汽车自动驾驶全产业链深度分析：最新进展与发展机会

核心观点：

1、供给端看，主机厂、零部件供应商、互联网公司三者均有强烈意愿参与到智能驾驶产业链，目前产业对待汽车智能化主要是两种思路：

一种是自下而上推广智能驾驶，即“汽车电子派”。通过提供ADAS产品推进自动驾驶级别从L0 发展至L2，提高价值量并提升智能化水平，在普及率达到一定程度后，逐步寻求更高级智能驾驶机会。

另一种是自上而下推广智能驾驶，即“网联派”。以互联网公司为代表，积极开发的算法，对零部件公司提供的硬件和整车厂提供的平台进行整合，把无人驾驶的最终实现作为研究出发点和落地点。

2、从智能化的推进节奏看投资机会，应该分为三个阶段。

第一阶段2019-2020年，中短期关注智能化自下而上的机会，标的集中在基础硬件的提供商。当前ADAS 产品安装比例和价值量确定性提升，对应的产品需求能够保持快速的增长，同时对应标的在下一轮无人驾驶阶段也会具有较大规模而形成护城河。

第二阶段2021-2025年，开始看自上而下的投资机会，时点上来看我们认为此阶段是ADAS强制普及的节点，孕育了更高层次的智能驾驶的机会，华为、阿里、腾讯、百度等都在积极布局第二阶段。

第三阶段2025年后，自动驾驶开始在大量场景中实现，基础建设落地，单车价值量显著提升，智能驾驶实现一年万亿市场的投资机会。

3、具体来看，当前投资的落地点在于几个层面。传感层的机会在于高精度、高准确度的传感器最终落地，单个车型的传感器价值量不断提升。计算层在于基于国内迅速迭代的算法技术的智能座舱落地，提升车辆驾驶体验。执行层受益于国内的制造基础，ADAS 和新能源的应用加速了执行层落地，催化剂在于政策带来爆发性机会。网络层、通信层方面，云、管、端的三层架构已经逐步明确，运营商、设备商和主机厂是投资机会。芯片层在于开发更为适用于智能驾驶的芯片，包括图像识别、高速计算和数据传输等各个方面的应用。最后则是电动化这一层，新能源车更加有利于智能设备的安装和推广。

报告内容：

一、智能驾驭进入实质落地期，政策及规划催生万亿行业

1、政策推动及车企规划

汽车智能化不同于新能源化，本质上是人们对汽车的更高品质的追求。汽车发展的历史本质上就是对汽车动力性、舒适性、安全性追求的历史，智能化明确地带来舒适性和安全性的提升，因而需求是自发产生的。汽车行业自发需求的力量是巨大的，尤其是当前汽车动力性和空间差距已经逐步减少的背景下，购买者考察谈论更多的是科技配置即智能化水平。可以预见未来ADAS 会成为人们口中津津乐道的“自动变速器”、“缸内直喷”而成为标配。

2018 年1 月，国家发改委公布《智能汽车创新发展战略》(征求意见稿)，计划到2020 年智能汽车新车占比达到50%，中高级别智能汽车实现市场化应用。在这一计划公布后，国内智能驾驶试验场地、车联网及智能驾驶企业雨后春笋般迅速成长。

当前的政策属于温和培育阶段，政策在智能化中起到摸着石头过河的作用。16-18 年国家出台了多部针对智能驾驶的指导意见和技术标准，规范相关标准体系为技术创新和管理铺平了道路，而技术标准会参考各环节龙头企业的指标，建议关注智能驾驶各环节的龙头企业。表2 罗列了各车企的推广进度，可见2021 年前基本都计划有L4 级别的量产车上路。

对于国内厂商，智能化产品触手可得。由于国内的电动化进程加速，智能驾驶技术在网络层、通信层有比较多的机会，主机厂敢于去尝试。汽车电子在国内厂商的推进加速，目前L1、L2 级别的配置国内已经下降到10 万级别的车型，可见国内厂商推广的决心。

2、智能驾驶的投资机会

从智能化的推进节奏角度看投资机会，我们认为应该分三个阶段。

第一阶段2019-2020 年，中短期更应关注智能化自下而上的机会，标的集中在基础硬件的提供商。当前ADAS 产品安装比例和价值量确定性提升，对应的产品需求能够保持快速的增长，同时对应标的在下一轮无人驾驶阶段也会具有较大先机。

第二阶段2021-2025 年，开始看自上而下的投资机会，时点上来看我们认为此阶段是ADAS 强制普及的节点。短期无人驾驶受制于政策、伦理、技术等问题无法实现盈利能力，而彼时无人驾驶已有了低端智能化作为硬件和软件支撑，政府个人的接受度提升，打破常规限制才是高等级智能化成为驾驶安全的最终落脚点的时间契机。当前来看已经逐步进入这一阶段，华为、中国移动、阿里、腾讯、百度等都在积极布局第二阶段。

第三阶段2025 年后，自动驾驶开始在特定场景中实现，基础建设落地，单车价值量提升，智能驾驶实现万亿市场的投资机会。

具体来看，自动驾驶的产业链是极为丰富的，我们把产业链分成三个部分，基础硬件、基础软件和应用集成三个方面。当前国内投资的落地点在于以下几个层面。传感层机会在于高精度、高准确度的传感器最终落地，单个车型的传感器价值量不断提升。计算层在于基于国内迅速迭代的算法技术的智能座舱逐步落地，显著提升车辆的驾驶体验。执行层也是一个比较确定的落地点，一来国内有相关的制造基础，二来ADAS 和新能源的大量推广确保了业绩稳健增长，催化剂在于政策最终落地会带来爆发性机会。网络层、通信层方面，云、管、端的三层架构已经逐步明确，运营商、设备商和主机厂是投资机会。芯片层在于开发更为适用于智能驾驶的芯片，包括图像识别、高速计算和数据传输等各个方面的应用。最后则是电动化这一层，新能源车更加有利于智能设备的安装和推广。

以一台车的自动驾驶产品价值量在10000 元(L3 水平)进行测算，全世界一年销量一亿台车，即自动驾驶产品在L3 阶段(有条件的自动驾驶阶段)即可实现万亿级别的市场容量，预计这一阶段的全面普及会在2025 年前实现，随后行业进入L4高度自动驾驶阶段。

二、智能加速，感知先行

感知层:激光雷达仍需等待性价比加速提升，毫米波雷达产业化竞争开始。

视觉传感器可靠性低，多传感器融合仍是最佳方案。传感器是智能驾驶认知、决策和执行环节的基础，我们认为至2020 年车载传感器市场空间可达200 亿/年。从可靠性出发，激光雷达、毫米波雷达及摄像头的组合使用是最佳解决方案。毫米波雷达量产在即，24Ghz 频段已较成熟，77Ghz 逐渐开始落地。激光雷达性价比仍需进一步提升，降维、固态、规模化是当下激光雷达成本降低的主要途径，但就目前而言，低成本激光雷达解决方案目前不仅仅集中于硅谷，国内厂商通过研发迭代已经切入其中。

智能驾驶传感器同一般车载传感器相比其对性能、精度都有更高要求，因而价格也更为昂贵，在一百元至几十万元不等。主要包括摄像头、毫米波雷达、激光雷达。通常位于车辆的前后保险杠、侧视镜、驾驶仓内部或者挡风玻璃上。

1、摄像头: 国内占据优势，增长来自量价提升

摄像头传感器通过视觉算法，摄像头可对车道、路边、障碍物、行人进行有效识别，不足在于识别范围受限、稳定性差。但单一视觉方案易受到光照、极端天气影响，且测距精度有限，因而当下主要采用“摄像头+多传感器共同探测”的解决方案。

摄像头是应用最广泛的智能驾驶车载传感器，核心优势在于物体识别。摄像头传感器一般由摄像头、CMOS 相机和图像处理电路板组成，是当前使用最广泛的传感器。摄像头可描绘物体的外观和形状、读取标志，同时获取足够多的道路环境细节，建立完整环境模型，帮助车辆进行环境认知。

摄像头市场国内厂商异军突起，欧菲光、舜宇光学、晶方科技加速布局。当前摄像头传感器造价成本在30-50 美元量级，供应商国内外平分秋色。国外厂商以日立、博世、大陆、奥托立夫为主，国内亦不乏优秀的全球供应商，欧菲光、舜宇光学、晶方科技加速车载摄像头布局。其中欧菲光投资2 亿元设立子公司布局车载摄像头产业链，其研发的车载摄像头传感器已实现量产;舜宇光学车载摄像头出货量居全球第一位，市占率高达30%左右;晶方科技主要提供CMOS 图像传感芯片。

2、毫米波雷达:国内技术已经取得突破，紧跟国内龙头公司

毫米波雷达具备全天候全时段特性，目前精度停留在分米级。毫米波是指30-300GHz 频域(波长为1-10mm)的电磁波，波长介于厘米波和光波之间。毫米波穿透雾、烟、灰尘的能力强，在恶劣天气下仍有较好的表现，具有全天候全时段的特点。主要应用于自适应巡航(ACC)、紧急刹车辅助(AEB)、盲点检测(BSD)、行人检测(PD) 等。

车用毫米波雷达频段在22-29GHz 和77-81GHz 范围，分窄带(NB)、超宽带(UWB) 两种形式。全球汽车毫米波雷达主要供应商包括博世、大陆、海拉、富士通、电装、天合、德尔福、奥托立夫和法雷奥等传统优势企业。在细分领域中，不同厂商各自称王: 德国海拉是24GHz 雷达领域的巨头;博世凭借具有250m 最长探测范围的LRR4 在77GHz 领域位居第一;在日本市场，富士通份额排名第一，电装位居其后。毫米波雷达价格大概在120-150 美元，国内价格在1000 元左右。

国内厂商加速毫米波雷达市场布局，量产在即。受益于智能驾驶概念推广，毫米波雷达正逐渐成为汽车电子领域新的增长点，国内越来越多的汽车一级供应商和一些军工及安防背景的公司开始准备毫米波雷达的系统研发工作。目前24GHz 毫米波雷达是国内主流，其研发成本、周期及难度比77GHz 低。77GHz 雷达由于国外对我国技术封锁、元器件依赖进口等原因，研发推广仍然有压力。

79GHz将成为未来发展趋势。当前国外毫米波雷达公司在积极研发下一代79GHz 雷达，其探测精确度是当前77GHz 雷达的2-4 倍。日本77GHz带宽限制为0.5GHz，而79GHz 带宽可达4GHz，发展空间巨大。并且79GHz雷达能够探测行人和自行车，其最优探测范围为70m，将成为中距雷达中的主流，未来可能会挤占24GHz 的市场份额。

3、激光雷达:三维分辨力，降成本仍是主要目标

具备三维分辨能力的“机械之眼”，应用渐趋主流，痛点在于降成本推进。激光雷达通过发射激光光束测量视场中物体轮廓与相对距离信息，形成点云并绘制出3D 环境地图，激光雷达的精度为厘米级，是真正具备空间三维分辨能力的“机械之眼”。

激光雷达技术壁垒高，全球极少数厂家有量产实力，未来契机在于外延并购以及研发层寻求突破。当前已研制出可用于无人驾驶技术激光雷达产品的公司主要有美国老牌激光巨头Velodyne，硅谷新锐Quanergy 和德国品牌Ibeo，国内的北科天绘也推出了首款导航型LiDAR。

1)激光雷达工作原理:激光雷达通过发射激光光束测量视场中物体轮廓与相对距离信息，形成点云并绘制出3D 环境地图，激光雷达的精度为厘米级，是真正具备空间三维分辨能力的“机械之眼”。激光束可能包含1 线、4 线、8 线、16 线、32 线或64 线，多个激光束在竖直方向沿不同角度发出，经水平方向扫描实现对目标区域三维轮廓探测。多个测量通道(线)相当于多个倾角的扫描平面，因此垂直视场内激光线束越多其竖直方向的角分辨率就越高，激光点云密度就越大，测量精度越精准。

2)激光雷达评价参数:激光雷达测评参数主要包括探测范围和角分辨率。测评一个激光雷达主要对比其探测范围，包括有效距离，水平视角识别范围、纵向视角识别范围。一般来说角分辨率越小准确性越高，车载激光雷达水平方向上，角分辨率一般能达到0.1 度，纵向一般是0.5 度左右(每个接收器覆盖纵向0.5 度)。

3)激光雷达应用场景:激光束工作频率高、解析度高、隐蔽性好、抗有源干扰能力强、低空探测性能好，可通过距离多普勒成像技术获得目标的清晰图像。但激光在大雨、浓烟、浓雾等极端天气里衰减急剧加大，传播距离大受影响，大气环流还会使激光光束发生畸变、抖动，直接影响激光雷达的测量精度。

降维、固态、规模效应是当下降低激光雷达成本的主要途径。激光雷达成本高主要反映在光学部分和机械旋转部分，激光二极管、光学二极管检测器和现场可编程门阵列(FPGA)成本也很高。目前激光雷达价格在5 千-7 万美元不等，行业内主要从降维、固态化和规模效益三方面降低成本。

1)降维:降低成本同时性能受限。Velodyne 的激光雷达按照线束密度进行定价，64 线束报价8 万美元，32 线束报价4 万美元，16 线束报价4 千美元。降维会降低激光雷达精确度，无人驾驶要求激光雷达线束下限为16 线，为保证精确度，通过降维来降低成本受到一定的限制，当前国内的龙头激光雷达企业已经把16 线产品压低到豪华车可接受的范围，即5 万人民币以内。

2)固态化:降低成本的主流技术方法。通常激光雷达为机械式，通过内部的机械部件实现对周围环境360°的扫描，此类激光雷达一般安装在汽车车顶，体积较大且不能与车身很好融合;而固态激光雷达不存在机械旋转部件，只能探测前方，需要通过安装多个固态激光雷达实现车身360°探测，同时，固态激光雷达体积小，能融入车身，价格相对便宜，多个安装价格仍低于传统激光雷达。固态化成为激光雷达厂商降低成本的研发新趋势。

3)规模效应:产业化降成本的主要途径。尽管降维和固态化都能在一定程度降低成本，但批量成产带来的规模效益仍是实现成本下降最有效的方式。全球传感器分德、美日两大阵营，德系厂商“毫米波雷达+摄像头”路径居多，其主张精度可以通过算法优化、高精度地图补充实现;美、日系更为倾向激光雷达，同时通过同Tire-2 供应商合作推进成本下降。德尔福配备福特、路虎，电装配备大发，大陆配备本田、马自达、铃木、丰田。

低成本雷达解决方案趋待量产，国内后发先至成为降成本主力。国内外绝大多数车载激光雷达厂商仍处于研发、测试阶段，多为创业公司。国外厂商如Innoviz，LeddarTech，Phantom Intelligence, TriLumina，MIT 团队等一大批强劲的初创公司加入激光雷达行业。国内激光雷达起步晚，目前拥有激光雷达测量应用技术的国内公司有禾赛科技、北科天绘、镭神智能、思岚科技、巨星科技、大族激光等，进军智能驾驶用激光雷达后，大多提出了金额比较低的产品。

4、传感融合，当下主流与高阶自动驾驶

横向维度:传感器之间不能完全替代，须满足性能补充和冗余判断要求。传感器各有优劣，摄像头传感器价格低廉并且应用范围广，但是在雨雪天气识别能力差;毫米波雷达在雨雪天气表现极佳，但测量精度不够;激光雷达精度较高，由于价格高昂目前很难广泛应用;超声波雷达适合近距离测距。多传感器配合使用将成为趋势，传感器冗余必不可少。“优势互补”是辅助驾驶阶段最优的路径选择。激光雷达、摄像头和毫米波雷达的信息融合更有利于特征提取和前景分离过程，实现算法速度提升。汽车对于反向控制的容错率很低，这就需要至少两种传感器信息进行冗余验证，实现精度提升。

纵向维度:对应智能驾驶的不同阶段，传感器要求不尽相同。按照SAE 分级可以将智能驾驶五个阶段，其中0-2 阶段主要是人为操控，需要驾驶员观察周围环境，3-5 阶段主要由智能驾驶系统观测周边环境。当前汽车行业处于1-2 阶段，对应的辅助驾驶系统已经量产，对传感器的要求精度相对无人驾驶较低，主要通过摄像头和毫米波雷达实现相应功能。从2 进入3 阶段对传感器精度的要求存在一个实质的跨越，从而具有高精确度的激光雷达就显得尤为重要。进入3 阶段后传感器的使用数量显著增加，并出现一定程度的冗余。

伴随终端需求增长，2020 年国内传感器硬件市场空间可达210 亿。随着智能驾驶概念的推广，智能驾驶功能覆盖率提高，传感器的渗透率不断上升。预计未来智能驾驶L2 的多数功能在国产车上实现需要1 个摄像头、4 个毫米波雷达、4 个超声波雷达。以整套传感器为单位推算国内传感器市场空间，预计2020 年传感器市场空间超过210 亿，复合增速为35%。

三、智能驾驶大脑，国内优势与弱势并存

控制层处中枢地位，深度学习是提升精度的终极方案。传感层识别外界物体、收集信息后输入到控制层，控制层利用视觉算法、传感器融合算法、路径规划算法进行物体识别、轨迹预测。传统算法识别精度已接近阈值，难以完全胜任对复杂的驾驶场景进行信息识别。通过人工智能、深度学习可以极大优化算法架构提升识别能力。基于人工智能技术对行人等难度较大的物体识别率稳步突破90%，接近可应用水平。国外巨头已逐步应用于产业化，国内的优势在于丰富的算法资源与近年来大量AI 人才往这个方向转移，弱势在于缺乏汽车实测经验和数据。

全球市场推演人工智能，以mobileye 和google 为主。Mobileye 专注于视觉识别和算法提升，为主机厂和一级供应商提供视觉识别模块化产品，同时加快转向传感融合、深度学习和高精度地图领域;Google 希望以人工智能切入智能驾驶，利用激光雷达获取高解析度数据，依靠AI 匹配原有地图数据，经过数次测试逐步提升可靠性。国内算法公司识别精度有限，集中视觉领域。

1、经典智能驾驶算法:目标物体识别和路径规划

在人工智能和深度学习应用之前，经典的无人驾驶算法以目标物体识别和路径规划为核心，分为六个步骤: 前处理→前景分离→物体分类→结果改进→物体追踪→应用层面前五个部分是感知识别算法的核心步骤，最后一个部分则通常指后续的物体行为预测、路径规划。

1)物体识别技术

Step1，前处理

底层机器视觉算法，通常包含摄像头曝光、增益控制、摄像头标定校准等步骤。由于路况复杂多变而实时性要求很高，因而智能驾驶中对前处理算法的要求极高。

Step2，前景切分

前景切分的目的是尽可能过滤与待识别物体无关的背景信息(例如天空)，并且将图像切分为适宜大小。一个好的前景切分算法可能将原先的200k-1000k 个待识别区域缩小到20k-40k，大大减轻后续处理负担。

Step3，物体识别

将上一步骤生成的大量待识别区间归类为数百种已知的可能在道路上出现的物体，并且尽量减少误判。

Step4，验证与结果改进

使用与分类方法不同的判据来验证分类的结果可靠性，并提取被归类为特定物体的待识别区间中更加详细的信息(例如交通标志)。

Step5，物体跟踪

这一步骤的目的有二。除了为应用层提供物体轨迹外，还能为前景切分、物体分类提供输入(告诉前景切分之前这个地方出现过什么)。目前最为常用的算法是卡尔曼滤波算法(用来跟踪、预测物体轨迹，根据过去空间位置预测未来位置)。

2)路径规划算法

智能驾驶任务可分为上层路径规划、中层行驶行为规划和下层轨迹规划三部分。

上层路径规划在已知GPS 定位信息、电子地图、路网以及宏观交通信息等先验信息下，根据某优化目标得到两点之间的最优路径。中层行驶行为规划是指根据主车感兴趣区域内道路、车辆等环境信息，决策出当前时刻满足交通法规、结构化道路约束的最优行驶行为，动态规划的行驶行为序列组成宏观路径。下层轨迹规划是指在当前时刻，以完成当前行车行为为目标，考虑周围交通环境并满足不同约束条件，根据最优目标动态规划决策出的最优轨迹。

2、智能驾驶算法的痛点:精度提升

通常而言，视觉识别算法精度提升有以下几种途径:第一，视觉算法本身的优化。在前处理和前景分离阶段提取明确目标值，分类和学习系统的算法不断优化。这需要技术研发的不断投入，产生极高的进入壁垒。第二，通过传感融合算法冗余信息判断，提高精度。视觉识别以摄像头数据为主，同时辅以雷达、激光雷达的边界、距离信息。数据显示，在相同误判率下雷达的决策辅助能降低约10%的漏检率。第三，人工智能、深度学习对传统视觉算法进行彻底革新。由于传统算法识别精度已接近阈值，难以完全胜任对复杂的驾驶场景进行信息识别。通过人工智能、深度学习优化算法架构，深度学习基于多层卷积神经网络，能从根本上提升算法识别能力。已有多个研究试验表明，基于人工智能技术对行人等难度较大的物体识别率稳步突破90%，接近可应用水平。

1)视觉算法自身优化迭代

视觉算法技术迭代，呈现倍增态势。Mobileye 从2004 年开始专注于视觉算法开发，自2007 年推出EyeQ1 芯片开始，已开发四代EyeQ 系列芯片和配套算法。十多年技术积累，EyeQ 芯片图像识别帧速率由10fps 达到最新的48fps(已知信息)，处理速度为EyeQ1 的512 倍。最新测试数据显示，Mobileye 系统车道线、车辆识别率均为99.99%，拉大与市场上同类产品差距。

2)传感器融合具备硬件平台

传感器融合算法是提升视觉融合算法精度的重要途径。目前智能驾驶主流传感器包括: 双目摄像头、毫米波雷达、激光雷达等，它们在测量距离、角度、分辨率以及适应天气状况方面各有优劣，传感器融合趋势将有利于优势互补，提高感知信息的精度。

传感器融合需要有冗余设计方案，在不同的层面，所需的冗余设计不同。在使用单/双目摄像头探测其他物体时，需要的冗余空间以支持同时启动激光雷达与毫米波雷达;在车道识别的时候，冗余部分可支持激光雷达与摄像头高负荷运作，并且需要足够的空间存储高精度地图;在驾驶路径规划方面，同样需要高精度地图配合，通过云端实时更新路况和地图云数据。

传感器融合技术的规模化应用已“箭在弦上”。恩智浦近期推出基于Linux 系统的Blue-Box 计算机平台，其性能能够满足单台车同时安装4 台摄像头、四架激光雷达、一架毫米波雷达以及V2X 系统的要求，对传感器进行模块化管理，可将多种传感器回传信息进行融合加工。据悉Mobileye、Valeo、Velodyne均有支持传感器融合平台的研发计划，传感器融合将是未来主要趋势。

3)深度学习突破精度瓶颈

深度学习搭建时空结构网络，实现机器不干预的自我学习，深度学习能够在图像识别能力上显著超越传统算法。Clarif AI 针对行人等复杂物体识别实验数据显示，2010 年误检率(Error Rate)在30%-80%之间，两年传统算法优化将误检率降低至20-30%左右，陷入瓶颈。深度学习算法则进一步降低误检率，接近至10%以下。ImageNet 数据同样显示，深度学习算法可将行人的识别率提升至90%以上。

结合云计算、大数据，深度学习算法将十分匹配智能驾驶场景。深度学习优势在于可识别、判断和分类非结构数据，结合大数据、云计算技术进行信息沟通和反馈，从而提高感知识别精度和系统计算速度。高度复杂的智能驾驶环境主要表达非结构数据，例如图像、语音等信息，因此深度学习非常适合智能驾驶场景。

具备深度学习能力的计算机平台将成为智能驾驶的标准配置，极大提升感知识别和计算能力。Mobileye、Ceva、恩智浦、高通、德州仪器等正加紧研发带有神经网路软体架构的智能驾驶芯片;NVIDIA 则更进一步，已推出DrivePX2、Tesla P100 GPU 和DGX-1 相结合的完整深度学习技术方案。

Drive PX2:单精度浮点运算性能达到8TFLOPS，深度学习计算能力接近24 DL TOPS; 而其体积已明显缩小，可放置在车辆上使用。它可以融合来自多个摄像头以及激光雷达、雷达和超声波传感器的数据，可准确了解汽车周围360 度方位的环境，使用深度神经网络(DNN) 进行物体检测和分类可大幅提高传感器数据的融合度，并且在地图和车辆状况数据基础上运用深度学习算法即时计算最安全的路径。同时它能够将外部传感器获取的图像数据加工制成单个的高精度点云，上传至云端服务器。

Tesla 最新芯片:新芯片专为特斯拉的自动驾驶功能设计，包含60 亿个晶体管，每秒可处理25 亿个像素，每一张图像生成后都立刻会被GPU 处理。特斯拉声称，新的SOC 是“全球最先进的自动驾驶计算机”。与特斯拉目前的硬件相比，它的性能显著提升，最多可以每秒进行超过144 万亿次运算。该芯片的设计还减少了能耗。Bannon 说，芯片使用不到100 瓦的电力。它的功耗为72 瓦，其中15 瓦为特斯拉的神经网络供电。这款新芯片将由三星公司生产，体积非常小，甚至可以安装在汽车手套箱后面。为了增强安全性能，SOC 采用两个独立的操作系统，每个系统都有自己的DRAM 内存、闪存芯片和电源。即使其中任何一个系统失灵，汽车都能继续行驶。

3、控制层硬件载体:算法芯片成本有望复制摩尔定律

受益摩尔定律，传统芯片成本急速下降。摩尔定律使芯片硬件成本下降到10 年前1/100以上，参考芯片行业的Hedonic 首推价格指数，将2000年的价格指数作为基准值100，到2013 年时，相同SPEC 跑分(代表芯片的运算能力)的芯片价格指数已接近0.01。GPU 领域的黄氏定律表明每六个月GPU 性能可提升一倍，NVIDIA 因此成为该领域的霸主。

无人驾驶芯片涉及到视觉处理、传感器融合、路径规划等多项算法，对运算能力要求较高，较一般汽车用芯片价格更为高昂。以Mobileye560 系列后装整套售价为例，其零售价格为$849，芯片价值在$300 左右。目前针对智能驾驶L1 阶段的EyeQ 芯片平均售价(ASP)已进入下降通道，未来有望降至$35 以下;针对L2、L3&L4 的EyeQ 芯片价格预计也将在未来下调。随着晶圆代工新技术和全新架构(如NVIDIA 的Pascal 架构)大量采用，无人驾驶芯片可延续摩尔定律发展趋势。

4、控制层的集成化推动座舱电子机会

智能化利于提升车机公司盈利能力，智能座舱投资机会在于龙头。国内公司在车机市场的占有率较高，尤其是车载信息和车载娱乐系统国内厂家已经成为主要供应商。在流量变现的当下，国内厂家有能力把握交互的入口，实现功能卡位。随着德赛西威等车机厂商逐步和百度等互联网巨头联合发布车载操作系统的进度加快，原先的车载信息娱乐系统盈利能力有望增强。

德赛西威在CES Asia 展会上正式发布智能驾驶舱，其中智能驾驶舱集成了ADAS 功能(自动泊车系统、多达22 个传感器的传感器系统)。德赛西威智能驾驶舱主要包括四大产品系统:

1) 双12.3 英寸仪表导航系统:在左屏显示驾驶信息、导航信息等，在右屏呈现娱乐信息等。

2) 全景泊车及自动泊车系统:车辆出库或者通过狭窄通道时，全景泊车能够帮助驾驶者掌控车身周围环境;而自动泊车系统则可以让驾驶员通过一键控制即实现自动泊车到位。

3) 流媒体后视镜系统:3 倍于传统后视镜可视范围，无炫光干扰，弱光下显示效果要远比玻璃镜子好得多。

4) 传感器系统:包含超声波雷达12 个(对自动泊车以及自动驾驶进行实时监测)、单目摄像头1 个(对车道偏离、防撞、自动巡航等实时监测)、77G 毫米波雷达3 个(通过监测前方路况，将数据反馈至车身、实现自动刹车)、24G 毫米波雷达2 个(实现实时盲区监测声音报警，以及A 柱位置实现指示灯提醒)、180°摄像头4 个(通过仪表展示3D 全景技术，提供全景泊车以及自动泊车数据监测)。

现阶段百度与智能座舱Tier 1 供应商主要共同合作研发BCU，其中德赛西威参与了全部3 款BCU 的研发过程;除此之外，百度还与博世、大陆等巨头进行雷达等传感器方面的合作。BCU (Baidu Computing Unit) 即百度自动驾驶的专用计算平台，可以理解为将百度Apollo 平台的高精定位、环境感知、决策规划三大核心AI 软件模块产品化为硬件的形态。截至目前百度共推出了BCU-MLOC(高精定位)、BCU-MLOP(高精定位+环境感知)、BCU-MLOP2(高精定位+环境感知+决策规划)共3 款BCU 产品。BCU 的目标客户是整车厂，首批样件经Tier 1 及整车厂上车测试之后，两年以后将量产。

在BCU 的研发过程中百度与合作伙伴的分工十分明确:(1)百度主要负责人工智能、云以及高精度地图业务，百度所关注的领域汽车零部件企业不会去涉及;(2)NVIDIA 提供人工智能所需要的计算芯片;(3)德赛西威、采埃孚、联合电子等Tier1 则提供具体汽车零部件的整合与生产落地(百度等互联网公司并不擅长车规级标准，阿波罗计划的主要思想是通过开放软件能力的方式使高精度定位产品化，汽车零部件企业的参与恰好补足了百度将高精度定位的模块做成硬件产品的短板)。

四、执行层的国内突破与机遇

不同于传统汽车制动和转向的动力源都是来自于人力，智能汽车由于需要车辆主动转向和制动，因而动力源是来自于电机液压等新结构，因而就带来了匹配、效率、稳定性等各方面的要求。

1、执行层是智能驾驶在场景中完成驾驶行为的最后环节

感知层负责采集多传感器融合信息，交由控制层算法处理并作出驾驶策略，算法指令的最终效果将取决于执行层运作。执行器是执行层中的机械部件，从驾驶运动方向角度，执行器可以分为制动系统(纵向)和转向系统(横向)。

在智能驾驶的L1/L2 阶段，ADAS 驾驶模块作为初级产品迎来商业化应用。原来ADAS 模块仅部分应用在欧美日及合资车的中高端车型，主要普及功能有BSD(盲区监测系统)、AEB(自动紧急制动)、ACC(自适应巡航)、APS(自动泊车)、LKA(车道保持辅助系统)、LDW(车道偏离警示系统)、FCW(前向碰撞预警系统)、PCM(行人预警)等，据了解，目前装配率最高的是BSD，装配率为7.53%，其次是LDW 和FCW，装配率分别为7.4%和6.83%。目前我们看到的变化是部分ADAS 功能已经应用在中端的自主车型上，系统推进速度在加快。ADAS 模块执行驾驶任务时，依赖制动系统和转向系统运作;执行器可独立完成单向运动或相互组合完成复杂运动，成为ADAS 模块的关键部件。

执行层国外厂商具有先发优势，国内部分EPS 厂商已成功切入二级供应商链条。执行层是智能驾驶第二阶段区别于第一阶段的主要部分。第一阶段主要是预警功能，强调感知和通知的作用，而第二阶段以及后续阶段的智能驾驶属于干预辅助驾驶。由于干预驾驶的执行对象是刹车、转向和油门，他们均属于传统汽车领域的延伸，国外厂商在执行层的技术储备具有先发优势。

当前对执行器市场存在着电动化一些误区，我们认为：

1、市场寡头垄断格局并未形成，当前市场需求量很小，博世等在制动领域的市占率高并不意味着寡头垄断，只是具有先发优势。而且相关厂商的技术还不成熟，召回时有发生。

2、国内相关技术并不落后，转向方面EPS 厂商已经有较多的积累，相关零部件国内已经实现供给。制动方面，国内至少有十年以上的研发经验，上汽、拓普及相关创业公司已经有产品，部分已经通过车规小批量供货，预计随着市场需求提升，国内能占有一席之地。

3、国外产品成本偏高，小批量高投入的现状导致国外配套厂成本居高不下。阻碍了智能化发展进程。国内本土化开放，享受工程师红利，部分产品生产线已经运行，能有效降低成本，正向推动智能化发展。

2、转向系统的变革:传统向线控转向的升级

传统的机械液压转向系统是依靠驾驶员操纵转向盘的转向力来实现车轮转向。电力转向系统(Electric Power Steering)是传统的机械液压转向到线控转向(steer by wire)间的过渡状态，它使用电力辅助汽车的转向，使驾驶员在汽车静止或低速行驶时能轻松转向。当电力转向失效时，由于转向系统仍与车轮有物理连接，因此驾驶员仍可操纵汽车。而线控转向则取消了车轮与方向盘间的物理连接，采取控制软件传输电子信号控制车轮

凭借助力转向功能，转向系统更加智能化。高档车搭载的动力随速转向系统在转向柱上增加了调整转向角度电机，可实现“在低速行驶时助力大，高速行驶时助力小”，更加匹配现实驾驶场景。可调节转向系统在此基础上，利用直流电动机作为动力源。汽车转向时，传感器会收集转向盘的力矩和拟转动的方向信息，通过数据总线发给电子控制单元，经过一定的运算处理后向电动机控制器发出动作指令，最后电动机就会输出相应大小的转动力矩，产生助力转向。如果不转向，则系统处于休眠状态。

主动转向目前的市场格局在于:博世，采埃孚，电装等公司采用合资的方式对中国市场进行逐步渗透，当前从行业集中度分析，电子助力转向系统(EPS)前五总份额占比61%，市场集中度高，分品牌来看，EPS 市场合资+外资品牌占比为81%，博世华域(博世持股51%，华域49%)市场份额最高(23%)，其余依次是捷太格特、上海天合采埃孚。但是国内公司也还占有约20%的市场，并且完整掌握主动转向的硬件技术，这一点是难能可贵的，国内比如AT 市场，国内本质上没有市场占比。而主动转向技术的自主化公司，一方面能随着行业增长获得更大的收入份额，另一方面低价优势保证公司竞争力，随着功能的最终实现，国内外的技术差距也逐步缩减。相关转向公司有望受益，华域汽车、德尔股份都有可能受益。

3、制动控制系统的变革:人力制动到电控制动

汽车制动控制系统历经人力制动、人力控制制动及电控制动三次代际更迭。当下正处于第二代至第三代更迭风口，存量市场，传统乘用车仍以人力控制主导的液压制动系统为主，实质理念是通过摩擦热能来消耗车辆所具动能,从而达到车辆制动减速;增量市场，纯电动、插电混动新能源汽车，配置辅助驾驶执行层功能(ESC 电子车身稳定系统、AEB 紧急刹车制动系统、ACC 自适应巡航系统、LKA 车道保持系统)的中高配车辆渗透率不断提高，液压制动(电子泵)提供真空环境的稳定性、灵敏度已达上限，终端爆发对第三代电控助力制动产生强劲需求。

基于真空助力的液压制动系统主要是在原有真空助力液压制动系统中增加EVP(Electronics Vacum Pump,电子真空泵)、PTS(Pedal Travel Sensor,踏板行程传感器)和气压传感器。EVP 的作用是为真空助力器提供动力源，PTS 主要是为了给电机控制器提供制动信号，有效利用制动空行程进行能量回收，提高能量回收率。该方案技术成熟，原制动系统的零部件大都可以沿用，因此造价较低。

基于ESP/ESC 的液压制动系统无需真空助力器和EVP，ESP 提供液压制动系统压力。ESP 根据BOU(Brake Operating Unit, 制动操作单元)里的PTS 信号计算驾驶员的制动需求，再根据电机所能提供的回馈制动力大小，以及综合车辆稳定性，进行制动力的分配。该系统具有比传统制动系统更小的安装尺寸，更轻的重量，能进行回馈力矩和液压力矩的协调，能量回收率高。

第三代:电控制动系统。对于新能源汽车而言，电子真空泵独木难支，电控助力系统替代真空泵是趋势。从技术适应性角度来说，稳定的真空环境在没有内燃机的电动车上难以实现，传统的真空助力制动模式被摒弃。从行业发展来看，“智能驾驭，电动未来”是未来是汽车行业的主升浪，电动化和智能化需求也必将带动制动系统的革新。针对电动车而言，电机取代原有内燃机，电子助力系统能够满足制动功能性，同时提高车身的电子化率。目前博世的iBooster 和大陆MKC1 均属于第三代制动系统产品。

iBooster 作为电动车时代的新生辅助制动系统，较上一代电子真空泵，在新能源汽车、智能汽车两方面都拥有巨大优越性。1、高度匹配新能源车需求，取消制动系统对发动机依赖。2、制动力度精确可控，减少制动力波动，可实现制动能量回收。3、制动力分配高效，主动驾驶成为可能。4、制动踏板与制动系统执行机构解耦，提高驾驶舒适度。

主动制动竞争格局:国内目前处于第二代技术(ABS+ESC)渗透末期阶段，分厂商来看，博世、大陆两家巨头在中国市占率50%以上，市场集中度非常高。但是，我们认为未来制动是第三代技术的天下，目前装车的仅有博世IBS 和大陆MKC1 等几家厂商，主要配套高端豪华车型，量都比较小。但是实际上国内公司的产品已经开始下线，上汽、拓普等的样机已经装车，天津英创汇智利用清华技术已经开始实现量产。当前硬件的生产实现国内至少有6-7 家自主企业掌握，难点在于ESC 的自主开发。当前一些做ABS 的企业已经开始转型ESC 系统，可以预见ESC 也会类似于ABS 的发展路径最终国产化，不再成为国外垄断线控制动的因素。我们认为，执行层国外厂商格局还未形成，国内厂商仍可在逐步掌握核心技术后，依托产品升级和成本优势寻求一级供应商的机会。

五、V2X 实现网联智能化，5G 加速车联网落地

互联网公司及部分一级供应商，通过在AI 和高精地图方面的积累快速推进智能驾驶的解决方案。5G 的加速落地，确立了云、管、端的三层架构，商用落地的规划预发清晰。

1、政策端加速落地，5G 铺设车联网快车道

车联网政策加速来袭，行业有望保持快速发展。我们认为，近一年时间国家和地方政府多次出台相关政策或法规，起草并发布了一系列车联网相关规划标准，推动车联网产业标准化、规范化，将智能网联汽车提升到国家战略层面，充分彰显了国家对智能网联汽车行业发展的重视;另外，随着5G 的建设带来低延时、高带宽等网络特性，5G-V2X 将逐步实现规模化商业应用，行业有望保持加速发展。

网联化是自动驾驶的必经之路，车联网终将演进到5G-V2X。汽车智能化的发展趋势已经越发明朗，智能产品安装比例和价值量逐年提升，无人驾驶技术在大量资本和研发力量涌入的背景下日趋成熟。同时网联智能化背后带来的车辆行驶安全性和舒适性的大幅提升，也逐步得到消费者的认可。我们坚定地认为，基于电动化平台、车联网基础之上的智能化是汽车行业发展的方向。另外，要实现车联生态最重要的目的就是提高交通安全，并最终实现无人驾驶，其需求集中体现在:1)低时延;2)高可靠;3)支持高速移动;4)传输数据包承载量大。目前车联网可以应用的技术主要有DSRC 和LTE，其中DSRC 的缺点在于只能专用于短程无线通信，实现小范围内图像、语音和数据的实时传输;LTE 虽然没有DSRC 技术成熟，但LTE是面向智能交通和车联网应用、基于4G/5GLTE 系统的演进技术，LTE-V-Direct 可以独立于蜂窝网络，实现车辆与周边环境节点低时延、高可靠的直接通信，满足行车安全需求，因此长期来看LTE-V2X 更具应用前景，其技术兼容性和延展性使之属于车联网通信技术的新生力量。但LTE 是5G车联网应用的第一阶段(相当于4.5G)，5G 时代定义的URLLC 场景对V2X的时延要求为20ms 以下，具有超高可靠、超低时延通信的特点，其基于边缘计算、终端直通、帧结构的V2X 关键技术通过与运营商网络结构和业务模式策略紧密配合，能高效支撑庞大且复杂的5G 应用。综合来看，LTE-V2X 终将平滑演进到5G-V2X，并有望在2020年全面进入商用阶段。

2025 年全球车联网市场将突破17000 亿元，中国市场规模将超9500 亿元。我国汽车保有量近十年来保持较快增长，为车联网发展提供了巨大潜在市场，据国家统计局显示，截至2017 年底，我国民用汽车保有量达2.09 亿辆。结合我国的经济增长状况和目前的汽车市场保有量，我们预计到2020 年，我国汽车保有量将达到2.5 亿辆，车联网渗透率将至少达到30%，车联网单车价值量可达4000-5000 元左右，我国车联网市场总规模达3750 亿元。

2、网联化是自动驾驶的必经之路

根据国际电信联盟(ITU)对5G 的定义，5G 网络是能提供20Gbps 速率，时延1 毫秒，每平方公里100 万连接，网络稳定性99.999%的下一代蜂窝无线通讯网络，是对现有移动通信系统的全面革新，主要具有高带宽、低时延、高可靠三个特点。

5G 网络满足无人驾驶网络技术要求，尤其是低时延和高可靠性，将完全有能力支撑自动驾驶场景的落地。目前,全球已经进入5G 商用倒计时阶段,国内三大运营商预计在2019 年实现5G 预商用、2020 年实现5G 正式商用。

车联网V2X 是指使用无线通信、传感探测等技术收集车辆、道路、环境等信息，通过车-车、车-路信息交互和共享，使车和基础设施之间智能协同与配合，从而实现智能交通管理控制、车辆智能化控制和智能动态信息服务的一体化网络，是物联网技术在智能交通系统领域的延伸。

汽车网络包括两部分，一部分是车辆本身的内部网络系统，由车载网络计算机控制，内部网络通过数据总线连接无数个子网，控制发动机及其他总成、平面显示与仪表盘显示器、中控门锁、无线电话等;另一部分是车辆外部的联系网络系统，包括车与车的通信、车与路侧设备的通信、GPS 监测中心、互联网及区域网服务商、车辆服务中心、电脑或手机终端等。

汽车网联需要内部和外部网络同时作用，其一，使得每辆汽车单车的控制和服务得到提升;其二，通过与外部目标，包括车辆、人、通信基站及道路设施等的联系实现更多感知和信息交互，实现驾驶智能化和附加服务的获取;其三，由车和道路上其他连接入网的物体所形成的整体网络将实现整个道路交通系统的信息采集与传输，结合后端管理平台的大数据和云计算等技术，将对城市智能交通管理提供支持。

根据华为发布的最新5G 外场测试结果，当前5G 网络已经可以在保障高稳定性与移动性下，实现下行吞吐率超过25Gbps，用户界面时延小于0.5 毫秒，性能已经超过了ITU 对5G 的定义。因此我们认为随着将车联网当作重要场景而进行优化设计的5G 标准的落地，5G 技术在车联网中的运用可以有效融合多种网络并加速不同实体间的信息交互，车联网将成为5G 时代的巨大商用场景。中国每年拥堵时间达到12 亿小时,车联网技术可以让交通运输效率提升30%;中国每年有约26 万人死于交通事故，使用车联网技术可使得事故发生率降低80%，有效解决上述一系列安全问题。

汽车业与通信技术的加速融合，可以实现产业双赢。由于连接需求的增加和对信号、信息传输的增强，通信技术发展对汽车产业的支持的显得愈发重要。不论是车内通信的VANET 车辆自组网络，还是车与车、车与人、车与基站通信的DSRC/LTE-V 系统，从视频监控、雷达等传感到Bluetooth、蜂窝等无线传输，再到云平台，通信技术都将在汽车智能化和网联化的过程中发挥作用。

3、车联网是物联网领域最重要的细分产业

用户渗透率、模块搭载率提升，5G 助力市场加速进入倒计时阶段。GSMA 与SBD 预计，2018 年全球车联网的市场总额有望达390 亿欧元，互联网连接将成为未来汽车的标配。目前，新车前装车联网模块的比例仅为20%，根据预测，2018 年新车出货量可能超过1 亿台，其中60%具备联网功能，到2025 年100%的汽车将前装移动互联网接入功能。MachinaResearch预计，到2024 年，汽车领域连接数将达1.2 亿，而BusinessIntelligence 则在2015 年的基础上调高预期，预计到2021 年，路上实现连接的汽车数量累计将达3.8 亿。

目前汽车保有量至少为2 亿，我们预测到2020 年我国汽车保有量可以达到2.5 亿左右，彼时车联网渗透率将提升至35%，即具备联网能力的车辆将达到8750 万辆左右。以每辆车5000 元的硬件+软件产品价格来估算，整个车联网市场将会有4500 亿元规模，行业复合增速将达到117%。而随着产品功能的丰富，单辆车的软件硬件产值也会提高，加之互联网服务的多样化、智能化，市场规模爆发指日可待。

驱动车联网快速发展的因素包括:政策支持、通信技术支持、市场需求拉动。发改委、工信部、交通部相关规划及政策配套大力支持，使得我国车联网位处战略高度。传统汽车市场大，增长平稳，车厂亟需寻求新的盈利点;新能源汽车的普及和消费升级进一步提升网联模块的渗透率;目前，通信技术不断升级演进，并且逐步标准化统一化，运营商借机实现内生转型。三大因素助推车联网发展，车联网有望成为物联网应用领域首先爆发的市场。

4、通信技术为车联网发展铺设快车道

车联网目前有两大通信标准DSRC 与LTE-V。V2X 是车与外界通信技术的统称，是汽车物联网技术的一部分，包括V2V(车-车)、V2I(车-基础设施)、V2P(车-行人)、V2R(车-路)等方式。车联网通信技术，即车对外界的信息交换，是未来智能交通运输系统的关键技术。HIS Automotive 公司的ADAS 首席分析师预测，V2V 通信可以解决75%以上的交通事故，而V2I 则可以解决剩余大多数事故类型。

DSRC 是基于IEEE802.11p 标准开发的一种高效的无线通信技术，是专用短程无线通信标准，只可以实现小范围内图像、语音和数据的传输如V2V 之间的通信，由于无法解决车车直接通信时出现的拥塞、干扰和覆盖等很多问题，目前并没有赢得市场。

与DSRC 相比，LTE-V 是面向智能交通和车联网应用、基于4G/5GLTE 系统的演进技术(相当于4.5G)。LTE-V 在实现直连，即车与车直接通信的时候，又利用蜂窝网络充当起仲裁的角色，很好地解决了拥塞及干扰等问题。

LTE-V 包括LTE-V-Cell 和LTE-V-Direct 两个工作模式,支持包括V2I、V2V 和V2P 等各类应用。LTE-V-Cell 要借助已有的蜂窝网络，支持大带宽、大覆盖通信，满足Telematics 应用需求;LTE-V-Direct 可以独立于蜂窝网络，实现车辆与周边环境节点低时延、高可靠的直接通信，满足行车安全需求。LTE-V-Direct 模式能够将车辆感知范围扩展到数百米的探测距离，这与目前已有的其它车辆感知系统如雷达、光学摄像头的探测范围相比有很大优势。多种探测手段相结合，借助融合信息处理技术，能够有效提升行车安全和交通效率问题。

C-V2X 提供两种互为独立、相互补充的工作模式:基于PC5 直通模式和基于LTE-Uu 的网络传输模式，分别适用于车辆间邻近和远离的情况。

1、直接通信(PC5 接口)，以LTE 标准中的D2D(Device-To-Device，设备间)邻近通信服务(ProSe)为基础，可以用于实现250Kph 的高速度和成千上万个节点的高密度通信。在无LTE 网络覆盖的环境下，邻近设备可以进行直接通信。

基于PC5 直连的LTE-V2V 关键技术主要有以下几个特征:

1) 为V2V 子帧增加了4 个DMRS 符号，这些符号与500 Kph 以下的速度和智能交通系统(ITS)频段(主要是5.9GHz 频段)相关联，时延较低，可以支持高速信道追踪，解决了高速移动导致的多普勒效应和频率偏移带来的问题。

2) 导入了采用半持续调度(Semi Persistent Scheduling)方式的分散型调度技术。一次无线资源分配可以使用多个子帧，减少了频内辐射，可以优化信道的使用，提高传输效率。

3) 导入了新调度分配功能。这样便可在车辆多通信节点密度更高的环境下进行恰当的数据资源处理，延迟时间也面向V2V 得到改善。

4) 时钟同步，在网络不覆盖的情况下，缺少同步源。V2X 同时支持基站和全球导航卫星系统(GNSS)的时间同步。

5) 专业的QoS 技术:V2X 消息可以通过non-GBR 和GBR 承载传输:QCI 3(GBR) 和QCI 79(non-GBR)可以用于V2X 消息的单播传输，QCI 75(GBR)只能用于MBMS 承载的V2X 消息，通过专用的QCI 极大提升了传输的可靠性。

通过PC5 接口新增加的DMRS 符号、新的信道结构以及调度分配功能，使得网络参与到V2V 的通信中，避免了干扰、拥塞等问题的出现，使其具备延迟低、稳定性强等特点，可以极大提升行车时的安全性能。

2、网络通信(Uu 接口)，主要利用V2X 广播技术(MBMS)，采用蜂窝网络频段(如1.8GHz)通过V2X 服务器中转，把信息传送到另一个节点。

综合来看，有蜂窝网络覆盖时可使用Uu 接口进行V2X 通信，高速移动时采用PC5 接口进行通信，两种传输模式互为独立、相互补充，分别适用于车辆间邻近和远离的情况。

LTE-V2X 更具应用前景，技术兼容性和延展性使之属于车联网通信技术的新生力量，是5G 车联网应用的第一阶段(4.5G)，之后将平滑演进至5G

目前我国政府和行业组织正大力推进LTE-V2X 技术研发和产业化发展。1)工信部于2016 年11 月批复IMT-2020(5G)推进组和车载信息服务产业应用联盟将5.905-5.925GHz(20MHz 带宽)作为LTE-V2X 直接通信技术的测试频段，开展通信性能和互操作测试。2)工信部通过与北京-河北、重庆、浙江、吉林、湖北地方签署“基于宽带移动互联网的智能汽车、智慧交通应用示范”示范合作框架，与公安部、江苏省政府开展无锡“国家智能交通综合测试基地共建合作”项目，支持上海国际汽车城建立“国家智能网联汽车(上海)试点示范项目”等方式，促进形成了“5+2”车联网示范区格局，开展包括LTE-V2X 在内的V2X 技术兼容性测试实验验证。3)通过行业组织、联盟协会等推进产业和应用，指导IMT-2020(5G)推进组成立蜂窝车联(C-V2X)工作组开展LTE-V2X 的技术研究、试验验证和产业与应用推广，以及5G-V2X 的业务需求及关键技术研究;指导成立了中国智能网联汽车产业创新联盟，培育智能网联汽车创新中心。

企业和科研单位跨行业合作推进LTE-V2X 应用推广。1)大唐电信、华为等通信企业积极开展LTE-V2X 终端产品研发。大唐电信于2017 年底发布LTE-V2X 测试芯片，华为于2018 年第一季度发布LTE-V2X 测试芯片。2)汽车厂商、零部件厂商和科研机构布局V2X 上层应用开发与实现。一汽、上汽、长安汽车、北汽、长城等国内自主品牌汽车厂商设计开发了覆盖多种路况、工况的V2X 应用场景，东软、北京星云互联、清华大学、同济大学等零部件及科研机构加快软件协议栈和接口的开发与实现，基于底层LTE-V2X 技术开展研发测试工作。3)跨行业企业合作开展应用示范。中国移动、上汽、华为等在杭州云栖小镇、上海嘉定开展LTE-V2X 安全预警应用示范;2018 年8 月，重庆i-VISTA 自动驾驶大赛中首次引入具有中国自主知识产权的LTE-V2X 技术应用。4) 测试验证公共服务平台促进LTE-V2X 技术成熟。中国信息通信研究院联合跨行业企业初步构建了V2X 实验室仿真测试环境，开展LTE-V2X 的应用功能、性能、互联互通和互操作测试。

5、车联网终将演进到 5G-V2X

在智能网联时代，实现车联生态最重要的目的就是提高交通安全，并最终实现无人驾驶，其需求集中体现在:

1)低时延，端到端时延在 5ms 以内;

2)高可靠，误包率在 99.999%以下，而且能在车辆发生拥塞，大量节点共享有限频谱资源时，仍能够保证传输的可靠性;

3)可能需要支持高速移动，考虑到汽车之间的相对移动，最高相对时速可达500km/h;

4)传输数据包至少能承载1600 字节的信息数据。

这些技术要求与5G 技术的特性有着相当高的吻合度，尤其是5G 特有的低延时(<5ms) 和高可靠性特性，这无论对于DSRC 还是LTE-V 来说，都是无法与之相比拟的。

5G 时代定义的URLLC 场景对V2X 的时延要求为20ms 以下，具有超高可靠、超低时延通信的特点，其基于边缘计算、终端直通、帧结构的V2X 关键技术通过与运营商网络结构和业务模式策略紧密配合，能高效支撑庞大且复杂的5G 应用。综合来看，LTE-V2X 终将平滑演进到5G-V2X，并有望在2020 年全面进入商用阶段。

5G 技术将在2020 年全面进入商用阶段，我们认为5G 有可能成为统一的连接技术，满足未来共享汽车、远程操作、自动和协作驾驶等连接要求，替代或者补充现有连接技术。

5.1 终端直通D2D 技术:有效实现低时延传输，提高通信系统性能

终端直通D2D(Device to Device)技术是指借助Wi-Fi、Bluetooth、LTE-D2D 技术实现终端设备之间的直接通信。在现有的通信系统中，设备之间的通信都是由无线通信运营商的基站进行控制，无法直接进行语音或数据通信。这是因为终端通信设备的能力和无线通信的信道资源都很有限。在5G 系统中，用户处在由D2D 通信用户组成的分布式网络，每个用户节点都能发送和接收信号，并具有自动路由(转发消息)的功能。网络的参与者共享它们所拥有的一部分硬件资源，包括信息处理、存储和网络连接能力等。这些共享资源向网络提供服务和资源，能被其他用户直接访问而不需要经过中间实体。

D2D 是5G 通信系统的一项重要技术，具有低时延业务传输的巨大潜力，特别适合于时延要求很高的V2X 业务，如紧急防撞;从技术层面，D2D 能够通过空分复用和短距离传输的方式大大提高传输速率和无线传输容量，尤其适合于V2X 的广播多播业务; 另外，由于D2D 能够在有网络覆盖和美有网络覆盖的场景下工作，大大提高LTE-V2X 的竞争力，获得与DSRC 技术相对的比较优势。正是因为5G V2X 可以利用LTE Uu 接口协议或增强的D2D 协议来支撑，因此D2D 被视为V2X 的基本支撑技术，将有力促进V2X 在5G 时代的大规模应用。

5.2 移动边缘计算MEC 技术:毫秒级低时延保证可靠性和精准性

边缘计算作为云计算的一种补充和优化，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务，其应用程序在边缘侧发起，产生更快的网络服务响应。移动边缘计算就是利用无线接入网络就近提供电信用户IT 所需服务和云端计算功能，而创造出一个具备高性能、低延迟与高带宽的电信级服务环境。MEC 背后的逻辑非常简单，将网络业务“下沉”到更接近用户的无线接入网侧，降低数据传输时延，缓解网络堵塞。即离源数据处理、分析和存储越近，数据时延越低。

自动驾驶汽车有成百上千个传感器，驾驶过程中每8 个小时会产生40TB 的数据，这些数据中大多数并不重要，而且把这么大体量的数据传到云端进行云计算不切实际。同时，自动驾驶汽车对于数据传输时延极为敏感，数据传输延迟1ms，都可能导致一场惨剧发生。所以为了降低带宽、保证低时延，MEC 便成为了比较适用的网络结构。移动边缘计算服务器对无人驾驶汽车数据实时进行数据处理和分析，并将分析所得结果以极低延迟(通常为ms 级)传送给临近区域内其他联网车辆人，以便车辆做出决策。这种方式比其他处理方式更便捷、更自主、更可靠。此外，MEC 还被用于解决自动驾驶汽车数据缓存问题。

5.3 PDCP 层分集传输:实现对单个终端的传输可靠性

5G 时代，3GPP 组织把接入网(5G NR)和核心网(5G Core)拆开要求其独立进入5G 时代，5G 要支持URLLC 场景，要实现超可靠低时延通信，但通常用户行为捉摸不定，无线信号变化莫测，无线信号的质量恶化和基站的拥塞均受制于各种不可控因素，要想实现传输的稳定性和可靠性需要通过载波聚合和多连接技术，使用频率分集的方式来实现对单个终端的传输可靠性。

数据包在PDCP 层处理和复制，并通过每个RLC 层，再通过相关的CC 发送，接收端处理较早到达的数据包，同时抛弃较晚到达的复制的数据包，即在多个无线链路上传输相同的数据的方式，来抵御无线化境恶化带来的影响，保障通信链路的可靠性。

六、展望

智能化已经成为车展的核心内涵，不同于前几年智能化只是噱头亮点，今年厂商的落地预期非常明显。无论是主机厂、零部件厂、互联网公司均能提供多种装机方案，共同演绎汽车未来电动化、智能化、网络化和信息化的发展方向。车展专门设立未来出行展区，展示了车联网、无人驾驶解决方案、激光雷达、芯片、高精定位和地图等跨界融合，各项技术的飞速发展导致了智能化方案的快速落地。此外值得注意的是，一些移动互联网巨头企业如华为、中国移动等也高调出现在上海车展，为与车企及零部件商建立深度的联系打下基础。

从智能化的推进节奏角度看投资机会，应该分三个阶段。

第一阶段2019-2020 年，中短期更应关注智能化自下而上的机会，标的集中在基础硬件的提供商。当前ADAS 产品安装比例和价值量确定性提升，对应的产品需求能够保持快速的增长，同时对应标的在下一轮无人驾驶阶段也会具有较大先机。

第二阶段2021-2025 年，开始看自上而下的投资机会，时点上来看我们认为是ADAS 强制普及的节点。短期无人驾驶受制于政策、伦理、技术等问题无法实现盈利能力，而彼时无人驾驶已有了低端智能化作为硬件和软件支撑，政府个人的接受度提升，打破常规限制才是高等级智能化成为驾驶安全的最终落脚点的时间契机。当前来看已经逐步进入这一阶段，华为、中国移动、阿里、腾讯、百度等都在积极布局第二阶段。

第三阶段2025 年后，自动驾驶开始在特定场景中实现，基础建设落地，单车价值量提升，智能驾驶实现一年万亿市场的投资机会。

具体来看，当前投资的落地点在于几个层面。传感层的机会在于高精度、高准确度的传感器最终落地，单个车型的传感器价值量不断提升。计算层在于基于国内迅速迭代的算法技术的智能座舱落地，提升车辆驾驶体验。执行层受益于国内的制造基础，ADAS 和新能源的应用加速了执行层落地，催化剂在于政策带来爆发性机会。网络层、通信层方面，云、管、端的三层架构已经逐步明确，运营商、设备商和主机厂是投资机会。芯片层在于开发更为适用于智能驾驶的芯片，包括图像识别、高速计算和数据传输等各个方面的应用。最后则是电动化这一层，新能源车更加有利于智能设备的安装和推广。

温馨提示：如需原文档，可在PC端登陆未来智库www.vzkoo.com搜索下载本报告。

（报告来源：招商证券；分析师：汪刘胜、鄢凡、刘泽晶、余俊）

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）