智能駕駛行業深度報告：Robotaxi與車路雲共振，智駕關鍵節點已至

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

（報告出品方/作者：信達證券，龐倩倩、傅曉烺）

一、智能駕駛的產業發展階段和產業趨勢

1.1 V2X 車路雲一體化政策密集出臺，產業發展逐步加速

政策法規接連出台，持續深化對於智能網聯汽車的軟硬件標準、安全準則、運營 資質等方面的要求。具體來看，主要包括：1）推動智能網聯汽車上路測試落地；2） 基於先進通信技術部署 V2X 基礎設施；3）開拓固態電池、換電、車用人工智能等新 技術和新模式；4）支持「車路雲一體化」應用試點城市開展相關工作。 從數據上看，路測里程快速增長，示範牌照不斷發放。2021 年 8 月交通運輸部 披露，全國已建設 16 個智能網聯汽車測試示範區，開放 3500 多公里測試道路，發 放 700 余張測試牌照，道路測試總里程超過 700 萬公里。截至 2024 年 4 月底，我 國共開放智能網聯汽車測試道路 29000 多公里，發放測試示範牌照 6800 多張，道路 測試總里程超過 8800 萬公里。近兩年間，智能網聯汽車在測試道路開放規模、測試 里程、牌照數量等方面均出現快速增長。

智能駕駛產業集羣在政策鼓勵下加速形成，各地區政策快速跟進。以武漢經開區 為例，本身已經聚集有 9 家整車企業、14 座整車工廠和 1200 多家汽車零部件企業， 新能源產能約 146 萬輛。在此基礎上，當地加快引進軟件信息企業，以產業基金、現 金獎勵和補貼等方式支持企業落户武漢，推動軟硬件協同、場景創新、成果轉化。

高級別自動駕駛車輛上路通行標準已經明確，商業化運行即將拉開帷幕。2023 年 11 月 17 日，隨着《四部委關於開展智能網聯汽車准入和上路通行試點工作的通 知》文件的發佈，智能網聯汽車上路標準得以明確，其中實施流程包括：1）試點申 報；2）試點實施；3）試點暫停與退出；4）評估調整。且通知中智能網聯汽車產品 搭載的自動駕駛功能是指國家標準《汽車駕駛自動化分級》（GB/T 40429-2021）定 義的 3 級駕駛自動化（有條件自動駕駛）和 4 級駕駛自動化（高度自動駕駛）功能。 並對申報主體、申報流程都作出了具體要求。重點包括但不限於，要求配備專業安全 員和平臺安全監控人員、自動駕駛數據記錄、安全狀態監測報告等。

1.2 技術突破臨界點到來，部分廠商技術水平觸及 L4 智駕標準

從 L0 到 L5，智駕技術迭代正在加速。根據國際自動機工程師學會標準，自動駕 駛功能可以從其實現的功能層面進行 L0 至 L5 的劃分，其中 L0 至 L2 被歸類為自動 駕駛輔助功能，只能在有限場景和條件下，提供減少駕駛員操作負擔的輔助作用。而 L3 及以上智駕水平才真正來到了自動駕駛功能的範疇內，自動駕駛系統在許多場景 和較為苛刻的條件下能夠替代人工進行駕駛作業，在較少情況下需要人工接管，且隨 着技術逐漸向 L4 邁進，人工接管的概率將逐步走低。目前國內中高端量產型乘用車 的智駕水平主要還處在 L2 階段，隨着城市 NOA 功能逐步滲透，技術演進正在加速。

L3 關鍵節點已至，自動駕駛或迎來技術突破期。作為重要分水嶺的 L3 自動駕駛 功能，被認為是高階自動駕駛技術的重要節點。在 L3 自動駕駛功能啟用時，駕駛員 將出讓駕駛權，只需在危險情形和激烈駕駛環境下進行接管。相比之下，L2 不僅只 能在特定路況和區域內實現，而且需要駕駛者高頻接管車輛。從法律責任劃分角度來 看，隨着系統優先級的上升和介入場景的增加，L3 也可能會與 L2 存在區別，同時可 能會使得各大主機廠在推出 L3 時更加謹慎。 此前，由於車載算法架構、數據體量的掣肘，從「自動駕駛輔助功能」到「自動 駕駛功能」的跨越顯得困難重重，但隨着 BEV+Transformer 算法的普及和端到端技 術的出現，智駕的商業落地逐漸開始加速。目前，越來越多智駕方案提供商宣佈有能 力提供高階智駕技術，並下放技術給各大主機廠進行量產。尤其在 Robotaxi 領域， 一些智駕方案提供商已經宣佈 L4 技術的實現，例如 MOMENTA、Apollo、小馬智行 等。

1.3 智能網聯汽車重要發展方向——V2X

車路雲一體化作為產業發展方向，有望加速自動駕駛商業化落地。相比單車智能 路線，車路雲一體化有利於在複雜多變的城市路網中提高感知與統籌，降低誤判和事 故發生概率，是智能駕駛的發展方向。從單車智能自動駕駛（AD）和車路協同自動 駕駛（VICAD）的實際效果來看，后者能夠基於超視距信息強化感知，在路口左轉、 異常障礙物、交通事故路段等場景中展現出良好的系統能力。當前，各個地區的自動 駕駛試點仍被限定在封閉或有限區域內進行，但在 VICAD 的推動下，隨着城市道路 智能化、聯網化程度快速提升，自動駕駛運行區域有望快速擴大乃至覆蓋各大城市的 主要交通路段。

車路協同彌補單車智能短板，加速推動智駕落地。無論是以特斯拉為代表的純視 覺感知路線，還是以攝像頭、激光雷達、毫米波雷達相配合的融合感知路線，目前仍 存在態勢感知能力、全局信息採集能力相對有限等不足。V2X 則能實現有效彌補：1） 車輛與車輛（V2V），車輛之間共享速度、位置和方向，保持合理車距；2）車輛與道 路基礎設施（V2I），預先了解前方道路限速、路況和信號燈狀態，提高通信效率；3） 車輛與人（V2P），防止行人與車輛發生碰撞；4）車輛與互聯網（V2N），實現更加穩 定的網絡鏈接和充裕的帶寬，為遠程接管、實時數據傳遞提供支持。

V2X 設備從部署方向來看，可以分為車端、路側、雲端。 路側設備：主要包括 1）RSU（智能路側終端），低延時通信設備，負責信號和 數據的收發、調製解調、編碼解碼；2）MEC（邊緣計算終端），一臺搭載高性能服務 器 cpu 和 AI 加速卡的計算設備，用於對傳感器數據進行分析，實現交通事件識別、 道路運行效率評價、信號控制優化、數字李生展示等功能；3）毫米波雷達等傳感器， 用於感知車流軌跡、交通事件等。 車載設備：主要包括 1）OBU（智能車載終端），與 RSU 發送車輛位置速度數 據，具備動態預警和交互信息實時顯示和語音預警功能；2）智能網聯汽車數據記錄 終端，採集、記錄、分析車輛狀態，用於事件回溯、軌跡回放。

技術層面，ETC 和 V2X 分別採用長距離 RFID 射頻識別和蜂窩網通信技術作為 技術底座，這直接導致了兩者車載硬件體積、通信距離、信息傳輸密度的差異。面對 智能網聯發展趨勢，ETC 難以承載更大的數據傳輸體量，實現複雜的應用落地，而 V2X 則能更好地服務當前車載通信需求。 市場層面，據佐思汽研數據庫統計，2023 年乘用車 C-V2X（蜂窩車聯網技術） 前裝率約 1.2%，前裝規模超過 27 萬輛，預計 2026-2027 年迎來規模裝車期，樂觀 情境下前裝率有望到達 9%。中長期看，C-V2X 設備有望集成到 T-BOX（車聯網智能 終端）中，前裝率有望進一步提升。此外，隨着路側 V2X 設備的上量，車主為提升 駕駛體驗而為車輛加裝 C-V2X 設備，由此打開后裝市場。 上游芯片供貨商層面，目前參與者相對較少，國外有高通、Autotalks 等，國內 有中興通訊、華為、宸芯科技等。以高通為例，旗下目前有三套 C-V2X 芯片平臺： 9150 芯片組、9250 芯片組、2150 芯片組，此外其他部分平臺也可選擇外掛 V2X 功 能。

雲端：通過數據儲存與分析賦能各類交通應用。雲控平臺包含「1」個雲控基礎 平臺和「N」個雲控應用。雲控基礎平臺由邊緣雲、區域雲、中心雲三級組成，均採 用標準化接口、領域標準件和一體化底座結構。雲控平臺通過採集、儲存、分析交通 數據，支持雲控應用發揮效能，包括網聯汽車賦能類、交通管理與控制類、交通數據 賦能等三大類。

從數據流轉的角度來看，以雲控平臺為核心，城市多源數據支撐平臺為其提供地 圖、定位、氣象、交管、應急救援等重要數據，同時雲控平臺也會反向提供車路實時 動態信息，為其他智慧城市系統模塊提供支持。路側和邊緣基礎設施則向雲控平臺提 供實時的動態交通感知數據，並從雲端獲取交通決策和控制命令。與此同時，車輛和 其他交通參與者在車載網聯終端的支持下，也能向邊緣雲和路側通信終端提供實時運 行和感知數據，形成完整的數據流轉鏈路。

我國車聯網基建規模領跑全球。中國信息通信研究院數據，截至 2023 年 10 月， 我國 5G 基站累計達到 321.5 萬個，全國車聯網路側通信單元超 8500 套，相比上一 年同期增加超 2000 套。G2 京滬高速（「車聯網 1 號高速」）累計完成 710 公里網聯 化改造。 海外方面，中國信通院數據顯示：2023 年 10 月，美國交通部發布加速車聯網部 署計劃草案和 4000 萬美元投資公告，計劃在 10 年內實現高速公路車聯網應用全覆 蓋，75 個城市 80%的信號燈路口聯網，全國 75%的路口部署 C-V2X 設備，50 個州 實現車與車、車與路互聯互通。

1.4 智能網聯汽車產業重要發展節點——城市 NOA 量產技術成熟

作為 L2 向 L3 智駕過渡的重要節點，城市 NOA 滲透率正在快速上升。由於相 比高速 NOA，城市 NOA 需要計算更為複雜的路況、行人、低速車輛等高難度情況， 算法和硬件要求更高，目前部署數量較少，且適配城市數量也相對有限。但反過來看， 城市 NOA 適應的場景廣度、日常使用頻次、技術難度均更高，是各大主機廠邁向 L3 量產乘用車的重要技術節點。根據佐思汽研的數據統計，2023 年 1-9 月，國內乘用 車高速NOA的滲透率為6.7%，同比增加2.5個百分點；城市NOA的滲透率為4.8%， 同比增加約 2 個百分點。

輕地圖、重感知路線成為主流，城市覆蓋數量快速攀升。2023 年，特斯拉 FSD 在美國落地成功，同年小鵬、阿維塔、理想、蔚來紛紛開啟國內大中城市的 NOA 方 案落地，並在年底前實現了城市覆蓋數量的快速提升。從搭載車型來看，主要為各家 中高端及旗艦車型，部分下放至全系。相比此前依賴高精地圖的智駕方案，各大主機 廠的城市 NOA 紛紛選擇無圖或者低精度地圖路線，顯著降低了地圖授權成本。與此 同時，通勤 NOA（記憶行車）方案也開始落地，通過同一路線的反覆學習，提高 AI 代駕對高頻駕駛場景的操控準確度。

城市 NOA 量產技術已經較為成熟，為 L3 及 L4 奠定堅實基礎。百度 Apollo 官 網顯示，其領航輔助駕駛系統已經能夠實現高速、城市快速路、城市、停車場全場景 點到點的全域駕駛，具備識別異形紅綠燈，環島路口、非結構化道路等，靈活的駕駛 策略可從容面對路口博弈、匯入匯出、行人禮讓等場景，將用户從複雜的駕駛任務中 解放，讓出行變得高效舒適。在安全性方面，Apollo 城市領航輔助駕駛繼承百度 L4 技術，算法經過 5000+萬公里專業路測驗證，採用純視覺和激光雷達兩套系統獨立運 作，具備安全冗余特性。未來，隨着法規制定與試點工作的推進，城市 NOA 方案積 累的行駛數據和開發經驗，將為 L3 自動駕駛的商業落地奠定堅實的基礎。

本章小結： 國家政策加速智能駕駛標準指定和試點工作快速推進，持續深化對於智能網聯 汽車的軟硬件標準、安全準則、運營資質等方面的要求。從實際效果來看，V2X 基礎 設施建設與高級別自動駕駛車輛的試點和標準建立正在快速推進，路測里程快速增長， 示範牌照不斷發放。高級別自動駕駛車輛上路通行標準已經明確，商業化運行即將拉 開帷幕。 智駕技術進入關鍵節點，L3 高階智駕即將拉開帷幕。越來越多智駕方案提供商 宣佈有能力提供高階智駕技術，並下放技術給各大主機廠進行量產。尤其在 Robotaxi 領域，一些智駕方案提供商已經宣佈 L4 技術的實現，例如 MOMENTA、Apollo、小 馬智行等。當然，目前國內中高端量產型乘用車的智駕水平主要還處在 L2 階段，較 為先進的城市 NOA 已經陸續上量。2023 年，特斯拉 FSD 在美國落地成功，同年小 鵬、阿維塔、理想、蔚來紛紛開啟國內大中城市的 NOA 方案落地，並在年底前實現 了城市覆蓋數量的快速提升。城市 NOA 方案積累的行駛數據和開發經驗，將為 L3 自 動駕駛的商業落地奠定堅實的基礎。 車路協同彌補單車智能短板，加速推動智駕落地。路側和邊緣基礎設施向雲控平 台提供實時的動態交通感知數據，並從雲端獲取交通決策和控制命令，有效彌補單車 智能目前存在的態勢感知能力、全局信息採集能力相對有限等不足。實際落地層面， 中國信通院數據，截至 2023 年 10 月，我國 5G 基站累計達到 321.5 萬個，全國車 聯網路側通信單元超 8500 套，相比上一年同期增加超 2000 套。G2 京滬高速（「車 聯網 1 號高速」）累計完成 710 公里網聯化改造。隨着各地區區域政策和建設規劃的 紛紛落地，未來車路協同基建規模有望快速增長。

二、Robotaxi 強視覺方案有望成為主流，技術臨界點或已 臨近

2.1 強視覺方案優勢明顯，有望成為主流發展方向

激光雷達和多類型傳感器帶來融合壓力，適配工作量大、性價比較低。 前融合算法（數據層面的融合）是指在數據集的特徵提取和分類階段，先將不同 的特徵提取算法和分類算法進行融合，以便獲得更好的數據分析結果，即各類傳感器 數據先融合再分析； 后融合算法（結果層面的融合）則是指在特徵提取和分類階段之后，再將多個分 類器進行融合，以便獲得更好的分類結果，即各類傳感器數據先分別完成分析，再融 合到一起做判斷。 但無論是前融合，還是后融合算法，其本身由於需要對多種數據類型進行識別、 融合，需要大量的算法和適配工作量。此外，激光雷達的有無在多數場景下的感知並 不強烈，相較於高昂的成本顯得性價比不足。

通過視差原理，視覺方案也能夠做到空間感知。以卓馭推出的 10V 高算力方案 為例，其慣導雙目傳感器不僅能準確識別常見物體，還能通過視差原理實現三維空間 的測距、獲得物體的 3D 位置信息，支持任意類型障礙物的檢測，在安全和可靠性上 的優勢突出。與此同時，相比激光雷達回傳數據的單一性，攝像頭可以識別文字（路 標）、顏色（車道線）、平面圖形等，這些信息對於交通場景起着重要作用。 點雲掃描能力並非雷達專屬。慣導雙目傳感器通過基於雙目的路面預瞄系統，可 利用稠密的雙目點雲計算地面局部凸起/凹陷，支持車輛自適應調節主動懸掛，實現 顛簸路面車身穩定的效果。此外，通過融合雙目視覺、慣性里程計的緊耦合位姿估計 技術，支持全場景魯棒的高精局部定位，支持行車、跨層泊車、有/無 GNSS 等全場 景應用。

減少激光雷達或能節約更多算力，並縮短車型開發周期。爲了使激光雷達掃描結 果更加豐富和精準，高線束、高分辨率成為各大廠商的發力方向，且多傳感器融合又 需要消耗額外的算力，這意味着加裝激光雷達需要額外消耗一定規模的推理算力，也 意味着成本側同時需要增加激光雷達模組和更高算力芯片帶來的雙重壓力。此外，對 於主機廠而言，減少一個傳感器序列能有效降低算法開發、適配、驗證成本和對應的 耗時。 千元級智駕方案，純視覺實現城區領航駕駛。對比卓馭的 10V 高算力智駕方案 和較為高端的激目高算力方案（含一組激光雷達）可以看出，兩者能夠實現的智駕功 能基本一致，都包括主動安全、泊車輔助、記憶泊車、跨層記憶泊車、行車輔助、高 速領航、城市記憶領航、城市領航，但前者則只需要較低的成本就做到比肩中高端方 案的功能實現。

典型視覺方案落地案例：百度 Apollo Lite 實現 L4 級純視覺城市道路自動駕駛解 決方案，致力於不斷減少對激光雷達的依賴，提供輕傳感器、輕算力、高性能的方案。

高精地圖成本不可忽視，行業標準尚未統一。對於高精地圖而言，其收費模式不 同於原有電子地圖的 License 授權模式，而是採用 Licenses 授權費+服務費相結合的 收費模式，額外再按照后續更新的數據量進行收費。根據國家智能網聯汽車創新中心 數據顯示，目前 License 授權費約為 1000 元/車，年度訂閲服務費約為 150 元/車/年。 對於高精地圖供應商來説，由於地理環境和城市道路設施不可避免的變化和改動，需 要長期進行數據採集和維護，成本端可壓縮空間有限。 與此同時，由於高精地圖採集往往涉及大量地理測繪和個人位置數據，其中可能 會包括敏感信息，因此測繪工作面臨嚴格監管和較高的行業門檻。目前具備甲級導航 電子地圖製作資質的單位主要包括各類圖商、大型互聯網/科技企業子公司、主機廠 子公司等主體，尚未出現統一的行業標準和通用規則。正因如此，主機廠一旦和高精 度地圖深度綁定，很難快速更換適配別的供應商方案，繼而形成一筆難以壓縮的成本 項目。 相比 Robotaxi 廠商，主機廠更有動力降低對於高精地圖的依賴。由於高精地圖 本身依賴長期持續的測繪和數據更新，在有限成本下通常只能覆蓋核心城市和高頻使 用地區。對於 Robotaxi 廠商而言，其服務範圍可以限定在重點城市的核心地區，覆 蓋高頻打車出行的城市人羣，短期內下沉市場可以暫時性擱置。但對於乘用車主機廠 而言，城市 NOA 的覆蓋廣度直接影響了下沉市場的購買意願，因此如果過度依賴高 精地圖，二三線城市及其他地區或面臨更高的地圖成本，或面臨智駕未覆蓋帶來的消費需求下降。

2.2 Robotaxi 或為高階智駕優先落地場景，出行服務業態或處在變革前夕

通過劃分 Robotaxi 所屬權，可以分為三種運營模式。聚合型平臺模式，類似當 下百度地圖、高德地圖的運營方式，作為需求端入口，連接多方運力和車輛資源，充 當調度者和流量分發者的角色；混合型平臺模式：自有運力+外部運力資源，既充當 流量分發渠道，又負責對自有 Robotaxi 的運營；自運營模式：目前蘿卜快跑採用的 模式，藉助自有的車輛、運營團隊提供 Robotaxi 服務。短期內，由於 Robotaxi 仍需 要密切的遠程監管，且試點區域和投放數量仍較為有限，自運營模式是主流方案。

Robotaxi 是目前高階智駕方案落地的最佳場景之一。雖然智駕方案提供商已宣 布其技術達到 L4 級別，但實際上目前量產車仍以搭載 L2 或 L2+輔助駕駛方案為主 流，主要原因包括：1）權責劃分；2）標準和法規有待明確；3）出錯場景下的遠程 託管問題。而集中化遠程監管、自有團隊維護保養、標準化操作流程的 Robotaxi 則 恰好能解決以上痛點。隨着 Robotaxi 運營里程不斷增加，技術逐漸成熟后，L3/L4 解 決方案或將全面向量產乘用車滲透。 智駕方案提供商兼顧量產車型落地和高階智駕技術研發。我們發現，目前各大智 駕方案供應商紛紛採取「高階智駕方案+乘用車量產方案」、「高階智駕+乘用車量產方 案+Robotaxi 運營」的策略來平衡研發開支和商業盈利，典型廠商包括 Apollo、 Momenta、小馬智行等。

商業盈利能力方面，蘿卜快跑頤馳 06 單車價格已經壓縮到 20.46 萬元，其前代 Apollo Moon 成本則為 48 萬元。即便是成本顯著壓縮之后，頤馳 06 仍在架構、計 算、轉向、制動、通訊、電源、傳感器等多個方面進行了冗余設計，以確保行駛的安 全性。隨着技術進步和配套零部件大規模量產，成本側仍有優化的余地。此外值得注 意的是，由於 Robotaxi 減少了人工駕駛空間，增加乘客實際可用空間，理論上具備 更大的運力和車載設備定製能力。這意味着，一方面，拼車模式下 Robotaxi 能同時 服務更多用户，提高經濟性。另一方面，車載冰箱、互動大屏、按摩座椅、可翻折小 桌板等定製化組件的安裝成為可能，各大服務商或能根據需求為乘客提供更高單價的 增值服務。

基於以下假設，我們可以對 Robotaxi 商業運營進行收入成本測算： 1. 根據蘿卜快跑給出的「頤馳 06」單車價格為 20.46 萬元，我們假設單車價 格為 20.5 萬元； 2. 考慮到自動駕駛技術仍處在快速迭代期，其車型更新換代時間仍相比新能 源汽車常規使用年限要短一些，假設可以運營 6 年左右； 3. 由於搭載更多傳感器，故障率要稍高於普通汽車，因此故障維護費用也相應 較高； 4. 短期內安全員遠程監管仍是確保車型穩定運行的必要條件，但隨着技術進 步，單位里程內需要人為干預的概率逐漸下降，一名安全員可同時監管的車 輛數量增加，攤薄平均成本。我們假設，一名雲艙安全員可管理 3 臺車； 5. 和傳統出租車一致，Robotaxi 存在空置行駛時間，有效運營時間佔比受平 台調度能力、車輛故障率等因素影響，根據《基於 FCD 的出租車運營特徵 分析-以上海市為例（呂振華等.華東師範大學學報）》一文顯示，上海市出租 車日均載客里程比率約為 60%，日平均行駛里程約為 400 公里； 6. 單位里程價格在商業推廣初期可能相對較低，但在商業模式成熟之后，其價 格在保持對人工駕駛出租車相對優勢的前提下，運營商會提高價格確保盈 利能力。 7. 隨着純視覺方案、端到端模型的成熟，自動駕駛對於激光雷達和其他感知元 件的依賴將有所下降，單車製造、故障維護成本有望進一步下降。 8. 充電樁成本包括充電樁本身的建設運維成本，也包括專員負責將車安排至 指定位置並插拔充電模塊的人工成本。

我們也可以試着簡化模型：Robotaxi 商業模式可以約等於傳統網約車剔除駕駛 員成本后，再加上遠程監控和智駕方案成本。因此，從投資回報的角度上看，如果車 載智能駕駛方案足夠成熟，換言之需要接管的概率足夠小、車載軟硬件成本足夠低， 則該商業模式將擁有相比目前網約車、傳統出租車更強的經濟性和競爭力。且由於技 術進步的棘輪效應，隨着智駕技術持續迭代，未來其競爭優勢有望不斷增強。如祺出 行在公告中給出的預測，Robotaxi 的每公里成本有望逐年下探，並在 2026 年后形成 對載人出租車/網約車的相對優勢，且將持續擴大。

2.3 Robotaxi 運營有望在三年內初具規模，帶動產業發生變革

商業化初期，以一二線城市指定試運營區域為主。目前 Robotaxi 產業由於正處 在商業化 1.0 階段，城市覆蓋率仍比較有限，在更加長遠的中長期維度上，隨着各大 一二線城市逐步推廣，Robotaxi 可能會帶來以下影響：1）有效降低出行成本，服務 高度標準化；2）規範化的駕駛和嚴格的安全規則，有利於道路安全，減少事故發生； 3）運力調度算法更加智能統一，減少司機人為因素對於通行效率、行駛安全的影響； 4）促進城市道路通信互聯能力、調度統籌能力的進一步強化。

Robotaxi 三年內交易額有望發生量級變化，成熟期市佔率或將快速上升。根據 如祺出行公告給出的測算，預計 2024/2025/2026 年 Robotaxi 商業交易額為 3/6/15 億元，而 2027/2028 年則預計快速提升至 221/1042 億元，反映出 2027 年技術端有 望進入成熟期，商業推廣快速鋪開后帶來的交易規模量級變化。

本章小結： 強視覺方案優勢明顯，有望成為主流發展方向，無論是前融合、后融合，還是全 融合算法，其本身由於需要對多種數據類型（激光雷達、毫米波雷達、攝像頭）進行 識別、融合，需要大量的算法和適配工作。在目前的技術能力下，通過視差原理，視 覺方案也能夠做到空間感知。例如百度 Apollo Lite 的 L4 級純視覺城市道路自動駕駛 解決方案，就減少了對激光雷達的依賴，提供輕傳感器、輕算力、高性能的方案。 Robotaxi 或為高階智駕最佳場景，出行服務業態或處在變革前夕。雖然智駕方 案方案提供商已宣佈其技術達到 L4 級別，但實際上目前量產車仍以搭載 L2 或 L2+ 輔助駕駛方案為主流，主要原因包括：1）權責劃分；2）標準和法規有待明確；3） 出錯場景下的遠程託管問題。而集中化遠程監管、專門團隊成規模維護保養、標準化 操作流程的 Robotaxi 則恰好能解決以上痛點。 商業盈利能力方面，蘿卜快跑頤馳 06 單車價格已經壓縮到 20.46 萬元，其前代 Apollo Moon 成本則為 48 萬元。即便是成本顯著壓縮之后，頤馳 06 仍在架構、計 算、轉向、制動、通訊、電源、傳感器等多個方面進行了冗余設計，以確保行駛的安 全性，未來仍有壓縮成本的空間。我們根據現有數據和合理假設對 Robotaxi 的商業 模式進行了測算，發現其盈利能力較為可觀。 Robotaxi 三年內交易額有望發生量級變化，成熟期市佔率或將快速上升。根據 如祺出行公告給出的測算，預計 2024/2025/2026 年 Robotaxi 商業交易額為 3/6/15 億元，而 2027/2028 年則預計快速提升至 221/1042 億元，反映了 2027 年技術端有 望進入成熟期，商業推廣快速鋪開后帶來的交易規模量級變化。

三、智駕技術迭代帶來的車載硬件及配套基建增量

3.1 高階智駕和 Robotaxi 推動下，車載感知硬件有望顯著增加

硬件配置層面，由低到高逐漸增加傳感器數量。以百度 Apollo 智駕方案為例， 其智能泊車/高速領航/城市領航對應配置分別包含 5/9/11 個相機，12/17/22 個雷達。 與此同時，車載芯片算力要求也顯著增加，三種方案分別為 8TOPS、16/32TOPS、 508TOPS，其中城市領航的硬件規格為兩枚英偉達 Orin-x 芯片。這也從側面印證城 市 NOA 對於車載算力具備顯著更高的要求。

激光雷達為高階自動駕駛的安全裕度提供保障。激光雷達在惡劣天氣、苛刻光照、 感知距離上具備優勢，且識別算法較為簡單，在當前技術條件下能夠為視覺方案提供 有效的安全補充。隨着出貨量釋放，使用成本也在逐步下降。

Robotaxi 有望進一步打開激光雷達應用規模。第六代百度 Apollo 無人車頤馳 06 搭載 4 顆超高清遠距激光雷達（禾賽科技提供），其探測距離超過 200 米，並將 高清三維感知覆蓋到了 360°，助力無人駕駛車輛全方位規劃路線及安全避障，整車 成本相較於五代車直接下降 60%，據官方信息價格僅需 20.46 萬元。而在其他的 Robotaxi 車型中長距激光雷達和短距激光雷達數量也較為可觀。

小馬智行第六代 Robotaxi，採用了 7 個激光雷達。作為國內 Robotaxi 先行者 之一的小馬智行在 2022 年一月推出第六代 Robotaxi 車輛，搭載有 4 個車頂固態激 光雷達、3 個補盲激光雷達，提升車輛的安全冗余。

激光雷達滲透率持續上升。高工智能汽車研究院監測數據顯示，今年 1-7 月，中 國市場(不含進出口)乘用車前裝標配激光雷達交付超過 70 萬顆，同比增長 222.02%， 繼續保持高增速態勢。而隨着未來 Robotaxi 商業模式逐步成熟，由於單車搭載激光 雷達的數量較多，有望形成激光雷達市場需求的第二增長曲線。

激光雷達市場規模高速成長，國內廠商佔據重要生態位。根據 Yole Intelligence 預測數據，2023 年乘用車激光雷達安裝量達 76.2 萬台，是 2022 年的三倍多。而 在 2021 年，中國市場乘用車前裝標配搭載激光雷達數量不到 8000 顆。從市場規模 數據來看，2023 年全球 PC（乘用車）和 LCV（輕型商用車）激光雷達市場達到 4.14 億美元（前值 1.69 億美元，2022）。市場份額方面，2023 年禾賽科技、速騰聚創、 圖達通佔據前三，分別達到 26%、26%、25%。

展望未來，激光雷達市場規模有望保持快速增長態勢。一方面，由於當前純視覺 方案仍無法做到完全消除對於激光雷達的依賴，在較長的時間內，中高端量產車型或 仍將搭載激光雷達作為其安全裕度的保障。另一方面，隨着激光雷達+高精度地圖在 Robotaxi 領域的大規模落地，其可靠性有望得到市場的充分認可，並有望成為激光 雷達出貨量持續高增的動力之一。中商產業研究院數據，中國激光雷達市場規模有望 在 2024/2025/2026 分別達到 139.6/240.7/431.8 億元，同比增速維持在 70%以上。

3.2 車載 AI 算力需求增加，預埋高性能芯片適配 L3、L4 智駕

自動駕駛域控市場規模攀升，高算力方案快速放量。市場總體規模層面，國內自 動駕駛域控制器市場規模從 2020 年開始呈現快速成長，2023 年有望達到 167 億元， 且隨着智駕滲透率疊加中高端車型出貨量提升，該數值有望進一步放量。結構側看， 2023年，200TOPS以上的高算力智駕域控制器出貨量同比增長382.29%，達到50.32 萬輛，放量規模相比 20-200TOPS 的中等算力產品更加顯著。這説明高算力智駕域 控制器已經成為各大主機廠成本側傾斜的重要方向，他們紛紛採取算力預埋來應對高 階智駕對於算力的需求增長。

智駕芯片領域，特斯拉 FSD 和英偉達 Orin 佔比超過七成。從市場份額角度來 看，智駕域控芯片產業頭部集中度較高，特斯拉 FSD 佔據 37%居榜首，2023 年總 裝機量超過 120 萬片，英偉達 Orin 佔據 33.5%，主要由蔚來、理想兩家車企消化， 二者合計近百萬顆的裝機量（蓋世汽車數據）。國內廠商方面，地平線征程 3 和征程 5 合計佔據 8.2%，征程 5 現階段主要搭載於理想 7 和理想 L8 兩款車型；而征程 3 則 已先后應用於哪吒 GT、博越 L、領克 09 EM-P、榮威 RX5、騰勢 N7 等多款車型。

從車型搭載口徑來看，地平線和 Mobileye 則佔據更大份額。根據佐思汽研數據， 按照車型搭載數量統計，2023 年中國 L2.5 高階智駕 SoC 市場份額前五分別是地平 線、Mobileye、英偉達、華為和 TI，分別佔據 45%/21%18%/7%/5%。這一數據和芯 片裝機量出現表觀差異的主要原因是，各大芯片廠商定點車型數量和商業策略存在不 同，例如特斯拉 FSD 芯片主要用在自有的幾款車型上，導致其搭載車型有限，但出 貨量卻較為可觀。

高階智駕進一步強化 AI 性能要求，各大廠商紛紛加大芯片算力規格。作為高階 智駕落地的硬件層核心指標，AI算力已經成為各大主機廠硬件性能的關鍵衡量指標。 目前出貨量較為集中的英偉達 Orin 芯片擁有 254TOPS（Int8），顯著高於同時期競 爭對手。相比之下，Mobileye 芯片由於封閉性和 AI 算力規模相對有限，在市場份額 中表現較為弱勢。從目前披露的下一代方案來看，各大芯片設計商均採取了加碼 AI 算力規格的策略，以英偉達為例，Thor-X 芯片算力將觸及 1000TOPS。

以百度 Apollo 智駕為例，L4 級自動駕駛技術實現基於先進的傳感器+數據+算 力。從泊車域到行車域，Apollo 智駕產品實現了面向城市複雜道路、高速/城市快速 路以及停車場的端到端全場景自動駕駛量產解決方案。從技術路線來看，該方案屬於 視覺方案為核心，雷達感知輔助的低成本量產型，採用兩枚 Orin-X，算力合計 508 TOPS。路測數據方面，目前已完成 2100 萬公里真實道路測試，5 億公里仿真測試。 地圖數據方面，藉助自主研發高質量百度高精地圖，Apollo 實現了全中國 30 萬公里 高速公路和超過 50 個城市的 1-7 級道路的覆蓋。

藉助既有生態優勢，英偉達牢築護城河。類似顯卡領域的公版方案，英偉達在智 駕領域為下游研發實力較弱的客户提供快速落地的解決方案。其存量客户和成規模的 落地項目也反過來幫助英偉達開發平臺積累了大量適配各類傳感器、地圖、算法的經 驗和案例。對於 Robotaxi 以及各大主機廠而言，硬件平臺的統一，換言之長期採用 唯一硬件供應商和對應生態的產品，有利於在軟件和系統迭代升級時減少適配工作量。 英偉達方案或在 Robotaxi 市場成長階段保持優勢。從目前 Robotaxi 的算力配 置和芯片硬件方案來看，其算力大多采用冗余設計，性能裕度顯著高於目前主流乘用 車智駕硬件。由於 Robtaxi 市場尚處在起步階段，各大廠商有意願降低其試錯成本， 因此英偉達 Orin 方案憑藉其單芯片算力性能、多芯片協同工作效能的優勢，佔據各 大廠商選型重要份額。此外，由於算法環境的延續性和生態依賴性，英偉達或可憑藉 其下一代 Thor 系列芯片的高 AI 算力（約為 Orin 的四倍）進一步鞏固市場份額。 作為雲端訓練和端側推理全棧提供商，英偉達優勢顯著。從構建模型到虛擬測試 和 Ai 訓練，再到實際交通場景實時推理，英偉達提供了整套硬件及開發驗證平臺。 從訓練卡及算力集羣的市佔率角度來看，英偉達作為長期位居該領域的主導者，已經 建立起了深厚的生態壁壘。各大主機廠在尋求可長期迭代的旗艦級別智駕方案時，英 偉達是主流選項之一。其 Thor 芯片憑藉先進的工藝製程實現了可觀的算力性能提升， 並能夠進行多域計算，將自動駕駛、車載信息娛樂等功能劃分爲不同的任務區間，同 時運行，互不干擾，取代以往數十個電子控制單元。

從目前已經量產的高級別智駕方案來看，雙 Orin 液冷模組在性能、成熟度、安 全性方面都具備優勢。性能方面，雙Orin總算力達到了508 TOPS（單片254 TOPS）， 高於 Mobileye 旗下 EyeQ Ultra 的 176 TOPS，高於地平線征程 5 的 128 TOPS。成 熟度和安全性方面，Orin 芯片 2023 年市場份額達到 33.5%，僅次於特斯拉 FSD， 裝機量達 110 萬片，充分的道路駕駛數據和落地實測幫助開發者不斷優化其算法和 安全規則。液冷方案也從硬件散熱角度確保了芯片長期高負載運行的温控能力，防止 高温降頻甚至宕機的情況出現。此外，英偉達 DRIVE OS 軟件棧能為安全關鍵型應 用程序提供安全可靠的執行環境，並提供安全啟動、安全服務、防火牆和無線 (OTA) 更新等服務，奠定了良好的開發環境和工具基礎。 以小馬智行為例，其「方載」自動駕駛域控制器的高配方案就採用了 Nvidia Drive Orin 硬件，細分產品覆蓋單枚 Orin、雙 Orin，散熱選型包括風冷和液冷。

「車企自研+代工」模式下，第三方供應商受益於行業β。目前智駕域控生產模 式主要包括 1）整車委託代工，代工廠負責製造；2）Tier1 採用白盒或灰盒模式，提 供硬件生產、中間層、芯片等方案，主機廠開發軟件。2023 年度，白盒模式代表企 業德賽西威表現亮眼，佔據 25%的智駕域控裝機量份額。 白盒模式：主機廠自研應用算法、軟件等，Tier 1 提供硬件及相關服務，例如德 賽西威+小鵬+英偉達； 灰盒模式：Tier1 可向主機廠提供域控等硬件，以及軟件的定製開發等，主機廠 可指定所有 logo 標識； 黑盒模式：傳統合作模式，由 Tier 1 提供硬件和軟件。 隨着 Robotaxi 及高階智駕的發展，高端智駕域控市場規模有望持續擴張，未來 Tier1 及其他代工商有望從中獲益。

3.3 算法迭代帶來訓練參數量激增，各大廠商加碼雲端算力基建

爲了實現更高的智駕效果，各大廠商致力於算法的迭代，而算法架構的更迭，對 於訓練側算力規模提出了更高的要求。以特斯拉為例，其技術路徑包含三個重要的迭 代節點： 算法迭代的關鍵節點（一）：BEV+Transformer。BEV（Bird’s Eye-View）算法 基於俯瞰角度收集到的 2D 圖像信息和感知數據，加工整合成全局、無死角的 3D 空 間視圖，用來直觀判斷車輛周圍空間的各類物體信息，重感知輕地圖，且加入了時序 信息，使得模型擁有「記憶」。Transformer 使用注意力機制聚合來自多視點攝像機的 時空特徵和歷史 BEV 特徵，同時也意味着更多的算力消耗。

算法迭代的關鍵節點（二）：佔據網絡。2022 年特斯拉算法加入佔據網絡，進一 步強化了 BEV+Transformer 對空間物體的 3D 結構識別，是特斯拉實現純視覺方案 的關鍵一步。佔據網絡技術將物理世界劃分成一系列的網格單元，通過計算分析採集 到的數據、軌跡信息，嘗試定義哪些網格被佔據，哪些網格是空置的，將 2D 柵格轉 化為 3D 柵格，使得智駕系統不再依賴於激光雷達提供的空間信息。

算法迭代的關鍵節點（三）：端到端方案（在 FSD V12 版本實現落地）。在這一 節點，特斯拉改變了傳統規則驅動的技術方向，轉而採用大模型和數據驅動。端到端 技術的核心是把傳感器原始數據直接輸入到一個整合的神經網絡中，再由該模型直接 給出駕駛命令，控制轉向幅度、油門或制動。由此開始，智駕模型不再需要人工設計 的複雜規則，不再是模塊化的複雜架構。與此同時，端到端對於訓練集羣的規模和互 聯性能提出了更高的要求，為確保模型訓練的精度和可靠性，特斯拉加大了其算力投 入和自研芯片的步伐。

從原理出發，端到端方案的優勢和現有不足都較為明顯。 傳統的模塊化設計包括感知、決策規劃、執行控制三大模塊，感知模塊需要通過 時空同步和特徵融合進行，決策規劃模塊則依賴於大量的算法和規則，指揮執行控制 模塊做出對應油門、剎車、轉向動作。在多傳感器興起后，前融合算法成爲了 L2-L3 智駕方案的主流架構。這樣的架構優勢在於可解釋性、可驗證性和易調試性，能夠快 速定位到算法的問題所在，找出原因並加以完善。缺點則在於信息在融合和不同模塊 的流轉中出現損耗，複雜規則的構建也會耗費大量人力和維護成本。

端到端方案則直接由數據進行驅動，從原始傳感器數據輸入直接到控制指令輸出 的連續學習與決策過程由統一的神經網絡完成，優點是能夠保證無損的信息傳遞，不需要人為設計的複雜模塊和大量代碼，隨着海量行駛數據的注入和訓練，端到端模型 會逐漸學習和成長，具備理論上可觀的遠期潛力，以及學習能力的泛化性。目前最大 的不足在於其黑盒屬性，由於模型訓練的難以觀測和一體化結構，出現問題很難進行 邏輯上的溯源和解釋，此外，規模龐大的參數也使得訓練的算力成本很難壓縮。

國內方面，商湯絕影智能駕駛方案也採用了端到端自動駕駛技術。2022 年底， 商湯科技及其聯合實驗室提出行業首個感知決策一體自動駕駛通用模型 UniAD，並 榮獲 2023 年國際計算機視覺與模式識別會議(CVPR)最佳論文。爲了增強端到端自 動駕駛方案可解釋性和交互能力，依託多模態大模型強大的常識理解能力，商湯絕影 已研發出新一代自動駕駛大模型 DriveAGI，是目前最貼近人類思維模式、最能理解 人類意圖並有最強的解決駕駛困難場景能力的下一代自動駕駛技術。其他國內主要參 與者目前仍以模塊化的大模型為主，並輔以激光雷達和高精地圖來實現自動駕駛，同 時也積極探索端到端方案的落地應用。

特斯拉加碼 AI 訓練集羣，在手算力規模出現躍升。佐思汽研數據，2024 年底， 特斯拉 AI 訓練能力將提升至約 9-10 萬個 H100 等效算力（對應 90-100E FLOPS） 2024 年 7 月雲端算力為 35E FLOPS。

國內主機廠紛紛自建或合作建立智算中心。儘管建設智算中心周期長、投資額高， 但對於車企而言，隨着端到端方案逐步成為研發重點，其龐大的參數規模和算力消耗 帶來的技術和資金投入挑戰或將難以迴避。而各家算法要在快速迭代的競爭環境中脱 穎而出，專用算力平臺的響應能力要優於通過租賃形式獲取的算力資源，因此主機廠 或智駕方案提供商有望進一步擴大他們的算力建設投資規模。 擁有更大規模在手算力或將幫助主機廠在端到端方案競爭中脫穎而出。類似大 語言模型對於參數規模的倚重，端到端方案的參數規模也相較於前代有着較為顯著的 增加，這意味着想要縮短模型訓練周期，增大參數量、數據規模，則需要充足的算力 供給。因此，儲備有較為可觀的算力池或可幫助主機廠維持技術方案的快速迭代。另 外，擁有 AI 算力硬件設計生產能力，長期深耕 AI 領域的第三方智駕方案提供商也有 望充分受益於上述變化，例如華為、百度等。

3.4 車路雲及 Robotaxi 相關產業市場規模增量前瞻

車路雲一體化為 Robotaxi 奠定基礎，未來產業鏈增量可期。Robotaxi 產業鏈從 關鍵技術的維度可以分為：上游工具技術層、中游功能技術層、下游應用技術層。其 中統一的雲平臺、高精地圖、V2X 等上游技術工具需要車路雲一體化建設的支持。我 們認為，Robotaxi 對於道路信息化基建的需求有望推動各地區加快其建設步伐，帶 動設備部署、地圖測繪、雲控平臺、汽車零部件等全產業鏈加速發展。

國家智能網聯汽車創新中心對車路雲一體化帶來的產業增量進行了預測，結果顯 示細分領域產業有望實現快速增長。 在中性預期情景下，單車智能、智能座艙、應用軟件、車載通信單元、整車終端 產品、創新應用服務六個領域進行測算，總量上看，預計 2025 年智能網聯汽車產值 增量為 6451 億元，2030 年智能網聯汽車產值增量為 20266 億元，年均複合增速為 25.73%。 細分來看，單車智能包括感知層、決策層、執行層等硬件，預計合計由 2078 億 元（2025 年）增長至 4046 億元（2030 年），其中毫米波雷達有望成為增長較為顯著 的賽道之一，並預計 2030 年 4D 毫米波雷達會對激光雷達形成一定的有效替代。執 行層方面，目前底盤域控制器受制於零部件的協同性較差，設計難度較高，因此假設 其將在 2025 年左右實現小規模量產，或以集成至中央域控制器的形式出現，到 2030 年相關產品有望實現規模化量產。 創新應用服務增長或將最為顯著。自動駕駛出租車（Robotaxi）、自動駕駛公交 車（Robobus）、末端配送、物流配送、港口運輸、干線物流等眾多下游應用場景正 不斷涌現，並形成規模化發展趨勢。預計 2025 年，Robotaxi 等 8 個創新應用服務市 場將創造 525 億元的產值增量，2030 年將創造 7459 億元的產值增量，5 年間 CAGR 為 70%。其中 Robotaxi 預計在 2030 年達到 756 億元商業化服務產值增量，成為城市居民日常出行的可選交通方式之一。 無人干線物流和城市物流配送商業前景也較樂觀。受益於「最后三公里」龐大的 配送業務量，以及干線物流可觀的經濟效益，預測 2030 年干線物流重卡保有量將達 到 627 萬輛，無人干線物流滲透率達到 10%，一輛無人重卡可實現 45 萬元的經濟 效益，2030 年我國干線物流運輸產值增量有望為 2822 億元。與此同時，城市物流配 送產值增量有望在 2030 年達到 1416 億元。

本章小結： 高階智駕和 Robotaxi 推動下，激光雷達等車載感知硬件有望顯著增加。激光雷 達是目前 Robotaxi 實現加速落地和安全裕度的重要硬件，例如第六代百度 Apollo 無 人車頤馳 06 就搭載 4 顆超高清遠距激光雷達，小馬智行第六代 Robotaxi 採用了 7 個激光雷達。其他國內外 Robotaxi 方案也採用了數量可觀的長距激光雷達和短距激 光雷達。 自動駕駛域控市場規模攀升，高算力方案快速放量。市場總體規模層面，國內自 動駕駛域控制器市場規模從 2020 年開始呈現快速成長。作為高階智駕落地的硬件層 核心指標，AI 算力已經成為各大主機廠硬件性能的關鍵衡量指標。目前出貨量較為 集中的英偉達 Orin 芯片擁有 254TOPS（Int8），顯著高於同時期競爭對手。藉助這一 東風，智駕域控供應商有望深度獲益。2023 年度，白盒模式代表企業德賽西威表現 亮眼，佔據 25%的智駕域控裝機量份額。 算法迭代帶來訓練參數量激增，各大廠商加碼雲端算力基建。隨着特斯拉端到端 方案的推出，對於訓練集羣的規模和互聯性能提出了更高的要求，為確保模型訓練的 精度和可靠性，特斯拉加大了其算力投入和自研芯片的步伐。以 H100 等效算力為計 算口徑，特斯拉在手算力池規模從 2023 年底的約 15000 片躍升至 2024 年年中的35000 片，並且給出了 2024 年底提升至約 90000 片的高額預期。國內各大主機廠和 智駕方案提供商也在着手建立自己的智算中心以應對智駕系統日益增加的算力需求， 這有望為國產算力硬件的市場規模再添增長動力。

四、重點公司分析

4.1 車聯網產業鏈結構梳理

V2X 通信芯片及模組供應商，包括國內的華為、中興、宸芯科技等，以及海外的 高通、Autotalks 等企業。作為終端設備的基礎，他們負責為下游提供芯片、模組，以 及配套開發工具的支持。 路側、車側終端設備商，包括千方科技、萬集科技、金溢科技、海康威視等，負 責提供搭載 V2X 芯片的完整終端設備，直接應用於對應的路側和車側場景，有些也 負責智慧交通項目的承接和建設。 地圖供應商，包括百度、四維圖新、易圖通等公司，致力於聚合車聯網上游數據， 提供路況、路網動態信息服務，是車聯網具體落地場景之一，也是智能駕駛目前的必 要輔助手段。 應用系統與智駕軟硬件提供商，車聯網面向車主的服務需要車載系統和自動駕駛 域控來最終體現其價值，這一環節需要做到軟硬件的高度適配和對車聯網信息的深度 分析與應用。目前智駕方案提供者包括：百度 Apollo、華為、Momenta 等；硬件供 應商包括：德賽西威、中科創達等。 整車製造環節，各大主機廠負責獨立研發或整合供應鏈，為終端客户提供車輛裝 配銷售、升級維護、售后維保等服務。 此外，眾多的其他零部件供應商也扮演着不可或缺的角色，包括激光雷達、毫米 波雷達、攝像傳感器為代表的感知元器件供應商等。

4.2 中科創達：車路協同及智駕域控方案全棧供應商

作為全球領先的智能操作系統及端側智能產品和技術提供商，中科創達業務覆蓋 智能操作系統、邊緣計算、智能座艙、自動駕駛、車路雲一體化、工業視覺等多種領 域。 在智駕域控方面，中科創達與高通深度合作，打造艙駕融合解決方案。公司推出 的 RazorDCX Pantanal 方案，以高通 4nm Snapdragon Ride Flex 芯片為核心，實 現艙駕融合。智駕方面，可同時支持基礎配置 7V5R12USS 與高階配置 11V5R12USS 接入，實現記憶泊車、L2.9 級高速公路自動駕駛及 L3 級城區自動駕駛，並可拓展至 L4 級等封閉園區自動駕駛，此外還能通過算力拓展（單芯片算力可從 100Tops 拓展 至 400Tops）從而滿足車廠對於旗艦級算力的需求。

Snapdragon Ride Flex：同一硬件協同部署數字座艙、ADAS 和自動駕駛（AD） 功能。目前主流方案採用智駕域控制器和座艙域控制器分離的設計，而在未來，中央 計算電子電氣架構或將成為車載計算架構的新方向。高通Snapdragon Ride Flex SoC 致力於幫助汽車製造商和一級供應商實現統一的中央計算和軟件定義汽車架構，駕駛 員信息（包括抬頭顯示和儀表盤顯示）、ADAS、車載信息娛樂系統、網聯功能的實現 均在統一的硬件支持下完成。爲了實現最高等級的汽車安全，Snapdragon Ride Flex SoC 在硬件架構層面向特定 ADAS 功能實現隔離、免干擾和服務質量管控（QoS） 功能，並內建汽車安全完整性等級 D 級（ASIL-D）專用安全島。

車路協同、車路雲方面，中科創達有能力提供基礎數據底座。中科創達車路雲方 案通過路側感知設備和計算設備，結合雲控平臺實時提供高精度、低時延的道路交通 目標信息，並通過感知的交通基礎信息，服務於提升交通效率和保障交通安全等多種 應用場景，如信號燈動態配時、動態車道、區域交通優化、事故處置等場景。

4.3 德賽西威：汽車電子領軍企業，智能駕駛業務快速增長

公司三大業務板塊持續高增，其中智駕產品增長尤為突出。公司業務主要分為智 能座艙、智能駕駛、網聯服務三大板塊，其中智能座艙依託智能交互系統、智能顯示 硬件、智能域控硬件、智能計算解決方案來滿足面向未來的人機交互需求；智能駕駛 業務則致力於提供行業領先的智能駕駛整體解決方案，產品範圍涵蓋智能駕駛計算系 統，傳感器和算法等。網聯服務方面，產品涵蓋智能網聯生態系統、基礎軟件平臺、 智能進入、智能周邊產品、網絡安全、OTA 等。

智駕方案與造車新勢力深度合作，客户覆蓋與市場份額行業領先。隨着城市 NOA 為代表的高階智駕功能規模化商用，公司智能駕駛板塊收入逐年快速增長， 2021/2022/2023/2024H1 分別實現 14.05/25.71/44.85/26.67 億元，其中 2023 年新 項目訂單年化銷售額突破 80 億元。公司的高算力平臺已量產配套理想汽車、小鵬汽 車、路特斯、廣汽埃安、極氪汽車等多家車企，新獲得理想汽車、廣汽埃安、吉利汽 車、長城汽車、路特斯、極氪汽車等超過十家車企的新項目訂單；輕量級差異化平臺 已獲得主流自主、外資品牌的項目定點。 智駕傳感器方面，聚合能力持續增強。2023 年，公司攝像頭、T-box 產品的供 貨規模繼續提升，並突破主流日系合資品牌，獲得新項目定點。毫米波雷達業務獲得 廣汽埃安、一汽紅旗等客户的新項目訂單。

4.4 萬集科技：深耕智能網聯產業，佈局車、路、雲三側軟硬件產品

公司深耕智慧交通領域，車路雲業務生態形成閉環。車側，公司有 V2X 車載通 信設備、乘用車/商用車前裝 OBU、車載激光雷達等產品；路側，公司打造了智慧基 站、路側激光雷達、V2X 通信終端在內的一系列路側硬件產品；雲側，公司有能力將 海量的交通信息匯集到 MEC 和雲端大腦，通過對數據高效的處理和價值挖掘，分發 到所有交通參與者，實現基於車路協同、羣體智能協同的自動駕駛決策控制能力。 此外公司藉助硬件棧和軟件能力打造了豐富的系統方案。公司藉助其在智能網 聯、邊緣計算、路側感知設備的技術積累，推出了包括車輛信息採集、輪廓檢測、管 理預警等在內的系統解決方案。

V2X 方面，公司的智慧基站產品集道路信息感知、數據存儲與計算、信息中繼傳 輸等功能於一體，採用先進的傳感器實現交通信息精確感知，利用邊緣計算技術對感 知信息進行分析處理，通過 5G/V2X 通信，以較低的時延將信息傳輸給周邊車輛、移 動終端及雲端，實現「車-路-雲-圖」協同交互，提供高質量道路信息服務。

激光雷達產品類目豐富，涵蓋從車規到工業多個領域。公司前裝車載激光雷達能 夠為城市 NOA 功能或高階輔助駕駛提供全面的感知信息，工業移動機器人激光雷達 則應用於工業 AGV/AMR、自動叉車、重載牽引車、商用服務機器人等領域。交通用 激光雷達，則主要用在公路交通行業可實現對通行車輛輪廓尺寸、車型、車道位置信 息的精準識別。

4.5 金溢科技：智慧交通全棧服務商，V2X 業務有望加速成長

產品涵蓋智慧交通多個領域。公司集 C-V2X、DSRC、RFID 三大技術領先的智 慧交通解決方案及產品提供商，業務涵蓋汽車電子、車路協同、城市數字交通、智慧 高速四大領域，擁有面向車-路兩端各類智慧交通應用需求提供「解決方案設計+核心 產品提供+邊端系統集成」的全棧服務能力。此外，公司擁有獨立自主開發的 V2X 應 用協議棧，其具備豐富的內/外部接口，可跟進業務需求進行二次開發，適配市場主流 LTE-V 通信模組。

雲端產品方面，公司通過接入路側感知設備，利用多源異構數據融合技術、人工 智能算法、3D 可視化展示等先進技術，實現了交通場景的孿生重現。該平臺擁有高 可用的智能化事件檢測及識別能力，可準確識別 200 多種交通事件，並提供標準接 口和數據規範，支持多種典型網絡協議接入，適應多種交通信息系統互聯互通。

4.6 千方科技：智慧交通與智能物聯領軍企業

完備的智慧交通產品矩陣。公司智慧交通業務包括智慧公路、智慧交管、智慧運 輸、智能網聯、智慧軌交、智慧民航等多個領域。公司擁有全系列智慧交通專屬產品， 包括: 1)雙智路口核心硬件產品邊緣智能體、鯤巢·雙智路口雲控平臺; 2)城市智能路 口所涉及的電警卡口、雷達，信號控制類的經濟型、城市型、AI 型交通信號機，實 時處理各類路口信息的邊緣計算體等; 3)智能網聯繫列的 V2X、RSU、OBU 及雲控平 台; 4)交通運輸方面的非現場執法的治理超載類產品、交通流量調査產品; 5)高速公路 計費產品; 6)道路交通安全方面所涉及的安全衞士系統產品、重型貨運車輛安全監管 雲平臺等。

以 AI、大數據等技術為核心，打造智慧交通行業雲產品。依託雲計算、大數據、 物聯網、AI 算法、知識圖譜、數字孿生技術能力，公司基於 APaas 平臺（相比 Paas 強化了低代碼能力），構建了全域交通行業雲平臺。該平臺由通大數據平臺，交通 AI 算法平臺，通用技術平臺，交通業務智庫管理平臺，交通應用編排平臺等核心平臺構 成。 以智慧路網云爲例，路網運行監測平臺通過匯聚高速公路多元化數據分析計算各 類指標結果，以 GIS 地圖+高精度地圖+BIM 方式展示路網交通態勢監測及預警、事 件監測及預警、重點車輛監測及預警等為高速管理者提供決策依據。高速公路收費稽 核取證平臺依託人工智能、大數據技術和視覺識別技術，分析逃費行為的特徵，建立 車輛檔案，通過智能模型訓練和智能分析，實現智能決策和智能操作，持續實現稽覈 業務流程的智能優化。

智能網聯案例積累深厚，擁有覆蓋城市、高速的豐富項目經驗。以北京 CBD 西 北區交通優化示範項目為例，公司在光華路等主要道路上安裝使用了 V2X 系統，為 智能網聯測試車輛提供了車路協同技術應用環境，幫助提高 CBD 等擁擠地區的通行 效率。該項目實現了高峰通行效率提升 25％，總體交通擁堵報警和事故報警分別下 降 18.8%和 17.5%，機動車平均運行速度提高 6%。

（本文僅供參考，不代表我們的任何投資建議。如需使用相關信息，請參閱報告原文。）

（轉自：未來智庫）