一年吞金过千亿，自动驾驶独角兽们的下一站在哪里？

在汽车工业当下的变局里，自动驾驶无疑是影响产业发展的一大变量。

算法、摄像头、激光雷达、芯片、通讯设备等软硬件逐渐成为智能汽车标配的今天，无数入局自动驾驶赛道的初创企业被赋予了带领中国汽车产业弯道超车的使命。而在产业玩家的数量、供应链的复杂度都呈指数级增长的同时，技术路线的演进与商业模式的可行性同样也有无数可能。

到底自动驾驶将通往何方？中国的自动驾驶企业又将面临什么样的机遇与挑战？带着这些问题，我们撰写了这份报告。

01产业概况

一、定义

自动驾驶，从功能或操作层面而言，是指汽车在转向、油门、制动等具有关键安全性的控制功能方面可以自动完成控制动作，而无需驾驶员直接操作的行驶状态。

当下，由国际自动机工程师学会（SAE International）制定的自动驾驶分级标准，为业界广泛接受，主要适用于开放场景的机动车辆。

SAE自动驾驶分级标准

中国于2021年出台了《汽车驾驶自动化分级》国家标准，适用于 M 类、N 类汽车，其它类型车辆可参照执行。

自动驾驶等级划分

可以看到，L1-L2级别为辅助驾驶，L3-L5级别为自动驾驶。

目前乘用车量产车型已实现的自动驾驶功能主要集中在L2级别，如市面上常见的NOA、NGP等等，个别车企推进L2+、L2++级别，但仍未实现L3级别的跃进。而在Robotaxi和矿区、港口等商用场景，自动驾驶公司选择从L4级别开始发力。

自动驾驶等级功能

二、自动驾驶发展历程

1） 1980-2009：科研探索，学术积累

20 世纪 70 年代，科技发达国家开始率先进行无人驾驶汽车的研究。代表性的事件和团体有：1984 年，美国国防高级研究计划署（DARPA）与陆军合作，发起自主地面车辆（ALV）计划。并于2004 年—2007 年共举办了 3 届 DARPA 无人驾驶挑战赛。

1986年，美国卡内基·梅隆大学研制了全球第一辆计算机驾驶的汽车NavLab 1 及之后的NavLab系列智能车辆。

1998年开始，意大利帕尔玛大学 VisLab 实验室一直致力于 ARGO 试验车长距离道路试验。

在中国，1992 年，国防科技大学成功研制出中国第一辆真正意义上的无人驾驶汽车。

国家自然科学基金委员会2009年起每年举办一届“智能车未来挑战赛”，研发具有自然环境感知与智能行为决策能力的无人驾驶汽车，并通过真实道路环境下的自主行驶来检验研究成果。

2）2009-2016: 自动驾驶技术商用探索

2009年1月，谷歌的自动驾驶项目Project Chauffeur在GoogleX实验室启动。

2013 年开始，奥迪、福特、沃尔沃、日产、宝马等众多汽车制造厂商相继在无人驾驶汽车领域进行了布局。

2014 年 10 月借助 Mobileye，特斯拉发布Autopilot 1.0 。

在商用车方面，2015年，戴姆勒开始无人驾驶卡车路试；2016年，沃尔沃推出首辆无人驾驶矿用卡车。之后，韩国的现代、日本的丰田和五十铃、日野、三菱扶桑以及UD等重卡品牌也开始在本国境内推进无人驾驶卡车路试。

在中国，2011年国防科技大学与一汽合作研发的红旗HQ3无人驾驶车完成了从长沙至武汉286公里的高速全程无人驾驶实验，标志着我国无人车在复杂环境识别、智能行为决策和控制等方面实现了新的技术突破。

2013年，百度开始启动无人驾驶项目，其中百度地图在城市数据、路径规划技术等方面的能力构成了技术上的支撑。

2013年华为与车企进行合作逐步迈入车联网供应商序列。

商用车方面，2015 年 8 月，宇通大型客车从郑开大道城铁贾鲁河站出发，在完全开放的道路环境下完成国内首次大型客车高速公路自动驾驶试验。

3） 2016-2019：自动驾驶企业数量暴涨，互联网巨头下场，初创厂商涌入

2016年，在德国，Uber与戴姆勒汽车集团开始就自动驾驶展开相关合作；在美国，Cruise被通用汽车以10亿美元的价格收购。

同年，特斯拉开始组建硬件工程团队，开始了完全无人驾驶芯片 FSD 的研发；谷歌汽车更名为Waymo，开始独立运营，并很快通过近300次的收购，完善了各种技术和硬件能力，迅速成为行业内的领军企业。

在中国，2016年，滴滴组建自动驾驶公司；小马智行与AutoX也于同一年成立。

2017年百度将自动驾驶事业部、智能汽车事业部、车联网业务三大部门合并，成立了智能驾驶事业群组，2017年4月，百度正式发布了Apollo计划。

专注Robotaxi和商用车应用场景的景驰、Roadstar、文远知行、元戎启行、轻舟智航等也相继入局，自动驾驶风口开启。

4） 2019-2022：Robotaxi批量落地商用，自动驾驶商业化路径呈多元化发展

2020年10月，美国自动驾驶领头羊Waymo官宣，旗下的自动驾驶出租车服务Waymo One在凤凰城提供完全无人出租车服务。

同一时间在中国，百度官宣旗下的自动驾驶出租车服务Apollo Go，在北京自动驾驶测试区域范围内，免费向公众提供自动驾驶出租车服务。

自动驾驶企业路测

考虑到Robotaxi商业落地速度不及预期，自动驾驶企业纷纷将目光投向自动驾驶技术在商用车端的应用，在城市开放场景、高速场景和封闭场景的应用先后落地。

三、自动驾驶产业涵盖范围

以产业链构成而言，自动驾驶产业链可分为硬件与软件两大部分，主要包括车载摄像头、激光雷达、芯片、通信设备和高精度地图、高精度定位、操作系统、ADAS等，涉及感知层、传输层、决策层等不同层面。其中硬件部分多来自tier 1供应商，软件部分尤其是ADAS和操作系统逐渐出现整机厂自研，加强技术护城河的趋势。

以自动驾驶算法的实现层面而言，自下而上可大致划分为硬件平台、系统软件（硬件抽象层+OS内核+中间件）、功能软件（库组件+中间件）和应用算法软件等四个部分。

其中底层硬件平台以AI芯片和MCU为主；系统软件的操作系统内核，是狭义上的操作系统，主要是黑莓的QNX系统或者是Linux系统，中间件组件包括AUTOSAR AP和AUTOSAR CP，以及第三方的公司提供的中间件，比如百度的Cyber RT；功能软件层主要为传感器、云控、联网等算法模块；在自动驾驶软件最上层的是自动驾驶最核心的应用算法软件，包括感知、融合、规控、定位、地图等等。

自动驾驶组成部分示例

从自动驾驶汽车功能的实现角度来划分，则需要汽车制造商、零部件供应商、车载计算平台开发商、出行服务商供应商等多方主体参与。上游包括感知、传输、决策和执行层；中游为平台层，包括整合的智能驾舱平台、自动驾驶解决方案及传统的车联网TSP平台；下游主要为整车厂及第三方服务商。

上游中，感知层由车载摄像头、雷达系统、高精度地图、高精度定位、导航系统、路侧设备等组成；传输层基于通信设备和服务为自动驾驶提供信号传输，主要包括通信设备和通信服务；决策层包括计算平台、芯片、操作系统、算法等；执行层是对决策命令进行执行，包含线控、电子驱动/转向/制动、系统集成及其他汽车零部件厂商。

自动驾驶产业链，数据来源：汉能研究

四、细分应用场景现状

自动驾驶的应用场景以终端载体而言，可分为乘用车和商用车两大类，而商用车又有高速干线、末端物流、矿山、港口、环卫等细分市场的区分。其中Robotaxi作为自动驾驶商业化的热门场景，受限于驾驶责任的界定和法律法规的有待完善，距离商业化仍有较远距离。而矿山和港口凭借终端企业客户的付费能力，也成为自动驾驶公司的争夺热点。

02产业宏观环境分析

一、经济环境

• 人均GDP上升

根据中国统计年鉴，2011年中国人均GDP为3.6万元，2021年人均GDP已增长至8.1万元。

• 人均汽车保有量连年上升

我国人均汽车保有量连年上升。根据公安部交通管理局数据显示，2021年中国汽车保有量达3.02亿辆，同比增长7.47%。

2015-2020年度中国汽车保有量

汽车乘联会数据显示，2021年我国汽车产销分别完成2608.2万辆和2627.5万辆，同比分别增长3.4%和3.8%，结束了连续三年下降趋势。

2021年，商用车产销467.4万辆和479.3万辆，截止到2021年12月，我国商用车保有量也从2015年的2274万辆跃升至3800万辆。

其中，新能源汽车作为自动驾驶的主要载体，市场渗透率提升明显。2021年，我国新能源汽车销售完成352.1万辆，同比增长1.6倍，连续7年位居全球第一。根据乘联会数据显示，2022年3月新能源车国内零售渗透率达到了28.2%。终端载体数量的快速上涨，为自动驾驶方案落地奠定基础。

• 硬件成本下降

近年来，摄像头、毫米波雷达、超声波雷达技术在汽车上应用越来越成熟，价格也不断走低，目前业界对自动驾驶成本大幅度降低持乐观态度。其中，车载摄像头的单价持续走低，目前约为150元左右，预计未来降幅相对较低；毫米波雷达的市场供应单价约为500元，未来还有一定的降幅空间；激光雷达价格一直处于高位，过去主要用于测绘、工业生产领域，近年来随着固态激光雷达等新的技术路线替代传统机械式雷达，工艺成本显著下降，加上未来自动驾驶技术发展带动供货量上升，将有较大降幅空间。

a、激光雷达

激光雷达价格走势

2019年，Luminar发布了价格不到1,000美元的LiDAR解决方案。Velodyne公司则计划到2024年将平均售价从2017年的17,900美元降至600美元。2020年，华为宣布其将量产的激光雷达单价在200美元以下。

b、芯片价格

当前L1-L3级自动驾驶算力芯片单车价值分别为50美元、150美元、500美元，L4/L5级自动驾驶算力芯片单车价值约为1,500美元，随着技术逐渐成熟，至2030年有望下降到41美元、111美元、315美元、931美元。

• 人力成本上升

根据国家统计局数字，2009至2019的十年间人力成本上升近3倍。而第七次人口普查结果更凸显了劳动年龄人口下降，生育率走低，老龄化进程加深且提速等趋势。

二、政策环境

• 国家鼓励发展智能网联汽车

2019年9月，中共中央、国务院印发《交通强国建设纲要》，提出“加强智能网联汽车（智能汽车、自动驾驶、车路协同）研发，形成自主可控完整的产业链”。2020年11月，国务院办公厅印发《新能源汽车产业发展规划（2021-2035）》，也提出“2025年高度自动驾驶汽车实现限定区域和特定场景商业化应用”和“2035年高度自动驾驶汽车实现规模化应用”的目标。

• 自动驾驶相关法规稳步推进

目前我国的立法性文件集中于发展规划、自动驾驶分级标准、道路测试和市场准入以及数据和网络安全四方面，并且在道路测试上从中央和地方两层面出发表明对自动驾驶技术发展的支持。另外我国以地方为首先切入点，在北京、深圳设立先行区并在广州、上海和雄安新区等地区开展道路测试。真正做到宏观调控与地方试点相结合，逐渐稳步推进自动驾驶的立法和实践发展。 

a、各地自动驾驶牌照发放加快

截至2021年11月，全国已有38个省/市出台管理细则，先后建设了70个测试示范区，开放了5200多公里测试道路，发放1000余张测试牌照。

其中，以北京经济技术开发区全域为核心的北京市高级别自动驾驶示范区，是全球首个网联云控高级别自动驾驶示范区。2021年成立至今，目前已累计开放1,000公里自动驾驶测试道路，测试里程超过300万公里，开通5G基站5.64万个(截止至2022年1月数据)。

b、Robotaxi经营许可在部分城市落地

4月28日，北京发放无人化载人示范应用通知书，允许自动驾驶车辆“方向盘后无人”，相当于可以去掉主驾安全员，百度萝卜快跑、小马智行获得牌照。

4月24日，小马智行获得广州市南沙区2022年出租车运力指标，这是国内首个颁发给自动驾驶企业出租车牌照。

c、事故责任主体规定不够明晰，责任分担规则尚未确定

2021年3月24日公安部发布的《道路交通安全法（修订建议稿）》中将自动驾驶汽车分为“具有自动驾驶功能且具备人工直接操模式的汽车”和“具有自动驾驶功能但不具备人工直接操作模式的汽车”两种，前者对应《汽车驾驶自动化分级》中L3及其以下级别的汽车，后者对应L4及其以上级别的汽车。

《修订建议稿》规定明确了驾驶人、自动驾驶系统开发单位的事故责任，然而其他主体例如平台研发者、监管者等主体是否承担责任尚有待讨论，若其承担责任又应当适用何种责任认定规则同样未予以明确。另外该条规定对于不具备人工直接操作模式的汽车的责任主体却缺乏规定，仅规定由国务院有关部门另行规定。由此可见目前我国对于自动驾驶的法律规定过于粗糙并且依然留有“真空地带”。

三、社会环境

• 中国社会对自动驾驶接受程度普遍高于美国

根据环球时报发布的“2021中国消费者自动驾驶信心指数调查”显示，中国消费者的信心指数为50分，美国消费者则为36分，中国消费者的信心指数高出美国消费者39%。这也就意味着，中国消费者对自动驾驶的接受度更高，对自动驾驶的信心更强。

汽车供应商大陆集团近日公布的一项对不同国家自动驾驶汽车接受度的调查显示，89%的中国调查对象表示支持自动驾驶技术，德国和美国调查对象分别为53%和50%。

在“自动驾驶汽车让我感到害怕”的调查中，62%的德国调查对象和77%的美国调查对象表示认可，但仅有28%的中国调查对象表示认可。而在“自动驾驶汽车能够实现可靠运行”的调查中，有超过60%的中国调查对象认为自动驾驶汽车能够实现可靠运行，有超过70%的美国调查对象认为自动驾驶汽车无法可靠运行。

• 自动驾驶事故数量低于传统汽车事故

弗吉尼亚理工大学交通运输研究院研究显示，对比传统汽车每行驶一百万英里约发生4.2起事故，Waymo自动驾驶汽车每百万英里约发生3.2起事故，而6年间无人车车队报告的这17起事故，却几乎都是人类驾驶的车辆碰撞谷歌无人车而造成的，都属于被动事故。

从2019年以来，全球已经有上百家自动驾驶公司在世界各地的道路测试自动驾驶汽车，其中已知发生交通事故的公司仅有Waymo和Uber。

四、科技环境

• 芯片异构技术的发展带来算力提升

随着当下智能化汽车的发展，传统的单一类型的微处理器（CPU、GPU、FPGA、ASIC）受限于算力难以满足更高阶自动驾驶需求。芯片厂通过重塑芯片架构，推出SoC芯片来满足智能汽车趋势下的高算力标准。

• 电子电气架构演进提升整车控制能力

电子电气架构往域控方向演进，提升计算能力和整车控制能力。在今天软件定义汽车和汽车电气智能化的发展趋势下，汽车“域控制器”（Domain Control Unit，DCU）通过将功能相似、分离的ECU功能集成、整合至一个比ECU性能更强的处理器硬件平台上，实现区域算力的提升和信息流的快速整合。

• 自动驾驶数据快速积累

自动驾驶算法训练的关键在于积累大量具备丰富场景信息的驾驶数据。L4级汽车的最低路测里程数要求为10亿公里，达千亿公里级别才能确保具备充足数据进行AI训练及仿真测试，从而确保行驶安全，相当于100万辆车以每天10个小时的频率不间断行驶1年。

自动驾驶各等级路测里程数最低要求

据官方公开数据，截至2020年4月，特斯拉累计上路行驶里程已达48亿公里；Waymo的路测里程于2018年10月就已达到了1000万英里(约1609万公里）。2021年，百度宣布L4级自动驾驶累积测试里程数突破1000万公里。

五、总结

综上可以看到，宏观环境层面整体利好自动驾驶产业的未来发展。在政策层面，产业政策积极引导，相关监管也在稳步放开，虽然尚未形成具体的L3驾驶责任分担规则，但可以看到相关框架正在搭建中。在经济层面，硬件成本下降、人力成本上升等多重因素推动自动驾驶产业发展，人均GDP的上涨也为消费升级，迎接智能汽车奠定经济基础。在社会层面，大众对于自动驾驶的接受度普遍较高。在科技层面，芯片、电子电气架构等技术的快速发展和自动驾驶路测数据的快速积累，共同推动自动驾驶功能和算法的跃进。

03产业态势梳理

一、下游应用场景

• 私家乘用车

根据高工智能汽车数据，2021年，我国前装ADAS标配新车上险量为807.89万辆，渗透率30.78%，同比增 长29.51%。2022年1月国内市场新车（乘用车/不含进出口）前装标配搭载L2级辅助驾驶系统上险量为48.45万辆，同比增长63.21%，前装搭载率为22.13%，同比增加近10个百分点，显示行业正处在高速发展期。

根据天风证券测算，前装L1-L3级智能驾驶行业规模有望从2021年的302亿元增长至2025年的合计862亿元， CAGR可达 30%。

主要玩家：广汽、上汽、蔚小理等车企；百度Apollo、华为等互联网公司；电装、博世、采埃孚等传统tier 1厂商；经纬恒润、知行科技、福瑞泰克、毫末智行、智驾科技等自动驾驶初创企业。

• Robotaxi

Robotaxi赛道是市场空间最大的自动驾驶场景之一，2020年我国网约车日订单已经突破2,100万单。麦肯锡预测在2031年中国Robotaxi市场规模有望达到2.8万亿。

主要玩家可分为三类：特斯拉、通用、福特、上汽、广汽、吉利、小鹏等车企；Waymo、百度Apollo、滴滴等互联网公司；小马智行、Momenta、文远知行、元戎启行等自动驾驶初创企业。

其中，车企的参与方式又可分为两种，一种是车企借助出行平台与自动驾驶公司进行三方合作的玩家，具体有上汽享道出行 （与 Momenta 合作） 、 广汽如祺出行 （与文远知行合作） 以及 吉利旗下曹操出行 （与元戎启行合作）。另一种是车企自主掌握自动驾驶技术亲身下场，类似特斯拉和小鹏。

• Robobus

在当前的城市交通场景下，轨道交通+微循环的交通运输系统成为许多城市推行的公共交通出行方案。其中，微循环系统主要是由城市干道网络以外的支路或等外道路组成的区域道路网络。长途出行靠轨道交通，地铁站与社区、园区、商区等区域的最后3公里短途出行则是Robobus的主场。

根据36氪研究院统计数据显示，2030年中国Robobus市场规模将达到千亿级规模。

主要玩家：金龙客车、宇通客车等车企；百度Apollo等互联网公司；轻舟智航、蘑菇车联、希迪智驾等自动驾驶公司。

• 高速干线

在公路物流运输成本中，司机及燃油成本超过50%，占比极高。仅按照司机替代逻辑进行测算，我国目前干线无人驾驶的市场规模已经达到近万亿。

主要玩家可分为四类：一汽解放、中国重汽等重卡车企；百度等互联网公司；图森未来、智加科技、嬴彻科技、主线科技、行猩、千挂等自动驾驶初创企业；京东物流、安能、德邦等物流运营商。

在合作模式上，自动驾驶科技公司和主机厂各具优势，成为推动干线物流自动驾驶生态的主动力。头部自动驾驶科技公司定位明确专攻物流场景，研发能力强劲，掌握核心技术，与物流商、主机厂等形成合作关系，代表公司例如图森未来、智加科技、嬴彻科技等；重卡企业具有明显的资源和生产优势，但通常要借助自动驾驶企业完成在干线物流自动驾驶的布局。

• 城配物流

城配场景主要针对城市内、城郊之间、乡镇内、村镇之间的较短距离的运输，运输半径通常在 50 公里以内。根据2020年我国轻型货车保有量和城镇私营单位交通运输业人员的平均薪酬，中信证券预测城配物流的自动驾驶的市场规模预计为1.2万亿元。

主要玩家有三类：一汽、万向车企；中国邮政EMS、德邦快递等大型物流公司；文远知行旗下牧月科技、飞步科技等自动驾驶方案供应商。

• 末端物流

目前末端物流最主要的场景是快递和即时配送，后者包括外卖、生鲜宅配、商超零售、医药配送等。目前我国快递末端配送成本平均1.2元/件，以2021年快递业务单量预计955亿件计算，快递末端配送市场规模超过1,100亿元；即时物流配送单价约7-9元/件，以2021年即时配送订单预计300亿单计算，即时配送市场规模将超过2,000亿元。

主要玩家有三类：金龙客车等商用车企；京东、阿里巴巴、美团、顺丰等物流运营商；新石器、白犀牛、一清创新、行深智能等自动驾驶方案供应商。

• 矿山

无人驾驶在矿区的落地以改造旧有设备为先，后期则可以叠加全矿数字化服务及运输代运营服务等。以矿区内近100万的设备量进行测算，矿内设备改造市场潜在市场规模超过千亿；以主要矿种每年近300亿方的运输量进行测算，运营服务市场潜在市场规模近3,000亿。

目前矿山无人驾驶主要聚焦于露天矿运输，国外主要是用大型矿卡，国内采用宽体自卸车。矿企付费能力极强，使用意愿也非常高，近几年落地迅猛等。

主要玩家有三类：徐工集团等矿卡制造企业；中煤集团，大唐集团，江铜集团，中国黄金集团等采矿企业；中科慧拓、踏歌智行、易控智驾、路凯智行等自动驾驶方案商。

• 港口

我国拥有港口近100座，其中大型港口十余座，港内用于集装箱运载的集卡在20,000台左右。预测到2023年国内港口码头自动驾驶集卡车销量将超5,000辆，市场规模约为50亿元，2026年市场规模将超过100亿。

主要玩家：三一海工、振华重工等港口集卡制造企业；主线科技、西井科技、斯年智驾、飞步科技、畅行智能等自动驾驶方案商。

• 环卫

2,020 年中国环卫服务市场整体规模近 2,000 亿，其中道路清扫保洁服务规模为近1,300亿，按2025年无人驾驶渗透率达到30%进行预测，2025年无人驾驶在环卫场景的市场规模将达到400亿。

主要玩家：百度Apollo等互联网公司；智行者、仙途智能、于万智驾、高仙机器人、酷哇机器人、希迪智驾、深兰科技等自动驾驶初创企业；盈峰环境（中联环境）、北京环卫、龙马环卫等传统环卫公司；北京环卫旗下的京环装备、宇通重工业等环卫设备公司。

二、中游ADAS不同技术路线

自动驾驶的感知层从技术上又可以分为纯视觉和多传感器融合两种方式。

• 纯视觉

摄像头主导的纯视觉解决方案：由摄像头主导，配合毫米波雷达等低成本传感器构成纯视觉计算，典型代表为特斯拉。其自建芯片和算法团队，认为通过视觉系统优化自身AI算法就可以达到较高的智能驾驶水平。代表企业特斯拉推出基于纯视觉方案的FSD Beta，彻底放弃毫米波雷达，以及百度发表L4级别纯视觉方案Apollo lite。

主要玩家：特斯拉、百度Apollo Lite

• 多传感器融合

激光雷达主导的强感知方案：该方案由激光雷达主导，配合摄像头、毫米波雷达等传感器组成，典型代表企业为Waymo、Uber等科技和出行公司。对于特斯拉之外无法通过AI弥补硬件缺陷的汽车厂商而言，采用更多类型传感器是更好的选择。

主要玩家：通用、广汽、上汽、蔚小理等车企；电装、博世、采埃孚等传统tier 1厂商；Waymo、Uber、滴滴、百度Apollo、华为等互联网公司；Minieye、Momenta、经纬恒润、知行科技、福瑞泰克、毫末智行、智驾科技等自动驾驶初创企业。

三、上游产业

自动驾驶产业链可分为硬件与软件两大部分，主要包括车载摄像头、激光雷达、芯片、通信设备和高精度地图、高精度定位、操作系统、ADAS等，涉及感知层、传输层、决策层等不同层面。其中硬件部分多来自tier 1供应商，软件部分尤其是ADAS和操作系统逐渐出现整机厂自研，加强技术护城河的趋势。

• 软件

a、OS

狭义上的OS特指可直接搭载在硬件上的OS内核；而广义OS从下至上包括从BSP、操作系统内核、中间件及库组件等硬件和上层应用之间的所有程序。

自动驾驶OS内核的格局较为稳定，主要玩家为QNX、Linux。因打造全新OS需要花费大量的人力、物力，当前，Waymo、百度、特斯拉、Mobileye等公司的自研自动驾驶OS，都是指在上述现成内核的基础之上自研中间件和应用软件。

b、算法

算法是ADAS（Advanced Driving Assistance System）高级驾驶辅助系统的组成部分。作为自动驾驶解决方案中的的软件和算法部分的集成，ADAS通过对传感器收集的数据流建立相应的模型，制定出适合的控制策略。

由于真实路况的复杂程度，以及不同人对于不同路况的不同解决对策，ADAS功能的实现需由感知、决策、规划等多种算法进行技术支撑，覆盖多数罕见路况的海量数据和完善高效的人工智能技术。

国外代表厂商有福特、奥迪等车企和Waymo、通用Cruise等初创公司；国内代表厂商包括蔚小理、零跑等车企，百度、华为、滴滴等互联网企业，Momenta、小马智行、文远知行、元戎启行、禾多等初创企业。

c、高精地图

目前，高精度地图的生产与更新出现了三种技术模式：

1）基于“激光雷达+人工智能处理”模式。该模式稳定性高，但是采集设备成本高，是各大图商采用的主流模式。

2）“众包采集+AI识别提取”模式。该模式成本低，但是精度和稳定性待提升，是主流图商更新和初创图商采用的主流模式。

3）“车辆动态上传+动态地图自动下发更新”模式。该模式是最为理想的高精度地图生产与更新模式，尚处于论证阶段，需要随着智能网联汽车产业的发展不断完善。

IDF报告显示，百度、四维图新、易图通、高德四家老牌图商2020年合计占到中国高精地图78.9%的市场份额。

具有导航电子地图制作（甲级）测绘资质的共有20余家企业，四维图新、高德、灵图、百度万方、凯立德、易图通、腾讯大地通途、武汉光庭、滴图科技、武汉中海庭、贵州宽凳、北京初速度、江苏晶众、江苏智途（被小鹏收购）、华为、顺丰、京东、亿咖通等。

2021年底，自然资源部开始推进导航电子地图制作甲级测绘资质复审工作，目前已有15家企业通过复审。

导航电子地图制作甲级测绘资质企业

d、高精定位

高精度定位可以按照不同的定位技术分为三类：

第一类，基于信号的定位，如GNSS（全球导航卫星系统）定位，是指通过观测GNSS卫星获得坐标系内绝对定位坐标的测量技术。

第二类，依靠IMU（惯性测量单元）等进行航迹推算，根据上一时刻的位置和方位推断现在的位置和方位。

第三类，环境特征匹配，基于激光雷达的定位，用观测到的特征与数据库及存储的特征进行匹配，得到车的位置和姿态。

出于系统安全性和单一定位方式局限性考虑，往往采用组合定位实现高精度定位，卫惯组合定位（GNSS+IMU）则是现阶段应用较广泛的高精度定位方案。

高精度定位方面的国内知名厂商有华测导航、北云科技、导远电子、星网宇达、千寻位置、六分科技等，国外知名厂商有 Ublox、意法半导体、霍尼韦尔等。 

• 硬件

对乘用车和商用车而言，因为车身尺寸、重量等硬件因素以及应用场景的不同，其对车载摄像头、激光雷达等传感器的要求存在一定差异。而从硬件供应端来看，目前市场上多数厂商的产品矩阵都涵盖了商用车和乘用车。

a、芯片

智能化带来的运算及数据处理需求是推动算力发展的原始动力。随着当下智能化汽车的发展，传统的单一类型的微处理器（CPU、GPU、FPGA、ASIC）受限于算力难以满足更高阶自动驾驶需求。根据公开资料显示，当前智能化汽车算力需求在500,000DMIPS左右，相当于4-5枚左右Intel Core i7-3770K芯片算力（106,913 DMIPS/枚）。

因势利导，芯片厂通过重塑芯片架构，推出SoC芯片来满足智能汽车趋势下的高算力标准。目前的代表厂商有传统巨头高通、英伟达等，博世、Mobileye等快速崛起，华为、黑芝麻、地平线等厂商实力逐步增强，成为国产算力芯片的代表厂商。

b、摄像头

摄像头是自动驾驶汽车中重要的传感器之一，在自动驾驶过程中的首要任务就是道路识别，主要是图像特征法和模型匹配法来进行识别。行驶过程中需要进行障碍物检测和路标路牌识别等，此时车辆上的信息采集便可以运用单目视觉或者多目视觉。

海外 Tier 1 在车载镜头模组封装领域具备先发优势，根据 ICVTank 数据， 2020年市场前五大厂商为麦格纳、松下、法雷奥、博世及采埃孚。

国内方面，包括海康威视、德赛西威、舜宇光学、联创电子等数十家国内企业，已在不同种类的车载摄像头方面有着多种布局。

车载镜头市场目前呈现一超多强态势，舜宇光学2020 年市占率 32%，二线厂商主要为日韩企业，包括日本的麦克赛尔、富士胶片、电产三协和韩国世高光等。在ADAS 感知摄像镜头市场， 舜宇光学更是占据领导地位，2020 年全球市占率超 50%。

c、激光雷达

激光雷达通过发射、接收、处理激光信号进行目标探测和识别。激光雷达的工作原理是向指定区域发射探测信号(激光束)，经过目标物反射后，将收集到的反射回来信号与发射信号进行处理比较，即可获得待测区域环境和目标物体的有关空间信息，如目标距离、方位角、尺寸、移动速度等参数，从而实现对特定区域的环境和目标进行探测、跟踪和识别。

按照测距原理的不同，激光雷达可以划分为飞行时间测距法、基于相干探测的 FMCW 测距法、以及三角测距法等。其中 ToF 与 FMCW 可实现室外阳光下较远的测距，是目前市场车载中长距激光雷达的主流方案。

根据半导体咨询机构Yole公布的数据显示，代表性厂商以tier1厂商为主，法雷奥、电装、大陆、博世等合计占据约45%左右的市场份额；而国内厂商以速腾聚创、览沃科技（大疆）、禾赛科技、图达通、华为等主要代表。

d、通信设备（T-BOX）

Telematics-BOX，车联网系统中的智能车载终端，给车机提供外网连接功能、定位功能、实现整车CAN网络的远程诊断控制功能，是V2X车联网技术的必要组成部分。 

根据国金证券数据显示，2020 年国内 T-Box 市场规模达到 100 亿元左右，装配率约为 52%，预计到 2025 年达到 80%以上。根据 strategy analyst 数据显示，预计 2027 年全球汽车网关渗透率将达到 100%，市场规模达到 27 亿美元。 

根据高工智能汽车研究院统计的数据显示，2020年国内T-BOX的主要供应商仍以tier 1厂商为主，包括传统巨头LG、法雷奥、电装、哈曼、大陆等，国内代表厂商以联友科技、德赛西威、亿咖通、慧翰微电子、高德旗下的畅星等为代表。

04产业创投机会与商业机会

据天眼查数据显示，自动驾驶赛道自2016年开始进入爆发期。

根据公开资料的不完全统计，2021年全球超过1亿美元以上的大额融资事件达到46次，中美囊括了44次，并且几乎包揽全球自动驾驶累计融资金额TOP 20企业。从金额来看，中美已连续三年占据90%以上的资金份额。

中美自动驾驶赛道融资情况

中美自动驾驶项目融资轮次

一、中国创投市场融资情况概述及拆解

中国自动驾驶资本市场在经历了2018年和2019年的资本寒冬后，于2020年开始回暖，并在2021年迎来新一波投融资热潮。

根据鲸准数据库，2021年-2022上半年，中国市场共发生575起自动驾驶企业融资事件，融资金额接近1500亿元。其中，2021年录的422起自动驾驶企业融资事件，2022年上半年录的153起。

融资轮次方面，其中，种子轮至A轮项目211个，A+轮至C轮项目162个，C+轮至Pre-IPO项目33个，战略投资与并购项目195个，上市及以后项目23个。

根据公开数据显示，2021年，整车、自动驾驶解决方案、零部件、Robotaxi成为我国自动驾驶行业热门赛道。其中，零部件领域融资金额占比达到38%，有44家自动驾驶零部件企业获得融资，累计金额达到了41.3亿美元。

从具体细分领域来看，国内零部件企业融资事件主要集中在芯片和激光雷达这两项自动驾驶关键零部件上，二者占比之和达到了94%。

这一趋势也延续到2022年。从2022年国内第一季度投融资事件数量及金额来看，增量零部件领域融资事件数量占比已超过56%，融资金额占比已超过43%。

2022年以来中国自动驾驶赛道的融资事件

二、美国创投市场融资情况及拆解

根据鲸准数据库，2021年到2022年上半年，美国共发生233起自动驾驶企业融资事件，融资总金额超过4000亿元。其中，2021年录的177起，2022年上半年度录的56起。

在单次融资金额方面，Cruise以13.5亿美元的融资拔得2022上半年度头筹，是继通用汽车21亿美元收购软银持有的Cruise股份后，代替软银完成2018年承诺的追加投资。

融资轮次方面，其中，种子轮至A轮项目74个，A+轮至C轮项目39个，C+轮至Pre-IPO项目12个，战略投资与并购项目90个，上市及以后项目18个。

在赛道方面，根据公开数据，美国市场主要集中在场景落地及商业应用领域，其中被投企业为服务各场景的机器人制造商的融资事件共49起，相较之下被投企业为自动驾驶技术研发商的融资事件仅23起。

2022年以来美国自动驾驶赛道的融资事件

三、2022年中美自动驾驶创投市场对比

对比2021-2022中美自动驾驶企业的融资情况可以发现，中国自动驾驶投融资市场活跃度更高。中国自动驾驶领域投融资总金额仅为美国的37.5%，但融资事件数量是美国的2.5倍，反映出中国自动驾驶企业数量较多且创新活力更强。

美国自动驾驶投融资呈现出频次低、金额高、头部集中的特点。其中，Cruise在2021年共融资3次，金额达到97.5亿美元，成为2021全球自动驾驶“融资王”。同时，Cruise、Waymo、Nuro三家企业在2021年共融资128.5亿美元，占据美国总融资额的92%以上。

而在中国自动驾驶市场，中小企业仍然充满机遇。2021年，地平线、Momenta和文远知行三家企业累计融资金额为47.9亿美元，占据国内整体份额的41%，尚未形成头部垄断格局。未来，预计行业集中度将快速提升，最终将迎来新一轮玩家整合。

同样可以看到的是，中美在投资重点上各有不同。相比美国重视场景落地及商业应用，中国市场的资本更看重零部件领域的布局，凸显出资本市场对中国智能汽车产业链创新能力和发展潜力的预期看好。

四、2022年中国自动驾驶的创业、投资、创新机会

a、终端需求主导投资风向。在以B端客户为导向的自动驾驶产业，企业客户的痛点决定了资金的流向。

乘用车市场上，在车企寻求产品差异化和建立技术壁垒的需求主导下，芯片、雷达等核心零部件及软件算法等可构成自动驾驶方案核心竞争力的赛道预计仍是资本市场的主要热点。

在商用车端，受场景落地及商业应用的需求驱动，服务矿区、港口和干线物流等智慧物流、及环卫和无人小巴等智慧交通领域的自动驾驶企业同样受到关注。

b、投资热点之下，还需关注到的是细分市场的市场规模、玩家集中度及准入门槛对创业机会形成的限制。

我们通过整理公开数据，从市场规模、市场集中度、行业门槛两个维度对自动驾驶产业链上的创业机会进行评估。

其中，市场规模方面，我们以细分领域的市场规模最大值为标准参照物，其他领域的值以相对百分比的形式取值。满分为100分。

分散程度方面，我们以细分领域的CR5为衡量标准，取值在0-100%之间。

进入门槛方面，我们通过对细分领域的技术壁垒及起步资金投入进行评估，容易度由低到高，取值在0-5之间。

经过梳理，我们可以归结出以下创业机会：

可以看到，激光雷达、操作系统、车联网（车载通信模组、T-BOX）具有较大的创业空间。

05产业风向展望

一、技术路径展望

• 车路协同 VS 单车智能

自动驾驶当前存在两大主流的实现路径：一是基于单车感知和高效算法决策的单车智能模式，二是基于道路基站和车辆进行通信、通过云端调控的车路协同模式。

当前，产业内形成了以美国为代表的“单车智能”路线和以中国为代表的“车路协同”路线。

美国在人工智能领域全球领先，人才储备充足，基础科研实力强，人工智能企业数量位居全球首位。另外，美国拥有发达的集成电路技术，在高端芯片设计领域一直保持领先态势，为单车智能所需的高性能车载芯片发展打下了良好基础。

相比之下，中国在网联化建设方面成果显著。以华为为代表的通信企业在5G技术方面世界领先，且5G基站铺设速度快、覆盖广。工信部预计2020年底中国5G基站数量将超过60万个。同时，中国政府大力推行5G网络、物联网、卫星互联网、数据中心、智能交通基础设施等新型基础设施建设，由我国主导设立的C-V2X已成为世界智能驾驶发展的主流。从道路情况来看，中国高速公路总里程世界第一，公路总里程和公路网密度快速增加，且收费公路里程远高于美国，这些基础设施建设方面的特殊性将有力推动车路协同的发展。

单车智能和车路协同的本质是技术和成本在车侧和路测的平衡。

从目前表现来看，单车智能存在较多弱点：多传感器融合对芯片性能提出了较高要求，同时导致单车成本较高，难以进入私家车领域；无人驾驶依靠AI，但AI黑箱效应难以克服；自动驾驶110亿英里的道路检测难以实现；全自动驾驶有高达百万的Corner Cases需要解决，光靠软件设计很难在短期内覆盖到所有极端情况，难以保障行驶安全。

相比之下，车路协同是单车智能的延伸和拓展。在单车智能的基础上，车路协同形成单车传感器的性能延伸，缓解计算平台算力压力，对于高级别自动驾驶不可或缺。车路协同的应用能够加速汽车产业化落地。

然而，车路协同的实现离不开公路的智能化改造和基础设施投资。据天风证券和中银国际证券测算，高速公路的单公里智能化改造成本是100万左右，包含了RSU、边缘计算、摄像头等设备，考虑到中国的高速公路里程14.96万公里，一级公路11.17万公里，高速公路和一级公路的智能化改造市场规模约为2,613亿元。由于二级公路和更低等级的公路路况较为复杂，有更多机动车与非机动车和行人混行的情况，需在十字路口、事故易发路段等关键场景铺设更多路侧设备，不同路况的单公里智能化改造投资差异较大，难以进行估算。

在36氪的调研过程中，我们发现2022年车路协同在中国市场极有可能加速落地。6月在财政部的支持稳住经济大盘工作专题新闻发布会上，新基建、新能源项目被纳入专项债券重点支持范围。同时财政部表示，要确保今年的新增专项债券6月底前基本发行完毕，力争8月底前基本使用完毕。1-5月，各地已累计发行新增专项债券2.03万亿元。按照2022年的3.56万亿的专项债额度，目前仍有过万亿的专项债额度，而与新基建相关的智能城市、智慧交通项目很有可能成为重点扶持项目。

• 渐进式 VS 一步到位式

从技术实现路径来说，目前存在渐进式和一步到位式两大路径。其中渐进式以传统车企和造车新势力为代表，实现从L0到L5的自动驾驶逐级进阶，目前正处于L3自动驾驶初步导入阶段，下一阶段主要拓展城市区域同时提升功能连续性。跨越式以科技巨头为代表的，如谷歌Waymo、百度Apollo等，寄期一步到位实现自动驾驶，核心在于场景落地及行之有效的商业模式。

两种技术路线的背后是不同商业模式之争。以传统的车企为代表主导的渐进式路线，目的在于平衡性能提升与成本，避免在自动驾驶汽车成为市场主流之时，沦为科技互联网企业的造车代工厂。此外也有专家认为，自动驾驶逐级提升同时带来的数据积累更有利于算法的泛化性训练，在深度学习方面形成技术支撑。

一步到位式路线的代表性公司选择的商业模式则是通过提供服务和技术授权来产生收入。一方面，他们并不认为“人机共驾”是实现自动驾驶的必经之路，另一方面，通过提供服务和技术授权的方式盈利，可以避免企业走上拥有汽车的重资产之路，这与互联网公司的基因相吻合。

渐进式路线除特斯拉相对领先外，自主车企差距尚不明显。目前国内领先车企大多选用“软件自研+硬件预埋”方案，希望通过后续OTA升级迭代软件算法，拓展自动驾驶设计运行区域（ODD）。

相比之下，选择了一步到位式路线的科技巨头及初创公司们则纷纷开始寻求在特定场景的商业化。以Waymo和百度Apollo为代表的科技巨头公司从场景最为复杂的Robotaxi切入，通过布局车队来获取路测数据，目前Waymo道路测试已超2,000万英里，百度Apollo谷内测试里程超700万公里；初创公司已在港口、矿山等结构化场景实现L4自动驾驶的落地。

• 多传感器融合 VS 纯视觉

在感知层面，同样有不同的技术主张。

多传感器融合技术路线是指，利用摄像头、激光雷达、毫米波雷达等各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。

纯视觉技术路线把更多精力放在研发强大的视觉算法及专用AI芯片的能力来处理自动驾驶可能遇到的所有情况。

以特斯拉为代表的纯视觉方案背后是远超市场上大部分公司的强大硬件研发能力和巨大数据源。而对于绝大多数主机厂而言，这些基础能力鸿沟是难以跨越的。尤其在短期内，纯视觉方案基于深度学习的算法尚未达到全路况覆盖情况下、安全性仍存疑，多传感器融合方案安全性更高。

不同传感器之间的功能互补。摄像头的作用主要是识别物体颜色，但会受阴雨天气的影响；毫米波雷达能够弥补摄像头受阴雨天影响的弊端，能够识别距离比较远的障碍物，比如行人、路障等，但是不能够识别障碍物的具体形状；激光雷达可以弥补毫米波雷达不能识别障碍物具体形状的缺点。

而在这之中，凭借着在目标轮廓测量、角度测量、光照稳定性和通用障碍物检出等方面所具有的极佳性能，激光雷达正在成为L4级及以上自动驾驶的核心配置。但考虑到激光雷达的造价高昂，部分厂商仍选择研发性能更高的毫米波雷达，以期取代低端的激光雷达。如华为的4D高精成像毫米波雷达，预计量产后成本为激光雷达的1/10。

另一方面，特斯拉在AI DAY的技术演讲中展示了BEVFormer之后，引领了一波关于BEV感知的研究浪潮。在nuScenes 3D object detection task上，目前前6名方案都是2022年3月进行的提交。国产厂商中，地平线和毫末智行均公开展示过其感知方案使用BEV范式。

在36氪的调研过程中，有部分车企的相关负责人表示，通过2D数据和BEV数据集的效果对比验证，证实了纯视觉方案的可行性。

• 高性价比 VS 高性能

目前在各家车企的自动驾驶方案上呈现出硬件配置越级的趋势。在当前算法仍未突破L2级别的情况下，不少车企纷纷将硬件配置提升至L3、L4级别。

一方面，高级别自动驾驶的实现需要冗余设计。即使一套系统出了问题，另一套系统也可以及时补上，确保安全。因此我们看到车企在传感器数量和芯片算力等硬件配置上不断提升。

另一方面，在当前算法普遍未取得突破的情况下，大部分车企选择“硬件预埋、配置冗余”的方案，以期之后通过OTA方式实现自动驾驶软硬件的快速迭代。

不过，冗余结构的设计虽然带来更好的安全性，无疑也额外增加了倍数成本。在36氪的调研过程中，也有专家表示，对于直接目标设计是L3或者是L4级的车，冗余是需要的。但对于定位为L2，或者是L2++的车型，驾驶行为本身的主体是驾驶员，冗余设计只是在增加成本。

• 封闭场景 VS 城市开放场景

相比乘用车，商用车端的自动驾驶落地需要应对更多种类的工况场景。在横跨不同场景时，商用车需要应对的技术难点也不尽相同。

一方面，矿区、港口这样的特殊场景，意味着自动驾驶企业需要考虑到更多超出认知的Conner case。比如在矿区实际生产作业时，需要以车队编组调度作业，同时运输车队需要连接挖掘、装卸等其他作业流程，对平台调度能力及车辆决策能力提出更高要求，通常，一个大的工作面有6、7个编组交叉作业，这样有的路口可能有几十辆车交汇，长期看，调度算法对提高生产经营效率的价值要超过无人驾驶单车智能算法；

而在港口区内没有交通灯控制，每个路口都没有保护，考验自动驾驶集卡的感知能力和行为预测能力。自动驾驶集卡仅承担港口作业中的水平运输环节，和桥吊、场桥的配合十分重要，要求定位误差要维持在厘米级范围内。对于车身长、惯性大的港口集卡，需要进行适应调整；

另一方面，各种矿区不同的工况特点会给技术可靠性和通用性带来挑战，例如金属矿石的电磁特性会影响毫米波雷达的性能，高寒地区矿区的温度会影响电气电子设备的稳定性等，码头遍布的金属集装箱将对信号有所干扰的情况，还需解决影响卫星导航系统定位精度的问题。

此外在高速等半封闭场景，还需要考虑到商用车自身的特性。比如重卡车身较高，车辆视觉盲区大，需要重点覆盖的感知范围更大；而重卡较长的车身导致所需变道时间较长，对感知距离与预判时间要求更高；重卡车头与车挂之间的柔性连接也让自动驾驶车身姿态控制难度增大。同时，由于重卡载重波动在14吨至49吨之间，巨大波动对车身高度、重心有较大影响，对自动驾驶车身控制要求较高；在行驶过程中，车身悬挂抖动明显，传感器在线标定比较困难。另外一方面，重卡躲在高速道路行驶，时速高、载重大，在雨天路滑的情况下，安全制动距离需要至少300m，因此对比其他场景的车型，自动驾驶重卡所需的感知距离更长、要求的反应速度更快且控制更加精准。

而在环卫、城配物流等城市开放场景，自动驾驶算法不但要应对多变的城市场景和各种意料之外的人为或是技术因素干扰，在安全性上有更严苛要求，还需要匹配各种商用场景的特定任务需求。比如在环卫场景，自动驾驶扫路车对精细贴边清扫、自主路线规划等有比较高的要求，这导致环卫车行驶过程中将面临大量树荫、隧道、高架桥等对卫星信号的干扰，同时还会面临坑洼、边缘死角等问题。

二、商业路径展望

• 新兴Tier 1厂商呈多元化态势

在汽车产业巨变的同时，车企的tier 1厂商正在往多元化方向发展。互联网公司、消费电子厂商及自动驾驶初创企业前赴后继，挑战传统tier 1的行业地位。比如百度跨界上游软件赛道，在OS、ADAS、高精地图等均有布局；华为在提供雷达、芯片、域控制器、T-box等一系列硬件设备之外，ADAS算法被采购量也位居国内厂商前列；Mobileye、地平线等初创企业则是通过芯片、算法乃至摄像头实现软硬件绑定。

总体而言，在软件定义汽车的新趋势下，新兴tier 1厂商们基于自身的资源禀赋和扩大利润空间的考虑，纷纷跨界不同细分市场，向传统tier 1的地位发起挑战。

• 产业链上下游玩家融合

在硬件配置同质化、系统软件底层化的背景下，自动驾驶算法是车企打造差异化自动驾驶体验、形成软件盈利模式的关键所在。而传统的辅助驾驶打包方案缺乏差异性，且无法满足整机厂掌握自动驾驶核心技术的诉求。

另一方面，车企在面对复杂且快速变化的供应链时，也希望有所侧重地构建自研能力。在36氪的调研过程中，有部分车企的相关负责人表示，在软硬件解耦的趋势下，车企应以开放的生态应对技术的快速迭代和日趋复杂的供应链。这意味着车企需要明确区分哪些产品需要核心自研，哪些可以依赖生态合作的方式补齐零部件产品链。

我们也看到，越来越多的主机厂选择在感知、规控算法等软件领域选择自研，建造自身的护城河。而在芯片、传感器等硬件领域，出于研发成本和技术迭代速度加快的考虑，车企更倾向采购成熟厂商的产品。通过设置模块化架构，对硬件厂商开放统一接口，在成本支出和产业话语权之间求得最优解。

在此驱动下，许多车企绕过tier 1厂商，通过直接同核心底层零部件企业建立合作的方式，提高公司的技术壁垒和利润空间。

比如在AI芯片领域，Mobileye等公司的标准化算法方案被部分车企逐渐舍弃，取而代之的是英伟达和地平线等国产芯片商不断让渡研发份额，将更多的产品设计如自动驾驶软硬件系统、操作系统乃至SoC等开放给整机厂。

• 杀手级应用探索

类比智能手机的发展历程，智能汽车最终市场空间最大的不是硬件本身，而是它所延伸出来的包括社交、游戏、移动互联网所带来的内容爆发，汽车也应类似。所以硬件当下已经呈现出平价化，甚至是低价化，其目的主要是提升终端的数量。

未来的布局更多将围绕在车内智能座舱、自动驾驶等方向，依托OTA升级模式，导入第三方开发应用。一方面，汽车作为移动休闲娱乐载体，相应的盈利模式、商业模式也会更多。另一方面，主机厂也意识到自动驾驶功能的开发不能完全依赖车企自身的研发人员。其中涉及许多Conner case，超出了车企的自研能力与精力。借鉴智能手机的开发模式，引导发展开发者经济，成为主机厂的一条可选路径。

在杀手级应用的探索上，数字化厂商提供的汽车性能相关应用、针对特殊人群的自动驾驶场景，比如视障人士、老年人等等，手机移动端娱乐休闲应用的平移、甚至是出行及服务场景下汽车作为第二空间可延伸出的其他应用，都是潜在的探索区域。

开发者们跃跃欲试的背面，是主机厂顾虑的数据安全问题。车端数据不仅涉及终端用户隐私，也关系到行车安全。在36氪的调研过程中，有主机厂的自动驾驶研发负责人表示，在汽车朝向智能网联发展的同时，网络安全和信息安全也是主机厂重点关注的部分。这既需要国家出台相应法规进行监管，也有赖主机厂从技术层面限制对车端数据的提取。

• 重资产模式VS轻资产模式

在商用场景中，自动驾驶公司也出现了不同盈利模式的分化，在轻资产模式和重资产模式之间各有偏好。

1) 轻资产模式：自动驾驶科技公司与传统汽车主机厂和运营商建立第三方合作关系：比如在干线物流场景中，自动驾驶科技公司向物流平台方提供自动驾驶解决方案和技术服务，传统主机厂向物流平台方销售重卡或者科技企业直接赋能主机厂，由主机厂向物流平台销售无人驾驶重卡；物流平台方根据托运人的需求划分自营和第三方车队，这两类车队也与传统主机厂、自动驾驶科技公司和物流金融服务商形成合作关系。

2) 重资产模式：自动驾驶科技公司起主导作用：比如在物流或环卫场景中，自动驾驶科技公司购买自动驾驶终端载体如重卡、环卫车等等，将其与自动驾驶解决方案和技术一同售卖给物流平台、环卫运营商；此外物流运营商和环卫运营商也可以向自动驾驶科技公司租赁自动驾驶车队，按里程或时间向自动驾驶公司支付租赁费用和自动驾驶技术服务费。