今天小編分享的汽車經驗：AI大模型如何加速無人駕駛發展？，歡迎閱讀。
近年來，無人駕駛發展駛入 " 快車道 "，政策端傳出利好消息，工信部明确表示支持 L3 級及更高級别的自動駕駛功能商業化應用。
同時，產業端也迎來利好，AI 大模型或進一步加入無人駕駛的發展，具體來看 AI 從哪些方面賦能？
華泰證券在最新的報告中，對 AI 大模型賦能自動駕駛進行了詳細剖析，分析指出 AI 大模型的引入（自動标注、感知預測算法的快速迭代），從行業整體層面可以加速高級别輔助駕駛的量產落地。
其次，智能駕駛板塊後發者借助產業鏈優勢（雲端算力中心、通用開源模型的适配）與先發者在數據積累、模型迭代中的差距有望進一步縮小。
而受益于智能駕駛本土化的客觀需求、產業鏈各環節國内供應商產品性能的提升與下遊自主品牌的崛起，零部件國產替代趨勢顯著。
總結來看，華泰認為，今年或是城市 NOA（領航輔助駕駛）普及的元年。當前旗艦車型高級别輔助駕駛 BOM 成本為 1.4 萬元，預測 2023-2030 年高級别輔助駕駛 BOM 成本的平均年降幅度為 11%。
提升數據采集、數據标注的效率
海量的數據是無人駕駛的基礎，主要來自真實數據、虛拟仿真、影子模式，而下一步是則對數據進行識别、标注。
數據采集方面，華泰證券指出，大模型可以構建虛拟場景人工生成數據，補充現實中難以獲得 / 數據量不足的情形。
以特斯拉 FSD 為例，針對真實道路場景中不常見的案例，特斯拉通過模拟仿真，構建虛拟場景采集數據，以豐富數據的來源，為模型訓練提供支持；通過數據引擎，人工挖掘誤判的、非典型案例。
數據标注方面，華泰證券指出，人工标注成本高、效率低，自動标注是 AI 大模型賦能智能駕駛最直接的應用，能大幅降低數據标注的成本。
以特斯拉為例，特斯拉 FSD 通過 " 多重軌迹重建 " 技術自動标注車輛行駛軌迹。目前在集群中運行 12 小時即可完成 10000 次行駛軌迹标注，取代 500 萬小時人工标注。通過機器的自我訓練，減少了人力标注成本高、效率低的問題。
以 Meta 的 SAM 為代表的影像分割大模型的出現可大幅降低數據标注的成本，該模型是有史以來最大的分割數據集。
優化感知 - 決策 - 執行三階段算法
同樣以考特斯拉 FSD 為例，華泰分析師黃樂平将自動駕駛模型算法按流程，分為感知識别道路和道路上物體）、預測（預測周圍車輛和行人的行為）、執行（控制車輛速度方向等行動）三個階段。
特斯拉、新勢力等主要企業從幾年前開始采用基于 Transformer 的大模型等新技術，1）提高道路、物體的識别精準度；2）學習人類的駕駛習慣（影子模式），3 ) 縮短決策所需要的時間，從而訓練模型更加 " 拟人 "。
1、感知層面：OccupancyNetwork、3D 建模
華泰證券指出，特斯拉創新性的提出了占用網絡（OccupancyNetwork）模型，直接将 3D 空間點格化，相較于之前在障礙物識别和行駛路徑預判方面有了明顯提升，具體來看：
1）通過占用網絡，只需分析物體的空間内栅格占用情況，不需對物體本身進行檢測識别，規避傳統視覺算法中對物體識别失敗帶來的車禍風險。
2）占用網絡解決傳統視覺算法難題及還原道路坡度和曲率，輔助行車更優決策。
3）基于占用網絡可以預測道路上其它物體的行進軌迹。
2、預測層面：道路拓撲關系預測、障礙物預測
華泰證券指出，預測分兩種，一種是道路信息的預測，另一種是障礙物的預測。
車道線網絡模型輔助進行車輛行駛路徑的預判。車道線網絡模型生成的 " 車道語言 "，可以在小于 10 毫秒的延遲内，思考超過 7500 萬個可能影響車輛決策的因素，運行這套語言的功耗只需要 8W，較大的提升了特斯拉 FSD 對車輛行駛路徑的預判能力。
物體的預測包含動、靜概率信息，再結合道路拓撲信息，為最終的形式決策提供支持，模型會自動生成虛拟車輛，令決策更貼近人類駕駛員的思維模式。
3、決策層面：車端算力更新、模型計算效率優化，決策更加智能
決策的難點在于多方的互動與對路權的博弈，計算的效率是至關重要的。華泰證券表示：
目前業内普遍 50-100 毫秒之間完成一輪計算。受車端算力與計算效率的限制，目前決策層面的模型可分為兩類：1）rulebase 的模型（類似 if 程式，提前設定了某些情境下的反應機制）；2）特斯拉的互動搜索的模型（querybase 的條件下可縮短單次計算時間至 100 微秒）。
推動車端 / 雲端算力更新與國產化
最後，受益于智能駕駛本土化的客觀需求、產業鏈各環節國内供應商產品性能的提升與下遊自主品牌的崛起，華泰證券認為零部件國產替代趨勢顯著。
随着大模型上車對車載算力需求的進一步提高，以及車載芯片制造商對芯片架構和技術的改進，車載芯片的算力有望持續上升。英偉達 Thor 芯片（2000TOPS）未來量產有望加速計算平台融合。
雲端方面，基礎設施算力更新加速算法迭代：
主機廠和自動駕駛技術開發商積極布局建設智算中心，以提高自身 " 雲上 " 競争力。目前，主機廠特斯拉、小鵬、吉利，解決方案提供商毫末智行、商湯、百度布局建設了智算中心，用于訓練自動駕駛等大模型。
随着智能駕駛的逐步滲透，大模型或将成為各公司的核心競争力之一，為匹配模型中大規模參數以及大數據量計算，智算中心的建設規模有望持續擴張。
華泰證券展望未來 3-5 年 AI 賦能智能駕駛如何重塑出行方式，預計今年或是城市 NOA 普及的元年，高級别輔助駕駛将呈現降本趨勢，2023-2030 年高級别輔助駕駛 BOM 成本的平均年降幅度為 11%。
本文節選自華泰證券《AI 大模型如何加速無人駕駛發展》
分析師
黃樂平 SAC No. S0570521050001 SFC No. AUZ066
陳旭東 SAC No. S0570521070004 SFC No. BPH392
張宇 SAC No. S0570121090024 SFC No. BSF274
郭春杏 SAC No. S0570122010047 SFC No. BTP481
