自動駕駛產業鏈中，供給端的主機廠、零部件供應商、互聯網公司三者均有強烈意愿參與到智能駕駛產業鏈，目前產業對待汽車智能化主要是兩種思路：自下而上推廣智能駕駛即“汽車電子派”和自上而下推廣智能駕駛即“網聯派”兩種思路;從智能化的推進節奏看投資機會，應該分為三個階段：第一階段2019-2020年，第二階段2021-2025年，第三階段2025年后;具體來看，當前投資的落地點在于傳感層、計算層、執行層、芯片層、電動化這幾個層面。

核心觀點

1、供給端看，主機廠、零部件供應商、互聯網公司三者均有強烈意愿參與到智能駕駛產業鏈，目前產業對待汽車智能化主要是兩種思路：

一種是自下而上推廣智能駕駛，即“汽車電子派”。通過提供ADAS產品推進自動駕駛級別從L0 發展至L2，提高價值量并提升智能化水平，在普及率達到一定程度后，逐步尋求更高級智能駕駛機會。

另一種是自上而下推廣智能駕駛，即“網聯派”。以互聯網公司為代表，積極開發的算法，對零部件公司提供的硬件和整車廠提供的平臺進行整合，把無人駕駛的最終實現作為研究出發點和落地點。

2、從智能化的推進節奏看投資機會，應該分為三個階段。

第一階段2019-2020年，中短期關注智能化自下而上的機會，標的集中在基礎硬件的提供商。當前ADAS 產品安裝比例和價值量確定性提升，對應的產品需求能夠保持快速的增長，同時對應標的在下一輪無人駕駛階段也會具有較大規模而形成護城河。

第二階段2021-2025年，開始看自上而下的投資機會，時點上來看我們認為此階段是ADAS強制普及的節點，孕育了更高層次的智能駕駛的機會，華為、阿里、騰訊、百度等都在積極布局第二階段。

第三階段2025年后，自動駕駛開始在大量場景中實現，基礎建設落地，單車價值量顯著提升，智能駕駛實現一年萬億市場的投資機會。

3、具體來看，當前投資的落地點在于幾個層面。傳感層的機會在于高精度、高準確度的傳感器最終落地，單個車型的傳感器價值量不斷提升。計算層在于基于國內迅速迭代的算法技術的智能座艙落地，提升車輛駕駛體驗。執行層受益于國內的制造基礎，ADAS 和新能源的應用加速了執行層落地，催化劑在于政策帶來爆發性機會。網絡層、通信層方面，云、管、端的三層架構已經逐步明確，運營商、設備商和主機廠是投資機會。芯片層在于開發更為適用于智能駕駛的芯片，包括圖像識別、高速計算和數據傳輸等各個方面的應用。最后則是電動化這一層，新能源車更加有利于智能設備的安裝和推廣。

報告內容

一、智能駕馭進入實質落地期，政策及規劃催生萬億行業

1、政策推動及車企規劃

汽車智能化不同于新能源化，本質上是人們對汽車的更高品質的追求。汽車發展的歷史本質上就是對汽車動力性、舒適性、安全性追求的歷史，智能化明確地帶來舒適性和安全性的提升，因而需求是自發產生的。汽車行業自發需求的力量是巨大的，尤其是當前汽車動力性和空間差距已經逐步減少的背景下，購買者考察談論更多的是科技配置即智能化水平。可以預見未來ADAS 會成為人們口中津津樂道的“自動變速器”、“缸內直噴”而成為標配。

2018 年1 月，國家發改委公布《智能汽車創新發展戰略》(征求意見稿)，計劃到2020 年智能汽車新車占比達到50%，中高級別智能汽車實現市場化應用。在這一計劃公布后，國內智能駕駛試驗場地、車聯網及智能駕駛企業雨后春筍般迅速成長。

當前的政策屬于溫和培育階段，政策在智能化中起到摸著石頭過河的作用。2016-2018 年國家出臺了多部針對智能駕駛的指導意見和技術標準，規范相關標準體系為技術創新和管理鋪平了道路，而技術標準會參考各環節龍頭企業的指標，建議關注智能駕駛各環節的龍頭企業。表2 羅列了各車企的推廣進度，可見2021 年前基本都計劃有L4 級別的量產車上路。

對于國內廠商，智能化產品觸手可得。由于國內的電動化進程加速，智能駕駛技術在網絡層、通信層有比較多的機會，主機廠敢于去嘗試。汽車電子在國內廠商的推進加速，目前L1、L2 級別的配置國內已經下降到10 萬級別的車型，可見國內廠商推廣的決心。

2、智能駕駛的投資機會

從智能化的推進節奏角度看投資機會，我們認為應該分三個階段。

第一階段2019-2020 年，中短期更應關注智能化自下而上的機會，標的集中在基礎硬件的提供商。當前ADAS 產品安裝比例和價值量確定性提升，對應的產品需求能夠保持快速的增長，同時對應標的在下一輪無人駕駛階段也會具有較大先機。

第二階段2021-2025 年，開始看自上而下的投資機會，時點上來看我們認為此階段是ADAS 強制普及的節點。短期無人駕駛受制于政策、倫理、技術等問題無法實現盈利能力，而彼時無人駕駛已有了低端智能化作為硬件和軟件支撐，政府個人的接受度提升，打破常規限制才是高等級智能化成為駕駛安全的最終落腳點的時間契機。當前來看已經逐步進入這一階段，華為、中國移動、阿里、騰訊、百度等都在積極布局第二階段。

第三階段2025 年后，自動駕駛開始在特定場景中實現，基礎建設落地，單車價值量提升，智能駕駛實現萬億市場的投資機會。

具體來看，自動駕駛的產業鏈是極為豐富的，我們把產業鏈分成三個部分，基礎硬件、基礎軟件和應用集成三個方面。當前國內投資的落地點在于以下幾個層面。傳感層機會在于高精度、高準確度的傳感器最終落地，單個車型的傳感器價值量不斷提升。計算層在于基于國內迅速迭代的算法技術的智能座艙逐步落地，顯著提升車輛的駕駛體驗。執行層也是一個比較確定的落地點，一來國內有相關的制造基礎，二來ADAS 和新能源的大量推廣確保了業績穩健增長，催化劑在于政策最終落地會帶來爆發性機會。網絡層、通信層方面，云、管、端的三層架構已經逐步明確，運營商、設備商和主機廠是投資機會。芯片層在于開發更為適用于智能駕駛的芯片，包括圖像識別、高速計算和數據傳輸等各個方面的應用。最后則是電動化這一層，新能源車更加有利于智能設備的安裝和推廣。

以一臺車的自動駕駛產品價值量在10000 元(L3 水平)進行測算，全世界一年銷量一億臺車，即自動駕駛產品在L3 階段(有條件的自動駕駛階段)即可實現萬億級別的市場容量，預計這一階段的全面普及會在2025 年前實現，隨后行業進入L4高度自動駕駛階段。

二、智能加速，感知先行

感知層:激光雷達仍需等待性價比加速提升，毫米波雷達產業化競爭開始。

視覺傳感器可靠性低，多傳感器融合仍是最佳方案。傳感器是智能駕駛認知、決策和執行環節的基礎，我們認為至2020 年車載傳感器市場空間可達200 億/年。從可靠性出發，激光雷達、毫米波雷達及攝像頭的組合使用是最佳解決方案。毫米波雷達量產在即，24Ghz 頻段已較成熟，77Ghz 逐漸開始落地。激光雷達性價比仍需進一步提升，降維、固態、規模化是當下激光雷達成本降低的主要途徑，但就目前而言，低成本激光雷達解決方案目前不僅僅集中于硅谷，國內廠商通過研發迭代已經切入其中。

智能駕駛傳感器同一般車載傳感器相比其對性能、精度都有更高要求，因而價格也更為昂貴，在一百元至幾十萬元不等。主要包括攝像頭、毫米波雷達、激光雷達。通常位于車輛的前后保險杠、側視鏡、駕駛倉內部或者擋風玻璃上。

1、攝像頭: 國內占據優勢，增長來自量價提升

攝像頭傳感器通過視覺算法，攝像頭可對車道、路邊、障礙物、行人進行有效識別，不足在于識別范圍受限、穩定性差。但單一視覺方案易受到光照、極端天氣影響，且測距精度有限，因而當下主要采用“攝像頭+多傳感器共同探測”的解決方案。

攝像頭是應用最廣泛的智能駕駛車載傳感器，核心優勢在于物體識別。攝像頭傳感器一般由攝像頭、CMOS 相機和圖像處理電路板組成，是當前使用最廣泛的傳感器。攝像頭可描繪物體的外觀和形狀、讀取標志，同時獲取足夠多的道路環境細節，建立完整環境模型，幫助車輛進行環境認知。

攝像頭市場國內廠商異軍突起，歐菲光、舜宇光學、晶方科技加速布局。當前攝像頭傳感器造價成本在30-50 美元量級，供應商國內外平分秋色。國外廠商以日立、博世、大陸、奧托立夫為主，國內亦不乏優秀的全球供應商，歐菲光、舜宇光學、晶方科技加速車載攝像頭布局。其中歐菲光投資2 億元設立子公司布局車載攝像頭產業鏈，其研發的車載攝像頭傳感器已實現量產;舜宇光學車載攝像頭出貨量居全球第一位，市占率高達30%左右;晶方科技主要提供CMOS 圖像傳感芯片。

2、毫米波雷達:國內技術已經取得突破，緊跟國內龍頭公司

毫米波雷達具備全天候全時段特性，目前精度停留在分米級。毫米波是指30-300GHz 頻域(波長為1-10mm)的電磁波，波長介于厘米波和光波之間。毫米波穿透霧、煙、灰塵的能力強，在惡劣天氣下仍有較好的表現，具有全天候全時段的特點。主要應用于自適應巡航(ACC)、緊急剎車輔助(AEB)、盲點檢測(BSD)、行人檢測(PD) 等。

車用毫米波雷達頻段在22-29GHz 和77-81GHz 范圍，分窄帶(NB)、超寬帶(UWB) 兩種形式。全球汽車毫米波雷達主要供應商包括博世、大陸、海拉、富士通、電裝、天合、德爾福、奧托立夫和法雷奧等傳統優勢企業。在細分領域中，不同廠商各自稱王: 德國海拉是24GHz 雷達領域的巨頭;博世憑借具有250m 最長探測范圍的LRR4 在77GHz 領域位居第一;在日本市場，富士通份額排名第一，電裝位居其后。毫米波雷達價格大概在120-150 美元，國內價格在1000 元左右。

國內廠商加速毫米波雷達市場布局，量產在即。受益于智能駕駛概念推廣，毫米波雷達正逐漸成為汽車電子領域新的增長點，國內越來越多的汽車一級供應商和一些軍工及安防背景的公司開始準備毫米波雷達的系統研發工作。目前24GHz 毫米波雷達是國內主流，其研發成本、周期及難度比77GHz 低。77GHz 雷達由于國外對我國技術封鎖、元器件依賴進口等原因，研發推廣仍然有壓力。

79GHz將成為未來發展趨勢。當前國外毫米波雷達公司在積極研發下一代79GHz 雷達，其探測精確度是當前77GHz 雷達的2-4 倍。日本77GHz帶寬限制為0.5GHz，而79GHz 帶寬可達4GHz，發展空間巨大。并且79GHz雷達能夠探測行人和自行車，其最優探測范圍為70m，將成為中距雷達中的主流，未來可能會擠占24GHz 的市場份額。

3、激光雷達:三維分辨力，降成本仍是主要目標

具備三維分辨能力的“機械之眼”，應用漸趨主流，痛點在于降成本推進。激光雷達通過發射激光光束測量視場中物體輪廓與相對距離信息，形成點云并繪制出3D 環境地圖，激光雷達的精度為厘米級，是真正具備空間三維分辨能力的“機械之眼”。

激光雷達技術壁壘高，全球極少數廠家有量產實力，未來契機在于外延并購以及研發層尋求突破。當前已研制出可用于無人駕駛技術激光雷達產品的公司主要有美國老牌激光巨頭Velodyne，硅谷新銳Quanergy 和德國品牌Ibeo，國內的北科天繪也推出了首款導航型LiDAR。

1)激光雷達工作原理:激光雷達通過發射激光光束測量視場中物體輪廓與相對距離信息，形成點云并繪制出3D 環境地圖，激光雷達的精度為厘米級，是真正具備空間三維分辨能力的“機械之眼”。激光束可能包含1 線、4 線、8 線、16 線、32 線或64 線，多個激光束在豎直方向沿不同角度發出，經水平方向掃描實現對目標區域三維輪廓探測。多個測量通道(線)相當于多個傾角的掃描平面，因此垂直視場內激光線束越多其豎直方向的角分辨率就越高，激光點云密度就越大，測量精度越精準。

2)激光雷達評價參數:激光雷達測評參數主要包括探測范圍和角分辨率。測評一個激光雷達主要對比其探測范圍，包括有效距離，水平視角識別范圍、縱向視角識別范圍。一般來說角分辨率越小準確性越高，車載激光雷達水平方向上，角分辨率一般能達到0.1 度，縱向一般是0.5 度左右(每個接收器覆蓋縱向0.5 度)。

3)激光雷達應用場景:激光束工作頻率高、解析度高、隱蔽性好、抗有源干擾能力強、低空探測性能好，可通過距離多普勒成像技術獲得目標的清晰圖像。但激光在大雨、濃煙、濃霧等極端天氣里衰減急劇加大，傳播距離大受影響，大氣環流還會使激光光束發生畸變、抖動，直接影響激光雷達的測量精度。

降維、固態、規模效應是當下降低激光雷達成本的主要途徑。激光雷達成本高主要反映在光學部分和機械旋轉部分，激光二極管、光學二極管檢測器和現場可編程門陣列(FPGA)成本也很高。目前激光雷達價格在5 千-7 萬美元不等，行業內主要從降維、固態化和規模效益三方面降低成本。

1)降維:降低成本同時性能受限。Velodyne 的激光雷達按照線束密度進行定價，64 線束報價8 萬美元，32 線束報價4 萬美元，16 線束報價4 千美元。降維會降低激光雷達精確度，無人駕駛要求激光雷達線束下限為16 線，為保證精確度，通過降維來降低成本受到一定的限制，當前國內的龍頭激光雷達企業已經把16 線產品壓低到豪華車可接受的范圍，即5 萬人民幣以內。

2)固態化:降低成本的主流技術方法。通常激光雷達為機械式，通過內部的機械部件實現對周圍環境360°的掃描，此類激光雷達一般安裝在汽車車頂，體積較大且不能與車身很好融合;而固態激光雷達不存在機械旋轉部件，只能探測前方，需要通過安裝多個固態激光雷達實現車身360°探測，同時，固態激光雷達體積小，能融入車身，價格相對便宜，多個安裝價格仍低于傳統激光雷達。固態化成為激光雷達廠商降低成本的研發新趨勢。

3)規模效應:產業化降成本的主要途徑。盡管降維和固態化都能在一定程度降低成本，但批量成產帶來的規模效益仍是實現成本下降最有效的方式。全球傳感器分德、美日兩大陣營，德系廠商“毫米波雷達+攝像頭”路徑居多，其主張精度可以通過算法優化、高精度地圖補充實現;美、日系更為傾向激光雷達，同時通過同Tire-2 供應商合作推進成本下降。德爾福配備福特、路虎，電裝配備大發，大陸配備本田、馬自達、鈴木、豐田。

低成本雷達解決方案趨待量產，國內后發先至成為降成本主力。國內外絕大多數車載激光雷達廠商仍處于研發、測試階段，多為創業公司。國外廠商如Innoviz，LeddarTech，Phantom Intelligence, TriLumina，MIT 團隊等一大批強勁的初創公司加入激光雷達行業。國內激光雷達起步晚，目前擁有激光雷達測量應用技術的國內公司有禾賽科技、北科天繪、鐳神智能、思嵐科技、巨星科技、大族激光等，進軍智能駕駛用激光雷達后，大多提出了金額比較低的產品。

4、傳感融合，當下主流與高階自動駕駛

橫向維度:傳感器之間不能完全替代，須滿足性能補充和冗余判斷要求。傳感器各有優劣，攝像頭傳感器價格低廉并且應用范圍廣，但是在雨雪天氣識別能力差;毫米波雷達在雨雪天氣表現極佳，但測量精度不夠;激光雷達精度較高，由于價格高昂目前很難廣泛應用;超聲波雷達適合近距離測距。多傳感器配合使用將成為趨勢，傳感器冗余必不可少。“優勢互補”是輔助駕駛階段最優的路徑選擇。激光雷達、攝像頭和毫米波雷達的信息融合更有利于特征提取和前景分離過程，實現算法速度提升。汽車對于反向控制的容錯率很低，這就需要至少兩種傳感器信息進行冗余驗證，實現精度提升。

縱向維度:對應智能駕駛的不同階段，傳感器要求不盡相同。按照SAE 分級可以將智能駕駛五個階段，其中0-2 階段主要是人為操控，需要駕駛員觀察周圍環境，3-5 階段主要由智能駕駛系統觀測周邊環境。當前汽車行業處于1-2 階段，對應的輔助駕駛系統已經量產，對傳感器的要求精度相對無人駕駛較低，主要通過攝像頭和毫米波雷達實現相應功能。從2 進入3 階段對傳感器精度的要求存在一個實質的跨越，從而具有高精確度的激光雷達就顯得尤為重要。進入3 階段后傳感器的使用數量顯著增加，并出現一定程度的冗余。

伴隨終端需求增長，2020 年國內傳感器硬件市場空間可達210 億。隨著智能駕駛概念的推廣，智能駕駛功能覆蓋率提高，傳感器的滲透率不斷上升。預計未來智能駕駛L2 的多數功能在國產車上實現需要1 個攝像頭、4 個毫米波雷達、4 個超聲波雷達。以整套傳感器為單位推算國內傳感器市場空間，預計2020 年傳感器市場空間超過210 億，復合增速為35%。

三、智能駕駛大腦，國內優勢與弱勢并存

控制層處中樞地位，深度學習是提升精度的終極方案。傳感層識別外界物體、收集信息后輸入到控制層，控制層利用視覺算法、傳感器融合算法、路徑規劃算法進行物體識別、軌跡預測。傳統算法識別精度已接近閾值，難以完全勝任對復雜的駕駛場景進行信息識別。通過人工智能、深度學習可以極大優化算法架構提升識別能力。基于人工智能技術對行人等難度較大的物體識別率穩步突破90%，接近可應用水平。國外巨頭已逐步應用于產業化，國內的優勢在于豐富的算法資源與近年來大量AI 人才往這個方向轉移，弱勢在于缺乏汽車實測經驗和數據。

全球市場推演人工智能，以mobileye 和google 為主。Mobileye 專注于視覺識別和算法提升，為主機廠和一級供應商提供視覺識別模塊化產品，同時加快轉向傳感融合、深度學習和高精度地圖領域;Google 希望以人工智能切入智能駕駛，利用激光雷達獲取高解析度數據，依靠AI 匹配原有地圖數據，經過數次測試逐步提升可靠性。國內算法公司識別精度有限，集中視覺領域。

1、經典智能駕駛算法:目標物體識別和路徑規劃

在人工智能和深度學習應用之前，經典的無人駕駛算法以目標物體識別和路徑規劃為核心，分為六個步驟: 前處理→前景分離→物體分類→結果改進→物體追蹤→應用層面前五個部分是感知識別算法的核心步驟，最后一個部分則通常指后續的物體行為預測、路徑規劃。