自动驾驶等级、方案发展、政策及产业链梳理

从模块化到端到端，迈向L3。

行业内普遍把自动驾驶分为五个等级。其中L0为完全人工驾 驶，L1-L2为部分辅助驾驶，从L3-L5由部分自动驾驶逐渐向 完全自动驾驶过渡。 L0：提供警告和瞬时协助，如AEB（自动紧急制动）、车道 偏离警告等。 L1：借助感知系统对车辆做单一方向的运动控制/辅助，如车 道居中LCC（横向运动控制，方向盘）或自适应巡航ACC（ 纵向运动控制，油门/刹车）。 L2：同时提供纵向和横向控制。如自动泊车。 L2+：高速公路/快速路/城市道路领航辅助驾驶（高速/城市 NOA），但是人类仍然是驾驶主体，需要保持观察环境。 L3：系统是驾驶主体，人类不需要观察环境，只有系统请求 时，人类需要接管。 L4：系统是驾驶主体，人类不需要接管，但有特定道路和环 境条件要求。 L5：在所有条件下随处行驶，人类不需要接管。 目前大部分主机厂都处于L2+阶段。

自动驾驶方案正在从模块化向端到端方案发展。 传统的自动驾驶系统采用模块化部署策略。在之前很长一段时间，智能驾驶架构都来源于机器人架构，每个功能，如感知、 预测和规划，都是单独开发并集成到车辆中的。感知模块主要负责使用传感器搜集数据、数据处理等，用于识别行人、交通信号、道路标志和其他车辆等等，高精地图、 IMU等则提供车辆位置等，感知处理模块将这些数据转化为车辆可以理解的环境模型，并送入到预测模块； 预测模块主要用于模仿人类感知来预测其他道路使用者的行为意图，例如有人横穿马路、有车要突然抢道等；规划与决策模块根据前两个模块的信息来设计汽车的行驶策略，生成详细的行驶轨迹，并发送给控制模块； 控制模块，执行上述行车命令的模块，包括油门、刹车、转向，还有HMI的显示。

因此传统的自动驾驶方案往往要面对大量的“corner case”，如果出现高精地图未覆盖的路况，或者当路况非 常复杂时，由于该方案整个系统非常复杂、庞大、需要人 工设计成百上千个模块（可以理解成每个都是一个小模型 ），各个模块的优化目标不同（如感知中检测追求平均精 度，而规划追求驾驶安全和舒适），每个模块的误差会加 剧，最终会导致对算力负担增加，需要花费大量精力去解 决corner case。模块化的设计使得开发更加独立，问题追 溯也比较容易，但是模块之间的信息传递存在损耗、代码 量呈指数级上升。 • 端到端的解决方案将感知、预测和规划结合到一个可以联 合训练的单一模型中。端到端的解决方案就是把车辆采集 到的所有信息都直接输入到统一的“大模型”中训练学习 ，系统直接输出汽车的驾驶命令。

端到端的优点：相较于模块化的系统，它硬件成本 小，系统设计相对简化，易于获得不同场景下的泛 化性，能够服务于整体目标、实现全局最优。一个 大一统的感知、预测、规划和控制网络，可以使用 链式法则无障碍地从输出层（横纵向控制）向输入 层（传感器）逐层反向传播误差，以最小化整体损 失函数为目标，更加准确地更新每个网络层中的参 数。 • 然而，端到端模型是一个完全的黑盒，不具备解释 分析性，可靠性和灵活性较差，工程师无法对其进 行系统化的解释分析，而是只能依靠推测和实验进 行调整，如果出现问题，只能希望模型在进一步的 训练中“自行”解决问题。

截至目前，美国、英国、德国、新加坡、日本等都颁布了自动驾驶相关法律法规。 ✓ 以美国为例： • 2013年，美国首次公布了自动驾驶分级的政策法规《自动驾驶汽车政策》，并确定了L0-L5的自动驾驶分级标准。某种程度上 ，这可视为美国自动驾驶政策的起点。 • 2016年，美国政府颁布了第一份自动驾驶汽车联邦政策文件，促使无人驾驶汽车顺利测试。政策文件侧重于自动驾驶汽车的 安全性。 • 2024年3月，美国批准了Waymo在旧金山和洛杉矶的扩区计划，新增运营面积超过1200平方公里。 • 2024年8月，美国加州机动车辆管理局又公布了“关于自动/无人驾驶（重型）车辆的规则框架的草案”。该草案取消了目前 对车辆总重量为 10001 磅或以上的自动驾驶汽车的禁令，并为制造商在公共道路上测试和部署自动驾驶重型商用汽车，创造 了一条监管途径。 • 2024年12月，美国国家公路交通安全管理局（NHTSA）公布了自动驾驶车辆安全、透明度与评估计划，简称“AV-STEP草案 ”。明确了Robotaxi的政策法规框架，站在国家层面上为自动驾驶相关的企业、产品、责任划分、载客等都进行了规定。

我国自动驾驶领域目前还没有国家层面立法，但相关试行规章制度已经陆续出台。2024年6月，工信部等四部门发布 ，我国首批确定由9个汽车生产企业和9个使用主体组成的联合体，将在北京、上海、广州等7个城市展开智能网联汽车 准入和上路通行试点，试点产品涵盖乘用车、客车以及货车三大类。试点过程中将系统开展产品测试与安全评估工作 ，探索完善智能网联汽车生产准入管理和道路交通安全管理体系。 允许自动驾驶商业化探索。2021 年 4 月，《北京市智能网联汽车政策先行区总体实施方案》指出，北京将正式开放高 速公路场景，开展自动驾驶测试，同年 10 月北京正式开放无人化测试场景，首批向百度、小马智行两家企业颁发无人 化道路测试通知书，在经开区 20 平方公里范围内、共 100 多公里城市道路上开展无人化测试。截至目前，包括北京 、上海、广州、深圳、重庆、武汉、长沙在内的 10 余个城市允许自动驾驶汽车在特定区域、特定时段从事出租汽车、 城市公共汽（电）车等商业化试运营，且应用规模不断扩大。2023年11月，交通运输部也已经发布《自动驾驶汽车运 输安全服务指南（试行）》，对运营要求、责任划分等进行了明确。 合规趋严。2021 年 5 月特斯拉宣布在中国建立数据中心，实现数据存储本地化，众多跨国车企陆续在中国建立数据中 心，数据本土化成大势所趋。

自动驾驶基本上依赖于感知、决策、执行三个环节的高效配合。感知层通过多维传感器及GPS、北斗等在内的导航系 统识别道路上的人、物及标识，并收集车身周围的实时数据；决策层通过芯片、软件/算法、特征提取等预处理，数据 融合后作出评估和决策，得出相应的路径规划与决策信号，并输出给各种执行层的控制单元；最终执行层通过接收感 知系统的数据及决策系统的决策信号作出相应的反馈动作，实现全套自动驾驶操作。 目前决定自动驾驶性能的主要是感知和决策层。随着端到端的普及，自动驾驶性能主要由感知层和决策层的硬件设备 和软件算法决定。感知设备决定自动驾驶可视范围和精度，芯片算力、软件算法决定了响应速度和决策能力。

汽车智能驾驶感知系统主要包括视觉感知、超声波感知 、毫米波感知和激光感知。 L0-L1：通过车前后的超声波雷达或毫米波雷达、摄像 头即可实现。 L2：需要实现加减速和转向功能，因此需要额外安装在 两车身侧边的超声雷达，以及分布在车身前、后、左、 右的4颗环视相机。 L2+-L4：为了实现提升感知精度，并且应对恶劣天气， 额外加装激光雷达。

毫米波雷达：3D切换向4D。自动泊车、自动巡航、自动紧急制动等功能都需要毫米波雷达对周围环境进行感知，通过 测速测距测方位传回数据，芯片对信息进行智能处理后才得以实现。传统的毫米波雷达是3D毫米波雷达，主要用于测 角、测距和测速，但是它对低速和静止目标检测不稳定，不能支持自动驾驶汽车在通过路口时对排队同行等多种情况 做出反应。后来出现的4D毫米波雷达有出色的水平和垂直的角度分辨能力，并可对静止障碍物进行识别协助避障，一 定程度上弥补了这些缺点。

激光雷达：高阶智驾配置。激光雷达+视觉融合方案是 成绩最好的感知能力表现。激光雷达通过发射激光束并 比较发射信号和反射信号来刻画目标参数，测距精度可 达厘米级，可以帮助车辆执行变道并线、汇入车流等驾 驶操作。同时，激光雷达可以结合基于BEV（Bird’sEye-View）技术将视觉图像信息从2D转换为3D，构建 环境的三维图像，从而提高感知算法上线，减小对高精 地图的依赖程度。 激光雷达由机械式走向半固态和固态。最经典的激光雷 达是机械式激光雷达，常用于Robotaxi的测试和迭代。 但是因为体积大、成本高，机械式激光雷达不适用于车 规量产级市场。随着激光雷达家族不断进化，现在已经 出现了体积小、成本较低的半固态激光雷达和固态激光 雷达。

智驾芯片高阶英伟达、低阶用国产。目前主流车厂中高 阶智驾一般搭载多块英伟达Orin系列芯片，英伟达新一 代Thor芯片平台预计将在2025年上车。中低阶智驾对 于算力要求相对较低，一般采用地平线、黑芝麻、 mobileye等方案。 算法平台重要性凸显：随着智驾渗透率提升速度加快， 车厂全面铺开自研对成本和时间带来很大压力，因此算 法平台公司重要性逐步提升，目前比亚迪等车厂中低阶 智驾基本都和算法平台公司合作，如momenta、元戎启 行、卓驭科技等。