产业调研:小鹏汽车智能驾驶思路解密

（以下内容从国泰君安《产业调研:小鹏汽车智能驾驶思路解密》研报附件原文摘录）
　　This browser does not support music or audio playback. Please play it in Weixin or another browser. 怕你为自己流泪 音乐： 窦唯 - 希望之光精选辑 产业调研系列 尊敬的各位专家，各位老师，大家上午好，我是小鹏汽车自动驾驶中心的陈林，今天非常高兴有机会能和大家分享一下我们小鹏汽车在智能驾驶上面的一些探索、一些思考和我们今后的一些规划。 首先非常高兴的和大家分享，可能大家也看到了，在去年的9月17号，小鹏汽车已经把我们的最新的一款拳头产品叫做城市NGP产品，在广州进行了一个行业首发。到目前，华为和小米汽车分别在2个城市进行了城市NGP的一个交付，那其实这个城市NGP可以给我们的用户带来非常非常多的好处，因为我们在做这款产品之前做过一个调研，作为一个普通人，咱们日常的通勤有70%的里程都是发生在城市的，那在驾驶时长这个方面呢，可能90%的时长都是在城市的，所以这款产品毫无一定会给我们的用户带来非常非常多的好处。 另外一个方面呢，从行业的方面来说，无人驾驶肯定是我们的目标了，那我们也不想一直都是在难度比较低的环境，一个比较简单的地方去做自动驾驶，我们觉得最终还是要在城市去落地，这样才给我们的消费者能带来最大的便利，所以我觉得它是在这两方面都是非常有意义的一款产品。 我们非常高兴能发布这款产品，那么同时这款产品也是非常非常困难的，到现在为止，也只有寥寥几家能够达到。那具体有多困难，我们可以和之前我们的高速NGP就是我们在2021年1月份发布的一款产品类比。就是在高速上可以通过导航实现自动变道、空间规划、上下匝道很多接近L3，但是还没有达到L3产品的一个地步，因为L3的最小风险状态这些功能还没有达到。 和这个高速NGP进行一个对比的话，我们的城市NGP的代码量是达到了高速NGP的六倍。那在感知模型数量方面，因为在城市场地，我们见到的目标物可能会比高速多很多，所以说在感知模型数量方面呢是达到了我们高速NGP的四倍。其实这些目标物在城市里，他们的行为会更加地难以预测。大家可以想象一下在高速上，可能预测到车子的行为不会像城市里面行人，三轮车呀，代理车呀那样非常的飘忽不定。所以说在这方面它们的行为非常难以预测，那给我们的规划和控制也带来非常非常多的困难。其实规划和控制都是跟前面的预测相关联的，所以在这方面我们的代码量更是达到了惊人的88倍。这只是一个感官上的一个数字上的比较，然后可能也完全代表不了这个难度，但是大家可以从这些数字上看一下这个产品具体有多难。经过我们团队大概一年多的努力，我们把这个产品也成功的发布了。？ 随着这款产品的发布，我们认为智能驾驶辅助这一块儿的上半场已经完成了。我们已经完成了三大拼图，这三大拼图分别是高速NGP、记忆泊车VPA和城市NGP。我们为什么这么发奋呢，是因为我们可以思考一个普通人他的日常的通勤。他每天从家里出来，通过记忆泊车把车开出来，然后会在城市开一段路，然后可能会上高速开一段，最后又会从高速下来再到城市，最后在公司的停车场再继续使用我们的记忆泊车。这样子这几大场景串起来呢，基本上就把我们一个普通人日常通勤的场景就全部都覆盖完了。 随着这款产品的发布，我们也可以看到一个用户使用我们产品的时长也慢慢多起来了，到了90%了。比如说高速NGP出来的时候，可能只有15%的时长，那停车场及记忆泊车、记忆泊车增强版，增强版的意思是说，我们可以确定楼层然后选择距离可以达到的功率，然后又可以使得使用时长又多一点。在城市NGP发布之后，我们的用户90%的时长都可以享受到我们智能辅助驾驶的一个便利了。那如何才能到达最多的100%，那这就是我们智能驾驶的下半场需要去解决的问题，下半场主要的功能我们叫做全场景NGP。 什么叫全场景辅助驾驶，我们内部的代号是XNGP。基本上我们可以把它看成是无高精度地图区域的导航辅助驾驶，加上停车场的导航辅助驾驶，我们今后会把停车场也做成导航辅助驾驶。也就是说给它一个目的地，不需要再记忆一遍，他就可以到达终点的那个泊车位。再加上我们现在已经有了高速NGP和城市的NGP，这样我们可以形成一个用户基本上100%的时长都可以使用智能辅助驾驶的一个程度。 那再总结一下，就是说3个“全”。第一个“全”是全国都能用，因为在现在咱们业界，为了实现L2.5的智能辅助驾驶的情况下，基本上还是需要这个地图才能实现的。那其实现在高速大概几十万公里，高德地图都能覆盖，然后有几个城市的高德地图也有了。但是其实全国大部分的城市大部分的道路都还是没有高德地图的，在这一块儿怎么去让这些用户也都能享受到辅助驾驶智能辅助驾驶带给他们的便利呢？我们希望同时也计划用XNGP去解决它。 还有第2个“全”叫做全程都能用。刚才咱们从前面的一张图也看到了这种车位出来到高速到城市再到车位，这个全程的体验都不会中断，无缝去连接这几个场景。 还有一个“全”是全天都能用。那我们是不管是高峰时段还是没有那么的拥挤的时段，甚至是白天晚上下雨，只要不是特别极端的这种暴雨，或者暴雪的这种天气都可以使用我们的辅助驾驶。那同时，我们无图区域可以支持这个接近L3级的一个功能，比如说转向掉头，变道超车，绕行，避让行人和路边的非机动车这些所有的动作。在高速NGP和城市NGP这些我们已经发布的产品上，我们也会继续去完善让它接近一个零接管的水平，让它的博弈能力更加的强，去超过大部分的司机。 为了实现XNGP需要非常非常多的能力。刚才我们谈到了，为了实现城市NGP，我们已经做了那么多的工作，现在为了实现全场景的智能服务驾驶，毫无疑问，对于一个企业的能力是要求更多的。 我们总结了一下，大概需要硬件软件，还有一个更重要的是全地方的成长的数据体系。因为这个整个AI体系需要一个闭环持续的去让它提高，AI只是我们把它搭建起来可以运行，但是其实我们在自动驾驶这块，我们都知道有一些不安全的场景和位置，我们必须在这些方面去持续的去获取数据，去可以去training它去让它变得更好更安全。 那在这3个方面呢，在硬件方面，我们的G9 XNGP已经升级了硬件，从之前的Xavier 30TOPS的芯片已经升级到1千TOPS。在软件方面，然后我会讲到我们有一个感知模型的一个升级，我们叫做XNet。还有一个我会花比较多篇幅去讲的，就是我们的全闭环自成长的AI和数据体系了。 首先来看一下我们全新一代的感知结构，叫做XNet。之前咱们的神经网络都是一张一张的图片，从这个图片上能识别出来各种目标物。在我们的全新一代感知架构里面，是每一个摄像头的视频，通过这个视频不仅我们能够知道一个目标的一个位置、姿态、尺寸，更重要的是我们还能通过它的历史的行进轨迹去知道它的速度，甚至去预测它的轨迹。 刚才讲到了我们要去预测其他车的轨迹，那么这样带来的好处毫无疑问是非常巨大的，因为在城市场景下面，我们经常都会碰到我们如何和其他的交通参与者进行一个博弈。比如说前面那个车，车头偏了在往我们这边靠，我们会采用什么样的一个行为去应对？我们去变道的时候，需要去看其他车是不是会让我们。 就是这样子的，有了这个意图去预测这个轨迹之后呢，我们在这个博弈里面会更强，我们的变道成功率可以更高。这个在应对全场景的时候会带来非常非常多的好处，那这个是我们的XNet在动态感知方面的一些带来的好处。那它还有一个巨大的好处，就是能感知环境，能感知一些静态的目标。从右边这张图上，大家可以看到，上面有车道线、路边缘，有直线有平直线对吧，但是这些不是来源于我们预加载的高德地图，都是我们这个红色的车子开过去之后呢，是展示出来的不是拼接出来的一个地图。使用这个地图就可以达到我们刚才说的L2。这个地图就会用来去指引我们辅助驾驶的一个运转，所以这个是我们在软件方面的一个非常大的改动。 在整个AI的进化和持续提高方面，当时我们看到了AI需要持续的一个闭环去提升它。在采集方面，因为需要采集数据，需要去标注数据，需要去研究和部署。 那在采集方面，我这就没有放PPT了，相对比较简单。我们有大量的量产车可以给我们贡献数据，然后我们也搭建了自己的采集数据车队。那这些会给我们带来非常标准的一些数据，问题就在于刚才我们看到了，XNet它需要的是视频作为输入，那这个视频的标注怎么做呢？之前的是图片很简单，标注人工去做的话就就好了，那现在是一个视频，因为不仅需要去表达的3D的一个位置尺寸，那还需要速度和轨迹。这些标注在人工来看呢，是非常非常难能够完成的，基本上是不可达到的一个难度。 我们大概评估了一下，让我们XNet跑起来，他的标注基本上需要2000人/年的一个工作量。就算我们有一个1000人的标注团队，其实也需要2年。但是想一下在咱们现在自动驾驶，还有智能车现在这么卷的一个时代，一年的时间可能是完全不能接受的，我们在去年2022年完成了一个全自动的标注系统。我们只需要把采集来的数据，原始数据都灌进去，那么最终的这个系统会帮我们自动的去标注——所有的3D、位置、尺寸速度、加速度都可以标注出来，而且完成的质量会比人工远远的高，信息全。然后刚才说到2000人/年的标注，现在只需要16.7天就可以完成了，这样给我们的AI系统的一个快速迭代是带来了非常非常大的可能性，对这个效率提升是十分高的。 标注完之后呢，就需要去训练我们的模型，这个又是一个非常吃算力的一个工作。从我们之前说的这些数据量的训练的话，单机做一个全新的训练，需要276天才能够完成，大半年就过去了。去年2022年的8月，大家可能有些人已经看到新闻了，我们和阿里巴巴也是在内蒙古合作，部署了我们中国最大的一个自动驾驶计算中心，叫做扶摇。它有600PFLOPS的一个算力，那再加上我们做了一些优化，我们把这些神经网络，transformer定制的一些训练，当时做了一些优化，那本身就只需要30多天就能够完成刚才的这些训练。然后再加上我们的这个运行，那只需要十几个小时就可以完成了，这也是一个非常大的提升，给训练带来了无限的可能。 训练完之后的成果，怎么样才能去部署回我们的车子上去，让我们的系统去真正的用起来，这个就牵涉到一个部署的工作。Transformer也是这2年比较大的一个模型，但是这款模型的问题就在于它其实没有针对某一款CPU做比较好的优化，它其实是非常非常吃算力的。我们在使用这个模型之前做的一个测算是光把这个部署上去，我们的动态XNet就吃掉了我们一片多Orin-X的算力。其实其他咱们还有很多的模型算法需要跑对吧，咱们还要规划组织，都需要去使用Orin-X算力，那这个就吃掉一片多，显然是无法接受的。 我们刚才谈到城市NGP的时候，咱们其实是积累非常多的经验,做出了非常大的努力，那在P5上面，我们使用的是一个叫Xavier的芯片，当时它只有30TOPS的算力。那我们在30TOPS上算力就能够把城市NGP去实现，其实我们在优化部署方面是比较有有经验的。所以说我们重新写了transformer，然后我们也做了一些优化，然后做了一些BOA的的加速。最后我们是把这个整个需要一片多算力的模型最后是用9%的算力就完成了，这样剩下的算力可以很富裕的留给我们其他的模型（其实也是非常吃算力的），留给他们进行一个使用。 再回顾一下，刚才我们谈到了整个数据自成长的AI体系。首先是由我们的那个量产车车队去采集，经过刚才谈到的全自动化的一个标注过程，再经过扶摇的一个训练，最后完美的部署到车子上。我们相信通过这样一个循环，不停的去迭代去找到我们的位置的不安全的一些情况，会逐渐的让我们整个自动驾驶系统去变得越来越安全，也让我们的用户更加的去敢去用自动驾驶，去让智能化更快的能够发生。 另外谈到整个体系，仿真也是一个绕不开的话题，因为我们不可能把所有的测试都去拿去用实车去测。里程积累不可能快速达到那么高，因为让这个自动驾驶好起来的话，它需要的测试是非常非常多的，那仿真就是其中必不可少的一环。在仿真方面我们经过这几年的努力也是开发出了一套非常适合自己的一套仿真的一个框架，同时在每一次出去测试发现的问题也会转换成我们仿真的一个DSPS。经过经验积累，我们已经有了5000万公里的仿真的行驶里程，那相应的场景一共有2万多个了，每一行代码的发布都会经过这些仿真的测试才能出去，这样可以保证我们的软件经历了这么多的测试，没有带来不安全的因素，也没有把之前已经发现的问题又重新暴露出来，就可以让我们的软件也变得非常的安全。 下面谈一下我们XNGP的一个发布计划。在去年的SOP里面，我们已经包含了我们的之前的拳头产品，高速NGP、记忆泊车的这些功能，那在今年的上半年，我们会有一个发布会，支持广州，深圳，上海的城市NGP。可能也会支持更多的城市，但这个可能取决于其他一些监管的是否放开。那在全国范围内其他的无数城市，我们会加入红绿灯直行通过路口的能力。在今年的下半年的更新里面，我们会在大部分的无图城市会开放变道超车左右转的能力，那这样基本上就非常接近我们刚才提到的城市NGP的能力了。在2024年，我们会把所有的场景打通，实现刚才我们说的车位到车位的一个智能导航辅助驾驶的的能力，这样我们的用户可以基本上达到百分之百的时长都可以享受到智能辅助驾驶的便利了。 另外需要谈一点的就是我们的Robotaxi也来了。刚才我们谈到的小鹏智能辅助驾驶的上下半场，都是我们认为在智能辅助驾驶需要做的工作。XNGP是我们认为在辅助驾驶的最终形态，那我们的目标呢其实肯定是无人驾驶的L4、L5。 那么如何才能达到L4、L5的无人驾驶的一个程度呢？肯定不可能在我们XNGP发布的时候，一下子就能打造，我们相信一定需要去做很多工作去探索。那么Robotaxi就是我们在这个方面的一个尝试，需要强调的是，我们做这个尝试的一个前提，就是我们获得智能网联汽车道路测试这个牌照的车子，就是我们的量产车，我们就是拿的销售给消费者的车子，没有做任何的硬件改装，头上没有定额外的激光雷达或者其他的传感器，就是和消费者一样的车子。经过了一些软件的优化和增强，让它能够使用无人化无人驾驶的场景，去通过了测试，拿到了牌照，相信大家很多在广州的路上可以看到我们的Robotaxi的车辆。 我们是这么思考的：就是在持续的探索过程中，一定会发现L4、L5无人驾驶的一些能力上的需要。那么这些能力，因为Robotaxi的道路测试一般都是在某一个城市的开放道路，相对环境会比较少一些，那可以在上面快速去验证这些能力。 这些能力验证完之后，我们可以把它带到我们的XNGP车上去。这个当然还是在法律法规的允许条件下，因为无人驾驶和辅助驾驶还是有一些法律法规的不同。那在辅助驾驶我们的XNGP，因为是销售全国甚至全世界的，那他会在更广的一个区域去测试这些功能，他会去收集各种各样的数据，去得到更多的一个能力上的一个提升，去反哺给我们的Robotaxi的车辆。Robotaxi又会用到这些增强过的能力，又继续去运营，去探索更多更远的一些更靠近无人驾驶的这个功能和能力。那么我们相信，在经过这样的不停的反复和优化，在将来的某一天，我们的辅助驾驶无人驾驶可以在某一天能够会师。 无人驾驶这条路其实是非常难的，特别是2022年。我们整个行业也都经历了一个低谷，甚至连不差钱儿的Waymo也出现了裁员的情况，估值也降到了几百亿美金，但是我们相信这是一条正确的路。我们不应该因为这条路难就去避免做正确的事情，我们相信，只要脚踏实地一步一步地去做了，最终我们一定会到达无人驾驶的星辰大海。我也非常希望最后我们在到达无人驾驶的最终点的时候，能够和在座的各位举杯庆祝，谢谢大家。 合规声明：本文节选自小鹏汽车专家演讲纪要，属于公开资料，如需纪要全文请后台留言。 - end - 欢迎加入产业交流群！ 欢迎所有对计算机产业研究和投资感兴趣的盆友（包括云计算、网络安全、医疗IT、金融科技、人工智能、自动驾驶等）后台留言加入我们的产业交流群。我们的目标是建立系统的计算机产业研究框架，提高整个A股的IT行业研究水平，减少韭菜数量，普度众生。 智能汽车研究框架（1000页PPT） 智能座舱 汽车芯片 汽车操作系统 域控制器 激光雷达 国内主机厂 特斯拉 华为 中科创达 德赛西威 经纬恒润 人工智能及自动驾驶相关报告 1. 如何研究一家AI公司？ 2. 从汽车业务商业模式看中科创达和人力外包公司的不同 3. 中科创达：汽车“四化”下加速成长 4. 三谈中科创达：做事情眼光最重要 5. 智能座舱：智能汽车产业大变局中的投资机遇（40页深度） 6. 德赛西威：领先的汽车电子玩家，未来出行变革创领者（深度） 7. 科大讯飞：个性化学习手册改变了什么？（深度） 8. 科大讯飞：你绝对没见过的区域型订单详细拆解（深度） 9. 科大讯飞核心竞争力与增长点分析（50页PPT） 10. 科大讯飞：疫情防控让教育订单商业模式发生怎样的变化？ 11. 从Nuance的沉浮看科大讯飞的核心竞争力 12. 格灵深瞳：技术领先到商业落地，计算机视觉场景为王（深度） 13. 一张图看懂AI公司 14. AI+自动驾驶：模糊的正确胜过精确的错误 15. 从主芯片视角研究智能驾驶内在产业逻辑 16. 虹软科技：“价”的弹性大于“量”的弹性（深度） 17. 虹软科技：单机价值量提升带来最大弹性 18. 虹软科技：量价齐升，逻辑最顺（深度） 19. 虹软科技：业绩怎么了？ 20. 科大讯飞：区域订单统计 21. 对中科创达的一些理解 22. 英伟达汽车芯片业务发展史 23. 自动驾驶路测数据中的秘密 24. Mobileye：被篡位的自动驾驶芯片老霸主（深度） 25. 中科创达：牵手地平线成立合资公司 26. 黑芝麻：国产自动驾驶芯片独角兽，用芯赋能未来出行（深度） 27. 经纬恒润：汽车电子隐形冠军（深度） 28. 计算机视觉：血腥战场（深度） 29. 产业调研：谈谈车载操作系统竞争格局 30. 产业调研：黑芝麻眼中的车载SoC芯片市场 31. 生死时速：新旧势力汽车主机厂自动驾驶进展详细梳理（深度） 32. 地平线：国产自动驾驶芯片龙头发展史（深度） 33.产业调研：从中科创达产品视角看智能座舱发展趋势 34.芯驰科技：汽车芯片全赛道覆盖（深度） 35.为什么汽车芯片这么火？ 36.产业调研：为什么规模化L2是自动驾驶向上突围关键点？ 37.智能汽车芯片研究框架（120页PPT） 38.产业调研：元宇宙中的集度汽车发布会 39.产业调研：为什么规模化L2是自动驾驶向上突围关键点？ 40.重磅！计算机研究员眼中的特斯拉（深度） 41.L3级别自动驾驶落地的正确姿势（深度） 42.软件定义汽车的时代已经到来 43.产业调研：英伟达如何服务智能汽车行业 44.产业调研：杰发科技（四维图新）座舱芯片产品路线图 45.产业调研：芯擎科技（吉利汽车）的座舱芯片之路 46.智能座舱研究框架（100页PPT） 47.产业调研：计算机视角看蔚来新品发布会 48.五谈虹软科技：两大核心业务拐点将至 49.产业调研：不追求科技感的理想L9发布会（附万字纪要） 50.产业调研：矿区无人驾驶的商业化落地实践 51.域控制器：高景气能持续多久（深度） 52.特斯拉智能驾驶研究框架（100页PPT） 53.产业调研：华为问界M7超预期还是低于预期（附发布会纪要） 54.激光雷达：驶向千亿星辰大海（深度） 55.域控制器研究框架（40页PPT） 56.产业调研：极氪进化日有什么新看点？ 57.智能汽车操作系统研究框架（100页PPT） 58.对自动驾驶芯片产业逻辑的探讨 59.激光雷达研究框架（110页PPT） 60.汽车OS的现在和未来 61.智能座舱：车厂客户体验胜负手 62.特斯拉是如何成为自动驾驶大佬的？ 63.华为智能汽车业务的前世今生和未来 64.国内十大汽车主机厂自动驾驶研究框架（50页PPT） 65.华为智能汽车业务研究框架（90页PPT） 66.德赛西威：研究框架（100页PPT） 67.产业调研：关于整车电子电气架构的实践与思考 68.经纬恒润：研究框架（90页PPT） 69.产业调研：头部主机厂专家怎么看智能座舱发展趋势？ 70.产业调研：头部主机厂专家怎么看汽车芯片发展？ 71.产业调研：行业龙头公司专家讲解车载操作系统发展来龙去脉 72.产业调研：行业资深专家解读激光雷达发展趋势 73.产业调研：主机厂专家详解领航辅助驾驶的现状和未来 74.产业调研：德赛西威IPU04进化论 75.产业调研：杰发科技的智能座舱产品矩阵 76.产业调研：智能座舱芯片发展史 77.产业调研：汽车新势力如何研发自动驾驶功能？ 78.造车新势力战略路线全梳理（深度） 79.产业调研：互联网公司造车的现状和未来 法律声明 本订阅号发布内容仅代表作者个人看法，并不代表作者所属机构观点。涉及证券投资相关内容应以所属机构正式发布的研究报告内容为准。市场有风险，投资需谨慎。在任何情况下，本订阅号中信息或所表述的意见均不构成对任何人的投资建议。在决定投资前，如有需要，投资者务必向专业人士咨询并谨慎决策。本订阅号运营团队不对任何人因使用本订阅号所载任何内容所引致的任何损失负任何责任。本订阅号所载内容为原创。订阅人对本订阅号发布的所有内容(包括文字、影像等)进行复制、转载的，需明确注明出处，且不得对本订阅号所载内容进行任何有悖原意的引用、删节和修改。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）