自動(dòng)駕駛算法是感知、預(yù)測(cè)、規(guī)劃控制的結(jié)合體

自動(dòng)駕駛算法由感知、預(yù)測(cè)、規(guī)劃控制構(gòu)成。數(shù)據(jù)和仿真則通過數(shù)據(jù)驅(qū)動(dòng)助力整個(gè)算法體系的成熟和完善。整個(gè)自動(dòng)駕駛行為包含諸多組成部分，而市場(chǎng)努力的方向在于將這些環(huán)節(jié)不斷優(yōu)化。

(資料圖片)

大模型橫空出世，自動(dòng)駕駛算法有望迎來奇點(diǎn)

感知：BEV+Transformer橫空出世，大模型推動(dòng)自動(dòng)駕駛邁向“平民化”

2021年特斯拉第一次推出BEV+transformer算法架構(gòu)，用神經(jīng)網(wǎng)絡(luò)將多個(gè)2D的圖像和傳感器信息綜合成為三維的向量空間方便下游規(guī)控模塊處理，開啟了自動(dòng)駕駛新時(shí)代。該算法優(yōu)勢(shì)顯著：（1）解決2D圖像轉(zhuǎn)換成3D空間深度預(yù)測(cè)難點(diǎn)，感知性能提升。（2）完美實(shí)現(xiàn)多攝像頭、多傳感器信息融合。（3）更易融入時(shí)序信息，讓模型擁有“記憶”。（4）擁有實(shí)時(shí)建圖能力，擺脫對(duì)高精度地圖的依賴。

規(guī)控：算法由基于規(guī)則邁向基于神經(jīng)網(wǎng)，大模型開始嶄露頭角

規(guī)劃控制算法中，目前行業(yè)仍以基于規(guī)則的方式為主，但泛化性不足仍面臨諸多長(zhǎng)尾問題，同時(shí)不斷“打補(bǔ)丁”完善算法會(huì)導(dǎo)致最終代碼量龐大且難以維護(hù)。領(lǐng)軍公司已開始將大模型引入其中，進(jìn)而擁有更強(qiáng)的泛化能力和更好的駕乘體驗(yàn)。

端到端（感知決策一體化）：大模型為自動(dòng)駕駛徹底實(shí)現(xiàn)帶來希望

感知、預(yù)測(cè)、規(guī)劃、控制組合模塊化部署模式，一方面，容易累計(jì)誤差，另一方面，不同模塊之間全局優(yōu)化存在困難，因此端到端感知決策一體化算法成為自動(dòng)駕駛行業(yè)共識(shí)的目標(biāo)。英偉達(dá)、Uber、Wayve等公司進(jìn)行了諸多探索。

數(shù)據(jù)：大模型推動(dòng)數(shù)據(jù)閉環(huán)和仿真落地

數(shù)據(jù)閉環(huán)通常包含數(shù)據(jù)采集、挖掘、數(shù)據(jù)標(biāo)注等環(huán)節(jié)，如何實(shí)現(xiàn)自動(dòng)化運(yùn)行同時(shí)降本增效是關(guān)鍵。目前行業(yè)推動(dòng)大模型助力數(shù)據(jù)挖掘和自動(dòng)標(biāo)注，將加速產(chǎn)業(yè)成熟。仿真方面，逼真的仿真環(huán)境可替代實(shí)車數(shù)據(jù)的采集，是減少Cornercase的有效手段，大模型亦幫助實(shí)現(xiàn)自動(dòng)化的場(chǎng)景生成等，完美提升模型自我迭代能力。

算法變局推動(dòng)L3級(jí)自動(dòng)駕駛加速到來

大模型時(shí)代，得算力者得天下。大模型可通過仿真、自動(dòng)標(biāo)注等方式顯著提升車廠算法能力，車企紛紛加碼數(shù)據(jù)中心。芯片格局有望受大模型影響而重塑。Transformer大模型具有大參數(shù)、計(jì)算復(fù)雜等特點(diǎn)，芯片需要針對(duì)性開發(fā)加速器以實(shí)現(xiàn)在推理端良好運(yùn)行，前瞻擁抱產(chǎn)業(yè)趨勢(shì)的玩家有望在競(jìng)爭(zhēng)中占得先機(jī)。最后，大模型推動(dòng)下，L3級(jí)自動(dòng)駕駛正加速到來，諸多車企推出自己的大模型解決方案，并有望迅速實(shí)現(xiàn)城市輔助駕駛落地，全產(chǎn)業(yè)鏈玩家均有望持續(xù)受益。

重點(diǎn)關(guān)注：德賽西威、經(jīng)緯恒潤(rùn)、中科創(chuàng)達(dá)、華陽(yáng)集團(tuán)、北京君正、美格智能、晶晨股份、均勝電子

風(fēng)險(xiǎn)提示：技術(shù)發(fā)展進(jìn)度不及預(yù)期、市場(chǎng)需求不及預(yù)期。

關(guān)鍵詞