目
录 1. 面对 L3 的落地困难，主流玩家各尽其能 ..................... 3 1.1. L3 级自动驾驶有些“鸡肋” ............................................................. 3 1.2. 面对 L3 的落地困难，主机厂与科技企业选择了不同发展路径 5 1.3. L4 级自动驾驶在商用车中的落地或先于乘用车 ............ 7 2. 特斯拉——智能驾驶中的“异类” .......................................................... 9 2.1. 淡化自动驾驶级别，专注于提升用户体验 ................ 9 2.2. 采用影子模式取代测试车队，实现长尾场景的快速覆盖 ..... 9 2.2.1. 加州脱离报告的价值在于判断行业拐点，测试车队“覆盖长尾场景”仍需较长时间 .................................... 9 2.2.2. 特斯拉采用影子模式实现场景的快速积累 .............13 2.3. 利用领先的电子电器架构率先实现 OTA 升级 .............14 3. 投资建议 ................................................16 4. 风险提示 ................................................17
1. 面对 L3 的落地困难，主流玩家各尽其能 1.1. L3 级自动驾驶有些“鸡肋” 2020 年 5 月，奥迪技术总监 Hans 在接受 Automotive News Europe 的采访时表示，奥迪将不会在全球范围内为现款 A8 引入 TJP 功能；此前福特北美总裁也曾表示，福特将放弃 L3 级别自动驾驶；博世则在公开演讲中一再推迟TJP 落地的时间。“L3 落地难”正逐步成为业内共识。
“L3 落地难”的原因是多方面的：
责任划分维度：
L0-L2
阶段属于智能驾驶辅助系统的范畴，人类驾驶员仍然需要负责所有的驾驶任务，一旦出现交通事故，责任依然是由人类驾驶员 来承担。L4 及以上级别自动驾驶则明确不需要人类驾驶员接管驾驶， 车辆对结果负责。而处于过渡阶段的 L3
级别自动驾驶没有给车辆和人类驾驶员进行清晰的责任划分，一旦出现事故，责任主体可能 涉及驾驶者、OEM、软件供应商等多方。从监管的角度来看，目前 全球还没有适用于 L3 级别自动驾驶的法律框架。
图 1：在 SAE 自动驾驶分级中，从 L3 开始车辆需要承担责任
数据来源：SAE，
表 1：工信部发布《汽车驾驶自动化分级》 分级 名称 车辆横向和纵向运动控制 目标和事件探测与响应 动态驾驶任务接管 设计运行条件 0 级 应急辅助 驾驶员 驾驶员及系统 驾驶员 有限制 1 级 部分驾驶辅助 驾驶员和系统 驾驶员及系统 驾驶员 有限制 2 级 组合驾驶辅助 系统 驾驶员及系统 驾驶员 有限制 3 级
有条件自动驾驶
系统
系统 动态驾驶任务接管用 户(接管后成为驾驶员)
有限制 4 级 高度自动驾驶 系统 系统 系统 有限制 5 级 完全自动驾驶 系统 系统 系统 无限制* 注：*排除商业和法规因素等限制 数据来源：工信部， 由于一旦发生事故造成的损失太大，责任不明晰导致的潜在风险是
主机厂难以承担的。我们通过 AI 在智能驾驶、医疗、教育等三个行 业的推广情况来说明这个问题。首先明确一点，目前 AI 技术的可解释性不高，不论应用于哪个场景都难以做到 100%准确。
对于教育场景，比如科大讯飞的个性化学习手册根据学生的课内数据为其推送题目，必然也会有一些推送不当的情况存在，但这种负面的应用个例所造成的损失是比较小的，导致大家在检验产品效果的时候更多地关注“整体”而不是“个体”，即只要绝大部分的题目是推送恰当的，对厂商和用户而言就是一款好产品。所以相关技术的推广速度就会快一些。
对于医疗/自动驾驶等场景，由于负面的应用个例将会产生非常严重的后果(比如重大疾病的误诊、自动驾驶产生的交通事故)，导致在检验产品效果的时候更多地关注“个体”而不是“整体”，在这些场景中安全性的优先级会高得多。对于主机厂而言，在责任明晰之前， 即使是 99.99%的可靠性也是不能接受的，因为这可能意味着每卖出10000 台车可能就会产生一起事故。所以相关技术的推广速度会慢一些。需要说明的是，从这点上来说，并不能根据比较自动驾驶和驾驶员驾驶的事故率来判断 L3 及以上级自动驾驶的量产节奏。
表 2：负面的应用个例所造成损失的大小在一定程度上决定了技术在不同场景下的推广速度
教育 医疗/自动驾驶
出现负面的应用个例所造成的损失 小 大 效果验证方式 整体 个体 企业的核心关注点 效率 安全 对于可解释性的要求 低 高 AI 推广速度 快 慢数据来源：
技术维度：L3 属于驾驶员驾驶与汽车自动驾驶过渡的阶段，这意味这在使用过程中需要人类驾驶员和智能驾驶系统频繁交接车辆的控制权，而这个人机交互过程的技术实现非常复杂，且具有偶然性。此前福特北美总裁 Raj Nair 就曾表示公司放弃 L3 而直接提供 L4 级别全自动驾驶的车辆，原因是从机械操控切换到人工操控的问题不容易解决。考虑到从长远来看，频繁交接车辆控制权的情况在 L4、L5 级别自动驾驶中并不会发生，厂商又怎么会有足够的动力去投入大量资源研发此类终将无用的技术呢？更何况是在目前责任划分还不明确，导致 L3 级自动驾驶很难大规模量产的情况下。
成本维度：由于从 L3 开始车辆要对结果负责，必须有足够的系统冗余，这将产生高昂成本。以全球首个量产 L3 自动驾驶车型—— 奥迪 A8 为例，根据 System Plus 咨询的研究，其 TJP 系统成本的60％是半导体的成本。
表 3：自动驾驶对于芯片算力要求极高 Mobilieye Nvidia Qualcomm Renesas NXP Infineon 主流芯片 TI
Intel 英伟达 高通
瑞萨 恩智浦 英飞凌 SoC EyeQ5 Xavier SD8155A
TDA4x H3 S32G TC397 安全等级 ASIL C ASILC ASIL A ASIL C ASIL B ASIL D ASIL D CPU DIMPS 52K 137K 85K 80K 40K 7200 2040
GPU GFlops@32bits
0 1300 1100 250 288 SOP 时间 2020Q3 2020Q1 2020Q1 2021 2019Q4 2021Q1 2019Q1
成本指标评估
数据来源：广汽，
1.2. 面对 L3 的落地困难，主机厂与科技企业选择了不同发展路径 自动驾驶的主流玩家可以分为两类。一方是主机厂和传统 Tier1，根据Navigant Research 的数据，目前这类玩家中处于领先地位的是通用Cruise 和福特自动驾驶。另一方是科技企业，典型代表是与谷歌同源的 Waymo、百度，以及刚刚被亚马逊收购的 Zoox 等。
图 2：2020 年自动驾驶汽车排行榜
数据来源：Navigant Research，
针对发展 L3 级别自动驾驶中遇到的困难，这两类玩家选择了不同的发展路径：
主机厂整体上走的是渐进式路径。一方面从 L1、L2 向高阶自动驾驶升级，另一方面从高端车型向中低端车型渗透。整体来看是在 L2 的基础 上叠加新的 L3、L4 级别的功能来给予客户更好的消费体验，通过“L3 的功能+L2 的责任划分”来规避掉 L3 责任划分问题，同时由于脱离了SAE J3016 和法律的限制，相对于 L3 级自动驾驶，主机厂可以节约部分冗余设计，降低了成本。
科技企业整体上走的是跨越式路径。和主机厂不同，科技企业往往直接切入L4 及以上级自动驾驶，从车型上主要以Robotaxi 为代表的商用车， 以及物流车、矿区车等针对具体工况的车辆入手，通过车型对使用场景的限制来降低开发难度。比如 Waymo 在美国凤凰城推出了Waymo ONE， 百度 Robotaxi 车队 2019 年 9 月开始在长沙部分已开放测试路段进行试运营。
Followers Challengers Contenders Leaders Intel-Mobileye Cruise
Aptiv-Hyundal Waymo
Ford Autonomous Toyota Zoox Yandex Vehicles B aidu BMW Volkswagen Group Volvo Daimler-Bosch May Mobility Rena 主机厂或传统Tier1 IT企业或初创公司 Strategy Tesla NAVYA ult-Nissan-Mitsubishi Voyage Auto Execution
高度/完全自动驾驶L4-L5 技术竞争 渐进式路径车+AI 车+AI 渐进式路径
辅助驾驶L2 有条件自动驾驶L3 商品竞争 国际领先品牌已有L3级别产品发布，自主品牌L3规划在2020年实现 商用车：跨越式路径
L 2
L 3
L 4
图 3：在自动驾驶技术开发过程中，主机厂走渐进式路径，科技公司则选择跨越式路径
跨越式路径 AI+车
配置竞争 数据来源：广汽，
图 4：不同的玩家类型决定了乘用车和商用车两个赛道的自动驾驶发展路径不同
限定区域等典型应用场景下，跨越式实现高度智能驾驶
商用车
乘用车
2019
2022
2025
从ADAS渐进演进到高度/完全智能驾驶
数据来源：华为，
不同的发展路径背后反映出的是两类玩家不同的禀赋和定位。
对于主机厂而言，其禀赋在于行业 Know How 和品牌积累，一下子跳出现有框架是不合适也是不容易的。从定位上看，即使高阶自动驾驶衍生出的商业生态成为现实，未来主机厂的主要价值还是通过卖车实现，就像智能机产业链中霸占APP 榜单的应用并不是由苹果、华为等手机厂商开发的一样。
对于科技企业而言，其禀赋在于软件开发能力，并不直接制造汽车，或此前并不具有造车经验。从定位上看，这些企业入局自动驾驶的目的并不是为了造车，而是抢占继手机之后最大的数据入口，或是与自身业务形成协同效应。如阿里巴巴自动驾驶专注于物流领域，以支撑电商、外卖等上层商业应用，服务于其“让天下没有难做的生意”的愿景；亚马逊收购 Zoox 同样是出于物流方面的考量。
乘用车：渐进式路径
L
2
L
4
图 5：阿里巴巴自动驾驶专注于物流领域
数据来源：阿里巴巴， 1.3. L4 级自动驾驶在商用车中的落地或先于乘用车 L4 级别自动驾驶在商用车中的落地或先于乘用车。L4 级自动驾驶将率先在商用车中落地已逐渐成为各方共识，根据华为的预测，Robotaxi 和功能型车辆或可在 2023-2025 年搭载 L4 级别自动驾驶，而对应乘用车搭载L4 则要等到 2025 年之后。类似的结论也出现在罗兰贝格的研究中， 他们认为 2023-2025 年就将出现城际无人客运巴士、城际无人物流干线 货运等，而指定场景无人驾驶私家车的出现则在 2025 年之后。根据广汽的预测，从 2020 年开始，以 Robotaxi 为主的自动驾驶车辆在新车销售量中的占比将逐步提升，至 2040 年，这一比例将超过 70%。
图 6：L4 级别自动驾驶在商用车中的落地或先于乘用车
第一波 ADAS/L2 (2021-2022)
L0 (NCAP/AEB) L4 RoboTaxi (AVP)
L4 (物流配送)
L4 (港口物流)
L4 (园区小巴)
L4 (矿卡环卫)
第二波 (2023-2025)
L2+ L1/L2 (HWA/APA)
L4 RoboTaxi (ODD)
L4 (干线物流)
L4 (无人公交)
L4 (工程机械)
第三波 (2026-2030)
L3/L4 (HWP/AVP)
数据来源：华为，
图 7：在罗兰贝格的预测中，自动驾驶技术在商用车中的落地快于乘用车 阶段 乘用车 中低档车 出行 运营商 物流 运营商 卡车 客车 作业车 豪华车
复杂市区
市郊大道
高速道路
特定园区
封闭低速
Level 0-2 Level 3 Level 4 Level 5
私家车出行
客运接驳
货运物流及其他
数据来源：罗兰贝格，
图 8：以 Robotaxi 为代表的 L3 及以上级自动驾驶车辆占比望提升 私有的人工驾驶车辆 共享的人工驾驶车辆 100% 私有的自动驾驶车辆 共享的自动驾驶车辆
80%
60%
40%
20%
0% 2015 2020 2025 2030 2035 2040 数据来源：广汽，
L4 级别自动驾驶在商用车中落地更快的原因有很多：
商用车可以通过划定 ODD 的方式降低技术难度。乘用车需要面对各种各样的路况，大规模量产 L4 需要大量的测试和仿真结果作为支撑。而相较于乘用车，Robotaxi 可以通过划定设计运行区域(ODD)来对车辆的行驶时间和地点进行限制，避开那些道路识别比较困难和路况比较复杂的区域，同时限制驾驶速度，从而绕过面对复杂场景的技术困难。
乘用车算的是体验账，而商用车算的是成本账。私家车用户在购买车辆的时候衡量的是使用价值，自动驾驶功能虽然能够带来更好的体验，但需要付出相对高昂的费用，同时传感器会影响车体美观。商用车作为“生 产资料”，用户衡量的是其商业价值，只要使用自动驾驶系统的成本低于人工驾驶员的成本就符合用户的利益。根据麦肯锡的研究，随着技术逐步成熟带动 AV 系统成本下降，到 2025-2027 年采用自动驾驶技术的出租车每公里的总成本就将下降到和传统出租车相当的水平，在这之后Robotaxi 的推广将大幅提速。
图 9：至 2025-2027 年，自动驾驶出租车成本将与传统出租车相当 1 传统无辅助私家车出行 7 15
城内最后3公里无人接驳小巴 全场景无人驾驶私家车
2 8 城内最后3公里无人物流派送
ADAS辅助的城市场景私家车出行
小车（店到家、外卖）
9 指定场景无人驾驶私家车 16 全场景Robcab出行服务
17 全场景无人驾驶移动服务平台 3 ADAS辅助的城市场景司机驾驶货运/客运
4 拥堵路段与简单道路自动驾驶的私家车出行
…
2030+实现
2025-2030实现 …
5 高速路段自动驾驶物流车队 6 高速路段自动驾驶长途客运 ...
10 城际无人客运巴士
11 城际无人物流干线货运
2023-2025实现
2016-2018实现
1
2018-2022实现
停车场自主泊车（Valet Parking）
14 …
2020-2023实现
12 特定区域无人物流派送小车 （最后1公里、室内派送）
3 特定区域/郊区无人接驳巴士
L2+ 级自动驾驶
FSD 3.0
L2+ 级自动驾驶
Autopilot 2.5
2021.Q3 （预计 ）
Autopilot 2.0
2019.4
2017.8
2016.10
2014.9
具备城市道路辅助驾驶的能力，智能召唤
可用于特斯拉 Robotaxi业务 美元/千米 自动驾驶出租车 传统出租车
0.8
0.6
0.4
0.2
0.0
2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030
数据来源：麦肯锡， 2. 特斯拉——智能驾驶中的“异类” 2.1. 淡化自动驾驶级别，专注于提升用户体验 特斯拉淡化自动驾驶级别的概念，专注于提升用户体验。如前所述，对于 L3 的落地难题，科技企业大多直接切入 L4，而主机厂(尤其是国内) 则主要通过 L2.5、L2.9 的方式来实现“L3 的功能+L2 的责任划分”，和两类企业都不同，特斯拉很少强调自己是L2 还是 L4，淡化自动驾驶级别的概念，只是单纯讲其实现的功能，专注于提升用户体验。
图 10：特斯拉自动驾驶发展历程
L3级自动驾驶
L4 级自动驾驶FSD 4.0
数据来源：特斯拉、广汽， 2.2. 采用影子模式取代测试车队，实现长尾场景的快速覆盖 2.2.1. 加州脱离报告的价值在于判断行业拐点，测试车队“覆盖长尾场景”仍需较长时间 MPI 值是加州脱离报告中最引人关注的指标。美国加州是全球首个为自动驾驶车辆上路制定路测法规的地区。自 2015 年起，加州机动车管理局要求取得自动驾驶路测牌照的公司每年上交一份自动驾驶路测数据报告，报告中涵盖测试里程数、测试路段场景、自动驾驶脱离记录等信息。加州机动车管理局则根据各公司提供的数据发布年度自动驾驶脱离报告（Autonomous Vehicle Disengagement Reports），在这份报告中，最令人关注的是 MPI 值(每两次人工干预之间行驶的平均里程)，该指标被认为是衡量自动驾驶系统运行性能的重要指标。
具备高速道路辅助驾驶的能力，一键泊车 自动驾驶汽车系统成 本在未来5年将下降 传统汽车(非自动驾驶 汽车)的总拥有成本
当前模型的交叉点在2025 和 2027 年之间
单纯根据 MPI 值进行排名，2019 年国内公司表现抢眼。2020 年 2 月， 2019 年加州脱离报告发布。如果按照 MPI 值进行排名，百度的 MPI 值高达 18050 英里/次，首次超过 Waymo(13219 英里/次)排名第一，此外， 国内企业如 AutoX、小马智行、滴滴等也获得了较高排名。
表 4：2019 年加州脱离报告中百度、Waymo、Cruise 等公司 MPI 值较高 车企名称 总里程数(万英里) 接管次数(次) MPI(英里/次) Baidu USA LLC 1083 6 18050 Waymo LLC 14541.37 110 13219 CRUISE LLC 8310.4 68 12221 AutoX Technologies, Inc. 320.54 3 10685 PONY.AI, INC. 1748.45 27 6476 Nuro 687.62 34 2022 Zoox, Inc 670.15 42 1596 PlusAI, Inc. 18.8 2 940 AImotive Inc. 60.56 26 233 WeRide Corp 59.17 39 152 Apple Inc. 75.44 64 118 Aurora Innovation, Inc. 134.29 141 95 Qualcomm Technologies, Inc. 21.64 37 58 SAIC Innovation Center 22.3 40 56 Drive.ai Inc 39.74 75 53 Nissan North America, Inc 22.77 47 48 Nullmax 24.3 70 35 Lyft 429.31 1667 26 Phantom AI, Inc. 11.25 43 26 SF Motors, Inc. 34.93 140 25 NVIDIA 72.18 655 11 Mercedes Benz Research & Development North America, Inc.
142.38
2054 7 Telenav, Inc. 0.22 3 7 BMW of North America 0.21 8 3 Udelv, Inc 7.07 444 2 Toyota Research Institute 18.17 2947 1 Valeo North America Inc. 1 92 1 数据来源：加州脱离报告，
是否凭借 MPI 值就能判断国内自动驾驶企业已处于全球领导者地位？ 答案是否定的。
测试里程和车辆数不同。在测试过程中，80%的情况是相似的，尤其对于头部企业而言，这些情况此前也都处理过。但在自动驾驶中， 真正难以处理的是最后 20%甚至 1%的长尾场景。而解决这些场景中出现的问题的前提就是要遇到过这样的场景。所以在一定程度上来讲，积累了更多的数据里程、拥有更大规模的测试车队也是体现自动驾驶公司实力的重要指标。在 2019 年的加州报告中，Waymo、CRUISE 的测试里程分别达到 145.41 万英里、83.10 万英里，占比分别达到 51%、29%；测试车数量则分别为 148 辆、228 辆，占比
为 23%、35%。
图 11：Waymo、CRUISE 测试里程数分别占整体的 51%、29% 万英里
160
140
120
100
80 60 40 20 0
数据来源：加州脱离报告， 图 12：CRUISE、Waymo 测试车数量分别占整体的 35%、23% 辆
250
200
150
100
50
0
数据来源：加州脱离报告，
测试场景不同。由于加州机动车管理局并没有对路测环境进行统一规定，导致各公司的实际路测环境并不相同。如 NVIDIA、SF Motors 等公司主要脱离场景集中在公路和高速路，据此可以推断这些公司的主要测试场景都集中在公路和高速路；而 Waymo、Cruise 等公司的脱离则主要发生在城市街道，表明其更多地将路测重点放在了城市街道场景之中。即使对于城市街道分类下，各家公司的具体路测环境也有所不同，而不同的路测环境往往意味着不同的测试难度， 造成 MPI 值的失真。
表 5：不同公司的脱离次数在不同测试环境中的分布并不相同(单位：次)
Freeway highway Parking Parking
Rural Rural
street Total CRUISE Waymo Apple Nuro Zoox PONY.AI Lyft Mercedes Benz
NVIDIA AutoX Drive.ai WeRide Aurora Toyota BMW Baidu Nissan SAIC
Udelv Aimotive Qualcomm PlusAI SF Motors
Nullmax Phantom AI
Telenav Tesla Waymo CRUISE PONY.AI Baidu Nuro Zoox Lyft AutoX Mercedes Benz
Aurora Apple NVIDIA Aimotive WeRide Drive.ai SF Motors
Nullmax Nissan SAIC Qualcomm PlusAI Toyota Phantom AI
Udelv Valeo Telenav BMW
Facility Lot Road
Baidu USA LLC
6 6 Waymo LLC 2 23 1
84 110 CRUISE LLC
68 68 AutoX Technologies, Inc.
3 3 PONY.AI, INC.
27 27 Nuro
34 34 Zoox, Inc
42 42
PlusAI, Inc.
2
2 AImotive Inc. 26
26 WeRide Corp 5
2
32 39 Apple Inc.
13
51 64 Aurora Innovation, Inc. 8 10
123 141 Qualcomm Technologies, Inc. 37
37 SAIC Innovation Center
40 40 Drive.ai Inc
75 75 Nissan North America, Inc 2
45 47 Nullmax
45
13 12 70 Phantom AI, Inc.
43 43 Lyft
1667 1667 SF Motors, Inc.
122
18 140 NVIDIA 574 47
34 655 Telenav, Inc.
3
3 Mercedes Benz Research & 183
1871
2054 Development North America, Inc.
BMW of North America
8
8 Udelv, Inc
444 444 Valeo North America Inc.
92 92 Toyota Research Institute 1
2946 2947 数据来源：加州脱离报告， 对于脱离次数的统计标准不同。加州 DMV 对于什么样的情况才必须接管也没有明确的规定，导致各家对于驾驶员接管车辆的标准并不统一。实际上，不接手就要发生事故和不接手只是略微影响其他 车辆行驶，是完全不同的情况。
综上，单纯通过比较 MPI 值来判断各家公司的自动驾驶能力是有失公允的。
加州脱离报告的真正价值在于通过纵向比较来判断行业拐点。我们认为加州脱离报告更大的意义在于我们可以通过对领先企业在不同年份的脱离数据进行纵向比较，来判断其是否实现了对于长尾场景的覆盖，从而粗略研判行业拐点。
我们尝试着对领头羊 Waymo 不同年份的脱离原因进行分析，以判断它是否实现了对长尾场景的覆盖。以 MPI 和测试里程两个维度作为标准， Waymo 仍然是自动驾驶的霸主。毫无疑问，Waymo 的自动驾驶能力是 逐年增强的，那么在行驶同样里程的前提下，如果下一年由于某一类问题产生的脱离次数多于上一年，就很可能意味着工况仍处于持续增加的过程中，即还没有实现对“长尾场景”的全覆盖。
图 13：如果将“里程”维度纳入，Waymo 毫无疑问仍是自动驾驶霸主
Waymo LLC 1
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
Baidu USA LLC
CRUISE LLC
Zoox, Inc 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
里程
注：三角形标记、正方形标记、圆形标记分别为 2017 年、2018 年、2019 年数据数据来源：加州脱离报告， 从领头羊 Waymo 的测试数据来看，测试车队在“覆盖长尾场景”方面仍有很长的路要走。通过对比 2015-2019 年 Waymo 的加州测试结果可以发现，每百万英里中如“感知”等问题所造成的脱离次数仍在明显增加，并没有出现收敛，表明测试车队在“覆盖长尾场景”方面仍有很长的路要走。
图 14：Waymo 部分问题所造成的脱离次数并没有出现收敛
感知 硬件 预测 行人 过于谨慎 天气 软件次/百万英里
300
250
200
150
100
50
0
2015 2016 2017 2018 2019
数据来源：加州脱离报告，
2.2.2. 特斯拉采用影子模式实现场景的快速积累 测试里程的快速积累是高级别自动驾驶落地的关键。如前所述，自动驾驶落地的关键在于覆盖长尾场景。根据广汽的预测，要实现 L4 级别自动驾驶至少需要完成 10 亿个测试场景，最小测试里程也需要 10 亿公里。由于自动驾驶测试车队相对于私家车队来讲是一个非常小的规模，导致如果单纯采用测试车队路测的方式来完成这样的测试需要大量的时间。
里程/脱离次数
图 15：达到 L3 及以上级别自动驾驶需要大量测试
0
数据来源：广汽，
特斯拉采用影子模式取代测试车队，实现驾驶长尾场景的快速覆盖。影子模式本质上是通过众包的方式来解决场景的快速积累问题。在这一模式下，即使在人进行驾驶的时候特斯拉自动驾驶系统同样也在进行计算自己会怎么做，然后和人的选择进行对比。如果自动驾驶系统和人的选择不一致，就对这类数据进行汇集，然后交由工程师判断自动驾驶系统的选择是否合理。由于特斯拉的汽车数量远远多于自动驾驶测试车队， 影子模式可以实现对于驾驶场景的快速积累，同时得到的结果也有更强的统计学意义。截至 2019 年末，特斯拉累计交付搭载自动辅助驾驶硬件 的车辆 85 万辆，AP 激活状态下累计行驶里程已超过 20 亿公里，远远超过竞争对手(Waymo 为 2000 万公里)。
图 16：影子模式使特斯拉积累的行程数据远超竞争对手 亿英里 合计 Hardware1.0 Hardware2.0/3.0 50
40
30
20
10
0
2015 2016 2017 2018 2019 2020 2021E 数据来源：特斯拉、广汽， 2.3. 利用领先的电子电器架构率先实现 OTA 升级 OTA 的全称是 Over-the-Air Technology，即空中下载技术。这一技术通过从远程服务器下载新的软件更新包的方式对自身系统进行升级，从软件的角度使每个车型更具个性化，是软件定义汽车的一种体现。
OTA 技术的好处有很多：
规避召回风险。根据 IHS 的研究，近年来和软件相关的汽车召回案例比例在显著上升，目前这一比例已经超过 40%。如果可以通过OTA 的方式对软件进行更新和完善，召回的发生有望大大减少，既节约了成本又降低了进厂召回带来的风险。
KPD 公里/无 10000 L4 智能驾驶
1000 接管 最小车辆数
2000+* 最小里程数据
10 9
测试场景数/评价维度
10亿+/100+
L3 智能驾驶
200+* 10 8
1000万+/50
100
10+ 10 6
10万/10+
30 L2智能驾驶 6~10* 10 5
1万+/10
10
3-5 10 4
1千/5
1
2-3 10 3
100/5
图 17：和软件相关的汽车召回案例比例已超 40% 个 汽车召回案例 1500
1000
500
0
60%
50%
40%
30%
20%
10%
0%
数据来源：IHS，
延长硬件生命周期，降低成本。OTA 的本质是通过软硬件的解耦来实现硬件生命周期的最大化。根据 IHS 的研究，2019 年 OTA 在 IVI OS、Core ECU、TCU 更新上为 OEM 节约的成本已达到 165 亿美元，这一数字在 2025 年有望超过 600 亿美元。
图 18：OTA 为汽车 OEM 节约的成本不断增加 TCU OTA IVI OS OTA Core ECU OTA 增速 亿美元 300 250 200 150 100 50 0 70% 60% 50% 40% 30% 20% 10% 0%
数据来源：IHS，
开拓新的服务模式，增加车辆的附加价值。以特斯拉为例，2020 年5 月，特斯拉推出了将百公里加速由 4.6 秒提升至 4.1 秒的能力，解锁这项能力需要 14100 元人民币。OTA 升级为主机厂提供了一种新的创收途径，增加了车辆的附加价值。
特斯拉是驾驶领域最早实现 OTA 的企业。早在 2012 年 4 月，特斯拉就开始了 OTA 升级，在 Model S 车型上，特斯拉通过OTA 的方式完成了提升续航里程、提高最高速度、提升乘坐舒适度等功能的升级以及钥匙卡等漏洞的修复。截至 2020 年 3 月已累计进行 OTA 升级超过 50 次。
OTA 的实现反映出特斯拉在电子电器架构上的领先。电子电器架构是OTA 的一个前提，传统的汽车采用的是分布式的 ECU 架构，一个功能可能是由若干个零部件的ECU 共同实现的，在这种情况下，如果要实现OTA 升级，就要同时对所涉及的节点进行统一升级，升级时间很长，用户体验不好。而特斯拉采用了一种新的电子电器架构，把原有的车身、底盘、安全系统等拆分到了中央计算模块(CCM)、左车身控制模块(BCM 与软件相关的汽车召回案例 与软件相关的汽车召回案例比例 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 20192015 2016 2017 2018 2019 2020 E 2021 E 2022 E 2023 E 2024 E 2025 E
特点分析
计算架构
AI 算力需求
LH)和右车身控制模块(BCM RH)，使控制器尽可能地集中，仅仅保留负责外设的ECU 维持分散布置。在特斯拉的域控制器架构中，每一个域都是由一个中央处理器来完成的，如果需要升级某项功能，就只要升级对应的那个域控制器主板，从而使得OTA 成为了可能。
图 19：汽车 E/E 架构发展趋势
E/E架构 代际
架构
主要特点
数据来源：麦肯锡，
图 20：特斯拉通过先进的电子电器架构实现 OTA
传统车企
TJP+HWA+RPA × ×
标杆车企
高速 + RPA 高速+城市
+AVP（ODD）
高速 + 城市 +AVP
（全场景）
数据来源：特斯拉、奇瑞汽车， 3. 投资建议 推荐虹软科技、中科创达、四维图新、锐明技术。我们认为，在智能驾驶加速发展的过程中，车端基于视觉的 DMS、ADAS 解决方案以及智能座舱方案需求将快速增加，路端高精地图等配套基础设施建设也有望提速。据此，推荐虹软科技(688088.SH)、中科创达(300496.SZ)、四维图新(002405.SZ)、锐明技术(002970.SZ)。
表 6：推荐标盈利预测表 股票名称 证券代码
收盘价 （20200702
EPS（元/股）
PE（倍）
评级 2019A 2020E 2021E 2019A 2020E 2021E
分布式 域集中式 中央集中式 1st 2nd 3rd Today 4th Central Gateway
域控制器 5th 车载资讯娱乐 Central Gateway -
独立ECU -
功能分离 -
每个功能有各自的 ECU
- 域内 ECU 协作
- 通过中央网关更强的
- 控制域：主体 / 协助、协同
底盘、动力、娱乐 -
3-4个独立工作网 -
域内有限沟通
-
跨功能联系
-
处理复杂功能的能力 -
中央域控制器 - 虚拟域
-
解决更多复杂功 - 有限的专用硬盘能的能力 - 以太网主干网
-
功能融合 - 高性能计算
Central Gateway
路线一：
从L2向L2+ 渐进式开发
路线二：
面向L4架构 下探实现L2+/L3 商用
集中式域控制器计算架构
高速 全场景
30-90Tops
城市 更多场景
120-300Tops
采用集中式平台，通过软件升级，逐步拓展 ODD ， 打造常用
常新的差异化体验， 持续领先
<10Tops
感知+融合规控+泊车分布式 计算架构
部 件 逐 个 累 加 ， ODD 限制多， 可扩展性差，无法OTA升 级
）
虹软科技 688088.SH 91.91 0.52 0.68 0.89 176.8 135.2 103.3 增持
中科创达 300496.SZ 78.81 0.59 0.71 0.97 133.6 111.0 81.2 谨慎增持
四维图新 002405.SZ 17.09 0.17 0.21 0.29 100.5 81.4 58.9 增持
锐明技术 002970.SZ 67.12 1.13 1.54 2.01 59.4 43.6 33.4 增持 数据来源：wind，
4. 风险提示 智能驾驶政策推出不及预期。L3 及以上级别自动驾驶的商业落地需要配套政策对人、车责任划分等关键问题进行明确。目前全球还没有适用于高级别自动驾驶的法律框架，若相关政策、法律的推出低于预期，可能会导致行业发展放缓。
智能驾驶技术发展不及预期。智能驾驶属于技术驱动型行业，高级别自动驾驶的发展仍有较多技术问题需要突破。若相关技术进展低于预期， 可能导致行业发展放缓。