今天分享的是智能汽车系列深度研究报告：《智能汽车专题：智能驾驶2023年度报告》。

（报告出品方：量子位智库）

报告共计：30页

来源：人工智能学派

顶天立地：技术进阶路线明晰

根据当下技术现状，智能驾驶产品可以分为⾏、泊两类。 ⾏，即在⾏⻋域发挥的功能，包括⼀些主动安全功能，以及⾼速NOA（Navigate on Autopilot）和城区NOA；⽽泊，则是在泊⻋、停⻋场景发挥的功能，⽐如记忆泊⻋，AI代客泊⻋等等。 在⾏⻋域，各玩家产品由低到⾼的迭代路线为：

毫⽆疑问，在智能驾驶实现中，⾏⻋和泊⻋，都是AI司机系统对⻋辆控制、交互不同程度的应⽤。其中，泊⻋场景可以视为AI司机能⼒在相对简单环境、 低速场景的应⽤，整体上是AI司机⾏⻋能⼒的降维释放。所以不论是⽬前业内共识，还是技术开发现状，⾏⻋域产品挑战难度更⼤；对⾏⻋域的把握， 也能更全⾯感知智能驾驶能⼒的全貌。 因此本篇报告将围绕⾏⻋环境下的智能驾驶产品展开。

铺天盖地：智能驾驶产品价格门槛下探

配置了⾼阶智驾能⼒的⻋型售价，以及智能驾驶产品价格，正在不断下探。以城区NOA产品为例，可以明显看出，能实现城 区NOA功能的⻋型售价不断下降，特别是同⼀⻋ 企或供应商。具备此能⼒最低价格的⻋型，智能 驾驶系统价格趋于稳定。

梯队：以实现能力划分

根据我们的研究发现，国内量产⻋智能驾驶产品的实现以L2级智能驾驶为「主流」和「起步」。以此为依据，我们将国内智能驾驶格局划分为：正当代、次世代及领先⼀代。同时，⼤部分传统⻋⼚未完全实现基础L2级功能，在当今格局下，已成为落后⼀代。

阵营：以感知方案及高精地图划分

智能驾驶产品的传感器主要包括摄像头、毫⽶波雷达、超声波雷达和激光雷达。 其中摄像头主要提供环境的2D视觉信息；毫⽶波雷达提供⽬标物体的距离和⻆度信息；激光雷达能提供3D环境信息，包括距离和速度，并实现⾃主定位；超声波雷达也能提供⽬标物体的存在和距离信息，但是由于作⽤距离较短，多⽤于泊⻋系统。 根据各玩家传感器配置⽅案不同，整体上分为两⼤派别，⼀是按照有没有激光雷达，分出了激光雷达派和视觉派；⼆是视觉阵营中，还有不包含毫⽶ 波雷达、超声波雷达等多传感器冗余的纯视觉派。 另外，智能驾驶系统感知环境除了靠传感器，还能通过⾼精地图「开天眼」，让⻋辆直接获得包括⻋道、⻋道线、路⾯箭头、交通灯、交通标识牌等 等环境信息，并且精度在分⽶或者厘⽶级别，降低算法难度要求，成为⼀些玩家实现⾼阶智能驾驶时的必要选择。

不过，由于⾼精地图使⽤、维护、更新等成本居⾼不下，审核过程缓慢，想要随时保持⾼精地图的鲜度⾮常困难，也有⼀些玩家开始逐渐摆脱对⾼精 地图的依赖。 因此，从是否依赖⾼精地图的⻆度来看，各玩家可以分为有⾼精地图派和⽆⾼精地图派。在⾏业内，⽬前也被简称为：有图派，⽆图派。上图显⽰了 各派别玩家的分类。

派系：以自研及供应商划分

从智能驾驶产品提供⽅的⻆度，领先⼀代和次世代的玩家⼜可以分为⾃研派、供应商派和冗余派，冗余派的意思是，⻋企既会采⽤和供应商合作的⽅ 案，⼜拥有⾃研团队，研发智能驾驶产品。 各派别分别包括：

⽽根据量产⻋上产品实现的能⼒等级——城区NOA和⾼速NOA，供应商⼜可分为上图两⼤梯队。

报告共计：30页

来源：人工智能学派