智能化汽车行业市场分析1.pdfVIP

智能化汽车行业市场分析

一、理论方法突破：AI大模型用于感知融合，后续有望实现端到端

1.1智能驾驶系的核心模块与功能

智能驾驶系可分为感知(Perception),预测(Prediction),规

划(Planning),控制(Control)几个主要模块。感知模块(Perception)

主要负责车周信息感知和目标检测。感知模块输入各类传感器的数据,

输出车道线，行人，车辆等的位置和轨迹等信息。感知算法的核心是

融合各类传感器的信息，精准识别物体的类别与位置(需要2D还原

为3D)。预测模块(Prediction)主要负贲预测车周物体的运动，评

估障碍物下一时刻可能的动作。预测模块输入车周物体和车辆自身的

位置与速度等信息，输出物体运动轨迹的预测。

决策规划模块(Planning)主要负责计算车辆下一时刻的运动路径，

向控制模块输出指令。规划与决策在开发环节往往结合在一起，包括

三个层次：(1)全局路径规划(RoutePlanning),结合目的地和

地图信息生成全局路径。(2)行为决策层(BehavioralLayer),结

合感知模块的环境信息做具体行为决策。(3)运动规划(Motion

Planning),结合行为决策和约束条件形成运动轨迹。控制模块

(Control)主要负责精准控制车辆按规划轨迹行驶。控制模块根据

决策规划的路线，生成具体的加速、转向和制动指令，控制驱动系，

转向系，制动系和悬架系。

ransformer模型加速智能驾驶能力的提升。智能驾驶的本质是通过

训练使车辆具有人类的驾驶能力，用神经网络模型替代基于规则的算

法，可提升模型表现。1（）过去，一些智能驾驶的方案中感知，预

测等模块采用了CNN和RNN等AI模型；2（）现在，在ransformer

模型引入CV领域和智能驾驶领域后，智驾能力的提升明显加速。例

如,在感知模块，基于BEV+ransformer做特征融合,相较于传

的CNN模型具有更好的全局感知能力；在预测模块，有研究表明基

于ransformer的多模态轨迹预测相较于传的RNN等神经网络也

有更好的效果；在规划模块，基于AI模型的算法相比于基于大量规

则的算法也更加简洁高效。3（）未来，基于ransformer有望实现

感知决策一体化的大模型。相较于目前模块化的开发方式，可以避免

级连误差，提升视觉信息表达，优化终端性能体验。

AI加速智能化第一步:头部玩家基于BEV+ransformer做特征融合，

提升感知能力。车辆获取外部信息的传感器包括摄像头，激光雷达，

毫米波雷达，超声波雷达等，不同传感器获取的信息特征不同，因此

需要通过算法将各类数据融合。过去多传感器融合采用后融合的方式,

将传感器各自处理后的信息做基于计学模型的加权运算，这样会出

现数据损失。现在利用ransformer大模型可以提取特征向量，在统

一的3D坐标系空间B（EV）内做特征融合，还可以结合序信息进

行动态识别，最后进行多任务输出，如静态语义地图、动态检测等。

AI大模型的加持下，智能驾驶的感知能力可以明显提升，优化Corner

Case的处理，同由于车辆生成了动态语义地图，可以减少对高精

地图的依赖。

图2、传统的智能笃驶方案后（融合）

AI加速智能化第二步：感知决策一体化，实现端到端的智能驾驶。

目前采用的模块化的智能驾驶开发架构（感知一预测一规划一控制）

优势在于简化研发团队分工，但是缺点在于会出现信息损失和累计误

差问题，同每个模块的优化目标不