从特斯拉智能驾驶看人形机器人发展路径.docx

目录

软件：从规则驱动到数据驱动，大模型带来产业链重构 6

智能驾驶软件：先做加法再做减法 7

机器人软件：越过L2，直接从具身智能开始 12

硬件：性能触及边界之后的再优化 15

智能驾驶硬件：性能与成本之间的平衡 15

机器人硬件：性能优化与云边端协同 19

商业模式：从制造到运营，机器人有望复刻路径 22

软件在产业链中具备最高价值量 23

人形机器人或复刻RoboTaxi路径 24

投资建议：关注模拟仿真相关标的 26

风险提示 28

图表目录

图1：智能驾驶技术通常被分为L0到L5共6个级别 6

图2：L3级的人形机器人算法转向数据驱动 7

图3：智能驾驶感知、决策与控制之间的关系 7

图4：规则驱动下的智能驾驶算法 8

图5：规则驱动的算法难以覆盖长尾场景 9

图6：理想几千人的团队解决CornerCase 9

图7：高通新一代舱驾融合智驾芯片 9

图8：特斯拉FSDV12实现了端到端的自动驾驶 10

图9：特斯拉HydraNet方案 10

图10：2021年特斯拉HydraNet智驾系统结构 10

图11：OccupancyNetwork可以识别3D空间的体素 11

图12：2022年特斯拉OccupancyNetwork智驾系统结构 11

图13：截至2024年6月，FSD里程数据已突破16亿英里 12

图14：AI模型的演进方向 13

图15：谷歌RT-2模型采用大模型作为底层框架 13

图16：VLA是端到端的机器人系统，具备较高的运行效率 14

图17：机器人模型的两条技术路径 14

图18：拖动示教快速丰富机器人动作数据 15

图19：Optimus机器人在工厂 15

图20：智能驾驶感知硬件功能俯视图 16

图21：视觉派和激光雷达派各自代表厂商 17

图22：特斯拉纯视觉传感器方案 17

图23：特斯拉智驾系统算力迅速提升 18

图24：特斯拉HW3.0智驾芯片内部构造 18

图25：Optimus手指采用触觉传感器 20

图26：Optimus脚部采用的力和力矩传感器或为六维力传感器 20

图27：云端大脑与端侧模型特点对比 20

图28：DojoD1芯片参数 21

图29：DOJOD1性能超越英伟达A100 21

图30：Dojo超算平台为特斯拉带来了什么 21

图31：到2024年10月Dojo超算平台算力有望达到100EFlops 21

图32：英伟达NVlink架构 22

图33：特斯拉Dojo超算中心结构 22

图34：人形机器人产业链图谱 23

图35：全球FSD搭载比率 23

图36：FSD在全球各地的订阅收入（百万美元） 23

图37：国内不同城市无人驾驶落地节奏 24

图38：特斯拉设想的手机App的打车服务界面 25

图39：人形机器人有望仿照RoboTaxi模式，快速实现投资回报 26

图40：超过20个机器人使用AutoRT自主收集现实世界数据集 27

图41：ISSAC数字孪生系统提升了机器人可用训练数据规模 27

表1：不同场景下的部分智驾功能模块 8

表2：FSD迭代历程 11

表3：特斯拉机器人发展的关键节点 15

表4：特斯拉智能驾驶硬件 16

表5：不同芯片种类的优劣点 19

表6：AutoPilot和FSD价格变化（美国，美元） 24

软件：从规则驱动到数据驱动，大模型带来产业链重构

智能驾驶行业与人形机器人行业具备多处共性。智能驾驶的技术进步本质上是通过人工智能高技术供给，驱动交通行业从数字化向智能化转型的过程。在此过程中，车辆与环境互动能力提升，交互门槛降低；与此相对应的，人形机器人也是通过人工智能的高技术供给，驱动制造业/服务业从数字化向智能化转型的过程，在此过程中机器人与环境互动能力提升，交互门槛降低。因此，复盘智能驾驶的发展历程，对研究人形机器人的产业变革具备较强的参考意义。

智能驾驶技术按照能力划分通常被分为L0到L5共6个级别。L0-L2级智能驾驶又被

称为辅助驾驶（ADAS），主要由人类驾驶者负责车辆的操控与决策，并且为最终行驶结果负责，智驾系统只起到辅助作用；而L3-L5级的智能驾驶由智驾系统负责车辆的操控与决策，其中L3级在特定条件下需要人类接管，L4级和L5级无需人类监督。目前，L0至L2级辅助驾驶系统已广泛普及，而L3至L5级的智驾也逐渐落地。

图1：智能驾驶技术通常被分为L0到L5共6个级别

L0