2021年汽车行业市场发展分析报告.docx

2021 年汽车行业市场发展分析报告 2021年5月 7/53 汽车行业价值重心后移，自动驾驶发展感知先行 “新制造+新服务”推进汽车行业价值重心后移。当前汽车行业已于百年变革节点起步，制造技术变革叠加 5G 逐步应用，助力行业由电动化开始迈入智能化、网联化新时代。谷歌、华为、百度等新型科技公司深度入局参与造车，推动汽车由传统交通工具向移动智能终端演变。未来汽车产业链价值有望受益于科技进步与碳中和背景带来的转型红利，将朝“新制造+新服务”方向转变。其中“新制造”将包含低碳化、智能化、信息化等相关智能制造技术，“新服务”在贯穿于设计研发、生产制造、销售及售后服务的各个环节的同时也将引导产品价值重心逐步后移，向服务端尤其是出行领域深度拓展，产生广阔发展空间。 图 1：未来汽车行业价值重心将后移 资料来源：《节能与新能源汽车技术路线图 2.0》，市场研究部 自动驾驶技术是定义汽车智能网联进程核心维度。工信部发布的《2020 年智能网联汽车标准化工作要点》表示自动驾驶技术是智能网联汽车标准制定及评估机制关键要素之一，并需做好汽车驾驶自动化分级标准宣贯。美国汽车工程师学会发布的“自动驾驶水平可视化图表”定义了汽车六个级别的自动驾驶等级，整体等级提升标志着汽车自动驾驶水平逐步跨越，也是汽车智能网联进程推进的关键指标。 图 2：自动驾驶水平可视化图表 资料来源：美国汽车工程师学会，市场研究部 8/53 伴随自动驾驶技术发展，前端感知需求将不断提升。自动驾驶技术原理是通过感知层的传感器获取路况信息，进而由决策层对感知层构建的信息进行分析处理，最终通过执行层进行车辆后续行为控制。如何有效通过感知端精准获取信息是后续环节能否做出正确判断和操作的前提，因而伴随自动驾驶技术的进步，对于前端感知要求将不断提升。 图 3：自动驾驶技术原理与流程 资料来源：市场研究部 当前市场感知层解决方案以视觉系和雷达系为主。目前自动驾驶感知层解决方案主要分为以特斯拉为代表的视觉系和以 Waymo 为代表的激光雷达系两种流派。视觉系解决方案主要以摄像头为主导，配合毫米波雷达、 超声波雷达等元件完成感知任务；激光雷达系解决方案以激光雷达为核心，配合摄像头、毫米波雷达、超声波传感器等元件达到感知目的。 图 4：以特斯拉代表的视觉系和以 Waymo 代表的雷达系 资料来源：特斯拉，Waymo，电动邦，市场研究部 视觉系：轻感知重算法，软硬件性能构建视觉系护城河 2.1. 视觉系：以低成本摄像头为主，依赖软硬件感知识别 视觉系以摄像头为主要传感器并依赖软硬件进行感知识别。视觉系解决方案的工作原理，是以摄像头作为主要传感器，收集外界反射的光线从而呈现出外界环境画面，通过将视觉传感器收到的视觉信息进行 3D 渲染、用 AI 软件将车道线、交通、行人等信息进行匹配，进而由决策层分析后做出决策，最终使车辆执行 9/53 操作。 图 5： 特斯拉摄像头辅以毫米波雷达和超声波传感器 图 6：视觉系解决方案显像 资料来源：特斯拉官网，市场研究部 资料来源：汽车之家，市场研究部 2.2. 发展现状：硬件配置更新迭代，神经网络助力研判 图像模式识别为核心流程，较为依赖芯片+算法。自动驾驶领域基于视觉的感知方式主要包括五个流程，即图像采集、图像预处理、图像特征提取、图像模式识别与结果传输。其中图像采集主要通过摄像头采集图像；图像预处理包含图像压缩、图像增强与复原、图像分割等；图像特征提取主要提取图像幅度特征、直观性特征、统计特征、几何特征和变换系数特征等因素；图像模式识别主要基于图像形状、色彩、纹理等特征，通过统计模式、句法模式、模糊模式、神经网络模式等方法进行识别，系统能否准确对输入信号进行判断将深度影响后续决策，因而图像模式识别为核心流程，也因较为依赖计算层的芯片和算法成为目前计算机视觉技术发展的难点；结果传输则是将输出信息传输至车辆其他控制系统或其他车辆，完成相应控制功能。 图 7：基于视觉的感知流程 资料来源：《智能网联汽车新技术》，市场研究部 目前统计模式识别和神经网络模式识别为主流图像模式识别方式。统计模式识别是以数学上的决策理论为基础建立模型，对被研究图像进行大量统计分析，找出规律性认识，并进行分类识别，是目前较成熟也应用较为广泛的识别方法。神经网络识别通过硬件或软件方法建立大量处理单元为节点，各单元通过一定模式实现互联的拓扑网络，进而对人的神经系统结构及功能进行模仿，且具备自组织，自学习的能力。 10/53 神经网络识别方式因具备自学习能力更具优势。统计模式识别在辨别过程中更加依赖与已有数据的匹配程度，而在自动驾驶过程中经常会面对多样、复杂路况，因而具备自组织、自学习能力的神经网络识别方式在自动驾驶领域更具优势。目前特斯拉神经网络算法领跑自动驾驶计算机视觉领域。特斯拉整体神经网络