常识自动驾驶行业―投资逻辑分析
一、自动驾驶行业定义
https://img0.baidu.com/it/u=1015299388,1569007347&fm=253&fmt=auto&app=120&f=JPEG?w=640&h=399
上图显示了SAE对对自动驾驶等级的分类。 从实现路径上分，目前存在两种主流：一种是给予单车感知和决策的单车智能模式；一种是基于车端、路端、云端协同的V2X模式，本文中我们将着重讨论单车智能模式 。foresighthttps://www.foresightauto.com.cn/Foresight 福飒特是一家开发智能多光谱视觉软件解决方案的技术公司，提供自动驾驶汽车解决方案，帮助他们开发自动驾驶汽车的三维感知和探测能力，以检测车辆周围的障碍物。Foresight 的立体视觉解决方案可应用于汽车、国防、自动驾驶汽车和重型工业设备等市场。
我们将在梳理自动驾驶产业链后挑选其中几个重点领域展开讨论，从市场、技术、主要玩家和投资机会等几个领域进行阐述。
二、自动驾驶产业链概览
自动驾驶产业链，包含上游的感知/决策/控制、中游的整车厂/解决方案提供商，和下游的2B/2C用户。
下面，我们将从激光雷达、AI芯片、高精地图、L4解决方案等细分领域切入，探讨自动驾驶行业的投资策略。
三、细分领域―激光雷达
定义：激光雷达是指是以发射激光束探测目标的位置、速度等特征量的雷达系统由于纯视觉感知存在天气、光照等条件限制，自动驾驶感知层对于多模态信息输入有强烈需求，激光雷达就是目前常用的传感器之一，由Velodyne创始人David Hall发明。
市场：据Velodyne估计，2022年激光雷达市场规模将达到119亿美元，汽车领域的市场规模将达到72亿美元。
技术：按照机械结构区分，激光雷达主要有机械式方案和混合固态方案两种技术路线。机械式方案中，激光发生器竖直排列并可以360°旋转，通过旋转对四周环境进行全面的扫描，其优点是对周遭环境覆盖全，缺点是造价昂贵且容易损坏，难以满足车规级要求。混合固态方案是纯固态方案和机械式方案的折中方案，通过一些微小的机械活动结构增大扫描范围，同时由于不需要大型机械结构，可以将线数做的很高。
按照波长区分，激光雷达主要分有905nm和1550nm两种。905nm激光雷达了是当下最主流的激光雷达，优点是所选用的波长接收器可以直接选用价格较低的硅材质，因此成本也更加可控，缺点是该波长激光可以穿过玻璃体，聚焦在视网膜，因此需要限制发射功率，这也限制了探测距离。1550nm激光雷达由于其激光不能视网膜吸收，因此可以提升发射功率，增大探测距离，但缺点是无法采用常规的硅吸收，而需要用到更加昂贵的铟镓砷（InGaAs）材质，价格贵出许多。
目前，国内外激光雷达领域的主要玩家如下：
投资分析：
激光雷达是典型的淘金热潮中的牛仔裤行业，在下游L4自动驾驶探索阶段，不论是整车厂还是L4解决方案商，不论是渐进式（L2逐步过渡到L4）还是一步到位式（直接从L4开始做）的拥趸，都在感知层提出了更高的要求，市场处于蓬勃发展的阶段。
目前市场上玩家众多，既有深耕多年的领军企业也有异军突起的新人。应当注意到，成本依然是限制激光雷达市场发展的重要因素，在选择投资标的时，应着重考察技术上有原创性方案的中早期公司（Livox、图达通），以及有强大上下游整合能力的公司（速腾聚创）。
四、细分领域―AI芯片
定义：AI芯片也被称为AI加速器或计算卡，即专门用于处理人工智能应用中的大量计算任务的模块，主要有 GPU 、FPGA 、ASIC，AI算法是自动驾驶的核心，而在自动驾驶场景中，模型推理速度决定了车辆控制反应速度，因此大算力芯片成为了刚需。
市场：据IDC估计，到2030年，每辆汽车的车载AI芯片平均售价约在1,000美元，全球车载AI芯片市场的规模将达到1,000亿美元。
技术：AI芯片技术路线主要有GPU、FPGA、ASIC三种
GPU是最早进行并行加速计算的处理器，得益于高并行结构，在处理图形数据和复杂算法方面它比CPU速度更快。
FPGA是可编程器件基础上进一步发展的产物，用户可通过多次烧录FPGA配置文件来定义这些门电路以及存储器之间的连线，由于FPGA可同时进行数据并行和任务并行计算，因此在处理特定应用时效率更高。
全定制化的ASIC。这类芯片的计算能力和计算效率都直接根据特定的算法的需要进行定制，最大的优势在于体积小、功耗低，但是由于针对特定算法设计，灵活性差。
在AI芯片领域，功耗，算力，芯片产能和软件生态都是各家比拼的重点，英伟达、MobilEye（被英特尔收购）、高通是市场上的领先者，特斯拉的FSD只服务于自家生态，而国内市场的黑芝麻（000716）智能、地平线、寒武纪都在发力该市场。
目前，国内外AI芯片领域的主要玩家如下：
投资分析：
AI芯片领域目前仍然是巨头林立。入场的国外巨头包括英伟达、英特尔（MobilEye）、高通、安霸等。
在目前车载芯片越来越SOC化的现在，除了一些创立之初就瞄准车载AI芯片的企业（芯驰半导体、黑芝麻智能），我们不妨从降维和升维两个方向寻找未来可能布局该领域的投资标的。
降维方向，一些国产GPGPU的厂商（壁仞、登临、摩尔线程）未来有可能推出类似产品；升维方面，一些车规级ISP厂商（酷芯微、富翰微）未来可能会拓展AI领域的SOC。
五、细分领域―高精地图
定义：高精度地图是指绝对精度和相对精度均在厘米级（10厘米至20厘米）的高分辨率、高丰度要素的导航地图，是L3及以上级别的自动驾驶功能所必备的支撑技术。
市场：国内高精地图行业正在稳步向前发展，但是高精地图的商业模式仍未完全成型，按照3亿汽车保有辆测算，市场到2025年可达385亿元。
技术：技术路线上，目前演化出三种主流路线：
“激光雷达+人工智能处理”模式。该模式由图商自有车队进行数据采集，其稳定性高，但是采集设备成本高，是各大图商采用的主流模式。
“众包采集+AI识别提取”模式。该模式成本低，但是精度和稳定性待提升，是主流图商更新和初创图商采用的主流模式。
“车辆数据动态上传+动态地图自动下发更新”模式。该模式是最为理想的高精度地图生产与更新模式，自动驾驶运行的车辆同时也是地图采集终端，目前尚处于论证阶段，需要随着智能网联汽车产业的发展不断完善。
目前，国内外高精地图领域的主要玩家如下：
投资分析：
高精地图目前仍然是巨头的游戏，据IDC估计目前中国高精地图市场CR5超过86%。
在技术和规模效应的门槛之外，还有一道资质的门槛不容忽视，截止目前在中国获得甲级测绘导航电子地图资质的企业不过31家，而在其中，目前仅有高德、四维图新（002405）、百度、易图通、中海庭五家公司拿到了高级辅助驾驶地图审图号，具备真正可商业化的能力和资格。唯一一家拿到审图号的初创公司中海庭（成立于2016年），是作为上汽集团（600104）的旗下地图服务授权子公司，是个特例。
该领域商业化的非线性增长需要到L3+的车辆大规模量产，时间节点不明确，市场上目前巨头林立，对创业公司来说机会很少，未来相关领域创业公司可能面临转型为技术服务提供商（算法+硬件），或被巨头并购的结果。
六、细分领域―L4解决方案
定义：L4级别自动驾驶实现了高度自动化，在绝大多数道路场景中可以做到由系统完成所有的操作。在商业化上一般有两条路径，其一是向整车厂出售全套的前装L4解决方案；其二是以Robotaxi、Robobus、Robotruck为代表的运营商业化车队。
市场：安信证券测算，2030年Robotaxi带来的出行市场有望达到1.2万亿~4.4万亿元的规模
技术：感知层上，目前由以特斯拉为主的纯视觉方案和多模态融合方案。决策层上，多数企业仍遵循Rule Based model辅以一定的AI算法，也有较为激进的企业使用端到端的Imitation Learning或Reinforcement Learning进行决策。决策层有赖于电气化的线控系统，由整车厂和Tier1提供，不在本版块讨论范围之列。
目前，国内外L4解决方案领域的主要玩家如下：
投资分析：
国际市场上，多数Top tier的自动驾驶公司都背靠着互联网或汽车大厂，如Waymo（谷歌）、Cruise（通用）、Zoox（亚马逊），也有如Aurora，Argo.ai一类的明星初创企业。
国内市场则呈现出更丰富的竞争态势，既有布局已久的大厂（百度Apollo、华为），也有新兴AI大厂（商汤）和许多创业公司涌现。
从技术路线上看，目前市面上做L4级解决方案的公司并没有本质差异，多使用的是多模态感知 + Rule based方案。感知层上，以深度学习为主的黑盒AI对于长尾物体的识别仍有赖于数据输入；决策层上，Rule Based模型对Corner Case的处理也有赖于数据输入和人工编写规则。
在寻找投资标的时应当着重寻找有技术差异化突破的公司，如超强的模拟器能力（Uber前华人高管拟创业公司），分布式数据采集能力（Fisher Yu创业公司），端到端训练感知及决策（英国Wayve）。
从商业落地上看，目前市面上L4及决方案的公司大多面临商业化落地都很困难，以Robotaxi为例，一台车的整车+改造成本超过80万元人民币，盈利难以实现。这也是自动驾驶企业内斗频发的一大原因。
在寻找投资标的时，着重寻找有强上下游整合能力、成本控制能力的公司（小马智行、元戎启行），以及限定场景有商业化落地的公司，如矿山（踏歌、慧拓、大块头）、港口（主线、斯年、飞步）、环卫（仙途、于万、智行者）、水面（欧卡）。
关注同花顺财经（ths518），获取更多机会
责任编辑：cb2
页:
[1]