中金 | 智驾先锋系列一：“重感知，轻地图”城市NOA全面落地的助推器

中金研究

2023年10月起，国内智能驾驶头部车企将陆续推送“无图”城市辅助领航驾驶功能（NOA），我们认为智能驾驶的实用性和用户体验将得到质的提升，并提示投资者关注这一智能驾驶的“曙光”时刻，及其重要助推力——“重感知，轻地图”技术路线的发展趋势。

摘要

特斯拉FSD建立“重感知，轻地图”行业范式，用以突破“高精地图”局限性。高精地图曾被行业一度认为是落地高阶智能驾驶的必要条件，但随着乘用车城市NOA功能的落地和推广，高精地图由于广度和鲜度，以及审批进度的限制，无法很好满足车企快速铺开城市NOA的诉求。特斯拉FSD的落地，验证了“重感知，轻地图”的可行性；其围绕BEV+ Transformer算法架构，生成带有道路拓扑信息的局部实时地图，替代了传统高精地图。

国内车企加速布局“无图/轻图”方案，小鹏、华为领跑城市NOA落地。凭借先发和工程化优势，小鹏最早于21年开始相应研发，并率先于广州和北京对外演示其“无图”方案。华为则是依靠本身强大的工程和问题闭环能力，较激进计划年底落地全部城市。理想凭借NPN算法的众包性，年底将在100座城市进行通勤NOA的早鸟内测，并计划于2024年1月推送给全量的AD MAX用户。我们判断，今年10月将迎来城市NOA推广高峰，建议密切关注城市NOA渗透率和相应体验反馈。

硬件升级诉求清晰，轻量化地图应运而生。我们预测“重感知，轻地图”或将带动车端硬件的升级，包括摄像头、激光雷达、算力平台、惯性导航等。我们认为，硬件升级虽然使得单车成本有所增加，但已成为城市NOA快速推广的必要条件，并且符合车企出海对系统泛化性的要求。同时我们观察到，图商也在寻求转变，并提供轻量化智驾地图SD Pro方案，辅助车企城市NOA开城。

风险

技术发展不及预期；城市NOA推广不及预期；智驾法规出台不及预期。

Text

正文

传统高精地图何故在落地过程中被“边缘化”

高精地图（HD Map）凭借其更高的精度、更丰富的数据维度，曾一度被智能驾驶行业认为是走向高阶智驾的必经之路，也是智驾车辆进城不可或缺的“基础设施”数据。进入2022年，随着汽车行业的竞争高地由电气化转向智能化，整车厂之间的智驾功能落地速度也在加快，纷纷着眼于城区NOA的铺开，然而高精地图的成本高，扩展性差等潜在问题也在过程中凸显。因此，整车厂从落地角度“难则思变”，很有默契地在2022年将研发重心向不依赖“高精地图”的“重感知，轻地图”方案偏移，高精地图的价值也随之不断受到市场质疑。

图表1：城区高精地图所包含信息图示

资料来源：四维图新公告，中金公司研究部

高精地图为智能驾驶提供先验的行车“轨道”

高精地图是精度更高、数据维度更多的导航地图。从CAICV[1]定义来看，高精地图是指绝对精度和相对精度均在1米以内的高精度、高新鲜度、高丰富度的电子地图。高精地图所蕴含的信息丰富，含道路类型、曲率、车道线位置等道路信息，以及路边基础设施、障碍物、交通标志等环境对象信息，同时包括交通流量、红绿灯状态信息等实时动态信息。

图表2：高精地图vs导航地图

资料来源：CAICV，CSDN，中金公司研究部

高精地图通过其多元、准确的信息为智驾系统提供感知、规划、定位的帮助。

► 感知-提供“真值”的全天候传感器：在某些场景下，例如下雪天，车道线磨损，遮挡，或雾霾天气，视觉或是激光雷达传感器都会一定的失效概率，导致无法辨别周边场景。所以为了保证安全性，采用高精度地图可以提供环境“真值”，即类似冗余的“传感器”，来弥补传感器的不足。

► 规划-提供道路拓扑信息：高精地图是一个超视距传感器，可以让系统提前知晓道路前方的交通情况，进行最优的路径规划，从而实现车辆可以保持乘客舒适的加减速行驶。同时，高精地图提供车道的拓扑连接关系，可以准确地让车辆理解在一些复杂的路口如何汇入、汇出、以及选择目标车道，提升安全性的同时，也降低了感知层面的开发难度。

► 定位-配合传感器实现更精准定位：传统的车辆定位GNSS/RTK容易受到环境干扰，在立交桥等立体交通场景，或是高楼大厦的高反射场景，表现通常不尽人意，从而无法实现精准定位。高精地图则提供了一个稳定的无源定位方式。通过匹配传感器感知特征和高精地图具有特征，车辆可以获知其相对位置，从而完成在全局环境当中的准确定位。

图表3：高精地图从生产到服务业务流

资料来源：高德，中金公司研究部

从高精地图的特性来看，我们认为，高精地图可提供的超视距信息，道路拓扑信息仅凭传感器融合很难获取，因此，高精地图对智能驾驶系统是有明确的增益效果的。但是，我们同时也认为，技术问题在当下高精地图的推广中或许不是主要矛盾，更多是在有限资源下，高精地图的鲜度、广度、成本形成了不可能三角，和既定政策节奏下，下游公司做出的相应商业化决策。

高精地图因广度、鲜度等制约因素逐渐“失宠”

制约因素1：高精地图的鲜度、广度与成本投入无法全顾及。《2020智能网联汽车高精地图白皮书》表示，采用传统测绘车方式，分米级地图的测绘效率约为每天每车500公里道路，成本为每公里10元左右，而厘米级地图的测绘效率约为每天每车100公里道路，成本可能达每公里千元。同时，一辆测绘车的成本则在数百万元至千万元级别。因此，要实现高频更新地图，需依靠大量测绘车在路去摸测，该成本对于图商以及下游车企压力较大。同样的，要想快速去铺开高精地图的覆盖城市，以支持城市NOA功能的快速推广，需要图商前期投入大量的资金，采购测绘车在不同车市同时作业。华为车BU董事长余承东曾表示[2]，华为仅采集上海市高精地图，采集了两年、9000公里，都没有把上海完全覆盖。我们认为，高昂的采图和维护成本，很难支持传统高精地图快速上量，或是维持高的鲜度；由于广度、鲜度、成本的不可能三角制约，传统高精地图在城市NOA推广当中也很难起到积极的作用，于是逐渐被边缘化。

图表4：高精地图采图车所需硬件

资料来源：Apollo，中金公司研究部

图表5：高精地图当前面临的制约

资料来源：中金公司研究部

制约因素2：高精地图的广度与时效受限于法规制定节奏。2022年8月自然部印发《关于做好智能网联汽车高精度地图应用试点有关工作的通知》[3]，要求在北上广深圳杭渝六个城市开展智能网联汽车高精度地图应用试点。受益于高精地图的覆盖，首批试点的6个城市（北京为快速道路）当前已经全部开通了城市NOA功能。而若要基于高精地图路线，进一步推广城市NOA，则需要政策进一步放开，允许更多城市进行高精地图的测绘和制作。

制约因素3：审核流程同样限制高精地图“鲜度”。审核流程的第一步是审图，通过后，图商会得到相应的偏转插件和审图号，然后申请出版号，在拿到出版号后，就可以把编译完成的数据安装到车上使用。该流程虽然能保证信息安全合规，但其较长的程序无法保证高精地图的“鲜度”，继而无法满足L2+智能驾驶的需求。针对流程效率局限和功能发展需求的矛盾，上海提出了“快速审图”的框架性建议，并且已经逐步落地当中：

1) 对高精度地图的众多表达要素进行分档分级，并进行适宜的分级审查，加快审图速度。

2) 如果更新的道路范围和数据没有显著变化，则可以尝试增量内容备案的方式进行审核。

3) 符合一定条件的申请企业，可以通过“告知承诺方式”，先审批，再复核。

我们认为，为助力智能辅助驾驶的成熟上量，政府在积极完善高精地图审批流程；为符合“鲜度”要求精简审核制度，为提高“广度”而逐步放开试点城市。同时，我们判断，城市丰富的场景和较快的道路更新速度，使得高精地图就算在法规放开的前提下，也很难满足NOA对城市场景的刷新频率诉求；因此，行业当中的头部厂家开始转向“轻地图”方案。

从FSD的实现，拆解“重感知，轻地图”的背后原理

早在2019年，特斯拉CEO Elon Musk提出[4]，如果自动驾驶系统过度依赖高精地图，会让整个系统变得脆弱，难以支持不同场景的快速泛化。结合上一章节的分析，我们认为，高精地图由于成本约束和审批进程的不确定性，一定程度上限制了车企们想要大范围推广城市NOA的进度。因此，以特斯拉为“参照对象”的车企们，转向不依赖高精地图的技术方案。

特斯拉为行业探路“重感知，轻地图”，BEV+Transformer成为城市NOA落地技术范本。特斯拉率先于行业提出了以纯视觉为感知基础，以大模型深度学习为实现路径的自动驾驶技术演进方向。公司FSD（Full Self-driving）产品运用了BEV+Transformer技术构建了围绕车辆的局部地图，从而摆脱了对高精地图的依赖。同时，采取Occupancy Network占用网络技术，赋予该局部地图高度和深度信息。最后，再通过Lane Network去构建行车轨迹，从而更有效地理解不同交通场景，构建车道级拓扑地图。特斯拉使用以上提到的技术，通过高效闭环数据实现不依赖高精地图的城市NOA落地。与此同时，也为其它自动驾驶公司或者整车厂提供了“重感知、轻地图”的可行技术范本。

本章节希望通过以FSD的技术框架为范本，可以更清晰地认识本次城市NOA落地潮中的技术发展趋势，和理解行业当中各家技术架构的创新以及优势。

图表6：特斯拉、地平线、毫末智行的BEV+Transformer类似架构解析

注：四种不同颜色、形状的边框，分别对应了三家公司可以实现相似功能的技术模块 资料来源：Delving into the Devils of Bird’s-eye-view Perception: A Review, Evaluation and Recipe，中金公司研究部

第一步：围绕车辆生成带周边物体的局部地图

BEV + Transformer – 生成围绕车辆的俯视局部地图

特斯拉率先业界，在2021年的Tech Day提出使用Bird’s Eye View（BEV），即鸟瞰图，将车身四周摄像头所拍摄到的水平画面，通过Transformer提取共同特征进行三维构建，进行特征级融合。在不依赖高精地图的情况下，实现对车辆周边实时构图，并基本准确地判断车辆周围物体的位置和轮廓，以及车道线、路墩、信号灯等交通设施。

图表7：特斯拉FSD感知-规划-控制软件架构

资料来源：特斯拉AI Day，中金公司研究部

BEV相当于为车辆提供了一个上帝视角，类似于从高处俯瞰以车辆为中心的周边环境，本质上是对车辆传感器视角的一个转换，由水平方向转变为垂直方向。当前，行业主流方案可生成的范围大致是以车为中心的100×100米左右，范围受限于摄像头传感器像素，和图像实时处理速度，即算力水平。BEV的优点如下：

1) BEV视角下的物体，不会出现不同图像视角下的尺度和遮挡问题。

2) BEV下不同视角和传感器数据进行统一坐标系表达，能方便后续规划和控制任务。

3) BEV可以引入过去时间片段中的数据，实现时序融合，最终使感知效果更加稳定、准确。

4) BEV支持端到端算法的演进。在BEV内，感知、规控都在同一个空间进行，未来有望可以通过一张更大的神经网络做到端到端的优化，减少开发工作量。

Transformer用来挖掘不同视角特征的关联度，部署需要大量训练数据，也需要大量算力。Transformer是一种基于注意力机制（Attention）的神经网络模型。与传统神经网络RNN和CNN不同，Transformer不会按照串行顺序来处理数据，而是通过注意力机制，并行去挖掘序列中不同特征的相应空间变化及相关性。因此，Transformer可以适应不同长度和不同结构的输入，有较长的内容记忆，但也同时要消耗大量的存储及带宽空间，以及训练和推理都需要大量的算力，好在Transformer适合平行计算，可以在GPU上高效训练和推理。同时缺点是，由于参数较多，其优异的表现需要大规模数据集进行训练，小数据集上表现不如传统的卷积神经网络，即前融合感知方案。

图表8：Transformer如何生成BEV

资料来源：BEVFormer，中金公司研究部

至此，Tesla FSD的第一步完成，通过BEV+Transformer生成了一张不带运动及轮廓信息的围绕车辆周边的100×100米局部地图。接下来是通过Occupancy Network生成地图上物体的轮廓信息，让地图具备景深。

Occupancy Network – 为地图提供周边物体的高度和轮廓信息

占用网络（Occupancy Network）通过将空间划分为一系列体素（voxel），对空间进行3D构建。占用网络最早是运用在机器人领域，配合激光雷达，对周边空间的占用情况进行甄别。算法通俗来讲，就是将世界划分为一系列网格单元，然后通过神经网络对每个单元被占用概率进行预测，判断其是否被占用，从而形成类似于“积木堆积”式的三维空间表示。

图表9：通过占用网络生成Occupancy Volume来表示3D空间

资料来源：Tesla AI Day，中金公司研究部

占用网络的通用性强，更符合行行车场景对周边环境理解诉求。占用网络对环境的理解主要有三大优势点：

1）最主要的优势就是对非标准障碍物的识别。真实场景中存在很多的非标物体，如异形车、路上的石头、散落的纸箱等，这些障碍物很难通过用专属网络（即神经网络有针对性地进行训练、识别）进行穷举识别。因此，占用网络提供了一种方法，可以不用理解障碍物是什么，只需要勾勒出轮廓即可以指引车辆进行有效地规避。

2）避免视线遮挡，实时检测周边物体的运动信息。通过对不同时间点下生成的BEV进行叠加，可以在多角度观察周边物体，以防在某一时间节点出现遮挡视线情况。同时，Occupancy Flow也可以对周边物体的体素进行跟踪，从而获取周边物体的速度信息。

3）助力实现感知-规控“端到端”架构。通过对物体姿态、突出部位进行识别，赋予BEV更精细三维信息，允许规控算法直接在BEV上生成规划路径，初步达成“感知-规划”端到端的智驾算法架构所需前提。

图表10：特斯拉列举的Ocuupancy Network优势

资料来源：Tesla AI Day，中金汽车研究院

占用网络同样需要大量的数据进行训练。占用网络也是基于大数据的深度学习训练生成，训练的目标就是判断划分的空间是否已由物体占据，再拟合出占用空间的表面，生成物体轮廓。因为只对目标区域物体外表轮廓进行计算存储，占用网络所占用的存储空间较少，且计算较为高效。当然，因为需要对通用、不规则物体的空间进行识别，因此仍需大量、场景丰富的已标注数据进行学习。特斯拉在22年的AI Day上表示，其采用了14.4亿帧视频（约400TB），训练了超10万GPU小时（单GPU训练时长），以获取在AI Day上演示的效果。

图表11：占用网络算法解析

资料来源：Occupancy Networks: Learning 3D Reconstruction in Function Space，中金公司研究部

第二步：在局部地图构建合理的行车轨迹

“重感知，轻地图”仍需预设行车轨迹信息。在第一步生成了车辆周边的三维局部地图后，高精地图可以提供的道路边界、交通标识等信息已经可以满足。高精地图的另一要素，地图基础上的车道拓扑连接，道路居中线和车辆行驶轨迹，则可以通过其它深度学习方法获得。

本文以Tesla为例，诠释如何在“轻地图”前提下生成预设行驶轨迹。业界有多种获取行驶路径的方式，本文将以特斯拉Lane Network作为案例诠释如何在不依赖高精地图的情况下生成行驶轨迹。除了Lane Network，行业当中也有通过云端众包方式绘制轨迹的，例如Mobileye的Road Experience Management (REM)，通过云端收集搭载车辆的行驶轨迹，从而根据行车概率推测出当下交通场景的最佳行驶路线。

图表12：Mobileye REM 众包地图生成

资料来源：Mobileye CES 2021演讲，中金公司研究部

Lane Network – 构建道路拓扑，重新引入路线轨道

Lane Network由两个主要算法模块构成，分别是Map Component和Language Component。通过处理前一模块BEV+Transformer+Occpancy Network生成的三维地图视频流信息和参考普通导航地图（standard map, SD Map）信息，由粗略到细致，由信息过量到信息精准地生成道路拓扑和行车轨迹信息。

图表13：Lane Network算法构成

资料来源：Tesla AI Day，中金公司研究部

► Map Component：引入了SD Map中的粗略拓扑关系，包括车道几何、方向、数量等信息，并将这些信息嵌入到占用网络生成的三维地图时序图当中，生成对应的Dense World Tensor（信息稠密的道路模型），即更详细道路结构拓扑。

► Language Component：在带有道路拓扑的Dense World Tensor基础上，把车道相关信息包括车道节点位置、属性（起点，中间点，终点等）、分叉点、汇合点，以及车道样条曲线几何参数进行编码，做成类似语言模型中语句当中单词token，从而对节点之间的相互关系、先后顺序进行推理。最后生成稀疏的全局道路拓扑信息，仅包含车道节点，以及节点间对应的连接关系。

以上的两个算法模块，同样也属于神经网络范畴。需要大量准确标注的数据对“Lane Guidance Module”和“Autoregressive Decoder”中的参数进行闭环训练。我们认为，“重感知，轻地图”对数据量、数据标注、模型训练的有很高的要求，因此公司在构建软件竞争力同时，需要对数据闭环能力（研发数据捕捉，自动标注算法），和模型训练能力（例如超算中心）进行大量投入。

图表14：特斯拉Language Component将道路结构语句化

资料来源：Tesla AI Day，中金公司研究部

云端生成车道级拓扑帮助车辆做更稳健路径规划。有了车道线信息，车辆在经过道路划分没那么清晰的路段，或是暗光天气车道线较难准确识别的情况下，可以更加准确地规划出行驶轨迹。另一个情况是在路口，如果没有预设的轨迹，车辆在转弯时如遇到目标车道变少，或是被遮挡，车辆有概率会在路口驶入错误车道或是压线。而这些问题在有了Lane Network生成推荐轨迹后，可以有效避免，从而减少潜在需要接管的情况，提升用户体验。

“重感知”需系统硬件升级，“轻地图”并非无需地图

城市NOA“重感知”方案，全面带动车载智驾硬件的升级

我们观察到，目前支持城市NOA的车型，绝大部分都搭载了激光雷达，激光雷达在当前实现体验较好的城市NOA中（接管次数较少、行驶更加拟人）体现了较高的价值。同时，我们也观察到，支持城市NOA的车辆，摄像头数量和像素也高于仅支持高速NOA车型，视觉感知的重要性由于BEV的实时生成而大幅提升。算力方面，车载大算力芯片已俨然成为城市NOA标配，我们认为以地平线J5的128Tops为基准，在此之上才可以实现BEV+Transfomer，已基本成为行业的共识。

图表15：支持城市NOA车型的传感器和芯片配置一览

注：统计截至于2023年8月。表中缩写：ME – Mobileye, NV – Nvidia, SA – Qualcomm Snapdragon 资料来源：各公司官网，中金公司研究部

我们认为，“重感知，轻地图”相比于“高精地图”方案，可以支持城市NOA的快速推广，运行于上百座城市，是功能泛化的必要条件，也是“高精地图”当前无法实现的。此外，车企当前有出海诉求，不依赖高精地图也就意味着方案的泛化能力更强，更易在境外不同地区落地。至于成本端，我们认为，智能驾驶硬件会随渗透率提升和技术发展而快速降本。同时我们观察到，市场上成本控制比较极端的城市NOA方案已经降到了万元内，例如大疆车载的成行平台和毫末智行的第二代HPilot产品，我们建议持续关注低成本方案性能表现，以判断是否会进一步引领行业降本趋势。综上，从体验和成本综合衡量，“重感知，轻地图”整体利大于弊。

图表16：城市NOA平均硬件成本降本测算

注：以当下主流城市NOA硬件平均成本为基准，预测该套硬件在未来的降本趋势。详细测算请联系中金研究部汽车组。资料来源：各公司官网，中金公司研究部

图表17：毫末智行成行平台HP570

资料来源：毫末智行 AI Day，中金公司研究部

车端算力要求提高显著，城区NOA所需GPU算力超128Tops

车端算力由城市NOA功能预期带动，大量预埋后又回归理性。自从英伟达于2021年发布Orin X智驾芯片，单片算力达到254Tops，智能驾驶开启了大算力时代，一颗或是多颗大算力芯片方案都较为普遍。同时整车厂在城市NOA功能尚未落地之前，尝试通过硬件预埋的方式，预留足够的算力，以支持后续功能的OTA上车。我们认为，整车厂在城市NOA技术路径尚未确定之前，因为无法准确评估所需算力和传感器数量，所以硬件预埋上会超出实际需求。当前，随着城市NOA方案逐渐收敛，算力和传感器需求都较为明确，整车厂也有一定的车型降本压力，我们认为当前新车智驾硬件配置已逐步回归理性，从功能体验出发，用合理的配置做出预期的功能。

域控方案走向成本驱动，低端主打高性价比、高端注重算力合理。根据我们对智驾域控的Tier 1解决方案整理，我们发现以下趋势：

1) 高速NOA走向高性价比：低算力方案市场选择较多，竞争同质化激烈，2022年到2023年有超过20多款产品可选。我们认为，结合高精地图，当前高速NOA可由30Tops以下的解决方案实现，同时由于低算力方案的软硬件研发门槛较低，参与者众多，竞争十分激烈；且下游整车厂不愿为高速NOA功能付出溢价。据我们测算，30Tops以内的智驾域控售价通常控制在3,000元以内。

2) 城市NOA算力平台在2023年迎来井喷，英伟达和地平线方案占主导。多家业内知名的Tier1供应商在2023年推出了支持城市NOA的算力平台，其中不乏大陆、立讯精密、百度等传统大厂，也有轻舟智航、小马智行、佑驾创新等知名初创公司。我们认为，城市NOA的普及预期也带动了Tier1寻求更高性价比的方案。轻舟智航、小马智行号称一颗地平线J5（128Tops）就可以实现城市NOA，而行业普遍还是以一颗英伟达Orin X（254Tops）或是两颗地平线J5作为城市NOA的门槛。我们认为，Tier1和整车厂积极寻求更低硬件成本的城市NOA算力方案，在有具备合理算力同时，有助于向更低价车型渗透；同时，也在驱使软件公司精简算法架构，更好达到体验和成本的平衡。

3) 中端解决方案稀缺，验证行业低端争成本，高端争体验的趋势。市场上30-128Tops的方案的供给和需求是较弱的，我们认为，原因一是性价比不敌30Tops以下方案，二是可实现功能，或是提供的体验，无法与搭载大算力芯片的解决方案抗衡。因此，中端方案由于其市场定位的不明确，供给和需求都不断收紧。

图表18：Tier 1公司推出的智驾解决方案所搭载芯片

注：标蓝色为产品可支持或是可以拓展至城市NOA功能 资料来源：佐思汽研，各公司官网，中金公司研究部

高像素摄像头有助提升视野范围，激光雷达助方案“弯道超车”

“重感知，轻地图”对传感器诉求有所提升。在行业的技术趋势由高精地图和前融合转向“重感知”和BEV+Transformer后，智驾解决方案对“纯视觉”技术路线倾向性更强。尤其是当城市NOA的智驾等级划分停留在L2，即驾驶员始终承担车辆行驶责任，行业对雷达的定位从之前的“功能件”开始向“安全件”进行转变。也因此，当下对不同传感器的诉求有了分化。

► 摄像头：向更高像素8MP摄像头演进。一是，高像素摄像头成本有所下降。根据我们测算，当前8MP摄像头价格在350元左右，得益于持续上量，价格己较去年450元左右，有明显下降。二是，为了获取更精密环境信息和更远视距。8MP摄像头能够具备在更远探测距离的同时，还拥有较大的视场角（FOV）。2MP摄像头有效探测距离在150m的时候，FOV只有50°左右，而8MP摄像头，可以在实现200~250m探测距离的同时，拥有120°左右的FOV。同时，高分辨率摄像头还具备更高的动态范围（HDR）和 更优的LED频闪消除功能（LFM），利于更多行车场景。

► 激光雷达：“纯视觉”方案的推广，对激光雷达在智驾解决方案的必要性提出了挑战。我们认为有两点主要原因，一方面技术来说，Occupancy Network（占用网络）的使用，可以一定程度上解决通用障碍物的识别和测距问题。第二方面，半固态激光雷达价格仍然较高（905nm激光雷达3000-3500元），且未来1-2年降本空间有限。因此，在整车厂加速降本的大背景下，激光雷达成为了非刚需。但是，当前为了让城市NOA可以支持更多城市场景，接管率更低，大多国内整车厂仍然选择采用激光雷达。我们认为原因，一方面降低接管率，提升用户体验；另一方面也提升了系统的安全性，例如AEB的准确度；同时，营销角度而言，配备激光雷达也彰显了车辆的科技属性，有利于提升车型市场定位。

我们认为，“纯视觉”方案需要至少2-3年的发展才可以实现与激光雷达方案相近的运行范围。同时，激光雷达在不断降本，固态激光雷达有望将激光雷达成本降至千元级。在明确激光雷达对智驾的增益，以及不断降本的预期下，我们判断，激光雷达将或仍在智能驾驶方案中占有一席之地。

图表19：激光雷达辅助识别异形障碍物

资料来源：阿维塔，中金公司研究部

图表20：国内乘用车车载激光雷达月度渗透率

资料来源：高工智能汽车，中金公司研究部

► 毫米波/超声波雷达：这两种雷达的成本相对较低（百元级），且在目标追踪、行车测速、近距离测距场景的实用性较高。我们认为，这两类雷达以性价比较高的形式对“纯视觉”方案进行了有效补充，因此，在不是特别追求极致成本情况下，毫米波雷达和超声波雷达仍会出现在绝大多数“无图”方案当中。此外，4D毫米波雷达，在传统3D毫米波雷达（距离、速度、水平角度）基础上增加了俯仰角度或高度。我们认为，4D毫米波雷达有望以较高性价比（千元级）提供更丰富数据信息。限于其测距精度、分辨率不够，我们认为，4D毫米波雷达还无法替代激光雷达的作用，更多是平行互相补充的关系。

IMU为BEV按时序拼接提供重要位置信息

惯性测量单元（IMU）可以通过测量角速度和加速度实现对车辆位置的判断。IMU可测量三维线性加速度和三维角速度，根据这些信息，可计算出车辆的姿态（俯仰角和滚动角）、航向、速度和位置变化。IMU的关键优势在于它在任何天气和地理条件下都能正常工作，可用于填补GNSS信号更新之间的空白，甚至可以在GNSS和其他传感器失效时进行航位推算。

图表21：北云科技通过IMU模块地下停车场定位表现优异

资料来源：北云科技公告，中金公司研究部

带时序的BEV算法需要IMU统一坐标系。早期BEV算法输入是单帧图像数据，目的是获得语义信息和目标检测。而特斯拉推行的BEV算法把时间维度也加了进来，实现多帧摄像头的时序输入，从而可以在语义地图的基础上再得到运动检测的效果。不同帧的BEV特征要投影到世界坐标系下进行对齐，那么它需要得到上一帧与当前这一帧车辆的运动状态，算出相对位姿，而通过获取IMU测量出的车辆加速度（惯性）和角速度，系统可以算出自车的旋转跟位移。于是在IMU帮助下，不同帧BEV之间的相对位置可以明确，在世界坐标系下得以对齐。

图表22：特斯拉HW3.0采用的贴片方案

资料来源：HiEV，ublox，中金公司研究部

图表23：导远电子IMU模组方案供货国内新势力

资料来源：导远电子官网，中金公司研究部

“轻地图”不代表无需地图，智驾地图未来供需或将更为合理

高速场景下，高精地图的供需关系会更为合理，高精地图的发挥空间更大

► 需求端：高速场景下，由于车辆行驶速度较快，需要超前的路径规划和运动控制能力。因此，高速场景下，车辆对“超视距”交通信息的诉求就更加明显。高精地图能为车辆提供高速前方匝道位置、道路曲率，汇入汇出信息等，以方便车辆能准确进入匝道，提前变道，用更平稳的加速度实现变道、加减速等操作，也一定程度上提高了行车安全冗余。

► 供给端：我们认为，高速公路由于道路结构标准化高，交通场景相对简单，施工频率不频繁，地图的采集难度较低，因此高速场景的高精地图成本大为可控。早在21年，中海庭[5]公司就表示已完成30多万公里的国内高速公路“全覆盖”。因此，对于整车厂来说，高速公路高精地图较为成熟，使用成本也远远小于城区。目前，经我们测算，高速HD Map的单车License已降至约100元左右每年。

“轻地图”可提供道路拓扑信息，未来众包或是轻量化辅助驾驶地图(SD Pro Map)仍有用武之地。SD Pro地图介于普通导航地图和高精地图之间，其在精度、要素的丰富度上，虽比高精地图低，但是实用信息要比导航地图丰富很多。我们认为，SD Pro地图是未来图商产品演进方向，其意义在于提供车辆超视距感知，车道拓扑信息以及较难场景的语义理解，帮助整车厂获取所需先验信息，以加快推进城市NOA的落地。“轻地图”主要特性有三：

► 降本：聚焦智能驾驶的必要要素，在保障米级精度，满足L2+级自动驾驶需求的同时，进一步降低建图成本，为城市级智能驾驶规模化落地提供基础。

► 增效：聚焦增益更高的道路拓扑而不是特征，更新更快，多种采集更新模式可以保障天或周级更新，通过提供更加实时准确的数据，帮助敏捷应对快速变化的城市场景。

► 个性化：要素更精细，除道路外，对于座舱应用需要的POI（兴趣点）、环境、建筑物等有更精细的表达，可支持更三维化、逼真化、实时化的地图渲染，提升座舱体验。

以高德为例[6]，2023年6月发布HQ Live Map地图，不同于传统HD Map，更注重单车难以准确判断的道路拓扑信息，且将城市道路要素从67 个减少到 20 个左右，相对精度也从 10 厘米降低到了 1 米。更少的要素、更低的精度，再加上大量物流车等特殊车辆的众包采集，高德[7]宣称可以做到最快天级更新。公司计划23年覆盖 50 个城市，24年推广到 100 城。

图表24：车载地图发展趋势

资料来源：高德、Mobileye、腾讯公告、中金公司研究部

国家顶层设计推动高级辅助驾驶地图应用，厂商跟进扩大覆盖范围。自然资源部今年8月份例行新闻发布会上，信息管理司李永春司长表示[8]，继2022年落实北上广深杭渝6个城市高精度地图应用试点工作，在完善了审图机制的基础上，2023年全面放开普通道路高级辅助驾驶地图应用。百度地图在同月宣布[9]，其134个城市高级辅助驾驶地图已获国家自然资源部地图技术审查中心审批，实现了全国一线、新一线、二线城市全覆盖，三线城市覆盖率超85%。继5月份集齐6个试点城市高级辅助驾驶地图许可后，百度地图历时3个月持续扩大地图覆盖范围，并实现车道级功能覆盖。我们认为，高精地图的供给问题，随着政策支持和厂家推进，将逐渐缓解，轻量化高精地图方案仍有望成为技术层面较为保守整车厂的首选。

图表25：以高德地图为例，上半年通过东莞、佛山HD Map审核

资料来源：广东省自然资源厅，中金公司研究部

10月“轻地图”有望落地，解析头部企业进度和展望

当前城市NOA围绕有无“地图”有三种落地方式。第一种是“有图”方案，即使用高精地图，在数量有限的城市进行落地。另外两种都是“轻地图”方案，本文的讨论重点，不过略有区别。第一种“轻地图”是车企不采购高精地图，但是会自建众包地图或是采用SD pro地图（导航地图+道路拓扑信息），用先验信息来辅助感知，支持更准确的路径规划。第二种“轻地图”是不采用除导航地图外的先验信息，所有对道路的理解、拓扑都构建都是由实时的感知算法决策得出。

图表26：围绕地图城市落地的三种路径

资料来源：各公司官网，中金公司研究部

“有图”城市NOA，2022年落地，2024年上量。2022年9月以来，使用高精地图的城市NOA方案，以小鹏、华为为智驾行业龙头代表，陆续在试点城市落地。其它智驾厂商，例如Momenta，小马智行，百度，小米等，我们认为也有较为清晰的落地时间线，预计也会在2024年前后进行推送。如前文论述，高精地图虽然可以在城市NOA上量初期满足特定城市的开城诉求，但是，随着城市NOA渗透入更多地区，高精地图的广度和鲜度弊端逐渐显露。因此我们认为，当前采用高精地图的城市NOA厂商，有很大可能会向“无图”方案转变。

图表27：国内乘用车高精地图月度渗透率

资料来源：高工智能汽车，中金公司研究部

图表28：国内乘用车城区NOA月度渗透率

资料来源：高工智能汽车，中金公司研究部

“无图”或“轻地图”方案依赖行业龙头突围。特斯拉BEV+Transformer的成功落地为行业指明一条 “轻地图”的可行道路。国内智能化先锋厂商，小鹏、华为、理想、蔚来等，都相继表示将采用类似的“轻地图”方案推广其城市NOA，并先后明确了预计的落地计划。同时，理想和小鹏也推出了过度方案，“通勤NOA”和“AI代驾”，希望通过以点及面，来加速城市NOA的落地速度和范围，同时也能让更多用户使用上，培养用户粘性，提升智驾口碑。

图表29：国内主流城市NOA智驾功能进展（23年9月）

资料来源：各公司官网，MarkLines，汽车之家，中金公司研究部

小鹏有望率先落地“无图”城市NOA

小鹏“无图”城市NOA落地节奏最快。截至于10月1日，小鹏已率先在广州和北京进行了范围较广的无图XNGP（城市NOA）试驾邀请，也是目前国内第一家可以在公共路面进行“无图”城市NOA方案公开测评的整车厂。

图表30：小鹏智能驾驶解决方案XPilot

资料来源：小鹏汽车公告，中金公司研究部

当前测试版XNGP表现较好，有较强潜力在更多城市进行推广。结合互联网媒体评测视频来看，我们认为，无图 XNGP 选则车道的逻辑以及执行变道速度较为合理。在几乎没有道路环境先验信息的协助下，试驾车辆通过长路口、转弯的路径稳定性较正式推送版本有较大提升，几乎没有出现进入路口后犹豫的情况。在各类路口的让行和博弈场景中，无图 XNGP 的预判、博弈、决策的合理度也较为拟人，在拥有主导路权的情况下很少做出不适的减速和避让。

公司率先落地“有图”城市NOA，且布局“轻地图”较早，先发优势明显。小鹏早在2022年9月，为广州P5车主推送城市NGP功能。今年6月15日，小鹏汽车宣布城市NGP在北京正式开放，成为行业内首个在北京城区内开放高级智能辅助驾驶的车企，目前主要适用于北京各环线及主要快速路；至此小鹏城市NGP已支持北京、上海、广州、深圳、佛山5个城市。我们认为，早期通过高精地图落地城市NOA，可以有效地识别并收集城市场景下较难处理的路口，帮助之后在“轻地图”功能演进中，着重研发，避开潜在体验瓶颈。

小鹏XPilot总监Patrick Liu在CPVR 2023[10]上表示，小鹏AI团队早在2021年的时候，就开始探索当前 XNet 架构，并此后从落地角度出发，不断迭代。与特斯拉架构相似，小鹏同样采用卷积神经网络（CNN）主干来生成图像特征，再通过Transformer将多摄像头特征转置到BEV的3D空间中。

图表31：小鹏1.0融合感知架构到2.0 BEV感知架构演进

资料来源：小鹏CVPR 2023，中金公司研究部

小鹏的数据处理能力也助力了城市NOA 的快速落地。小鹏的自动标注系统将原来2000人每年的工作量，降低到了16.7天[11]。得益于小鹏扶摇自动驾驶超算中心（600PFLOPS）的设立，离线的识别模型可以更高效地标注多帧图像数据，并且允许不同帧数的对齐，实现可以结合时序、位姿的更精准标注。同时，小鹏由于比特斯拉的数据多了Lidar点云，标注的精度也会有提升。

图表32：小鹏自动标注系统提升大幅压缩数据处理效率

资料来源：小鹏 CVPR 2023，中金公司研究部

华为工程化能力助推落地节奏，年底预计可“全国开通”

华为ADS智驾方案赋能智选和HI车型。华为在智驾产业链的定位是智能驾驶解决方案提供商，通过软件方案、算力平台、传感器、云服务等全栈赋能智选和Huawei Inside合作车企，实现行业前沿的智能驾驶功能，例如城市NOA，高速NOA等。当前，华为ADS2.0智能驾驶解决方案搭载于已发布车型，包括阿维塔11/12，问界M5/7智驾版，极狐αs HI版。即将发布车型包括奇瑞智届S7和赛力斯问界M9。

华为优势在于工程落地能力，明确技术路线后快速实现功能。早在2021年上海车展期间，华为就对外演示了上海金桥区域的“有图”城市NCA功能，并在极狐αs HI版上实现激光雷达首次量产。随后的两年半时间里，华为对其城市NCA功能持续打磨，结合自研高精地图的采集，在全国各地进行泛化。

图表33：华为ADS智能驾驶解决方案全景图（2021年）

资料来源：华为公告，中金公司研究部

不依赖高精地图，ADS2.0即可实现城市NOA。在ADS1.0基础上演进，ADS2.0采用了与Tesla相似的神经网络架构，即通过BEV+Transformer对车道级拓扑进行推理，和通过GOD占用网络对不规则障碍物进行识别，从而实现不依赖高精地图的点到点导航辅助驾驶，并且传感器由标配3颗激光雷达减至1颗激光雷达，功能性不变的情况下，降低成本。

图表34：华为ADS算法架构

资料来源：华为23年上海车展发布会，中金公司研究部

ADS2.0购买方式灵活，可订阅，可买断。2023年4月公布的售价中，ADS2.0高阶智驾功能（包含城市NCA）一次性买断36,000元，包年订阅7,200元，包月订阅720元。终端车型目前高阶功能有一定的优惠，阿维塔11在年底前一次性购买价格降至18,000元，问界M5智驾版则是综合优惠下，年底前只需3000元即可购买城市NCA功能；订阅价格则维持原价。

图表35：华为ADS2.0覆盖城区场景

资料来源：华为23年上海车展发布会，中金公司研究部

“轻地图”方案年底计划覆盖全部城市。目前ADS2.0系统，落地于具备高精地图的上广深渝杭5座城市。在4月份的发布会上[12]，华为智能车BU 董事长余承东表示，将于今年3Q实现15个无图城市的城市NCA落地，4Q总量增至45城。而9月份的问界M7智驾版发布会上[13]，余承东又表示，华为将在年底覆盖全部城市，而不是45个。

理想通勤NOA先行，城市NOA推广水到渠成

2022年至今，理想加速了在智能驾驶领域功能释放的节奏，先后量产落地了AD 2.0的高速和泊车功能，并计划在AD Max 3.0上实现高速+城区+通勤+泊车功能的全覆盖。公司在AD Max 3.0上沿用了特斯拉的成熟技术路线，包括：静态BEV网络、动态BEV网络、Occupancy网络，并通过NeRF技术增强训练场景搭建精度等。我们认为，采用较为成熟的技术方案，一是功能落地性、迭代速度有所保证，二是可减少探索性的研发投入，提升研发投入ROI。

图表36：理想智能驾驶3.0系统架构

资料来源：公司官网，中金公司研究部

摆脱高精地图依赖，实时识别道路环境。公司研发之初即使用BEV取代高精地图，来实时感知和理解道路结构信息，同时引入NPN算法提供道路先验信息，在此基础上还解决复杂路口感知、红绿灯通行规则和道路环境完整还原的挑战。

► 复杂路口感知：当路口跨度较大、通行车辆较多时，传感器视野易被遮挡，车端实时道路感知受限，导致局部信息丢失。公司与清华大学交叉信息学院赵行教授课题组合作，通过集合NPN特征增强模型。NPN是基于历史数据，众包提取路口特征，构建特征库，当车辆行驶到路口时，将提前获取的NPN特征与当前模型生成特征相融合，生产当前BEV。

► 红绿灯通行规则：理解信号灯通行规则是城市道路通行的必备技能。不同于建立规则算法来联系信号灯与路口通行意图的主流做法，公司借助大量人类司机对于道路信号灯变化的反应，训练出一套TIN网络模型，以判断信号灯与路口关联关系和意图。

图表37：Neural Prior Net (NPN) 神经先验网络

资料来源：理想官网，中金公司研究部

图表38：Traffic Intention Net (TIN)信号灯意图网络

资料来源：理想官网，中金公司研究部

国内最多的训练里程，有望实现更快速的迭代升级。而从数据训练的角度，从2018年开始至今的五年时间里，公司的数据积累从AD 1.0的1亿公里的训练里程，到AD 2.0的2亿公里再到2023年的4亿多公里里程，实现了持续提升，拥有中国最多的自动驾驶训练里程。此外，公司还积累了超9.28亿训练视频片段和超过1074万小时的训练时长。

推出通勤NOA，23年底覆盖100城。公司计划于23年9月内测推送通勤NOA，到年底预计向100座城市的早鸟用户开启内测，并且计划于24年1月向全量AD Max用户推送。在通勤模式下，车主可以自主设定路线，通勤时即自动训练NPN特征。公司预计如果每天通勤，简单路线1周以内即可激活，复杂路线预计2-3周完成。

图表39：理想通勤NOA推送计划

资料来源：太平洋汽车，中金公司研究部

东风已至，扬帆起航，头部车企有望率先受益渗透率提升-成本下降-数据量提升-体验提升的正向循环。我们认为，技术东风已经具备，头部车厂当前正发力大范围拓展城市NOA；率先覆盖中小城市的企业有望率先占领用户心智，并获取智能驾驶系统的规模效益-成本优势，和行驶里程-数据优势，从而进一步提升性价比和使用体验，巩固自身领导地位，正向循环起来。尤其是当头部车企的城市NOA已获取明显成本优势和技术优势，向下更低价位车型渗透的时候，我们认为，未提前布局“重感知、轻地图”技术的车企，将面临很大的竞争力挑战，而且这个差距，由于缺乏数据储备和工程化能力储备，或许无法在短时间内追平。

投资建议与风险提示

投资建议

我们认为“重感知，轻地图”的主要优势之一是加速了城市NOA的落地节奏，可以让更多二三线城市消费者使用到高阶辅助驾驶功能，熟悉产品并形成依赖，在购车的时候优先考虑智驾能力出众的车型。同时，我们判断，“重感知，轻地图”方案的推广，将有效扩大城市NOA的受众消费群体，从而提高城市NOA的渗透率，进一步受益智能驾驶上下游产业链。因此，围绕这一逻辑线，我们建议持续跟踪城市NOA的落地进展，并关注智能驾驶产业投资机会。

风险提示

技术发展不及预期，“重感知，轻地图”无法按照既定的研发方向进行迭代，对高精地图功能的替代不及预期。

城市NOA推广不及预期，因为法规、技术、功能、体验上等问题，城市NOA无法实现快速推广，或是终端用户接纳程度不及预期。

智驾法规出台不及预期，更高阶自动驾驶，例如L3，的准入法规、或是高精地图的审图进展不及预期，不利于智驾行业的技术升级迭代。

[1]CAICV – 自动驾驶地图与定位工作组

[2]https://baijiahao.baidu.com/s?id=1764203265313944165&wfr=spider&for=pc

[3]https://www.mnr.gov.cn/dt/ywbb/202208/t20220802_2743109.html

[4]https://www.theverge.com/2019/4/24/18512580/elon-musk-tesla-driverless-cars-lidar-simulation-waymo

[5]https://baijiahao.baidu.com/s?id=1705772879323933917&wfr=spider&for=pc

[6]https://baijiahao.baidu.com/s?id=1775107743942469511&wfr=spider&for=pc

[7]https://baijiahao.baidu.com/s?id=1768847030523907215&wfr=spider&for=pc

[8]https://www.mnr.gov.cn/dt/zb/2023/lxxwfbh_8/jiabin/

[9]https://baijiahao.baidu.com/s?id=1774900966833816903&wfr=spider&for=pc

[10]https://baijiahao.baidu.com/s?id=1769487689150516189&wfr=spider&for=pc

[11]https://m.thepaper.cn/baijiahao_20463294

[12]https://baijiahao.baidu.com/s?id=1763335683441401561&wfr=spider&for=pc

[13]https://baijiahao.baidu.com/s?id=1776823084919746065&wfr=spider&for=pc

[14]https://www.bilibili.com/video/BV1Nu4y1977f/?spm_id_from=333.337.search-card.all.click&vd_source=8f39dd0444f1dcac168b840919073071

Source

文章来源

本文摘自：2023年10月17日已经发布的《智驾先锋系列一：“重感知，轻地图”城市NOA全面落地的助推器》

来源：中金点睛