任泽平：中国自动驾驶发展报告2020（上）

　　文/新浪财经意见领袖专栏作家任泽平、连一席、郭双桃

　　导读

　　效率和安全是出行产业最为关注的两个话题。2018年全球因道路交通死亡私人数超过了135万人，相当于每23.4秒就有1个人被交通意外夺走生命。而据交通部数据，每年因交通拥堵带来的经济损失高达城市人口可支配收入的20%，相当于GDP的5-8%。

　　随着深度学习和计算机视觉技术的兴起，自动驾驶为提升交通安全与效率提供了新的解决方案。自动驾驶综合了人工智能、通信、半导体、汽车等多项技术，涉及产业链长、价值创造空间巨大，已经成为各国汽车产业与科技产业跨界、竞合的必争之地。技术进步、政策推动、巨头入局、资本进入、成本下降、场景成熟，从各方面迹象来看，自动驾驶经过十多年的探索，目前已经站在商业化落地的关键节点。浪潮已至。

　　正文

　　1    中国发展自动驾驶汽车具有必要性、迫切性和合理性

　　汽车新四化“电动化、智能化、网联化、共享化”发展趋势已成为行业共识。2017年12月，工信部发布的《国家车联网产业标准体系建设指南（智能网联汽车）》中指出，智能网联汽车是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与X（人、车、路、云端等）智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代汽车。可见我国发展智能网联汽车的终极目的在于实现人工替代。

　　智能网联汽车同时包含汽车“智能化”和“网联化”两大属性，而汽车智能化又可细分成“驾驶智能化”和“座舱智能化”两方面，其中驾驶智能化也称为自动驾驶。智能网联汽车、智能汽车、自动驾驶三者关系如下图所示：智能网联汽车范围最广、智能汽车次之、自动驾驶最小。

　　1.1 发展自动驾驶汽车具有必要性

　　据世界卫生组织披露，2018年全球135万死于交通意外，相当于每23.4秒就有一个人死亡。据中国交通部披露，每年因交通拥堵带来的经济损失占城市人口可支配收入的20%，相当于每年国内生产总值损失5-8%。发展自动驾驶不仅可极大改善交通安全和堵塞问题，还可促进汽车产业转型升级，助推经济发展。据麦肯锡预测，到2025年智能汽车预估的潜在经济影响最高达1.9万亿美元。相比普通汽车，自动驾驶汽车的优势主要体现在以下几个方面：

　　1）更加安全。2020年6月，美国IIHS（公路安全保险协会）发布基于5000起汽车安全事故调查报告显示，其中由于感知失误、能力丧失造成的碰撞事故分别约占24%、10%，这两部分事故对于自动驾驶车辆完全可以避免，也即自动驾驶可以减少34%的安全事故。

　　2）更加节能。2016年4月，美国卡内基梅隆大学发布《自动驾驶汽车的燃油经济性测试》报告指出，带有自动驾驶功能的汽车，燃油经济性提升10%，且其节能效率随着自动驾驶普及率、等级提升等进一步提升。

　　3）更加高效。2018年7月在百度AI开发者大会，百度总裁张亚勤博士提及Apollo自动驾驶平台将提升车主30%的出行效率。2019年2月，中国智能网联创新联盟发布《智能网联汽车产业发展动态及对策建议》报告指出，自动驾驶可提高交通效率约10%。

　　4）更加便宜。2020年4月，中国电动车百人会发布《自动驾驶在干线物流场景商业化现状、挑战及建议》报告指出，自动驾驶卡车用于长途运输，可节省人力成本6-15万/年/车，自动驾驶对于人力成本较高的场景意义重大。

　　5）更加简单。2019年6月，日本内阁发布《2019交通安全白皮书》报告指出，老人由于身体机能衰减、反应较迟钝、身体不协调，发生安全事故概率更高。2018年度日本境内，75岁以上老人司机的死亡事故是剩余的2.4倍；因踩错刹车和油门的死亡事故75岁以上司机是剩余的4.9倍。自动驾驶操作更为简单，是应对社会老龄化驾驶的有效途径。

　　1.2 发展自动驾驶汽车具有迫切性

　　自动驾驶可以提供更安全、更节能、更高效、更舒适的出行体验，是国际公认的未来发展方向。其意义不仅在于汽车行业的技术升级，更会带来全球化供应链和产业生态的革新，是各国必争的战略高地。

　　2019年3月，IPRdaily联合incoPat发布“2018年全球自动驾驶技术发明专利排行榜（TOP 100）”，数据显示在2018年1月1日至2018年12月31日期间，全球自动驾驶技术专利申请数量TOP20企业分别为，福特（1225）、三星（1152）、丰田（684）、通用（517）、博世（484）、百度（438）、现代（412）、华为（372）、本田（361）、电装（327）、大众（324）、LG（281）、高通（272）、日产（242）、松下（242）、德尔福（241）、英特尔（233）、宝马（217）、索尼（197）、法雷奥（187）。专利申请数量按照国家划分，美国、日本、韩国、德国、中国、法国分别为2488、2053、1845、1025、810、187件，对应占比29.6%、24.4%、21.9%、12.2%、9.6%、2.2%；中国仅排第5。

　　从专利申请数量上看，我国暂时处于劣势。而根据国家知识产权局发布的《自动驾驶产业专利分析评议报告》显示，在核心专利领域，我国企业从数量到质量都落后于日、美、韩、德等企业。日本、美国、欧洲等国家在自动驾驶走在我国前列，很大一部分原因是布局比我们早。

　　1）美国：早在1992年就发布了《智能车-高速路系统战略计划》，阐述智能车-路的相关功能，并于2016年9月美国交通部发布了第1版《联邦自动驾驶政策：加速道路安全变革》（简称AV1.0），阐述美国发展自动驾驶的初衷在于交通安全。之后分别于2017年9月、2018年10月、2020年1月发布《AV2.0》、《AV3.0》、《AV4.0》。最新版的《AV4.0》强调要保持美国在自动驾驶行业的领先地位，并采用“灵活、技术中立”的政策，让公众而不是政府选择最有效的交通和出行解决方案。

　　2）欧盟：2011年11月欧盟发布《Horizon 2020》战略提到要推进智能网联汽车研发，2014年欧洲道路运输研究咨询委员会（ERTRAC）成立专家组用于制定自动驾驶汽车路线图。2015年5月第1版欧盟自动驾驶路线图发布，选用SAE作为标准，预测到2030年全球有4400万辆自动驾驶车辆；之后于2017年5月发布第2版自动驾驶技术路线图，提出分别在2020/2023/2025年实现L3/L4/L5自动驾驶；最新版技术路线图于2019年3月发布，针对乘用车、货车、城市出行车三种车型制定细分特定场景技术路线图，其中乘用车、货车、城市出行车分别在2020年、2020、2022年左右实现L3级自动驾驶。

　　3）日本：最早于2013年6月发布《创建最尖端IT国家宣言》，为实现目标，于2014年6月发布《官民ITS构想与路线图2014》，提出利用自动驾驶将2018年全国交通事故死亡人数降低到2800人以下，到2020年成为世界上交通最安全的国家。之后《ITS规划》每年更新一版，对上一版进行数据更新和补充。最新版《ITS规划》于2020年6月发布，提出私家车到2020年实现L3级自动驾驶，2025年实现L4级。此外，日本于2015年2月成立了“自动驾驶商业化研讨会”，制定自动驾驶详细发展规划，并于2017年3月发布《实现自动驾驶的行动报告与方针1.0版》，之后每年更新，最新版发布于2020年6月提出：高速公路到2020年实现L3级自动驾驶，按照国家项目、铁路公司、大型OEM三类开展自动驾驶示范验证，从如高精地图、识别技术等十大关键领域推动自动驾驶。

　　4）中国：官方关于自动驾驶的阐述最早见于《中国制造2025》，提出到2020年掌握智能辅助驾驶各项关键技术，到2025年建立完善的智能网联汽车自主研发体系，生产配套及产业群。2017年4月，国务院、工信部等联合发布《汽车产业中长期发展规划》提出，以新能源汽车和智能网联汽车为突破口，引领产业转型升级，制定新能源汽车、智能网联汽车、汽车动力电池等技术路线图，到2025年，智能网联汽车进入世界先进行列。值得注意的是，2020年2月发改委、网信办、工信部等11部委联合发布《智能汽车创新发展战略》，指出智能汽车已成为全球汽车产业发展的战略方向，发展智能汽车对我国具有重要的战略意义，需要从关键技术、测试评价、应用示范、基础设施、网络通信、标准法规、质量监督、网络安全等方面确保2025年实现L2级自动驾驶规模化生产，L3级在特定环境下市场化应用。

　　1.3 发展自动驾驶汽车具有合理性

　　自动驾驶在各国落地优势和驱动力并不相同，美国有信息技术优势、欧洲汽车巨头实力雄厚、日本需要解决老龄化驾驶问题，而中国发展自动驾驶的合理性在于：

　　1）汽车市场足够庞大：截至2020年9月，中国汽车机动车保有量达3.65亿辆，其中汽车保有量达2.75亿辆。庞大的市场可带来显著的规模效应，此外也可支撑足够的细分场景，便于自动驾驶在部分领域，率先取得商业化应用。

　　2）基础设施配套齐全：支撑自动驾驶所需的通信基础设施如5G基站、智能化道路 基础设施如ETC技术、高速公路等基础设施，都在不断完善。在2020年中国发展高层论坛上，工信部副部长刘烈宏透露，今年中国已经建成了近70万个基站，这个数字基本上是中国之外全球5G基站总量的2倍多。

　　3）标准渐趋完善：关于自动驾驶的相关标准也在逐渐完善，工信部及相关部委先后发布了《国家车联网产业标准体系建设指南（智能网联汽车）》、《国家车联网产业标准体系建设指南（总体要求）》、《车联网（智能网联汽车）产业发展行动计划》、《智能汽车创新发展战略》等政策文件，从多方面规划自动驾驶的标准体系建设。

　　4）技术逐渐成熟：自动驾驶感知层的高精度地图、激光雷达、控制层的车载计算芯片等近几年都取得了很大的进展。以车载计算芯片为例，全球自动驾驶芯片龙头Mobileye分别在2008、2010、2014、2018、2020年发布EyeQ1、EyeQ2、EyeQ3、EyeQ4、EyeQ5五代芯片，其计算能力从2008年的4.4GOPS（十亿次）提升到24000GOPS，超五千多倍。

　　5）市场接受度提升：近几年消费者对辅助驾驶如自主泊车等功能接受度不断提升，我国乘用车智能驾驶功能渗透率不断提高。根据中国产业信息网统计，我国乘用车智能驾驶功能渗透率从2014年的11%增加到2019年的52%。

　　2   自动驾驶：分为6个等级，3大系统

　　2.1 自动驾驶：可分为6个等级，其中L3是重要分水岭

　　按照自动化程度，自动驾驶可划分成不同的等级。目前国际上比较认可的标准有三种：1）BASt（德国联邦交通研究所）自动驾驶分级标准，于2012年第一次发布；2）NHTSA（美国高速公路交通安全管理局）自动驾驶分级标准，于2013年5月第一次发布；3）SAE（美国汽车工程师学会）自动驾驶分级标准，于2014年1月第一次发布。其它国家基本都是参考这三个标准制定各国的自动驾驶等级标准，其中SAE标准虽然推出最迟，但是由于标准划分最为详细，成为最通用的自动驾驶分级标准，中国、美国、日本、欧盟等都是参考的SAE标准。

　　工信部2020年3月公示《汽车驾驶自动化分级》推荐性国家标准报批稿，如下表所示，与SAE划分基本一致。此外可以发现，从L3开始，驾驶操作和周边监控都是由系统自动完成，驾驶员只需要在紧急动态下做好接管处理即可；从L3开始自动驾驶的主角切换到车辆自动驾驶系统上，L3是自动驾驶人机角色重要的分水岭。

　　自动驾驶技术涉及交通、通信、电子等多个领域的融合，其发展离不开多产业的协同，是一个从L0、L1、L2往L3、L4、L5渐进的过程；不同等级自动驾驶代表性功能和普及时间，并没有官方的定论，但常见于一些机构的论述中，整理如下图所示。从图中可以看到2020年L3级自动驾驶开始普及已成为行业共识。需要说明的是，严格意义上讲，相关功能与车型等级并不能划等号，也即整车具有某项L3级的功能，并不代表整车即为L3级自动驾驶。此外，部分功能可横跨几个自动驾驶等级。比如自动泊车可细分成：常规自动泊车（APA）属于L2，远程遥控泊车（RPA）、记忆泊车（HPA）属于L3，自主代客泊车（AVP）可认为L4。通俗来讲：L1一般是可以解放手或者脚；L2可以同时解放手和脚，但是不能解放眼；L3还可以解放眼，但是不能解放大脑；L4及以上还可以解放大脑。

　　2.2 自动驾驶：可细分成感知、控制、执行三大系统

　　自动驾驶按功能可划分为：感知（环境感知与定位）、决策（智能规划与决策）、执行（控制执行）三大核心系统。自动驾驶系统最终是为了取代人工，如果将其类比人的话，如下图所示：感知层相当于人的五官，感知周围的环境，搜集数据传输到决策层；决策层相当于人的大脑，处理感知层传输的数据，输出相应的操作指令给执行层；执行层相当于人的四肢，执行大脑给出的指令。其中感知层主要包括三部分，环境感知、位置感知和速度、压力等其它感知；决策层主要包括三部分，操作系统、集成电路、计算平台（含算法）；执行层主要包括三部分，动力供给、方向控制、车灯控制。

　　3   感知系统：传感器

　　感知系统是数据采集的入口，其采集数据的精确度和效率直接影响着决策系统的判断和执行系统的操作，是实现自动驾驶的前提。感知系统有两大核心技术，传感器和高精地图；本章我们重点分析传感器。

　　3.1 传感器概况：分为四大类型，激光雷达综合性能最好

　　传感器按照工作原理可细分为，视觉传感器、雷达传感器、红外传感器和其它四类；其中雷达传感器又可细分为，毫米波雷达、激光雷达、超声波雷达三种。根据国家知识产权局2018年11月发布的《自动驾驶产业专利分析评议报告》披露，全球自动驾驶感知系统不同类型传感器专利数量占比分别为，视觉传感器30%、毫米波雷达22%、激光雷达20%、超声波雷达13%、红外传感器9%、其它传感器6%。

　　不同传感器由于工作原理不同，其优缺点各异，适合的应用场景也有所差异：1）视觉传感器（摄像头），其优点在于探测距离较远、分辨率高，且能识别路标和交通信号灯，但是其缺点也很明显，对光线要求很高，容易受天气影响；2）毫米波雷达，其优点在于探测距离远、灵敏度高、穿透性强，但是其缺点在于对非金属不敏感、静止测距能力弱、很难探测物体大小和形状；3）超声波雷达，其优点在于成本低、精度高，但是其缺点在于反馈时间长，只适用于倒车等短距离场景；4）激光雷达，其综合性能最好，不仅灵敏度高、探测角度广，而且可探测多数物体，精度高、且可3D建模，但是其缺点在于成本高昂、受天气影响大；5）红外传感器，最大优势在于可以夜视，但是其灵敏度、静止测距、探测角度都比较一般。具体比较如下表所示，其性能参数为公开资料和行业龙头产品参数综合，实际可能有一定出入。

　　3.2 传感器现状和趋势：激光雷达尚未商用，传感器组合成为行业趋势

　　由于各类传感器优缺点都很明显，只有组合使用才能满足复杂的应用场景。下表列举了主流车企代表车型的感知系统传感器方案，从中可以发现，基本都采用的视觉传感器+雷达传感器组合的方案，常用的配置为“1个前视摄像头+4个环视摄像头+12个超声波雷达+3个毫米波雷达”，而激光雷达暂时没被采用。

　　一方面，视觉传感器和雷达传感器组合已成为行业共识；另一方面，单个传感器技术改性也是行业另一大趋势。

　　视觉传感器方面，镜头像素从200万逐渐增加到400万、800万，摄像头从单目往双目、多目方向发展。汽车在自动驾驶过程中，要求车载摄像头能够：1）看得远（留出足够的反应时间）；2）看得清（成像清晰精度更高）；3）看得广（尽量减少盲点和意外）。但是这三者之间不可兼得，在看得远的同时，视角就会变窄；此外由于车载镜头本身变焦能力很差，一般都是定焦，所以其远距离成像也会变得很模糊。在此背景下，采取增加摄像头，并对不同摄像头进行分工的多摄像头方案就成为行业新趋势。以特斯拉为例，其2016年Autopilot 2.0系统中，使用的三目摄像头，一个视野角度是50°，负责一般性道路状况监测；一个视野角度是25 °，用于探测前方的车道线、红绿灯；还有一个视野角度是150°的鱼眼镜头，用来探测并行车道的状况、行人和骑自行车的人。下图是车载摄像头全球龙头大陆集团发布的两款车载摄像头产品，据其官网介绍，双目车载镜头可以满足多种自动驾驶场景如前方碰撞警告（FCW）、车道偏离警告系统（LDW）、交通标志识别系统 （TSA）、智能前大灯控制系统（IHC）等，可大大提高安全性。

　　雷达传感器方面，由于目前激光雷达技术不成熟、成本高昂，暂时应用很少；而超声波雷达由于声速较慢，反应时间长，探测距离很短，应用很受限；当前自动驾驶主要依赖毫米波雷达传感器。毫米波雷达通过向外发射毫米波，并接收反射回来的信号，达到测速和测距的目的。目前在毫米波领域，开放民用的波段有，24GHz、60GHz、77GHz、79GHz、120GHz；中国市场常用的有24GHz、77GHz、79GHz三种。根据波的传播理论，频率越高，波长越短，分辨率越高，天线体积越小；此外波长越长，方向性差，回波比较少，探测距离也相对较短。从下表可以看出，相比24GHz而言，77GHz、79GHz带宽更大、天线体积更小、分辨率更高、探测距离更长，优势十分明显；目前24GHz主要用于短中距离，用作实现盲点探测系统；而77GHz、79GHz用于中长距离，实现自适应巡航系统；而随着后者的技术走向成熟，将逐渐取代24GHz。

　　3.3 传感器问题：政策需要完善、技术不够成熟、成本过高

　　尽管感知系统发展较快，但是在实际应用中仍然存在较多问题，主要体现在三点：1）当前感知系统仍然存在一些缺陷，这种缺陷随着自动驾驶等级提升逐渐被放大；2）优良性能的激光雷达由于成本太高，目前在主流车型上并没有得到应用；3）关于传感器如毫米波雷达、激光雷达等标准尚未出台，相关政策激励措施欠缺。

　　3.3.1 感知缺陷：无法完全满足实际的应用场景，存在识别失效

　　安全是自动驾驶推广应用的前提，而感知信息摄入直接影响着车辆的避险操作，其高准确性与可靠性是自动驾驶安全的保障。然而，目前自动驾驶车辆感知系统仍然存在一些缺陷，无法完全满足实际的应用场景。以特斯拉为例，2020年6月3日上午在台湾高速路上，一辆货车侧翻在地，后续来车纷纷避让，而一辆处于自动驾驶状态的白色Model 3，并未采取任何减速或转向避让的动作，以时速110公里笔直撞向了前方侧翻货车。再以理想为例，2020年9月22日一辆处于自动驾驶状态的理想ONE在G18高速上发生严重追尾；之后理想官方承认其“自动驾驶系统对于旁边车道上车辆变入主道的识别具有局限性，没法在旁边车辆并入1/5车身的时候识别成主要目标，这是目前L2辅助驾驶系统的局限性”。

　　感知系统的缺陷来自于三个方面：1）感知盲点（部分区域、物体无法感知）；2）感知辨别度低（感知到物体但是无法识别）；3）感知反馈时间长且信号弱（识别到物体，但是无法精准及时反馈）。以感知盲点为例，其有两个主要原因：1）单个传感器受到探测距离和视角的限制，需要多个传感器才能完成360°全景覆盖；2）即使实现360°全覆盖，但是受到光线、雨雪、雾霾、沙尘等恶劣天气造成的感知盲区。以纵目科技产品为例，其超声波雷达测距范围在0.15-4.5m，其探测角度水平角100°、垂直角60°。

　　3.3.2 成本过高：单个激光雷达价格超过现在感知系统硬件总价

　　当前主流感知系统硬件组合为“1个前视摄像头+4个环视摄像头+12个超声波雷达+3个毫米波雷达”，根据电动车百人会预测，2020年摄像头、超声波雷达、毫米波雷达平均成本分别为60美元、12美元、90美元，对应总成本在714美元。而根据2020年8月，广汽蔚来发布的BOM（物料清单）表，其整车BOM成本为257022元，其中前向雷达总成1544元、盲区检测传感器1260元、全景泊车系统1012元、生命探测系统593元、倒车雷达系统496元，感知系统硬件总计在4905元；与百人会的预测较为一致。

　　然而，综合性能最优的激光雷达成本却居高不下，商用化进程缓慢。以全球激光雷达龙头Velodyne为例，2020年7月官宣，其无人驾驶用16线激光雷达现在可以面向全球客户降价50%，价格约3999美元；以国内知名激光雷达公司速腾聚创为例，其官网RS-LiDAR-M1产品，售价在1898美元，超过目前主流感知系统硬件配置的一倍以上。

　　3.3.3 政策体系需完善：标准不够细化，政策扶持尚未明确

　　当前自动驾驶政策体系尚需完善的地方有两个：1）标准体系；2）政策扶持。

　　1）标准体系：2017年 12月，工信部联合其它部委发布了《国家车联网产业标准体系建设指南（智能网联汽车）》系统性阐述了智能网联汽车的标准体系；但是目前发布的标准较少，关于ADAS和高级自动驾驶标准文件尚缺，对于行业未来的技术走势和标准建设缺乏指引性文件。

　　2）政策扶持：2020年 3月，工信部联合其它部委发布了《智能汽车创新发展战略》，给出了目标和主要任务，但是对于相应的关键技术企业如感知传感器企业的政策扶持如税收减免、政府补助等还未明确和普及。

　　4   感知系统：高精地图

　　高精地图也叫高分辨率地图，亦称自动驾驶地图，主要面向自动驾驶的应用场景，在自动驾驶场景中承担着辅助环境感知、辅助定位、辅助路径规划、辅助控制等功能，是实现自动驾驶必不可少的基础设施。

　　1）辅助环境感知：传感器容易受到大雾、大雨等恶劣天气影响，且在夜间光线差、地下信号差的地方表现不佳，通过高精地图实现的精准定位是对传感器的重要补充。

　　2）辅助定位：在汽车行驶过程中，由于信号、时延等多种因素，存在一定的位置误差，通过高精地图的精准匹配作为补充，可实现汽车的精准定位。

　　3）辅助路径规划：高精地图关于道路数据的维度更广，包含车道中心线、信号灯、周围障碍物、限速牌等多重信息；而且精度更高，达到厘米级；在实际中可辅助系统规划最佳的驾驶道路方案。

　　4）辅助控制：高精地图可以提供超出传感器探测范围的道路信息，而且在自动驾驶过程中通过对周围环境的精确还原，可提前提供加减速、转向、变道等控制建议，辅助系统进行自动驾驶操作控制。

　　4.1 高精地图现状：3大核心势力共28家厂商获得资质，高德一家独大，四维图新次之

　　相比普通地图，高精地图精度更高、时效性更强、数据维度更广。1）精度更高：普通地图精度在m级，高精地图精度在cm级。2）时效性更强：对于静态数据，普通导航地图更新频率在月度或者季度；高精度地图更新频率为天或者周；对于动态数据，普通地图不做更新要求，高精地图要求实时更新。3）数据维度更广：普通地图只记录道路级别的数据，如道路等级、形状、坡度、方向等，而高精地图还需要记录车道类型、宽度、护栏、路沿、交通指示牌、信号灯等。

　　2016年2月，国家测绘地理信息局发布《关于加强自动驾驶地图生产测试与应用管理的通知》明确指出：自动驾驶地图属于导航电子地图的新型种类和重要组成部分，其数据采集、编辑加工和生产制作必须由具有导航电子地图制作测绘资质的单位承担。截止到2020年10月底，根据自然资源部审批公示，我国目前拥有高精地图测绘资质的厂商一共28家，按照背景可分为三类：1）传统图商，以四维图新、凯立德、立得空间等为代表，共13家；2）互联网企业子公司，以高德、长地万方、滴图等为代表，共10家；3）事业单位，以国家基础地理信息中心、江苏省测绘工程院为代表，共5家。

　　据高工智能汽车研究院统计，2019年中国自主和合资品牌汽车前装导航市场被6家供应商瓜分：高德58.76%、四维图新24.30%、百度9.08%、易图通4.13%、腾讯2.32%、凯立德1.41%；其中高德占比过半。

　　4.2 高精地图趋势：测绘方式从专业到众包

　　高精地图的制作可简单划分为：1）数据采集；2）数据加工；3）数据转换；4）数据发布；5）数据应用，五个步骤。相比普通地图，高精地图由于精度高、时效性强、数据维度广等特征，每公里产生的数据量更大，呈几十上百倍的增长；大大增加了高精地图的数据采集工作量和难度；普通地图采用的专业采集对高精地图并不太适用。数据的采集可分为专业集中式、众包分布式两种；前者是使用专业的地图数据测绘车，通过激光雷达、摄像头、IMU（测量惯性单元）、GNSS（全球导航卫星系统）等采集设备收集交通数据；后者是利用整车厂自身大量级车型所携带的摄像头进行数据采集。随着高精地图的出现，众包模式逐渐受到大家的关注和应用，已成为高精地图数据采集的趋势。

　　众包采集方式的普及有四个驱动因素：

　　1）政策驱动：2014年1月，中国交通部发布《道路运输车辆动态监督管理办法》要求：旅游客车、包车客车、三类以上班线客车和危险货物运输车辆、重型载货汽车和半挂牵引车在出厂前应当安装具有行驶记录功能的卫星定位装置（行车记录仪），并鼓励普通汽车出厂前也安装。据智研咨询披露，2018年我国行车记录仪行业产量约3355.4万台，线上渠道渗透率58.1%。行车记录仪的普及使利用整车采集交通数据成为可能。2016年2月，国家测绘地理信息局发布《关于加强自动驾驶地图生产测试与应用管理的通知》明确：自动驾驶地图属于导航电子地图的新型种类和重要组成部分，其数据采集、编辑加工和生产制作必须由具有导航电子地图制作测绘资质的单位承担；而截至2020年10月仅有28家企业具有高精地图的资质；众包模式利用整车采集数据，可绕过该资质。

　　2）龙头示范：国际来看，2016年Mobileye CEO Shashua在CVPR 2016上介绍了Road Experience Management（道路信息管理平台）的地图服务平台，包含系统、众包、高精定位三部分，其中众包是这个超级服务计划极为重要的组成模块。之后陆陆续续有25家知名车企加入该平台；2018年CES展上，Mobileye宣布已经有200万辆众包车，众包模式得到空前关注。国内来看，2017年初成立的宽凳科技，是国内第一家完全专注于众包模式的高精地图厂商，于2019年1月获得“高精地图”测绘资质；2019年4月、12月分别于伟世通、英伟达达成战略合作；先后获得IDG、易行基金等上亿元融资，并于2020年7月与全球知名汽车厂商达成合作为其提供高精度地图服务。Mobileye和宽凳科技同时选择众包路线，并以实际表现证明了众包模式的成功，成为竞争对手竞相模仿的典范。

　　3）市场驱动：除了行车记录仪之外，由于ADAS系统的普及，视觉和雷达传感器在乘用车上渗透率从2015年开始逐渐提升，其为众包模式提供了硬件支持。据汽车之家披露，2019年所有在售车型ADAS搭载率，其中360°全景影像55.3%。据高工智能汽车统计，2020H1中国部分品牌，如沃尔沃、凯迪拉克、丰田、长安、吉利汽车新车ADAS搭载率分别为100.0%、85.0%、81.0%、22.8%、18.5%。在车辆行驶过程中，摄像头和雷达传感器采集到的数据都可以用于高精地图的制作和更新。

　　4）自身优势：众包模式之所以快速得到认可，与其自身两大核心优势有关，成本低、更新快。据中国交通部发布《2019年交通运输行业发展统计公报》，截至2019年末全国公路总里程501.25万km，年末国道里程36.61万km，省道里程37.48万km，农村公路里程420.05万km。专业测绘车一般售价在500-800万元/辆；据媒体统计，传统测绘方式，分米级地图的测绘效率约为每天每车500km，成本约10元/km；而厘米级地图的测绘效率约为每天每车100km，成本可达1000/km（非官方数据，仅做参考）。假设完全依赖专业测绘，按照2019年底的501.25万km，完成全国公路测绘总成本在50.125亿元，总时间10025天（单台测绘车）。此外，高精地图的实时更新更为重要。博世2007年提出的，无人驾驶局部动态地图数据依据更新频率可以划分为四类：永久静态数据（更新频率为1个月）、半永久静态数据（频率为1小时）、半动态数据（频率为1分钟）、动态数据（频率为1秒）；采用专业测绘完全达不到实时更新要求。

　　而由于众包测绘采用的测绘设备都是非专业级别，数量质量较低，众包模式希望通过海量低质量数据，从量变引起质变，制作高精度地图，当前技术还不够成熟；所以未来很长时间将会是，专业集中式+众包分布式并存的局面，专业集中式主要采集底层静态数据，众包分布式主要采集上层动态数据。

　　4.3 高精地图问题：标准、技术、成本改善空间很大

　　高精地图推广应用还需要解决三个问题：1）标准体系尚需完善；2）技术成熟度不够；3）商用成本较高。

　　4.3.1 标准体系尚需完善：地图格式规范尚无中国标准

　　当前我国关于高精地图的标准仅集中在数据模型端，国家市场监督管理总局和中国国家标准化管理委员会于2019年7月分别发布了《智能运输系统智能驾驶电子地图数据模型与交换格式第1部分：高速公路》和《智能运输系统智能驾驶电子地图数据模型与交换格式第2部分：城市道路》两份标准征求意见稿，对于道路模型、车道模型、路口数据等都有详细的标准；但是对于地图编译和格式规范尚无相关标准；相比世界其它国家，节奏有点落后。

　　目前全球关于高精地图的格式规范已经发布的标准有：1）NDS导航数据标准（NDS协会发布）；2）OpenDRIVE地图格式标准（德国VIRES公司发布）；3）JDRMA标准（日本数字地图协会发布）；4）GDF标准（欧洲电子地图计划）；5）Etak标准（美国Etak公司发布）；6）Navtech标准（美国导航技术公司发布）。

　　4.3.2 技术成熟度不够：地图采集和实时更新较难

　　高精地图的难点可粗略分为两部分：1）地图制作难，2）地图更新难；其中地图制作难，难在地图数据的采集，而地图更新难，难在数据量大、时效性很难保证。

　　1）地图数据采集：正如前文所述，高精地图在精度和数据维度上远高于普通地图，如果采用专业测绘车，耗时太长无法保证数据量；如果采用众包模式无法保证数据精度；当前专业采集和众包采集联合方式，在数据融合和去重、冗余方面还处于探索阶段，需要解决的技术问题还很多。

　　2）地图实时更新：正如前文所述，无人驾驶需要实时动态地图，高精地图需要不断更新，尤其是动态数据；这不仅要求图商在数据采集、数据编译、数据发布方便的时效，而且对汽车接收数据、数据储存方面也提了很高的要求。

　　4.3.3 商用化成本较高：传统地图免费，而高精地图约500-800元/车/年

　　自2013年8月，百度宣布百度导航App V2.0版即日起永久免费，随即高德也宣布导航地图免费，之后普通导航地图免费成为行业通用打法。而目前高精地图，由于测绘、更新成本很高，还不能做到商业化免费；而且随着自动驾驶等级提升，对地图精度、时效性要求也会大幅度提升，其成本仍有上升空间。目前高精地图的收费模式，以四维图新为例，主要是按“license收费+更新服务费”。

　　目前行业的标准一般在500-800元/车/年；2020年4月高德于北京宣布，将对高精地图服务进行升级，升级后将会以每辆车不超过100元/年的成本价格向合作伙伴提供标准化服务。但该情况毕竟只是少数，而且高德以成本价售出的核心原因在于作为阿里巴巴子公司其并不依靠地图服务盈利；然而这种大幅度降价对于依靠地图授权收费的传统图商如四维图新之类存在很大难度。

　　5   展望

　　5.1  自研感知算法与芯片：从Mobileye到英伟达再到特斯拉，车企层面软硬件耦合或是终点

　　在车辆自动驾驶过程中，感知系统会将采集到的数据，传输到计算平台里的视觉处理芯片，并经过感知算法进行识别、融合处理，产生决策信息。当前行业量产车型中关于感知系统的算法和处理芯片有三种方案：1）向Mobileye既购买含视觉处理功能的自动驾驶芯片，又购买相应含感知算法在内的自动驾驶算法（如蔚来）；2）向英伟达购买自动驾驶芯片，之后基于此芯片开发自己的自动驾驶算法（如小鹏）；3）自主开发自动驾驶芯片和自动驾驶算法（如特斯拉）。

　　5.1.1 行业发展初期，供应商的软硬件耦合方案由于其整体性和成熟性受到车企青睐

　　从上表可以看出，除了小鹏，国内主流的造车新势力基本都采用的Mobileye的 EyeQ视觉处理芯片；据英特尔披露，截至2020年3月，EyeQ芯片已累计销售5400万枚，高精地图覆盖全球3亿多公里道路。Mobileye取得成功除了其独特的单目摄像头的纯视觉方案以外，其软硬件耦合策略也是功不可没。

　　Mobileye的软硬件耦合包含两种，一种是其芯片与自动驾驶算法捆绑出售，此为商业耦合；另一种是其EyeQ芯片基本是基于Mobileye自身自动驾驶算法开发的，此为技术耦合。而这种软硬件耦合带来三个影响：1）提供整体自动驾驶解决方案，车企不需要额外开发自动驾驶算法；2）车企没有多元化选择，无法在此基础上进行二次开发；3）车企没有开发自身感知算法，获取不了感知系统的原始数据，无法进行升级改进。对于早期的车企而言，尤其是造车新势力而言，其重点在于先造出一辆车支撑活下去，而不是具备自研的自动驾驶功能，所以Mobileye这种软硬件耦合的整体解决方案解决了造车新势力的燃眉之急，很受青睐。

　　5.1.2 长期来看，特斯拉的软硬件一体化模式或是最优解，但多数玩家将选择算法自研+外购芯片

　　随着自动驾驶产业的发展，Mobileye软硬件耦合方案的弊端日益突出。当前自动驾驶不论是视觉感知或决策规划层面，都应用到大量深度学习算法，其本质在于计算机从大量数据中自动“寻找”规律，完成特征提取、路径预测、决策规划等工作，因此算法和数据对于自动驾驶更新迭代至关重要。未来随着自动驾驶重要性继续提升，有野心有能力的车企将把算法和数据的主动权掌握在自己手中，从而实现“算法+数据”的闭环，这一点已经体现在特斯拉的战略上，未来其他新势力也将陆续效仿。

　　Mobileye的软硬件耦合方案不仅无法给车企提供原始感知数据，而且给予车企算法二次开发空间很小，不利于车企实现自动驾驶的差异化。从软硬件完全外购，到算法自研、芯片外购（如小鹏），再到算法自研、芯片自研（如特斯拉），可能是行业发展的必然趋势。以特斯拉为例，早期选用Mobileye的封闭方案，之后选择在英伟达芯片上进行二次开发，最终实现芯片自研。

　　5.2 激光雷达成L3必需逐成共识，于2025年应用将加速

　　激光雷达的应用需要回答两个问题：1）必要性：是否必须安装激光雷达；2）性价比：成本是否大规模下降；

　　5.2.1 安装激光雷达的必要性

　　目前行业的共识是，L1、L2级自动驾驶是不需要激光雷达的；而L3、L4、L5级自动驾驶是否需要激光雷达尚有分歧，但逐渐趋同。

　　一方是以特斯拉为代表，坚持视觉方案、不使用激光雷达。特斯拉CEO马斯克多次在公共场合贬低激光雷达方案—在2019年4月特斯拉 “AutonomyDay”上，马斯克评论“ 傻子才用激光雷达，谁用谁完蛋、注定完蛋，激光雷达贵而无用（译）”。有意思的是，在2020年2月举办的“ScaledMachine Learning”大会上，特斯拉AI高级总监Andrej Karpathy，披露特斯拉正在推进伪激光雷达（pseudo-LiDAR）技术，通过摄像头建立3D图形达到和传统激光雷达类似的效果—但是该技术不仅需要极其复杂的算法才能完成建模，而且并没有解决摄像头的光线问题和毫米波雷达的非金属迟钝问题。而2020年11月23日，知名激光雷达初创公司Luminar宣布，已与Mobileye达成协议，将为后者的自动驾驶汽车提供激光雷达，帮助后者进行下一阶段的自动驾驶汽车开发和测试。

　　另一方是目前绝大部分车企选择在L3级及以上级别采用的激光雷达。之所以大部分车企选择用激光雷达来实现L3级别功能，在于激光雷达可极大程度弥补摄像头和毫米波雷达的缺陷，大大提升感知系统的精度和准确性。正如前文所述，激光雷达优势十分明显：1）与毫米波雷达相比，激光雷达具有极高的距离分辨率、角分辨率和速度分辨率，测量精度高得多，且对非金属也较为敏感（毫米波雷达对非金属不敏感）；2）与摄像头相比，可直接获取目标的距离、角度、反射强度、速度等信息，生成目标的立体维度图像，且不受光照等因素影响，具有全天时工作特性；3）由于激光波长短，可发射发散角非常小的激光束，可探测低空/超低空目标；多路径效应小，抗干扰能力强。正是认识到激光雷达的优势，奥迪、丰田、本田、奔驰、奥迪、宝马、长城、小鹏、沃尔沃等OEM车企都宣布旗下的L3级及以上量产车型将搭载激光雷达。

　　我们认为短期内行业将会维持以特斯拉为代表的纯视觉派和以大多数车企为代表的激光雷达派两大阵营。但是长期由于车辆自动驾驶对于安全性的要求，以及随着激光雷达的成本大幅度下降，激光雷达的应用将成为行业共识。

　　5.2.2 激光雷达应用路径

　　对于激光雷达的应用，我们认为：1）OEM车企将直接选择半固态或固态激光雷达，机械式只会在Robotaxi运营车上取得应用（Robotaxi采用机械式激光雷达，相当于一个额外的零部件，不用过车规要求）；2）激光雷达的价格在1000美元以下会有应用，在300美元以下开始普及，在2025年应用将会提速。

　　OEM放弃机械式激光雷达的原因在于机械式激光雷达很难达到车规级要求。激光雷达按照结构可以分为机械式、半固态、固态三种；其中机械式激光雷达即利用机械机构360°旋转实现扫描的激光雷达，而固态激光雷达即通过阵列干涉或者是mems改变扫描的方向，不需要机械机构的旋转。如下所示，机械式激光雷达扫描频率一般为5、10、20HZ三个档位，按照10Hz计算，也即1个小时旋转3.6万次，按照每天4个小时行程、1年360天计算，一年旋转5184万次；在如此高频率的使用情况下，当前的旋转机械结构完全满足不了车规级5-10年的寿命要求，此外其抗冲击、振动性能也很难通过车规级测试；更何况，实际使用过程中还需要考虑雨雪风沙、酷暑严寒恶劣环境侵蚀。

　　1000美元将是车企应用激光雷达的心理价位。目前各大激光雷达厂商都在以1000美元以下为量产目标，如2020年1月CES展上镭神智能发布MEMS固态激光雷达LS20B大批量售价仅999美元；2020年9月，Cepton近期发布了一款新品Vista-X90，据称该激光雷达量产价格将低于1000美元；此外各车企反馈也在该水平。

　　300美元以下激光雷达将开始普及。激光雷达未来的成本下降空间很大，一部分源于技术成熟度提升，一部分源于规模效应。当前很多激光雷达初创企业其第一款车规级量产激光雷达还并未大规模推出，新产品竞争较少，无论是车企还是激光雷达厂商第一款产品都以尝试居多，真正起量的产品在于第二款，其激光雷达的价格也将会在1000美元基础上大幅度下降，但是肯定会高于毫米波雷达和高清摄像头价格，而300美元折算成人民币约2000元左右，相对比较合理。

　　2025年后激光雷达应用会加速。此时政策、技术、基础设施比较完善，预计L3级别车型会较大规模推出，而激光雷达的价格会大幅降低，搭载激光雷达的车型不再仅限于高端车型，而下探到中高端走量车型。

　　

　　(本文作者介绍：恒大集团首席经济学家，恒大经济研究院院长。曾担任国务院发展研究中心宏观部研究室副主任、国泰君安证券研究所董事总经理、首席宏观分析师。)