2024 计算机行业深度报告：高阶智驾技术进步＆终端渗透率提速，拥抱智驾＆机器人的黄金时代.pptxVIP

;;;

高级别自动驾驶

整车厂商

传统车企新势力

座舱电子

部分实现国产

主要依赖海外进口货外资技术已经或能够完全实现国产替代;;

类别;;;

资料来源：高工智能汽车、方正证券研究所;;

2021年引入时序信息/视频特征序列/BEV:引入视频特征队列(VideFeatureQueue),让网络能够处理时空信息(BEV三维+时间维),数据标注从2D图片标注到视烦愤标注：

2022年引入占用网络/NaRF:BEV框架仍旧需要学习过感知对象的语又信息才能正确识别，占用网络的引入使算法能够感知通用障碍物(把所有感知对象都视作积木桥凑成的乐高，只考虑体积速度，语义信息的重要性下降),引入NeRF后，模型具备了感知被遮挡物体的脑补能力；

2023/24H1引入端到端，并开始探索世界模型：引入端到端的目的是希望模型从代码驱动转换为数据驱动；探索世界模型是希望模型具有理解泛化规律的能力，捉升Zero-shot能力8提高可解释力B提高乘

车人对系统的信任感；图表19:特斯拉引领智驾核心算法的技术进步;

BEV等传统方法划分“可行驶空间”存在一些问题：1)在地面极不平坦的时候，只有2个左右的像未点估计画面深度；2)可变形的障碍物，如两节的挂车/汽车顶上的杂物等，不适合用30bounding

box来表示(会被直接视为一个整体);3)不在已知类别中的障碍物，如路上的石子、垃圾等，无法进行分类。

马斯克的第一性原理：世界上没有所谓的静止物体，只要摩擦力够小，任何物体都可以移动，都可能影响可行驶区域。感知系统的任务不是“目标识别分割”而是30分割，FixedReotaneles(监测

框/2D网格)、0bjectDetection(目标识别)、0bjectOntology(具体形状刻画)都是多余的。预测Votel的flow(速度)则是需要额外了解的参数。

核心是解决通用障碍物的识别问题(找到一种更好的方式来描述长尾障碍物):占用网络并非推翻EV感知的技术基础，而是对EV网络在高度方向(Z轴)进行了进一步的扩展，从下图的架构中可以看到整体框架在对各个相机进行图像平面特征提取以后，仍旧是接一个Transformer的模块，在图像featuremap中通过MP生成Valuekey,并利用EV坐标系下橱格坐标的位置编码生成Cuery,不同的是这次栅格不只是BEV感知中的2D栅格，而是在高度方向又增加了一个维度变成了3D栅格，进而生成了OccupancyFeatures替代了原本的BEVFeatures.

占用网络的输出：Ocueaneyvolume(通用障碍物的体积)cupancyFlow(通用障碍物的速度刻画)。Voxel(3D体素)取代pixel(2D像素),通过预测每NVoxel的流动未预测障碍物的移动

轨迹(通过NeRF实现被遮挡物体的3D建模)。特斯拉能做到超过100FPS的速度运行，内存效率非常高。;

图表24:FSDV11架构简图

Mum-SpNangV11

End-2-EndNauraiNetworK

PercepconNNts

ConraICuce

Voctor

Go

Drhing

MU一

Muphurrng

Cnde

Duy

Bap-p-bit

ControlNe

oc

Bbace

ng-c-litscarwermr

N;

Level1:感知模型AI化+决策规划仍是Rule-based

Level2:感知模型AI化、决策规划分别是AI-based;;

◆用户体验改善：1)安全性提升(把规则难以表述的场景转变为隐式表达);2)驾驶风格拟人化；

◆组织价值：1)简化自动驾驶研发流程(将浩如烟海的“UseCase定义和分析”的工作转向“场景提取”和“数据挖掘”方向):2)算法层面，传统的感知-融合一预测-决策-规划架构可能涉及到十几个子系统和更多的软件模块，而端到端则可以将与之相关的子系统集成为单一模型。子系统简化