特定场景商用爆发 无人驾驶投资思路梳理

　　[第一车市 新闻]无人驾驶是目前人工智能领域改变人类生活方式最彻底，技术最集中，AI 人才最聚集的地方。无人驾驶企业不仅具有广阔的市场空间，而且有能力降维切入其他人工智能的赛道。本文从无人驾驶的发展趋势、竞争格局、投资方向三方面梳理无人驾驶的投资思路。

　　发展趋势：特定场景到开放道路，车端传感到网联传感

　　自谷歌 2009 年推出无人驾驶汽车计划以来，无人驾驶行业已经持续了将近 10 年的摸索，近年来，随着神经网络的应用，传感技术大大提升，行业已经到了爆发前夜。在国外，奥迪 A8L 已经具备 L3 级别的无人驾驶功能，2018 亚洲消费电子展上(2018 年 6 月 14 日)，凯迪拉克 Super Cruise ™超级智能驾驶系统正式，Waymo 在亚利桑那州凤凰城推出的无人驾驶车服务已经一年多了，国内虽然起步较晚，但 L4 无人驾驶公司的路测实验早已走出指定的测试场，大都直接到公共道路，无人驾驶车辆在雨雾、环岛、隧道等复杂场景中的表现不断刷新着大家的认知。

　　* 自动驾驶发展历程

　　在这样的背景下，无人驾驶特定场景商用逐渐开始落地，但我们也注意到网联传感被屡屡提及，下面基于这两点现象分析未来的发展趋势。

　　一、量产从特定场景开始，机会与挑战并存

　　百度与金龙客车联合开发的无人驾驶微循环车阿波龙拟于 2018 年实现商用化量产及上线运营;中国重汽集团刚了拟用于港口运输的无人驾驶电动卡车;京东、苏宁、菜鸟等电商企业也纷纷展示了自己的无人驾驶产品。这些都预示无人驾驶商业化落地的曙光。

　　特定场景不涉及公共道路安全法规且活动区域相对可知可控，技术难度较小，可实现快速落地。我们近期走访了众多无人驾驶方案商，其中不少都已推出方案，拟针对园区、港口、机场、矿山等特定场景进行垂直深耕。辩证来看，这方面市场机会大，但也蕴藏着比较大的挑战。

　　一方面，垂直场景虽技术实现相对简单，但仍存在较高的技术壁垒且需要理解场景需求。无人驾驶本是高技术壁垒的行业，垂直场景落地对技术要求较低，但仅是相对，系统地方案仍是不小的挑战。同时，特定场景方案不能脱离场景特点，比如港口集卡的无人驾驶方案可能不太需要注重车后运动，但对泊车的准确性要求高。所以，无人驾驶公司不仅要懂技术而且需要对特定场景需求有深刻理解。有些无人驾驶公司技术实力强，但是对场景理解不深，很难落地。

　　另一方面，无人驾驶创业公司需要意识到合作研发和批量供货的区别。可从三个层面进行对比。

　　一是订单确定性。目前市场上的无人驾驶公司大都能接到联合研发订单，客户包括主机厂或垂直领域互联网巨头等，但从我们接触的几个案例来看，国内客户大都喜欢新鲜事物，愿意抱着试一试的态度，甚至在合作研发成本并不高的情况下，联合研发费用走研发经费体系即可，但这与正式的订单体系是完全不同的概念。我们在考察无人驾驶公司时会参考标的的研发订单，但只是说明客户在某个市场踏出了第 1 步，如果量化来说，到量产还有 99 步要走，批量化的订单才是真正有价值的。

　　二是产品稳定性。合作研发的方案大部分仅满足实验需求，而批量生产的产品需要达到车规级，功能安全、产品稳定性、可靠性等方面得有足够冗余。目前大部分无人驾驶公司测试的激光雷达外面就是一层塑料膜，IBEO 量产的四线激光雷达却据说可以撞碎花坛而不坏。

　　三是生产能力。Elon Musk 可以把火箭送上天，但却解决不了特斯拉量产问题。量产需要链支持，为了解决这个问题，国内的无人驾驶公司也想出了一些对策：比如构建生态圈，扶持一些小的商一起推进;另外是选择跟主机厂合作，反过来还可以借用主机厂的，但是这种合作方式中无人驾驶公司是否会处于相对弱势的地位，一方面主机厂大都野心勃勃有自己的研发计划，而且 Tier1 从来就不是高毛利的行业，很可能出现高科技无人驾驶公司的毛利(Tier1 一般不超过 30%)比不过传统行业玻璃的福耀玻璃(毛利 37% 左右)。

　　二、特定场景向开放道路迭代，未来产业链格局是关键

　　虽然特定场景的无人驾驶已经见到量产的曙光，但是开放道路的 L4 级别无人驾驶乘用车仍面临诸多落地难题，大家对无人驾驶的安全性有近乎严苛的标准，国内道路环境的复杂性，技术的可靠性等都制约着无人驾驶汽车在开放道路的行驶，同时政策法律的完善以及伦理问题思考也是目前需要推进的。

　　基于这些难题，国内主机厂采用了逐步推进的方案，即通过 ADAS 逐渐实现无人驾驶的功能。目前国内的环视已非常成熟，装配率增长迅速;自动泊车预计今年年底能实现量产;在某种意义上已达到 L4 级别要求的自主泊车也有多家企业正在紧锣密鼓地研发。环视到自动泊车到自主泊车就是一条不断迭代升级的无人驾驶路线。

　　部分无人驾驶企业则是相对激进的打法，这其中有一个关键思考：当无人驾驶乘用车量产实现的时候，汽车产业链的商业模式是否会发生颠覆式的变革?这涉及到无人驾驶公司和主机厂的角力以及出行方式的改变。谷歌 Waymo 无人驾驶车运营已经测试了一年多，显然他并不是奔着主机厂 Tier1 商去的，反过来他们希望主机厂成为他们商，使主机厂变成类似手机产业链中富士康的角色。我们也认为，在强势的主机厂面前，Tire1 必然不是一个好生意，汽车链企业的低 PE 也很好地说明了这个特点，如果无人驾驶公司都是奔着做 Tire1 去的，目前的估值就要打一个大的问号了。主机厂的核心壁垒之一是发动机，但目前的格局下，未来无论是锂电还是氢能，发动机大概率会成为历史，主机厂是否会失去其强有力的壁垒，沦为富士康这样的代工厂，期待历史给我们的答案。

　　三、网联传感屡被提及，方向可期

　　无人驾驶在乘用车领域是很时尚的概念，但是对地铁等交通工具来说，这项技术早已实现，配备的司机只是起辅助作用和应付突发事件。与目前大部分无人驾驶方案不同，地铁列车自动驾驶系统的感知主要在网联端。

　　无人驾驶汽车装传感器的目的是为了实现对周围环境的探测，但如果周围环境的信息，甚至包括整条拟行驶道路的实时动态信息都能通过网络传送到给汽车大脑呢?目前部分车联网平台已经可以传送交通路口的实时图片，可以预见未来道路端传感器的增加将挤占车端传感器的生存空间。

　　我们看好网联端传感器的发展方向，但是客观来说，目前的环境还不成熟，短期内看不到落地机会，应该会出现逐步演进的方式。国内也已经有不少公司注意到这方面的趋势，我们建议保持关注，虽然不一定实现，但理论上，未来汽车端可以不再需要传感器和无人驾驶算法。

　　竞争格局：各显神通

　　从最终产品和服务的形态来看，无人驾驶公司大抵分两种类型，一种全套的无人驾驶解决方案，可简称 " 全栈布局公司 "。另外一种是走产业内分工路线，仅参与无人驾驶全套解决方案中的一部分，比如传感器商、算法商等。下面依次进行分析。

　　一、全栈布局

　　对新兴行业来说，早期产业链配套未成形，标准不统一，较难实现产业内分工，这也适用于无人驾驶行业，事实证明，早期的无人驾驶公司确是全栈道布局，这样另一个优势是能更好的服务。全栈布局的可以基于市场定位从两个维度进行区分，一类一开始就瞄准乘用车开放道路的无人驾驶方案，且大部分不太依赖特定主机厂，简称 " 高举高打型 "。另一种从传统的 ADAS 商逐步升级，紧跟主机厂的步伐从 L1 逐步到 L4，这类商对主机厂依赖程度较高。

　　高举高打型。乘用车的无人驾驶需要强大的技术实力，这类团队起点较高，往往是各类学霸、无人车大赛冠军、资深业内人士等。典型的代表是谷歌 Waymo 等。但是并不是每个公司都可以 Waymo，首先得要有足够的资金支撑到能够量产、产生入的那天，如果没有，可能需要做一个中短期的营规划，一来保持自己的造血能力，二来通过实在的产品落地强化资本市场信心，便于更好地融资。乘用车的无人驾驶是比较终极的技术方案，这类公司可以相对快速地切入特定场景，降维做方案相对简单，而且一般来说会降维切入好几个不同的特定场景，这样可以跟专业只做某特定场景的无人驾驶公司区分开来，理论上来说如果技术能实现很好的复用性，更多场景的数据积累是非常有价值的，但是不同场景的落地需要花费更多的时间和精力。若没有庞大的团队和生态支持，做到并不容易。

　　传统 ADAS 商。以环视商为例，基于环视的自动泊车预计今年年底能够实现量产，自主泊车也有多家企业正在紧锣密鼓地研发，自主泊车在某种意义上会达到 L4 级别的要求。这类商跟主机厂有比较紧密的合作基础，往往瞄准主机厂的需求一步步往上迭代，相对务实。从量产经验、客户基础和现金流来看，他们相对其他无人驾驶公司更有优势，但是这类团队起点偏低，要实现团队的升级换代相对较难，另外主机厂节奏偏慢，在国内外无人驾驶创业公司的激进推进下他们是否能获得无人驾驶终场的竞争门票存在较大的不确定性。

　　总体来说，全栈布局有历史需要的原因，但是产业类分工已在大多行业内被验证，随着产业配套的成熟及行业标准的制定，无人驾驶产业是否也会出现产业内分工呢?

　　二、产业内分工

　　无人驾驶的流程可分为感知，认知，决策，控制，执行五部分。如下图所示：

　　* 无人驾驶流程

　　近期走访发现无人驾驶已经有产业链分工迹象：感知层早已有独立发展的商，比如 Mobileye;认知层和决策层可合并作为模块独立发展;控制层和执行层也可以合并独立发展。

　　感知层。这部分大的创业机会包括雷达、视觉、惯导等，这三者相互融合，共同为车辆环境感知和定位的功能。

　　雷达早就有成熟的商，只是并不是以汽车产业为主，无人驾驶产业受到关注以来，传统雷达商逐步加大了汽车产业产品的研发力度，目前雷达商不仅硬件，而且已开始配套感知算法，未来不排除会进一步增加感知层的融合算法等。

　　激光雷达在测距上具有其他传感器没有的优势，未来被纯视觉方案替代的可能性不大。国内雷达起步晚，稳定性等相比海外还有较大的改进空间，但是服务响应等各方面有优势，因此国内公司是有投资价值的。视觉中双目可以通过视差测距，但是双目测距效果与雷达相比有一定差距，且成本高于单目，在单目 + 激光雷达方案面前显得比较尴尬，目前并不主流。单目的全球龙头是 Mobileye，其产品已经迭代到了 EyeQ5，包含算法和硬件，且支持毫米波雷达和激光雷达信号的融合。

　　好的视觉算法具有极高壁垒，初创公司需要大量的数据训练模型，这个领域国内也有不少投资机会，从长期来看，我们持相对乐观的态度，但初创公司要走出来确实不太容易。惯导作为独立模块之前在测绘及军工领域应用较多，但好的惯导高达几十万，非常昂贵，而且效果依然差强人意，所以目前的无人驾驶公司大都配合 GPS、RTK 以及激光和视觉的 SLAM ( simultaneous localization and mapping ) 方案，现在无人车车顶的激光雷达很大部分原因就是为了 SLAM 定位而设计的。通过方案的组合，惯导的重要性可以降低，国产惯导已经开始得到部分无人驾驶公司的认可，这块有一定投资机会。

　　认知和决策层。这部分以算法为主，不包括硬件，但却是无人驾驶系统方案中非常核心的环节，其中不仅涉及到传感器数据的融合，还包括驾驶态势预判，控制决策等。目前深度学习主要应用在传感器算法以及算法融合上，行为决策还是传统控制理论居多，虽然学术界讨论过端到端(end-to-end)的深度学习方案，即通过接受传感器的输入数据，直接输出刹车、油门、转向的控制信号，但是端到端的深度学习更具黑箱属性，运算过程不可解释，实现难度较大。仅做认知和决策层可以实现高度聚焦，而且有利于借助上下游力量。

　　* 自动驾驶的端到端深度学习方案图示

　　控制层和执行层。控制层和执行层主要是线控底盘的功能，创业团队需要精通底盘的控制算法并且对汽车产业链有深入了解。目前市场线控改装业务较多，即在传统乘用车上进行改装，完成线控，但仅仅改装并非可持续的业务，相反配套的底盘控制器(硬件)未来有较大的复用价值，更进一步，已有创业公司将无人驾驶整套方案中需要用到的各类芯片高度集成到一个盒子中，类似奥迪 A8L 的 zFAS，这有更好的扩展性及适用性。另一方面也有初创公司瞄准了新能源线控底盘的市场，这部分在物流等领域会有比较大的应用空间。

　　投资方向：关注强研发、软硬结合及垂直落地

　　英特尔和 Strategy Analytics 此前预测，2050 年全球自动驾驶市场规模将达到 7 万亿美元，我们看好无人驾驶的市场空间以及它在人工智能领域的卡位。同时，新能源汽车的发展给国内汽车产业链了弯道超车的绝好机会，虽然众多细分领域国内与国外仍存在较大差距，但国内商快速及时的服务以及较高的性价比在进入自主品牌体系时有很大优势，我们相信最终不仅将赢得国内市场，而且将走向全球。在投资方向上，强研发，软硬结合及垂直落地将依次加深企业护城河，这也是我们重点关注的方向。

　　强研发。无人驾驶是 AI 行业场景最复杂，技术最集中的赛道，行业的发展尚需突破诸多技术壁垒，比如雨雾天气对传感器准确性的影响、泥泞道路的识别和控制等，这要求团队需要配备汽车和算法背景的高端人才，同时需技术和工程能力兼具，不能有明显的短板。在创业团队的选择上，我们首要关注团队研发能力是否达到无人驾驶创业的基本门槛。

　　软硬结合。纯软件创业比较难。从个人电脑和手机的发展历史来看，系统层面的最终格局是赢者通吃，最后存活的不多。往近看，人脸识别和语音识别初期技术壁垒高，随着创业公司增多，各家技术差距不断缩小，而且不断出现了开源的优质算法，远好于创业公司自己研发，算法价值已大大降低。无人驾驶行业也出现类似趋势，百度阿波罗算法已经开源，虽然目前并不完美，但会持续完善，所以我们判断纯算法公司不容易成功，最好通过软硬结合，软硬一体方案，可以结合的硬件包括摄像头，雷达，控制器等。

　　垂直落地。垂直落地需要花费较多的时间和精力，但是优势也比较明显：垂直落地不仅需要软硬结合，而且需熟悉场景，并针对性地进行算法及硬件优化，进入壁垒较高;同时，一旦和客户达成深入合作，商务上也会形成护城河;另外，落地后的运营数据将反馈优化模型，进一步拉开与其他竞争对手的差距。