新闻资讯

您现在的位置是:首页 » 科技 » 自动驾驶产业链中长期投资机会分析

科技

自动驾驶产业链中长期投资机会分析

2022-02-28 科技
核心观点: 自动驾驶产业链的核心玩家包括解决方案供应商、智能汽车制造商、Robotaxi出行服务商、基础设施供应商,以英伟达、华为、谷歌、百度为代表的企业已初步确立领先优势。上游方面,传感器、主控芯片、自动……

核心观点:

自动驾驶产业链的核心玩家包括解决方案供应商、智能汽车制造商、Robotaxi出行服务商、基础设施供应商,以英伟达、华为、谷歌、百度为代表的企业已初步确立领先优势。上游方面,传感器、主控芯片、自动驾驶算法是最重要的三个环节。目前传感器、主控芯片等硬件技术发展更快,商业化机遇已经到来;产业链各环节企业通过辅助驾驶(ADAS)初步实现商业化,反哺自动驾驶技术的研发。当前阶段,技术突破、生态开放、资源充裕将成为自动驾驶企业脱颖而出的三大关键点。

传感器的发展趋势为高精度、广探测范围、高可靠性、高性价比。业内主流观点为多传感器融合,发挥不同传感器的优势并互相弥补缺点。激光雷达方面,量产装车仍处于起步阶段,技术路线尚未确定,企业发展空间巨大,预计MEMS混合固态雷达将成为未来5-10年的主流方案;长期来看,FMCW路线的纯固态激光雷达有望成为理想解决方案。毫米波雷达在制程工艺及系统设计方面存在发展机遇:77 GHz技术和级联技术使毫米波雷达具备更强的感知性能;硅基CMOS工艺有助于提升集成度,降低成本。

主控芯片的发展趋势为高算力、高能耗比、开放生态。由于高算力芯片技术/专利门槛极高,预计英伟达等少数领先企业将掌控市场。自动驾驶算法存在训练效率低、泛化能力弱两大问题。训练效率的提升可通过开发更优的深度神经网络模型(Transformer),充分利用仿真测试平台等方式;泛化能力的增强需要开发智能化程度更高的通用人工智能。谷歌、百度等AI研究储备深厚的企业,有望率先在底层算法/理论架构方面取得突破,成为自动驾驶的“定义者”。

01、自动驾驶产业链

1.1 产业链梳理

智能汽车自动驾驶系统可分为感知、决策、控制三大模块。(1)感知:通过摄像头、雷达等智能传感器感知周边环境信息,是智能汽车的“眼睛”和“耳朵”;(2)决策:以中央计算平台为核心,利用自动驾驶算法来处理感知信息,完成目标定位、识别、追踪,实现周边环境3D建模,并规划行驶方案,是智能汽车的“大脑”;(3)控制/执行:通过线控底盘来精准控制制动系统、转向系统等模块,执行行驶方案。传感器、主控芯片、自动驾驶算法是自动驾驶系统最核心的三部分,直接决定自动驾驶的发展落地进程。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)图一:自动驾驶系统感知-决策-控制框架图

自动驾驶产业链的核心玩家可分为四类:自动驾驶解决方案供应商、智能汽车制造商、Robotaxi出行服务商、基础设施供应商。上游各环节供应商,根据自身技术特色,在产业链中找到合适的定位,其产品/服务最终进入核心玩家的供应体系。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)图二:自动驾驶产业链

自动驾驶解决方案供应商为下游客户提供软硬件全栈解决方案,是智能汽车时代的Tier 1供应商。按业务侧重点可分为两类:(1)硬件主导型:围绕核心硬件(例如主控芯片)拓展业务布局,构建生态/解决方案,代表企业为英伟达、Mobileye;(2)软件主导型:依托领先的算法架构和训练资源,提供生态/解决方案,代表企业为百度Apollo。按生态开放性可分为两类:(1)平台生态:将软件/算法模块化,形成开放生态,客户可按自身需求定制,适用于自研能力强,希望把握技术主动权的客户。代表企业为英伟达;(2)整体解决方案:向车企提供软硬件绑定的整体解决方案,覆盖摄像头、雷达、主控芯片、算法等核心环节,适用于自研能力不足,希望快速推出量产车型的客户。代表企业为Mobileye。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)图三:四种商业模式的代表企业

车企与Robotaxi出行服务商直接面向消费者提供智能汽车/自动驾驶服务,是产业链的终端环节。车企方面,特斯拉、小鹏深耕算法,在辅助驾驶体验方面具备领先优势;特斯拉更进一步,选择自研主控芯片,已实现量产装车。通用(Cruise)、长城(毫末智行)等车企围绕核心子公司进行重点布局,在服务自身品牌车型的基础上,培育独立的Robotaxi出行服务商/自动驾驶技术供应商。

自动驾驶产业链中长期投资机会分析

(资料来源:中汽测评,E车汇,本翼资本整理)图四:部分车型ADAS紧急避险性能评分

Robotaxi出行服务商方面,Apollo、Waymo等企业依托母公司深厚的人工智能技术储备,走在自动驾驶算法开发与道路测试的前沿。由于Robotaxi尚未落地,相关企业普遍选择布局ADAS解决方案、载物无人驾驶等方向,以加速商业化进程,例如Waymo与沃尔沃达成深度合作,为其提供ADAS解决方案。近年来,百度建立开放的Apollo生态,推出Apollo Lite和ANP等ADAS解决方案,并成立集度汽车,提出2023年量产上市的计划,向着Robotaxi出行服务商、车企、解决方案供应商“三位一体”的方向发展。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)图五:部分核心玩家战略定位整理

基础设施建设处于试点阶段。目前路侧基础设施建设主要为先导示范区试点,设备形态较为原始,体现为感知、计算、通信三大独立模块的简单组合。硬件的具体配置需求仍处于研讨阶段,例如是否需要配置激光雷达,存在一定争议。随着自动驾驶商用进程推进,政策支持力度增大,预计更多企业将入局竞争,并开发出集成化、高性价比的设备。通信设备供应商、运营商、云厂商具备丰富的技术储备和基础设施建设/运营经验,其中1-2家头部企业有望脱颖而出,成为基础设施的主导者。云服务方面,现阶段商业模式仍处于基础阶段,云厂商为车企/技术供应商的车型/算法开发、供应链管理、生产、销售等环节提供支持。发展到“车-路-云”一体化阶段,云厂商将为区域级/城市级交通系统提供强大的数据管理和实时运算服务。

1.2 发展趋势

在“硬件冗余”、“循序渐进”等理念的影响下,车企开始规模装配激光雷达、高算力主控芯片等硬件,消费者对辅助驾驶的接受度和付费意愿逐渐提升,商业化进程初步启动。

(1)辅助驾驶/载物无人驾驶变现,反哺自动驾驶。自动驾驶技术研发与道路测试需要大量的资金投入,对企业的现金流与资金储备提出了极高要求。车企采用“循序渐进”策略,随着辅助驾驶技术发展,持续更新车型的软硬件配置,并提出“量产车型积累海量数据,有助于加速自动驾驶技术研发”,在每个发展阶段均充分利用“智能化”来提升产品附加值。自动驾驶技术供应商切入辅助驾驶、载物无人驾驶等赛道,实现商业化变现,初步建立造血能力,有助于吸引融资,并反哺自动驾驶技术的研发。

(2)硬件先行量产装车,软件将通过OTA升级。近年来,自动驾驶硬件技术发展迅速。在算力突破和多芯片组合方案的推动下,中央计算平台算力可超过500 TOPS,理论上已满足L4需求;转镜、MEMS混合固态激光雷达技术初步成熟,量产商用在即。众多车企推出“硬件冗余”理念,在2022年上市的新一代车型预装激光雷达和高算力平台,满足L4对硬件的需求,将来算法成熟后,通过OTA进行软件升级,使这一代车型具备自动驾驶能力。对于硬件厂商而言,商业化窗口已经打开。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)表一:部分预计2022年上市的车型硬件配置整理

技术、生态、资源决定企业前景:自动驾驶技术尚未成熟,处于产业化初期,各环节商业模式仍处于探索阶段,市场格局远未确定。技术、生态、资源等因素直接决定了企业能否脱颖而出。(1)技术:自动驾驶技术处于起步阶段,技术迭代发展极快。短期的商业化成就,或者积累的“测试里程”很快会被新的技术方案所取代。率先开发出高算力主控芯片(单颗算力>1000TOPS),高性能传感器(例如高性价比的纯固态激光雷达),高智能化的自动驾驶算法的企业,将在自动驾驶市场中占据主导地位。(2)生态:造车新势力等下游客户对自动驾驶系统的需求呈明显的定制化趋势。对于供应商而言,开放的生态至关重要。例如谷歌、百度、英伟达可为自动驾驶算法开发提供完整的工具链,其服务能力与资源储备明显优于单纯提供算法的企业。(3)资源:自动驾驶技术的开发与测试需要十亿/百亿级别的资金投入,例如2020年百度在自动驾驶领域的研发投入超过200亿元。目前互联网、芯片、汽车巨头们依托充足的资源储备,已占据产业链的核心位置。独立厂商需要展现技术优势与商业化能力,持续吸引外部融资,才能在激烈的竞争中生存下去。而Cruise、Zoox等企业选择“卖身”巨头,以确保长期的稳定发展。

1.3 小结

自动驾驶产业链的核心玩家包括解决方案供应商、车企、出行服务商、基础设施供应商,以英伟达、华为、谷歌、百度为代表的企业已初步确立领先优势。上游方面,传感器、主控芯片、自动驾驶算法是最重要的三个环节。目前传感器、主控芯片等硬件技术发展更快,商业化机遇已经到来;产业链各环节企业通过辅助驾驶(ADAS)初步实现商业化,反哺自动驾驶技术的研发。当前阶段,技术突破、生态开放、资源充裕将成为自动驾驶企业脱颖而出的三大关键点。

02、传感器

2.1 多传感器融合

传感器感知周边环境的信息,为中央计算平台的决策提供参考,是智能汽车的“眼睛”和“耳朵”。传感器的发展趋势为高精度、广探测范围、高可靠性、高性价比。精度一般由分辨率等参数衡量,例如角分辨率越小,点云密度越大,雷达精度越高;探测范围包括探测距离和视场角两个维度,前者一般定义为10%反射率条件下的最大探测距离,后者代表传感器所覆盖的视角;可靠性指传感器在恶劣天气、极端温度、振动等场景下的抗干扰能力,满足车规级认证是传感器可靠性的最基本要求。

自动驾驶产业链中长期投资机会分析

(资料来源:法雷奥,本翼资本整理)图六:车载传感器需求框架图

多传感器融合是主流趋势。摄像头、激光雷达、毫米波雷达是最重要的三种传感器。摄像头是基础标配,但在强光环境下性能会大打折扣;激光雷达精度最高,可构建周边环境的三维模型,但成本较高;毫米波雷达精度较弱,但抗干扰能力最强,可全天候运作,在夜晚、阴雨雪雾等场景中发挥关键作用。各种车载传感器之间优势互补,因此“多传感器融合”成为主流方案,通过硬件冗余来满足感知系统的鲁棒性需求。综合各车企公布的信息来看,2022款主打ADAS功能的新车型一般配置1-3个激光雷达,11-13个摄像头,5-6个毫米波雷达,12-13个超声波雷达。以小鹏G9为例,传感器方案为2个激光雷达,11个摄像头,5个毫米波雷达,12个超声波雷达。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)表二:激光雷达与毫米波雷达相关参数指标对比

自动驾驶产业链中长期投资机会分析

(资料来源:新出行,本翼资本整理) 图七:小鹏G9传感器方案示意图

从投资机会角度考虑,激光雷达单价高,作为自动驾驶刚需,市场空间广阔,且技术与商用进度均处于发展初期,企业发展空间巨大;毫米波雷达存在77 GHz、CMOS工艺、4D成像等发展机会,竞争格局未定,同样值得关注;摄像头、超声波雷达的硬件技术已进入成熟阶段,产业链完备,预计未来主要由现有玩家分享智能汽车渗透率提升带来的行业增量,后进入厂商难以脱颖而出。

自动驾驶产业链中长期投资机会分析

(资料来源:艾瑞咨询,本翼资本整理)图八:各类智能传感器特点对比

2.2 激光雷达

激光雷达是自动驾驶标配。激光雷达通过发射和接收激光,测量信号的时间差或相位差来感知周边物体的高度、角度和距离等信息。高线数激光雷达可通过“点云扫描”,实现周边环境的高精度3D建模。激光线数越高,点云密度越大,扫描精度越高,但同时成本也更加高昂。辅助驾驶(ADAS)对感知能力要求较低,理论上不需要搭载激光雷达;自动驾驶算法尚未成熟,感知能力需求不明朗,从“感知冗余”角度考虑,目前主流观点认为激光雷达是自动驾驶汽车的标配。特斯拉、Mobileye看似“坚决反对”,也已在自动驾驶测试车中广泛使用激光雷达。

自动驾驶产业链中长期投资机会分析

(资料来源:速腾聚创,本翼资本整理)图九:激光雷达成像示意图

自动驾驶产业链中长期投资机会分析

(资料来源:禾赛科技,本翼资本整理) 图十:激光雷达线数越高,扫描效果越好

车载激光雷达技术的发展主要有测距原理、扫描方式、收发组件等方向。按照测距原理,可分为ToF和FMCW两种路线,前者相对成熟,是目前的主流路线,后者仍处于研发阶段;按照扫描方式,可分为机械旋转式、混合固态、纯固态三大类。当前车载激光雷达技术发展的核心目标为提升性价比,预计MEMS混合固态雷达将成为ADAS主流方案。展望未来,自动驾驶对激光雷达性能的要求更高,技术路线及市场格局将出现洗牌,FMCW路线的OPA纯固态雷达有望成为自动驾驶的主流方案。

自动驾驶产业链中长期投资机会分析

(资料来源:禾赛科技,本翼资本整理)图十一:激光雷达功能模块结构示意图

自动驾驶产业链中长期投资机会分析

(资料来源:Livox,本翼资本整理) 图十二:激光雷达发展路线图

(1)现状:混合固态(MEMS)率先落地

MEMS将成为前装量产的主流方案。车载环境面临颠簸、震动、高低温等严苛环境,尤其在高速运行时,震动等对于可活动器件的稳定运行带来较大挑战。MEMS方案采用微振镜作为扫描部件(微振镜是采用 MEMS 技术制造的谐振式扫描镜,集成了微型反射镜、MEMS 驱动器、MEMS传感器等元件),在驱动作用下对激光光束进行偏转,使低线数雷达的扫描效果接近高线数雷达。与机械旋转式方案相比,MEMS方案不需装配电机等机械部件,且减少了收发组件的数量,具有体积小、结构简单、成本低等优势,已成为目前激光雷达量产落地的首选方案。目前Luminar、速腾聚创等企业的MEMS激光雷达,已顺利拿到多家车企的量产订单,预计2022年起量产落地。

自动驾驶产业链中长期投资机会分析

(资料来源:CSDN,本翼资本整理)图十三:MEMS微振镜示意图

机械旋转式方案主要应用于自动驾驶测试。机械旋转式激光雷达一般安装在车顶,能实现360°全面扫描,但收发组件的数量与激光线数相等,且很难实现自动化生产,导致成本极高(2016年Velodyne的64线雷达售价高达8万美元,16线雷达售价8000美元);体积较大,影响美观;机械部件较多,振动时易损坏,可靠性与使用寿命难以达到车规级要求。目前机械旋转式雷达主要用于自动驾驶测试,并不具备前装量产的可行性。

自动驾驶产业链中长期投资机会分析

(资料来源:速腾聚创,环球网,本翼资本整理)图十四:机械式激光雷达

转镜方案介于MEMS与机械旋转之间。转镜式激光雷达采用旋转扫描镜来偏转激光光束,从而减少收发组件的数量,其体积、成本低于机械旋转式方案。但由于转镜仍需要电机驱动,因此与MEMS方案相比,体积、可靠性、成本均不占优势。转镜方案的代表产品包括法雷奥的Scala 2、禾赛科技的AT128等,但相关厂商的研发重点也放在MEMS与纯固态方向,与其他厂商保持一致。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)图十五:三种扫描方案对比

(2)未来:FMCW路线与纯固态(OPA)契合度高,但目前仍不成熟

FMCW路线前景广阔。当前车载激光雷达的测距原理为ToF(Timeof Flight,飞行时间),采用脉冲振幅调制技术,通过计算激光信号发射与接收的时间差来实现测距。而FMCW(Frequency Modulated Continuous Wave,调频连续波)则通过发送和接收连续激光束,把回光和本地光做干涉,并利用混频探测技术来测量发送和接收的频率差异,再通过频率差换算出目标物的距离。与ToF路线相比,FMCW具备抗干扰能力强、信噪比高、速度维数据精确、功率需求低的优势。目前FMCW已广泛应用于毫米波雷达,其在激光雷达市场的应用前景已成为部分厂商的研究热点。美国Aeva专注于FMCW激光雷达研发,与电装、采埃孚等客户达成开发协议,并于2021年完成上市。

OPA纯固态方案是理想中的“最终形态”。OPA(OpticalPhased Array,光学相控阵)通过阵列中的移相器调节相位,利用相干干涉原理,使激光沿特定方向发射,从而实现对空间一定范围的扫描测量。OPA属于“纯固态”方案,不需装配任何活动部件,可靠性高,使用寿命长。代表企业为Quanergy,但近年缺乏实际进展。由于产业链零部件、生产工艺均不成熟,预计OPA方案落地至少还需要10年以上的时间。此外,Flash方案也曾成为“纯固态”方向的研究热点,但该方案功率受限(否则会对人体造成伤害),探测距离和精度受到明显制约,且串扰问题严重,信噪比低。业内有观点认为Flash方案的缺点很难通过技术进步来解决。

(3)波长:905nm VS 1550nm

当前多数企业均采用905nm方案,可使用硅接收器,成本低且工艺成熟。但905nm对人眼伤害较大,因此运行中功率受限,限制了测量范围与精度。以Luminar、图达通为代表的企业主推1550nm方案,对人眼影响较小,可通过提升功率来实现测量距离与精度的提升。但实际应用中,目前1550nm抗干扰能力较差,在强太阳光环境下性能大打折扣;成本方面,1550nm超出硅接收器的探测范围,需搭配锗接收器或InGaAs接收器,因此成本比905nm方案高数百元。随着FMCW路线的技术走向成熟,抗干扰能力增强,同时锗/InGaAs接收器价格下降,1550nm方案的应用前景将更加明确。

大批独立厂商涌现,竞争格局相对分散。车载激光雷达发展初期,自动驾驶停留在概念阶段,市场参与者较少,Velodyne占据近80%市场份额。随着禾赛科技、 Luminar、速腾聚创等众多企业入局,Velodyne产品性价比较低,失去了先发优势。法雷奥与Ibeo合作,以辅助驾驶为切入点,2017年率先实现激光雷达量产装车,目前市占率达到28%。但法雷奥的两代产品分别为4线、16线,性能较为有限,而采用MEMS方案的Scala 3预计2022年量产,因此法雷奥的技术进度实际上与速腾聚创等企业基本相当。整体而言,车载激光雷达的技术方案仍不成熟,技术迭代较快,厂商一方面需要抓好当前转镜、MEMS方案的商业化机会,另一方面也需要布局OPA等纯固态技术,并为自动驾驶阶段做好技术储备。

自动驾驶产业链中长期投资机会分析

(资料来源:Yole,浦银国际,本翼资本整理)图十六:车载激光雷达市场格局(2021年9月)

车企推动量产装车,大规模商用在即。车企面临着激光雷达性能与成本之间的权衡。特斯拉主张不搭载激光雷达,而多数车企把激光雷达作为智能水平的宣传卖点,将2022年上市的新车型定位为“硬件已满足自动驾驶需求,后续通过OTA升级算法,即可实现自动驾驶”,以吸引更多客户购买。截至2021年底,至少19家车企已公布新车型搭载激光雷达的方案,预计2022年将成为激光雷达大规模商用的元年,对企业的产品性能、量产能力、成本控制能力形成第一次大考。

自动驾驶产业链中长期投资机会分析

(资料来源:招商证券,本翼资本整理)表三:部分车型激光雷达配置整理

展望未来,自动驾驶对感知性能要求更高。无论采用何种技术路线,激光雷达应在满足自动驾驶的性能需求的基础上,再去考虑成本问题。但在自动驾驶迟迟无法落地的大环境下,多数厂商采取妥协姿态,现阶段专注于降成本,满足辅助驾驶需求,而将高性能激光雷达的研发暂时搁置。

2.3 毫米波雷达

车载毫米波雷达波长处于3-13mm区间(对应频段24-79 GHz),利用发射和接收电磁波的频率差,测量目标的距离、速度、角度。毫米波雷达具备极强的抗干扰能力,可在雾霾、沙尘、雨雪等恶劣条件下保持稳定性能,有效弥补摄像头与激光雷达的短板。车载毫米波雷达已普遍采用FMCW方案,能同时测量多个目标的距离和速度信息,并对目标连续跟踪;测量距离远,分辨率高;所需发射功率低;不易受外界电磁噪声的干扰,信号处理难易程度及实时性均可达到系统要求。毫米波雷达分为前向雷达和角雷达两类,前者技术要求与成本均高于后者。价格处于500-1000元区间,仅为激光雷达价格的十分之一。

自动驾驶产业链中长期投资机会分析

(资料来源:博世,汽车人参考,本翼资本整理)图十七:毫米波雷达拆解

毫米波雷达的核心组件为射频前端MMIC(单片微波集成电路)和微带贴片天线,负责毫米波信号的调制、发射、接收以及回波信号的解调。天线尺寸一般与波长成正比。毫米波雷达技术的发展主要围绕MMIC相关工艺及天线设计方案的创新,提升雷达性能,降低生产成本。

(1)77GHz方案取代24GHz

77GHz毫米波雷达在性能、尺寸方面均优于24GHz方案。电磁波波长越短,反射性越强,雷达分辨率越高。传统的24GHz毫米波雷达波长超过10mm,对目标位置的判断精度不佳,甚至会出现偏离车道的误差;此外24GHz处于国际通用的ISM频段,运行时功率受限且易受干扰,导致探测距离受影响,只能应用于近距离碰撞预警。而77GHz处于汽车专用频段,可通过提升功率来扩大毫米波雷达的探测距离。由于天线尺寸与波长成正比,77GHz方案对应的天线尺寸更小,同等空间下能容纳更多收发阵元,孔径增大,波束变窄,测量精度提升。

政策向77GHz方向倾斜。2019年世界无线电通信大会(WRC-19)将24.25-27.5GHz频段划分为全球协调一致的5G毫米波使用频率,世界部分国家已逐步引导汽车雷达的使用频段向更高的77GHz频段迁移。欧洲电信标准化协会(ETSI)、美国联邦通信委员会(FCC)和中国工信部先后调整相关规定,自2022年起禁止生产24.25-26.65GHz汽车雷达。此后,24GHz频段只能使用24-24.25GHz窄带雷达,围绕该频段设计长程雷达成为不可能的任务。因此,77GHz已成为毫米波雷达技术发展的必然趋势。

自动驾驶产业链中长期投资机会分析

(资料来源:汽车人参考,本翼资本整理)图十八:奔驰S系列的毫米波雷达方案

(2)CMOS工艺

作为毫米波雷达的核心组件,MMIC占成本约30%。通过制造工艺的改良迭代,可进一步提升雷达性能与集成度,并降低成本。与主流的硅锗工艺相比,CMOS工艺具备集成度高、成本低两大优势,已广泛应用于手机、电脑等消费电子领域。在毫米波雷达领域,CMOS工艺有助于实现AiP(封装集成片上天线),将天线阵列直接与MMIC集成封装,进一步缩小雷达体积,减少下游模组厂商在天线和高频板材方面的投入,并大幅缩短模块研发和生产周期。2017年,德州仪器推出基于CMOS工艺的高集成度77GHz毫米波雷达芯片,将MMIC、天线、MCU集成在一个Soc芯片上。德州仪器同时开放完备的底层软件平台和开发工具链,极大降低了毫米波雷达领域的进入门槛。

自动驾驶产业链中长期投资机会分析

(资料来源:加特兰微电子,本翼资本整理) 图十九:不同工艺下的射频前端模块对比

(3)级联与4D成像

传统毫米波雷达一般采用单片MMIC,仅可探测距离、速度、水平角度3个维度,无法感知高度信息。2018年,德州仪器提出“4D成像毫米波雷达”方案,通过调整MMIC和天线的设计结构,增加垂直高度的测量,实现类似激光雷达的点云扫描。2020年大陆率先推出4D雷达产品ARS540,采用级联设计,将4片NXP的77GHz MMIC级联。单片MMIC3发4收,共12个虚拟通道,而级联后12发16收,共192个虚拟通道,性能与4线激光雷达基本相当。随着工艺水平提升,级联更多MMIC,集成度更高的下一代4D毫米波雷达性能有望达到8线/16线激光雷达水平。

自动驾驶产业链中长期投资机会分析

(资料来源:大陆集团,盖世汽车,本翼资本整理)图二十:大陆集团ARS540雷达结构示意图

竞争格局:目前毫米波雷达市场主要由国际巨头掌控,而77GHz、CMOS工艺与4D成像雷达的量产应用,将给更多企业带来弯道超车的发展机遇。现阶段上游MMIC环节主要由英飞凌、恩智浦、德州仪器等IDM厂商掌控,国内加特兰微电子等企业在MMIC设计方面积累了一定技术储备。下游模组领域,主要由博世、大陆、海拉等传统零部件巨头掌控。国内华域汽车、德赛西威两家上市公司布局较早,市场化初具规模,初创企业森思泰克从安防、交通领域入局,切入车载市场,目前角雷达出货量已进入中国市场前十;几何伙伴直接切入4D成像毫米波雷达方向,近期完成约4亿元的Pre-A轮融资。此外,楚航科技等企业选择竞争程度较低的商用车作为切入点。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,高工智能汽车,本翼资本整理) 图二十一:目前毫米波雷达市场主要由国际巨头掌控

2.4 小结

自动驾驶的发展趋势是多传感器融合,其中激光雷达和毫米波雷达技术的提升空间较大。激光雷达量产装车处于起步阶段,技术与工艺远未成熟,预计MEMS混合固态雷达将成为未来5-10年的主流方案;长期来看,FMCW路线的纯固态激光雷达有望成为理想解决方案。毫米波雷达在制程工艺及系统设计方面存在发展机遇:77 GHz技术和级联技术使毫米波雷达具备更强的感知性能;硅基CMOS工艺有助于提升集成度,降低成本。

03、算法与主控芯片

智能汽车采用集中式的E/E架构,由中央计算平台处理感知信息,分析周边路况(目标定位、识别、跟踪;环境3D建模),并决策/规划行驶路线。中央计算平台的核心硬件/软件分别是主控芯片和自动驾驶算法。主控芯片的发展趋势为高算力、高能耗比、开放生态(定制化);高算力芯片的设计、制造存在极高的技术门槛和专利壁垒,预计市场将高度集中,由英伟达等巨头主导。自动驾驶算法的发展方向为提高训练效率,增强泛化能力;作为自动驾驶技术的核心突破点,算法已成为众多企业竞争的主战场。创新的算法架构思路及完备的训练资源是实现算法突破的两大核心要素。谷歌、百度等AI研究力量强大的企业,有望率先在算法底层架构/理论方面取得突破,并依托深厚的资源储备加速自动驾驶落地,成为自动驾驶的“定义者”。

3.1 算法

算法分为感知、规划/决策两大模块。(1)感知算法:分析传感器收集的信息,完成目标定位(检测)、识别(分类)、跟踪,目标包括车道线、交通标志、信号灯、车辆、障碍物;实现高精度三维环境建模。感知算法的核心目标在于理解场景,其代码占比约70%,开发难度相对较高,训练侧重于深度学习。(2)决策/规划算法:根据感知算法的输出结果,判断可行驶区域,通过奖励函数规划下一步的最优位置,核心场景包括车道保持、超车/变道、主动制动、转向/掉头等,其中无保护左转和超车是难度最高的两个场景。决策/规划算法的训练侧重于强化学习。

基于统计分析的深度学习是自动驾驶算法的底层思路。人工智能理论存在逻辑主义与统计主义两种不同路线之争。逻辑主义者认为人工智能应建立在人类的知识和逻辑基础上,仿照人类的思维方式来开发算法。而统计主义者认为人类的思维模式难以模拟,且结果并非最优化,主张由系统直接在海量数据中的规律,形成算法,不需要输入人类的知识与逻辑。2012年起,以统计主义思维为基础的深度学习神经网络进展迅速,以谷歌AlphaGo系列为代表的模型,在图像识别、自然语言处理、围棋、电子游戏等领域的表现远超人类。在深度学习浪潮影响下,主流自动驾驶算法也建立在深度神经网络模型基础上。然而汽车行驶属于多目标动态博弈的复杂场景,人类驾驶员、非机动车、行人的行为差异性高,且未必完全遵守规则,单纯的统计主义模型存在局限性。

目前主流的算法架构为CNN(卷积神经网络),存在训练效率低、泛化能力弱的问题。通过深度学习模型架构创新,引入仿真测试平台等方式,将有助于算法训练效率提升;但本质上,深度学习属于纯粹的统计分析,不具备逻辑推理的属性,因此单纯在深度学习架构方面创新,很难解决推理、泛化能力弱的问题。长期来看,通用人工智能或将成为解决自动驾驶问题的关键。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)图二十二:CNN模型进行目标识别的过程

(1)提高训练效率:新架构与仿真测试

Transformer模型成为研究热点。2017年,谷歌发布Transformer模型,采用一维卷积+注意力机制,能够抽象地理解整个图像不同区域元素之间的关系。2020年以来,Transformer在NLP(自然语言处理)领域进展迅速,替代了传统的RNN和CNN。2021年6月,特斯拉、毫末智行等企业开始探索Transformer在自动驾驶领域的应用。性能方面,Transformer饱和区间更大,更适合需要海量数据训练的自动驾驶场景。研究表明,当训练数据集超过1亿张图像时,Transformer的表现超过CNN,且随着数据量上升,领先优势逐渐扩大;在雨雪天气、视觉遮挡等场景中,Transformer的抗干扰能力也超过CNN。芯片适配方面,Transformer具备出色的算法并行性,更适合 GPU 的运算环境。

仿真测试平台可用于模拟实时路况,缩短算法的迭代周期。部分长尾场景在道路测试中出现频率极低,且人口密集、路况复杂的闹市区一般不允许自动驾驶测试。通过仿真测试平台,可对道路测试难以覆盖的各类场景,进行针对性的密集训练,逐个攻克长尾场景。目前仿真测试在自动驾驶算法的训练中的角色越发重要。百度Apollo等技术领先的企业已将仿真测试平台开放商用,为其他企业提供算法训练服务,并收取服务费。

自动驾驶产业链中长期投资机会分析

(资料来源:百度Apollo,本翼资本整理)图二十三:仿真测试平台的功能展示

(2)增强推理/泛化能力

通用人工智能是终极目标。人工智能底层理论的创新,有望成为自动驾驶算法的核心突破点。理想中的通用人工智能,一方面拥有类似人类的逻辑体系,善于总结经验,并灵活应用于其他场景;另一方面具备计算效率高,记忆能力强的优势。通用人工智能的推理/泛化能力极强,不仅满足自动驾驶需求,也可执行更多场景的多元任务。成功开发出通用人工智能的企业,将成为自动驾驶的定义者。

谷歌MuZero初步具备通用人工智能的特征。2019年,谷歌旗下AI企业Deepmind推出第四代人工智能MuZero。作为AlphaGo系列的最新模型,MuZero可在没有知识和规则基础的前提下,精通几十款Atari游戏,展现出强大的学习能力和推理/泛化能力。同为谷歌旗下企业,Waymo正积极探索如何应用Deepmind的前沿技术思路来改良自动驾驶算法。

自动驾驶产业链中长期投资机会分析

(资料来源:Deepmind,DeepTech深科技,本翼资本整理)图二十四:AlphaGo系列模型演化

市场格局:多方布局,竞争激烈。目前从上游传感器厂商到下游车企,产业链每个环节的企业都积极布局算法的开发工作,争夺算法的主导权。对企业而言,一方面需要实现算法自主可控,提升响应能力,满足客户的定制化需求,构筑核心竞争力;另一方面,由于谷歌、百度等领先企业将深度学习算法架构开源,英伟达等硬件厂商也提供基于硬件平台的算法开发完整工具链,因此进入门槛较低。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)注:“△”代表有布局规划但尚未落地表四:算法成为自动驾驶企业竞争的主战场

算法架构思路+训练资源是开发算法的两大要素。自动驾驶算法应在有限的芯片尺寸、功耗约束下,满足安全、智能/高效、舒适三大需求。一方面,创新的算法架构思路是企业的核心竞争力。另一方面,企业需要建设/租用完整的算法开发平台(工具链、超级计算机、云服务等),也需要建立自动驾驶车队,积累测试里程,全面覆盖长尾场景,利用海量数据来持续训练算法。在算法架构思路、训练资源两大核心要素方面均具备明显优势的企业,方能脱颖而出,成为自动驾驶算法的定义者。

未来展望:AI技术决定成败。从长远角度考虑,算法架构的创新最为关键。谷歌、百度等企业一方面拥有深厚的AI技术积累和人才储备,另一方面也拥有丰富的资源储备,有望实现AI理论/架构的突破,从而脱颖而出,成为自动驾驶算法的定义者。此外,MIT、智源研究院等顶尖科研机构的研究进展也值得密切关注。

3.2 主控芯片

智能汽车中央计算平台需要实时处理海量图像/视频、雷达成像等非结构化数据,对主控芯片算力提出了极高要求。自动驾驶等级每提升一级,算力需求则相应增长一个数量级。据地平线测算, L4需要的算力约为500 TOPS,而L5需要的计算力目前还未有明确定义(有预测需要至少1000TOPS)。峰值算力成为衡量自动驾驶芯片性能的最主要指标,高算力成为自动驾驶芯片发展的核心趋势。此外,智能汽车存在空间、续航、车规级认证等约束,在设计中不能通过单纯堆料的方式来提升算力。在算力满足需求的基础上,能耗比(算力/功耗)也将成为衡量主控芯片性能的重要指标。

算力主要来自GPU和AI加速器。智能汽车的主控芯片属于异构SoC,一般采用CPU+GPU+AI加速器的架构。GPU采用并行计算结构,AI加速器专为深度神经网络设计,二者均适合处理海量(图像、视频、雷达信息)非结构化数据,为主控芯片提供强大算力。不同厂商给予AI加速器不同的命名,例如特斯拉的NPU,英伟达的DLA。通过应用更先进的制程工艺,改良设计架构,可进一步提升主控芯片算力。

自动驾驶产业链中长期投资机会分析

(资料来源:CleanTechnica,本翼资本整理)图二十五:特斯拉FSD芯片架构

算力高速迭代+多芯片组合,总算力已达到L4需求。目前英伟达Orin芯片的单芯片算力已超过200 TOPS。通过多芯片组合的方式,理论上中央计算平台的总算力可达到500 TOPS以上,单纯从算力数字来看,已基本满足自动驾驶的理论需求。在业内主推“硬件冗余”+“软件定义汽车”的背景下,众多车企选择在新车型中装配满足L4算力需求的主控芯片,将来通过OTA持续升级软件/算法,使这一代车型实现完全自动驾驶。

市场格局:Mobileye的EyeQ系列芯片在辅助驾驶领域占据主导地位;高算力领域,英伟达Orin芯片已确立显著领先优势,客户覆盖蔚来、小鹏、百度等众多企业,成为大多数自动驾驶企业和车企2022款新车型的主要选择。其他厂商方面,特斯拉2019年发布自研的FSD芯片并实现量产装车,计划未来车型均采用自研芯片;高通推出Snapdragon Ride平台,与宝马达成合作,预计2025年量产;华为推出MDC平台,算力达到200 TOPS,客户覆盖埃安、沙龙、阿维塔等品牌,但受到美国制裁影响,短期内能否顺利量产仍存在不确定性,例如最早计划搭载MDC平台的极狐阿尔法S,交付时间已数次延后;地平线、黑芝麻两家初创企业在算力、生态两方面追赶巨头步伐,形成一定竞争力,目前已收获部分智能座舱芯片以及低算力主控芯片的订单。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理)表五:各厂商主控芯片整理

未来展望:英伟达保持领先,市场高度集中。随着英伟达芯片(Xavier、Orin、Atlan)算力突飞猛进,留给新进入者的时间所剩无几,智能座舱芯片成为更现实的发展方向。但在E/E架构集中化的发展趋势下,预计未来主控芯片将整合自动驾驶决策与智能座舱功能,专注智能座舱芯片的厂商可能受到严重冲击。考虑到高算力芯片存在技术/专利壁垒与资源壁垒,国内企业存在被制裁封锁的风险,预计主控芯片市场将呈现高度集中的特点,由英伟达等巨头统治主流市场,另有少数企业与1-2家下游客户深度绑定。

3.3 英伟达:自动驾驶系统“基础设施供应商”

英伟达引领高算力革命。作为GPU领域的绝对龙头,英伟达的技术架构契合主控芯片高算力的发展趋势。2018年发布Xavier芯片,采用12nm工艺,CPU+GPU+DLA(深度学习加速器)+PVA(可编程视觉加速器)架构,峰值算力达到32 TOPs,并于2020年实现量产装车。2019年发布的Orin芯片采用8nm工艺,峰值算力达到254 TOPS,预计2022年量产。截至2021年11月,已有蔚来、沃尔沃、奔驰等15家企业宣布采用英伟达Orin芯片作为主控芯片解决方案,覆盖主流传统车企、造车新势力、Robotaxi公司、无人卡车公司。英伟达已成为高算力主控芯片的领军企业。

自动驾驶产业链中长期投资机会分析

(资料来源:英伟达,虎嗅,本翼资本整理)图二十六:部分英伟达Orin芯片客户整理

开放生态,满足客户定制化需求。主控芯片是智能汽车的基础硬件,因此芯片厂商普遍选择围绕芯片构建完整解决方案,增强竞争力和产业链话语权。一方面,不同车型的传感器方案和E/E架构存在差别,因此车企对主控芯片的需求呈高度定制化;另一方面,车企也倾向于利用积累的行驶数据和用户反馈来对算法进行持续调整,对芯片厂商的生态开放性提出了较高要求。英伟达采用开放平台模式,将传感器抽象层 (SAL) 与传感器插件、数据记录器、车辆 I/O 支持和深度神经网络 (DNN) 框架等多元中间件模块化,供客户灵活选择及适配,满足定制化需求。另一方面,英伟达为自动驾驶算法的开发者提供完整工具链,满足不同技术偏好的算法开发软硬件需求,支持客户根据自身需求开发/改良算法。此外,英伟达芯片支持Linux、QNX和Android等多种操作系统,具备优秀的兼容性。

自动驾驶产业链中长期投资机会分析

(资料来源:英伟达,艾瑞咨询,本翼资本整理)图二十七:英伟达开放式生态架构

小结:高算力芯片+开放生态促使英伟达成为主控芯片定义者。芯片算力方面,依托GPU并行计算的特点,英伟达已确立显著领先优势。与Mobileye的全栈布局相比,英伟达更关注围绕硬件平台构建开放生态,为下游客户提供自动驾驶系统“基础设施”,紧密贴合客户需求。

自动驾驶产业链中长期投资机会分析

(资料来源:公开资料,本翼资本整理) 图二十八:英伟达与Mobileye商业模式对比

3.4 小结

作为智能汽车最核心的硬件,主控芯片的发展趋势为高算力、高能耗比、开放生态。由于主控芯片技术/专利门槛极高,预计英伟达等少数企业将掌控市场。自动驾驶算法面临训练效率低、泛化能力弱两大问题。训练效率问题可通过引入更优的深度神经网络模型(Transformer),充分利用仿真测试平台等方式进行优化。长期来看,强推理/泛化能力的通用人工智能将成为为自动驾驶算法的理想解决方案。作为自动驾驶技术的核心突破点,算法已成为众多企业竞争的主战场。创新的算法架构思路及完备的训练资源是实现算法突破的两大核心要素。谷歌、百度等AI研究力量强大的企业,有望率先在算法底层架构/理论方面取得突破,并依托深厚的资源储备加速自动驾驶落地,成为自动驾驶的“定义者”。

本文来自微信公众号“本翼资本CapitalWings”(ID:capitalwings),作者:尚启暄,经授权发布。