2024年L4自动驾驶专题报告：Robotaxi研究十问（整体框架篇）

1. 问一：当前自动驾驶公司的商业化进程怎样？

从自动驾驶分级标准谈起，什么是L4无人驾驶？按照驾驶员参与程度分为L0-L5六级，中国与国际分级标准基本相同，均认 为L0到L2的驾驶自动化属于辅助驾驶；L3尽管能够实现大部分功能，但其稳定性还不允许其完全脱离人类的控制；L4以上的自 动驾驶，无需用户的介入，系统承担所有驾驶责任。

自动驾驶技术先探至L4，大规模商业化停留于L2。L2和L3是自动驾驶等级的分水岭：L2只负责对车辆的控制操作，而在L3 级中，系统需要负责感知车辆运行状态下的周边环境，同时控制车辆。L2级辅助驾驶在商业化上已发展成熟，很多车企在此基 础上发展高速及城市NOA（Navigate On Autopilot，自动辅助导航驾驶）等覆盖周边环境的自动驾驶，且已有部分公司技术达 到L4级别。但大多车企仍不对外声称L3，而是以L2+/L2++等来强调自身产品功能的增强，以规避监管压力以及潜在的事故责任。 2024年6月，一汽、上汽、广汽、比亚迪、蔚来等9家车企获取L3/L4汽车准入和上路试点资格，或将拉开L3产品的量产序幕。

2. 问二：不同发展路线下的无人驾驶公司算法逻辑有何不同？

自动驾驶技术的发展路径可分为渐进式和跃进式两类，两者算法逻辑不同，路线有收敛的趋势，汇集点为Robotaxi。 渐进式主张从L1、L2、L3状态的人机共驾逐渐过渡到L4无人驾驶，在量产车上先搭载辅助驾驶并收集数据，利用不断扩大规 模的高质量数据持续优化算法，逐步攻克自动驾驶各项核心环节（比如AVP功能），安全、模块化迭代、步步为营；代表厂商 为特斯拉以及蔚小理类主机厂。跃进式直接以L4无人驾驶为目标进行研发，通过大规模车队获取路测数据直接来训练无人驾驶算法网络，Topline更高、中 间不可控的问题比较多、算法架构起点更高，代表厂商以Waymo和百度类科技企业以及小马智行和文远知行类初创企业为主。

3. 问三：为什么说自动驾驶产业现阶段技术汇集点在于Robotaxi？

跃进式路线商业化瓶颈明显，厂商多寻求技术降维和场景降维。Robotaxi商业化进程前景不够明朗，跃进式路线引领企业 Waymo在多次自动驾驶汽车事故后估值接连下滑。Waymo发展疲软暴露跃进式路线商业化空白期长的问题，其他厂商也开始 寻求过渡期的商业模式。

跃进式L4的过渡商业模型：1）技术降维，即一边基于自研L4技术为OEM提供L2量产解决方案，一边继续研发L4无人驾驶； 2）场景降维，Robotaxi针对城市道路场景，实现难度较高，所以通过环卫、矿区、干线物流等更容易实现的细分场景进行商业 变现，这类细分场景的数据也有利于低成本获取大量用于高阶自动驾驶技术的数据。例如，小马智行分化出卡车及干线物流业 务，文远知行则分化出Robobus以及货运业务。现阶段，限定场景下的无人驾驶技术相对成熟，将率先迎来商业化，可以反哺 Robotaxi发展。

4. 问四：Robotaxi产业格局怎样？主机厂+自动驾驶企业+运营商三角结构怎么看？

“软件定义汽车”趋势深化，汽车产业本身从链式结构转变为网状结构，给各方势力入局Robotaxi带来可能性。传统汽车产 业呈现“Tier2->Tier1->OEM”的线性链式结构，主机厂位于金字塔顶端，随后才是各级别供应商，话语权有限。随着“软件 定义汽车”趋势深化，原产业链的线性关系被打破，产业走向软件+硬件的横向分工模式。

当前，“主机厂+自动驾驶解决方案供应商+运营商”为Robotaxi主流合作模式，但中长期是否会被特斯拉这种一体式替代值 得思考，更大的可能性是两种模式并行。其中，自动驾驶企业能够提供Robotaxi软硬件解决方案，OEM拥有整车量产能力，运 营商提供服务场景，三者分别对应Robotaxi供给侧的基础层、载体层和出行层。比如“小马+吉利+曹操出行（吉利旗下）， “Waymo+捷豹+Uber”模式。滴滴作为网约车龙头企业，于2016年组建自动驾驶研发部门，以供应商以及运营商的双重角色入 局Robotaxi，目前已经与广汽埃安成立合资公司，预计于2025年推出首款量产L4无人车，并接入滴滴共享出行网络。百度和 OEM合作密切，第1-6代Apollo分别落地宝马、奇瑞、林肯、一汽、北汽极狐以及江玲新能源车型，但还未接入其他第三方出行 平台，而是以萝卜快跑的APP/小程序独立运营。

5. 问五：纯视觉VS多传感器融合，不同技术路线的核心竞争力是什么？

ADAS阶段感知路线分为纯视觉及多传感器融合两种方案。感知是自动驾驶的前提，需通过传感器收集周围环 境的信息，探测精度、广度与速度直接影响行驶安全。不同传感器优劣势不同，互相补充、相得益彰，技术探索 的核心点在于寻找在最低成本下的最优技术解。

6. 问六：复盘自动驾驶发展历史，当前核心关注点是什么？

自动驾驶发展经历了导入期、冷静期、落地期及出清期： 1）导入期（2009-2018年）：谷歌于2009年启动自动驾驶项目，至2016年将该项目独立为子公司Waymo，标志着自动驾驶正式发展的起点。 百度/滴滴分别于2015/2016年开拓自动驾驶业务，以小马智行、文远知行、Momenta为代表的初创企业均在2016-2017年间成立。2）冷静期 （2019-2020年）：自动驾驶的安全和成本问题始终没有出现合适的解决方案，2018年Uber路测发生致死事故为行业估值泡沫消退的导火索， 行业进入第一轮冷静期，冷静期过后市场更加关注落地应用情况。3）落地期（2021-2022年）：2021年为自动驾驶场景落地和商业应用元年， Robotruck头部公司图森未来上市，地平线、小马、文远股权融资进入中后期；以北京和武汉为代表的地方政府连续颁布多个支持Robotaxi运营 的政策；零部件国产替代+上量降价推动整体解决方案成本大幅下降，政策+技术+产业共同驱动市场热度达到高点。4）出清期（2023年）：商 业化变现困难致使投资遇冷，主因Robotaxi还处于服务区试运营阶段，封闭空间场景的自动驾驶虽然落地难度小，但是收入天花板有限。自动 驾驶进入产业整合和淘汰加速阶段，据加州DMV数据，2023年路测公里数和路测车辆数量相对2021年分别增加52%/37%，而参与公司数量从 26家下滑至21家。

7. 问七：端到端算法处于迭代验证阶段，技术瓶颈怎么看？

自动驾驶架构从多模块向端到端融合发展。传统自动驾驶系统采 用模块化串联的部署方式，核心模块涵盖感知、定位、预测、决策 和控制等，每个主要模块及其中的子模块承担特定的责任，且每个 模块的输入通常来源于前一模块的输出。多模块架构存在信息传递 损耗、计算延迟以及累积误差等问题；随着Transformer架构的发展， 原本独立的子任务模型正逐步被更大规模的神经网络模型所取代。

端到端模型的核心优势在于信息的无损传递，能够基于完整数据 进行全局任务优化。端到端的通俗定义即将原本独立的各模块囊括 到一个神经网络中，实现信息在不同子模型间的无损传输与耦合； 运用在自动驾驶领域中，即将传感器收集到的全面信息作为输入， 在单一网络中直接生成车辆的控制指令或运动规划。这种设计使得 整个系统针对最终目标进行优化，而非仅仅针对某个独立的子任务， 从而实现自动驾驶性能的全局最优化。随着高质量数据的积累和模 型的优化，端到端架构能实现的性能天花板高于模块化架构。

8. 问八：泛化能力角度，UE打平何时到来？

收入方面，按照萝卜快跑在武汉的收费标准（1km内起步价18元，超出起步价 范围后每公里2.7元）以及补贴力度（~5折）计算，单均收入为14.85元；成本方 面，按照Apollo RT6 20.46万价格以及6年折旧期计算，单均折旧约为7.19元。运 营成本中大头来自安全员，按照安全员和车辆1：1的配比计算，单均安全员成本 达到16.44元。再加上电力、保险、维护等费用，最终单均成本为27.80元。商业 化角度，UE的关键变量是单位车占用的安全员数量及单量，随着单个安全员覆 盖无人车数量增加以及单量提升，Robotaxi UE模型有望实现打平。

9. 问九：Robotaxi产业，政策进一步放开的最底层逻辑是什么？

中美为自动驾驶第一梯队，竞相出台自动驾驶政策，为加快Robotaxi商业化落地释放积极信号，我们观察国内的主要趋势 为：1）道路测试范围扩大；2）安全员位置经历“主驾—副驾—后排—车外（远程）”的变化；3）从道路测试到示范应用再 到商业运营范围的放开；4）权责划分逐步明晰：2022年2月，上海发布《上海市智能网联汽车测试与应用管理办法》，首次 明确智能网联汽车发生交通事故后的责任划分；随后，深圳/北京分别于2022年11月及2024年6月作出相关规定。三地均认定 应由智能网联汽车一方承担责任的，由该车所属企业先行赔偿，并可依法向相关责任方（如系统开发者、汽车制造商等）追 偿。

Robotaxi产业，政策进一步放开的最底层逻辑是什么？我们认为当前全球和Robotaxi相关的政策体系政府方都在尽力给到 最大的支持，但尚未进行全道路商业化的最底层政策瓶颈还在于安全，技术日新月异，但安全方面的要求几乎是零容忍。因 此从根本上来说，Robotaxi产业发展在等待的关键还是技术的进一步更迭。

10. 问十：消费者认知研究：容错率低，对Robotaxi运营方意味着什么？

消费者认知瓶颈在于安全感不足。消费者愿意承担自己开车时的小概率伤亡风险，但是对于其他人（或者无人）掌控方向盘 时，会有更高的安全标准。根据百度Apollo Day披露，自动驾驶车辆的安全性现已能达到驾驶员人工操控的10倍；但只要发生 一起严重的事故，想要公众普遍认可自动驾驶的难度会大幅增长。

Robotaxi安全性的关键评价指标为MPI。 MPI（Miles Per Intervention，测试接管里程数）用于衡量自动驾驶汽车每行驶多 少里程需要人工接管一次；一般MPI越长，自动驾驶系统的可靠性越高。根据2023年DMV （加州交通管理局）道路测试数据， MPI表现良好的中国企业包括文远知行、AutoX、百度Apollo及滴滴，分别位列第4/6/7/8名。但需要注意的是，MPI不能充分衡 量自动驾驶汽车形式的可靠性，致使脱离的原因也值得关注。《北京市自动驾驶车辆道路测试报告2020》对全年接管脱离的原 因进行了分类，其中其他车辆占用车道占25%，道路施工占22%，其他参与者逆行、横穿等占36%。非造成重大损伤的脱离原 因更易提高消费者接受度。

报告节选：

（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。）