随着高阶自动驾驶迈向城区量产场景,系统感知、决策、执行、通信各方面架构将迎来全新升级。当前,各玩家以“BEV+Transformer+数据闭环”为最新一代自动驾驶量产系统的核心架构,算法范式与技术路线暂时收敛,数据量和数据闭环能力或将成为下半场从1到N的胜负关键。国内玩家目前在量产车数据闭环方面距离特斯拉仍有较大差距,需持续积累打磨工程化经验,以转动数据飞轮。自研能力较强的主机厂,以及有丰富数据经验或测绘资质的供应商,在know-how积累方面或更具优势。


(资料图片仅供参考)

▍需求:智驾走入数据驱动,数据闭环愈发关键。

进入2023年下半年,国内各大车企开始陆续落地城区领航功能,也由此拉开了乘用车智能驾驶下半场的序幕。经过由硬件驱动的1.0阶段和软件驱动的2.0阶段(以rule-based为主),智能驾驶正伴随“BEV+Transformer”大模型的上车迈向由数据驱动的3.0阶段。我们认为,在1.0和2.0阶段,算法和硬件是领先的关键;而走向3.0阶段,数据或将成为更为重要的胜负手。尤其是在特斯拉引领的“BEV+Transformer”技术路线成为业界共识后,感知端算法的基本思路和框架已逐渐清晰,而此时,数据将成为决定模型上限的关键。一方面,玩家需尽可能地充实场景库,积累更多的有效数据(场景库中未曾“见过”的数据);另一方面,玩家需打通包括数据采集、预处理、回传、标注、处理、仿真、训练、验证、OTA等多个环节的数据闭环,闭环的运行效率和自动化程度也直接决定了自动驾驶模型的迭代效率。

难点:量产车数据闭环涉及大量工程化know-how,国内玩家任重而道远。

在特斯拉引领下,数据闭环的原理和框架已相对清晰,但如何在量产车上实现真正高效率、低成本的落地,目前对绝大多数玩家而言仍是一个难题。事实上,针对量产车的数据闭环在国内仍属少数派。我们认为,即使是小鹏、华为等国内领先玩家或也落后特斯拉2-3年的时间,其核心难点在于数据闭环的每个环节都有颇多工程化细节需要处理,且最终都会影响整体的运行效率。这不仅需要了解框架的工作原理,更重要的是优异的工程实践能力以及多年的打磨迭代。

格局:头部智驾车企倾向自研,供应商寻找核心壁垒。

想要实现高效的数据闭环,既要理解整套框架的运作流程,同时也要有好用的工具链。长期来看,工具链将成为算法的一部分,二者形成强耦合。因此我们认为,头部智驾车企仍将追求自研,以掌握数据闭环的核心竞争力,但数据标注等部分偏标准化的模块亦可考虑外采。而对于绝大部分自研能力较弱的主机厂和Tier-1而言,和有实力的供应商合作或是性价比更高的方式。

目前,产业内已有玩家开始为主机厂或Tier-1提供数据闭环服务,包括全流程的数据闭环解决方案,或具体某个模块化的工具链平台(例如车云协同平台、数据管理平台、标注平台、仿真平台等)。整体而言,无论是主机厂还是供应商,国内玩家在数据闭环方面仍处于know-how积累的阶段。我们认为,know-how积累的核心在于经验和数据。大规模的优质数据是“做出”数据闭环的前提,而经验丰富的工程团队是“做好”数据闭环的关键。因此,我们更看好具备大量自动驾驶数据处理经验或测绘资质的厂商。

而数据标注作为数据闭环关键环节之一,正在从劳动密集向技术密集升级。我们认为,数据标注中长期有望趋于标准化,主机厂外采动力较强。同时,随着标注难度和智能化水平越来越高,人工管理的经验和智能化标注工具的开发将构成核心竞争力。预计未来有较强算法能力和客户基础的头部数据服务商,以及部分需求方自建的标注团队将逐步替代目前行业内繁杂的中小玩家,行业集中度将得到显著提升。

投资建议:自动驾驶进入数据驱动3.0阶段,数据成为关键胜负手。

自研能力较强的头部智驾车企在数据闭环环节或将继续追求自研,以掌握核心竞争力。而对于绝大部分主机厂和Tier-1而言,和有实力的供应商合作或是性价比更高的方式。数据闭环流程复杂,供应商可提供整套解决方案或模块化的工具链产品,我们认为know-how积累的核心在于经验和数据,有大量数据处理经验或测绘资质的厂商或更具优势。同时建议关注数据服务公司在数据闭环重要性提升中迎来的发展机遇;在马太效应下,中国有望诞生自己的Scale AI。

风险因素:

海外生成式AI技术发展超预期,数据闭环逻辑发生改变;高阶自动驾驶渗透率不及预期;新能源汽车销量不及预期;国内智能驾驶政策支持力度不及预期等。

推荐内容