自动驾驶产业链中，供给端的主机厂、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：自下而上推广智能驾驶即“汽车电子派”和自上而下推广智能驾驶即“网联派”两种思路;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，第二阶段2021-2025年，第三阶段2025年后;具体来看，当前投资的落地点在于传感层、计算层、执行层、芯片层、电动化这几个层面。

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。2016-2018 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。