大模型助力，自动驾驶有望迎来奇点-韭研公社

登录注册

大模型助力，自动驾驶有望迎来奇点

加油奥利给

下海干活的韭菜种子

2023-07-12 00:39:55

(开源证券)

（一）自动驾驶——数据驱动下的算法迭代

1.自动驾驶算法是感知、预测、规划、控制的结合体

自动驾驶算法反应了工程师们根据人的思维模式，对自动驾驶所需处理过程的思考。通常包含感知、预测、规划模块，同时辅助一些地图、定位等模块，实现自动驾驶功能的落地。

（1）感知：感知外部世界

感知模块主要解决四类任务：1）检测：找出物体在环境中的位置；2）分类：明确对象是什么，如分辨不同类别交通标志；3）跟踪：随着时间的推移观察移动物体，通常采用跨帧追踪对象（将不同帧中检测到的对象进行匹配）、BEV加入时序信息等实现；4）语义分割：将图像中的每个像素与语义类别匹配，如道路、天空、汽车等，用于尽可能详细了解环境。

（2）预测：理解外部环境和当前状态

预测模块实际上是算法对外部环境和自车状态的理解。

（3）规划：思考如何行动

规划指找到合理路径来到达目的地。规划通常分为全局路径规划、行为规划与运动规划几个部分。

2.数据：算法的养料，现实与虚拟的交织

算法、算力和数据是人工智能的三大要素，数据在模型训练中拥有不可忽视的影响。

数据挖掘和针对性的训练能显著减少CornerCase。

（二）大模型横空出世，自动驾驶奇点来临

早期自动驾驶方案采用激光雷达+高精度地图为主。

高昂的单车成本和高精度地图成为自动驾驶大规模推广瓶颈。

1.BEV+Transformer横空出世，大模型推动自动驾驶迈向普及

（1）BEV感知助力成为感知外部世界标准范式

BEV全称为Bird’sEye-View（鸟瞰图），即通过神经网络将各个摄像头和传感器获取的信息进行融合，生成基于俯视的“上帝视角”的鸟瞰图，同时加入时序信息，动态的对周边环境进行感知输出，便于后续预测规划模块使用。

（2）Transformer大模型为构建BEV空间提供最优解

2021年特斯拉在AIDay上第一次将BEV+transformer的算法形式引入到自动驾驶，开启了自动驾驶的崭新时代。

（3）特斯拉引领打开自动驾驶天花板

特斯拉的自动驾驶算法结构中，首先将摄像头信息无损采集，送入卷积神经网络Regnet来提取不同尺度的图像特征，接着使用BiFPN进行特征融合，然后将这些特征送入Transformer模块，利用Transformer中的多头注意力机制来实现2D图像特征到三维向量空间的转换和多摄像头特征系信息的融合，之后接入不同的“头”如交通标志检测、障碍物检测等，来实现不同任务的处落地，形成一套优雅的，可完美实现数据驱动的感知算法。由于不同的“头”之间采用了共享的特征提取网络，因此被特斯拉起名为“九头蛇”算法架构。

（4）BEV+Transformer大模型提供远强于传统自动驾驶算法的感知能力

1）改善2D-3D空间转换过程中深度预测难点，感知性能大幅提升

引入BEV+Transformer后，模型对于2D空间向3D空间转换的精度大幅提高。

2）完美实现多摄像头、多传感器的信息融合，极大方便后续规控任务

3）更易融入时序信息，模型拥有“记忆”，避免遮挡等问题

4）汽车拥有实时建图能力，摆脱对高精度地图的依赖

2.占用网络提供3D世界感知，形成通用障碍物识别能力

占用网络构建通用障碍物感知体系，提升对未知物体感知效果。

占用网络的构建并非单独算法上得演进，而是体系能力的提升。

3.规控算法由基于规则迈向基于神经网，大模型开始崭露头角

（1）人工智能逐步渗透进入规控算法

发力安全性、舒适性和效率，规控算法成为当前头部玩家主攻方向。

“拟人化”、强泛化性，人工智能推动自动驾驶“老司机”上线。

兼顾“安全”和“性能”，神经网络和基于规则结合有望成为一段时期内规控算法的主流。

交互搜索+评估模型，特斯拉规控算法行止有效。

（2）大模型赋能，车道线预测等复杂任务得以实现

复杂道路的车道拓普结构识别难度较高。

特斯拉采用训练语言模型的形式来训练车道线网络模型。

理想汽车在理想家庭日上也展示了其用于增强路口性能的算法NPN神经先验网络。

4.端到端（感知决策一体化）：大模型为自动驾驶彻底实现带来希望

（1）回归自动驾驶第一性原理，端到端自动驾驶成为市场远期共识

模块化的自动驾驶算法设计存在诸多问题。

端到端自动驾驶解决方案回归自动驾驶第一性原理。

（2）工业界已经开启探索，迈向完全自动驾驶

目前全球无论学术界还是工业界均对该方案进行了不懈探索。

（3）大模型的思考，自动驾驶或许并非终点

通识知识和强泛化能力助力人类轻松学会驾驶。

GPT受到市场追捧，也引发了自动驾驶界对模型构建方式的思考。

世界模型浮上水面，面向通用场景，解决通用问题。

5.数据端：大模型推动数据闭环和仿真落地

（1）数据闭环：自动化运行，降本增效推升规模是关键

完整的数据闭环系统，通经常包含数据采集、数据挖掘、数据标注、模型训练等环节。

数据闭环收益显著但成本不可忽视，降本增效是关键。

（2）仿真：从提升效率到不可或缺

仿真是自动驾驶系统构建不可或缺的环节。

理论上完美的仿真能够取代实车测试，进而以较低成本达到安全测试效果，缩短自动驾驶算法研发周期，是自动驾驶开发迭代的重要环节。

不同的算法对仿真环境的构建提出不同要求。

对仿真工具而言，其能够覆盖的场景范围越大，自动驾驶可行驶边界就越广泛。

自动驾驶仿真平台市场竞争激烈，促使平台仿真性能提升。

DRIVESim：Nvidia自动驾驶研发生态体系重要一环。

DRIVESim具有完善的工具链支持，融入英伟达自动驾驶开发生态。

51Sim-One：本土仿真系统助力中国自动驾驶量产落地。

AI应用于仿真系统，能够有效辅助自动驾驶系统升级。

（三）自动驾驶算法变革引领产业链变化

1.兵马未动粮草先行，云端算力军备竞赛开启

（1）特斯拉自研算力平台Dojo，2024年冲刺100EFlops算力

特斯拉在应对海量训练和仿真需求时构建了庞大的算力体系。

自研D1芯片和Dojo超级计算机布局算力。

（2）国内自动驾驶领先玩家亦积极布局，算力成为自驾竞争“入场券”

国内玩家亦快速布局算力领域，为自身算法和数据的迭代和积累铺平道路。

2.自动驾驶芯片格局有望被重塑

（1）Transformer大模型对芯片架构提出新的要求

Transformer大模型对芯片架构提出新的要求。

（2）芯片玩家开始着力加大产品对Transformer的适配度

鉴于上述特点，不少芯片厂商推出了可针对Transformer加速的芯片产品。未来，能够良好适配Transformer算法并帮助其在车载平台落地的公司有望占得先机。

3.自动驾驶产业加速成熟，配套公司全面受益

（1）自动驾驶产业加速成熟，配套公司全面受益

特斯拉发布BEV+Transformer的算法以来，行业广泛认可，我们看到诸多玩家积极跟进，推出自己的大模型算法。理想汽车在最新的理想家庭科技日上宣布自动驾驶已经进入大模型时代，而通勤NOA和城市NOA将成为未来消费者的刚需配置。

模型算法的落地代表着功能逐步走向成熟。

4.受益标的

产业链公司均有望充分受益。本土领先零部件如德赛西威、经纬恒润、华阳集团、北京君正、晶晨股份、美格智能、均胜电子、华测导航、瀚川智能、炬光科技、源杰科技、长光华芯等均值得关注。