间内做特征融合已经成为视觉感知融合的前沿主流方案。BEV+Transformer可分成五步:(1)将摄像头数据输入到共享的骨干网络（Backbone），提取每个摄像头的数据特征（feature）。(2)把所有的摄像头数据（跨摄）进行融合，并转换到BEV空间。(3)在BEV空间内，进行跨模态融合，将像素级的视觉数据和激光雷达点云进行融合。(4)进行时序融合，形成4D时空维度的感知信息。(5)多任务输出，如静态语义地图、动态检测等。目前，特斯拉，小鹏，理想与华为等企业利用Transformer+BEV等大模型进行视觉感知融合，可以识别车身周围的各类物体，构建动态实时地图，在理论上可以摆脱或者减轻对高精地图的依赖。特斯拉2021年先提出用BEV+Transformer实现目标检测，又在2022年提出OccupancyNetwork升级到语义分割，进一步提升感知精度，同时避免碰撞。目标检测（ObjectDetection）和语义分割（SemanticSegmentation）是CV领域的概念，目标检测的任务是对输入的图像进行物体检测，标注物体在图像上的位置，以及该位置上物体属于哪个分类，语义分割的任务是对输入的图像进行逐像素的分类，标记出像素级别的物体。（1）目标检测（ObjectDetection）：目标检测通用的结构为：Input→Backbone→Neck→Head→Output。其中Backbone指特征提取网络，Head指在特征提取后的特征图表示，Neck位于主干和头部之间，用于提取一些更精细的特征。在特斯拉2021年AIDAY提出的神经网络架构中，Backbone:选择RegNet和ResNet为主要架构，Neck:选择BiFPN，Head:选择HydraNets（采用了类Transformer的架构）。（2）语义分割（SemanticSegmentation）：语义分割是从粗推理到精推理的步骤，一般而言语义分割需要先分类，然后本地化/检测，最后通过对每个像素进行密集的预测、推断标签来实现细粒度的推理。特斯拉2022年提出OccupancyNetwork（占用网络），将三维空间划分成体素voxel，对有物体的voxel赋值为1，表示voxel被物体占据；没有物体的voxel被赋值为0，在分割后进一步识别和判断。Occupancy网络最核心的升级正在于从目标检测（ObjectDetection）升级到语义分割（SemanticSegmentation）。一方面对于白名单的依赖度降低，因此识别异性物体的能力大大增强，另一方面克服了目标检测方法对于目标的外形高度敏感的问题。在特斯拉之后，理想汽车在2023年双能战略发布会上也表示利用Occupancy网络识别通用障碍物，华为提出的GOD网络也是基于Occupancy的框架。未来有望基于Transformer大模型实现端到端的辅助驾驶。在模块化的算法框架下，辅助驾驶方案分成感知—预测—规划—执行各个环节，目前BEV+Transformer主要用来做感知环节的特征融合，以替代后融合的方案，提升感知能力并摆脱对高精地图的依赖。但整体而言，感知和预测模块的数据会再输入到规划决策模块，再通过执行模块的计算输出指令，各个模块之间仍然是分离的。我们认为未来基于大模型有望实现端到端的辅助驾驶，即传感器的数据输入大模型后直接输出执行信号。特斯拉FSDbetaV12版本有望率先实现端到端的大模型，远期国内车企也有望实现端到端。我们以CVPR2023最佳论文《Planning-orientedAutonomousDriving》提出的算法框架UniAD为例解释端到端智能驾驶的实现方式。UniAD由2个感知模块，2个预测模块和1个规划模块组成：（1）TrackFormer：用于动态元素的特征提取，例如车辆和行人的帧间跟踪。（2）MapFormer：用于静态元素的特征提取，以及实例级的地图预测。（3）MotionFormer：将动态与静态元素的特征融合，进行长时序的轨迹预测。（4）OccFormer：基于较短时序的全场景BEV，进行实例级的预测。（5）Planner：基于自车query的轨迹规划和Occ的碰撞优化进行规划。可以从图中看到，感知和预测模块都是基于Transformer架构，查询向量Q将各个模块串联起来，其中，TrackFormer的Query会一直传递到Planner模块，以此实现了全栈Transformer二、产业进展突破：海外特斯拉FSD快速升级，国内城市NOA即将规模落地2.1特斯拉：FSD海外推广顺利，年内有望推送V12版本海外特斯拉FSD的新一代的升级即将完成。特斯拉FSD诞生以来经历过几次重大升级，当前FSD在BEV+transformer+占用网络的底层支持下有望完成新一代的升级，有望大幅提升FSD的高阶智能驾驶能力和迭代速度。2017-2019年Mobileye主导时代。2016年之前，特斯拉FSD算法全部由Mobileye提供，Mobileye沿用传统视觉路线，采用低精度地图+算法迭代实现自动驾驶功能；2016年到2019年间，特斯拉加大对视觉感知算法的研发投入，逐步建立起自身的软件和算法框架。2019-2020年FSD芯片上车，全栈自研第一阶段。2019年起，FSD芯片上车，特斯拉加快了软件的迭代速度，同时开始发展视觉神经网络，在纯视觉感知路线上不断深耕。2019年到2023，BEV、transformer、占用网络等引入，全栈自研第二阶段。2021年7月推送的FSDBetaV9版本的软件从底层完全重写，不依赖雷达，只采用TeslaVision视觉方案。经过多次迭代，最新版本FSDBetaV11.4.2已于今年5月推送，修复了此前版本中存在的诸多BUG，并将B柱摄像头的可视范围从262英尺（80米）扩展到623英尺（190米），可以让FSD系统的响应时间延长到7-8秒，更早发现前方路况信息，并让驾驶员有更充足的时间做出反应。2023H2最新FSD12版本有望推出。特斯拉预计2023年内推出FSDV12，或将引入端到端AI更新其全自动驾驶包。AI算法训练的数据基础，基于海量的人类司机驾驶数据，通过AI算法训练，使智能驾驶系统能够像成熟人类司机一样接管cornercase，应对复杂路况。此外，据马斯克透露，FSDV12将取消Beta版本。这意味着特斯拉有可能在年内正式向北美用户推送FSD的完整版。海外特斯拉FSD渗透率未来有望大幅提升。据TroyTeslike数据，特斯拉FSD全球渗透率在2019Q2达到高点45.7%，主要原因是前期特斯拉销售主力车型是售价相对较贵的ModelS、ModelX，客户群体预算较为充足对价格相对不敏感。随着后期Model3、ModelY等价格较低车型销量占比持续提升，该部分群体对价格敏感，而FSD技术相对尚未成熟，所以付费意愿不强使得FSD渗透率走低，2022Q3全球渗透率已降至7.4%。到了2022年11月FSDBetaV11版本的发布使得车辆决策时间尤其在左右转时大大缩短，延迟减小，性能和使用体验显著提升，同时2022年11月开始FSDBeta不再对安全评分进行要求，可以向几乎全部北美FSD已购买或订阅车主进行推送。截至2023年1月，已经有40万北美用户接入FSDBeta，相较于2022年12月公布的数据28.5万提升近40%。我们预计随着FSDV12完整版的到来，FSD功能趋于完善，消费者的付费意愿不断增强，FSD渗透率有望加速向上。“超级计算机”Dojo投产运行将助力FSD性能跃升，助力特斯拉实现全面自动驾驶。近期，特斯拉披露了特斯拉首台“超级计算机”Dojo的进展，其计划于7月正式投入生产，到2024年初，将成为全球最先进的5台超级计算机之一。Dojo是用来处理AI任务的超级计算机,可以帮助特斯拉更高效地处理海量的车辆行驶数据，包括车辆的传感器数据、路况信息等等，从而提升特斯拉自动驾驶算法的准确性和安全性。一旦正式投入使用，或将进一步提升特斯拉电动车的计算机视觉能力，使FSD自动驾驶水平再上一个台阶。特斯拉方面称，一旦Dojo启动并运行，特斯拉完全自动驾驶系统FSDBeta将呈现“指数级提升”。2.2国内主机厂新一代智能驾驶系统城市领航辅助2023H2开始落地1）2023H2城市NOA有望开始大规模推广从2021年开始，多家车企公布了城市NOA的上线计划。到2022年下半年，城市NOA已经从概念变成现实。2022年9月，小鹏P5率先在广州推出城市NOA功能，紧随其后极狐阿尔法S的HI版绑定华为的解决方案，相继在深圳、上海落地了城市NOA功能。到了2023年，众多车企在城市NOA方面有了突破性进展，2023H2各车企的城市NOA即将大规模落地。小鹏汽车：国内首家上线城市NOA的车企，并预计于2024年实现车位到车位的全景辅助驾驶能力。2018年12月小鹏首次推出辅助驾驶系统Xpilot2.0，搭载于小鹏首款智能汽车G3，计算平台采用MobileyeEyeQ4芯片。2021年1月小鹏推出P7车型，搭载Xavier芯片，并配备自动驾驶辅助系统Xpilot3.0，支持NGP高速领航辅助驾驶功能，实现“泊车+高速”双场景覆盖。2022年6月，小鹏发布的G9中正式搭载了最新硬件系统，将Xavier芯片替换为英伟达最新的OrinX芯片，打造出Xpilot4.0。2022年9月，小鹏汽车成为国内首个上线城市NOA功能的车企，并开始在广州进行试点。2023年4月，小鹏发布SEPA2.0扶摇全域智能进化架构，并搭载了XNGP智能辅助驾驶系统。目前，XNGP已实现第一阶段能力，覆盖G9Max及P7iMax版车型，主要包括在上海、深圳、广州、北京四座有高精地图覆盖的城市开放城市NGP。小鹏计划在下半年在无高精地图覆盖的城市开放自动变道、超车、左右转的能力，并预计在2024年推出XNGP的终极形态，实现车位到车位的全场景辅助驾驶能力。蔚来汽车：国内首家实现NOA高速领航的公司，并计划于下半年发布城区NOP+。蔚来于2017年12月便首次发布了第一代自动驾驶系统NIOPilot，搭载于蔚来首款车型ES8。2020年10月，蔚来自动驾驶系统首次融入高精度地图，释放的高速场景下点对点领航辅助驾驶功能，是国内首家实现NOA高速领航落地的公司。2021年1月，在蔚来NIODAY上，李斌发布了NT2.0以及基于此平台打造的NAD自动驾驶系统。配备此系统的最新款车型ET7已于2022年3月落地交付。2022年12月，蔚来发布NOP+，2023年7月，蔚来NOP+已于7月1日开启商用。目前NOP+已经在北京二环、三环、四环、五环等城市环路及快速路、高速公路实现全覆盖。理想汽车：计划2023年下半年开通城市通勤NOA。理想2019年理想ONE上市时，智能驾驶芯片及视觉融合方案来自Mobileye，软件基于易航智能。2021年理想开始强化智能驾驶的自研能力，智能驾驶计算平台切换为地平线J3，并在5月引入高清地图，在12月交付NOA高速导航辅助驾驶并优化AEB功能。2022年理想智能驾驶系统升级为第二代ADMAX，感知、决策、规划和控制软件为全栈自研，智能驾驶计算平台升级为两颗英伟达Orin-X处理器,总算力达到508Tops，搭载于2022年3月发布的L9。2023年6月，不依赖高精地图的城市NOA开启内测。2023年下半年，理想计划开通城市通勤NOA功能。比亚迪：2022年开始自动驾驶路线从合作借鉴转为建立自研能力，高速DNP功能将于今年三季度搭载于汉车型上。2021年底开始，比亚迪先后与Momenta、百度、地平线、速腾聚创宣布了合作进展。其中2021年12月，比亚迪与Momenta成立了合资公司迪派智行，为双方长期在智能驾驶领域携手融合发展高阶智能驾驶技术正式拉开序幕。到了2021年之后，比亚迪开始进入到第二个阶段，合作借鉴建立自研的基础能力。从功能层面看，比亚迪自研的高速DNP高阶智能驾驶辅助相关功能即将在今年第三季度搭载汉车型上。汉之后，王朝系列唐、宋的部分版型也将迎来高阶智驾功能。定位更高的腾势、F品牌、仰望等，也已规划或公布将搭载包括城市NOA在内的高阶智驾功能。从技术路径看，业内前沿的BEV感知大模型比亚迪也将于今年内部署，并且将会在下一步规划部署占用网络。长城汽车：毫末城市NOH预计今年三季度落地。2019年，长城汽车智能驾驶前瞻部与诸多科技公司自动驾驶人才融合而成立了毫末智行。2021年6月，毫末智行发布小魔盒1.5，通过搭载3个激光雷达、8个毫米波雷达、3个视觉传感器、高精度地图、导航及定位系统等传感器设备，实现L3级辅助驾驶功能。2022年1月5日，毫末智行携与高通联手研发的辅助驾驶域控制器——小魔盒3.0亮相，通过接入12路8百万像素摄像头，5路毫米波雷达，3路激光雷达，为多视觉+多毫米波+多激光雷达的前融合感知算法，可满足当前L3以及后续L4/L5等全场景自动驾驶功能的实现。毫末智行城市NOH预计在今年三季度落地，于2024年上半年即可完成落地城市100城的目标,实现点点互达。2025年更大规模全场景的NOH将更快落地,全面迈入全无人驾驶时代。华为：城市NCA已经实现落地，并将实现更多无图城市的落地。华为于2012年开始做汽车领域相关研发，2019年4月，华为对外发布了HiCar人-车-家全场景无缝互联解决方案。2021年4月18日，华为举行HI新品发布会，发布了包括鸿蒙OS智能座舱、智能驾驶计算平台MDC810、4D成像雷达、“华为八爪鱼”自动驾驶开放平台和智能热管理系统TMS在内的五大新产品。2022年9月24日，华为和极狐共同宣布，城市NCA功能首发落地深圳。今年三季度，华为城区NCA将实现15个无图城市的落地，四季度将新增30个无图城市落地至45城。2）城市领航辅助的落地将促进消费者的认知提升和主机厂的技术迭代。城市NOA的落地意味着高阶智能驾驶的使用场景大幅度扩展，从之前的高速公路、封闭园区等特定场景扩展到更复杂的城市场景。对于用户来讲，高阶智能驾驶的体验也大幅度提升。之前在特定场景才能使用的高阶智能驾驶相关功能，目前在日常通勤的城市场景也可使用。同时，对于体量较大以及自动驾驶算法正向研发能力强的头部企业来讲，使用场景的扩展意味着数据量更加丰富，进而使得算法迭代速度将提升。三、国内高阶智能化蝶变时刻：供给创造需求，渗透率有望大幅提升3.1SUV及电动化发展复盘：5%-10%渗透率后，供给优化驱动渗透率快速提升国内SUV渗透率和新能源渗透率的增长符合“S曲线”。产业内新技术的应用和新产品的推广往往不是线性的过程，而是符合“S曲线”的发展规律，在技术发展与产品应用的早期，是供给创造需求，渗透率处于低位，愿意尝鲜的消费者群体开始感受技术与产品的优势并将向身边人传播，这时也可能出现由于产品体验不佳，大家对实际需求的质疑。伴随着技术的持续升级与产品体验的持续提升，优质供给会扩大需求，同时可能出现供应链为追求规模效应降价，当“体验/成本”到达某一奇点时，渗透率会快速提升。复盘国内SUV渗透率和新能源渗透率的提升过程，可以看到渗透率在5%-10%区间之后出现快速增长。5%-10%渗透率之后，供给优化驱动电动车和SUV渗快速提升（1）复盘SUV细分市场的发展，2009-2012年间SUV渗透率处于5%-10%，2012年后SUV渗透率开始快速增长。2009-2012年间的核心变化是出现了哈弗H6，途观，CRV换代等优质供给，尤其在2012年，哈弗H6和途观换代产品放量，年销量分别超过22万辆和15万辆，供给端的优化驱动2012年后SUV渗透率快速增长。（2）复盘新能源细分市场的发展，2018-2020年间新能源渗透率处于5%-10%，2021年后新能源渗透率开始快速增长。2018-2020年间，新能源市场受补贴影响较大，整体新能源车的产品力较弱。2020年开始，市场出现Model3，理想ONE，比亚迪汉等产品力较强的产品，供给端的优化驱动2021年后新能源渗透率快速增长。3.2高阶智能驾驶：2023H2供给侧质变，后续渗透率快速提升1）供给优化的趋势：2023H1城市领航辅助驾驶大规模落地，后续预计“算法升级→硬件降本→性能更强价格更低的产品推出”。从供给端看，2023年开始头部车企推出具有高阶辅助驾驶功能的产品，并大规模落地城区NOA。一方面，伴随着数据的累积和模型的训练，智能驾驶算法能力有望快速升级。另一方面，伴随着算法的迭代和成熟，高阶辅助智能驾驶有望减配高精地图和激光雷达等高成本硬件。目前，国内能够实现NOA功能的高阶辅助驾驶硬件成本预计2.5-3万元。（1）感知环节：目前传感器成本预计5000-10000万元，主要取决于激光雷达的数量，目前单颗激光雷达价格预计3000-5000元。此外，高精地图的成本也较高。（2）计算环节：目前智驾域控制器成本预计1.5-2.5万元，主要取决于SoC芯片数量和价格，目前的英伟达的大算力SoC芯片价格仍较高，地平线等国内供应商和特斯拉/华为等自研芯片的成本预计较低。我们预计在“重感知轻地图”的路线下，伴随着算法的迭代和成熟，高阶辅助智能驾驶有望减配高成本硬件，未来综合成本有望降低50%。2）未来几年高阶辅助驾驶有望进入渗透率快速提升过程。我们认为当下高阶辅助驾驶功能的核心问题不在于需求，而在于体验和成本。基于BEV+Transformer技术路线并持续升级的算法，一方面可以提升辅助驾驶功能的体验，另一方面可以降低硬件成本。目前，明确表示在2023年内开通城区NOA功能的车型包括：小鹏G6，理想L7MAX/L8MAX/L9，华为问界M5高阶智驾版，阿维塔11，我们预计比亚迪腾势N7高阶版，仰望U8，长城蓝山等车型也有望2024年落地城市导航辅助驾驶。按照当前已知的车企规划估计，2025年高阶辅助驾驶渗透率有望接近10%。2025年之后，伴随着体验的升级和成本的下降，高阶辅助驾驶渗透率有望快速增长。四、产业影响：整车格局重构和零部件赛道重估4.1整车格局可能因为智能化突破产生新的变化智能驾驶产品技术上的代际升级有望驱动整车格局的新变迁。复盘全球和国内车企崛起的经验，生产技术/产品技术/需求挖掘的代际变革和边际优化是一个车企崛起的核心原因。（1）从生产技术角度，汽车行业经历了手工生产—大批量生产—精益生产的代际性的变革，其中又有平台化模块化等生产方式创新