汽车智能驾驶行业深度报告：端到端与AI共振，智驾平权开启新时代.pptx

;

3.3决策层

3.3.1域控制器构成

3.3.2智驾域控市场逐渐走向合作定制化

3.3.3德赛西威：高算力智驾域控行业的领军企业

3.3.4Momenta：提供基于端到端技术架构的自动驾驶解决方案

3.3.5智驾域控芯片市场的竞争格局呈现多极化，SoC高性能更适应未来趋势

3.3.6地平线：软硬结合是必由之路

3.3.7黑芝麻智能：依托技术创新，构建自动驾驶芯片产品矩阵

3.4执行层

3.4.1线控底盘结构及优势

3.4.2智驾渗透加速线控底盘国产放量，行业格局集中，主机厂粘性高

3.4.3线控底盘技术在自动驾驶领域的应用正逐渐普及

3.4.4拓普集团：业务体系多元化，已形成XYZ三大系列产品线

3.4.5线控制动发展历程

3.4.6线控制动：EHBOne-Box当前是主流方案

3.4.7伯特利：线控制动持续攀升，全面打造XYZ三轴汽车底盘控制系统供应商

3.4.8线控转向：L4级及以上自动驾驶必备，尚处市场导入期

4.投资建议

5.风险提示;

端到端发展进入加速期，基于规则长期护航;

传统智驾系统的感知层、决策规划层和控制执行层之间

相互独立，信息传递容易积累误差，且智驾方案依赖于工程师通过代码制定的规则，难以处理所有复杂场景，边际效应随着智驾能力的提升呈现几何式骤减。与基于规则的传统自动驾驶算法结构相比，端到端算法基于数据驱动，可以实现信息的无损传递。同时，端到端架构将感知、预测和规划结合为一个可以共同训练的单一模型，整个系统都针对最终任务进行优化，并且共享的骨干网络大幅提高了计算效率，使智驾方案具备更高的迭代效率，有效降低了维护成本。;

端到端架构的本质是深度学习的全面使用与数据驱动。根据感知模块与决策模块之间的贯通程度，可分为模块化端到端与一体化端到端。

模块化端到端将感知模块和决策规划模块视为两个独立部分，分别使用神经网络，但模块之间仍存在人工设计的数据接口。例如，华为乾崑ADS3.0由GOD感知网络和PDP决策规划网络组成，GOD负责感知障碍物，PDP则根据感知信息迅速做出决策。一体化端到端则将感知与规控模块全部打通，形成一个统一的大模型，使系统能够更直接、高效地处理信息并作出反应。业内典型代表为特???拉、Momenta、理想等。这种架构取消了模块划分，减少信息损失的同时，对数据标注的需求也更少，同时具有更强的泛化性。从模块化端到端到一体化端到端是一种相对平滑的过渡形式。随着算法优化，技术将逐步向一体化端到端或端到端+多模态大模型的冗余双系统架构演进。

图2：端到端技术演进;

?早期探索阶段（2016-2018年）

2016年：英伟达（NVIDIA）推出DAVE-2。端到端概念的提出可以追溯至英伟达于2016年发表的论文《EndtoEndLearningforSelf-DrivingCars》。同年，英伟达发布了基于卷积神经网络（CNN）的端到端自动驾驶系统DAVE-2，通过摄像头图像直接输出转向指令。这是端到端技术的早期尝试，标志着自动驾驶从模块化向一体化迈进的起点。

2017年：Wayve.AI成立并发布“LearningtoDriveinaDay”。Wayve.AI采用强化学习结合深度学习的方法，仅用一天时间训练即可应对复杂城市驾驶场景，展示了端到端技术在快速学习和适应能力上的潜力。

2017年：Comma.ai推出OpenPilot。Comma.ai发布了OpenPilot软件，最初为L2级辅助驾驶系统，后逐步转向端;;;

强化学习是一种通过“试错”学习的方法。智能体（比如自动驾驶系统）通过不断地尝试不同的动作，并根据结果得到奖励或惩罚，从而学习哪些动作是好的，哪些是不好的。这种方法最早依托于“深度Q网络”（DQN）应用在Atari游戏中，通过学习来控制游戏中的角色。

在自动驾驶中，强化学习的目标是让车辆学会在复杂多变的交通环境中做出最优决策，例如如何转弯、加速、刹车等。由于驾驶过程中存在众多不确定因素，如交通流量、路况变化等，决策任务极为复杂。强化学习通过让系统与环境互动，不断优化驾驶策略，从而提高驾驶的舒适性和安全性。

强化学习在应用中面临的主要挑战是需要大量的数据进行训练，而现实中很难保证所有可能的情况都能被模拟出来，并且训练过程需要大量的“试错”。为了弥补强化学习的不足，许多研究选择将强化学习与监督学习（SL）

结合，例如隐式效用，通过使用监督学习对CNN编码器进行预训练。监督学习通过“标注数据”助力系统更好地理解环境，强化学习则帮助系统在复杂环境中逐步优化自身策略。二者结合，让系统既能从已有的知识中学习，又