（溫馨提示：文末有下載方式）

核心觀點：

1、供給端看，主機廠、零部件供應商、互聯網公司三者均有強烈意願參與到智能駕駛產業鏈，目前產業對待汽車智能化主要是兩種思路：

一種是自下而上推廣智能駕駛，即“汽車電子派”。通過提供ADAS產品推進自動駕駛級別從L0 發展至L2，提高價值量並提升智能化水平，在普及率達到一定程度後，逐步尋求更高級智能駕駛機會。

另一種是自上而下推廣智能駕駛，即“網聯派”。以互聯網公司為代表，積極開發的算法，對零部件公司提供的硬件和整車廠提供的平臺進行整合，把無人駕駛的最終實現作為研究出發點和落地點。

2、從智能化的推進節奏看投資機會，應該分為三個階段。

第一階段2019-2020年，中短期關注智能化自下而上的機會，標的集中在基礎硬件的提供商。當前ADAS 產品安裝比例和價值量確定性提升，對應的產品需求能夠保持快速的增長，同時對應標的在下一輪無人駕駛階段也會具有較大規模而形成護城河。

第二階段2021-2025年，開始看自上而下的投資機會，時點上來看我們認為此階段是ADAS強制普及的節點，孕育了更高層次的智能駕駛的機會，華為、阿里、騰訊、百度等都在積極佈局第二階段。

第三階段2025年後，自動駕駛開始在大量場景中實現，基礎建設落地，單車價值量顯著提升，智能駕駛實現一年萬億市場的投資機會。

3、具體來看，當前投資的落地點在於幾個層面。傳感層的機會在於高精度、高準確度的傳感器最終落地，單個車型的傳感器價值量不斷提升。計算層在於基於國內迅速迭代的算法技術的智能座艙落地，提升車輛駕駛體驗。執行層受益於國內的製造基礎，ADAS 和新能源的應用加速了執行層落地，催化劑在於政策帶來爆發性機會。網絡層、通信層方面，雲、管、端的三層架構已經逐步明確，運營商、設備商和主機廠是投資機會。芯片層在於開發更為適用於智能駕駛的芯片，包括圖像識別、高速計算和數據傳輸等各個方面的應用。最後則是電動化這一層，新能源車更加有利於智能設備的安裝和推廣。

報告內容：

一、智能駕馭進入實質落地期，政策及規劃催生萬億行業

1、政策推動及車企規劃

汽車智能化不同於新能源化，本質上是人們對汽車的更高品質的追求。汽車發展的歷史本質上就是對汽車動力性、舒適性、安全性追求的歷史，智能化明確地帶來舒適性和安全性的提升，因而需求是自發產生的。汽車行業自發需求的力量是巨大的，尤其是當前汽車動力性和空間差距已經逐步減少的背景下，購買者考察談論更多的是科技配置即智能化水平。可以預見未來ADAS 會成為人們口中津津樂道的“自動變速器”、“缸內直噴”而成為標配。

2018 年1 月，國家發改委公佈《智能汽車創新發展戰略》(徵求意見稿)，計劃到2020 年智能汽車新車佔比達到50%，中高級別智能汽車實現市場化應用。在這一計劃公佈後，國內智能駕駛試驗場地、車聯網及智能駕駛企業雨後春筍般迅速成長。

當前的政策屬於溫和培育階段，政策在智能化中起到摸著石頭過河的作用。16-18 年國家出臺了多部針對智能駕駛的指導意見和技術標準，規範相關標準體系為技術創新和管理鋪平了道路，而技術標準會參考各環節龍頭企業的指標，建議關注智能駕駛各環節的龍頭企業。表2 羅列了各車企的推廣進度，可見2021 年前基本都計劃有L4 級別的量產車上路。

對於國內廠商，智能化產品觸手可得。由於國內的電動化進程加速，智能駕駛技術在網絡層、通信層有比較多的機會，主機廠敢於去嘗試。汽車電子在國內廠商的推進加速，目前L1、L2 級別的配置國內已經下降到10 萬級別的車型，可見國內廠商推廣的決心。

2、智能駕駛的投資機會

從智能化的推進節奏角度看投資機會，我們認為應該分三個階段。

第一階段2019-2020 年，中短期更應關注智能化自下而上的機會，標的集中在基礎硬件的提供商。當前ADAS 產品安裝比例和價值量確定性提升，對應的產品需求能夠保持快速的增長，同時對應標的在下一輪無人駕駛階段也會具有較大先機。

第二階段2021-2025 年，開始看自上而下的投資機會，時點上來看我們認為此階段是ADAS 強制普及的節點。短期無人駕駛受制於政策、倫理、技術等問題無法實現盈利能力，而彼時無人駕駛已有了低端智能化作為硬件和軟件支撐，政府個人的接受度提升，打破常規限制才是高等級智能化成為駕駛安全的最終落腳點的時間契機。當前來看已經逐步進入這一階段，華為、中國移動、阿里、騰訊、百度等都在積極佈局第二階段。

第三階段2025 年後，自動駕駛開始在特定場景中實現，基礎建設落地，單車價值量提升，智能駕駛實現萬億市場的投資機會。

具體來看，自動駕駛的產業鏈是極為豐富的，我們把產業鏈分成三個部分，基礎硬件、基礎軟件和應用集成三個方面。當前國內投資的落地點在於以下幾個層面。傳感層機會在於高精度、高準確度的傳感器最終落地，單個車型的傳感器價值量不斷提升。計算層在於基於國內迅速迭代的算法技術的智能座艙逐步落地，顯著提升車輛的駕駛體驗。執行層也是一個比較確定的落地點，一來國內有相關的製造基礎，二來ADAS 和新能源的大量推廣確保了業績穩健增長，催化劑在於政策最終落地會帶來爆發性機會。網絡層、通信層方面，雲、管、端的三層架構已經逐步明確，運營商、設備商和主機廠是投資機會。芯片層在於開發更為適用於智能駕駛的芯片，包括圖像識別、高速計算和數據傳輸等各個方面的應用。最後則是電動化這一層，新能源車更加有利於智能設備的安裝和推廣。

以一臺車的自動駕駛產品價值量在10000 元(L3 水平)進行測算，全世界一年銷量一億臺車，即自動駕駛產品在L3 階段(有條件的自動駕駛階段)即可實現萬億級別的市場容量，預計這一階段的全面普及會在2025 年前實現，隨後行業進入L4高度自動駕駛階段。

二、智能加速，感知先行

感知層:激光雷達仍需等待性價比加速提升，毫米波雷達產業化競爭開始。

視覺傳感器可靠性低，多傳感器融合仍是最佳方案。傳感器是智能駕駛認知、決策和執行環節的基礎，我們認為至2020 年車載傳感器市場空間可達200 億/年。從可靠性出發，激光雷達、毫米波雷達及攝像頭的組合使用是最佳解決方案。毫米波雷達量產在即，24Ghz 頻段已較成熟，77Ghz 逐漸開始落地。激光雷達性價比仍需進一步提升，降維、固態、規模化是當下激光雷達成本降低的主要途徑，但就目前而言，低成本激光雷達解決方案目前不僅僅集中於硅谷，國內廠商通過研發迭代已經切入其中。

智能駕駛傳感器同一般車載傳感器相比其對性能、精度都有更高要求，因而價格也更為昂貴，在一百元至幾十萬元不等。主要包括攝像頭、毫米波雷達、激光雷達。通常位於車輛的前後保險槓、側視鏡、駕駛倉內部或者擋風玻璃上。

1、攝像頭: 國內佔據優勢，增長來自量價提升

攝像頭傳感器通過視覺算法，攝像頭可對車道、路邊、障礙物、行人進行有效識別，不足在於識別範圍受限、穩定性差。但單一視覺方案易受到光照、極端天氣影響，且測距精度有限，因而當下主要採用“攝像頭+多傳感器共同探測”的解決方案。

攝像頭是應用最廣泛的智能駕駛車載傳感器，核心優勢在於物體識別。攝像頭傳感器一般由攝像頭、CMOS 相機和圖像處理電路板組成，是當前使用最廣泛的傳感器。攝像頭可描繪物體的外觀和形狀、讀取標誌，同時獲取足夠多的道路環境細節，建立完整環境模型，幫助車輛進行環境認知。

攝像頭市場國內廠商異軍突起，歐菲光、舜宇光學、晶方科技加速佈局。當前攝像頭傳感器造價成本在30-50 美元量級，供應商國內外平分秋色。國外廠商以日立、博世、大陸、奧托立夫為主，國內亦不乏優秀的全球供應商，歐菲光、舜宇光學、晶方科技加速車載攝像頭佈局。其中歐菲光投資2 億元設立子公司佈局車載攝像頭產業鏈，其研發的車載攝像頭傳感器已實現量產;舜宇光學車載攝像頭出貨量居全球第一位，市佔率高達30%左右;晶方科技主要提供CMOS 圖像傳感芯片。

2、毫米波雷達:國內技術已經取得突破，緊跟國內龍頭公司

毫米波雷達具備全天候全時段特性，目前精度停留在分米級。毫米波是指30-300GHz 頻域(波長為1-10mm)的電磁波，波長介於釐米波和光波之間。毫米波穿透霧、煙、灰塵的能力強，在惡劣天氣下仍有較好的表現，具有全天候全時段的特點。主要應用於自適應巡航(ACC)、緊急剎車輔助(AEB)、盲點檢測(BSD)、行人檢測(PD) 等。

車用毫米波雷達頻段在22-29GHz 和77-81GHz 範圍，分窄帶(NB)、超寬帶(UWB) 兩種形式。全球汽車毫米波雷達主要供應商包括博世、大陸、海拉、富士通、電裝、天合、德爾福、奧托立夫和法雷奧等傳統優勢企業。在細分領域中，不同廠商各自稱王: 德國海拉是24GHz 雷達領域的巨頭;博世憑藉具有250m 最長探測範圍的LRR4 在77GHz 領域位居第一;在日本市場，富士通份額排名第一，電裝位居其後。毫米波雷達價格大概在120-150 美元，國內價格在1000 元左右。

國內廠商加速毫米波雷達市場佈局，量產在即。受益於智能駕駛概念推廣，毫米波雷達正逐漸成為汽車電子領域新的增長點，國內越來越多的汽車一級供應商和一些軍工及安防背景的公司開始準備毫米波雷達的系統研發工作。目前24GHz 毫米波雷達是國內主流，其研發成本、週期及難度比77GHz 低。77GHz 雷達由於國外對我國技術封鎖、元器件依賴進口等原因，研發推廣仍然有壓力。

79GHz將成為未來發展趨勢。當前國外毫米波雷達公司在積極研發下一代79GHz 雷達，其探測精確度是當前77GHz 雷達的2-4 倍。日本77GHz帶寬限制為0.5GHz，而79GHz 帶寬可達4GHz，發展空間巨大。並且79GHz雷達能夠探測行人和自行車，其最優探測範圍為70m，將成為中距雷達中的主流，未來可能會擠佔24GHz 的市場份額。

3、激光雷達:三維分辨力，降成本仍是主要目標

具備三維分辨能力的“機械之眼”，應用漸趨主流，痛點在於降成本推進。激光雷達通過發射激光光束測量視場中物體輪廓與相對距離信息，形成點雲並繪製出3D 環境地圖，激光雷達的精度為釐米級，是真正具備空間三維分辨能力的“機械之眼”。

激光雷達技術壁壘高，全球極少數廠家有量產實力，未來契機在於外延併購以及研發層尋求突破。當前已研製出可用於無人駕駛技術激光雷達產品的公司主要有美國老牌激光巨頭Velodyne，硅谷新銳Quanergy 和德國品牌Ibeo，國內的北科天繪也推出了首款導航型LiDAR。

1)激光雷達工作原理:激光雷達通過發射激光光束測量視場中物體輪廓與相對距離信息，形成點雲並繪製出3D 環境地圖，激光雷達的精度為釐米級，是真正具備空間三維分辨能力的“機械之眼”。激光束可能包含1 線、4 線、8 線、16 線、32 線或64 線，多個激光束在豎直方向沿不同角度發出，經水平方向掃描實現對目標區域三維輪廓探測。多個測量通道(線)相當於多個傾角的掃描平面，因此垂直視場內激光線束越多其豎直方向的角分辨率就越高，激光點雲密度就越大，測量精度越精準。

2)激光雷達評價參數:激光雷達測評參數主要包括探測範圍和角分辨率。測評一個激光雷達主要對比其探測範圍，包括有效距離，水平視角識別範圍、縱向視角識別範圍。一般來說角分辨率越小準確性越高，車載激光雷達水平方向上，角分辨率一般能達到0.1 度，縱向一般是0.5 度左右(每個接收器覆蓋縱向0.5 度)。

3)激光雷達應用場景:激光束工作頻率高、解析度高、隱蔽性好、抗有源干擾能力強、低空探測性能好，可通過距離多普勒成像技術獲得目標的清晰圖像。但激光在大雨、濃煙、濃霧等極端天氣裡衰減急劇加大，傳播距離大受影響，大氣環流還會使激光光束髮生畸變、抖動，直接影響激光雷達的測量精度。

降維、固態、規模效應是當下降低激光雷達成本的主要途徑。激光雷達成本高主要反映在光學部分和機械旋轉部分，激光二極管、光學二極管檢測器和現場可編程門陣列(FPGA)成本也很高。目前激光雷達價格在5 千-7 萬美元不等，行業內主要從降維、固態化和規模效益三方面降低成本。

1)降維:降低成本同時性能受限。Velodyne 的激光雷達按照線束密度進行定價，64 線束報價8 萬美元，32 線束報價4 萬美元，16 線束報價4 千美元。降維會降低激光雷達精確度，無人駕駛要求激光雷達線束下限為16 線，為保證精確度，通過降維來降低成本受到一定的限制，當前國內的龍頭激光雷達企業已經把16 線產品壓低到豪華車可接受的範圍，即5 萬人民幣以內。

2)固態化:降低成本的主流技術方法。通常激光雷達為機械式，通過內部的機械部件實現對周圍環境360°的掃描，此類激光雷達一般安裝在汽車車頂，體積較大且不能與車身很好融合;而固態激光雷達不存在機械旋轉部件，只能探測前方，需要通過安裝多個固態激光雷達實現車身360°探測，同時，固態激光雷達體積小，能融入車身，價格相對便宜，多個安裝價格仍低於傳統激光雷達。固態化成為激光雷達廠商降低成本的研發新趨勢。

3)規模效應:產業化降成本的主要途徑。儘管降維和固態化都能在一定程度降低成本，但批量成產帶來的規模效益仍是實現成本下降最有效的方式。全球傳感器分德、美日兩大陣營，德系廠商“毫米波雷達+攝像頭”路徑居多，其主張精度可以通過算法優化、高精度地圖補充實現;美、日系更為傾向激光雷達，同時通過同Tire-2 供應商合作推進成本下降。德爾福配備福特、路虎，電裝配備大發，大陸配備本田、馬自達、鈴木、豐田。

低成本雷達解決方案趨待量產，國內後發先至成為降成本主力。國內外絕大多數車載激光雷達廠商仍處於研發、測試階段，多為創業公司。國外廠商如Innoviz，LeddarTech，Phantom Intelligence, TriLumina，MIT 團隊等一大批強勁的初創公司加入激光雷達行業。國內激光雷達起步晚，目前擁有激光雷達測量應用技術的國內公司有禾賽科技、北科天繪、鐳神智能、思嵐科技、巨星科技、大族激光等，進軍智能駕駛用激光雷達後，大多提出了金額比較低的產品。

4、傳感融合，當下主流與高階自動駕駛

橫向維度:傳感器之間不能完全替代，須滿足性能補充和冗餘判斷要求。傳感器各有優劣，攝像頭傳感器價格低廉並且應用範圍廣，但是在雨雪天氣識別能力差;毫米波雷達在雨雪天氣表現極佳，但測量精度不夠;激光雷達精度較高，由於價格高昂目前很難廣泛應用;超聲波雷達適合近距離測距。多傳感器配合使用將成為趨勢，傳感器冗餘必不可少。“優勢互補”是輔助駕駛階段最優的路徑選擇。激光雷達、攝像頭和毫米波雷達的信息融合更有利於特徵提取和前景分離過程，實現算法速度提升。汽車對於反向控制的容錯率很低，這就需要至少兩種傳感器信息進行冗餘驗證，實現精度提升。

縱向維度:對應智能駕駛的不同階段，傳感器要求不盡相同。按照SAE 分級可以將智能駕駛五個階段，其中0-2 階段主要是人為操控，需要駕駛員觀察周圍環境，3-5 階段主要由智能駕駛系統觀測周邊環境。當前汽車行業處於1-2 階段，對應的輔助駕駛系統已經量產，對傳感器的要求精度相對無人駕駛較低，主要通過攝像頭和毫米波雷達實現相應功能。從2 進入3 階段對傳感器精度的要求存在一個實質的跨越，從而具有高精確度的激光雷達就顯得尤為重要。進入3 階段後傳感器的使用數量顯著增加，並出現一定程度的冗餘。

伴隨終端需求增長，2020 年國內傳感器硬件市場空間可達210 億。隨著智能駕駛概念的推廣，智能駕駛功能覆蓋率提高，傳感器的滲透率不斷上升。預計未來智能駕駛L2 的多數功能在國產車上實現需要1 個攝像頭、4 個毫米波雷達、4 個超聲波雷達。以整套傳感器為單位推算國內傳感器市場空間，預計2020 年傳感器市場空間超過210 億，複合增速為35%。

三、智能駕駛大腦，國內優勢與弱勢並存

控制層處中樞地位，深度學習是提升精度的終極方案。傳感層識別外界物體、收集信息後輸入到控制層，控制層利用視覺算法、傳感器融合算法、路徑規劃算法進行物體識別、軌跡預測。傳統算法識別精度已接近閾值，難以完全勝任對複雜的駕駛場景進行信息識別。通過人工智能、深度學習可以極大優化算法架構提升識別能力。基於人工智能技術對行人等難度較大的物體識別率穩步突破90%，接近可應用水平。國外巨頭已逐步應用於產業化，國內的優勢在於豐富的算法資源與近年來大量AI 人才往這個方向轉移，弱勢在於缺乏汽車實測經驗和數據。

全球市場推演人工智能，以mobileye 和google 為主。Mobileye 專注於視覺識別和算法提升，為主機廠和一級供應商提供視覺識別模塊化產品，同時加快轉向傳感融合、深度學習和高精度地圖領域;Google 希望以人工智能切入智能駕駛，利用激光雷達獲取高解析度數據，依靠AI 匹配原有地圖數據，經過數次測試逐步提升可靠性。國內算法公司識別精度有限，集中視覺領域。

1、經典智能駕駛算法:目標物體識別和路徑規劃

在人工智能和深度學習應用之前，經典的無人駕駛算法以目標物體識別和路徑規劃為核心，分為六個步驟: 前處理→前景分離→物體分類→結果改進→物體追蹤→應用層面前五個部分是感知識別算法的核心步驟，最後一個部分則通常指後續的物體行為預測、路徑規劃。

1)物體識別技術

Step1，前處理

底層機器視覺算法，通常包含攝像頭曝光、增益控制、攝像頭標定校準等步驟。由於路況複雜多變而實時性要求很高，因而智能駕駛中對前處理算法的要求極高。

Step2，前景切分

前景切分的目的是儘可能過濾與待識別物體無關的背景信息(例如天空)，並且將圖像切分為適宜大小。一個好的前景切分算法可能將原先的200k-1000k 個待識別區域縮小到20k-40k，大大減輕後續處理負擔。

Step3，物體識別

將上一步驟生成的大量待識別區間歸類為數百種已知的可能在道路上出現的物體，並且儘量減少誤判。

Step4，驗證與結果改進

使用與分類方法不同的判據來驗證分類的結果可靠性，並提取被歸類為特定物體的待識別區間中更加詳細的信息(例如交通標誌)。

Step5，物體跟蹤

這一步驟的目的有二。除了為應用層提供物體軌跡外，還能為前景切分、物體分類提供輸入(告訴前景切分之前這個地方出現過什麼)。目前最為常用的算法是卡爾曼濾波算法(用來跟蹤、預測物體軌跡，根據過去空間位置預測未來位置)。

2)路徑規劃算法

智能駕駛任務可分為上層路徑規劃、中層行駛行為規劃和下層軌跡規劃三部分。

上層路徑規劃在已知GPS 定位信息、電子地圖、路網以及宏觀交通信息等先驗信息下，根據某優化目標得到兩點之間的最優路徑。中層行駛行為規劃是指根據主車感興趣區域內道路、車輛等環境信息，決策出當前時刻滿足交通法規、結構化道路約束的最優行駛行為，動態規劃的行駛行為序列組成宏觀路徑。下層軌跡規劃是指在當前時刻，以完成當前行車行為為目標，考慮周圍交通環境並滿足不同約束條件，根據最優目標動態規劃決策出的最優軌跡。

2、智能駕駛算法的痛點:精度提升

通常而言，視覺識別算法精度提升有以下幾種途徑:第一，視覺算法本身的優化。在前處理和前景分離階段提取明確目標值，分類和學習系統的算法不斷優化。這需要技術研發的不斷投入，產生極高的進入壁壘。第二，通過傳感融合算法冗餘信息判斷，提高精度。視覺識別以攝像頭數據為主，同時輔以雷達、激光雷達的邊界、距離信息。數據顯示，在相同誤判率下雷達的決策輔助能降低約10%的漏檢率。第三，人工智能、深度學習對傳統視覺算法進行徹底革新。由於傳統算法識別精度已接近閾值，難以完全勝任對複雜的駕駛場景進行信息識別。通過人工智能、深度學習優化算法架構，深度學習基於多層卷積神經網絡，能從根本上提升算法識別能力。已有多個研究試驗表明，基於人工智能技術對行人等難度較大的物體識別率穩步突破90%，接近可應用水平。

1)視覺算法自身優化迭代

視覺算法技術迭代，呈現倍增態勢。Mobileye 從2004 年開始專注於視覺算法開發，自2007 年推出EyeQ1 芯片開始，已開發四代EyeQ 系列芯片和配套算法。十多年技術積累，EyeQ 芯片圖像識別幀速率由10fps 達到最新的48fps(已知信息)，處理速度為EyeQ1 的512 倍。最新測試數據顯示，Mobileye 系統車道線、車輛識別率均為99.99%，拉大與市場上同類產品差距。

2)傳感器融合具備硬件平臺

傳感器融合算法是提升視覺融合算法精度的重要途徑。目前智能駕駛主流傳感器包括: 雙目攝像頭、毫米波雷達、激光雷達等，它們在測量距離、角度、分辨率以及適應天氣狀況方面各有優劣，傳感器融合趨勢將有利於優勢互補，提高感知信息的精度。

傳感器融合需要有冗餘設計方案，在不同的層面，所需的冗餘設計不同。在使用單/雙目攝像頭探測其他物體時，需要的冗餘空間以支持同時啟動激光雷達與毫米波雷達;在車道識別的時候，冗餘部分可支持激光雷達與攝像頭高負荷運作，並且需要足夠的空間存儲高精度地圖;在駕駛路徑規劃方面，同樣需要高精度地圖配合，通過雲端實時更新路況和地圖雲數據。

傳感器融合技術的規模化應用已“箭在弦上”。恩智浦近期推出基於Linux 系統的Blue-Box 計算機平臺，其性能能夠滿足單臺車同時安裝4 臺攝像頭、四架激光雷達、一架毫米波雷達以及V2X 系統的要求，對傳感器進行模塊化管理，可將多種傳感器回傳信息進行融合加工。據悉Mobileye、Valeo、Velodyne均有支持傳感器融合平臺的研發計劃，傳感器融合將是未來主要趨勢。

3)深度學習突破精度瓶頸

深度學習搭建時空結構網絡，實現機器不干預的自我學習，深度學習能夠在圖像識別能力上顯著超越傳統算法。Clarif AI 針對行人等複雜物體識別實驗數據顯示，2010 年誤檢率(Error Rate)在30%-80%之間，兩年傳統算法優化將誤檢率降低至20-30%左右，陷入瓶頸。深度學習算法則進一步降低誤檢率，接近至10%以下。ImageNet 數據同樣顯示，深度學習算法可將行人的識別率提升至90%以上。

結合雲計算、大數據，深度學習算法將十分匹配智能駕駛場景。深度學習優勢在於可識別、判斷和分類非結構數據，結合大數據、雲計算技術進行信息溝通和反饋，從而提高感知識別精度和系統計算速度。高度複雜的智能駕駛環境主要表達非結構數據，例如圖像、語音等信息，因此深度學習非常適合智能駕駛場景。

具備深度學習能力的計算機平臺將成為智能駕駛的標準配置，極大提升感知識別和計算能力。Mobileye、Ceva、恩智浦、高通、德州儀器等正加緊研發帶有神經網路軟體架構的智能駕駛芯片;NVIDIA 則更進一步，已推出DrivePX2、Tesla P100 GPU 和DGX-1 相結合的完整深度學習技術方案。

Drive PX2:單精度浮點運算性能達到8TFLOPS，深度學習計算能力接近24 DL TOPS; 而其體積已明顯縮小，可放置在車輛上使用。它可以融合來自多個攝像頭以及激光雷達、雷達和超聲波傳感器的數據，可準確瞭解汽車周圍360 度方位的環境，使用深度神經網絡(DNN) 進行物體檢測和分類可大幅提高傳感器數據的融合度，並且在地圖和車輛狀況數據基礎上運用深度學習算法即時計算最安全的路徑。同時它能夠將外部傳感器獲取的圖像數據加工製成單個的高精度點雲，上傳至雲端服務器。

Tesla 最新芯片:新芯片專為特斯拉的自動駕駛功能設計，包含60 億個晶體管，每秒可處理25 億個像素，每一張圖像生成後都立刻會被GPU 處理。特斯拉聲稱，新的SOC 是“全球最先進的自動駕駛計算機”。與特斯拉目前的硬件相比，它的性能顯著提升，最多可以每秒進行超過144 萬億次運算。該芯片的設計還減少了能耗。Bannon 說，芯片使用不到100 瓦的電力。它的功耗為72 瓦，其中15 瓦為特斯拉的神經網絡供電。這款新芯片將由三星公司生產，體積非常小，甚至可以安裝在汽車手套箱後面。為了增強安全性能，SOC 採用兩個獨立的操作系統，每個系統都有自己的DRAM 內存、閃存芯片和電源。即使其中任何一個系統失靈，汽車都能繼續行駛。

3、控制層硬件載體:算法芯片成本有望複製摩爾定律

受益摩爾定律，傳統芯片成本急速下降。摩爾定律使芯片硬件成本下降到10 年前1/100以上，參考芯片行業的Hedonic 首推價格指數，將2000年的價格指數作為基準值100，到2013 年時，相同SPEC 跑分(代表芯片的運算能力)的芯片價格指數已接近0.01。GPU 領域的黃氏定律表明每六個月GPU 性能可提升一倍，NVIDIA 因此成為該領域的霸主。

無人駕駛芯片涉及到視覺處理、傳感器融合、路徑規劃等多項算法，對運算能力要求較高，較一般汽車用芯片價格更為高昂。以Mobileye560 系列後裝整套售價為例，其零售價格為$849，芯片價值在$300 左右。目前針對智能駕駛L1 階段的EyeQ 芯片平均售價(ASP)已進入下降通道，未來有望降至$35 以下;針對L2、L3&L4 的EyeQ 芯片價格預計也將在未來下調。隨著晶圓代工新技術和全新架構(如NVIDIA 的Pascal 架構)大量採用，無人駕駛芯片可延續摩爾定律發展趨勢。

4、控制層的集成化推動座艙電子機會

智能化利於提升車機公司盈利能力，智能座艙投資機會在於龍頭。國內公司在車機市場的佔有率較高，尤其是車載信息和車載娛樂系統國內廠家已經成為主要供應商。在流量變現的當下，國內廠家有能力把握交互的入口，實現功能卡位。隨著德賽西威等車機廠商逐步和百度等互聯網巨頭聯合發佈車載操作系統的進度加快，原先的車載信息娛樂系統盈利能力有望增強。

德賽西威在CES Asia 展會上正式發佈智能駕駛艙，其中智能駕駛艙集成了ADAS 功能(自動泊車系統、多達22 個傳感器的傳感器系統)。德賽西威智能駕駛艙主要包括四大產品系統:

1) 雙12.3 英寸儀表導航系統:在左屏顯示駕駛信息、導航信息等，在右屏呈現娛樂信息等。

2) 全景泊車及自動泊車系統:車輛出庫或者通過狹窄通道時，全景泊車能夠幫助駕駛者掌控車身周圍環境;而自動泊車系統則可以讓駕駛員通過一鍵控制即實現自動泊車到位。

3) 流媒體後視鏡系統:3 倍於傳統後視鏡可視範圍，無炫光干擾，弱光下顯示效果要遠比玻璃鏡子好得多。

4) 傳感器系統:包含超聲波雷達12 個(對自動泊車以及自動駕駛進行實時監測)、單目攝像頭1 個(對車道偏離、防撞、自動巡航等實時監測)、77G 毫米波雷達3 個(通過監測前方路況，將數據反饋至車身、實現自動剎車)、24G 毫米波雷達2 個(實現實時盲區監測聲音報警，以及A 柱位置實現指示燈提醒)、180°攝像頭4 個(通過儀表展示3D 全景技術，提供全景泊車以及自動泊車數據監測)。

現階段百度與智能座艙Tier 1 供應商主要共同合作研發BCU，其中德賽西威參與了全部3 款BCU 的研發過程;除此之外，百度還與博世、大陸等巨頭進行雷達等傳感器方面的合作。BCU (Baidu Computing Unit) 即百度自動駕駛的專用計算平臺，可以理解為將百度Apollo 平臺的高精定位、環境感知、決策規劃三大核心AI 軟件模塊產品化為硬件的形態。截至目前百度共推出了BCU-MLOC(高精定位)、BCU-MLOP(高精定位+環境感知)、BCU-MLOP2(高精定位+環境感知+決策規劃)共3 款BCU 產品。BCU 的目標客戶是整車廠，首批樣件經Tier 1 及整車廠上車測試之後，兩年以後將量產。

在BCU 的研發過程中百度與合作伙伴的分工十分明確:(1)百度主要負責人工智能、雲以及高精度地圖業務，百度所關注的領域汽車零部件企業不會去涉及;(2)NVIDIA 提供人工智能所需要的計算芯片;(3)德賽西威、採埃孚、聯合電子等Tier1 則提供具體汽車零部件的整合與生產落地(百度等互聯網公司並不擅長車規級標準，阿波羅計劃的主要思想是通過開放軟件能力的方式使高精度定位產品化，汽車零部件企業的參與恰好補足了百度將高精度定位的模塊做成硬件產品的短板)。

四、執行層的國內突破與機遇

不同於傳統汽車制動和轉向的動力源都是來自於人力，智能汽車由於需要車輛主動轉向和制動，因而動力源是來自於電機液壓等新結構，因而就帶來了匹配、效率、穩定性等各方面的要求。

1、執行層是智能駕駛在場景中完成駕駛行為的最後環節

感知層負責採集多傳感器融合信息，交由控制層算法處理並作出駕駛策略，算法指令的最終效果將取決於執行層運作。執行器是執行層中的機械部件，從駕駛運動方向角度，執行器可以分為制動系統(縱向)和轉向系統(橫向)。

在智能駕駛的L1/L2 階段，ADAS 駕駛模塊作為初級產品迎來商業化應用。原來ADAS 模塊僅部分應用在歐美日及合資車的中高端車型，主要普及功能有BSD(盲區監測系統)、AEB(自動緊急制動)、ACC(自適應巡航)、APS(自動泊車)、LKA(車道保持輔助系統)、LDW(車道偏離警示系統)、FCW(前向碰撞預警系統)、PCM(行人預警)等，據瞭解，目前裝配率最高的是BSD，裝配率為7.53%，其次是LDW 和FCW，裝配率分別為7.4%和6.83%。目前我們看到的變化是部分ADAS 功能已經應用在中端的自主車型上，系統推進速度在加快。ADAS 模塊執行駕駛任務時，依賴制動系統和轉向系統運作;執行器可獨立完成單向運動或相互組合完成複雜運動，成為ADAS 模塊的關鍵部件。

執行層國外廠商具有先發優勢，國內部分EPS 廠商已成功切入二級供應商鏈條。執行層是智能駕駛第二階段區別於第一階段的主要部分。第一階段主要是預警功能，強調感知和通知的作用，而第二階段以及後續階段的智能駕駛屬於干預輔助駕駛。由於干預駕駛的執行對象是剎車、轉向和油門，他們均屬於傳統汽車領域的延伸，國外廠商在執行層的技術儲備具有先發優勢。

當前對執行器市場存在著電動化一些誤區，我們認為：

1、市場寡頭壟斷格局並未形成，當前市場需求量很小，博世等在制動領域的市佔率高並不意味著寡頭壟斷，只是具有先發優勢。而且相關廠商的技術還不成熟，召回時有發生。

2、國內相關技術並不落後，轉向方面EPS 廠商已經有較多的積累，相關零部件國內已經實現供給。制動方面，國內至少有十年以上的研發經驗，上汽、拓普及相關創業公司已經有產品，部分已經通過車規小批量供貨，預計隨著市場需求提升，國內能佔有一席之地。

3、國外產品成本偏高，小批量高投入的現狀導致國外配套廠成本居高不下。阻礙了智能化發展進程。國內本土化開放，享受工程師紅利，部分產品生產線已經運行，能有效降低成本，正向推動智能化發展。

2、轉向系統的變革:傳統向線控轉向的升級

傳統的機械液壓轉向系統是依靠駕駛員操縱轉向盤的轉向力來實現車輪轉向。電力轉向系統(Electric Power Steering)是傳統的機械液壓轉向到線控轉向(steer by wire)間的過渡狀態，它使用電力輔助汽車的轉向，使駕駛員在汽車靜止或低速行駛時能輕鬆轉向。當電力轉向失效時，由於轉向系統仍與車輪有物理連接，因此駕駛員仍可操縱汽車。而線控轉向則取消了車輪與方向盤間的物理連接，採取控制軟件傳輸電子信號控制車輪

憑藉助力轉向功能，轉向系統更加智能化。高檔車搭載的動力隨速轉向系統在轉向柱上增加了調整轉向角度電機，可實現“在低速行駛時助力大，高速行駛時助力小”，更加匹配現實駕駛場景。可調節轉向系統在此基礎上，利用直流電動機作為動力源。汽車轉向時，傳感器會收集轉向盤的力矩和擬轉動的方向信息，通過數據總線發給電子控制單元，經過一定的運算處理後向電動機控制器發出動作指令，最後電動機就會輸出相應大小的轉動力矩，產生助力轉向。如果不轉向，則系統處於休眠狀態。

主動轉向目前的市場格局在於:博世，採埃孚，電裝等公司採用合資的方式對中國市場進行逐步滲透，當前從行業集中度分析，電子助力轉向系統(EPS)前五總份額佔比61%，市場集中度高，分品牌來看，EPS 市場合資+外資品牌佔比為81%，博世華域(博世持股51%，華域49%)市場份額最高(23%)，其餘依次是捷太格特、上海天合採埃孚。但是國內公司也還佔有約20%的市場，並且完整掌握主動轉向的硬件技術，這一點是難能可貴的，國內比如AT 市場，國內本質上沒有市場佔比。而主動轉向技術的自主化公司，一方面能隨著行業增長獲得更大的收入份額，另一方面低價優勢保證公司競爭力，隨著功能的最終實現，國內外的技術差距也逐步縮減。相關轉向公司有望受益，華域汽車、德爾股份都有可能受益。

3、制動控制系統的變革:人力制動到電控制動

汽車制動控制系統歷經人力制動、人力控制制動及電控制動三次代際更迭。當下正處於第二代至第三代更迭風口，存量市場，傳統乘用車仍以人力控制主導的液壓制動系統為主，實質理念是通過摩擦熱能來消耗車輛所具動能,從而達到車輛制動減速;增量市場，純電動、插電混動新能源汽車，配置輔助駕駛執行層功能(ESC 電子車身穩定系統、AEB 緊急剎車制動系統、ACC 自適應巡航系統、LKA 車道保持系統)的中高配車輛滲透率不斷提高，液壓制動(電子泵)提供真空環境的穩定性、靈敏度已達上限，終端爆發對第三代電控助力制動產生強勁需求。

基於真空助力的液壓制動系統主要是在原有真空助力液壓制動系統中增加EVP(Electronics Vacum Pump,電子真空泵)、PTS(Pedal Travel Sensor,踏板行程傳感器)和氣壓傳感器。EVP 的作用是為真空助力器提供動力源，PTS 主要是為了給電機控制器提供製動信號，有效利用制動空行程進行能量回收，提高能量回收率。該方案技術成熟，原制動系統的零部件大都可以沿用，因此造價較低。

基於ESP/ESC 的液壓制動系統無需真空助力器和EVP，ESP 提供液壓制動系統壓力。ESP 根據BOU(Brake Operating Unit, 制動操作單元)裡的PTS 信號計算駕駛員的制動需求，再根據電機所能提供的回饋制動力大小，以及綜合車輛穩定性，進行制動力的分配。該系統具有比傳統制動系統更小的安裝尺寸，更輕的重量，能進行回饋力矩和液壓力矩的協調，能量回收率高。

第三代:電控制動系統。對於新能源汽車而言，電子真空泵獨木難支，電控助力系統替代真空泵是趨勢。從技術適應性角度來說，穩定的真空環境在沒有內燃機的電動車上難以實現，傳統的真空助力制動模式被摒棄。從行業發展來看，“智能駕馭，電動未來”是未來是汽車行業的主升浪，電動化和智能化需求也必將帶動制動系統的革新。針對電動車而言，電機取代原有內燃機，電子助力系統能夠滿足制動功能性，同時提高車身的電子化率。目前博世的iBooster 和大陸MKC1 均屬於第三代制動系統產品。

iBooster 作為電動車時代的新生輔助制動系統，較上一代電子真空泵，在新能源汽車、智能汽車兩方面都擁有巨大優越性。1、高度匹配新能源車需求，取消制動系統對發動機依賴。2、制動力度精確可控，減少制動力波動，可實現制動能量回收。3、制動力分配高效，主動駕駛成為可能。4、制動踏板與制動系統執行機構解耦，提高駕駛舒適度。

主動制動競爭格局:國內目前處於第二代技術(ABS+ESC)滲透末期階段，分廠商來看，博世、大陸兩家巨頭在中國市佔率50%以上，市場集中度非常高。但是，我們認為未來制動是第三代技術的天下，目前裝車的僅有博世IBS 和大陸MKC1 等幾家廠商，主要配套高端豪華車型，量都比較小。但是實際上國內公司的產品已經開始下線，上汽、拓普等的樣機已經裝車，天津英創匯智利用清華技術已經開始實現量產。當前硬件的生產實現國內至少有6-7 家自主企業掌握，難點在於ESC 的自主開發。當前一些做ABS 的企業已經開始轉型ESC 系統，可以預見ESC 也會類似於ABS 的發展路徑最終國產化，不再成為國外壟斷線控制動的因素。我們認為，執行層國外廠商格局還未形成，國內廠商仍可在逐步掌握核心技術後，依託產品升級和成本優勢尋求一級供應商的機會。

五、V2X 實現網聯智能化，5G 加速車聯網落地

互聯網公司及部分一級供應商，通過在AI 和高精地圖方面的積累快速推進智能駕駛的解決方案。5G 的加速落地，確立了雲、管、端的三層架構，商用落地的規劃預發清晰。

1、政策端加速落地，5G 鋪設車聯網快車道

車聯網政策加速來襲，行業有望保持快速發展。我們認為，近一年時間國家和地方政府多次出臺相關政策或法規，起草併發布了一系列車聯網相關規劃標準，推動車聯網產業標準化、規範化，將智能網聯汽車提升到國家戰略層面，充分彰顯了國家對智能網聯汽車行業發展的重視;另外，隨著5G 的建設帶來低延時、高帶寬等網絡特性，5G-V2X 將逐步實現規模化商業應用，行業有望保持加速發展。

網聯化是自動駕駛的必經之路，車聯網終將演進到5G-V2X。汽車智能化的發展趨勢已經越發明朗，智能產品安裝比例和價值量逐年提升，無人駕駛技術在大量資本和研發力量湧入的背景下日趨成熟。同時網聯智能化背後帶來的車輛行駛安全性和舒適性的大幅提升，也逐步得到消費者的認可。我們堅定地認為，基於電動化平臺、車聯網基礎之上的智能化是汽車行業發展的方向。另外，要實現車聯生態最重要的目的就是提高交通安全，並最終實現無人駕駛，其需求集中體現在:1)低時延;2)高可靠;3)支持高速移動;4)傳輸數據包承載量大。目前車聯網可以應用的技術主要有DSRC 和LTE，其中DSRC 的缺點在於只能專用於短程無線通信，實現小範圍內圖像、語音和數據的實時傳輸;LTE 雖然沒有DSRC 技術成熟，但LTE是面向智能交通和車聯網應用、基於4G/5GLTE 系統的演進技術，LTE-V-Direct 可以獨立於蜂窩網絡，實現車輛與周邊環境節點低時延、高可靠的直接通信，滿足行車安全需求，因此長期來看LTE-V2X 更具應用前景，其技術兼容性和延展性使之屬於車聯網通信技術的新生力量。但LTE 是5G車聯網應用的第一階段(相當於4.5G)，5G 時代定義的URLLC 場景對V2X的時延要求為20ms 以下，具有超高可靠、超低時延通信的特點，其基於邊緣計算、終端直通、幀結構的V2X 關鍵技術通過與運營商網絡結構和業務模式策略緊密配合，能高效支撐龐大且複雜的5G 應用。綜合來看，LTE-V2X 終將平滑演進到5G-V2X，並有望在2020年全面進入商用階段。

2025 年全球車聯網市場將突破17000 億元，中國市場規模將超9500 億元。我國汽車保有量近十年來保持較快增長，為車聯網發展提供了巨大潛在市場，據國家統計局顯示，截至2017 年底，我國民用汽車保有量達2.09 億輛。結合我國的經濟增長狀況和目前的汽車市場保有量，我們預計到2020 年，我國汽車保有量將達到2.5 億輛，車聯網滲透率將至少達到30%，車聯網單車價值量可達4000-5000 元左右，我國車聯網市場總規模達3750 億元。

2、網聯化是自動駕駛的必經之路

根據國際電信聯盟(ITU)對5G 的定義，5G 網絡是能提供20Gbps 速率，時延1 毫秒，每平方公里100 萬連接，網絡穩定性99.999%的下一代蜂窩無線通訊網絡，是對現有移動通信系統的全面革新，主要具有高帶寬、低時延、高可靠三個特點。

5G 網絡滿足無人駕駛網絡技術要求，尤其是低時延和高可靠性，將完全有能力支撐自動駕駛場景的落地。目前,全球已經進入5G 商用倒計時階段,國內三大運營商預計在2019 年實現5G 預商用、2020 年實現5G 正式商用。

車聯網V2X 是指使用無線通信、傳感探測等技術收集車輛、道路、環境等信息，通過車-車、車-路信息交互和共享，使車和基礎設施之間智能協同與配合，從而實現智能交通管理控制、車輛智能化控制和智能動態信息服務的一體化網絡，是物聯網技術在智能交通系統領域的延伸。

汽車網絡包括兩部分，一部分是車輛本身的內部網絡系統，由車載網絡計算機控制，內部網絡通過數據總線連接無數個子網，控制發動機及其他總成、平面顯示與儀表盤顯示器、中控門鎖、無線電話等;另一部分是車輛外部的聯繫網絡系統，包括車與車的通信、車與路側設備的通信、GPS 監測中心、互聯網及區域網服務商、車輛服務中心、電腦或手機終端等。

汽車網聯需要內部和外部網絡同時作用，其一，使得每輛汽車單車的控制和服務得到提升;其二，通過與外部目標，包括車輛、人、通信基站及道路設施等的聯繫實現更多感知和信息交互，實現駕駛智能化和附加服務的獲取;其三，由車和道路上其他連接入網的物體所形成的整體網絡將實現整個道路交通系統的信息採集與傳輸，結合後端管理平臺的大數據和雲計算等技術，將對城市智能交通管理提供支持。

根據華為發佈的最新5G 外場測試結果，當前5G 網絡已經可以在保障高穩定性與移動性下，實現下行吞吐率超過25Gbps，用戶界面時延小於0.5 毫秒，性能已經超過了ITU 對5G 的定義。因此我們認為隨著將車聯網當作重要場景而進行優化設計的5G 標準的落地，5G 技術在車聯網中的運用可以有效融合多種網絡並加速不同實體間的信息交互，車聯網將成為5G 時代的巨大商用場景。中國每年擁堵時間達到12 億小時,車聯網技術可以讓交通運輸效率提升30%;中國每年有約26 萬人死於交通事故，使用車聯網技術可使得事故發生率降低80%，有效解決上述一系列安全問題。

汽車業與通信技術的加速融合，可以實現產業雙贏。由於連接需求的增加和對信號、信息傳輸的增強，通信技術發展對汽車產業的支持的顯得愈發重要。不論是車內通信的VANET 車輛自組網絡，還是車與車、車與人、車與基站通信的DSRC/LTE-V 系統，從視頻監控、雷達等傳感到Bluetooth、蜂窩等無線傳輸，再到雲平臺，通信技術都將在汽車智能化和網聯化的過程中發揮作用。

3、車聯網是物聯網領域最重要的細分產業

用戶滲透率、模塊搭載率提升，5G 助力市場加速進入倒計時階段。GSMA 與SBD 預計，2018 年全球車聯網的市場總額有望達390 億歐元，互聯網連接將成為未來汽車的標配。目前，新車前裝車聯網模塊的比例僅為20%，根據預測，2018 年新車出貨量可能超過1 億臺，其中60%具備聯網功能，到2025 年100%的汽車將前裝移動互聯網接入功能。MachinaResearch預計，到2024 年，汽車領域連接數將達1.2 億，而BusinessIntelligence 則在2015 年的基礎上調高預期，預計到2021 年，路上實現連接的汽車數量累計將達3.8 億。

目前汽車保有量至少為2 億，我們預測到2020 年我國汽車保有量可以達到2.5 億左右，彼時車聯網滲透率將提升至35%，即具備聯網能力的車輛將達到8750 萬輛左右。以每輛車5000 元的硬件+軟件產品價格來估算，整個車聯網市場將會有4500 億元規模，行業複合增速將達到117%。而隨著產品功能的豐富，單輛車的軟件硬件產值也會提高，加之互聯網服務的多樣化、智能化，市場規模爆發指日可待。

驅動車聯網快速發展的因素包括:政策支持、通信技術支持、市場需求拉動。發改委、工信部、交通部相關規劃及政策配套大力支持，使得我國車聯網位處戰略高度。傳統汽車市場大，增長平穩，車廠亟需尋求新的盈利點;新能源汽車的普及和消費升級進一步提升網聯模塊的滲透率;目前，通信技術不斷升級演進，並且逐步標準化統一化，運營商借機實現內生轉型。三大因素助推車聯網發展，車聯網有望成為物聯網應用領域首先爆發的市場。

4、通信技術為車聯網發展鋪設快車道

車聯網目前有兩大通信標準DSRC 與LTE-V。V2X 是車與外界通信技術的統稱，是汽車物聯網技術的一部分，包括V2V(車-車)、V2I(車-基礎設施)、V2P(車-行人)、V2R(車-路)等方式。車聯網通信技術，即車對外界的信息交換，是未來智能交通運輸系統的關鍵技術。HIS Automotive 公司的ADAS 首席分析師預測，V2V 通信可以解決75%以上的交通事故，而V2I 則可以解決剩餘大多數事故類型。

DSRC 是基於IEEE802.11p 標準開發的一種高效的無線通信技術，是專用短程無線通信標準，只可以實現小範圍內圖像、語音和數據的傳輸如V2V 之間的通信，由於無法解決車車直接通信時出現的擁塞、干擾和覆蓋等很多問題，目前並沒有贏得市場。

與DSRC 相比，LTE-V 是面向智能交通和車聯網應用、基於4G/5GLTE 系統的演進技術(相當於4.5G)。LTE-V 在實現直連，即車與車直接通信的時候，又利用蜂窩網絡充當起仲裁的角色，很好地解決了擁塞及干擾等問題。

LTE-V 包括LTE-V-Cell 和LTE-V-Direct 兩個工作模式,支持包括V2I、V2V 和V2P 等各類應用。LTE-V-Cell 要藉助已有的蜂窩網絡，支持大帶寬、大覆蓋通信，滿足Telematics 應用需求;LTE-V-Direct 可以獨立於蜂窩網絡，實現車輛與周邊環境節點低時延、高可靠的直接通信，滿足行車安全需求。LTE-V-Direct 模式能夠將車輛感知範圍擴展到數百米的探測距離，這與目前已有的其它車輛感知系統如雷達、光學攝像頭的探測範圍相比有很大優勢。多種探測手段相結合，藉助融合信息處理技術，能夠有效提升行車安全和交通效率問題。

C-V2X 提供兩種互為獨立、相互補充的工作模式:基於PC5 直通模式和基於LTE-Uu 的網絡傳輸模式，分別適用於車輛間鄰近和遠離的情況。

1、直接通信(PC5 接口)，以LTE 標準中的D2D(Device-To-Device，設備間)鄰近通信服務(ProSe)為基礎，可以用於實現250Kph 的高速度和成千上萬個節點的高密度通信。在無LTE 網絡覆蓋的環境下，鄰近設備可以進行直接通信。

基於PC5 直連的LTE-V2V 關鍵技術主要有以下幾個特徵:

1) 為V2V 子幀增加了4 個DMRS 符號，這些符號與500 Kph 以下的速度和智能交通系統(ITS)頻段(主要是5.9GHz 頻段)相關聯，時延較低，可以支持高速信道追蹤，解決了高速移動導致的多普勒效應和頻率偏移帶來的問題。

2) 導入了採用半持續調度(Semi Persistent Scheduling)方式的分散型調度技術。一次無線資源分配可以使用多個子幀，減少了頻內輻射，可以優化信道的使用，提高傳輸效率。

3) 導入了新調度分配功能。這樣便可在車輛多通信節點密度更高的環境下進行恰當的數據資源處理，延遲時間也面向V2V 得到改善。

4) 時鐘同步，在網絡不覆蓋的情況下，缺少同步源。V2X 同時支持基站和全球導航衛星系統(GNSS)的時間同步。

5) 專業的QoS 技術:V2X 消息可以通過non-GBR 和GBR 承載傳輸:QCI 3(GBR) 和QCI 79(non-GBR)可以用於V2X 消息的單播傳輸，QCI 75(GBR)只能用於MBMS 承載的V2X 消息，通過專用的QCI 極大提升了傳輸的可靠性。

通過PC5 接口新增加的DMRS 符號、新的信道結構以及調度分配功能，使得網絡參與到V2V 的通信中，避免了干擾、擁塞等問題的出現，使其具備延遲低、穩定性強等特點，可以極大提升行車時的安全性能。

2、網絡通信(Uu 接口)，主要利用V2X 廣播技術(MBMS)，採用蜂窩網絡頻段(如1.8GHz)通過V2X 服務器中轉，把信息傳送到另一個節點。

綜合來看，有蜂窩網絡覆蓋時可使用Uu 接口進行V2X 通信，高速移動時採用PC5 接口進行通信，兩種傳輸模式互為獨立、相互補充，分別適用於車輛間鄰近和遠離的情況。

LTE-V2X 更具應用前景，技術兼容性和延展性使之屬於車聯網通信技術的新生力量，是5G 車聯網應用的第一階段(4.5G)，之後將平滑演進至5G

目前我國政府和行業組織正大力推進LTE-V2X 技術研發和產業化發展。1)工信部於2016 年11 月批覆IMT-2020(5G)推進組和車載信息服務產業應用聯盟將5.905-5.925GHz(20MHz 帶寬)作為LTE-V2X 直接通信技術的測試頻段，開展通信性能和互操作測試。2)工信部通過與北京-河北、重慶、浙江、吉林、湖北地方簽署“基於寬帶移動互聯網的智能汽車、智慧交通應用示範”示範合作框架，與公安部、江蘇省政府開展無錫“國家智能交通綜合測試基地共建合作”項目，支持上海國際汽車城建立“國家智能網聯汽車(上海)試點示範項目”等方式，促進形成了“5+2”車聯網示範區格局，開展包括LTE-V2X 在內的V2X 技術兼容性測試實驗驗證。3)通過行業組織、聯盟協會等推進產業和應用，指導IMT-2020(5G)推進組成立蜂窩車聯(C-V2X)工作組開展LTE-V2X 的技術研究、試驗驗證和產業與應用推廣，以及5G-V2X 的業務需求及關鍵技術研究;指導成立了中國智能網聯汽車產業創新聯盟，培育智能網聯汽車創新中心。

企業和科研單位跨行業合作推進LTE-V2X 應用推廣。1)大唐電信、華為等通信企業積極開展LTE-V2X 終端產品研發。大唐電信於2017 年底發佈LTE-V2X 測試芯片，華為於2018 年第一季度發佈LTE-V2X 測試芯片。2)汽車廠商、零部件廠商和科研機構佈局V2X 上層應用開發與實現。一汽、上汽、長安汽車、北汽、長城等國內自主品牌汽車廠商設計開發了覆蓋多種路況、工況的V2X 應用場景，東軟、北京星雲互聯、清華大學、同濟大學等零部件及科研機構加快軟件協議棧和接口的開發與實現，基於底層LTE-V2X 技術開展研發測試工作。3)跨行業企業合作開展應用示範。中國移動、上汽、華為等在杭州雲棲小鎮、上海嘉定開展LTE-V2X 安全預警應用示範;2018 年8 月，重慶i-VISTA 自動駕駛大賽中首次引入具有中國自主知識產權的LTE-V2X 技術應用。4) 測試驗證公共服務平臺促進LTE-V2X 技術成熟。中國信息通信研究院聯合跨行業企業初步構建了V2X 實驗室仿真測試環境，開展LTE-V2X 的應用功能、性能、互聯互通和互操作測試。

5、車聯網終將演進到 5G-V2X

在智能網聯時代，實現車聯生態最重要的目的就是提高交通安全，並最終實現無人駕駛，其需求集中體現在:

1)低時延，端到端時延在 5ms 以內;

2)高可靠，誤包率在 99.999%以下，而且能在車輛發生擁塞，大量節點共享有限頻譜資源時，仍能夠保證傳輸的可靠性;

3)可能需要支持高速移動，考慮到汽車之間的相對移動，最高相對時速可達500km/h;

4)傳輸數據包至少能承載1600 字節的信息數據。

這些技術要求與5G 技術的特性有著相當高的吻合度，尤其是5G 特有的低延時(<5ms) 和高可靠性特性，這無論對於DSRC 還是LTE-V 來說，都是無法與之相比擬的。

5G 時代定義的URLLC 場景對V2X 的時延要求為20ms 以下，具有超高可靠、超低時延通信的特點，其基於邊緣計算、終端直通、幀結構的V2X 關鍵技術通過與運營商網絡結構和業務模式策略緊密配合，能高效支撐龐大且複雜的5G 應用。綜合來看，LTE-V2X 終將平滑演進到5G-V2X，並有望在2020 年全面進入商用階段。

5G 技術將在2020 年全面進入商用階段，我們認為5G 有可能成為統一的連接技術，滿足未來共享汽車、遠程操作、自動和協作駕駛等連接要求，替代或者補充現有連接技術。

5.1 終端直通D2D 技術:有效實現低時延傳輸，提高通信系統性能

終端直通D2D(Device to Device)技術是指藉助Wi-Fi、Bluetooth、LTE-D2D 技術實現終端設備之間的直接通信。在現有的通信系統中，設備之間的通信都是由無線通信運營商的基站進行控制，無法直接進行語音或數據通信。這是因為終端通信設備的能力和無線通信的信道資源都很有限。在5G 系統中，用戶處在由D2D 通信用戶組成的分佈式網絡，每個用戶節點都能發送和接收信號，並具有自動路由(轉發消息)的功能。網絡的參與者共享它們所擁有的一部分硬件資源，包括信息處理、存儲和網絡連接能力等。這些共享資源向網絡提供服務和資源，能被其他用戶直接訪問而不需要經過中間實體。

D2D 是5G 通信系統的一項重要技術，具有低時延業務傳輸的巨大潛力，特別適合於時延要求很高的V2X 業務，如緊急防撞;從技術層面，D2D 能夠通過空分複用和短距離傳輸的方式大大提高傳輸速率和無線傳輸容量，尤其適合於V2X 的廣播多播業務; 另外，由於D2D 能夠在有網絡覆蓋和美有網絡覆蓋的場景下工作，大大提高LTE-V2X 的競爭力，獲得與DSRC 技術相對的比較優勢。正是因為5G V2X 可以利用LTE Uu 接口協議或增強的D2D 協議來支撐，因此D2D 被視為V2X 的基本支撐技術，將有力促進V2X 在5G 時代的大規模應用。

5.2 移動邊緣計算MEC 技術:毫秒級低時延保證可靠性和精準性

邊緣計算作為雲計算的一種補充和優化，是指在靠近物或數據源頭的一側，採用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供最近端服務，其應用程序在邊緣側發起，產生更快的網絡服務響應。移動邊緣計算就是利用無線接入網絡就近提供電信用戶IT 所需服務和雲端計算功能，而創造出一個具備高性能、低延遲與高帶寬的電信級服務環境。MEC 背後的邏輯非常簡單，將網絡業務“下沉”到更接近用戶的無線接入網側，降低數據傳輸時延，緩解網絡堵塞。即離源數據處理、分析和存儲越近，數據時延越低。

自動駕駛汽車有成百上千個傳感器，駕駛過程中每8 個小時會產生40TB 的數據，這些數據中大多數並不重要，而且把這麼大體量的數據傳到雲端進行雲計算不切實際。同時，自動駕駛汽車對於數據傳輸時延極為敏感，數據傳輸延遲1ms，都可能導致一場慘劇發生。所以為了降低帶寬、保證低時延，MEC 便成為了比較適用的網絡結構。移動邊緣計算服務器對無人駕駛汽車數據實時進行數據處理和分析，並將分析所得結果以極低延遲(通常為ms 級)傳送給臨近區域內其他聯網車輛人，以便車輛做出決策。這種方式比其他處理方式更便捷、更自主、更可靠。此外，MEC 還被用於解決自動駕駛汽車數據緩存問題。

5.3 PDCP 層分集傳輸:實現對單個終端的傳輸可靠性

5G 時代，3GPP 組織把接入網(5G NR)和核心網(5G Core)拆開要求其獨立進入5G 時代，5G 要支持URLLC 場景，要實現超可靠低時延通信，但通常用戶行為捉摸不定，無線信號變化莫測，無線信號的質量惡化和基站的擁塞均受制於各種不可控因素，要想實現傳輸的穩定性和可靠性需要通過載波聚合和多連接技術，使用頻率分集的方式來實現對單個終端的傳輸可靠性。

數據包在PDCP 層處理和複製，並通過每個RLC 層，再通過相關的CC 發送，接收端處理較早到達的數據包，同時拋棄較晚到達的複製的數據包，即在多個無線鏈路上傳輸相同的數據的方式，來抵禦無線化境惡化帶來的影響，保障通信鏈路的可靠性。

六、展望

智能化已經成為車展的核心內涵，不同於前幾年智能化只是噱頭亮點，今年廠商的落地預期非常明顯。無論是主機廠、零部件廠、互聯網公司均能提供多種裝機方案，共同演繹汽車未來電動化、智能化、網絡化和信息化的發展方向。車展專門設立未來出行展區，展示了車聯網、無人駕駛解決方案、激光雷達、芯片、高精定位和地圖等跨界融合，各項技術的飛速發展導致了智能化方案的快速落地。此外值得注意的是，一些移動互聯網巨頭企業如華為、中國移動等也高調出現在上海車展，為與車企及零部件商建立深度的聯繫打下基礎。

從智能化的推進節奏角度看投資機會，應該分三個階段。

第一階段2019-2020 年，中短期更應關注智能化自下而上的機會，標的集中在基礎硬件的提供商。當前ADAS 產品安裝比例和價值量確定性提升，對應的產品需求能夠保持快速的增長，同時對應標的在下一輪無人駕駛階段也會具有較大先機。

第二階段2021-2025 年，開始看自上而下的投資機會，時點上來看我們認為是ADAS 強制普及的節點。短期無人駕駛受制於政策、倫理、技術等問題無法實現盈利能力，而彼時無人駕駛已有了低端智能化作為硬件和軟件支撐，政府個人的接受度提升，打破常規限制才是高等級智能化成為駕駛安全的最終落腳點的時間契機。當前來看已經逐步進入這一階段，華為、中國移動、阿里、騰訊、百度等都在積極佈局第二階段。

第三階段2025 年後，自動駕駛開始在特定場景中實現，基礎建設落地，單車價值量提升，智能駕駛實現一年萬億市場的投資機會。

具體來看，當前投資的落地點在於幾個層面。傳感層的機會在於高精度、高準確度的傳感器最終落地，單個車型的傳感器價值量不斷提升。計算層在於基於國內迅速迭代的算法技術的智能座艙落地，提升車輛駕駛體驗。執行層受益於國內的製造基礎，ADAS 和新能源的應用加速了執行層落地，催化劑在於政策帶來爆發性機會。網絡層、通信層方面，雲、管、端的三層架構已經逐步明確，運營商、設備商和主機廠是投資機會。芯片層在於開發更為適用於智能駕駛的芯片，包括圖像識別、高速計算和數據傳輸等各個方面的應用。最後則是電動化這一層，新能源車更加有利於智能設備的安裝和推廣。

溫馨提示：如需原文檔，可在PC端登陸未來智庫www.vzkoo.com搜索下載本報告。

（報告來源：招商證券；分析師：汪劉勝、鄢凡、劉澤晶、餘俊）