智能驾驶系列研究(一)：从特斯拉视角，看智能驾驶研究框架.pptx

从特斯拉视角看智能驾驶;车企能力跟踪框架+智驾临界拐点可期;风险提示;目录

CONTENTS;01 特斯拉视角：智驾历史复盘;;;资料来源：《ALVINN:Anautonomouslandvehicleinaneuralnetwork》，《基于深度学习的端到端自动驾驶模型研究及仿真》，BuildingtheSoftware2;;资料来源：《丁磊：生成式人工智能》，《EdgeMachineLearningforAI-EnabledIoTDevices:AReview》，《ImageProcessing:HowDoImageClassifiers

Work?》，华鑫证券研究;资料来源：《丁磊：生成式人工智能》，《深度神经网络的关键技术及其在自动驾驶领域的应用》，华鑫证券研究;资料来源：BuildingtheSoftware20Stack，EnhancingDeepLearningPerformanceusingDisplacedRectifierLinearUnit，华鑫证券研究;;;;;;资料来源：TeslaAIDay（2022），《MonoScene:Monocular3DSemanticSceneCompletion》，《OccDepth:ADepth-AwareMethodfor3DSemanticSceneComp;;;;;1.2特斯拉的数据引擎进化史;;改进二：自建千人团队，从2D人工标注到4D自动标注。获取大量数据之后，需要有一个标注“清洁”的过程，符合条件之后才能使用。数据的标注需要涵盖深度、速度、加速度信息。特斯拉2016年开始，仍是通过第三方外包数据标注，但存在响应慢，标注质量不够等问题，到2019年开始自建1000人团队，从2D人工标注发展到4D自动标注。特斯拉自动标注系统可以取代500万小时的人工作业量，人工仅需要检查补漏。;;D1Chips;时间;;02 从特斯拉历史出发，看未来落地的研判框架;资料来源：《End-to-endAutonomousDriving:ChallengesandFrontiers》，华鑫证券研究;2.1感知侧算法逐渐走向收敛，特斯拉领先0.5-1.5年;2.1.1趋势一：数据竞赛;;2.1.2趋势二：走向大模型，算力投入持续加大;2.1.2趋势二：走向大模型，加大算力投入;2.1.3趋势三：任务导向，分步端到端---通勤模式;;2.2算法竞争落幕，数据驱动的时代下，工程化能力是竞争核心要素;;;;;2.3硬件降本：模型升级的减配;;;;;2.4政策法规：国内历史政策不断落地，促进智驾产业发展;;03 国内各车企智驾能力分析;;;;;;;;;;;;;;;;04 智驾拐点何时来临？;我们认为，汽车的下半场是智能化，智能化的下半场是城区NOA。

方法上，我们复盘高速NOA发展历史，认为城区NOA落地时间预计拐点2.5年??头部车企有望在2025年H1实现拐点。;;;;;;;;;;;;;;;05 投资机会推荐;;投资标的推荐;风险提示