（报告出品方/作者：五矿证券，王少南）

1、汽车智能化稳步升级，中美欧日引领发展

1.1 自动驾驶升级已成为全球共识

汽车智能化是未来行业发展重要方向之一，包括人车交互智能化以及车辆行驶自动化。人车 交互智能化是在驾驶过程中为驾驶员提供内容与服务，提升驾驶安全性、舒适性、便捷性等。 车辆行驶自动化则包括辅助驾驶阶段和自动驾驶阶段，通过对路况及车辆信息预测，保障驾 驶过程中的车辆安全以及出行效率。 智能汽车则是指通过搭载先进传感器等装置，运用人工智能等新技术，具有自动驾驶功能， 逐步成为智能移动空间和应用终端的新一代汽车。智能汽车通常又称为智能网联汽车、自动 驾驶汽车等。因此，汽车智能化发展程度很大程度上取决于汽车自动驾驶发展进度。

在自动驾驶等级划分上，SAE（国际汽车工程师学会）将自动驾驶技术分为 L0-L5，共 6 个 等级，NHTSA（美国国家公路交通安全管理局）将自动驾驶分为 L0-L4 共 5 个等级。目前部 分车企已经推出了具有 L2 功能的车型，L1 和 L2 仍然需要驾驶员驾驶，属于 ADAS （高级 辅助驾驶系统）范畴。而 L3 将是一个风水岭，从 L3 开始，汽车才真正进入到自动驾驶范畴， L3 指在特定场景下，系统可以实现对车辆的完全接管，当驾驶员在系统失效时，驾驶员取得 驾驶权。

根据 SAE 的定义，在 L1 时，驾驶员可以“脱脚”；在 L2 时，驾驶员可以“脱手”；在 L3 时， 驾驶员可以“脱眼”；在 L4 时，驾驶员可以“脱脑”；在 L5 时，已经不需要驾驶员。

中国在自动驾驶领域亦制定了自己的标准。2021 年 8 月 20 日，国家市场监督管理总局、国 家标准化管理委员会批准发布了《汽车驾驶自动化分级》推荐性国家标准，该标准于 2022 年 3 月 1 日起开始实施。该标准规定了汽车驾驶自动化功能的分级，基于驾驶自动化系统能够 执行动态驾驶任务的程度，根据在执行动态驾驶任务中的角色分配以及有无设计运行范围限 制，将驾驶自动化分成 0 级至 5 级。并基于以下 6 个要素对驾驶自动化等级进行划分：1.是否持续执行动态驾驶任务中的目标和事件探测与响应； 2.是否持续执行动态驾驶任务中的车辆横向或纵向运动控制； 3.是否同时持续执行动态驾驶任务中的车辆横向和纵向运动控制； 4.是否持续执行全部动态驾驶任务； 5.是否自动执行最小风险策略； 6.是否存在设计运行范围限制。 在汽车驾驶自动化的 6 个等级之中，0-2 级为驾驶辅助，系统辅助人类执行动态驾驶任务， 驾驶主体仍为驾驶员；3-5 级为自动驾驶，系统在设计运行条件下代替人类执行动态驾驶任 务，当功能激活时，驾驶主体是系统。

自动驾驶之所以成为各个国家、企业、科研机构等争相研究和发力的重点，是因为随着汽车 用户不断增加，公路交通拥堵、安全事故等问题层出不穷，相比于传统的人类驾驶，自动驾 驶在人工智能、车联网等技术支持下，能够有效保障交通安全、降低运输成本、提升用车效 率、减少空气污染。此外还可以拉动汽车、电子、通信、服务、社会管理等协同发展，促进 产业转型升级。

自动驾驶产业链，上游包括传感器、芯片、地图、车载软件等二级供应商，以及智能驾驶解 决方案等一级供应商；中游包括乘用车、商用车等整车环节，下游为车辆运营等服务市场。

回顾全球自动驾驶发展历程，1939 年 GM 提出了这一概念，2009 年谷歌发布了自动驾驶汽 车计划，2013 年谷歌完成了 50 万英里的自动驾驶，同年特斯拉发布了自动驾驶 Autopil ot 概 念，2017 年特斯拉自动驾驶完成了 3 亿英里的运行，2018 年 Waymo 完成了 5 亿英里的测 试，2019 年百度完成了 1 亿英里的测试。

自动驾驶系统分为感知层、决策层和控制层，感知层主要通过摄像头、雷达等感知周围环境 信息，并通过 GPS/惯导等实现定位等车辆状态的获取；决策层依据感知层提供的环境信息 和车辆定位情况，根据适合的模型进行路径规划等决策；控制层则通过底盘及各种控制附件 件，驱动车辆执行相应命令动作。

1.2 技术进步+立法推进共同支撑自动驾驶渗透率提升

自动驾驶要想逐步落地并大范围推广，除了技术进步、成本降低之外，还需要相关法律法规 及政策支持才能落地，目前各个国家地区的立法进度和要求不尽相同，但是整体而言，对自 动驾驶的法律法规等都是积极推动的。 德国在 2021 年 7 月正式实施《自动驾驶法》，成为全球首个允许 L4 级别自动驾驶汽车上路 的国家。 日本于 2020 年 4 月正式实施《道路交通法》修正案，允许 L3 级别自动驾驶汽车上路，同时计划 2022 年在农村地区实现 L4 级自动驾驶汽车上路。 韩国已经在 2021 年推出 L3 级别自动驾驶汽车，计划到 2024 年实现 L4 级别部分商用化。

中国公安部于 2021 年 3 月发布的《道路交通安全法（修订建议稿）》中，对自动驾驶汽车提 出了要求，这是中国在自动驾驶汽车立法上的首次尝试，虽然最终未获得通过，但具有重要 意义。目前深圳在自动驾驶立法方面走在全国前列，根据 2022 年 5 月深圳市人大常委会官 网发布的相关内容，《深圳经济特区智能网联汽车管理条例》被列入深圳市人大常委会发布的 2022 年立法计划首位，已通过“三审”，有望在年内出炉，这将是国内首部规范智能网联汽 车管理的法规，智能网联汽车法律空白的问题，有望在深圳率先突破。此外，中国已逐步开 放公路（高速公路）测试、无人化（远程）测试、载人载物示范运营，包括北京、上海、深 圳等城市已发布了相关的道路测试与示范应用管理法规，为自动驾驶汽车上路奠定了基础， 有助于推动自动驾驶立法。

美国交通运输部则在 2021 年 1 月发布了《自动驾驶汽车综合计划》，进一步明确了美国自动 驾驶汽车的发展方向。该计划定义了实现自动驾驶系统愿景的三个目标，包括促进协作和透 明度、现代化监管环境、以及为运输系统做准备。而在法律层面，目前为止，美国联邦层面 尚未正式出台自动驾驶的监管法案，现阶段美国自动驾驶的测试及布局是由各州/邦法律进行 分别监管。目前美国有 29 个州/邦以及华盛顿哥伦比亚特区已经颁布了法律，6 个州/ 邦颁布 了行政命令，5 个州/邦同时有法律和行政命令，还有 15 个州/邦没有相关法律和行政命令。

中国自动驾驶技术仍在不断迭代升级中，2007-2015 年 L1 级别已实现商业化并广泛普及； 2014-2020 年 L2 级别的高级驾驶辅助系统（ADAS）已经成熟并广泛使用，代表车型包括特 斯拉 Model 3、上汽大通 D90 等；2025 年将计划实现 L3 级别自动驾驶，目前技术已能够实 现，还处于测试阶段，代表车型包括奥迪 A8、广汽新能源-埃安 Lx 等；2030-2040 年计划实 现 L4/L5 级别自动驾驶，仅用于部分车型，仍处于测试阶段，代表车型包括一汽-Apollo -红旗 电动车、比亚迪-xUrban-秦 Pro 等。

根据 PwC 数据，全球主要国家/地区的自动驾驶水平将逐步提升，到 2025 年 L3 级别自动驾 驶将开始崭露头角，而自动驾驶需 80 亿公里安全路测里程才能证明其安全性，现阶段 L 4 解 决方案提供商还远远未达到足够里程，随着未来激光雷达等核心部件成本下降，预计到 2 030- 2035 年，L4/L5 级别自动驾驶将开始商用化。全球各主要国家地区目前正处于从 L2 级别向 L3 级别过渡阶段，预计未来 L3-L5 级别自动驾驶占新车销量如下：

欧盟：L3 级别 2025 年占比 4%，销量 67 万辆，到 2035 年将提升至 15%，销量 259 万辆； L4 级别 2030 年占比 8%，销量 136 万辆，2035 年将提升至 15%，销量 259 万辆；L5 级别 2035 年占比 2%，销量 35 万辆。 美国：L3 级别 2025 年占比 5%，销量 83 万辆，到 2035 年将提升至 14%，销量 249 万辆； L4 级别 2030 年占比 1%，销量 17 万辆，2035 年将提升至 2%，销量 36 万辆。 中国：L3 级别 2025 年占比 1%，销量 28 万辆，到 2035 年将提升至 18%，销量 619 万辆； L4 级别 2030 年占比 3%，销量 93 万辆，2035 年将提升至 15%，销量 516 万辆；L5 级别 2035 年占比 1%，销量 34 万辆。 日本：L3 级别 2025 年占比 4%，销量 19 万辆，到 2035 年将提升至 12%，销量 49 万辆； L4 级别 2030 年占比 6%，销量 26 万辆，2035 年将提升至 15%，销量 61 万辆；L5 级别 2035 年占比 1%，销量 4 万辆。

根据 Strategy Analytics 数据，全球自动驾驶汽车渗透率方面，预计到 2025 年，L2 渗透率 将达到 27%，L3 渗透率将达到 1%；2035 年，L2 渗透率将达到 59%，L3 渗透率将达到 10%， L4 渗透率将达到 9%，L5 渗透率将达到 1%。

2、汽车智能化：“商业+家用”双引擎共同推动自动驾驶快速发展

2.1 Robotaxi/Robobus/Minibus/Robotruck 等商业化模式率先普及

由于成本较高、路线相对固定、环境相对简单、行驶速度相对较低，自动驾驶在公共交通、 矿区园区、港口物流等特定场所的使用将早于在个人乘用车市场的普及，具体应用场景包括 公共交通、快递运输、服务老年人及残疾人等。

随着自动驾驶技术（如激光雷达、芯片、算法等）技术不断升级迭代，自动驾驶离我们的生 活也越来越近，虽然目前 L3 级别以上家用车还并未大规模普及，但是在一些特定场景或者 商业营运场景已经开始崭露头角。开放场景以载人为主，包括 Robobus、Robotaxi 等，半封 闭以及封闭场景以载物为主，比如 Robotruck，其中半封闭场景包括干线物流、无人环卫、 末端配送等，封闭场景包括矿山运输、港口运输等。在以上几类场景中，封闭场景由于环境 单一，行驶路径简单，无其他社会车辆及行人干扰，场景复杂度低，目前已经实现了商业化 运营；而开放场景和半封闭场景由于在市政道路行驶，来往车辆、行人等数量多，方向不定， 周围环境复杂多变，目前还处在路测和试营业阶段，未来随着技术升级、成本下降、路测数 据越来越丰富、法律法规更加完善明确，有望实现正式的商业化运营。 在载人自动驾驶领域，主要包括 Robotaxi、Robobus、Minibus，都基于 L4/L5 级别自动驾 驶技术实现运营，其中 Robotaxi 主要在市政道路及高速上提供出租车/网约车服务，Robobus 主要在市政道路上提供公交车服务、Minibus 主要在封闭景区及限定园区提供摆渡车服务。

相比于传统有人驾驶，自动驾驶具有诸多优势，包括安全性高、成本低、效率高。在矿区、 港口作业事故频发，自动驾驶可提升安全性、延长运行时间，不仅能缓解司机缺口大、人工 成本高的问题，同时在公路上有 90%的交通事故是由司机人为造成，自动驾驶可以避免一些 事故发生，避免拥堵，提升出行效率和安全性。

目前 Robotaxi 由于技术不是很成熟、改造费用较高，因此每公里的成本相比于有人驾驶出租 车并没有优势，未来 5-10 年司机人力成本将会进一步增加，而自动驾驶系统改造成本会逐渐 降低。根据 McKinsey 数据，预计在 2025-2027 年，Robotaxi 取消安全员并规模化部署后成 本将迎来拐点，其应用将加速推广，带来出行服务的颠覆。

从商业模式上讲，目前 Robotaxi 为铁三角模式，即车企（主机厂/一级供应商）、AI 公司、出 行平台。车企具备具备雄厚的资本运作与扎实的整车制造能力，负责提供一流的自动驾驶车 辆平台和零部件产品；AI 公司是具备 L4 级自动驾驶解决方案、顶尖无人驾驶技术研发能力 的企业；出行平台包括网约车、出租车、随需公交等出行平台，以及提供快递、物流等服务 的货运平台。目前能同时打通车企（主机厂/一级供应商）、AI 公司、出行平台三个环节的公 司还没出现，都只承担其中 1-2 个角色，由于 Robotaxi 仍处于探索阶段，各类企业之间合作 共赢、优势互补仍是主旋律，未来随着技术逐渐成熟，可能会打破铁三角模式。

全球Robotaxi 企业中，美国企业主要有Waymo、Cruise、Lyft 等，中国企业主要有百度Apoll o、 小马智行、AutoX、文远知行等。其中 AutoX 已经宣布其 Robotaxi 车队数量超过 1000 辆， 成为中国乃至全球最大规模的全无人驾驶 Robotaxi 车队。测试里程方面，百度 Apollo 在 2021 年底已测试 1800 公里，是中国测试里程最长的公司。通用汽车旗下 Cruise、福特汽车旗下 的 Argo AI、Zoox、Aurora、Mobileye 等公司也在推出 Robotaxi 计划或者转向商用车自动驾 驶业务。

根据 DMV（美国加州交通管理局）发布的 2021 年全年自动驾驶数据，在加州进行公开自动 驾驶测试的公司中，中国与美国头部自动驾驶公司继续占据排行榜前列。从车辆规模对比， Waymo 693 辆排名第一，而 MPI（接管里程数）作为自动驾驶核心衡量指标之一，是衡量自 动驾驶技术是否成熟、稳定的指标，接管间隔里程越长，则意味着技术越好，并且测试车辆 和里程越多，越有意义。中国 AutoX MPI 50108 英里排名第 1，美国 Cruise MPI 41179 英 里排名第 2，中国滴滴 MPI 40744 英里排名第 3，MPI 前 10 名公司中，中国公司 5 家，美 国公司 5 家，数量相当，但从 MPI 数据上，中国公司整体优于美国公司。

全球共有 8 家公司获得了 DMV 的全无人自动驾驶测试牌照，包括 Waymo、Nuro、Cruis e、 Zoox、AutoX、百度 Apollo、小马智行和文远知行，只有百度 Apollo、小马智行、通用 Cruise 和 Nuro 这 4 家公司提交了数据，除了小马智行脱离 1 次之外，其余 3 家公司均无脱离。

不仅在美国，中国在自动驾驶运营方面也大力发展 ，在牌 照发放量 、道 路 里 程 、 Robotaxi/Robobus 运营商数量方面，上海、北京、广州排名靠前，此外，深圳、武汉、苏州 等城市也都有所布局。累计牌照发放量方面，截至 2021 年 11 月，上海 254 张，北京 170 张，广州 142 张。累计道路里程方面，截至 2021 年 11 月，上海 1290km，北京 1028km， 广州 253km。Top3 城市（上海、北京、广州）载人场景运营商占比 53%，Robotaxi 运营商 占比 59%，Robobus 运营商占比 36%。

虽然 Robotaxi 进展如火如荼，但是不可忽略的是，Robotaxi 在推广方面依然存在困难。首 先就是商业闭环难以形成，由于自动驾驶汽车成本较高，Robotaxi 的价格基本是普通乘用车 的两倍，大约为 50 万/辆，大规模采购势必需要投入大量资金，对于此类重资产投入模式， 如果车辆数量不够多，用户约车等待时间过长，就难以吸引用户继续使用。其次还存在一些 技术问题，以前几公里就会暴露出技术问题，现在可能要几万公里才会暴露出来，技术优化 改进越来越困难，一些边缘场景更甚，对于载人驾驶，安全始终是第一位的，因此如果技术 问题不能 100%解决，就很难真正大范围推广。最后是中国的城市道路建设改造较快，如果 高精地图信息采集与更新不及时，也会带来隐患。因此，以上困难都是需要去进一步克服和 解决的，如果 Robotaxi 无法做到城市级别的商业化运营，那么订单和市场规模就会受限，难 以实现真正意义的商业化闭环落地。

2.2 感知层：智能车信息采集的“眼睛”和“触角”

驾驶是一项复杂的任务，需要对周围环境不断收集感知信息。当驾驶员暂时失去意识或缺少 相关信息输入时，可能会出现致命事故。人类驾驶基本靠“本能”：不计算距离或速度，却能给 出判断并执行。自动驾驶汽车和机器，是没有“本能”的，所有驾驶“决策”都是基于对感 知信息（如距离、速度、颜色或形状）的实时计算。 因此，要实现自动驾驶系统，首先要解决的就是感知层信息采集的过程，自动驾驶感知系统 会用到各种传感器，包括摄像头、超声波雷达、毫米波雷达、激光雷达、红外夜视，以及用于定位和导航的 GNSS（全球导航卫星系统）和 IMU（惯性测量单元）。每种类型的感知技 术都有优缺点，通过他们之间信息的充分融合，最终才能形成全面可靠的感知数据，供给决 策与控制系统使用。（报告来源：未来智库）

2.2.1 智车之“眼”：摄像头

车载摄像头的工作原理，是将采集好的图像转换为二维数据，然后对采集的图像进行模式识 别，通过图像匹配算法识别行驶过程中的行人、车辆、交通标志等，最后依据目标物体的运 动模式或使用双目定位技术，估算目标物体与本车的相对距离和相对速度。 相比于雷达等其他传感器，摄像头的优点是采集的数据量更多，也最接近人眼获取的周围环 境信息，当前车载摄像头分辨率主要以 720P、1080P 为主，与人眼接近，并且技术成熟、 成本低。但缺点同样明显，首先是基于视觉的感知技术受光线、天气影响较大，在恶劣天气 和昏暗环境下性能难以得到保证；其次对物体的识别基于机器学习数据库，需要的训练样本 大、训练周期长，也难以识别非标准物体；最后，广角摄像头存在边缘畸变，得到的距离准 确度较低。 按照车载摄像头在整车中的应用，可分为前视、环视、后视、侧视以及内置 5 种类型。对于 前视摄像头，双目相比单目性能更优，但是由于需要更高算力芯片支持，成本较高，难以快 速普及，因此目前仍以单目为主。

根据华经产业研究院数据，2015-2020 年，全球车载摄像头镜头出货量整体稳步上升，2015 年为 5961 万件，2019 年为 11664 万件，2020 年由于疫情影响，出货量略有下滑至 10964 万件。市场格局来看，以中国、日本厂商为主，舜宇光学占比 32%，排名第 1；麦克赛尔占 比 8%，排名第 2；富士胶片占比 5%，排名第 3。

目前车载摄像头渗透率不高，根据 AI 车库数据，各类摄像头中，后视摄像头渗透率最高，为 50%；其次是前视摄像头 30%；侧视摄像头 22%；内置摄像头仅为 7%。单车平均搭载摄像 头数量也将随着自动驾驶级别升级同步提升，L1/L2 级别为 3-5 颗，L3 级别大约为 8 颗，到 了 L4/L5 级别将增加至 10-20 颗。整体而言，车载摄像头提升空间仍然较大。 根据 ICV Tank 以及 360 Research Reports 等数据，2020-2025 年，全球车载摄像头市场规 模将从 138 亿美元提升至 270 亿美元，CAGR 为 15.7%；中国车载摄像头市场规模将从 64 亿元提升至 230 亿元，CAGR 为 29.2%，车载摄像头市场前景广阔。

车载摄像头包括镜头、模组、芯片、软件算法等。镜头厂商中，舜宇光学全球第 1，国内厂 商联创电子和欧菲光亦有所布局；模组厂商中，国外厂商包括大陆、麦格纳、法雷奥，中国 厂商有比亚迪、德赛西威、欧菲光等；CMOS 芯片中，安森美全球第 1，此外还有索尼、三 星、韦尔股份（豪威科技）、思特威等；软件算法主要厂商有 Mobileye、地平线、极目等。

2.2.2 智车之“角”：超声波雷达

超声波雷达的工作原理是发射并接收超声波（频率通常大于 20KHz），在空气中波长一般小 于 2cm，根据时间差计算障碍物距离，探测距离在 0.1-10m 之间，优点是频率高、波长短、 绕射现象小、方向性好、定向传播等，缺点是距离信息不精准，探测距离短，一般适用于对 精度要求不高的场景，因此广泛用于泊车系统。常见超声波雷达分为 2 种，第 1 种是安装在 前后保险杠上，用于测量前后障碍物距离的驻车或倒车雷达，称为超声波驻车辅助传感器 （UPA），第 2 种是安装在侧面，用于测量侧方障碍物距离，称为自动泊车辅助传感器（APA ）。 通常 1 套汽车倒车雷达需要安装 4 个超声波传感器，而自动泊车系统则在原有基础上再增加 4 个 UPA 和 4 个 APA。

根据 ICV Tank 数据，全球超声波雷达以安装为口径来计算，2021 年市场规模为 88 亿美元， 安装量为 5.5 亿颗，预计 2022 年将达到 102 亿美元，安装量为 6.4 亿颗，2026 年将达到 145 亿美元，安装量为 9.7 亿颗。

渗透率方面，根据 ICV Tank 数据，2021 年全球 12 颗超声波雷达的方案占比达到 28.6%， 预计 2022 年将达到 36.5%，2025 年将达到 55.4%。根据 leadleo 和华经产业研究院数据， 中国超声波雷达市场规模 2020 年为 51.7 亿元，预计 2023 年将达到 62 亿元。

全球超声波雷达厂商仍以国外厂商为主导，根据华经产业研究院数据，2018 年全球超声波雷 达竞争格局中，法雷奥占比31.0%，排名第 1；博世占比 20.2%，排名第2；尼塞拉占比18.3%， 排名第 3；中国前装厂商奥迪威和上富电技分别占比 5.6%和 1.3%，排名第 5 和第 6。 综合企业规模、资本实力、研发能力、经营能力、行业影响力、成长潜力等六个一级指标综 合评判，根据高工智能汽车研究院数据，中国本土前装车载超声波雷达供应商 Top10 中，上 富电技、豪恩汽电、奥迪威分列前 3 名。

2.2.3 智车之“角”：毫米波雷达

毫米波即电磁波，工作频率为 30-300GHz，波长 1-10mm，毫米波雷达测速和测距原理都是 基于多普勒效应，通过入射波和反射波频率相减，得到二者差拍频率，通过判断差拍频率高 低从而判断障碍物距离。 毫米波雷达的可用频段有 24GHz、60GHz、77GHz、79GHz，主流车载毫米波雷达使用 24G Hz （用于中短距离雷达，15-30m）和 77GHz（用于长距离雷达，100-200m），相比于 24GHz，77GHz 毫米波雷达在性能和体积上都更有优势，其探测物体分辨率可提高 2-4 倍，测速和测 距精度可提高 3-5 倍，体积缩小了 1/3，更方便部署，并且带宽更大、功率更高、探测距离更 远，因此未来趋势将逐渐从 24GHz 向 77GHz（76-81GHz）过渡。

毫米波雷达的优势在于不受天气影响，即使是恶劣天气和光照情况下也能正常工作，穿透烟 雾、雨雪、灰尘能力强，具有全天候、全天时的工作特性，且探测距离远、精度较高、被广 泛用于车载距离探测，具体应用包括自适应巡航、碰撞预警、自动紧急制动、盲区探测等。 但劣势同样明显，包括无法识别物体颜色，视场角较小，需要多个雷达组合使用，同时对行 人的反射波较弱，难以识别，并且对金属表面非常敏感，一个弯曲的金属表面会被误认为是 一个很大面积的表面，在隧道里效果不佳。未来随着搭载毫米波雷达车辆增加，相近频率的 毫米波会相互干扰、降低了信噪比、严重时甚至会使雷达“致盲”。

根据 DIGITIMES Resarch 数据，全球毫米波雷达市场规模保持稳步增长态势，2021 年为 118.1 亿美元，其中中短距 55.1 亿美元，长距 63 亿美元，预计到 2022 年将达到 159. 6 亿美 元，其中中短距 84 亿美元，长距 75.6 亿美元。 根据佐思产研数据，全球汽车毫米波雷达厂商主要为海外厂商，其中博世占比 30%，排名第 1；大陆占比 28%，排名第 2；安波福占比 15%，排名第 3。中国车载毫米波雷达行业起步 较晚，行业仍处于初级发展阶段，走在前列的公司主要有华域汽车、德赛西威、纳瓦电子、 智波科技、森思泰克、华为等。

目前传统毫米波雷达仅可探测距离、方位以及速度三个维度，而最新的 4D 毫米波雷达在传 统功能基础上，多出了高度这一维信息，即具备测高能力，因此可以有效地解析空中的天桥、 路牌，地面的减速带、金属井盖等目标的轮廓和类别，进而感知传统毫米波雷达无法识别的 细小物体、静止物体或者横向移动的障碍物等。此外，还提升了探测距离和点云密度，有望 于 2022 年开启商用。 4D 毫米波雷达成本与传统毫米波雷达相近，但性能方面可媲美低线束激光雷达，在 L4/L5 级 别自动驾驶将可能发挥重要作用，但是目前还处于发展早期，在未来自动驾驶多传感器融合 方案中，至于是否能与激光雷达形成替代关系，目前尚无定论。目前已有多个厂商投入到 4D 毫米波雷达研发中，不仅有大陆、安波福、采埃孚等传统毫米波雷达巨头，也有 Mobiley e、 Waymo、华为等科技巨头，还有 Arbe、傲酷、华域汽车、森思泰克、纵目科技等新兴玩家。

2.2.4 智车之“角”：激光雷达

激光雷达通过发射激光，然后根据反射激光的时间差来探测物体的距离，探测距离可达 300m ， 工作频率为 100000GHz，波长集中在 600-1000nm 之间，由于其波长短精度高，可以探测 物体距离和表面形状，测量精度可达厘米级。此外，还可用于车辆定位，自动驾驶汽车定位 除了依赖 GNSS 系统，还依赖激光雷达生成的点云与数据库中的高精地图做对比，从而得出 汽车所在精确位置，精度可达厘米级。 激光雷达的优势在于能够很好的探测障碍物的距离、大小、表面形状，提高了障碍物检测的 准确性，算法比摄像头更为简单，抗有源干扰能力强，定向性好，测量距离远，时间短，大 多数整车厂、Tier1 认为激光雷达是 L3 及以上级别自动驾驶必备的传感器。当然也存在一定 劣势，包括在雨雪云雾天气下衰减严重，后期处理需要大量的坐标系转换，对硬件（CP U、 GPU、FPGA）要求高，技术门槛和成本较高。

激光雷达产业链中，根据盖世汽车数据，上游包括激光发射、激光接收、扫描系统和信息处 理，具体而言，激光发射包括激光器、发射光学系统；激光接收包括光电探测器、接收光学 系统；扫描系统包括旋转电机、扫描镜、MEMS 微振镜；信息处理包括放大器、数模转换、 FPGA。中游则是激光雷达的组装制造。下游应用较为广泛，包括无人驾驶汽车、地图测绘、 无人机、军事领域等。

不同技术特点对比及趋势：

1）单线与多线

激光雷达按照线数来分，分为单线和多线。单线激光雷达是指激光源发出的线束是单线的， 扫描出来就是一个二维平面的图（2D 激光），目前主要应用于机器人领域，以服务机器人居 多，可以帮助机器人规避障碍物。相比多线激光雷达，单线激光雷达在角频率及灵敏度上反 应更快捷，扫描速度快、分辨率强、可靠性高，所以，在测试周围障碍物的距离和精度上都 更加精准，同时成本更低。但单线雷达只能平面式扫描，不能测量物体高度，当前主要应用 于我们常见的扫地机器人、送餐机器人以及酒店服务机器人身上。 多线激光雷达是指同时发射及接收多束激光的激光旋转测距雷达，市场上目前有 4 线、8 线、 16 线、32 线、64 线、96 线、128 线等，多线激光雷达可以识别物体的高度信息并获取周围 环境的 3D 扫描图，主要应用于无人驾驶领域，对于激光雷达而言，线束越多，对目标物的 刻画越详细。

在无人驾驶领域，多线激光雷达主要有以下两个核心作用： 3D 建模及环境感知：通过多线激光雷达可以扫描到汽车周围环境的 3D 模型，运用相关算法 对比上一帧及下一帧环境的变化，能较为容易的检测出周围的车辆及行人。 SLAM 定位加强：同步建图（SLAM）是其另一大特性，通过实时得到的全局地图与高精度地 图中的特征物进行比对，能加强车辆的定位精度并实现自主导航。 对于激光雷达而言，视场角（Field Of View，FOV）越大，能够探测的范围越广。多线激光 雷达中，机械式水平视场角为 360°，混合固态/固态激光雷达水平视场角大约为 120°，垂直 视场角大约为 25°-40°。

2）ToF 与 FMCW

激光雷达按照测距方法的不同，可以分为飞行时间（Time of Flight，ToF）测距法、基于相干 探测的 FMCW 测距法以及三角测距法等，其中 ToF 与 FMCW 在室外阳光下探测距离远 （100~250m），更适合应用于车载激光雷达。目前市场车载中长距激光雷达的主流方案是 ToF，FMCW 激光雷达大多处于概念机的阶段，而且大多采用分立的光学组件，分立组件通 常尺寸较大，随之而来的还有系统可靠性、生产成本、功耗等诸多问题，但 FMCW 激光雷达 具有可直接测量速度信息以及抗干扰（包括环境光和其他激光雷达）的优势。当前装载激光 雷达车辆并不多，随着激光雷达渗透率提升，FMCW 抗干扰的优势就体现出来，此外整机和 上游产业链日渐成熟亦将带动成本下降，因此 FMCW 激光雷达是未来发展的一大趋势。

3）EEL 与 VCSEL

对于激光雷达而言，发射光源有很多种，按工作介质不同，激光器分为固体激光器、气体激 光器、染料激光器、半导体激光器、光纤激光器和自由电子激光器 6 种。固体脉冲功率大， 转换效率最低（10%）。气体激光器效率低（20%）、功率低，体积庞大，但是可靠性好、光 束质量高。半导体激光器光束质量较差，但是转换效率高（30%-40%），功耗、体积和成本 都适合车载应用。如果对光束质量要求高，则可以采用半导体泵浦的光纤激光器（转换效率 20%-30%）。目前常见的几种光源主要包括边发射激光器(EEL)、垂直腔面发射激 光器 (VCSEL)、固体激光器以及光纤激光器等。

固体激光器采用固体激光材料作为增益介质，是闪光式车载激光雷达(Flash LiDAR)技术路线 的激光光源方案，能够实现大角度视场（如 125°x 25°），并且均匀照射，满足车规级高低温、 震动、寿命等可靠性要求，常见于闪光式车载激光雷达（Flash LiDAR）。 半导体激光器采用半导体材料作为增益介质，一般是 GaAs, AlGaAs, InGaAs 等，常见的有 EEL 和 VCSEL。EEL（Edge Emitting Laser）是边发射激光器，是一种激光发射方向平行于 晶圆表面的半导体激光器，波长以 905nm 为主，常见于扫描式激光雷达，包括机械式和 MEMS 激光雷达。VCSEL（Vertical-cavity Surface-emitting Laser）是垂直腔面发射激光器，是一 种以半导体为基础的激光二极管，从其顶面垂直发射高效光束，制造工艺与 EEL 相兼容，且 大规模制造的成本很低，生长结构更易于提高输出功率，还为各种复杂设计提供了可能，当 前波长以 810nm、850nm 和 940nm 为主。

目前 EEL 仍占据主流，根据 Yole 数据，2020-2026 年，全球 EEL 市场规模预计将从 29 亿 美元增长到 67 亿美元，CAGR 为 15%。其中光通信规模最大，预计将从 17 亿美元增长到 47 亿美元，CAGR 为 18%；显示、传感、医疗和照明领域预计将从 5 亿美元增长到 12 亿美 元，CAGR 为 15%。

根据麦姆斯咨询数据，VCSEL 下游各应用领域中，传感占比最大，为 75%，其次是通信， 占比 24%，此外还包括制造领域的工业热处理、激光打印，以及计时领域的原子钟等。对于 传感应用的 VCSEL，2021 年市场规模为 10.3 亿美元，在手机、汽车等下游需求拉动下，预 计到 2024 年将增长至 17.3 亿美元。

根据 Yole 数据，2021-2026 年，全球 VCSEL 市场规模预计将从 12 亿美元增长到 24 亿美 元，CAGR 为 13.6%。其中手机等消费电子领域规模最大，预计将从 8.0 亿美元增长到 17 亿美元；汽车领域规模不大，但是增速最高，预计将从 110 万美元增长到 5700 万美元，CA GR 为 121.9%。 根据 Techno Systems Research 数据，2019 年全球智能机 TOF 镜头 VCSEL 厂商排名中， 德国 Osram 占比 37%，排名第 1；纵慧芯光占比 32.6%，排名第 2，同时也是中国排名第 1 的厂商；美国 Lumentum 占比 17.4%，排名第 3；韩国 LG Innotek 占比 10.9%，排名第 4； 奥地利 ams 占比 2.2%，排名第 5（ams 已于 2020 年 7 月收购 Osram）。

4）905nm 与 1550nm

由于要避免可见光对人眼的伤害，激光雷达选用的激光波长有两种选择，一个是 1000nm 内 的，典型值是 905nm，可以用 Si 做接收器，成本低且产品成熟，尺寸也相对较小，是大多 数激光雷达厂商更倾向的选择；但是其抗天气干扰能力却偏弱，对雨雾的穿透力不足，最重 要的是 905nm 激光源在人眼安全方面存在风险。在实际使用过程中，如果要提升激光雷达 的探测距离，就必须提高发射激光的功率，从而发射更强的光脉冲，虽然 905nm 激光属于不 可见光，但当其直射人类眼球，并具有足够的能量时，就会损伤人类的视网膜。因此，以 905nm 激光为激光源的激光雷达必须在探测距离与人眼安全之间进行权衡。

还有一种是 1000-2000nm 之间的，典型值是 1550nm，这个波段 Si 无法探测，需要用 Ge 或者 InGaAs 探测器，成本会更高些，1550nm 激光源的波长更长，能量更低，其在光谱红 外线部分距离可见光波段更远，因此对人眼不会有太大的危害。这也就意味着，以 1550nm 激光为激光源的激光雷达可以以更高的功率发射激光进行探测，目前 Luminar、图达通、镭 神科技、一径科技、北醒光子等公司纷纷布局了 1550nm 激光。一般情况下，1550nm 激光 雷达的激光器功率约为传统 905nm 激光雷达的 40 倍，但由于 1550nm 激光雷达采用铟镓砷 （InGaAs）近红外探测器，比 905nm 所使用的硅基光电探测器更昂贵，因此 1550nm 激光 雷达的生产成本也相对较高。 目前 905nm 由于成本优势，仍然占据主导地位，根据 Yole 数据，905nm 占比 69%，1550nm 占比 14%。未来随着对探测距离要求提升，以及量产带来的成本降低，1550nm 有望获得更 广泛应用。

5）机械式、混合固态、固态

按照扫描方式的不同，激光雷达分为机械式、混合固态和固态激光雷达。 机械式激光雷达是在自动驾驶汽车上最先应用的激光雷达产品，顾名思义，就是通过部件的 机械旋转来完成激光扫描的，通过持续旋转发射部件，原本呈线状扫描的激光束实现了面状 扫描，进而达到了全方位的 3D 扫描。机械式激光雷达具有扫描速度快、接收视场小、可承 受激光功率高的优势。如今机械激光雷达技术相对成熟，但价格昂贵。 混合固态激光雷达的激光收发模块是不运动的，只有扫描模块在运动。按扫描模块的运动方 式划分，混合固态又分为 MEMS、转镜式和棱镜式三种。

固态激光雷达则完全取消了机械式扫描机构，完全通过电子的方式完成水平和垂直方向上的 扫描，内部结构没有任何运动部件，可靠性高、耐久性强，大大缩小了激光雷达的体积和价 格，具体又分为光学相控阵（OPA）和闪光（Flash）两种。未来随着技术逐渐走向成熟，有 望成为自动驾驶的标配。 目前机械式激光雷达仍占据主流，根据 Yole 数据，机械式占比 66%，混合固态 MEM S 占比 17%，固态 Flash 占比 10%，其他占比 7%。

我们认为，机械式激光雷达技术相对成熟，但是成本高、体积大、可量产性低，并不太适合 未来的自动驾驶。混合固态激光雷达目前技术相对成熟，能兼顾成本、性能、车规等要求， 但抗冲击可靠性存疑，长远来看，仅属于过渡产品。固态激光雷达中，Flash 受限于元器件 性能，无法实现远距离探测，OPA 技术壁垒高，但长远看，固态激光雷达结构简单、尺寸小、 扫描精度高、扫描速度快，固态化、小型化、低成本化将是未来激光雷达的发展趋势，未来 随着成本逐步降低，固态激光雷达有望成为主流应用。

6）探测器 APD 与 SPAD/SiPM

市场上的光电探测器类型有 PIN 二级管、线性雪崩光电二极管（APD）、单光子雪崩光电二 极管（SPAD）和硅光电倍增管（SiPM）。与 PIN 和 APD 相比，SPAD 和 SiPM 基于盖革模 式，具有供电电压低、一致性极好、灵敏度高、增益高等优势。SiPM 是由多个 SPA D 微单 元组成，具有很高的动态范围，可以用作光子计数器。SiPM 能在明亮的阳光条件下进行长 距离测距时提供最佳的信噪比性能。其他优势包括较低的电源偏置和较低的温度变化敏感性， 采用大批量 CMOS 工艺生产，可实现最低的探测器成本。从市场发展趋势来看，未来将更多 采用 SPAD 和 SiPM 作为探测器。（报告来源：未来智库）

7）主控芯片 FPGA 与 SoC

目前激光雷达主控芯片以 FPGA 为主，主要实现时序控制、波形算法处理、其他功能模块控 制等，但随着市场对激光雷达产品的测远能力以及点频的要求不断提升，需要进行技术的改 进，从而实现核心收发芯片的升级换代，提升能量利用率，用更少的能量实现更远的单点测 距能力。 SoC 芯片的优势在于能够集成光电探测器、前端电路、算法处理、激光脉冲控制等功能模块， 显著降低系统复杂度和成本，因此适合进行大规模批量化生产，未来将有条件取代主控单元 FPGA，进一步提升系统性能和集成度。

根据 Yole 数据，受下游需求拉动，全球激光雷达市场规模稳步增长，2021 年为 20 亿美元， 预计 2022 年将达到 23.4 亿美元，2026 年将达到 57.2 亿美元，2021-2026 年 CAG R 为 23.4%。各厂商排名中，Trimble 占比 19%，排名第 1；Hexagon AB 占比 18%，排名第 2； 中国厂商禾赛科技和速腾聚创占比分别为 2%和 1%。

根据 Yole 数据，从下游应用占比来看，2020 年最大的是地图测绘，占比 61%；其次是制造 业，占比 17.2%。但是从增长潜力来看，增速最快的 3 个领域分别是 ADAS、智能设施和无 人车。其中 ADAS 将从 0.26 亿美元增长到 23 亿美元，CAGR 为 94%，是增长最快的下游 应用领域，2026 年占比将达到 40.4%，排名第 1；智能设施将从 0.66 美元增长到 4.0 亿美 元，CAGR 为 38%；无人车将从 1.0 亿美元增长到 5.8 亿美元，CAGR 为 32%。

自动驾驶应用中所需的更高分辨率传感与对高分辨率激光雷达的需求息息相关。随着全自动 驾驶系统的商品化变得更具挑战性，加之 OEM 厂商正在撤回相关投资，对高分辨率激光雷 达的需求正转向 ADAS 应用和半自动驾驶应用。根据 Strategy Analytics 数据，2021 年全球 激光雷达出货量 18.8 万颗，其中欧洲 11.4 万颗，占比 60.6%，排名第 1，预计到 2028 年， 全球激光雷达出货量将达到 970.7 万颗，中国 291.8 万颗，占比 30.1%，排名第 1；欧洲 284.4 万颗，占比 29.3%，排名第 2；北美 231.5 万颗，占比 23.8%，排名第 3。

汽车激光雷达领域，对比全球各厂商，根据 Yole 数据，法雷奥占比 28%，排名第 1；速腾聚 创占比 10%，排名第 2；Luminar/大疆览沃/电装/大陆集团/Cepton 占比均为 7%，华为/禾赛 科技占比均为 3%。2020-2026 年，汽车（ADAS 和无人车）激光雷达渗透率将从 7% 大幅提 升至 51%。

制约激光雷达大范围普及的，除了技术成熟度之外，就是价格，目前从几百美元到几万美元 不等。 全球首款量产的车载激光雷达是法雷奥的第 1 代激光雷达 SCALA1，于 2017 年搭载在奥迪 A8 中。SCALA1 采用了转镜式混合固态扫描方案，光源波长 905m，探测器为线性雪崩光电 二极管（APD），有效距离为 150 米，水平视场角 145°，垂直视场角 3.2°，尽管线数仅有 4 线，但这是全球第一款通过车规认证的激光雷达。根据 System Plus 关于激光雷达成本拆解 数据，SCALA1 的主板和激光器板为最主要零部件，分别占比 45%和 23%，年出货量 1 百 万颗时制造成本 105 美元/颗；览沃科技（大疆）Horizon 镜头模组和外罩为最主要零部件， 分别占比 54%和 16%，年出货量 1 百万颗时制造成本 260 美元/颗。

根据 Patience Consulting 关于部分激光雷达价格数据，各厂商公布的实际价格均不高于预期 价格，其中 Velodyne 固态激光雷达 Velaray 实际价格为 700 美元，仅为预计价格的 19.2%。 根据览沃科技的数据，随着激光雷达从机械式向混合固态、以及固态升级过程中，对应的价 格也将从机械式 75000 美元下降至固态 50 美元的水平。我们认为，伴随着价格逐步降低， 激光雷达将有望迎来大规模商业化普及。

2.2.5 摄像头/超声波/毫米波/激光雷达性能对比

对比摄像头、超声波雷达、毫米波雷达、激光雷达几类常用自动驾驶传感器，在性能及使用 上各有优劣。摄像头技术成熟、造价低，也是唯一能识别颜色和标识的传感器，但是受光照、 天气影响大，机器学习数据库训练样本大、周期长；超声波雷达受天气干扰小，但是测量精 度差，距离短；毫米波雷达不受天气影响，穿透烟雾、雨雪、灰尘能力强，探测距离远，但 无法识别物体颜色，视场角较小，对金属表面非常敏感，在隧道里效果不佳；激光雷达能够 很好的探测障碍物的距离、大小、表面形状，算法简单，但是在雨雪云雾天气下衰减严重， 技术门槛和成本较高。从频谱角度讲，主动传感器从超声波雷达到毫米波雷达，再到激光雷 达，工作频率越来越高，波长越来越短；被动传感器摄像头则工作在可见光（VIS，visibl e） 及红外线（IR，infrared）范围，红外又分为近红外（NIR，near-infrared）和中红外（MIR， mid-infrared），中红外就是熟知的热成像（thermal camera）。

2.2.6 视觉方案 VS 多传感器融合方案

目前在自动驾驶方案中，主要有 2 种，一种是视觉方案，以特斯拉为代表，此方案以摄像头 为主导来感知外界信息，属于被动视觉，由于需要处理行驶过程中产生的大量数据，因此对 算法和算力要求高，特点是“轻感知、重计算”，整体成本较低。 另一种是多传感器融合方案，也是目前大多数车企采用的方案，这种方案往往同时搭载摄像 头、超声波雷达、毫米波雷达、激光雷达等多种传感器，依靠激光雷达创建周围环境的 3D 感 知图，同时融合不同传感器的优势进行互补，从而感知外界信息，特点是“重感知，轻计算”， 早期激光雷达成本高达几万美元，目前已下探至几百美元水平，为激光雷达的推广使用奠定 了基础。

1）视觉方案向纯视觉方案升级：

马斯克曾多次在公开场合表示不使用激光雷达，他认为激光雷达“昂贵、丑陋、毫无意义”， 而且通过摄像头感知开发和训练一套模拟人类视觉的神经网络，就能够实现自动驾驶。从目 前在售的特斯拉 Model 3 来看，该车搭载了 8 颗摄像头，12 颗超声波雷达以及 1 颗毫米波 雷达。8 颗摄像头可为车辆提供 360°视角，前视窄视野摄像头最大探测距离可达 250m；12 颗超声波雷达则用于完善视觉系统的探测效果；1 颗毫米波雷达以冗余波长提供有关周围环 境的其他数据，这些数据可以穿透大雨，雾气，灰尘甚至前车之前的其他车辆。 最新的信息显示，特斯拉在美国官网宣布，“从 2022 年 2 月中旬开始，所有为北美地区市场 生产的 Model S 和 Model X 车型都将引入特斯拉纯视觉方案，即承诺其司机辅助驾驶系统 Autopilot 和全自动驾驶（FSD）套件将采用基于摄像头的感知方式。”这意味着特斯拉将原有 的视觉方案升级为纯视觉方案，取消了毫米波雷达。

2）多传感器融合方案百花齐放：

多传感器融合方案以 Waymo 为代表，是以激光雷达为主导，同时兼具摄像头、超声波雷达、 毫米波雷达等多种传感器的融合方案，包括奥迪 A8、沃尔沃 XC90 等众多车型均搭载了激光 雷达、摄像头、超声波雷达、毫米波雷达等多种传感器，通过融合多种传感器，形成性能优 势互补，不断提升自动驾驶水平。

从覆盖范围和功能上，长距毫米波雷达位于车头，探测距离最远，主要用于自适应巡航控制； 激光雷达一般位于车顶前方，探测距离次之，主要用于车辆紧急制动、行人检测和碰撞避免； 摄像头位于车身四周，探测距离更短一些，但是能覆盖周围 360°范围，前视摄像头主要用于 交通标志识别和车道偏离报警，侧视摄像头主要用于车身两侧环视，后视摄像头主要用于停 车辅助和车身后方环视；中短距毫米波雷达位于车头和车尾，探测距离比摄像头稍短，前置 主要用于倒车横向车流预警，侧后方主要用于盲点检测，后置主要用于后方碰撞预警；覆盖 范围最小的是超声波雷达，位于车头和车尾，主要用于停车辅助；全球卫星导航系统位于车 顶，主要用于车辆定位和导航。

随着自动驾驶级别逐步提升，功能逐渐丰富，传感器用量及价值量也水涨船高。根据 Yol e 数 据： L1 级别具备主动巡航控制（ACC）、车道偏离警告系统（LDWAS）功能，需要 6 颗传感器， 包括 4 颗超声波雷达、1 颗毫米波雷达（长距）、1 颗摄像头，合计 260 美元； L2 级别增加了停车辅助（PA）、车道维持辅助（LKA）功能，需要 13 颗传感器，包括 8 颗 超声波雷达、1 颗毫米波雷达（长距）、4 颗摄像头，合计 405 美元； L3 级别增加了自动紧急制动（AEB）、驾驶员监控（DM）、交通堵塞辅助（TJA）功能，需要 24 颗传感器，包括 8 颗超声波雷达、6 颗毫米波雷达（2 颗长距+4 颗短距）、7 颗摄像头（4 颗环视+2 颗前视+1 颗其他）、1 颗辐射热测量计、1 颗激光雷达、1 个航位推算系统，合计 2050 美元；

L4 级别增加了传感器融合（Sensor Fusion）、高速自动驾驶（AP Highway）功能，需要 38 颗传感器，包括 10 颗超声波雷达、8 颗毫米波雷达（2 颗长距+6 颗短距）、13 颗摄像头（6 颗环视+3 颗前视+4 颗其他）、1 颗辐射热测量计、5 颗激光雷达、1 个航位推算系统，合计 3430 美元； L5 级别增加了随时随地自动驾驶（AP Anywhere）功能，需要 35 颗传感器，包括 10 颗超 声波雷达、8 颗毫米波雷达（2 颗长距+6 颗短距）、9 颗摄像头（3 颗前视+6 颗其他）、1 颗 辐射热测量计、5 颗激光雷达、2 个航位推算系统，合计 3170 美元。

在自动驾驶发展过程中，传感器种类越来越多，功能也逐渐丰富，市场规模越来越大。根据 Yole 数据，2020-2025 年，摄像头模组市场规模将从 35 亿美元增长至 81 亿美元，CAG R 为 18%；毫米波雷达市场规模将从 38 亿美元增长至 91 亿美元，CAGR 为 19%；激光雷达市 场规模将从 4 千万美元增长至 17 亿美元，CAGR 为 113%。 2020 年中国车载雷达竞争格局中，毫米波雷达占比最大，为 66.7%；超声波雷达占比次之， 为 29.6%，超声波雷达占比最小，为 1.9%。我们认为，随着将来自动驾驶渗透率提升，激光 雷达成本下降，激光雷达占比有望持续提升。

不仅是传感器价值量提升，各类传感器中半导体价值量亦稳步增长。根据 Strategy Analytics 和 Infineon 数据，L2 级别为 160 美元，L2+级别为 560 美元，L3 级别为 630 美元，L4/L5 级别为 970 美元。

视觉方案严重依赖海量数据训练，特斯拉已经先发制人，在有大量车型销量的前提下，特斯 拉视觉算法的训练已经超出其他车企一大截，如果后来的车企采用纯视觉方案，因为起步比 特斯拉晚，也没有足够数量的汽车在路上跑，那就没有海量数据训练的基础，没有数据训练 也就没有更好的自动驾驶能力，出事故的概率更大，这样反过来又会影响自家汽车的销量， 陷入一种恶性循环。因此后来的车企更倾向于采用摄像头+雷达的多传感器融合方案，通过雷 达来弥补自身视觉算法能力的不足，从而达到量产商用的自动驾驶水平。

特斯拉凭借先发优势，在视觉方案上将持续领先，未来方向是无限接近人眼水平。其他车企 起步晚，在视觉方案上将一直处于落后地位，如果特斯拉视觉方案水平发展越快，其他车企 视觉方案与特斯拉的差距就会越大，就越不会采用纯视觉方案，否则将陷入恶性循环，导致 公司经营面临困境，无法完成商业闭环，因此就会更加坚定的采用视觉+雷达融合方案来提升 和完善自动驾驶功能，以求达到甚至超越特斯拉的纯视觉方案。所以我们认为，未来自动驾 驶路线的选择，除了在视觉方案和多传感器融合方案技术层面的优劣势对比之外，商业经营 可行性也是车企需要重点考虑的问题，未来两种技术路线将可能长期共存。（报告来源：未来智库）

2.3 决策层：智能车决策判断的中枢大脑

2.3.1 E/E 架构集中化，运算加速带来 GPU/FPGA/ASIC/类脑芯片需求大幅提升

随着汽车智能化发展，汽车 E/E 架构也将逐步升级，整体而言，将从分布式架构迈向基于域 的集中式架构，最终达到整合域的中央计算平台架构。 分布式架构：传统燃油车以机械部件为主，电子系统相对简单，大多应用 ECU（电子控制器） 分布式架构，芯片主要为 MCU，ECU 和功能几乎一一对应，比如车灯对应一个控制器，车 门对应一个控制器，因此系统相对封闭。这种架构在 10-20 年前已经实现。

基于域的集中式架构：现阶段电气化与驾驶辅助功能已经实现初步应用，基于域的架构将成 为当前及未来几年的 主流技术选择，在这种架构体系中，不同 ECU 之间开始整合，原来的 单一功能控制器按照功能类别集成在一个控制器中，出现域管理，用 DCU 和 MDC（磁鼓控 制器）取代了 ECU，实现功能导向的控制。目前比较普遍的功能域架构设计是将整车功能划 分为五大功能域：动力域（安全）、底盘域（车辆运动）、座舱域（信息娱乐）、自动驾驶域（辅 助驾驶）和车身域（车身电子），每个区域对应推出相应的域控制器，最后再通过 CAN/LIN 等通讯方式连接至主干线甚至托管至云端，从而实现整车信息数据的交互。这种架构目前已 经开始成为主流应用，预计在 2021-2025 年将快速发展。

整合域的中央计算平台架构：长期来看，随着自动驾驶逐步升级，对电子架构的算力、带宽 均提出了更高要求，只有整合域的中央计算平台架构能够满足要求，这一架构将功能域进一 步集中化，因此也带来了芯片能力进一步提升，用一个集成电路实现对不同功能芯片的整合， 更加依赖云端的存储分析能力，这种架构将在未来长期发展中逐步落地。但是这三代架构并 非界限分明地孤岛式发展，实际应用中，更多是混合在一起。

随着自动驾驶从 L1-L5 升级，汽车 E/E 架构由分布式走向集中，算力开始集中，集成化的设 计可以降低算力冗余要求的同时大幅降低整车线束长度，有效降低成本。当域集中之后，智 能化功能升级将从增加传感器数量转为增加算力、算法模型和数据训练，因此对自动驾驶 AI 芯片算力要求将越来越高，每提升一个级别，算力需求增加 10 倍以上。根据亿欧数据，L1 级别算力需求小于 1TOPS（Tera Operations Per Second，每秒一万亿次操作），L2 级别算 力需求 2TOPS，L3 级别算力需求 30TOPS，L4 级别算力需求 300TOPS，L5 级别算力需求 4000+TOPS。 根据亿欧数据，中国自动驾驶 AI 芯片市场规模 2021 年为 25.1 亿元，预计到 2025 年将达到 109.9 亿元，CAGR 为 44.7%。

目前常见的 AI 芯片包括 CPU、GPU、FPGA 和 ASIC，从 CPU 到 ASIC，灵活性越来越差， 效率越来越高。并且随着自动驾驶水平越来越高，需要处理的数据量越来越大，高精地图、 摄像头、超声波/毫米波/激光雷达、GNSS 等软硬件设备对计算提出更高要求，CP U 并行计 算速度慢，仅靠 CPU 的算力和功能已经不能满足自动驾驶对数据传输的实时性要求。 为了解决 CPU 在大量数据运算效率低和能耗高的问题，目前有两种的发展路线：一是延用 传统冯·诺伊曼架构，搭配加速芯片，用以提升算力并助推算法的产生，常见的 AI 加速芯片 包括 GPU、FPGA 和 ASIC 三类；二是不采用冯·诺伊曼架构，转而采用人脑神经元结构设 计芯片来提升计算能力，以实现完全拟人化为目标，追求在芯片架构上不断接近人脑，这类 芯片被称为类脑芯片。

GPU（Graphics Processing Unit，图形处理器）：又称显示核心、视觉处理器、显示芯片， 是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做 图像和图形相关运算工作的微处理器。优点是提供了多核并行计算的基础结构，且核心数非 常多，可以支撑大量数据的并行计算，拥有更高的浮点运算能力；缺点是管理控制能力最弱， 功耗最高。GPU 善于处理图像领域的运算加速，但 GPU 无法单独工作，必须由 CP U 进行 控制调用才能工作。代表厂商包括 NVIDIA、AMD。 FPGA（Field Programmable Gate Array，现场可编程门阵列）：FPGA 是在 PAL、GA L 等可 编程器件的基础上进一步发展的产物。它是作为专用集成电路（ASIC）领域中的一种半定制 电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。 优点是可以无限次编程，延时性比较低，同时拥有流水线并行和数据并行（GPU 只有数据并 行）、实时性最强、灵活性最高；缺点是开发难度大，在实现复杂算法方面有一定的难度，只 适合定点运算，价格比较昂贵。代表厂商包括 Xilinx（被 AMD 收购）、Altera（被 Intel 收购）。

ASIC（Application Specific Integrated Circuit，专用集成电路）：指按照特定用户要求和特定 电子系统的需要而设计、制造的集成电路。目前用 CPLD（复杂可编程逻辑器件）和 FPGA （现场可编程逻辑阵列）来进行 ASIC 设计是最为流行的方式之一。优点是它作为集成电路 技术与特定用户的整机或系统技术紧密结合的产物，与通用集成电路相比具有体积更小、重 量更轻、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点；缺点是灵活性 不够，成本比 FPGA 贵。代表厂商包括谷歌（TPU）、地平线（BPU）、寒武纪（GP U）等。

目前主流厂商多采用 CPU+GPU/FPGA/ASIC 的方式进行自动驾驶芯片设计。 特斯拉 FSD 和英伟达 Xavier 均采用 CPU+GPU+ASIC 的方式，其中特斯拉 FSD 的 AS IC 是 NPU，占据最大面积，主要用来运行深度神经网络，GPU 主要是用来运行深层神经网络的后 处理部分；英伟达 Xavier 以 GPU 为计算核心，GPU 占据最大面积。 Mobieye EyeQ5 和地平线征程系列则采用 CPU+ASIC 的方式，Mobieye EyeQ5 的 ASIC 包 括 Computer Vision Processors（CVP）、Deep Learning Accelerator（DLA）和 Multithreaded Accelerator（MA），CVP 是针对很多传统计算机视觉算法设计的 ASIC；地平线的 ASIC 芯 片是 Brain Processing Unit（BPU）。 Waymo 采用 CPU+FPGA 的方式，FPGA 采用搭配 Intel（Altera）的 Arria 系列。

除了加速芯片之外，一种更为前沿的技术是采用类脑芯片。传统计算机采用冯·诺伊曼架构， 存储与计算在空间上分离，频繁的数据交换导致处理海量信息效率很低。类脑芯片不采用经 典的冯·诺伊曼架构，而是借鉴人脑的网络结构和信息处理方式，研究基于微电子技术和新型 神经形态器件的类脑智能芯片的集成工艺与设计技术，突破传统计算架构，基于神经形态架 构设计，实现存储与计算的深度融合，大幅提升计算性能、提高集成度、降低能耗。它的内 存、CPU 和通信部件完全集成在一起，因此信息的处理在本地进行，克服了传统计算机内存 与 CPU 之间的速度瓶颈问题。 类脑芯片的设计目的不再仅仅局限于加速深度学习算法，而是在芯片基本结构甚至器件层面 上改变设计，希望能够开发出新的类脑计算机体系结构，比如采用忆阻器和 ReRAM 等新器 件来提高存储密度。这类芯片技术尚未完全成熟，离大规模应用还有一定的差距，但是长期 来看类脑芯片有可能会带来计算机体系结构的革命。

2.3.2 AI 芯片芯片发展方向：制程更先进+算力更高+开放式软件生态

在过去 20 年里，Mobileye 在视觉感知技术的基础上，陆续推出了 Mobileye EyeQ 系列芯片 +算法组成的一系列解决方案，帮助车企在 ADAS 领域，实现从 L0 的碰撞预警，到 L1 的 AEB 紧急制动、ACC 自适应巡航，再到 L2 的 ICC 集成式巡航等各种功能。在过去 20 年里， Mobileye 毫无疑问可以说是汽车 ADAS 技术的主要奠基者和引领者。2016 年，Mobiley e 还 与宝马组建了自动驾驶联盟，宝马在旗下车型中大量搭载 Mobileye EyeQ 系列芯片，之后宝 马还高调宣布与 Mobileye、英特尔合作研发 L4 自动驾驶汽车。2017 年 3 月，英特尔以 153 亿美元收购 Mobileye，不仅表明了英特尔对 Mobileye 前景的看好，而且是英特尔在自动驾 驶领域的一次关键布局。

但随着特斯拉、高通、华为、地平线等科技公司开始用深度学习算法开发新一代的 L4 自动 驾驶技术，量产车搭载的 L2 系统也越来越向着 L4 自动驾驶的技术架构看齐。Mobileye 提 供的 EyeQ 系列芯片+算法解决方案，已经不能满足自动驾驶公司和车企们的需求了。 主要原因在于：1）车企对自动驾驶 AI 芯片算力要求越来越高，Mobileye EyeQ 系列芯片算 力掉队；2）Mobileye 封闭性太强，软硬件捆绑销售，车企无法对内部的算法进行修改与调 整；3）算法迭代慢，更新周期长。 自动驾驶芯片算力跟工艺制程紧密相关，决定算力最核心的就是工艺制程。目前 包括 Mobileye、特斯拉、英伟达、高通、华为、地平线、黑芝麻等国内外企业均推出了不同工艺 制程及算力的自动驾驶芯片，其中英伟达 Orin-X 是目前量产的算力最高的芯 片，达到 254TOPS，工艺制程 7nm，此外，公司还公布了 Atlan 芯片，预计算力将达到 1000TOPS。 相比之下，Mobileye EyeQ5 算力仅有 24TOPS，已经落后于特斯拉、英伟达、高通、华为等 厂商。

自动驾驶之争是一场软硬平台之战，单颗芯片算力 TOPS 是关键指标，但并非唯一指标，自 动驾是一个复杂系统，需要“车-路-云-边”协同运作。Mobileye 在近年来落后于英伟达、高 通、华为等厂商的另一个重要原因就是封闭性太强，Mobileye 在 EyeQ 芯片内部已经写好了 Mobileye 的感知算法，在车辆行驶时 EyeQ 会直接输出对外部车道线和车辆等目标的感知结 果，车辆基于这些结果做出驾驶决策，在这一过程中，车企无法对内部的算法进行修改与调 整，这种软硬件捆绑销售的方式，使得算法难以适应车企需求，此外还存在算法迭代慢，更 新周期长等问题。这些问题在 L1-L2 阶段并不明显，对于汽车来说选择一个相对可靠、完整 的方案是当时最高效、最稳妥的方式，但是随着自动驾驶水平提升，在 L3-L5 阶段，Mobileye 封闭性的弊端就暴露无遗了，而其他车企如英伟达、高通、华为、地平线等则可以直接根据 客户的各种需求进行深度自定义，因此从 2021 年起，原来采用 Mobileye 的厂商纷纷开始转 投英伟达、华为、高通、地平线的产品，在 2022 年发布的新款车型中，基本已经被英伟达、 高通、华为、特斯拉垄断，很难再见到 Mobileye 的身影。

3、汽车网联化：构建“人、车、路、云”的智慧交通体系

3.1 V2X 带来更加高效安全的自动驾驶

智能网联汽车（Intelligent Connected Vehicle，ICV），是指车联网与智能车的有机联合，通 过搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与 人、路、后台等智能信息交换共享，实现安全、舒适、节能、高效行驶。自动驾驶智能只能 探测视野范围内的物体或人，而车联网则可以探测到视野范围外的物体或人，可以更大程度 实现高效和安全驾驶。

V2X（Vehicle to Everything）作为一种车用无线通信技术，是将车辆与一切事物相连接的新 一代信息通信技术。其中V 代表车辆，X 代表任何与车交互信息的对象，X 主要包含车（Vehicle to Vehicle, V2V）、人（Vehicle to Pedestrian, V2P）、交通路侧基础设施（Vehicle to Infrastructure, V2I）和网络（Vehicle to Network,V2N）。V2X 将“人、车、路、云”等交通 参与要素有机地联系在一起，不仅可以支撑车辆获得比单车感知更多的信息，促进自动驾驶 技术创新和应用，还有利于构建一个智慧的交通体系，促进汽车和交通服务的新模式新业态 发展，对提高交通效率、节约资源、减少污染、降低交通事故发生率、改善交通管理具有重 要意义。

根据 Ipsos 数据，车联网发展过程将分为车内互动和车外连接两步走，在 2025 年前，主要 以车内互动为主，包括基础硬件连接，智能手机支持连接和人车实时互动；2025-2050 年间， 主要以车外连接为主，包括实时驾驶安全保障，行程整体优化，帮助车辆进行精准路径选择， 避免碰撞事故发生。此外，根据 Deloitte 数据，网联化解决方案将采用“云、管、端”模式， 实现数据流动和信息交互。

3.2 C-V2X 将逐步成为全球车联网主流技术路线

目前国际上主流的车联网无线通信技术有 DSRC（Dedicated Short Range CommunicaTIons， 专用短程通信技术）和 C-V2X（Cellular-V2X，蜂窝车联网）两条技术路线。 DSRC 基于 IEEE 802.11p 标准进行开发，由 IEEE 于 2010 年完成标准化工作，可以实现小 范围内图像、语音、数据的实时、准确和可靠的双向传输，将车辆和道路有机连接，采用专 属无线频率：5.9GHz 频段内的 75MHz 频谱。全球 DSRC 标准主要有美国、欧洲、日本三 大阵营，分别是美国的 900MHz，欧洲的 ENV 系列，日本的 ARIBSTD-T75 标准，发展较为 成熟，也是欧美日等国家/地区车联网的主流技术。 C-V2X 是基于蜂窝通信和终端直通通信融合的车联网技术，以 4G/5G 蜂窝网络为基础，可 以实现长距离和更大范围的通信，在技术先进性、性能以及后续演进等方面，比 DS RC 更有 优势。LTE V2X包括集中式（LTE-V-Cell）和分布式（LTE-V-Direct）两种技术，其中 LTEV-Cell 以基站为分布中心，LTE-V-Direct 则是车车之间的直接通信。

虽然 DSRC 成立时间早于 C-V2X，但是 DSRC 与 C-V2X 之间仍有明显差距，主要体现在以 下几点： 1）DSRC 性能不足：在高速环境下，DSRC 难以保持良好的通信稳定性。在福特与大唐、 高通的联合测试中，当超过一定的通信距离后，基于 DSRC 技术的产品出现了明显的数据失 真，而 LTE-V2X能更好地胜任这项任务。 2）DSRC 占用频谱较多：相较于 DSRC，WiFi 对于 5.9GHz 频段的需求更为迫切，因此就 需要在 WiFi 与 DSRC 的应用频谱上进行权衡，这也是美国从 DSRC 转向 C-V2X 的主要原 因之一。 3）DSRC 发展空间有限：就未来发展空间而言，DSRC 较为有限，而 C-V2X 是一项可持续 演进的技术。根据 C-V2X 的发展规划，无论是目前的 LTE-V2X 还是未来的 NR-V2X，都是 立足当下、面向未来的出色解决方案。既满足了目前的车联网需求，同时未来的前景也值得 期待。

2018 年 11 月，工信部无线电管理局正式发布《车联网（智能网联汽车）直连通信使用 5905- 5925MHz 频段的管理规定（暂行）》，规划 5905-5925MHz 频段作为基于 LTE-V2X 技术的车 联网（智能网联汽车）直连通信的工作频段，标志着中国 LTE-V2X 正式进入产业化阶段。随 着中国车联网产业化进程逐步加快，目前已围绕 LTE-V2X 形成包括通信芯片、通信模组、终 端设备、整车制造、运营服务、测试认证、高精度定位及地图服务等为主导的完整产业链生 态。

3.3 高精地图：深度助力自动驾驶定位、感知、规划、决策

传统导航地图精度为 10 米左右，主要解决的是驾驶员路线导航问题。进入 ADAS 时代，车 辆行驶需要有自感知能力，实现部分驾驶行为的智能化，此时则需要 ADAS 地图精度提升至 1 米左右。随着自动驾驶越来越近，对于 L3 及以上级别的自动驾驶汽车而言，ADAS 地图已 经不能满足需求，高精地图成为了必备选项，其作用主要包括定位、辅助感知、路径规划。 高精度地图通俗来讲就是精度更高、数据维度更多的电子地图。精度更高主要体现在高精地 图的绝对坐标精度更高，可以精确到厘米级别；数据维度更多主要体现在高精地图不仅包含 了道路信息，比如车道线的位置、类型、宽度、坡度和曲率等车道信息，还包括了几乎所有 与交通相关的周围的固定对象信息，比如交通标志、信号灯、车道限高、下水道口、障碍物、 高架物体、防护栏、道路边缘类型、路边地标等。 高精度地图除了在自动驾驶汽车行驶时提供导航作用外，还为自动驾驶汽车的安全行驶发挥 了极大作用。作为车载摄像头、毫米波雷达、激光雷达等的补充，不仅扩展了自动驾驶系统 的静态感知和全局视野，而且为自动驾驶系统的定位、感知、规划和决策等环节提供了辅助 支撑。在使用对象、精度、信息量、信息实时性等方面，高精地图比传统导航地图的表现更 为优异。

高精地图市场本质是数据的服务市场，整个市场目前仍然处于数据采集为主、增值应用为辅 的阶段，只有具备大量高精地图数据的企业才具备很强的竞争力，传统图商在地图的测绘、 采集、编制等方面具有长期积累的优势，因此在市场中占据了主导力量。

国外企业主要有 Waymo、Here、TomTom、Zenrin、Mobileye、DeepMap 等。中国目前拥 有导航电子地图制作甲级测绘资质的企业共有 30 家，但真正有高精地图采制能力的公司屈 指可数，目前业界公认具有高精地图采制能力的公司包括四维图新、高德地图、百度地图、 易图通等，主要原因在于成本较高。高精地图的成本主要包括采集成本和编译制作成本，采 集成本包括设备成本、负责采集车辆的行驶耗材、人力成本、过路费等，一辆采集车需要配 置的设备包括激光雷达、摄像头、陀螺仪、GPS 接收机、数据存储和计算设备等，1 辆专业 型采集车价格在 100 万左右，编译制作成本主要是人力成本，需要投入相当多的人力来完成 地图绘制、校正地图信息、更新 POI 信息、更新互联网用户报错等任务。为此，除了资金实 力雄厚的老牌图商，大多数图商采用成本较低的众包制图模式，通过与整车厂合作，使用其 摄像头、激光雷达等传感器采集道路信息，但是与专业的采集车相比，最大劣势在于不准确。 因此，我们认为老牌图商利用资金优势将有望建立起更大的领先优势。

在收费模式上，传统导航地图为 License 授权模式，高精地图主要分为按单位时间和按数据 量收费两种收费模式，或者采用两种方式的混合。保守估计高精地图 License 费用是传统导 航地图（~200 元/车）的 5 倍以上，即 1000 元/车；服务费方面，高德在 2019 年推出单车每 年不超过 100 元的标准化高精地图方案，有利于加快高精地图的普及。（报告来源：未来智库）

3.4 智车之“耳”：射频前端芯片助力汽车网联化渗透率提升

根据 IDC 数据，2020-2024 年，全球智能网联汽车出货量将保持稳步增长，2020 年为 4440 万辆，2024 年将达到 7620 万辆，CAGR 为 14.5%。渗透率方面，亦将保持稳步上升趋势， 根据 IHS Markit 数据，预计 2025 年全球智能网联汽车渗透率将达到 59.4%，中国智能网联 汽车渗透率将达到 75.9%。

全球各主要国家/地区来看，根据 PwC 数据，2021-2035 年，欧盟汽车保有量将从 3.2 亿辆 下降至 2.8 亿辆，互联汽车渗透率将从 24%提升至 93%；美国汽车保有量将从 2.7 亿辆增长 至 3.3 亿辆，互联汽车渗透率将从 31%提升至 92%；中国汽车保有量将从 2.1 亿辆增长至 3.5 亿辆，互联汽车渗透率将从 33%提升至 72%；日本汽车保有量将从 0.68 亿辆下降至 0.60 亿辆，互联汽车渗透率将从 12%提升至 74%。整体而言，全球各主要国家/地区互联汽车渗 透率将保持快速上升态势。

4、投资分析

4.1 投资观点

智能化方面：自动驾驶将成为评判智能化水平的核心关键。SAE（国际汽车工程师学会）将 自动驾驶技术分为 L0-L5，共 6 个等级。其中 L0-L2 仍然需要驾驶员驾驶，属于 ADAS（高 级辅助驾驶系统）范畴，而从 L3 开始，汽车才真正进入到自动驾驶范畴，L3 指在特定场景 下，系统可以实现对车辆的完全接管，当驾驶员在系统失效时，驾驶员取得驾驶权。根据 SAE 的定义，在 L1 时，驾驶员可以“脱脚”；在 L2 时，驾驶员可以“脱手”；在 L3 时，驾驶员 可以“脱眼”；在 L4 时，驾驶员可以“脱脑”；在 L5 时，已经不需要驾驶员。

相比于传统有人驾驶，自动驾驶具有诸多优势，包括安全性高、成本低、效率高等。目前受 技术水平、法律法规等因素限制，L3 级别以上家用车还并未大规模普及，但是在一些特定场 景或者商业营运场景已经开始崭露头角。开放场景以载人为主，包括 Robobus、Robotaxi、 Minibus 等，均基于 L4/L5 级别自动驾驶技术，半封闭以及封闭场景则以载物为主，比如 Robotruck，其中半封闭场景包括干线物流、无人环卫、末端配送等，封闭场景包括矿山运输、 港口运输等。

自动驾驶系统分为感知层、决策层和控制层，感知层主要通过摄像头、雷达等感知周围环境 信息，并通过 GPS/惯导等实现定位等车辆状态的获取；决策层依据感知层提供的环境信息 和车辆定位情况，根据适合的模型进行路径规划等决策；控制层则通过底盘及各种控制附件 件，驱动车辆执行相应命令动作。未来随着 Robotaxi 等商用化加速落地，以及家用车自动驾 驶技术水平提升和功能更佳丰富，将给硬件配置将带来新的发展机会。

感知层：根据 Yole 数据，对于单辆车而言，L1 级别各类传感器数量为 6 颗，价值量 260 美 元；L2 级别为 13 颗，价值量 405 美元；预计 L3 级别将达到 24 颗，价值量 2050 美元；L4 级别将达到 38 颗，价值量 3430 美元；L5 级别将达到 35 颗，价值量 3170 美元。市场规模 方面，在自动驾驶领域，根据 Yole 数据，预计 2020-2025 年，摄像头模组将从 35 亿美元增 长至 81 亿美元，CAGR 为 18%；毫米波雷达将从 38 亿美元增长至 91 亿美元，CAG R 为 19%；激光雷达将从 4 千万美元增长至 17 亿美元，CAGR 为 113%。

决策层：随着自动驾驶从 L1-L5 升级，汽车 E/E 架构将逐步升级，从分布式架构迈向基于域 的集中式架构，最终达到整合域的中央计算平台架构。这将对 AI 芯片算力提出越来越高的要 求，传统 CPU 已无法满足算力提升需求，GPU/FPGA/ASIC/类脑等加速芯片重要性将越来 越高。每提升一个级别，算力需求增加 10 倍以上。根据亿欧数据，L1 级别算力需求小于 1TOPS，L2 级别算力需求 2TOPS，L3 级别算力需求 30TOPS，L4 级别算力需求 300TOPS， L5 级别算力需求 4000+TOPS。中国自动驾驶 AI 芯片市场规模 2021 年为 25.1 亿元，预计 到 2025 年将达到 109.9 亿元，CAGR 为 44.7%。

网联化方面：当智能化自动驾驶发展到一定程度后，车辆与外部的沟通交流就愈发重要，V2X 有利于构建一个智慧的交通体系，对提高交通效率、节省资源、减少污染、降低事故发生率、 改善交通管理具有重要意义。C-V2X 凭借高可靠性、高稳定性、低成本、广覆盖、低时延等优势，未来在车联网领域将得到更广泛的应用。在 L3 及以上自动驾驶领域，传统导航地图 已经不再适用，而高精地图具有更高的精度、更多维的数据，将深度助力自动驾驶定位、感 知、规划、决策。同时由于地图测绘、采集等涉及到国防安全信息，导航电子地图制作甲级 测绘资质需要严格审批才能获得，因此国内厂商有着天然的高壁垒优势，有望在未来 L3 自 动驾驶到来时充分受益。根据 IDC 数据，2020-2024 年，全球智能网联汽车出货量将保持稳 步增长，2020 年为 4440 万辆，2024 年将达到 7620 万辆，CAGR 为 14.5%。渗透率方面， 亦将保持稳步上升趋势，根据 IHS Markit 数据，预计 2025 年全球智能网联汽车渗透率将达 到 59.4%，中国智能网联汽车渗透率将达到 75.9%。在网联化过程中，射频前端芯片将如同 汽车的耳朵一样将助力车联网技术发展，从而弥补单辆汽车智能化不足，推动协同式应用服 务发展。

4.2 重点公司分析

4.2.1 联创电子

公司主营业务是光学镜头、摄像模组及触控显示一体化等关键光学、光电子产品及智能终端 产品制造，下游领域包括智能手机、平板电脑、智能驾驶、运动相机、智能家居、VR/A R 等。 2022Q1 公司实现营收 20.1 亿元，YoY-12.1%；归母净利润 0.4 亿元，YoY+10.9%；毛利率 12.0%，净利率 1.9%。

2022Q1，公司主业收入增长良好，光学业务快速发展，同比增长 103.79%。1）高清广角镜 头和高清广角影像模组业务方面，同比增长 51.21%，保持了良好出货，客户有 GoPro、大 疆、影石、AXON 等，同时与华为在智能监控和智能驾驶等多个领域展开了深度合作；为大 疆在航拍、智能避障开发的多个产品线已大批量产出货。2）车载镜头及模组业务方面，同比 增长 1042.85%，公司与 Mobileye、Nvidia、华为、Aurora 等国内外知名智能驾驶方案平台 商开展战略合作，不断发力智能驾驶、智能座舱车载镜头领域，8M ADAS 车载镜头和影像模 组研发成功并获得客户认可。与多家国内外知名汽车电子厂和新能源车厂合作开发的多款车 载镜头和影像模组分别被 Valeo、Magna、Aptiv、比亚迪、零跑等知名客户定点签约。3）手 机镜头和手机影像模组业务方面，同比增长 99.84%，客户有中兴、联想、三星等品牌手机客 户，以及华勤、闻泰、龙旗等 ODM 厂商。

在车载光学领域，公司已将非公开发行股票原计划投入“年产 2.6 亿颗高端手机镜头产业化 项目”的募集资金全部用于“年产 2400 万颗智能汽车光学镜头及 600 万颗影像模组产业化 项目”，以加快发展车载光学项目，提升车载镜头和影像模组产能。同时与合肥高新管委会指 定主体共同出资设立项目公司，拟于 2025 年底前形成年产车载镜头和车载影像模组各 5000 万颗的研发、生产能力。截至 2021 年底，与 Tesla 的合作取得了 4 个新项目的定点，其中 2 个新项目进入量产，另外 2 个新项目通过客户认证，预计在 2022 年中量产。

4.2.2 长光华芯

公司聚焦半导体激光行业，主要业务为半导体激光芯片的研发、设计及制造，产品大致分为 EEL 和 VCSEL，具体产品包括高功率单管系列产品、高功率巴条系列产品、高效率 V CSEL系列产品及光通信芯片系列产品等，其中高功率半导体激光芯片和光通信芯片属于 EE L，下 游应用包括医学美容、激光雷达、机器视觉定位、智能安防、消费电子、3D 传感与摄像、人 脸识别与生物传感等领域。2022Q1 公司实现营收 1.1 亿元，YoY+43.6%；归母净利润 0.3 亿元，YoY+45.7%；毛利率 50.2%，净利率 24.7%。

公司采用 IDM 模式，产线有 3 英寸和 6 英寸（6 英寸是半导体激光行业最大尺寸的产线）， 材料包括 GaAs（砷化镓）和 InP（磷化铟）。在工业激光器领域，公司生产的高功率半导体 激光单管芯片、器件及光纤耦合模块等光电器件产品，已作为泵浦源应用于下游工业激光器 的量产。在材料加工领域，公司生产的直接半导体激光器产品，已应用于下游激光成套设备 厂商，广泛应用于 3C 消费类电子、机械五金、医疗器械及激光再制造等领域。在国家战略 高技术及科学研究领域，公司的高功率巴条系列产品可实现连续脉冲（CW）50-250W 激光 输出，准连续脉冲（QCW）500-1000W 激光输出，电光转换效率 63%以上，广泛应用于固 体激光器等激光器的研制，已服务于多家国家级骨干单位。公司研发的面发射高效率 V CSEL 系列产品已通过相关客户的工艺认证，目前公司已获得相关客户 VCSEL 芯片量产订单，产 品应用领域扩展至激光雷达及 3D 传感领域，功率密度已经达到了 1200 瓦每平方毫米，2022 年有望实现 VCSEL 方案的车规认证通过。

4.2.3 炬光科技

公司主要从事激光行业上游的高功率半导体激光元器件（“产生光子”）、激光光学元器件（“调 控光子”）的研发、生产和销售，目前正在拓展激光行业中游的光子应用模块和系统（“提供解 决方案”，包括激光雷达发射模组和 UV-L 光学系统等）的研发、生产和销售。公司主要收入 来源于半导体激光、激光光学业务领域，目前正在拓展汽车应用和光学系统业务领域。下游 应用领域包括先进制造、医疗健康、科学研究、汽车应用（激光雷达）、信息技术五大领域。 2022Q1 公司实现营收 1.1 亿元，YoY+20.8%；归母净利润 0.2 亿元，YoY+120.9%；毛利率 54.6%，净利率 17.2%。

展望未来，高功率半导体激光元器件方面，泵浦类应用将持续快速发展，直接应用类场景将 更加丰富；激光光学元器件在激光作为能量源载体的应用中将向更高精度、更高性能发展， 在新一代信息技术应用中将向设计紧凑、大批量低成本制造发展；中游光子应用模块和系统 将在下游行业逐渐渗透，助力行业技术升级换代，满足更高的应用场景需求。

公司的竞争优势主要有：1）设计能力强；2）器件制造一致性有保证，具有成本优势；3）损 失小。汽车应用于，公司持续向汽车行业客户交付量产的 Flash LiDAR 面光源模组产品及激 光雷达光学整形器件，已和大陆集团在 FlashLiDAR 上合作量产项目，并与大客户约定未来 有意向在车载激光雷达发射模组开展合作，此外 1550nm 正在做一些前沿的布局，现阶段主 要应用 EEL 技术，已为客户提供 VCSEL 解决方案，未来随着激光雷达成本进一步下探，有 望迎来装载量快速提升，带动公司激光雷达相关产品驶入发展快车道。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

精选报告来源：【未来智库】。