AI大模型如何加速无人驾驶发展？

科技周边小白一枚，正在不断学习积累知识，现将学习到的知识记录一下，也是将我的所得分享给大家！而今天这篇文章《AI大模型如何加速无人驾驶发展？》带大家来了解一下##content_title##，希望对大家的知识积累有所帮助，从而弥补自己的不足，助力实战开发！

近年来，无人驾驶发展驶入“快车道”，政策端传出利好消息，工信部明确表示支持L3级及更高级别的自动驾驶功能商业化应用。

同时，产业端也迎来利好，AI大模型或进一步加入无人驾驶的发展，具体来看AI从哪些方面赋能？

华泰证券在最新的报告中，对AI大模型赋能自动驾驶进行了详细剖析，分析指出AI大模型的引入（自动标注、感知预测算法的快速迭代），从行业整体层面可以加速高级别辅助驾驶的量产落地。

其次，智能驾驶板块后发者借助产业链优势（云端算力中心、通用开源模型的适配）与先发者在数据积累、模型迭代中的差距有望进一步缩小。

而受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游自主品牌的崛起，零部件国产替代趋势显著。

华泰的结论是，今年可能是城市NOA（领航辅助驾驶）普及的开端。当前旗舰车型高级别辅助驾驶BOM成本为1.4万元，预测2023-2030年高级别辅助驾驶BOM成本的平均年降幅度为11%。

提升数据采集、数据标注的效率

无人驾驶的基础在于海量的数据，这些数据主要来源于真实数据、虚拟仿真和影子模式。接下来的步骤是对这些数据进行识别和标注。

华泰证券认为，在数据采集方面，大型模型可以通过构建虚拟场景并生成数据，以补充现实中难以获取或数据量不足的情况。

以特斯拉FSD为例，针对真实道路场景中不常见的案例，特斯拉通过模拟仿真，构建虚拟场景采集数据，以丰富数据的来源，为模型训练提供支持；通过数据引擎，人工挖掘误判的、非典型案例。

数据标注方面，华泰证券指出，人工标注成本高、效率低，自动标注是AI大模型赋能智能驾驶最直接的应用，能大幅降低数据标注的成本。

以特斯拉为案例，特斯拉的FSD利用“多路径重建”技术自动标注车辆的行驶路线。使用集群标注行驶轨迹，只需经过12小时即可完成10000次标注，相对于500万小时的人工标注更为高效。通过机器的自我训练，减少了人力标注成本高、效率低的问题。

以Meta的SAM为代表的图像分割大模型的出现可大幅降低数据标注的成本，该模型是有史以来最大的分割数据集。

优化感知-决策-执行三阶段算法

同样以考特斯拉FSD为例，华泰分析师黄乐平将自动驾驶模型算法按流程，分为感知识别道路和道路上物体）、预测（预测周围车辆和行人的行为）、执行（控制车辆速度方向等行动）三个阶段。

特斯拉、新势力等主要企业从几年前开始采用基于Transformer的大模型等新技术，1）提高道路、物体的识别精准度；2）学习人类的驾驶习惯（影子模式），3)缩短决策所需要的时间，从而训练模型更加“拟人”。

1、感知层面：OccupancyNetwork、3D建模

华泰证券指出，特斯拉创新性的提出了占用网络（OccupancyNetwork）模型，直接将3D空间点格化，相较于之前在障碍物识别和行驶路径预判方面有了明显提升，具体来看：

1）通过占用网络，只需分析物体的空间内栅格占用情况，不需对物体本身进行检测识别，规避传统视觉算法中对物体识别失败带来的车祸风险。

2）占用网络解决传统视觉算法难题及还原道路坡度和曲率，辅助行车更优决策。

3）基于占用网络可以预测道路上其它物体的行进轨迹。

2、预测层面：道路拓扑关系预测、障碍物预测

华泰证券指出，预测分两种，一种是道路信息的预测，另一种是障碍物的预测。

车道线网络模型辅助进行车辆行驶路径的预判。车道线网络模型生成的“车道语言”，可以在小于10毫秒的延迟内，思考超过7500万个可能影响车辆决策的因素，运行这套语言的功耗只需要8W，较大的提升了特斯拉FSD对车辆行驶路径的预判能力。

物体的预测包含动、静概率信息，再结合道路拓扑信息，为最终的形式决策提供支持，模型会自动生成虚拟车辆，令决策更贴近人类驾驶员的思维模式。

3、决策层面：车端算力升级、模型计算效率优化，决策更加智能

决策的难点在于多方的交互与对路权的博弈，计算的效率是至关重要的。华泰证券表示：

目前业内普遍50-100毫秒之间完成一轮计算。受车端算力与计算效率的限制，目前决策层面的模型可分为两类：1）rulebase的模型（类似if程序，提前设定了某些情境下的反应机制）；2）特斯拉的交互搜索的模型（querybase的条件下可缩短单次计算时间至100微秒）。

推动车端/云端算力升级与国产化

最后，受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游自主品牌的崛起，华泰证券认为零部件国产替代趋势显著。

随着大模型上车对车载算力需求的进一步提高，以及车载芯片制造商对芯片架构和技术的改进，车载芯片的算力有望持续上升。未来，量产的英伟达Thor芯片（2000TOPS）有望加速计算平台融合。

云端方面，基础设施算力升级加速算法迭代：

为了增强自己在云端竞争中的实力，主机厂和自动驾驶技术的开发企业都在积极规划和建设智能计算中心。目前，主机厂特斯拉、小鹏、吉利，解决方案提供商毫末智行、商汤、百度布局建设了智算中心，用于训练自动驾驶等大模型。

随着智能驾驶的逐步渗透，大模型或将成为各公司的核心竞争力之一，为匹配模型中大规模参数以及大数据量计算，智算中心的建设规模有望持续扩张。

华泰证券展望未来3-5年AI赋能智能驾驶如何重塑出行方式，预计今年或是城市NOA普及的元年，高级别辅助驾驶将呈现降本趋势，2023-2030年高级别辅助驾驶BOM成本的平均年降幅度为11%。

本文节选自华泰证券《AI大模型如何加速无人驾驶发展》

分析师

黄乐平 SAC No. S0570521050001 SFC No. AUZ066

陈旭东 SAC No. S0570521070004 SFC No. BPH392

张宇 SAC No. S0570121090024 SFC No. BSF274

郭春杏 SAC No. S0570122010047 SFC No. BTP481

到这里，我们也就讲完了《AI大模型如何加速无人驾驶发展？》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于无人驾驶,AI大模型,加速发展的知识点！