（报告出品方/作者：兴业证券，余小丽）

1、 自动驾驶三大系统：感知、决策、执行

驾驶技术的发展是将人类驾车替换为机器驾车的过程，因此可以拿人类驾车作类 比，自动驾驶技术分为感知决策和执行三大核心环节。

感知指对于环境的场景理解能力。例如障碍物的类型、道路标志及标线、行车车 辆的检测、交通信息等数据的分类。目前存在两种主流技术路线，一种是以特斯 拉为代表的以摄像头为主导的纯视觉方案；另外一种是以谷歌、百度为代表的多 传感器融合方案。根据融合阶段不同分为前融合和后融合。前融合指的是把所有 传感器的数据作为整体进行识别，后融合指的是将不同传感器识别后的结果进行 整合。

决策是依据驾驶场景、驾驶需求进行任务决策，规划出车辆的路径和对应的车身 控制信号。分为任务决策、轨迹规划、跟踪控制和执行控制四个阶段。在决策的 过程中需要综合考虑安全性、舒适性和到达速度。

执行指的是将控制信号发送给执行器，执行器执行的过程。执行器有转向、油门、 刹车、灯光档位等。由于电动汽车执行器执行较线性，便于控制，因此比燃油车 更适合作为自动驾驶汽车使用。为了实现更精确的执行能力，线控转向、线控刹 车、线控油门等技术不断发展。（报告来源：未来智库）

2、 自动驾驶分级

2.1 L1-L2 为驾驶辅助，L3-L5 为自动驾驶

国家标准 GB/40429-2021 和 SAEJ3016 明确定义了汽车自动驾驶分级，将驾驶自 动化分为 0 级至 5 级。其中定义等级的原则是 1）自动化驾驶系统能够执行动态 驾驶任务的程度。2）驾驶员的角色分配。3）有无允许规范限制。国标规定 L1 和 L2 级自动化系统命名为“驾驶辅助系统”、L3-L5 命名为“自动驾驶系统”。

具体来看：

L0 驾驶自动化—应急辅助（Emergency Assistance）：该级别的辅助驾驶系统， 可以感知环境、并提供信息或者短暂介入车辆运动控制，但是不能持续执行车辆 控制。

L1 驾驶自动化—部分驾驶辅助(Partial driver assistance):该级别的辅助驾驶系统 可以持续提供横向或纵向运动控制。但驾驶员仍要对道路状况和车辆驾驶情况保 持监管。

L2 驾驶自动化—组合驾驶辅助（Combined Driver Assistance）：该级别的辅助 驾驶系统可以持续提供横向和纵向运动控制。在该级别驾驶系统运行过程中，驾 驶员和自动驾驶系统沟通执行全部驾驶任务，允许用户短暂地将双手脱离方向盘， 也叫 Hands off。

L3 驾驶自动化—有条件自动驾驶（Conditionally automated driving）：该系统在 设计条件下持续执行全部驾驶任务。在正常运行过程中，车辆控制、目标探测与 事件响应由自动驾驶系统负责；若出现即将不满足运行范围时请求驾驶员接管。 在运行过程中，允许用户短暂地将视线移到驾驶之外，也叫 Eyes off。

L4 驾驶自动化—高度自动驾驶（Highly Automated Driving）：该系统可以持续 地执行全部动态驾驶任务并自动执行最小风险策略。当系统脱离运行范围时向驾 驶员发出介入请求，驾驶员可不响应请求。驾驶过程中用户注意力可以完全不在 驾驶中，被称为 Mind off。

L5 驾驶自动化—完全自动驾驶（Fully Automated Driving）：该系统可在任何可 行驶条件下持续地执行全部动态驾驶任务并执行最小化风险策略。

低阶辅助驾驶和高阶自动驾驶的本质区别是出现事故之后的责任划分。根据 SAE 的定义我们可以发现出现事故以后 L2 责任在于乘客，L3 责任在于车辆。由于目 前国内自动驾驶的立法尚未健全，整车厂对于自动驾驶的宣传只能停留在 L2.5 或 者 L2+。2021 年日本政府率先完善法规，为全球第一款法律意义上的 L3 级别自 动驾驶汽车本田 Legend Hybrid EX 的诞生铺平道路。

2.2 展望未来：不同级别的自动驾驶将长期共存， L5 未来仍有很长 的路要走

未来 L3 以下的车辆和 L3 及以上的车辆可能会长期共存。从技术上来看 L3 的实 现需要依赖大算力芯片、硬件层面的冗余系统、海量用户数据。这些都为自动驾 驶系统增添了相当大的成本。在合作方面来看车企采用两种研发思路对待这两种 自动驾驶技术。对于低阶辅助驾驶系统，车企产采用传统研发思路与国际 Tier1 合 作，追求成本和安全。对于高阶自动驾驶系统，车企普遍采用自研的方案。硬件 层面采用高算力芯片和冗余的传感器配置；软件层面成立软件开发团队，自研核 心的感知与决策软件，追求车企之间的差异化。

自动驾驶等级上升的过程是可靠性持续上升，直到量变引发质变的过程。L5 级别 的自动驾驶系统规定无设计运行范围限制，车内人员也无需执行动态驾驶任务或 接管，这也注定了 L5 级别的自动驾驶将面临较大挑战。（报告来源：未来智库）

3、 自动驾驶承载了我们对于劳动力解放的美好愿望

驾驶是一件危险的事。 中国 2020 年有 6.2 万人死于交通事故，平均每 8 分钟就 有 1 人死于车祸。根据密歇根大学交通研究所的最新报告显示，2014 年交通事故 死亡率最高的地区为非洲与拉丁美洲，其中纳米比亚交通事故死亡率居全球之首， 每 10 万人中有 45 人死亡。著名旅游目的地泰国，排在第二，交通死亡率为中国 的两倍。

从交通事故死亡占总死亡人数比例来看，许多中东国家领先。阿联酋以 15.9%， 位居首位。而中国的数值为 3％，高于全球平均水平的 2.1%, 美国的数据为 1.8%。

驾驶是一件浪费时间的事。消费者每年都会消费大量的时间在路上，2017 年美国 人均驾驶时长超过 700 亿个小时，平均每个美国人每天驾驶时长超过 52 分钟。与 这个数据相对的是一辆车每天只有不到 5%的时间是被使用的，其他 95%的时间 都停在停车位上。这样的背景下自动驾驶需求应运而生。

3.1 人类对自动驾驶的追求未停息

自动驾驶发展里程碑：

1970 年代开始，人们就开始尝试对自动驾驶的研究。在 2010 年以后，随着人工 智能、计算机科学和电动汽车的发展，自动驾驶开始进入黄金期。

【1920s - 1970s】汽车自动化的实验自 1920 年代即已开始，但要到 1950 年代才 出现可行的实验，并取得部分成果。

第一辆半自动汽车于 1977 年由日本筑波机械工程实验室开发，车辆行驶在 特别标记的街道上，通过车身两个摄像头和一台模拟计算机来解读标记。在 高架轨道的支持下，车辆达到了每小时 30 公里（19 英里/小时）的速度。

1980s – 2000s】具有里程碑意义的自动驾驶汽车出现在 1980 年代。

1985 年，卡内基梅隆大学的 ALV 项目已经在两车道道路上展示了每小时 31 公里（19 英里/小时）的自动驾驶速度，并在 1986 年增加了避障功 能，并在 1987 年实现在白天和夜间条件下的越野驾驶。

1995 年，卡内基梅隆大学的 NavLab 项目完成了美国第一个自主的“海岸 线到海岸线驾驶”。在宾夕法尼亚州匹兹堡和加利福尼亚州圣地亚哥之间的 2,849 英里（4,585 公里）中，2,797 英里（4,501 公里）通过自动驾驶实 现，平均时速为 63.8 英里/小时（102.7 公里/小时）。

【2000-现在】自动驾驶辅助系统逐渐推广至量产车上。

2004 年 Mobileye 推出其首款量产 Soc 产品 EyeQ1，以支持前向碰撞警告 (FCW) 、车道偏离警告 (LDW) 和智能远光灯控制 (IHC)等功能。

2004 年 3 月举行首届 DARPA Grand Challenge 挑战赛，参赛车队使用摄像 头、激光雷达等传感器以及计算设备，实现了车辆的自动驾驶，这是激光雷 达的第一次亮相。

2013 年，美国有 4 个州（内华达州、佛州、加州与密歇根州）通过了允许 自动驾驶汽车的法规。2015 年，这四州与华盛顿哥伦比亚特区都允许自动 驾驶汽车于开放道路上进行测试。

2018 年 10 月，Waymo 宣布其测试车辆已在自动模式下行驶超过 10,000,000 英里（16,000,000 公里），每月增加约 1,000,000 英里 （1,600,000 公里）。2018 年 12 月，Waymo 率先在美国亚利桑那州凤凰 城将全自动出租车服务商业化。2020 年 10 月，Waymo 在凤凰城推出了地 理围栏无人驾驶叫车服务。

2021 年 3 月，本田推出限量版 Legend Hybrid EX 轿车，配备新批准的 3 级自动驾驶设备，其中的“Traffic Jam Pilot”系统是日本批准的首个 L3 自 动驾驶系统，也是世界上第一个可以在公路上行驶的 L3 自动驾驶系统。

3.2 两大因素驱动自动驾驶持续增长

低阶辅助驾驶的驱动力是法规。除了消费者自发选购 L2 驾驶辅助车型的需求以 外，促进车企开发低级别自动驾驶辅助的驱动力是法规。为保证司机与乘客的安 全，欧洲在 2017 年推出了《一般安全规定（General Safety Regulation）》其中明 确要求未来在欧洲销售的新车需要配备限速辅助（ISA）、紧急制动辅助（AEB） 等基础辅助驾驶功能。我国《营运货车安全技术条件》强制要求相关车辆于 2020 年 9 月起具备车道偏离报警功能和车辆前向碰撞预警功能，于 2021 年 5 月 1 日 起安装自动紧急制动系统。

高阶自动驾驶的驱动力是生产力。消费者每年都会消费大量 的时间在路上，2017 年，美国人均驾驶时长超过 700 亿个小时，平均每个美国人每天驾驶时长超过 52 分钟。与这个数据相对的是一辆车每天只有不到 5%的时间是被使用的，其他 95% 的时间都停在停车位上。如何有效利用空闲时间就成为了高阶自动驾驶的核心驱 动力。

预计到 2025 年，我国乘用车自动驾驶系统装配量将达到 1,630.5 万辆，装配率将 达到 65.0%。

前视：2020 年，中国乘用车新车前视装配量达到 496.8 万辆，同比增长 62.1%， 装配率为 26.4%，同比上升 10.9 个百分点。随着前视系统算力提高、功能的增加， 以及相对的成本优势，预计 2025 年前视系统装配量将突破 1600 万辆，装配率提 升到 65%。

当前，前视单目是国内乘用车主流方案，同时部分企业也在探索双目等前视 摄像头的应用。2021 年华为、大疆相继推出自研双目摄像头产品及解决方案。其 中，华为的双目摄像头已在极狐阿尔法 S 上应用。大疆车载也计划 2021 年将采 用双目摄像头的自动驾驶方案应用在国产车型上。

环视：2020 年，中国环视系统装配量为 339.8 万辆，较 2019 年上升 44%； 装配率为 18%，同比增加 6 个百分点。随着环视系统对倒车后视的替代以及泊车 功能的加持，其装配量将会进一步提升。伴随环视系统对倒车后视的替代以及 360° 全景环视+超声波成为融合泊车主流方案，使得 360 度全景环视进入一个新的发 展周期，预计 2025 年装配率将攀升至 50%。

视觉 DMS：根据佐思汽研统计，2020 年中国已有 10 多款乘用车上市新车装 配 DMS 功能，如长安汽车、蔚来、小鹏汽车、WEY、星途、哪吒汽车、零跑、 吉利汽车、威马汽车、广汽埃安等。2020 年 DMS 系统装配量达到 17.3 万辆，装 配率为 0.9%；预计到 2025 年其装配率有望达到 20%左右，实现飞跃式增长。

2021 年 4 月工信部发布《智能网联汽车生产企业及产品准入管理指南(试行)》， 要求智能网联车辆需具备人机交互和驾驶员参与行为的监测功能，释放 DMS 上 车强信号。

行车记录仪：2020 年，中国行车记录仪装配量为 145.3 万辆，相较于 2019 年 增长 7.6%。同期，行车记录仪的装配率为 7.7%，较 2019 年全年上升 0.9 个百分 点。《智能网联汽车生产企业及产品准入管理指南(试行)》，要求智能网联车辆需 具有事件数据记录和自动驾驶数据存储功能，这将加速行车记录仪在新车上的装 配，预计到 2025 年其装配率有望达到 20%。

3.3 中美纷纷加大对自动驾驶企业的融资

经过十多年的发展，资本、产业、消费者等各界对自动驾驶未来持续积极看好的 趋势已形成共识，商业化落地的道路正稳步铺开，2021 年以来中国政府也逐步 加快政策引导步伐，各地政府政策支持迅速跟上，以支持场景化、商业化落地。

近年来，伴随着自动驾驶技术研发应用的火热，全球自动驾驶行业投融资规模迅 速增长。2015 年起，自动驾驶汽车逐渐成为投资的热门赛道，截止 2021 年，中 美合计动驾驶相关的投资共有约 1191 笔，涉及金额超 863 亿美元。

4、 行业趋势：

4.1 从全球协作到区域独立：

法律问题造成数据无法跨国流通，这将导致不同国家之间自动驾驶技术路线与进 展的不一致。自动驾驶汽车收集的数据包括传感器数据（摄像头、雷达、热成像 设备、激光雷达采集的数据）和驾驶员数据（驾驶员详细资料、位置、历史路线、 驾驶习惯）两大类。自动驾驶汽车在行业早期收集数据较少，然而随着自动驾驶 技术的发展，越来越多的数据将被收集与分析。为了保护这些数据、防止数据的 丢失或滥用，全球各地政府出台了各式各样的法规，这为自动驾驶技术的发展设 立了门槛。

以中国为例，限制跨国自动驾驶企业发展业务的因素主要有两类：

1） 测绘问题: 牌照审批严格、禁止外商参与。

在感知环节，自动驾驶汽车会通过摄像头、雷达、激光雷达等传感器对周边自然 环境及地表人工设施等相关数据进行采集与处理，以帮助汽车完成环境感知。相 关地理数据采集行为被定义为“测绘行为”。从事测绘工作的单位应当依法取得 资质证书，包括“导航电子地图制作”与“互联网地图服务”的资质。关于导航 电子地图制作，根据《外商投资准入特别管理措施（负面清单）（2020 年版）》 以及《外国的组织或者个人来华测绘管理暂行办法（2019 年修正）》的相关规定， 导航电子地图制作属于禁止外商投资的项目。

在实际业务开展过程中，有外资背景的自动驾驶企业往往会与有相应资质的测绘 企业进行合作从而解决牌照问题。但随着全社会对于数据安全的追求，对在国内 开展测绘工作的企业要求将会越来越高。导航电子地图的资质审批较为严格，截 至 2022 年 3 月 25 日，中国仅发放了 30 余张导航电子地图制作牌照。

2） 数据保护问题：采集与出境需特别限制

目前以欧盟《通用数据保护条例（GDPR）》为代表的世界主流国家都在加快个人 信息保护法律的制定，并对数据的搜集使用和传输进行规制。一般来说，对于自 动驾驶情景下的数据规制，主要以各国的网络安全和个人信息保护规定为主，辅 以汽车行业数据的特别规定。

重点数据的“默认不搜集”原则。自动驾驶所在的交通行业属于《网络安全法》 规定的“重点行业”。除了需要以最小化原则进行用户数据的处理以外，国家网 信办于 2021 年 8 月 16 日发布的《汽车数据安全管理若干规定》明确了 6 类重要 数据，分别为重要敏感区域的人流车流数据、高精地图测绘数据、汽车充电网的 运行数据、道路车辆类型、流量等数据、包含人脸、声音、车牌等车外音视频数 据以及其他可能影响国家安全、公共利益的数据。这 6 类数据采用“默认不搜集”原则，该原则下这类数据要求车内处理、非必要不向车外提供以及数据本地化。 同时用户有权利随时要求车企停止数据搜集工作。

数据出境。根据中国《网络安全法》，自动驾驶服务商在数据出境方面需要特别 谨慎。比如应以数据本地存储为原则，仅在特殊情况下可以出境，且数据出境必 须进行安全评估。

因此特斯拉在中国的 FSD 功能开发受到法规较为严重的影响，自从 2021 年推出 《汽车数据安全管理若干规定》后，特斯拉无法将中国采集的数据发送至美国， 导致针对中国区的软件迭代暂停，中国特斯拉的 FSD 版本严重落后北美地区。

越来越多的外资车企意识到在中国开展本土化自动驾驶技术研发的必要性，纷纷 加速在中国的自动驾驶布局：特斯拉在 2021 年底在中国建立了研发中心和数据中 心、大众也积极布局本土化的自动驾驶业务。我们在未来将会看到从国内获取数 据、在国内迭代算法、在国内开展业务的本土化运行模式。

我们判断：未来不同地区运行的自动驾驶汽车将会带有鲜明的区域生态特色。数 据的限制也是一种对本土企业的保护，国内企业有希望因地制宜，开发出更多适 应中国国情的自动驾驶技术，比如多传感器融合为主，车路协同为辅的技术路线。 而在美国，由于地广人稀，单车智能的路线将更加合适。

4.2 开放场景难度大，自驾企业战略转移至封闭场景

开放道路自动驾驶发展不及预期。Uber 曾宣布计划截至 2021 年，从沃尔沃采购 24000 辆 XC90 来组建自动驾驶车队，但在 2020 年 Uber 放弃自研，将团队出售 给了自动驾驶初创公司 Aurora；Waymo 2018 年宣布向捷豹路虎和 FCA 分别采购 20000 辆 I－PACE 纯电动汽车和 62000 辆 Pacifica 混动厢式车，用来打造 Robotaxi 车队，不过至今部署也不足 1000 辆，仅在旧金山和凤凰城开设打车服务；国内小 马智行也在 2021 年 10 月战略收缩，将卡车团队并入乘用车团队。

开放道路遇阻后，企业选择封闭场景作为突破口。近年来货车司机缺口扩大、人 工成本上涨等问题正成为行业亟待解决的社会问题，自动驾驶车辆可实现对司机 的替代，大大降低司机用工成本并解决人力短缺问题。同时，自动驾驶车辆作为 生产工具能够提高安全性，减少危险场景作业下的事故发生率。而且港口与矿区 为代表的自动驾驶封闭场景由于环境相对简单与封闭、权责划分清晰等特点，在 政策与需求的推动下发展迅速。2021 年，国内新建多个全自动化码头，带动港口 自动驾驶商业化运营取得实质性突破；同时在智慧矿山建设趋势下，多个大型矿 区自动驾驶项目正进入试运营与测试阶段。

我们判断：1）短期内将会有更多企业认识到开放场景下自动驾驶的难度，从而改 变战略进入封闭场景赛道。2）B 端场景客户多为成本导向，将自动驾驶汽车视为 生产力工具，因此平衡安全性和经济性是自动驾驶企业追求的目标。

4.3 发展路线之争退朝、深度神经网络将会取代人工规则

在行业发展早期存在自动驾驶发展路线之争，存在从 L1 开始逐渐实现 L4 的渐进 式和直接研发 L4 的跨越式。车企背景的自动驾驶企业的研发思路是从 L1 开始逐 渐添加新功能直到实现 L4，代表企业有博世、Mobileye 等。但是百度、Waymo 为 代表的部分互联网背景的企业则采用一步到位的方法直接研发 L4 级别的自动驾驶，期望用技术颠覆行业。但近年来随着人工智能技术的发展，渐进式和跨越式 发展的边界逐渐模糊。

人工智能的发展让软件从基于规则的系统（Rule based System）进化至基于学习的 系统（Learning Based System），这对软件的决策流程有了深远的影响。

Rule based System (基于规则的系统) 是指人类用归纳的方法使用一系列的规则， 试图推导出所需目标的系统。这一系统无法处理诸如物体识别和路径规划等复杂 问题。

Learning Based System (基于学习的系统) 是不预设规则，让系统从案例中学习规 则的系统。深度学习就是这样一类系统。与基于规则的系统相比，基于学习的系 统由于不需要预设规则，因此更加适合处理复杂任务。

低阶自动驾驶很多是基于规则的系统。在神经网络爆发之前，传统的感知算法都 是传统计算机视觉方法，这些方法使用基于规则的决策逻辑，人为设置一系列规 则，硬编码至系统中。由于不需要海量数据，因此泛化能力不足，使用场景有限， 但该类方法对算力要求低、成本低，因此部署容易，广泛存在于 L1、L2 级别的自 动驾驶汽车上。在基于规则的逻辑指导下，车企将自动驾驶分为两个域“泊车域” 和“高速域”，APA、RPA 等功能由泊车域控制器控制，ACC、TJP 功能由高速 域控制器控制。车企会分别定点不同供应商，技术栈并不互通，场景也不互通。 在经纬恒润公布的招股书中就可以发现，“泊车域控制器”和“高速域控制器” 为两个不同的硬件产品，功能与用途也完全不一致。

高阶自动驾驶神经网络正在取代基于规则的系统。在神经网络爆发之后，行业部 分学者推崇端到端的学习方式，从传感器采集到的数据中直接训练学习自动驾驶 所需的算法。

特斯拉在自身的自动驾驶 FSD 中引入了单堆栈统领所有（One Stack to Rule them All）的概念，即用神经网络取代之前人工定义的规则，不断增加深度神经网络在 整体软件系统中的比例，用神经网络取代之前硬编码的规则，最终实现 FSD、泊 车、召唤等功能都由同一个软件来实现的目标。

我们判断：1）低端自动驾驶辅助功能（L2 及以下）和高端自动驾驶辅助功能（L3 及以上）将会使用不同的技术栈，低阶驾驶辅助功能使用基于规则的系统，高阶 自动驾驶功能使用神经网络。2）低阶和高阶自动驾驶功能将并存，服务不同需求 的消费者。低阶驾驶辅助的优势是成本，高阶自动驾驶功能的优势是功能适用范 围广。

5、 路线之争：

5.1 单车智能 VS 车路协同：单车智能为主，车路协同为辅

产业优势不同，决定技术方向不同。自动驾驶路线之争的本质是各个国家优势产 业不同，中国的优势在于通讯行业，美国优势在于半导体行业。因此中国选择单 车智能为主车路协同为辅的路线，美国选择单车智能的路线。 单车智能采用车用传感器进行识别，并在车端进行决策与执行。车路协同需要在 道路上安装传感器，将道路改造成“智能的道路”，通过 V2X 技术将行人、车道、 车辆信息发送给汽车。车路协同技术可以降低车端的传感器和计算平台要求，将 成本转移至云端。

单车智能：商业模式顺畅，下游消费者付费意愿强。单车智能模式下的自动驾驶 商业模式较为简单，上游零部件企业（传感器、芯片、域控制器、线控底盘）为 中游整车厂提供零部件，下游消费者花钱购买自动驾驶功能。2021 年后上市的高 端新能源车型普遍为后续更加高阶的自动驾驶预留足够的传感器与算力资源。以 蔚来、理想、小鹏的旗舰车型为例，它们均配备了激光雷达和算力过剩的英伟达 Orin 芯片。虽然暂时高阶自动驾驶功能还在研发中，但车企足够的硬件冗余支持 后续通过 OTA 迭代实现更高阶的自动驾驶功能。

车路协同：市场潜力巨大，但短期面临商业模式的挑战。在新基建的背景中，现 有的车路协同项目多为 To G 业务，政府支持自动驾驶企业在示范区内开展业务， 缺乏终端消费者为车路协同业务付费的环节。同时车路协同在国内尚缺乏通用标 准，企业仍需各自摸索，因此车路协同若要进入良性发展循环，平衡政府、车厂、 公路运营单位等多方的利益诉求必不可少。

车路协同的核心技术是通讯，C- V2X 是当前车路协同的主要发展方向。由我国主 导设立的 C-V2X 标准是世界智能驾驶发展的主流，目前正处于商业落地阶段。

5.2 纯视觉 VS 多传感器融合：技术之争短期内难有结果

单车智能技术在路线上存在两个方案：纯视觉方案和多传感器融合方案。

纯视觉方案推动方主要为特斯拉，方案中摄像头起主导作用，需要将多摄像头捕 捉的 2D 图像映射到 3D 空间中，因此对算法与算力的要求高。2021 年北美地区 上市的 Model 3 和 Model Y 取消了雷达，仅仅搭载了 8 个摄像头。

多传感器融合方案，主要推动者为 Waymo 和英伟达，方案中引入了可以直接测量 距离的激光雷达，辅助摄像头计算物体的距离和速度，可以快速地构建环境 3D 模 型。

技术差距和成本偏好造成企业路线选择不同。企业可以增加传感器数量从而降低 对于高精度算法的依赖，我们认为方案的选择更多体现的是企业对于技术和成本 偏好。国内企业在纯视觉路线上落后于特斯拉，多传感器融合方案可以摆脱对视 觉技术的依赖，但需要增加昂贵的激光雷达，若需要配备一颗主激光雷达和两颗辅激光雷达，则成本上会增加很多。

多传感器融合方案中，根据融合和感知次序可以分为前融合与后融合。前融合算 法：传感器将原数据传递给感知层，感知层直接预测，体现了基于学习的系统中 “端到端”的思想。后融合: 每个传感器独立完成目标感知，再由另一个感知层进 行数据融合。我们认为由于前融合可以体现深度学习中“端到端”的训练方法，引 入更少的人工策略，未来将会有更优秀的表现。

6、 驾驶的三大核心要素：传感器、计算平台、数据与算法

6.1 传感器：不同定位与功能，优势互补

自动驾驶汽车往往配备了多种传感器，包括摄像头、毫米波雷达、激光雷达。这 些传感器各有不同的功能与定位，优势互补；作为一个整体，成为了自动驾驶汽 车的眼睛。2021 年以后的新车都配备了大量的传感器，目的是预留冗余硬件，以 便后续通过 OTA 的方式实现更多自动驾驶功能。

摄像头：行业受到消费电子景气度影响

摄像头的作用：主要用于车道线、交通标示牌、红绿灯以及车辆、行人检测，有 检测信息全面、价格便宜的特征，但会受到雨雪天气和光照的影响。现代摄像头 由镜头、镜头模组、滤光片、CMOS／CCD、ISP、数据传输部分组成。光线经过 光学镜头和滤光片后聚焦到传感器上，通过 CMOS 或 CCD 集成电路将光信号转 换成电信号，再经过图像处理器（ISP）转换成标准的 RAW，RGB 或 YUV 等格 式的数字图像信号，通过数据传输接口传到计算机端。摄像头可以提供丰富的信 息。但是摄像头依赖自然光源，目前视觉传感器的动态做得不是特别宽，在光照不足或者光照剧烈变化的时候视觉画面可能会出现短暂的丢失，并且在雨污状况 下功能会受到严重的限制，行业内通常通过计算机视觉的方式克服摄像头的各种 缺点。

车载摄像头是高增量市场。车载摄像头的使用量随着自动驾驶功能的不断升级而 增加，比如前视普遍需要 1-3 个摄像头、环视需要 4-8 个摄像头。预计到 2025 年全球车载摄像头市场将达 1762.6 亿元，其中中国市场 237.2 亿元。

车载摄像头行业产业链包括上游的镜头组供应商、胶合材料供应商、图像传感器 供应商、ISP 芯片供应商，以及中游的模组供应商、系统集成商，下游的消费电子 企业、自动驾驶 Tier1 等。从价值量来看图像传感器（CMOS Image Sensor）占了 总成本的 50%，其次为占比 25%的模组封装和占比 14%的光学镜头。

上游光学部件：分为光学镜片、滤光片、保护膜、晶圆等。行业玩家有大立光学、 舜宇光学科技、联创电子等，参与者众多，竞争激烈。

中游分为镜头组，胶合材料、DSP 芯片、CMOS 图像传感器等。其中 CMOS 为 可大规模批量生产的半导体产业，具有显著的规模效应。前期投入巨大，研发困 难，但产品售价不高，导致行业准入壁垒高。CIS 芯片行业需要较长的认证周期， 因此新进入玩家难以对现有格局造成影响，会继续强者恒强的竞争格局。车载 CIS 芯片行业集中度高，CR2 为 74%，主要被国际巨头垄断，安森美为全球最大供应 商，市占率为 45%；韦尔股份通过收购豪威（美国）成为全球第二，市占率 29%； 索尼市占率 6%为第三。今年芯片行业缺货严重，安森美 CIS 芯片供货不足导致 部分份额被其他 CIS 企业蚕食，应当继续关注供需变化。

CMOS 传感器企业有四种供应模式，分别是包含制造的 IDM 模式、部分外包的 Fablite 模式、完全外包的 Fabless 和晶圆代工 Foundry 模式。IDM 企业由于设计 与生产的垂直一体化，可以更快地优化迭代新技术，缺点是构建护城河成本高。 Fablite 模式可以结合 IDM 模式的优势和 Fabless 模式的优势，是我们认为前景更 广的合作模式。

中游模组封装：模组封装市场原来由传统车载 Tier1 博世、法雷奥垄断，但近年 来消费电子领域的摄像头厂商（舜宇光学科技、联创电子等）也加入了竞争。但 新进入企业业绩容易受到消费电子景气度的影响。

中游封装市场的先发优势明显，零部件车规认证周期长，一旦通过车轨认证，即 可绑定下游核心大客户，伴随客户一同成长。全球范围来看，LG 当前是特斯拉核 心摄像头供应商，与特斯拉签订一万亿韩元（53．47 亿人民币）的订单。国内方 面，仅联创电子和舜宇光学科技实现大规模车载摄像头出货。联创电子是国产版 特斯拉的供应商，蔚来 ET7 的供应商，也是截止 2021 年 12 月唯一一家获得英伟 达认证的摄像头企业；舜宇光学科技是宝马、Mobileye、奔驰、奥迪、特斯拉等车 企的供应商。

我们的判断是：

车载摄像头企业目前消费电子业务营收占比较高，应当留意消费电子行业景 气度对摄像头企业业绩的影响。

核心客户的认证是摄像头企业增长来源。

CIS 芯片行业规模效应明显，龙头市占率占比高。

激光雷达：技术路线未定型，中国企业胜出概率大。

激光雷达（Lidar）的作用：主要用于探测周边物体的距离和速度。在激光雷达的 发射端，由激光半导体产生一种高能量的激光束，激光与周围的目标发生碰撞后， 再被反射回来，由激光雷达接收端捕获并进行运算，得到目标的距离和速度。激 光雷达具有比毫米波和摄像头更高的探测精度，可探测的探测距离远，往往可以 达到 200 米以上。激光雷达按其扫描原理分为机械式、转镜式、MEMS 和固态激 光雷达。根据测距原理可以分为飞行时间测距（ToF）和调频连续波（FMCW）。

当前行业处于激光雷达应用的摸索阶段，还没有一个清晰的方向，无法明确哪条 技术路线会成为未来主流。

激光雷达市场广阔，中国企业将领先美国。激光雷达市场前景广阔，我们预测到 2025 年，中国激光雷达市场将接近 150 亿元，全球市场接近 300 亿元；至 2030 年 中国激光雷达市场将接近 350 亿元，全球市场接近 650 亿元，全球市场年化增长 率达到 48.3%。美国最大自动驾驶公司特斯拉采用纯视觉方案，其他车企暂无激 光雷达上车的具体计划，因此中国成为车载激光雷达的最大潜在市场。2022 年有 大量国内整车厂推出搭载激光雷达的产品，预计 2022 年车载激光雷达产品出货量 将达到 20 万台。中国企业更具胜出概率是因为中国企业更加贴近市场，与中国整 车厂配合度高，更容易获得市场订单，因此降本速度也会更快，形成良性循环。 中国广阔的市场将会协助中国激光雷达企业弥补与国外企业的技术差距。

激光雷达上游为零部件制造，按照功能可以分为发射系统、接收系统、扫描模块 和控制及处理模块。

激光雷达中游为激光雷达设计、制造企业。当前美股上市了 7 家激光雷达企业， 代表不同的技术路线。Luminar 的技术路线代表 1550nm 光纤激光器混合固态激光 雷达；以色利 Innoviz 的技术路线代表了硅基 MEMS 振镜的混合固态激光雷达； Aeva 的技术路线是用 FMCW 技术研制激光雷达；Velodyne 技术路线是旋转机械 式的激光雷达；Ouster 是 VCSEL+SPAD 技术的 Flash 激光雷达；Cepton 是采用了 动圈电机加二维扫描的技术方式做激光雷达；Aeye 提供了摄像头与激光雷达融合 产品 iDAR。 中国激光雷达企业进展也很快，其中 Livox、速腾聚创、图达通、禾 赛科技都已经实现了量产出货。

这 7 家企业上市以后股价均有较大跌幅，原因是因为 1）特斯拉纯视觉路线进展 太快，市场质疑激光雷达的必要性。2）美国激光雷达量产进度不及预期。

当前阶段各个技术路线各有优缺点，我们的判断是未来 FMCW 技术将与 TOF 技 术并存、1550nm 的激光发射器会优于 905nm，同时市场可能会跳过半固态直接跨 越到全固态阶段。

FMCW 技术与 TOF 技术并存：TOF 技术较为成熟，具有响应速度快、探测精度 高的优点，但无法直接测量速度；FMCW 可以直接通过多普勒原理测量速度并且 灵敏度高（高出 ToF 10 倍以上），抗干扰能力强，可长距离探测，功耗低。未来 可能高端产品用 FMCW，低端产品用 TOF。

1550nm 优于 905 nm：905nm 属于近红外激光，容易被人体视网膜吸收并造成 视网膜损伤，因此 905nm 方案只能维持在低功率下。1550nm 的激光，原理可见 光谱，同等功率条件下的激光对人眼的损伤更小，探测距离更远，但缺点是需 要 InGaAs 做发生器，且不能使用硅基探测器。

跳过半固态直接跨越到全固态：现有的半固态方案转镜式、棱角式、MEMS，都 存在少量机械部件，车载环境下使用寿命短，难以通过车规认证。固态激光雷达 的 VCSEL+SPAD 方案采用芯片级工艺，结构简单，易过车规，成为目前纯固态激 光雷达最主流的技术方案。iPhone12 pro 背后的激光雷达用的就是 VCSEL +SPAD 方案。

我们的判断是：

密切关注自动驾驶路线之争，传感器的百花齐放是建立在暂时还没有一个可 以统治自动驾驶具体方案的前提下，纯视觉路线进展过快会对激光雷达企业 造成不利影响。

国内激光雷达企业更贴近市场。

关注国内激光雷达的主要推动者，华为、蔚来、理想、小鹏的自动驾驶功能 进展。

看好 VCSEL +SPAD 路线

1550nm 激光器路线的企业：Luminar （激光雷达主机）、Lumentum （1550nm 激光器）。

高精地图：存在被颠覆可能，甲级测绘资质构筑护城河

高精地图存在被颠覆的可能。路线之争在高级地图领域持续，特斯拉提出了不需 要提前测绘的高精地图的方案，用摄像头采集到数据为基础，利用人工智能技术 构建环境的三维空间，采用众包的思维，由每一辆车提供道路信息，并在云端统 一汇总。因此我们需要警惕技术革新对高精地图的颠覆。

部分从业者认为高精度地图对于智能驾驶不可或缺，从视野范围看，高精度地图 不受遮挡，不存在距离和视觉的缺陷，在特殊天气条件下，高精度地图依旧可以 发挥作用；从误差看，高精度地图可以有效消除部分传感器误差，在部分路况条 件下，可以有效对现有传感器系统进行补充修正。此外，高精度地图还可以构建 驾驶经验数据库，通过多维时空数据的挖掘，分析危险区域，为驾驶者提供新的 驾驶经验数据集。

导航电子地图制作资质是企业护城河。在感知环节，自动驾驶汽车会通过摄像头、 雷达、激光雷达等传感器对周边自然环境及地表人工设施等相关数据进行采集与 处理，以帮助汽车完成环境感知。相关地理数据采集行为被定义为“测绘行为”。 从事测绘工作的单位应当依法取得资质证书，包括“导航电子地图制作”与“互 联网地图服务”的资质。关于导航电子地图制作，根据《外商投资准入特别管理 措施（负面清单）（2020 年版）》以及《外国的组织或者个人来华测绘管理暂行 办法（2019 年修正）》的相关规定，导航电子地图制作属于禁止外商投资的项目。

在实际业务开展过程中，有外资背景的自动驾驶企业往往会与有相应资质的测绘 企业进行合作从而解决牌照问题。但随着全社会对于数据安全的追求，对在国内 开展测绘工作的企业要求将会越来越高。导航电子地图的资质审批较为严格，截 至 2022 年 3 月 25 日，中国仅发放了 30 余张导航电子地图制作牌照。

激光雷达+视觉技术，采集车+众包模式是未来高精地图的主流方案。

高精地图需要平衡精度和速度两个衡量指标。过低的采集精度和过低的更新频率 无法满足自动驾驶对高精地图的需求。为解决这一问题高精地图企业采用了一些 新方法来应对，比如众包的模式，每一台自动驾驶汽车都作为高精地图的采集设 备提供高精动态信息，汇总后分发给其他汽车使用。在这一模式下，领先的头部 高精地图企业由于可参与众包的车型数量多，因此可以采集更加精确、快速的高 精地图，维持强者恒强的局面。

我们的判断是：

关注自动驾驶技术的进展，特斯拉的纯视觉方案不需要高级地图，可能会对 行业造成根本性影响。

6.2 计算平台：对芯片的要求不断提高，半导体技术是护城河

计算平台也叫做自动驾驶域控制器。随着 L3 以上自动驾驶渗透率的提升，对算力 的要求也提升，虽然当前 L3 的法规和算法都暂未出台，但整车企业均采用算力冗 余方案，为后续的软件迭代预留空间。

计算平台未来有两个发展特点：异构和分布弹性。

异构：面向高阶自动驾驶车辆，计算平台需兼容多种类型，多数据传感器并具备 高安全性和高性能。现有单一芯片无法满足诸多接口和算力要求，需采用异构芯 片的硬件方案。异构可以体现在单板卡集成多种架构芯片，如奥迪 zFAS 集成 MCU（微控制器）、FPGA（可编程门阵列）、CPU（中央处理器）等；也可以体 现在功能强大的单芯片（SoC，系统级芯片）同时集成多个架构单元，如英伟达 Xavier 集成 GPU（图形处理器）和 CPU 两个异构单元。

分布弹性：当前汽车电子架构由众多单功能芯片逐渐集成于域控制器。高阶自动 驾驶要求车载智能计算平台具备系统冗余、平滑拓展等特点。一方面考虑到异构 架构和系统冗余利用多板卡实现系统的解耦和备份；另一方面采用多板卡分布扩 展的方式满足高阶自动驾驶对于算力和接口的要求。整体系统在同一自动驾驶操 作系统的统一管理适配下，协同实现自动驾驶功能，通过变更硬件驱动、通讯服 务等进行不同芯片的适配。随着自动驾驶等级提升，系统对于算力、接口等需求 都会与日俱增。除了增加单个芯片的运算能力，还可以将硬件部件进行重复堆叠， 实现对硬件部件的灵活调整和平滑的扩充，从而实现对整个系统的计算能力的提 升，增加接口、完善功能。

异构分布硬件架构主要由三部分组成：AI 单元、计算单元和控制单元。

AI 单元：采用并行计算架构 AI 芯片，并使用多核 CPU 配置 AI 芯片和必要处 理器。目前 AI 芯片主要用于多传感器数据高效融合与处理，输出用于执行层执行 的关键信息。AI 单元是异构架构中算力需求最大的一部分，需要突破成本功耗和 性能的瓶颈以达到产业化要求。AI 芯片可选用 GPU、FPGA、ASIC（专用集成电 路）等。

计算单元：计算单元由多个 CPU 组成。具有单核主频高，计算能力强等特点，满 足相应功能安全要求。装载 Hypervisor, Linux 的内核管理系统，管理软件资源， 完成任务调度，用于执行自动驾驶相关大部分核心算法，并将多元数据整合起来， 实现路径规划与决策的控制。

控制单元：主要基于传统车辆控制器（MCU）。控制单元加载 Classic AUTOSAR 平台基础软件，MCU 通过通信接口与 ECU 相连，实现车辆动力学横纵向控制， 并满足功能安全 ASIL-D 等级要求。

特斯拉 FSD 芯片为例，FSD 芯片采用 CPU+GPU+ASIC 架构。包含 3 个四核 Cortex-A72 集群，总共 12 个 CPU，运行频率为 2.2 GHz；一个 Mali G71 MP12 GPU 运行频率为 1 GHz、2 个神经处理单元（NPU）以及各种其他硬件加速器。 三类传感器之间分工明确，Cortex-A72 内核 CPU 用于通用计算处理、Mali 内核 GPU 用于轻量级后处理，NPU 用于神经网络计算。GPU 算力达到 600GFLOPS， NPU 算力达到 73.73Tops。

自动驾驶域控制器的技术核心是芯片，其次是软件和操作系统，短期护城河是客 户与交付能力。

芯片决定了自动驾驶计算平台的算力，设计制造难度大，容易成为卡脖子环节。 高端市场均由国际半导体巨头英伟达、Mobileye、德州仪器、恩智浦等把持；在 L2 及以下的市场以地平线为代表的国内企业也逐渐获得客户的认可。中国的域控制 器厂商一般都会与一家芯片厂家深度合作，采购芯片，配合自身硬件制造、软件 集成能力交付给整车厂。与芯片企业的合作一般具有排他性质。从芯片合作角度 来看，德赛西威绑定英伟达、中科创达绑定高通，优势最明显。国内其他自动驾 驶域控制器企业华阳集团绑定华为海思、东软睿驰与恩智浦和地平线建立合作关 系。

域控制器的竞争力由上游合作的芯片企业决定，下游整车厂采购的往往是芯片企 业提供的一整套解决方案。比如蔚来、理想、小鹏的高端车型采购的就是英伟达 Orin 芯片以及英伟达自动驾驶软件；极氪和宝马采购的是芯片企业 Mobileye 的解 决方案；长安、长城采购的是地平线的 L2 解决方案。

我们的判断是：

持续跟踪 L3 以上自动驾驶渗透率，渗透率提升是芯片赛道的核心逻辑。

关注芯片层面国产替代的机会：地平线（自动驾驶芯片）、复旦微电（FPGA）。

6.3 数据与算法：数据有助于迭代算法，算法质量是自动驾驶企业的 核心竞争力

用户数据对于改造自动驾驶系统极其重要。自动驾驶的过程中有一类发生概率不高的罕见场景，这类场景被叫做 corner case。若感知系统遇到了 corner case 则会 带来严重的安全隐患。例如前几年发生的特斯拉的 Autopilot 没有识别出正在横 穿的白色大卡车，直接从侧面撞上去，导致车主死亡；2022 年 4 月小鹏在开启自 动驾驶的过程中撞上了侧翻在路中间的车辆。

此类问题的解决办法只有一个，便是由车企牵头收集真实数据，同时在自动驾驶 计算平台上模拟出更多相似的环境，让系统学习以便下次更好地处理。一个典型 的例子便是特斯拉的影子模式：通过与人类驾驶员行为进行比对，找出潜在的 cornercases。而后对这些场景进行标注，并加入至训练集中。

相应的，车企需要建立数据处理流程，以便搜集上来的真实数据可以用于模型迭 代，同时迭代后的模型可以实装到真实量产车上。同时为了大规模地让机器学习 cornercase，在获取一个 cornercase 后还会针对这一 cornercase 遇到的问题进行大 规模模拟，推导出更多的 cornercases 系统学习。英伟达应用元宇宙技术开发的模 拟平台—NvidiaDriveSim 就是模拟系统之一。数据领先的企业会构建数据护城河。

1） 判断自动驾驶车辆是否遇到 corner case，并上传

2） 针对上传的数据进行标注

3） 使用模拟软件模拟并创建额外的训练数据

4） 用数据迭代更新神经网络模型

5） 通过 OTA 的方式将模型部署至真实车辆

数据闭环的背后依赖超大算力的数据中心，根据英伟达在 2022CES 上的发言，投 资 L2 辅助驾驶系统的公司只需 1-2000 个 GPU，而开发完整的 L4 自动驾驶系统 公司需要 25000 个 GPU 来搭建数据中心。

1. 目前特斯拉拥有 3 大计算中心总计 11544 个 GPU：自动标记计算中心有 1752 个 A100 GPU，其他两个用来训练的计算中心分别有 4032 个、5760 个 A100 GPU；在 2021 AI DAY 发布的自研 DOJO 超级计算机系统有 3000 个 D1 芯片，算力高达 1.1EFLOPS。

2. 商汤科技在建的上海超算中心项目规划了 20000+A100 GPU，全部建成后 算力峰值将达到 3.65EFLPOS (BF16/CFP8)。

我们的判断是：

算法人才是自动驾驶企业的重要资源，应当实时观察自动驾驶企业核心技术 人员的流动情况。

数据不是万能的，但没有数据是万万不能的。数据领先的企业更容易形成优 势。

自动驾驶会有大量云计算需求。

自动驾驶企业需要搭建训练中心。

7、 特斯拉自动驾驶一枝独秀

特斯拉在自动驾驶方面的核心优势是：1. 软硬件完全自研。2. 海量真实数据。3. Dojo 超级计算机给与特斯拉快速迭代的能力。

1. 多年的自动驾驶探索经验，让特斯拉知道自动驾驶软硬件需要如何配合，在 2019 年正式进入软硬件完全自研的时代。

特斯拉在计算平台方面经过长期的摸索，最终选择自研的道路。在 2019 年之前特 斯拉采用外部供应商 Mobileye、英伟达的自动驾驶芯片，2019 年后的 HW3.0 版 本使用两块自研 FSD 芯片。FSD 芯片由特斯拉设计，三星 14nm 工艺制造，在 2602 的硅晶片上封装了大约 60 亿个晶体管，神经网络加速器（NPU）方面， 特斯拉采用自研架构，设计了 2 个 NNA 核心，每个核心都可以执行 8 位整数计 算，运行频率为 2GHz，单个 NNA 的峰值算力为 36.86TOPS，2 个 NNA 的峰值 算力为 73.7TOPS。

2022 年特斯拉还将推出 HW4.0，进一步强化算力。

摄像头：去掉 ISP，高度挖掘摄像头潜能。特斯拉是全球唯一一家采用纯视觉方 案的自动驾驶企业，对于如何使用摄像头有独特见解。最新的 FSD beta 版本摄像 头原始数据将不再需要通过 ISP 模块的处理，可以直接输入给神经网络做下一步 计算。通过这一方法可以保证图像数据中携带尽量多的数据，同时也可以降低 20% 图像处理过程中的延迟。

针对视觉方案无法进行精准测距的质疑，特斯拉开发出了基于纯视觉测距技术的 “伪激光雷达”算法，已经取得优异的效果。

数据与算法：

在 AI 总监 Andrej Karpathy 的带领下，特斯拉算法经历多次迭代，仅在 2022 年 Q1 就迭代了 7 次。

特斯拉是全球第一个敢于公布其自动驾驶软件架构的企业。从特斯拉 AI day 上公 布的信息来看：

感知层：特斯拉基于 8 个摄像头的图像，实现自动标注，同时在 3D 建模的 时候考虑时间信息，并预测环境物体（比如人类、汽车）的意图。这种建模方 式可以在获取足够多数量的车型数据后在云端构建道路完整的 3D 模型，从而 去除对高精地图的依赖。

规划层：特拉斯采用蒙特卡洛树搜索算法，实现在更短的时间、更安全的路线、 更舒适的驾乘之间的平衡，此算法相比传统的规划算法，需要的迭代次数更 低。

2. 坚定不移地走纯视觉道路，150 万台存量车型给特斯拉海量的用户真实数据。 数据方面，借助成千上万的在路上跑的特斯拉车型，特斯拉可以采集比其他车企 更多的数据，实现数据霸权。预计截止 2022 年一季度，共有大约 150 万辆搭载 HW3.0 平台硬件的车型可以为特斯拉搜集数据。按照单车每季度行驶 5000 公里 来计算，特斯拉一共已经采集大约 90 亿公里的数据（不含模拟）。

3. Dojo 超级计算机平台给特斯拉快速训练迭代的能力。

2021 年 8 月 20 日，在特斯拉 AI Day 上，特斯拉发布自主研发的 AI 芯片 D1， 用于训练超级计算机 Dojo。它是基于大型多芯片模块(MCM)的计算平面的构建 块, 由 120 个 MCM 平铺整合而成，能实现 1.1 EFLOPS 的超高算力，堪称目 前世界上最快的 AI 训练计算机。

Dojo 是能够利用海量视频数据，做无人监管标注和训练的超级计算机。这其中包 含两个重点：第一个重点是海量数据的收集；第二个重点是做无人监管标注和训 练。D1 芯片由 354 个训练节点组成的阵列创建，采用 7nm 制造工艺，实现 362TFLOPS 的机器学习计算，能够自动学习和识别标记道路上的行人、动物、坑 洼地等数据。将海量数据汇集于 Dojo 后，在无需海量研究人员的情况下通过自动 化深度神经网络训练来不断加强算法进化，大幅提升训练效率，最终实现完全自 动驾驶(FSD)。

特斯拉对于实现自动驾驶的时间线预期是：在 2022 年底实现比人类驾驶更安全的 Full Self Driving；在 2024 年实现自动驾驶商业化运营。我们认为特斯拉按照这一 时间线实现自动驾驶的可能性高。

（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。）