2018年中国自动驾驶概况、自动驾驶标准、驾驶场景及自动驾驶竞争格局发展趋势分析[图]

    自动驾驶是指智能汽车通过安装配备在车上的传感器设备（包括2D摄影视觉感知、激光雷达、毫米波雷达等）感知汽车周围的驾驶环境，结合导航的高精度地图等地图数据，进行快速的运算与分析，在不断模拟和深度学习潜在的路况环境并作出判断，进一步借助算法规划汽车最理想或最合适的行驶线路及方式，再通过芯片反馈给控制系统进行刹车、方向盘控制等实际操作动作。

    一、概况

    随着移动互联网的流量天花板逐渐见顶，互联网与实体行业如农业、工业、建筑业和服务业等传统行业的数字化融合将成为新的趋势，产业互联网结合5G和云计算等技术将加快实体经济转型。

    汽车作为产业互联网场景下必不可少的智能移动设备，随着新一代的汽车技术革命如新能源、智能网联、自动驾驶的创新，将结合不同的落地场景打造可复制循环的商业模式闭环。

新能源汽车与自动驾驶打造智能网联汽车的基础架构

数据来源：公开资料整理

    在自动驾驶行业热度飙升之初，算法型公司和主机厂对自动驾驶L4~L5级别的落地时间规划在2018~2022年，但从政府对自动驾驶的开放态度、复杂道路突发情况的发生和“地理围栏”效应对部分场景的适应性来看，不同场景的落地时间差异显著。

    二、ADAS

    ADAS（高级别辅助驾驶），是一个主动安全功能集成控制系统，利用雷达、摄像头等传感器采集汽车周边环境数据，进行静态、动态物体的识别、跟踪，控制系统结合地图数据进行做出行为决策，使驾驶者觉察可能发生的危险，必要情况下直接控制车辆以避免碰撞，可有效提升驾驶安全性、舒适性。

    ADAS是实现自动驾驶的前提，自动驾驶与ADAS（高级辅助驾驶）都是通过传感器，收集车内外的数据来反馈车周边的异常信息。区别在于，ADAS是通过周边信息的异常反馈给驾驶员，由驾驶员根据反馈的道路信息和传感器数据进行驾驶操作。而自动驾驶的最高级阶段，则是通过传感器反馈的数据，传输给决策层做出决策，最终由控制层将行为动作引导给系统，系统完成最终的操作。

已实现L2级别（ADAS）的国内量产车型

数据来源：公开资料整理

    ADAS在定义中并没有对覆盖范围有具体的限定，从无自动化向无人驾驶的技术创新都可看作是ADAS的一部分。而ADAS的实现过程从硬件设备操作感知系统，数据库、芯片算法等规划具体决策，电机等控制单元操作控制系统。整体过程离不开感知-决策-控制的操作线条。目前ADAS包含但不限于自适应巡航控制、盲点探测、前方碰撞预警系统、夜视系统等。

    一、 自动驾驶标准

    由于从无自动化干扰到最终的无人驾驶过程中，会出现不同程度的系统干预，各国协会分别对自动驾驶划分了不同级别和标准，各国商业公司按照划分的级别来对外宣布研发阶段和落地成果。目前已知的标准包含由CAAM（中国汽车工业协会）、NHTSA（美国高速公路安全管理局）、SAE（美国机动车工程学会）各自制定。而国际上通用的标准是以SAE制定的L0-L5六个阶段为主。

    L0：此阶段无自动化设备介入。由驾驶员全程操控汽车。

    L1：单一功能自动化。在特定驾驶环境下，单项辅助驾驶系统可通过获取车辆周边环境信息反馈给驾驶员，但动态操作由驾驶员完成。

    L2：部分系统自动化。多项辅助驾驶系统根据环境信息对汽车的横向和纵向驾驶动作同时进行操作，动态操作依旧由驾驶员完成。

    L3：在特定环境下，系统完成全部动态操作，但驾驶员需要在特殊情况发生时，给予系统回应。目前大多商业公司集中此阶段的落地。

    L4：在特定环境下，即使驾驶员未对特殊情况进行回应，系统依旧负责执行全部动态驾驶动作。

    L5：系统进行全路况的动态驾驶动作，驾驶员可对系统进行管理。

    二、 驾驶场景

    自动驾驶从概念提出到发展到现阶段，最重要的两个目的是降低驾驶风险提升安全，进而降低成本实现量产。不仅乘用车和商用车的车型会有所区别，其各自所适用的场景也差别较大，商业路径各不相同。

自动驾驶主要适用场景及各场景商业化程度、代表公司

数据来源：公开资料整理

    乘用车：现阶段并没有完全出台与乘用车上路或量产的相关法律条文或政策文件，大部分解决方案无法满足L3-L5级别的技术条件，外加安全问题、法律责任问题、消费者认知普及等问题，目前来看落地有难度，但随着与整车厂的量产开始同步，近期也出现了转机。

    商用车：商用车由于不同的适用场景，因此在落地性上各不相同，目前主流落地性较强的场景包括自动驾驶叫车服务、高速运输、港口货运、矿区、市政环卫以及最后一公里物流。

    干线物流场景，主要基于L4的系统操控。穿梭于有大量公路货运需求的城市之间。计价方式与运送货物的体积、重量、品类、等因素息息相关。而回到自动驾驶落地干线物流的主因，不外乎降本与提效。

美/日/中物流运输成本结构

数据来源：公开资料整理

美/日/中物流仓储成本结构

数据来源：公开资料整理

美/日/中物流管理成本结构

数据来源：公开资料整理

    结合中美日三国的物流成本来看，运输成本是在包含仓储及管理费用在内占比最高的核心成本。

    司机薪资：以美国劳工统计局的统计数据为准，卡车司机年收入的中位数约在44,500美元左右。

    国内单个司机的驾驶成本年薪构成也至少超过20万元，结合单个车辆2个司机轮流执勤的情况，在干线物流驾驶司机存量少、增量低的大背景下，运输需求上涨将面临供给不足的情况。

    L4级：搭配L4级自动驾驶技术，无需驾驶员便可以通过传感器感知周边车辆环境和动态，结合结构化道路的位置和标识，为下一步行驶做出决策，并由系统进行最后的决策。在这段过程中，司机的工作负担大大降低。未来随着政策放开和技术不断发展，可以实现完全无人化，无需安全员在车内。

    费用方面，以图森未来在亚利桑那州和德州落地的商业模式为例，尽管前期试运营车辆单车成本高（独立采购激光雷达等设备），但后续量产后按照不同客户的需求定制化费用标准。且前装系统量产后的整车可以降低意外事故发生率、提升驾驶安全、降低司机费用的投入。

    油耗及罚款：在国内的高速路段中，由于不同年限的商用运输车辆在一定时期内会达到年限，但高昂的购车成本还是会让企业选择继续使用该车辆。因此，在高速路段临检时，经常会遇到排放标准不达标导致的罚款事件。

自动驾驶在成本及管理成本帮助企业减负

数据来源：公开资料整理

半封闭枢纽场景涉及到的具体场景

数据来源：公开资料整理

    物流园区的车辆改造解决的问题，主要在于货运量的逐年提升下，运输车辆的运行时间更长，园区内集装箱等大型货物的移动和单位周转量也越大，停车需要达到厘米级的精度，还要与起重机进行交互。国家统计局数据显示，全国货运量和公路货运量都在逐年提升，货物运输量由2015年的417.6亿吨增长到2018年的514.6亿吨。

    最后一公里配送服务，以快递配送和外卖场景为主，属于区别于乘用车的低速行驶，能够解决配送时间、配送需求以及客户隐私安全性等问题，但在行驶过程中会涉及大量内部道路及非机动车道，依旧需要解决外部干扰等因素。目前包含京东、苏宁等在内企业都开始参与到无人配送车的测试与量产环节。

2015-2018年全国货运量、公路货运量及公路货运周转量

数据来源：公开资料整理

    以半封闭枢纽为例，自动驾驶在此固定区域及低速环境下落地相对乘用车在复杂城市道路下面临的各类V2X问题，处理方式更为直接，区别在于同一场景下，哪个企业提供的算法更全面、解决方案量产成本合适、以及满足主机厂在矿区、物流园区以及港口的需求。

    五、竞争格局

    自动驾驶行业在场景中的渗透离不开算法和硬件设备的支持，不同的场景下，各家公司所采用的传感器设备、芯片、计算方式是区别公司之间竞争力的技术优势。

    对于自动驾驶下的不同级别，成熟的（L2级别）设备支持相对完善，包含激光雷达、摄像头视觉解决方案、芯片（如Mobileye的EyeQ系列产品）等在内已经拥有成熟的一级零部件供应商。

    而对于逐步开发的（L3级别以上）算法及系统，对硬件和算法的要求越来越高，车规级标准逐步提升，因此给了一些创业公司挖掘商机的机会，如何在新一个研发阶段提供有竞争力的设备成为发力的重点。

    自L3级别往后，系统操作会需要传感器收集到的数据进行深度学习，模拟实际场景可能发生的情况并不断进行重复演练，对产业链环节中涉及到的各个环节标准也将不断提高。

    传感器层面的竞争相对更加激烈，多家厂商积极打造符合自动驾驶规格的雷达、摄像头解决方案等，而算法型公司也根据各自的模型和标的场景加强算力，加速落地。

    1、高精度地图概念与订单落地

    传统图商：当司机驾驶汽车行驶在城市或低/高速路段时，导航地图会向我们推荐一条或几条路线，现有的多数导航地图甚至显示拥堵情况，以及每需要花费的时间。获得这些信息后，司机根据地图提供的信息决定是否直行和转弯，并对周围的驾驶环境进行评估，可能还要考虑交通管制：信号灯、限速标志等。

    高精度地图：自动驾驶在脱离人力的情况下，无法自主判断目前所在位置以及依据GPS识别交通信号灯、指示牌、行人以及其他障碍物。因此，包含大量驾驶辅助信息的高精度地图便成为自动驾驶不可或缺的重要环节。高精度地图拥有众多特点，精度多在5~10厘米（高精性）、（包容性）、语义信息多（实时性）。

    高精度地图的制作与应用需要以云服务作为载体，因此相比于传统地图License模式，按年（年费）或者按服务量（服务费）的支付方式进行是高精度地图比较特殊的一点。即使像海外图商如Here、TomTom等，其高精度地图产品也还没有形成比较具体清晰的商业模式。高精度地图产品最终的收费模式需要图商、Tier1、车厂等产业链中主要参与者共同协商确定。

    2、车规级激光雷达

    激光雷达通过采取的点云数据，利用3D建模构建数据模型。在自动驾驶行业，通过激光雷达得到的数据与高精度地图进行结合，再借助深度学习算法返回到实际场景中进行决策。

    车规级激光雷达目前拥有1线、4线、8线、16线、32线和64线，线束越高、反应速度和精确度也响应越高，成本也更高昂。目前16线激光雷达在低速场景和园区内应用更广泛。

    车规级激光雷达的参与者主要是Velodyne，Velodyne的产品64线、32线、16线3类产品在售，官方定价分别为8万美金（约合52.3万人民币）、4万美金（约合26万人民币）和8千美金（约合5.2万人民币）。

    国内参与激光雷达研发的企业包含北科天绘、数字绿土、镭神智能等。北科天绘目前布局了包含激光雷达芯片在内的自研产品，镭神智能也发布了多线及固态激光雷达专用芯片。

    3、毫米波雷达

    毫米波通常是指30～300GHz频域，能分辨识别很小的目标，且能同时识别多个目标。同超声波雷达相比，毫米波雷达具有体积小、质量轻和空间分辨率高的特点，拥有较成熟的市场和技术，抗干扰能力也优于其他车载传感器，由于技术的提升和规模化应用于ADAS，价格也相对更合理。

    市场主流使用的车载毫米波雷达按照其频率的不同，主要可分为两种：24GHz毫米波雷达和77GHz毫米波雷达。通常24GHz雷达检测范围为中短距离，用作实现盲点探测系统，而77GHz长程雷达用作实现自适应巡航系统。

    毫米波雷达的市场份额基本都被国外Tier1垄断，以博士、大陆、Hella和德尔福为代表的厂商垄断了绝大多数的市场份额。国内上市公司中，德赛西威量产了24GHz毫米波雷达，非上市公司中，行易道科技、木牛科技、苏州毫米波等企业都获得了后装订单。

毫米波雷达发展趋势

数据来源：公开资料整理

    4、芯片

    传统CPU由于算力不足，难以满足处理视频、图片等非结构化数据的需求，而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案。

    从ADAS在向更高级别自动驾驶进化的过程中，包含激光雷达点云、计算机视觉采集图像等在内的数据需要进行接收、分析、处理等行为，因此，算法型公司对芯片的需求和类型也存在较大差别。

    在目前已有的主流芯片类型中，GPU擅长云端训练，但功率相对高且推理效率一般；FPGA芯片的算力强但功耗同样较高，每完成一次烧录，都会具备新连接方式后的功能；ASIC芯片是专门针对特定客户特定目的设置的专用芯片，功耗低、体积小等特点很符合车规级产品的标准。

    目前出货量较大的是在辅助驾驶芯片拥有较大话语权的Mobileye，以EyeQ为主的四代产品可以处理8台摄像头的数据，目前Mobileye已被英特尔收购；另外英伟达的GPU芯片目前同样被大规模使用，在前期研发和试行阶段，尽管功耗和成本高，但灵活性也相对较强。

    相关报告：智研咨询发布的《2019-2025年中国自动驾驶仪行业市场运营态势及未来发展趋势报告》