数据驱动时代“车路云一体化”加速自动驾驶商业化进程.pdf

数据驱动时代数据驱动时代“车路云一体化”加速自动驾驶商业化进程“车路云一体化”加速自动驾驶商业化进程前瞻产业研究院出品目录目录CONTENT01 自动驾驶从“规则驱动”进入“数据驱动”时代自动驾驶从“规则驱动”进入“数据驱动”时代03“车路云一体化”加速自动驾驶商业化进程“车路云一体化”加速自动驾驶商业化进程02 数据闭环能力成为自动驾驶规模化落地关键因素数据闭环能力成为自动驾驶规模化落地关键因素04 数据驱动时代，自动驾驶代表企业实践数据驱动时代，自动驾驶代表企业实践011.1 自动驾驶技术架构演变历程自动驾驶技术架构演变历程1.2“规则驱动”核心要素“规则驱动”核心要素1.3“数据驱动”核心要素“数据驱动”核心要素1.1.1 仍处于自动驾驶初始阶段，随着等级提升算力要求成倍提升资料来源：SAE；汽车驾驶自动化分级（GB/T 40429-2021）；智能网联汽车技术路线图2.0；前瞻产业研究院整理02243204000+完全自动驾驶L5高度自动驾驶L4有条件自动驾驶L3部分自动驾驶L2辅助驾驶L1辅助信息交互网联协同感知网联决策控制网联化网联化智能化智能化L1单车智能+车内交互L2单车智能+车外交互L3车队智能+网联协同智能化为主智能化为主智能化与网联化融合L4/L5车流智能+网联协同智能化与网联化深度融合当前所处发展阶段特定场景下自动驾驶2025年年当前当前2030年年2035年年自动驾驶发展目标自动驾驶发展目标TELOPSTELOPSTOPSTOPS10 x10 x10 x1.1.2 自动驾驶技术开始步入数据驱动时代资料来源：前瞻产业研究院整理自动驾驶行业可以被分成三个时代：1.0时代是硬件驱动，主要依靠激光雷达和人工规则的认知方式提供自动驾驶方案；2.0时代是软件驱动，特点是传感器单独输出结果，用小模型和少数据的模式提供自动驾驶方案；3.0时代是数据驱动时代，采用多模态传感器联合输出结果，用大模型大数据的模式提供自动驾驶方案。硬件驱动时代硬件驱动时代（自动驾驶（自动驾驶1.0）软件驱动时代软件驱动时代（自动驾驶（自动驾驶2.0）数据驱动时代数据驱动时代（自动驾驶（自动驾驶3.0）里程规模：100万公里感知方式：激光雷达认知原则：人工规则里程规模：100万-1亿公里感知方式：传感器单独输出结果认知原则：人工规则应用模型：小模型小数据里程规模：1亿公里以上感知方式：多模态传感器联合输出结果认知原则：可解释的场景化驾驶常识应用模型：大模型大数据1.2.1“规则驱动”的硬件基础雷达通过发射无线电波，检测反射信号来感知周围环境，适用于自动驾驶中的距离测量和物体检测。雷达传感器雷达传感器激光雷达通过激光束扫描物体，收集反射光信息，实现高精度三维成像，用于自动驾驶的实时地图构建和物体识别。激光雷达传感器激光雷达传感器摄像头捕捉二维图像，通过图像处理算法分析物体形状、颜色和运动状态，用于自动驾驶中的道路线识别和车辆检测。摄像头传感器摄像头传感器毫米波雷达利用电磁波在毫米波段的高分辨率，实现远距离和高精度的目标检测，适用于自动驾驶的巡航控制和盲点监测。毫米波雷达传感器毫米波雷达传感器超声波通过发射和接收声波，测量距离和速度，适用于自动驾驶中的近距离物体检测和停车辅助功能。超声波传感器超声波传感器自动驾驶汽车感知更加精准，离不开车载摄像头、毫米波雷达、超声波雷达、激光雷达等感知硬件，其中，超声波雷达、毫米波雷达和激光雷达主要用于测量距离、速度和障碍物，车载摄像头主要用于图像采集和识别，感知硬件各司其职，让自动驾驶汽车可以获取更多的道路信息。1.2.2“规则驱动”的软件基础规则驱动自动驾驶的软件基础除了底层驱动和实时操作系统外,上层应用主要包括感知层、规划层和控制层等程序。在技术上，以各类感知算法、定位算法和规控算法为核心。路径路径/轨轨迹规划迹规划行为决行为决策策横纵向横纵向解耦控解耦控制制横纵向横纵向协同控协同控制制规控规控绝对定绝对定位位定位定位融合定融合定位位相对定相对定位位感知感知融合感融合感知知直接直接/间间接感知接感知独立感独立感知知全球卫星定位系统GNSS，如GPS、北斗等，可以辅助车辆确定其在地球上所处位置，但其精度一般是米需级，不能满足车辆自动驾驶厘米级要求，一般要RTK差分技术辅助，才能实现厘米级定位精度。定位算法定位算法目前应用最广的方法是间接感知，即通过感知周围物体的距离、速度、形状等，构建驾驶态势图，进行规划、控制，间接作用于驾驶操作系统。感知算法感知算法规划、控制的目的，一是对车辆远动进行全局规划、行为决策、局部规划；二是精准控制车辆按规划轨迹行驶。全局路径规划、后部轨迹规划，本常用的搜索算法为A*算法；控制算法，最常用的是经典控制算法PID控制。规控算法规控算法1.3.1 软件算法大模型式演化，自动驾驶进入3.0时代能力突破与模型统一能力突破与模型统一 在云端实现感知大模型和认知大模型的能力突破 车端各类小模型逐步统一为感知模型和认知模型 控制模块AI模型化大模型化大模型化 车端智驾系统全链路模型化 小模型逐渐统一到大模型内模型提升模型提升 云端大模型逐步提升车端感知能力自动驾驶大模型铺开自动驾驶大模型铺开 端到端的自动驾驶大模型在车端、云端全面铺开自动驾驶3.0时代与2.0时代相比，其开发模式和技术框架都将发生颠覆性的变革。在自动驾驶2.0时代，以小数据、小模型为特征，以Case任务驱动为开发模式。而自动驾驶3.0时代，以大数据、大模型为特征，以数据驱动为开发模式。资料来源：毫末智行 前瞻产业研究院整理控制算法车端控制模型规控算法车/云端认知模型感知算法车端感知模型规模规模围绕真实道路场景，数据规模更大、多样性更充分，行驶里程将迈进1 亿公里级。感知感知以大模型AI为基础，雷达、视觉等传感器联合工作，多模态共同输出结果。认知认知在各类场景下模拟人的认知行为，结合人类的驾驶常识决策，提高行车舒适性。1.3.2 数据闭环是自动驾驶3.0的核心要素数据闭环是指从从车端数据采集，到处理后形成有效数据集，再通过云服务器进行存储、运输，经过算法模型训练、验证后，将有效数据成果部署上车，各环节相互连接，形成的自动驾驶数据循环。资料来源：华为、亿欧智库、前瞻产业研究院整理自动驾驶数据闭环自动驾驶数据闭环数据数据采集采集数据数据传输传输数据数据存储存储数据数据处理处理数据数据挖掘挖掘数据数据清洗清洗数据数据标注标注仿真仿真场景场景模型模型训练训练模型模型优化优化模型模型验证验证模型模型部署部署智能电动车数据集云存储算法模型 车载摄像头 激光雷达 传感器 总线通信 无线通信 本地存储 云存储 数据检索 数据分组 在线挖掘 离线挖掘 人工标注 自动标注 检测模型 分割模型.NAS 量化 成熟的自动驾驶数据闭环特征成熟的自动驾驶数据闭环特征过程完整且循环过程完整且循环数据采集和应用流程完整，且“数据流”过程可重复，实现数据全跑通、数据全循环。流程高效且自动流程高效且自动海量数据可以被高效的处理，同时以自动化工具和算法数据可减少人工干预，加快数据的加工。结果可追溯预测结果可追溯预测对于产生的数据结果是可以追溯到不同的环节，同时可根据数据进行一定的结果预测。022.1 数据闭环发展历程数据闭环发展历程2.2 数据闭环核心技术数据闭环核心技术2.3 数据闭环发展痛点数据闭环发展痛点2.1 自动驾驶数据闭环发展历程自动驾驶数据闭环从2013年开始初露头角，但由于当时仅有部分测试车上路，数据量较少，仅能实现简单的反馈循环机制。随着自动驾驶技术从L0迈入L2/L3，早期的数据闭环难以满足自动驾驶的需求，数据闭环从1.0迈向2.0，未来也将朝着更商业化的3.0迈进。目前我国的自动驾驶数据闭环正处于高效驱动升级的第二阶段，未来的数据处理能力和自动运转能力将大幅提升，商业落地效益更好，生态建设更完善。资料来源：亿欧 前瞻产业研究院整理自动驾驶数据闭环的发展历程自动驾驶数据闭环的发展历程1.0 阶段：阶段：2017-2017闭环通路初步构建2.0 阶段：阶段：2018-2024数据驱动闭环升级3.0 阶段：阶段：2025-2030场景丰富商业生态自动驾驶初期的数据闭环较简单，一般仅有通路构建，后在测试车上发现问题并上传。由工程师们分析错误报告，并找出原因，由此修改代码并在下次更新后子以解决。初期的闭环较为传统和简单，同时效率较低，多个环节需要人工辅助出现问题上传错误数据分析数据重写代码运行测试上线应用自动驾驶初始数据闭环体系自动驾驶初始数据闭环体系随着技术的进步和自动驾驶等级的发展，传统的数据闭环已经完全不能适应快速迭代的自动驾驶产业和处理指数级增长的数据量。这一阶段，面向更大规模数据的闭环及相应技术和服务被车企及供应商广泛应用。数据分析数据分析异构计算灵活高效数据标注数据标注算法辅助自动标注模型训练模型训练数据驱动自动迭代测试验证测试验证数据驱动自动迭代数据采集数据采集车端筛选覆盖长尾数据回流数据回流回收处理安全存储未来，自动驾驶数据闭环将进一步迭代升级，逐步从测试车小规横量产大规模量产进行稳步应用，面流畅、安全的赋能多样化自动驾驶场景，从车、路、云多端助力自动驾驶的终极目标实现。自动驾驶初始数据闭环体系自动驾驶初始数据闭环体系云服务赋能底座云服务赋能底座车端闭环车端闭环路端闭环路端闭环车路协同一体化车路协同一体化测试场景测试场景高速场景高速场景低等级自动低等级自动驾驶场景驾驶场景高等级自动高等级自动驾驶场景驾驶场景2.2.1 数据闭环核心技术云服务平台随着数据量的激增，自动驾驶下的存储面临海量数据传输、数据处理、数据合规等问题，而自动驾驶的云服务平台包括数据采集、数据管理、数据标注、模拟仿真、算法迭代等。目前国外车企基本使用的是微软云，而国内车企主要使用阿里云、腾讯云、百度云和华为云。资料来源：阿里云 亿欧 腾讯云 前瞻产业研究院整理自动驾驶存储面临的挑战自动驾驶存储面临的挑战数据数据传输传输每天庞大的数据量，人工扛硬盘的方式不可取，长距离数据传输成了大问题。数据数据处理处理小文件高吞吐处理，如某碰撞仿真业务可持续产生10GB/s的数据读写，如何保障吞吐与性能。高额高额成本成本高性能读写+永久保存的数据带来高昂的存储成本数据数据合规合规因地理信息管制，自动驾驶采集的数据需满足法规约定的标准自动驾驶云平台架构自动驾驶云平台架构自动驾驶云服务应用情况自动驾驶云服务应用情况自动驾驶云平台服务自动驾驶云平台服务数据采集数据采集数据管理数据管理专业采集众包采集量产回传数据合作数据清洗场景提取场景库数据回放数据标注数据标注算法训练算法训练模拟仿真模拟仿真仿真模板算法导入场景导入并行仿真任务模板资源管理多引擎联合仿真仿真评测仿真评测算法迭代算法迭代RD功能乘客体验行车安全法律法规OTA规模路测Corner Case数据合规处理数据合规处理调度、服务、标准化调度、服务、标准化分布式存储分布式存储内置场景库内置场景库标注成果库标注成果库生产数据生产数据自动驾驶容器服务平台Kubernetes/DockerGPU、CPU存储、高速网络2.2.2 数据闭环核心技术数据标注数据标注对于自动驾驶技术的发展非常重要，只有通过大量的数据标注才能训练出高质量的自动驾驶模型。相较于传统的纯人工标注方式，可以节省30-40%的成本，并提高30%的处理效率。以3D图片为例，其AI全自动标注的日均产能为20K张，比AI辅助标注的日均产能高5K张，比人工标注的日均产能高10K张。Appen、海天瑞声、数据堂在2021-2022年间智能驾驶数据标注业务涨幅极高，表明行业需求旺盛。标注方式标注方式解析解析车道线标注车道线标注是一种对道路地面标线进行的综合标注，包括了区域标注、分类标注以及语义标注,应用于训练自动驾驶根据车道见则进行行驶。2D车辆/行人标框标注 主要应用于对车辆与行人的基础识别。车辆多边形标注主要应用用于对车辆类型的识别,例如面包车、卡车、大客车、小轿车等,训练自动驾驶在道路行驶时选择性跟车或者变道操作。指示牌/信号灯标注标注包括区域标注、分类标注以及语义标注区域分割标注包括了区域标注、分类标注以及语义标注行进方向标注应用于训练自动驾驶判断行人或车辆前进方向，规避行人或车辆。3D雷达标注主要应用在自动驾驶虚拟现实(VR)训练场景的搭建。3D车辆标注主要应用于训到练自动驾驶对会车或超车车辆的体积判断。视频跟踪标注将视频数据按照图片帧抓取进行标框标注,标注后的图片帧按照顺序重新组合成视频数据训练自动驾驶。资料来源：前瞻产业研究院整理常见自动驾驶标注方法常见自动驾驶标注方法不同标注之间的对比不同标注之间的对比人工标注人工标注AI辅助标注辅助标注AI全自动标注全自动标注固定人员300人人+2D日均50k张张3D日均10k张张2D日均75k张张3D日均15k张张2D日均100k张张3D日均20k张张2.2.3 数据闭环核心技术仿真测试自动驾驶仿真测试以场景库作为基础，仿真平台作为核心，评价体系作为关键，应用构成三者紧密相连且相互促进，场景库的建设需要仿真平台和评价体系作为指导，仿真平台的发展进化需要场景库和评价体系作为支撑，而评价体系的建立和完善也需要以现有的场景库和仿真平合作为参考基础。根据ICVTank的数据，到2025年全球自动驾驶仿真平台的规模将达到200亿美元。资料来源：PLUG&PLAY CHINA,ICVTank 前瞻产业研究院整理自动驾驶仿真测试应用构成自动驾驶仿真测试应用构成51142961592000501001502002502020202120222023E2024E2025E2020-2025年全球自动驾驶仿真市场规模（亿美元）年全球自动驾驶仿真市场规模（亿美元）据ICVTank估计，全球自动驾驶仿真市场规模将出现爆发式增长，由2020 年的5 亿美元增长至至2025 年至少年至少200 亿美元亿美元，5 年年CAGR 为为109%。010302仿真测试评分体系评分体系仿真平台仿真平台场景库场景库数据来源：数据来源：真实数据、模拟数据以及根据真实场景数据合成的仿真数据典型测试场景典型测试场景：自然驾驶场景、危险工况场景、标准法规场景、参数重组场景场景库场景库仿真平台一般包括仿真框架、物理引擎和图形引擎。仿真框架是平台软件平台的核心仿真框架是平台软件平台的核心，支持传感器仿真、车辆动力学仿真、通信仿真、交通环境仿真等。仿真平台仿真平台评价维度分为真实性和有效性真实性和有效性。真实性评价主要是针对场景库真实合理性的评价，分为场景信息真实度、场景分布真实度两个方面。而目前国内尚未统一的有效性评价标准。评价体系评价体系2.3.1 自动驾驶数据规模指数级增长资料来源：亿欧 前瞻产业研究院整理自动驾驶数据与车联网数据存在众多差异，因此需要针对自动驾驶数据的特点进行分级分类以全面考量其安全威胁及保障手段。综合考虑自动驾驶的人工智能属性以及自动驾驶数据多样性、规模性、非结构性、流动性的特点。除此之外，自动驾驶车辆还具有汽车本身的安全属性和智能网联下跨产业技术融合的特点。随着自动驾驶级别的提高，所属的数据规模也呈指数规模的增长。所需空间(4(4-10PB)10PB)L1L2L3L4L5所需空间(50(50-100PB)100PB)所需空间(4 4-5TB)5TB)所需空间(3EB+)(3EB+)自动驾驶级别与数据规模关系自动驾驶级别与数据规模关系不仅包括汽车基础数据,也包括基础设施、交通数据、地理信息数据以及车主大量用户身份类数据、用户状态数据、行为类数据等数据多样性数据多样性融合了来自汽车、道路、天气、用户、智能计算系统等多方面的海量数据涉及数据类型多，需要统计分析的数据总量大。数据规模性数据规模性不同来源的数据格式不同，数据的非结构性和非标准性对数据聚合或拆分技术以及权限管理和安全存储都带来了巨大的挑战。数据非结构性数据非结构性用户端、车端、云端等多场景的交互使得数据的流动性增大。此外，自动驾驶数据还具有跨行业共享交换的问题。数据流动性数据流动性自动驾驶过程中采集的大量地理信息数据可能涉及涉密测绘成果，需遵守中华人民共和国保守国家秘密法中的相关规定。数据涉密性数据涉密性自动驾驶数据类型及特点自动驾驶数据类型及特点天气数据道路数据交通数据电桩数据车场数据手机数据保养数据事故数据用户数据违规数据车压数据电机数据大灯数据娱乐数据电池数据2.3.2 数据闭环发展难点完整的数据驱动闭环是指从量产、采集车在路端实地采集的交通场景，通过技术手段还原成仿真场景，进入测试环节用于算法测试，再更新和升级量产车的过程。但在此过程中由于关键链路涉及多个环节与领域，当前行业内（包括数据采集商、软硬件供应商、车厂、算法公司等在内）尚未出现能提供统一视野、融合所有车的环节、一体化打通整条链路的产品或者平台。数据驱动数据驱动闭环闭环量产车量产车数据采集数据采集算法学习算法学习场景挖掘与场景挖掘与数据转换数据转换不同的供应商，拥有不同的数据采集方案和存储格式以及仿真数据管理真实场景信息如何转换为统一数据真实场景信息如何转换为统一数据原始数据在加工时会产生各种误差和噪声；复杂场景会大大增加数据挖掘的难度信息提取手段缺失信息提取手段缺失大数据时代带来的海量数据是传统软件开发和数据处理方法难以承受的；同时，传统的人工数据标注成本也十分高昂海量数据处理的“高本低海量数据处理的“高本低效”效”负责数据采集与算法研发的团队较为割裂，缺乏高效的数据处理和挖掘能力上下游链路割裂，数据流转困难上下游链路割裂，数据流转困难资料来源：亿欧 前瞻产业研究院整理2.3.3 车路云一体化实现多源数据采集助力技术演化车路云一体化是通过新一代信息与通信技术将人、车、路、云的物理空间、信息空间融合为一体，基于系统协同感知、决策与控制，实现智能网联汽车交通系统安全、节能、舒适及高效运行的信息物理系统。车路云一体化系统充分融合了车端、路端、云端信息，实现车端、路端多源数据融合，数据规模更大，多样性更充分，通过堆叠数据集，支持AI 大模型进行快速迭代。资料来源：中国智能网联汽车产业创新联盟 前瞻产业研究院整理通信网通信网卫星通信光承载网C-V2X其他专有网网联车辆附能类应用平台交通管理与控制类应用平台交通数据附能类应用平台云控应用云控应用云控基础平台云控基础平台中心云区域云边缘云平台能力标准化分级共享接口融合感知、协同决策、协同控制、云网一体化底座全流程工具库支撑平台支撑平台交管急救地图定位气象路况应急其他云控平台云控平台路侧基础设施路侧基础设施感知设施通信设施数字化交通设施车辆及其他交通参与者车辆及其他交通参与者车路云一体化系统车路云一体化系统数据数据传输传输数据数据处理处理数据数据标注标注模型模型训练训练模型模型优化优化033.1“车路云一体化”为自动驾驶最佳落地方案“车路云一体化”为自动驾驶最佳落地方案3.2 中国“车路云一体化”项目落地主要解决方案中国“车路云一体化”项目落地主要解决方案3.1.1 政策支持“车路云一体化”发展资料来源：政府官网 公开资料整理 前瞻产业研究院整理从2020年2月发改委、工信部等11部委联合印发智能汽车创新发展战略文件，表示到2025年，新车基本实现智能化，高级别智能汽车实现规模化应用，“人车路云”实现高度协同；到2023年国家车联网产业标准体系建设指南（智能网联汽车）（2023版），公路工程设施支持自动驾驶技术指南等政策的发布，近3年来中共中央、国务院、各部委累计出台包含自动驾驶、车联网（智能网联汽车）、车路协同、交通新基建等相关政策达30余项，全面支持“车路云一体化”自动驾驶的快速发展与落地。中国“车路云一体化”相关政策梳理中国“车路云一体化”相关政策梳理2020.02智能汽车创新发展战略智能汽车创新发展战略到2025年，新车基本实现智能化，高级别智能汽车实现规模化应用，“人车路云”实现高度协同2023.07国家车联网产业标准体系建设指南（智能网联汽车）（国家车联网产业标准体系建设指南（智能网联汽车）（20232023版）版）以智能网联汽车为核心载体和应用，牵引“车-路-云”协同发展。2023.07公路工程设施支持自动驾驶技术指南公路工程设施支持自动驾驶技术指南通过自动驾驶云控平台、交通感知设施、交通控制与诱导设施、通信设施、定位设施、路侧计算设施、供配电设施、网络安全设施等联合或单独实现支持自动驾驶的功能。2023.11关于全面推进城市综合交通体系建设的指导意见关于全面推进城市综合交通体系建设的指导意见推进智慧城市基础设施与智能网联汽车协同发展，改造升级路侧设施，建设支持多元化应用的智能道路，在重点区域探索建设“全息路网”。2023.11关于开展智能网联汽车准入和上路通行试关于开展智能网联汽车准入和上路通行试点部工作的通知点部工作的通知探索新型试点机制，引导高阶自动驾驶功能规范应用3.1.2 数据在“车路云一体化”系统不同组成部分之间进行交互随着自动驾驶算法不断迭代，自动驾驶的发展正逐渐由“规则驱动”向“数据驱动”转化。自动驾驶的落地需要大量数据的支持，而车路云一体化方案，充分融合了车端、路端、云端信息，实现车端、路端多源数据融合，数据规模更大，多样性更充分，通过堆叠数据集，支持AI大模型进行快速迭代。同时以大模型AI为基础，车端、路端多角度，雷达、视觉等传感器联合工作，多模态共同输出结果，通过基于“大数据+大模型”的AI，海量大数据自训练，结合人类的驾驶常识决策，从而加速自动驾驶技术演化。“车路云一体化”实现多源数据收集“车路云一体化”实现多源数据收集面向“车路云一体化”的数据交互面向“车路云一体化”的数据交互车载终端设备路侧单元路侧计算单元路侧感知设备交通信号设施中心云区域云边缘云在车路云一体化系统中，车端、路段、云端数据相互融合，打破了原有道路交通系统之间的信息孤岛，使面向车路云一体化的数据具有交互特性，即在不同主体之间进行数据采集传输、加工、处理等过程面向车路云一体化的数据面向车路云一体化的数据具有具有交互特点交互特点资料来源：中国汽车工程学会 公开资料整理 前瞻产业研究院整理云端云端车端车端路端路端车端实时运行状态及感知数据局域动态交通感知数据3.1.3 预计到2030年，“车路云一体化”相关市场规模超14万亿车路云一体化涉及汽车、交通、通信等产业领域，市场渗透率加速，市场规模巨大。具体来看，中国智慧交通市场规模当前约4亿元，至2030年快速发展并预计超过6.5万亿元。根据赛迪的数据，2022年中国智能网联车市场规模接近6000亿元，随着智能网联技术的进步，产品迭代升级与普及率的提升，2030年有望突破5万亿元。中国车联网市场规模成快速发展趋势，预计2030年将突破2万亿元。预计到2030年，“车路云一体化”相关市场规模超14万亿元，市场规模巨大。2021-2023年中国智慧交通市场规模（单位：亿元，万亿元，年中国智慧交通市场规模（单位：亿元，万亿元，%）2021年年3640亿元亿元6.7万亿元万亿元2030年年ECAGR=38%资料来源：赛迪 前瞻产业研究院整理2020-2030年中国智能网联车市场规模（单位：亿元）年中国智能网联车市场规模（单位：亿元）261640055912546722020202120222023E 2024E 2025E 2026E 2027E 2028E 2029E 2030E2021-2030年中国车联网市场规模（单位：亿元）年中国车联网市场规模（单位：亿元）21262764359322545202120222023E2024E2025E2026E2027E2028E2029E2030E3.2.1“车路云一体化”服务商技术方案对比百度致力于自动驾驶软件研发-车联网-智交通解决方案，从车端、路端、云端、服务平台到终端运营，提供一体化解决方案：蘑菇车联从战略层面出发，致力于构建智慧交通体系，在提供自动驾驶解决方案的同时，构建智慧交通整套体系，并通过运营数据的反持续更迭，优化算法，最终提供一整套交通运营营理服务；华为则提供了“传感器-芯片-操作系统-算法与开发应用-云服务”的生态布局，倾向于从车端打造车、路、云一体化解决方案。服务商服务商车端车端路端路端云端云端平台平台车辆类型车辆类型百度百度 Apollo领航辅助驾驶 Apollo Parking实现全场景泊车自由 小度车载OS 小度车载语音SDK ACE智能交通引擎 Apollo Air：纯路侧L4级车路协同技术方案 智能信控解决方案网联云平台萝卜快跑RobotaxiRobobusApollocop蘑菇车联蘑菇车联自研多类别L4级自动驾驶车辆及核心软硬件 蘑菇汽车大脑MOGO AUTO BRAIN 车身底盘域 自动驾驶域 智能座舱域 L4级自动驾驶软件系统MOGO AP 蘑菇AI数字道路基站（MOGO AI Station）蘑菇路侧系统 Mogo Road System（MRS）包含感知、融合、预测、高精地图引擎和车路协同模 块基于车路云一体化交通大模型的AI云平台MOGO Cloud 蘑菇数字底座（DMP）蘑菇云控平台（Zion）蘑菇交通大脑（Matrix）mogopilot+蘑菇畅行RobotaxiRobobusRoboSweeper自动驾驶巡逻车自动驾驶售卖车自动驾驶牵引车等华为华为 ADS 2.0高阶智能驾驶系统 MDC是华为智能驾驶计算平台：MDC 210/MDC 300F/MDC 610/MDC 810 鸿蒙OS智能座舱 C-V2X车路协同解决方案 开放技术架构“高速智能体”华为云/资料来源：各公司官网 前瞻产业研究院整理3.2.2“车路云一体化”服务商解决方案对比以项目落地能力角度看，百度、蘑菇车联与华为的特点各不相同。百度是“单车智能+网联赋能”路线的拥趸，以广州黄埔区开发区的智慧交通项目为代表；蘑菇车联强调“车路云一体化”，以自动驾驶、车路协同、智慧交通AI云平台的整套方案帮助城市打造智慧交通体系，加速与地方政府合作打造智慧城市与智慧交通；华为更侧重于构建智慧交通体系并落地多个城市。服务商服务商落地标杆项目落地标杆项目合作内容合作内容百度百度2020年8月，广州黄埔区广州开发区智慧交通项目（4.6亿元）2021年9月，沧州经开区自动驾驶与车路协同示范项目（1.67亿元）2021年9月，山西省阳泉市车城网-车路智行新生态项目一期（1.56亿元）2021年12月，北京市高级别自动驾驶示范区建设项目2.0阶段路侧智能基础设施建设（3.16亿元）广州黄埔：车路协同路网基础设施、智能信号灯控制系统、智能停车泊车、百度Apollo智能汽车生态基地以及Apollo自动驾驶运营基地河北沧州：自动驾驶与车路协同基础设施建设、智慧城市平台建设山西阳泉：车路协同智能基础设施、自动驾驶车辆运营、智慧交通服务北京市：高级别自动驾驶示范区建设、智能化基础设施建设、车载智能终端推广加装、云控平台建设和正式运营蘑菇车联蘑菇车联2019年10月，北京顺义5G商用智慧交通车路协同项目2021年3月，湖南省衡阳市自动驾驶项目（5亿元）2022年1月，云南大理车路协同自动驾驶智慧景区项目（10亿元）2022年7月，四川成都建设网联综合应用示范项目（30亿元）2022年8月，无锡市智能网联创新应用标杆项目（20亿元）2022年8月，北京市通州区“数字通州”项目（16亿元）2022年12月，湖北鄂州“车路云一体化”自动驾驶智慧交通项目（11.14亿元）2023年，深圳龙华区“科技+时尚”智能网联汽车特色示范项目2023年6月，沈阳大东区打造东北首个智能网联汽车先导区项目北京顺义：对路段内的18个路口实施了智能化升级改造湖南衡阳：主干道路的智能网联化升级，智能网联汽车试运行云南大理：智能网联及车路协同新型基础设施升级与建设，投放自动驾驶游客观光车、接驳车、垃圾环卫车、巡逻车等，打造“车路云一体化”系统四川成都：车路协同、智慧交通AI云平台、自动驾驶系统等新型基础设施江苏无锡：道路智能网联化升级、建设自动驾驶运营中心、规模化运营自动驾驶车辆等北京通州：道路的智能化改造升级、自动驾驶商业化运营、构建城市级智慧交通大脑等湖北鄂州：道路智能化改造升级、自动驾驶商业化运营等深圳龙华：道路智能化升级改造辽宁沈阳：自动驾驶及车路协同的落地及应用华为华为2019年12月，长沙望城区新型智慧城市建设（4.4亿元）2020年12月，许昌新型智慧城市建设之城市数字平台、智慧交通项目（3.21亿元）2021年1月，华为联合体中标深圳交通运输一体化智慧平台一期项目（9.7亿元）长沙：交警大队指挥管控中心、交通信号控制系统等许昌：城市数字平台、智慧大脑、互联网+政务、12345热线、智慧交通、智慧停车、企业服务一体化等深圳：交通运输一体化智慧平台资料来源：各公司官网 公开资料整理 前瞻产业研究院整理3.2.3“车路云一体化”城市典型案例资料来源：公开资料整理 前瞻产业研究院整理沈阳智能网联汽车先导区沈阳智能网联汽车先导区项目项目阳泉市车城网阳泉市车城网-车路智行新车路智行新生态项目生态项目湖北鄂州智慧交通项目湖北鄂州智慧交通项目“数字通州”项目“数字通州”项目3.2.3“车路云一体化”高速公路典型案例资料来源：公开资料整理 前瞻产业研究院整理京港澳高速扩建项目京港澳高速扩建项目河北雄安新区交通强国建设试点项河北雄安新区交通强国建设试点项目目清傅高速智慧交通建设项目清傅高速智慧交通建设项目四川交通强国试点项目四川交通强国试点项目3.2.5“车路云一体化”园区景区典型案例资料来源：公开资料整理 前瞻产业研究院整理云南洱海智慧旅游景区云南洱海智慧旅游景区天津张家窝镇产业园天津张家窝镇产业园山东国际零碳岛山东国际零碳岛世界大学生运动会世界大学生运动会044.1 特斯拉：特斯拉：FSD（Full Self-Driving）V12系统系统4.2 华为：基于云服务构建自动驾驶数据闭环生态系统华为：基于云服务构建自动驾驶数据闭环生态系统4.3 蘑菇车联：“车路云一体化”系统方案蘑菇车联：“车路云一体化”系统方案4.1 特斯拉：FSD（Full Self-Driving）V12系统2023年8月，马斯克开启了一场特斯拉FSD V12版本的路测直播，马斯克在试驾直播中表示，FSD Beta V12是有史以来第一个端到端AI自动驾驶系统（Full AI End-to-End），从头到尾都是通过AI实现。据Not A Tesla App报道，FSD V12已经开始了内部部署。这个新系统的最大变化是消除了超过30万行此前控制车辆FSD功能的代码，进一步依赖神经网络。这意味着系统减少了对硬编码编程的依赖，转而更加依赖人工智能技术进行驾驶决策。端到端方案中神经网络是关键端到端方案中神经网络是关键原理原理与模块化方案相比，端到端自动驾驶方案将感知、规划、控制各环节一体化，去除了各模块基于规则的代码，将传感器收集到的信息直接输入神经网络，经过处理后能够直接输出自动驾驶指令，使得整个系统端到端可导优点优点 能够降低对激光雷达、高精地图、人工的依赖，减少中间环节的成本；模型上限高，可以得到近似全局最优解缺点缺点模型能力起步较慢，解释简单场景不如模块化架构，模型下限低；中间“黑盒”解释性差特斯拉特斯拉FSDFSD Beta V10Beta V10至至V12V12的架构变化的架构变化感知感知 PerceptionPerception规划规划 PlanningPlanning控制控制 ControlControlV10神经网络+Bag-o-bits转换器（Bag-o-bits包括停车标志、车道线、限速牌等）人工规则为主，有神经网络参与人工规则V11神经网络（Bag-o-bits转换器与感知神经网络合并为一个单一的神经网络，直接输出向量空间）神经网络+人工规则神经网络+人工规则V12神经网络神经网络传感器传感器执行器执行器感知感知决策规划决策规划控制控制端到端自动驾驶端到端自动驾驶模块化自动驾驶模块化自动驾驶模块化和端到端自动驾驶系统原理模块化和端到端自动驾驶系统原理资料来源：公司官网 前瞻产业研究院整理4.2 华为：基于云服务构建自动驾驶数据闭环生态系统华为云ModelArts平台提供Data Turbo、Train Turbo、Infer Turbo 3层加速，分别提供数据加载、模型训练、模型推理三方面服务，能够助力数据读取时间缩短50%、训练效率提升40%+。华为云还将数据生产线和AI生产线融合到一起，通过统一的数智融合开发平台，实现数据的无缝流转造，同时利用盘古大模型深度赋能数据闭环核心场景。资料来源：华为、亿欧智库云服务新引擎，高效驱动自动驾驶数据闭环发展白皮书 前瞻产业研究院整理华为云坚持开放生态，打造全栈自动驾驶开发平台华为云坚持开放生态，打造全栈自动驾驶开发平台 为车企提供一站式平台：开发测试商用，实现按需使用、即插即用数据驱动闭环“自研”AI数据标注与挖掘平台精准仿真+评价预测功能安全 为车企提供模块化解决方案：数据驱动的自动驾驶开发、测试、仿真的闭环方案感知算法增量数据集模型数据服务数据服务训练服务训练服务仿真服务仿真服务实车测试数据上云数据处理大屏展示场景挖掘难例挖掘数据标注数据回放虚拟场景库华为云采用存储华为云采用存储-缓存缓存-计算三层分离架构，打造数智融合平台，计算三层分离架构，打造数智融合平台，利用盘古大模型深度赋能数据闭环核心场景利用盘古大模型深度赋能数据闭环核心场景全局数据地图全局数据地图资产搜索定位全局血缘分析数据资产热搜分析统一元数据服务统一元数据服务统一元数据数据访问控制数据生命周期管理数据闭环场景数据闭环场景数据预处理数据回收场景标签化难例挖掘数据标注数据生成KPI指标分析统一计算服务统一计算服务实时计算引擎批量计算引擎交互处理引擎AI计算引擎数据缓存统一存储服务统一存储服务原始数据脱敏后数据场景数据标注数据集训练数据仿真数据集KPI数据盘古大模型盘古大模型场景生成大模型场景理解大模型预标注大模型多模态检索大模型深度赋能华为云华为云数智融合平台架构数智融合平台架构存储存储-缓存缓存-计算三层计算三层分离分离统一元数据管理全统一元数据管理全局数据地图局数据地图工作流程统一编排工作流程统一编排海量数据，类型丰富汇聚全域自动驾驶车辆信息和AI数字道路基站信息，数据来源全面、类型丰富，仅衡阳38公里数字道路日均采集数据量达5PB，居行业领先。4.3.1 蘑菇车联：全栈自研“车路云一体化”系统方案蘑菇车联自研“车路云一体化”自动驾驶系统，应用融合感知、融合决策控制、高精地图、高精定位、AI、仿真系统、云+边缘计算、实时大数据等前沿技术，深度融合自动驾驶+车路协同+AI云平台三大板块，满足不同场景、不同车型的需求，核心技术指标行业领先。蘑菇车联车路云一体化系统蘑菇车联车路云一体化系统资料来源：蘑菇车联 前瞻产业研究院整理多项核心算法世界排名第一 运动目标分割算法、激光雷达语义分割算法、多模态融合三维多目标跟踪算法等，在KITTI、nuScenes等世界权威数据集排名第一。“车路云一体化”系统核心零部件全栈自研 包括蘑菇大脑、车身底盘域、自动驾驶域、智能座舱域和L4级自动驾驶软件系统MOGO AP。车路云全链路贯通，整体链路时延小于0.1秒 自研云算法和系统（交通大脑），全面联接人、车、路、云、网、图等全要素，感知算法性能远超行业C4指标，全链路时延小于0.1秒。海量数据，类型丰富 汇聚全域自动驾驶车辆信息和AI数字道路基站信息，数据来源全面、类型丰富，仅衡阳38公里数字道路日均采集数据量达5PB，行业领先。具备L4级自动驾驶整车研发、生产能力 已推出全球首款搭载车路协同系统的自动驾驶前装量产车MOGO BUS M1和MOGO BUS B2。4.3.2 蘑菇车联：业内首套“车路云一体化”标准化产品包蘑菇车联推出业内首个车路云一体化标准产品蘑菇标准产品包（MOGOPackage）。这是全球首套能完整覆盖“车、路、云”三端、软硬件一体、高集成度、可模块化快速部署的标准产品。车端：全品类的车端：全品类的L4级自动驾驶车辆级自动驾驶车辆资料来源：蘑菇车联 前瞻产业研究院整理多类型自动驾驶车辆多类型自动驾驶车辆蘑菇汽车大脑蘑菇汽车大脑路端：路端：AI数字道路基站数字道路基站云端：智慧交通云端