自动驾驶专题研究报告：场景先行，高级别自动驾驶商业化加速落地

（报告出品方/作者：中金公司，胡誉镜、彭虎）

核心观点

我们判断当前高级别自动驾驶呈现出以下几方面的关键趋势：1）渐进式与一步 到位式路线并行：量产落地与算法优化并不矛盾，二者能够相互驱动，形成飞轮 效应；2）纯视觉识别存在缺陷，激光雷达成为刚需：L3+自动驾驶首要满足安全 性要求，采用摄像头与毫米波雷达、激光雷达共同协作的方案成为行业共识；3） 车载硬件成本居高，但呈现快速下降趋势：我们判断自动驾驶硬件成本有望快速 下降，到 2023 年激光雷达单价有望下降至$500 左右；4）MCU 供不应求，车载 芯片厂商地位上升：汽车芯片供应商在产业链中由 Tier2 转变为 Tier1，成为车载 计算平台提供商，单台 ADU 成本有望降至万元以下；5）车路协同降本增效，中 国市场领先全球：智慧交通和 V2X 车路云协同技术有望带来路侧红利。 我们测算高级别自动驾驶潜在市场规模达万亿元级。

我们预计：1）自动驾驶货 车商业模式清晰，有望超预期落地：L3 级即可落地盈利，投资回收期仅为 2 年， 有望带来 6%以上的毛利率净增；2）无人驾驶出租车将在 2025 年前后达到成本 拐点：出行服务公司采用自动驾驶系统的总成本将持续降低，国内 Robotaxi 落地 进程和乘坐体验不断超出市场预期；3）AVP 可率先实现高级别自动驾驶在城市 场景的落地：预计中国 2024 年 L3/L4 级自主泊车系统新车装配率达到 9%以上， 并可通过后装具备自主泊车能力，同时记忆式泊车将加速 AVP 落地；4）无人末 端配送有望快速落地封闭小区、企业园区等场景，带来成本和效率的优化：无人 配送车不存在上路牌照问题、硬件成本低、无需安全员，预计规模量产后整车成 本可降至 15 万元以下；5）矿区自动驾驶是需求刚性、高确定性的落地场景：矿 用机械无人化改装和矿区无人开采运输潜在市场巨大，中国厂商具备本土优势。

一、高级别自动驾驶的内涵与商业化落地

自动驾驶汽车（Autonomous Vehicles，AV）指通过搭载先进传感器等装置，运用人工智能 等新技术，具有自动驾驶功能的新一代汽车，又称为智能网联汽车、无人驾驶汽车。本篇 报告中，我们提出对高级别自动驾驶产业的五大趋势判断，重点分析五类细分场景的商业 可行性、主要玩家与落地前景。我们认为，L3 级高速公路有条件自动驾驶、L4 级自主代客 泊车、矿区自动驾驶和无人末端配送将在 2025 年前量产落地，L4 级无人 Robotruck/Robotaxi 有望在 2025-2030 年开始商业化落地。

我们认为，高级别自动驾驶最大的优势和风险均来自系统对于人类驾驶员的替代。高级别 自动驾驶商业化落地，本质上是考虑自动驾驶系统对人类驾驶员的替代效用是否大于成本。 风险在于，当前自动驾驶的软硬件成本高昂，识别技术和算法尚未完善，而真正成熟落地 必须解决商业化量产问题；优势在于，自动驾驶汽车能够持续作业、控制驾驶水平稳定性、 减少安全暴露风险。因此，从运行环境的角度讲，越简单的路况环境和越标准的作业流程， 就越能够批量落地自动驾驶系统，带来成本规模效益；从驾驶主体的角度讲，越能代替人 类驾驶员疲劳驾驶、高危作业的场景，越有替代价值。

高级别自动驾驶市场落地场景广泛，规模可达万亿元。应用场景主要可分为 2C（乘用车）、 2B（商用车）和 2G（政府国企）等。按潜在规模测算，我们预计中国高速城际物流市场达 3.3 万亿元，自动驾驶出行服务市场近 1.7 万亿元，矿区无人驾驶市场近 6,700 亿元，无人 末端配送市场达 1,700 亿元，自主代客泊车市场规模约 800 亿元。

通常以 L3 级别为界，将 L0-L2 级视为自动驾驶辅助系统（ADAS），将 L3 级及以上视为高级 别自动驾驶。类似于人类，自动驾驶系统的工作系统可分为感知层、决策层、执行层，这 是实现自动驾驶的三大关键系统。

感知层：通过传感器探测周围环境，将各类环境信息转换为电信号。车载传感器包括 摄像头、激光雷达（LiDAR）、毫米波雷达、超声波雷达等，路侧辅助系统包括高精度 地图、全球导航卫星系统（GNSS）、惯性导航系统（INS）、车用无线通信技术（V2X） 等。

决策层：依托车载计算单元，利用算法分析环境数据，并发出操作指令。车载计算芯 片由 CPU 向 GPU/TPU 转变，并结合云计算和 AI 算法。决策过程包括基于高精地图的 路由寻径（Route Planning）、基于路况环境的行为决策（Behavior Decision）和基于约 束条件的动作规划（Motion Planning）。

执行层：根据指令，通过各种执行器完成相应的汽车操控。控制系统由传统汽车离散 式的电子控制单元（ECU）向集中式的域控制器（DCU）和多域控制器（MDC）转变。 依据决策结果对车辆执行指令，反馈控制（Feedback Control）满足车辆动态姿态限制 的方向盘转角δ和前向速度 νr，以及车灯、鸣笛、雨刮等指示操作。

从简单到复杂、从限定到开放，汽车的内涵与外延已经逐步从一种“交通工具”变为“轮 式机器人”。为什么说 L3 是低级别和高级别自动驾驶的分水岭？因为从 L0-L2 级实现的是对 肢体动作的指令替代，更多的是“物”的属性，而 L3 级及以上自动驾驶系统则具备了自主 信息处理能力，更加具备“人”的属性。有朝一日，《变形金刚》系列电影中的汽车机器人 或将成为现实。

我国自动驾驶迎来发展新阶段。2020 年 2 月，国家发改委、工信部等 11 个部委联合印发 《智能汽车创新发展战略》，明确提出建设中国标准智能汽车和实现智能汽车强国的战略目 标，包括构建协同开放的技术创新体系、跨界融合的产业生态体系、先进完备的基础设施 体系、系统完善的法规标准体系、科学规范的产品监管体系、全面高效的网络安全体系等 六大重点任务。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 年）》，提出高级别自动驾驶商业化落地目标：到 2025 年，高级自动驾驶汽车实现限定区域 和特定场景商业化应用；力争到 2035 年，高级自动驾驶汽车能够实现规模化应用。

中国高级别自动驾驶市场空间潜力巨大。2020 年中国乘用车销 量 2,018 万辆，商用车销量 509 万辆。我们预计 2021E-2025E 中国乘用车出货量有望逐年达 到 2,361/2,432/2,505/2,580/2,657 万辆，2021E-2025E 中国商用车出货量有望逐年达到 458/474/490/507/525 万辆。我们认为，随着自动驾驶技术的成熟以及新时代下整机厂将自 动驾驶作为汽车卖点之一，L3+自动驾驶汽车的比例预计将快速提高。我们预计，中国 2021E-2025E L3 自 动 驾 驶 渗 透 率 有 望 分 别 达 到 2.3%/4.0%/6.3%/9.1%/11.2% ， 中 国 2022E-2025E L4/L5 自动驾驶渗透率有望分别达到 0.3%/0.5%/1.3%/2.2%。

二、核心问题，对高级别自动驾驶产业的趋势判断

潜龙勿用，阳在下也，每一次科技革命的浪潮都不是一蹴而就，高级别自动驾驶技术同样 经历了从期望过度膨胀到跌落，再重新爬升的过程。2018 年以前，直接面向 L4 的初创公 司获得了市场热捧，但其商业化落地受到了明显的成本瓶颈和法规限制，高德纳咨询公司 （Gartner）发布的新兴技术成熟度曲线显示，高级别自动驾驶（Autonomous Driving L4）在 2019 年进入了泡沫化低谷期，距离完全成熟落地可能仍需要超过 10 年的时间。

一级市场投融资是对产业的直观反映。投融资数据显示，在经历了 2016-2018 年的疯狂后， 产业内和投资者意识到高级别自动驾驶落地远没有此前想象的容易，因此在 2019 年进入了 资本寒冬。然而，进入 2021 年以来，仅仅 3 个月时间中国自动驾驶赛道披露的投融资额已 经超过 2019 年全年。要理解 2021 年和 2018 年的本质区别，关键是要厘清高级别自动驾驶 的趋势变化，并看到商业化落地场景的全新局面。

我们认为，智能汽车产业将在下一个十年中将呈现电动化、智能化、网联化和共享化的趋 势。整车品牌、整车制造、零部件、软件服务等有望孕育平台型汽车企业，市场份额更加 走向集中化。主要玩家将具备自动驾驶能力、硬件整合能力、跨平台软件和服务变现能力， 以及无人车运营能力。本土品牌厂商有望崛起，通过软件及服务体现差异性，并从硬件向 软件及服务转型，带来车企利润率及客户粘性的提升。

我们判断，当前高级别自动驾驶呈现出以下几方面的关键趋势：1）飞轮驱动，渐进式与一 步到位式路线并行；2）纯视觉识别存在缺陷，激光雷达成为刚需；3）车载硬件成本居高， 但呈现快速下降趋势；4）MCU 供不应求，车载芯片厂商地位上升；5）车路协同降本增效， 中国市场领先全球。

自动驾驶的终局是高级别自动驾驶，即 L3+完全无人驾驶。高级别自动驾驶商业化落地最 终一定是规模化、可盈利的，只有这样才能对人力成本有效替代。人类驾驶员平均水平约 为每 1 亿公里出现一次致命事故，因此高级别自动驾驶至少要做到同数量级或高一个数量 级，才能产生规模量产的指数化效益。借鉴 Momenta 的算法，实现规模化 L4 的总成本可 分为研发成本和数据成本，即：

实现规模化 L4 的总成本 C = 研发成本 + 数据成本

= 问题个数 N×单问题研发成本 R + 测试总里程 M×单公里数据成本 D

客观上预计长尾问题个数 N 达到百万量级，需要的测试总里程 M 达到千亿公里，因此，降 低单问题研发成本 R 和单公里数据成本 D 成为降低总成本 C 的必然选项。目前行业内开展 自建车队的方式，其 R 与 D 均十分高昂，需要完全自购自动驾驶车辆和相关软硬件，是一 种重资产的运营模式，给自动驾驶科技公司的现金流带来较大压力。

不论采用哪种路径，实现高级别自动驾驶的都是最终目标，不同的企业具备不同的基因和 资金，实则体现了对于自身而言最高效最现实的选择。我们认为，量产落地与算法优化并 不矛盾，二者能够相互驱动，即通过真实的落地场景，将 L3 及自动驾驶系统搭载在客户车 辆上，在为客户解决问题的同时积累海量真实问题数据，形成“量产-数据积累-算法优化市场接受度提升-增加量产”的飞轮效应。同时，可以借助客户的真实驾驶需求，规避给每 个自动驾驶测试车辆配备 1-2 位安全员的人力成本。这也是自动驾驶厂商近两年积极推动 量产落地的重要原因之一。

早在 2014 年，特斯拉发布自动驾驶辅助系统 Autopilot，属于 ADAS 级别。2019 年，特斯拉 CEO 埃隆·马斯克（Elon Musk）宣布推出自动驾驶芯片 FSD（Full Self-Driving），认为采用 纯视觉识别方案可解决高级别自动驾驶问题。Autopilot 可实现自适应巡航和自动转向，FSD 作为选装套件可实现高速和识别信号灯，都只满足 SAE 定义的 L2 级别辅助自动驾驶。

我们认为，纯视觉识别算法具有先天缺陷：自动忽略静止物体。特斯拉坚持采用纯视觉识 别技术，带来可观商业化效用的同时，也频频发生自动驾驶安全事故。由于视觉图像含有 大量冗余信息，芯片算力无法解析（或者不经济），因此特斯拉选择赋予运动的物体更高的 算法权重，因此在 Autopilot 模式下频频撞上停在路边的静止车辆。我们认为，单纯依赖视 觉方案存在以下隐患：1）光照依赖：光照不良时（强光/逆光/夜晚/恶劣天气），作用大幅受限；2）须 2D 转 3D：获取 2D 信息，需经算法处理转换为 3D 信息，精确度和时效性不 及能直接从外界获取位置信息的激光雷达；3）算力及成本：光学方案下，成熟算法要求海 量数据作为训练基础以及更高芯片算力保障，相应成本水涨船高。而 L3 级以上高级别无人 驾驶系统首先要满足安全性的要求，因此业界共识必须采用摄像头视觉识别与毫米波雷达、 激光雷达共同协作的方案。尤其是激光雷达强大的抗恶劣条件能力和三维建模能力，使其 成为高级别自动驾驶量产落地的必备刚需。

企业在量产成本与安全性之间进行权衡，这是自动驾驶商业化落地的矛盾所在。参照 Velodyne、华为等公司披露的方案，我们认为高级别自动驾驶主流的技术方案为：L3 自动 驾驶乘用车/商用车搭配 1-3 颗前向激光雷达，L4/L5 自动驾驶乘用车/商用车搭配 4 颗激光 雷达。L4 自动驾驶的硬件设备还包括感知层的 8-11 台摄像头，12 台超声波雷达，5-8 台毫 米波雷达，和 GNSS/IMU 定位系统等。我们简单测算L2-L4 级自动驾驶感知层的硬件成本， L2 级的 3600 元左右跃升至目前 L3 级的 22,000 元左右，L4 级则高达 32,600 元。

守得云开见月明，自动驾驶硬件成本有望快速下降。我们在《激光雷达 2：车载激光雷达 推动 L3+自动驾驶，有望成为千亿元赛道》中指出，激光雷达价格下降将促进出货量提升， 进一步带来规模效应促其成本下降。结合草根调研，我们预计当前可量产激光雷达的平均 价格约为$1,000，到 2023 年激光雷达单价有望下降至$500 左右，远期 L3 成熟、L4/L5 导入 千万台量产时单台激光雷达成本将降至$100 以内。参考计算机发展过程中著名的“摩尔定 律”：计算机的性能每隔 18 个月翻一倍，即每过一年半时间，价格降为二分之一，硬件的 降价趋势将为自动驾驶提供成本可行性与商业利润空间。

2020 年年底以来，全球范围内半导体供给短缺，汽车行业发生“芯片荒”。目前短缺的主 要是用于电子稳定控制器（ESP）和电子控制单元（ECU）中的微控制器（MCU，Microcontroller Unit）。ESP 属于汽车主动安全系统架构，ECU 用于控制单元包括传统的底盘控制和自动驾 驶车载芯片，因此MCU 是汽车控制安全的核心部件。据 IHSMarkit 预测，2020-2026 年汽 车芯片收入将从 380 亿美元增长到 676 亿美元，复合年均增长率达到 7％。

除了新冠疫情、德州暴风雪、日本瑞萨工厂火灾等短期不利因素外，我们认为，形成当前 汽车芯片短缺的长期原因有三方面：1）汽车芯片厂商深度依附于整车厂，比如瑞萨与丰田 联盟、英飞凌与德系车企联盟，三大 MCU 巨头通过这种形式获得了近七成的市占率；2） MCU 产能过于集中：全球汽车 MCU 产品供应主要由瑞萨、NXP、英飞凌、德州仪器等 7 家 半导体公司掌控，由于 MCU 芯片主要采用 200mm 晶圆工艺制程，芯片公司选择将其外包 ——台积电代工了全球 70%以上的车载 MCU；3）整车厂对车载芯片要求严苛，短期内需 求远超供给：车载芯片对于安全性要求，必须满足专门的 AEC-Q100 一系列认证，因此用于 消费电子的芯片生产线无法直接用于汽车芯片生产。

随着自动驾驶对高算力需求不断提升和向 SoC 芯片的进化，车载芯片厂商的产业链地位有 望从传统 Tier2 转变为提供车载计算单元的 Tier1。出于安全考虑，决策层需要配置 2 台车 载计算平台（ADU）以提供冗余算力。目前每台车载计算单元 ADU 的售价在 4-5 万元左右， 我们预计随着未来量产，单台 ADU 成本有望降至万元以下。车辆驾驶的安全要求芯片具有 较高的可靠性，IC 厂商需要通过由汽车电子协会（AEC）制定的集成电路资格认证 AEC-Q100， 包括 7 大类别共 41 项测试，以及专门针对车用安全性标准 ISO-26262 中的汽车安全完整性 等级 ASIL 认证，整个完整周期需要 3-5 年的时间，产生先发优势认证壁垒。

智慧交通和 V2X 车路云协同技术有望带来路侧红利，分担大量的路况感知和数据运算。通 过路侧辅助系统，降低车载自动驾驶系统的投入成本。据百度 Apollo 测算，V2X 车路云协 同技术每年可为一座大城市节省 1500 亿元，避免 94%人为造成的交通事故；所有路况数据 传输到云端，通过计算分析，将信息反馈到各方面的交通参与者，可解决 54%单车智能遇 到的问题。通过在信号灯、路灯等路侧设施上安装路侧计算单元（RSCU），5G 传输低延时 信号，实时分担车载计算。同时，交通管控平台可帮助自动驾驶车辆规避视觉盲区，提前 获知几百米内的路况，做出最优路径规划。

我们判断，中国高级别自动驾驶市场将领先全球。从经济学的角度讲，当一项产品/功能带来的消费者 效用大于生产者的成本时，就具有了市场需求基础，自动驾驶系统生产商的目标即把增加 的自动驾驶系统成本应控制在消费者接受的溢价之内。我们认为，出行习惯和油耗成本决 定了中国等发展中国家在城市化过程中，新城市人倾向于选择公共交通和共享出行方式。 因此，自下而上形成了对自动驾驶的积极性，考虑到人口基数效应，我们预计，中国的自 动驾驶市场前景将比欧美更加广阔。

三、场景先行，高级别自动驾驶商业化落地分析

第一个维度是环境复杂度。信息论之父香农（Shannon）提出信息熵概念，环境复杂度实则 是信息熵，即不确定性事件发生的可能性，因此，开放道路的信息熵要高于封闭道路，城 市道路的信息熵要高于高速公路。车辆智能化的过程是一个不断增加数据输入的过程，安 全性对于感知层冗余的要求使得相应的信息熵不断增加，因此需要算法对其进行有序化熵 减，通过逻辑判断输出为简单可执行的电子/机械命令。

第二个维度是运行冗余度。冗余度是自动驾驶车辆系统的安全边际，车辆位置空间变化及 路径矢量 s = v0t+0.5at2，因此初始速度、系统加速度和反应时间共同决定了车辆调整空间位 置所需路径。初始速度即该场景下的正常行驶速度，加速度主要受动力系统和环境路况的 影响，反应时间受到感知速率、决策效率和执行速度的影响——5G 和传感器提升感知速率， AI 算法提升决策效率，域控制器提升执行速度。

我们对自动驾驶商业化落地持乐观态度。我们认为，L3 级高速公路有条件自动驾驶、L4 级 自主代客泊车、矿区自动驾驶和无人末端配送将在 2025 年前落地，L4 级无人 Robotruck/ Robotaxi 有望在 2025-2030 年开始商业化落地。

货运行业供需矛盾将推动高速干线物流场景快速落地。需求方面，公路运输一直是我国货 运体系的主要方式，国家统计局数据显示，2011-2019 年中国货运总量持续增长，2020 年 受新冠疫情影响有所下降。2020 年全国公路货运量 342.64 亿吨，占货运总量的比重高达 73.93%。我们测算，2020 年全国公路运输总费用约为 6.1 万亿元中，城际货运占比过半， 潜在市场规模超 3.3 万亿元。

供给方面，长途货运的运输效率不高、有效里程偏低、货车司机不足。交通运输部数据显 示，截至 2018 年底，我国营运货车 1355.82 万辆，连续五年下降。我国单货车年运输量在 2500 吨至 3000 吨，实载率仅为六成，较发达国家低 15%至 20%；日有效行驶里程 330 公 里，较发达国家低 470 至 670 公里。截至 2019 年 5 月，我国货车司机 1800 万，已经连续 五年持续下降，总体缺口率为 16.5%，部分地区达到 20%以上。

我们认为，自动驾驶货车（Robotruck）商业模式清晰，有望超预期落地。Robotruck 在长 途物流运输时，可以将 2 名司机减少为 1 名，在短途运输时可以减少单个司机的工作量， 为司机个人和货运企业带来显著的成本效益。同时，人类驾驶员存在个体差异和行为波动， 而 Robotruck 可以通过算法控制最优的油耗性能和安全距离。燃油成本占卡车 TCO 成本的 三到四成，车企实验数据表明，自动驾驶系统可以控制油耗下降 5%-10%，若采用货运车队 行驶，还可进一步减少风阻，降低长途油耗。

我们对自动驾驶货车的投资回收期和成本效益做了简单测算，由于长途货车配备 2 名及以 上驾驶员，因此无需等待 L4 级技术完全成熟，L3 级即可带来缩减单名驾驶员的成本优化。 1）投资回收期：燃料费用和人力成本是卡车整个 TCO 中最大的两部分开销，按油费节省 1.5-3 万元，人工费用节省 12 万元计算，L3 级自动驾驶的投资回收期仅为 2 年。2）毛利率： 按 3 年摊销自动驾驶系统成本，即每年 7 万元左右，燃油费节省 1.5 万元/年，人力成本节 省 12 万元/年，假设单车每年创收 100 万元，则能够带来 6%以上的毛利率净增，这对于国 内毛利率仅在 10%左右竞争激烈的长途货运行业而言具有较大的吸引力。3）OTA 升级：从 L3 级自动驾驶系统升级到 L4 级自动驾驶系统，无需重新购买硬件系统，只需进行 OTA 在线 升级，长期成本可控。

目前中国的自动驾驶货车玩家主要有图森未来、嬴彻科技、智加科技、主线科技等，均已 开展了自动驾驶卡车道路测试，并和整车厂、Tier1、芯片商等开展密切合作，获得物流背 景公司的重要投资。嬴彻科技和智加科技采取了 L3 级落地渐进到 L4 的策略，预计 2021 年 实现 L3 级量产，并给出了 L4 级 Robotruck 在 2023-2024 年左右实现量产落地的目标。2021 年 3 月 23 日，图森未来正式向美国证券交易委员会（SEC）提交 IPO 招股书。

自动驾驶出租车（Robotaxi）是由自动驾驶系统控制的共享出行方式。只有完全无人化才能 称之为真正的 Robotaxi，以实现人工成本降低的效果，然而，L4 级的技术难点在于完全无 人化下，自动驾驶系统对城市道路中海量 Corner Case 的有效识别和反应。想要实现对长尾 状况的覆盖，必须增加硬件层面的感知能力，也必须提升软件层面的数据处理能力，以应 对快速变化的复杂城市路况。此外，V2X 车路云协同技术有望帮助 Robotaxi 实现城市出行 路径规划和安全驾驶。

我们预计出租车公司采用自动驾驶系统的总成本将持续降低，到 2025 年将降至 8,000 美元 左右（包括传感器、车载计算平台、软件等），Robotaxi 在 2025 年前后迎来成本拐点。麦 肯锡（McKinsey）未来出行研究中心预计，中国 2030 年自动驾驶将占到乘客总里程（PKMT） 的约 13%；到 2040 年，自动驾驶占乘用车总路程比例将达到约 66%。到 2030 年，自动驾 驶乘用车将达到约 800 万辆，自动驾驶汽车总销售额将达到约 1.5 万亿元（2,300 亿美元）， 基于自动驾驶的出行服务订单金额将达到约 1.69 万亿元（2,600 亿美元）；到 2040 年，自 动驾驶乘用车将达到约 1350 万辆，自动驾驶汽车总销售额将达到约 3600 亿美元，基于自 动驾驶的出行服务订单金额将达到约 9400 亿美元。我们判断，一旦自动驾驶成本降至盈亏 平衡点以下，在市场规模和出行服务收入驱动下，自动驾驶出行市场抵达拐点，出租车企 业将会加速配备自动驾驶系统。

国内的自动驾驶路测起步较晚，但进展较快，Robotaxi 落地进程和乘坐体验不断超出市场 预期。2017 年 12 月，《北京市自动驾驶车辆道路测试管理实施细则（试行）》首次规范推 动自动驾驶真实道路测试。2018 年 3 月，上海成为国内首个发放自动驾驶道路测试牌照的 城市，截至 2020 年底，已有北京、上海、广州、长沙、天津、重庆、肇庆、杭州、深圳、 沧州等 27 个城市发布了自动驾驶相关道路测试政策，国内累计发放 409 张自动驾驶道路测 试牌照。2020 年前后，百度 Apollo、AutoX、小马智行、文远知行、元戎启行、滴滴出行、 曹操出行、驭势科技等陆续均开放了面向公众的试乘服务。

随着中国城市化的进程和居民收入的提升，截至 2020 年末，全国汽车保有量达 28,087 万 辆，其中私人汽车保有量 24,393 万辆；汽车保有量超过 100 万辆的城市达到 70 个，其中 北京、成都、重庆、苏州、上海、郑州均超过 400 万辆。但与发达国家及我国香港地区相 比，大陆主要城市的车辆车位比有较大差距，平均每 2 辆车只有 1 个停车位；另一方面， 已有的城市停车位使用率仅有 50%左右，进一步加剧了泊车耗时和难度。

自动驾驶在泊车场景呈现渐进衍化的趋势。L2 级的自动泊车辅助系统（APA） 已经广泛应用于量产车型，在高端车型的渗透率超过 80%，仅 2019 年有近 50 款车型搭配 APA 功能。高级别自动驾驶技术方面，L3 级的远程遥感泊车辅助系统（RPA）和 L4 级的自 主代客泊车（AVP）日趋成熟。我们认为，AVP 有望率先实现高级别自动驾驶在城市场景的 商业化落地。泊车从停车场入口到停车位之间，具有低速、区域确定、封闭场景等特点， 能帮助驾驶员降低大量寻找、拥堵、倒车的时间和难度。

高级别自动驾驶泊车商业模式清晰，市场增长潜力巨大。科技公司可通过出售 AVP 解决方 案或 C 端收取运营费盈利，车企可从通过装载 AVP 系统吸引用户提高售价，停车场可通过 场地改造及运营增加停车率，用户可通过 AVP 功能节省时间。我们预计，中国 2024 年 L3/L4 级自动驾驶泊车系统新车装配率有望达到 9%以上。国家统计局数据显示，截至 2020 年末， 全国私人汽车保有量 24,393 万辆，比上年末增加 1,758 万辆。按全国每年私人汽车保有量 净增 2,000 万辆计算，目前单套 L3/L4 级自主泊车系统价格在 3000-5000 元左右，中国 AVP 泊车潜在市场空间达 800 亿元。

此外，记忆式泊车（Trained Parking）有望加速高级别自动驾驶落地。大众在 2015 年 CES 亚洲消费电子展上展示了这项技术，2020 年小鹏 P7 推出了“停车场记忆泊车”功能。记 忆泊车属于 L3+级自动驾驶，核心原理是定位与地图构建（SLAM），能记录并存储泊车程序 的顺序。人类驾驶员第一次手动驾驶演示路线和操作，自动驾驶系统根据 360 度全景摄像 头生成周边精确环境，下一次使用记忆泊车功能时，汽车通过比对周围环境，自主完成泊 车。记忆式泊车技术可应用于重复性较高的标准化场景，比如家庭车库泊车、单位车库泊 车等，有望率先铺开落地。

中国电商和外卖的兴起，带来了配送行业的蓬勃发展。但从末端快递点到客户手中的最后 一公里，仍成为配送过程中的痛点：1）末端配送小批量、效率低：以顺丰为例，其终端小 车装载率仅为 50%-60%，快递员需要多次往返；2）末端配送分布零散：客户订单时间和范 围的交错，使快递员需要重复跑路，快递员工作负荷和时长增加，企业需要增加快递员数 量；3）配送车辆安全性不高，监管难度大：国内快递末端配送往往采用电动三轮车，在车 速、质量、牌照等方面存在安全隐患，处于机动车监管的灰色地带。

无人末端配送有望利用高级别自动驾驶技术，快速落地封闭小区、企业园区等低速、确定 性场景，带来成本和效率的优化。1）无人配送车不存在上路牌照问题：速度符合《道路交 通安全法》规定的“有动力装置但设计最高时速、空车质量、外形尺寸符合国家标准的残 疾人机动轮椅车、电动自行车等交通工具”，属于非机动车；2）无人配送车成本可控：传 感器探测距离短、配置低，数据融合所需计算量较少，对芯片、计算平台要求低；3）无人 配送车不需要安全员：未来运维人员与车辆可达 1：20，可有效降低人力成本。

2020 年新冠疫情大大加速了无人驾驶末端配送的落地。京东、美团、百度、菜鸟、行深智 能等开启外卖、餐饮、快递、邮政等无人配送，新石器、白犀牛参与了武汉雷神山等医院 的医疗和生活物资配送。我们预计，2020-2022 年期间无人配送车开始规模化落地，规模量 产后整车成本可降至 15 万元以下。假设需要 15%的运维费用，按每辆无人配送车使用寿命 3 年计算，则摊销到每月成本约为 4792 元，显著低于快递员平均薪酬水平（6281 元）。伴 随着硬件成本降低和人力成本升高趋势，无人末端配送已具备商业量产可行性，据艾瑞咨 询测算，2020 年我国“最后一公里”即时物流行业市场规模达 1,700 亿元。

矿区自动驾驶是自动驾驶刚性需求、高确定性的落地场景。自然资源部数据显示，中国煤 矿存储总量接近 1.7 万亿吨，矿区总数超过 10 万座，产生了约 2 万亿方的开采和运输需求 总量。矿区开采（包括煤、铁、铜、稀土等）主要分为地下开采和露天开采两种工艺，全 世界 40%的煤矿和 80%的铁矿都采用露天方式开采。在中国的露天矿藏中，煤矿占市场规 模的 90%以上，煤矿和铁矿合计占露天市场规模的 98%。

国内露天矿区运输长期以来痛点明显，无人化需求强烈。1）场景高危，安全事故频发：矿 用车车体大、盲区多，碾压碰撞等事故隐患多、危害大；空气质量爆表，含硫气体、粉尘 等物质长期危害健康。2）成本高昂，经济效益低下：采矿业最初的红利已经消失，在存量 博弈下，开采牌照、人力成本、运输成本逐年升高，人员驾驶不规范消耗油耗高。3）劳动 力紧缺，高强度作业：矿区人员的老龄化程度比想象的更加严重，且年轻人不愿从事采矿 运输行业；司机连续作业时间长，休息时间不足，安全感幸福感低。

我们认为，露天矿藏有望成为高级别自动驾驶在矿区落地的先行场景，封闭确定的环境、 固定的运输路线、低速的行驶要求，使得无人驾驶落地难度较低。矿用车是露天矿的运输 环节中最主要的设备，可分为大型矿用卡车和宽体自卸车。自动驾驶系统可通过矿用机械 无人化改装和矿区无人开采运输两种方式落地。大型矿用卡车多为国有，吨位大售价高， 对价格敏感性较低，可以通过前装、改装以及平台运营方式计费。我们测算，中国大型矿 卡存量改装市场约 675 亿元，平台运营按 15 年累计摊销达 1,500 亿元，宽体自卸车改装市 场达 1,520 亿元，无人开采运输市场达 3,000 亿元。我们测算，无人驾驶在矿区场景落地的 总市场规模达近 6,700 亿元。

矿区自动驾驶商业模式成熟。国外矿区公司早在 20 年前就开始探索自动化改造，2008 年 左右开始商业化落地。据统计，卡特彼勒（Caterpilar）目前在全球已有 276 辆自动驾驶卡 车在运营，使用 MineStar系统移送的物料超过 20亿吨。截至 2020年 4月，日本小松（Komausu） 共有 221 辆装备了 AHS 系统的车辆部署在澳大利亚、北美和南美洲，在 12 年时间内共自动 化运输了超过 35 亿吨材料。

另一方面，我国公司具备本土垄断优势。矿藏的属性特殊，地形、产量、品质等属于国家 保密信息，具有国企垄断性质。我们认为，国外公司很难进入中国市场，因此本土矿区自 动驾驶公司具备足够的成长时间空间。国内的主要公司包括慧拓智能、踏歌智行、易控智 驾、希迪智驾等，并与主机厂、通信设备商、矿企和矿区等建立了紧密的合作联系。

（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。）