智能驾驶行业专题：Robo-X的产业趋势、市场空间和产业链拆解.pptxVIP

Robo-X的产业趋势、市场空间和产业链拆解

智能驾驶行业专题;

核心观点

lRobo-X:政策+技术+成本催化下，L4预计在2026年迎元年时刻。监管机构的支持和政策利好将推动无人驾驶汽车的商业化进程，强化学习+世界模型构建L4技术底层，随着L2/L2+级自动驾驶汽车渗透率持续增长，带动智能驾驶相关的零部件成本下降，而L4和L2/L2+的零部件存在共通性，L4级自动驾驶硬件的成本进一步降低，Robo-X预计在2026年迎元年时刻。

lRobo-X行业：长赛道，大空间，自主Robo-X厂商崛起。市场空间方面，2030年，参考文远知行招股说明书，全球L4市场空间上万亿，

国内市场方面，Robotaxi：国内出租车和网约车年化市场规模2360亿元，2025年Robotaxi在共享出行里面占比0.6%；Robovan：国内可替代轻/微卡潜在市场空间为1645亿元，2025年Robovan在物流配送车里面占比2%；Robotruck：假设2024、2030年国内Roboruck年销量0.1、6万台，重卡售价150万元，对应Robotruck国内2024、2030年市场规模分别15亿元、900亿元；Robobus：国内公交年化市场规模150-350亿元，Robobus在公交车里面占比2%以内；Robosweeper：国内环卫车年化市场规模113-225亿元，2025年Robosweeper在环卫车里面占比4.7%。竞争格局方面，Robotaxi方面，自动驾驶公司文远知行、小马智行、萝卜快跑商业化落地加速；Robovan方面，代表性玩家有九识智能、新石器、白犀牛、川行致远（DSXW股子公司）、佑驾创新、驭势科技等；Robotruck方面，玩家有希迪智驾、易控智驾、小马智行、主线科技、西井科技等；Robobus方面，玩家有文远知行、轻舟智航等；Robosweeper方面，代表性玩家有仙途智能、深兰科技等。

l投资建议：Robo-X整车销售/运营方面，自主Robo-X玩家崛起，我们推荐小马智行、文远知行、小鹏汽车，建议关注佑驾创新。零部件方面，我们基于数据流角度进行推荐，数据获取环节，推荐禾赛科技、速腾聚创，建议关注图达通；数据传输环节，推荐沪光股份；数据处理环节，推荐科博达、华阳集团、均胜电子、地平线机器人-W、黑芝麻智能；数据应用环节，推荐保隆科技、伯特利、耐世特。

l风险提示：智能驾驶推进不及预期风险；产业政策支持力度不及预期风险。;;

技术???强化学习+世界模型构建L4技术底层，2026年预计

迎来元年时刻

l强化学习（ReinforcementLearning，RL）和模仿学习（ImitationLearning，IL）是机器学习中的两种重要方法。模仿学习通过监督的方式训练模型，以模拟人类驾驶行为，该方法旨在从专家演示中学习驾驶风格，这些演示作为模型训练的案例。强化学习是一种通过智能体与环境进行交互来学习最优策略的机器学习方法，智能体在环境中执行动作，环境会根据智能体的动作反馈一个奖励信号，智能体的目标是通过不断尝试不同的动作，以最大化长期累积奖励。基于模仿学习的自动驾驶系统在训练过程中无法覆盖所有可能的驾驶情景，而强化学习通过与环境的互动，随着时间的推移最大化累计奖励，智能体根据自身行为做出驾驶决策，以获取奖励或避免惩罚。另一方面，强化学习通过探索与利用的策略来改进驾驶模型。强化学习是智能体与环境不断交互学习的过程，因此不存在模块化自动驾驶系统中各个模块之间的相互依赖问题，以及模仿学习中对专家行为的依赖问题，也避免了数据稀缺，数据不平衡等间题。

l从L2级辅助驾驶到L4级无人驾驶，要求智能驾驶系统具备远超人类驾驶员的场景处理能力。传统L2级模仿学习存在以下局限：1）能力边界固化：L2级优化越精细，系统越依赖特定场景的统计规律，与L4级泛化决策需求背道而驰；2）意图理解缺失：模仿学习仅能复现驾驶动作，无法推导驾驶意图（如变道的时机选择、对行人意图的预判）；3）开环训练缺陷：端到端模型的感知-控制直接映射缺乏中间推理环节，无法模拟人类基于经验的直觉判断。世界模型通过构建虚拟驾驶沙盒，让策略在仿真环境中完成假设-验证-优化的闭环：世界模型是生产车端模型的数字工厂，L4级技术的核心差异在于工厂的仿真精度），从根本上解决了上述问题。此外，参考全球计算机视觉学术顶会ICCV2025上，理想汽车自动驾驶高级算法专家詹锟《世界模型：让我们从数据闭环走向训练闭环》观点，在辅助驾驶任务上，很多场景的数据是稀疏的，自然采集到的数据不足以训练AI，但这些少见的场景（CornerCase）正是辅助驾驶需要改进的重点，在构建L4级的自动驾驶系统时，这些问题都需要得

到解决，有了世界模型的合成数据能力后，AI