1 智能化重新定义汽车，开启“新赛道”

1.1 新技术重新定义汽车，开启智能汽车时代

1.2 从整车看来，智能化产品带来汽车定位差异

         颠覆性体验感打通消费者消费升级感受空间，用户对智能化功能需求度变高。未来车只分为“能自动驾驶”，和“不能自动驾驶”的。跟车辅助类和主动安全类功能的需求度变高，超过20%的用户认为这些功能是"必须有"的。对特定场景下的功能也有一定期待，比如在拥堵路段提供驾驶辅助功能。
         颠覆性体验感打通消费者科技感想象空间，智能化带来汽车定位的差异。智能汽车属性更加多元更为广泛，油车的定位就是交通工具，从A到B。当电车作为一个移动生活空间的存在，才有那么多智能化属性的想象空间。未来或许有IV2X的概念，V2X是为了方便自动驾驶，依然是在交通工具的概念里面。而Intelligent Vehicle 则是可以周边各种各样的智能化设备发生交互，比如它是一个反向充电的大充电宝，支持露营，支持其他人的生活。

图：国内新能源车分价格带占比预测

图：中国自动驾驶新车渗透率趋势预测

1.3 从车企看来，新产品打造更科技、更舒适、更省力爆款车型

         智能化可打造更科技、更安全、更省力的爆款车型。根据品牌自身定位，助力品牌抓住关键特征，个性部分打造差异化竞争。

1.4 从竞争格局看来，智能化新品塑造车企竞争“硬质壁垒”

         当前与未来市场，品牌之间竞争将愈加残酷，生存是车企的第一需要。想要在如此“内卷”的竞争格局中突围，必须打造品牌力，需要在运营、产业、技术、产品等四维度做到没有短板、优势突出。当下多数车企越过“生存困境”、面临大规模研发与营销投入造成持续性亏损，尤其考验企业的经营策略与执行力。
         新品孵化是品牌DNA，源源不断的智能化新品孵化为企业持续带来新的正面影响，良性循环，塑造企业“硬质壁垒”。品牌内部DNA的优化远比改进外部市场运营更有意义，可以从根本上调节品牌发展生命线重心的问题。内卷时代没有持续新产品孵化的品牌或面临衰败或消亡，再优秀的外科大夫也无法矫正先天畸形。真正的竞争力来源于品牌新品的概念重塑，必须发展智能化才能在市场中占据一席之地，更科技、更安全、更省力的智能化新品为企业不断增加正面影响力，从而进入良性发展，最终建立属于自己的“硬质壁垒”。

1.5 智能化趋势：算法驱动，硬件先行

         自动驾驶能力提升需要软硬件协同，核心靠算法驱动，迭代过程中硬件先行。BEV+TransFormer已被Tesla证实可行，主流车企均沿此技术方向迭代向前，性能升级需要软硬件的共同提升。自动驾驶迭代节奏为硬件阶梯向上，软件持续提升，且软件的迭代落后于硬件。
         硬件配置决定了车辆辅助驾驶能力的下限，算法策略决定了辅助驾驶能力的上限。但硬件配置转化为驾驶能力时，不仅需要算法模型对各传感器捕获的信息进行科学融合、得出精准的车辆位置和周围环境信息，更需要对芯片算力的高效调度。因此软实力决定上限。

1.6 我国智能化趋势：混合感知方案为主，激光雷达确定性较强

         BEV+TransFormer已被Tesla证实可行，主流车企均沿此技术方向迭代向前。单车智能主要通过传感器、控制器、执行器以及人机交互的配合实现。
         智能驾驶赛道爆发，激光雷达是最直接的受益行业。“混合方案”是除了特斯拉以外所有自动驾驶玩家的共同选择，激光雷达作为混合方案里的主要传感器，必然会随着智能驾驶赛道爆发而爆发。
         随着3年内城市NOA渗透率持续提升，激光雷达出货量持续增长，规模效应带来利润释放，进一步降低成本，提升激光雷达渗透率，进入良性循环。

2 智能化的核心是城市NOA，城市NOA的核心是激光雷达

2.1 2023年时城市NOA元年，智能驾驶的核心时城市NOA

         电动化和智能座舱带动了第一波电车替代燃油车。自动驾驶产品已经成为刚需，智能化将在未来十年内进一步带动电动车替代燃油车。
         就像滴滴改变传统出行方式一样，未来五年内城市NOA将成为自驾出行的主要方式。
         2023年的NOA是辅助驾驶的天花板，也是智能驾驶的起点。技术进步，AI大模型技术突破，特斯拉FSD在2023年V12实现落地。未来的智驾的产品策略和定价策略会发生变化，从分档购买，转变为先全部预装，分部激活。
         自动驾驶产品最好的销售场景不是在销售大厅，而是在堵车时。特斯拉的很多车主在买新车时为了省钱没买FSD，但堵车的时候实在逆不过懒惰的人性，直接拿出手机在线完成购买和激活，而且价格还比购买新车时贵。

2.2 城市NOA改变未来出行方式，激光雷达为感知端核心

         以城市NOA为代表的无限接近L3 的自动驾驶，产品已商业化，渗透率提升的趋势已不可逆。
         就像滴滴改变传统出行方式一样，未来五年内城市NOA将成为自驾出行的主要方式，2023年往后，车只分两种，”能自动驾驶”的和“不能自动驾驶的”。
         感知方案主要以激光雷达为主导，而毫米波雷达、超声波传感器及摄像头则作为辅助。激光雷达的工作原理，是利用雷达发射光束，测量激光在发射及收回过程其中的时间差、相位差，以此确定车与障碍物的距离，实现感知和及时避障。

图：激光雷达以点云做3D建模

图：激光雷达通过探测测距扫描感知障碍物

2.3 激光雷达是城市NOA的核心，有效解决长尾效应难题

         激光雷达是NOA必备要件，未来自动驾驶汽车无论商用车还是乘用车都需要配置激光雷达。中国2022年汽车总销量2000万+台，新能源汽车目前占比30%+，我们认为激光雷达占电动车的渗透率将在3年内从5%提高到30%，三年内激光雷达年出货量有望达到300万台以上，成本会随产销量放大而大幅度下降。
         算法模型难以涵盖城市通勤所有突发情况，激光雷达测距远，给车以足够时间反应应对突发情况，有效解决长尾效应难题，且消费者最愿意为安全付出溢价。

图：城市NOA开通后激光雷达装配量大大提升（台）

2.4 激光雷达通过发射光子发射测距

         激光雷达（Light Detection And Ranging，简称为LiDAR）在短时间内向周围环境发射大量光子，通过测量反射回来光子的飞行时间（TOF, Time of Flight），计算与周围物体的距离。
         激光雷达被广泛用于无人驾驶汽车和机器人领域，被誉为广义机器人的“眼睛”，是一种通过发射激光来测量物体与传感器之间精确距离的主动测量装置。激光雷达通过激光器和探测器组成的收发阵列，结合光束扫描，可以对广义机器人所处环境进行实时感知，获取周围物体的精确距离及轮廓信息，以实现避障功能，在环境中通过激光雷达的定位精度可达厘米量级，以实现自主导航。

2.5 激光雷达采集反射形成点云数据建立目标对象的三维点云图

2.6 激光雷达优点1：分辨率高，降低智能驾驶使用门槛

         国内车厂的软件和算法比特斯拉落后，但激光雷达是作弊器，不需要复杂的算法计算景深生成3D模型，直接通过雷达波反射形成点云图。AI大模型的技术突破，特斯拉的FSD的V12已落地。国内车厂在激光雷达的加持下，虽然多付了一些硬件成本，但弥补了软件的不足，可以在L2级别拉平与特斯拉智驾方案的使用效果差距。

2.7 激光雷达优点2：测距长，有效解决自动驾驶长尾效应难题

        激光雷达测距长，能给车以足够反应制动时间，有效解决自动驾驶长尾效应难题。特斯拉纯视觉方案的缺点探讨，大多集中于遇到前方“静止异型车”，或者FSD摄像头没有遇到过的东西，系统可能会误判，即使看到了也可能会不认为是一个障碍物。国内关注度很高的几次L2事故，几乎都是前方静止异型车所致。

        对于雷达，雷达也不能辨识前面是“云”还是“白色的翻到的货车”，但雷达波反射回来会形成一个障碍物，不需要复杂算法，刹车即可。

图：激光雷达的简单工作原理

图：激光雷达实物示意图

        激光雷达在自动驾驶车辆中具有多个应用，包括三维测量、环境感知、目标识别和分类、精确测距和定速等。

        这些应用可以帮助自动驾驶车辆实现自主导航、安全避障、交通识别等功能，使得自动驾驶车辆能够适应各种驾驶场景，能够在复杂的交通环境中做出智能决策，从而实现更加智能、安全的自动驾驶。

图：安装在汽车上的激光雷达对周围物体进行3D 测绘

2.8 激光雷达质量标准为探测距离远、角分辨率低、电频高

        点云信息：虽然可以准确的感知周边环境的三维信息，但激光雷达只能提供稀疏特征数据，行业里称之为“点云信息”。

        点级：目前行业中探索的主流融合方式之一，称为点级，这套方案，需要将激光雷达和摄像头在车上的位置，进行高质量校准，及其精密的对齐，才能让两者的内容完全重合，如此来实现两组传感器之间的“硬关联”。但这是一套脆弱的融合方式，如果车辆行驶中产生的颠簸，让传感器发生轻微的位移，那很小的误差也会造成对齐失败。此外，这种融合方案会浪费很多数据。比如激光雷达所采集到的稀疏矩阵数据，在与摄像头这种稠密矩阵数据进行融合的时候，会浪费大量具有丰富语义信息的图像特征。另外在图像特征质量比较低的时候，性能会大幅度下降。

图：安装在汽车上的激光雷达对周围物体进行3D 测绘

2.9 完整的车规级验证是激光雷达的重要要素

2.10 激光雷达在路端应用更注重检测范围、高速部署

2.11 激光雷达与4D毫米波不存在替代效应

        4D毫米波的波长大于激光雷达。毫米波和激光雷达目前的波长差1000倍，导致了激光雷达的定向性远比毫米波雷达好。毫米波雷达的定向性不好，电磁波路径指向性不是很好，角度分辨率也比较差，目前大概差了20倍。激光雷达普遍能做到0.2%度角分辨率，毫米波雷达是2°，区分度较差。

        4D毫米波雷达仍存在远距离测量定向指向不足的问题。4D毫米波雷达生成的点云，角度分辨率较差。近距离稍好，因为距离不远，偏差2°影响不大。短距离防撞的场景，毫米波和激光雷达的差距并不大。

        补盲雷达方面，4D毫米波雷达更优。毫米波雷达可以通过提高频率的方式提高分辨率，目前已在77GHz的频段，以后不会再提高，以实现较好指向性和分辨率目前不好说。另一方面，它的效率目前相对较高，就是说频率很高，所以相对发射功率稍大。但从总体上说，比较容易利用相控阵雷达，它的成本及实现方式比红外激光雷达要简单，也容易安装。