特定場景商用爆發前夜——無人駕駛投資思路梳理

最新 07-03

雷鋒網新智駕按：本文來自辰韜資本，作者賀雄松，雷鋒網新智駕獲授權發布。辰韜資本最近成立了一支「智駕基金」，專註在無人駕駛領域的早期投資，雷鋒網新智駕認為此篇觀點文章對無人駕駛從業者和投資者來說有借鑒意義，故分享給各位。

無人駕駛是目前人工智慧領域改變人類生活方式最徹底，技術最集中，AI人才最聚集的地方。無人駕駛企業不僅具有廣闊的市場空間，而且有能力降維切入其他人工智慧的賽道。本文從無人駕駛的發展趨勢、競爭格局、投資方向三方面梳理無人駕駛的投資思路。

自谷歌2009年推出無人駕駛汽車計劃以來，無人駕駛行業已經持續了將近10年的摸索，近年來，隨著神經網路的應用，感測技術大大提升，行業已經到了爆發前夜。在國外，奧迪A8L已經具備L3級別的無人駕駛功能，2018亞洲消費電子展上（2018年6月14日），凱迪拉克Super Cruise超級智能駕駛系統正式發布，Waymo在亞利桑那州鳳凰城推出的無人駕駛計程車服務已經一年多了，國內雖然起步較晚，但L4無人駕駛公司的路測實驗早已走出指定的測試場，大都直接到公共道路，無人駕駛車輛在雨霧、環島、隧道等複雜場景中的表現不斷刷新著大家的認知。

*自動駕駛發展歷程

在這樣的背景下，無人駕駛特定場景商用逐漸開始落地，但我們也注意到網聯感測被屢屢提及，下面基於這兩點現象分析未來的發展趨勢。

百度與金龍客車聯合開發的無人駕駛微循環車阿波龍擬於2018年實現商用化量產及上線運營；中國重汽集團剛發布了擬用於港口運輸的無人駕駛電動卡車；京東、蘇寧、菜鳥等電商企業也紛紛展示了自己的無人駕駛產品。這些都預示無人駕駛商業化落地的曙光。

特定場景不涉及公共道路安全法規且活動區域相對可知可控，技術難度較小，可實現快速落地。我們近期走訪了眾多無人駕駛方案提供商，其中不少都已推出方案，擬針對園區、港口、機場、礦山等特定場景進行垂直深耕。辯證來看，這方面市場機會大，但也蘊藏著比較大的挑戰。

一方面，垂直場景雖技術實現相對簡單，但仍存在較高的技術壁壘且需要理解場景需求。無人駕駛本是高技術壁壘的行業，垂直場景落地對技術要求較低，但僅是相對，系統地提供方案仍是不小的挑戰。同時，特定場景方案不能脫離場景特點，比如港口集卡的無人駕駛方案可能不太需要注重車後運動，但對泊車的準確性要求高。所以，無人駕駛公司不僅要懂技術而且需要對特定場景需求有深刻理解。有些無人駕駛公司技術實力強，但是對場景理解不深，很難落地。

另一方面，無人駕駛創業公司需要意識到合作研發和批量供貨的區別。可從三個層面進行對比。

一是訂單確定性。目前市場上的無人駕駛公司大都能接到聯合研發訂單，客戶包括主機廠或垂直領域互聯網巨頭等，但從我們接觸的幾個案例來看，國內客戶大都喜歡新鮮事物，願意抱著試一試的態度，甚至在合作研發成本並不高的情況下，聯合研發費用走研發經費體系即可，但這與正式的訂單體系是完全不同的概念。我們在考察無人駕駛公司時會參考標的的研發訂單，但只是說明客戶在某個市場踏出了第1步，如果量化來說，到量產還有99步要走，批量化的訂單才是真正有價值的。

二是產品穩定性。合作研發的方案大部分僅滿足實驗需求，而批量生產的產品需要達到車規級，功能安全、產品穩定性、可靠性等方面得有足夠冗餘。目前大部分無人駕駛公司測試的激光雷達外面就是一層塑料膜，IBEO量產的四線激光雷達卻據說可以撞碎花壇而不壞。

三是生產能力。Elon Musk可以把火箭送上天，但卻解決不了特斯拉量產問題。量產需要供應鏈支持，為了解決這個問題，國內的無人駕駛公司也想出了一些對策：比如構建生態圈，扶持一些小的供應商一起推進；另外是選擇跟主機廠合作，反過來還可以借用主機廠的客戶資源，但是這種合作方式中無人駕駛公司是否會處於相對弱勢的地位，一方面主機廠大都野心勃勃有自己的研發計劃，而且Tier1從來就不是高毛利的行業，很可能出現高科技無人駕駛公司的毛利（Tier1一般不超過30%）比不過傳統行業賣玻璃的福耀玻璃（毛利37%左右）。

雖然特定場景的無人駕駛已經見到量產的曙光，但是開放道路的L4級別無人駕駛乘用車仍面臨諸多落地難題，大家對無人駕駛的安全性有近乎嚴苛的標準，國內道路環境的複雜性，技術的可靠性等都制約著無人駕駛汽車在開放道路的行駛，同時政策法律的完善以及倫理問題思考也是目前需要推進的。

基於這些難題，國內主機廠採用了逐步推進的方案，即通過ADAS逐漸實現無人駕駛的功能。目前國內的環視已非常成熟，裝配率增長迅速；自動泊車預計今年年底能實現量產；在某種意義上已達到L4級別要求的自主泊車也有多家企業正在緊鑼密鼓地研發。環視到自動泊車到自主泊車就是一條不斷迭代升級的無人駕駛路線。

部分無人駕駛企業則是相對激進的打法，這其中有一個關鍵思考：當無人駕駛乘用車量產實現的時候，汽車產業鏈的商業模式是否會發生顛覆式的變革？這涉及到無人駕駛公司和主機廠的角力以及出行方式的改變。谷歌Waymo無人駕駛計程車運營已經測試了一年多，顯然他並不是奔著主機廠Tier1供應商去的，反過來他們希望主機廠成為他們供應商，使主機廠變成類似手機產業鏈中富士康的角色。我們也認為，在強勢的主機廠面前，Tire1必然不是一個好生意，汽車供應鏈企業的低PE也很好地說明了這個特點，如果無人駕駛公司都是奔著做Tire1去的，目前的估值就要打一個大的問號了。主機廠的核心壁壘之一是發動機，但目前的格局下，未來無論是鋰電還是氫能，發動機大概率會成為歷史，主機廠是否會失去其強有力的壁壘，淪為富士康這樣的代工廠，期待歷史給我們的答案。

無人駕駛在乘用車領域是很時尚的概念，但是對地鐵等交通工具來說，這項技術早已實現，配備的司機只是起輔助作用和應付突發事件。與目前大部分無人駕駛方案不同，地鐵列車自動駕駛系統的感知主要在網聯端。

無人駕駛汽車裝感測器的目的是為了實現對周圍環境的探測，但如果周圍環境的信息，甚至包括整條擬行駛道路的實時動態信息都能通過網路傳送到給汽車大腦呢？目前部分車聯網平台已經可以傳送交通路口的實時圖片，可以預見未來道路端感測器的增加將擠占車端感測器的生存空間。

我們看好網聯端感測器的發展方向，但是客觀來說，目前的環境還不成熟，短期內看不到落地機會，應該會出現逐步演進的方式。國內也已經有不少公司注意到這方面的趨勢，我們建議保持關注，雖然不一定實現，但理論上，未來汽車端可以不再需要感測器和無人駕駛演算法。

從最終產品和服務的形態來看，無人駕駛公司大抵分兩種類型，一種提供全套的無人駕駛解決方案，可簡稱「全棧布局公司」。另外一種是走產業內分工路線，僅參與無人駕駛全套解決方案中的一部分，比如感測器供應商、演算法供應商等。下面依次進行分析。

對新興行業來說，早期產業鏈配套未成形，標準不統一，較難實現產業內分工，這也適用於無人駕駛行業，事實證明，早期的無人駕駛公司確是全棧道布局，這樣另一個優勢是能提供更好的服務。全棧布局的可以基於市場定位從兩個維度進行區分，一類一開始就瞄準乘用車開放道路的無人駕駛方案，且大部分不太依賴特定主機廠，簡稱「高舉高打型」。另一種從傳統的ADAS供應商逐步升級，緊跟主機廠的步伐從L1逐步到L4，這類供應商對主機廠依賴程度較高。

高舉高打型。乘用車的無人駕駛需要強大的技術實力，這類團隊起點較高，往往是各類學霸、無人車大賽冠軍、資深業內人士等。典型的代表是谷歌Waymo等。但是並不是每個公司都可以複製Waymo，首先得要有足夠的資金支撐到能夠量產、產生收入的那天，如果沒有，可能需要做一個中短期的營收規劃，一來保持自己的造血能力，二來通過實在的產品落地強化資本市場信心，便於更好地融資。乘用車的無人駕駛是比較終極的技術方案，這類公司可以相對快速地切入特定場景，降維做方案相對簡單，而且一般來說會降維切入好幾個不同的特定場景，這樣可以跟專業只做某特定場景的無人駕駛公司區分開來，理論上來說如果技術能實現很好的復用性，更多場景的數據積累是非常有價值的，但是不同場景的落地需要花費更多的時間和精力。若沒有龐大的團隊和生態支持，做到並不容易。

傳統ADAS供應商。以環視供應商為例，基於環視的自動泊車預計今年年底能夠實現量產，自主泊車也有多家企業正在緊鑼密鼓地研發，自主泊車在某種意義上會達到L4級別的要求。這類供應商跟主機廠有比較緊密的合作基礎，往往瞄準主機廠的需求一步步往上迭代，相對務實。從量產經驗、客戶基礎和現金流來看，他們相對其他無人駕駛公司更有優勢，但是這類團隊起點偏低，要實現團隊的升級換代相對較難，另外主機廠節奏偏慢，在國內外無人駕駛創業公司的激進推進下他們是否能獲得無人駕駛終場的競爭門票存在較大的不確定性。

總體來說，全棧布局有歷史需要的原因，但是產業類分工已在大多行業內被驗證，隨著產業配套的成熟及行業標準的制定，無人駕駛產業是否也會出現產業內分工呢？

無人駕駛的流程可分為感知，認知，決策，控制，執行五部分。如下圖所示：

*無人駕駛流程

近期走訪發現無人駕駛已經有產業鏈分工跡象：感知層早已有獨立發展的供應商，比如Mobileye；認知層和決策層可合併作為模塊獨立發展；控制層和執行層也可以合併獨立發展。

感知層。這部分大的創業機會包括雷達、視覺、慣導等，這三者相互融合，共同為車輛提供環境感知和定位的功能。

雷達早就有成熟的供應商，只是並不是以汽車產業為主，無人駕駛產業受到關注以來，傳統雷達供應商逐步加大了汽車產業產品的研發力度，目前雷達供應商不僅提供硬體，而且已開始配套提供感知演算法，未來不排除會進一步增加感知層的融合演算法等。

激光雷達在測距上具有其他感測器沒有的優勢，未來被純視覺方案替代的可能性不大。國內雷達起步晚，穩定性等相比海外還有較大的改進空間，但是服務響應等各方面有優勢，因此國內公司是有投資價值的。視覺中雙目可以通過視差測距，但是雙目測距效果與雷達相比有一定差距，且成本高於單目，在單目+激光雷達方案面前顯得比較尷尬，目前並不主流。單目的全球龍頭是Mobileye，其產品已經迭代到了EyeQ5，包含演算法和硬體，且支持毫米波雷達和激光雷達信號的融合。

好的視覺演算法具有極高壁壘，初創公司需要大量的數據訓練模型，這個領域國內也有不少投資機會，從長期來看，我們持相對樂觀的態度，但初創公司要走出來確實不太容易。慣導作為獨立模塊之前在測繪及軍工領域應用較多，但好的慣導高達幾十萬，非常昂貴，而且效果依然差強人意，所以目前的無人駕駛公司大都配合GPS、RTK以及激光和視覺的SLAM(simultaneous localization and mapping)方案，現在無人車車頂的激光雷達很大部分原因就是為了SLAM定位而設計的。通過方案的組合，慣導的重要性可以降低，國產慣導已經開始得到部分無人駕駛公司的認可，這塊有一定投資機會。

認知和決策層。這部分以演算法為主，不包括硬體，但卻是無人駕駛系統方案中非常核心的環節，其中不僅涉及到感測器數據的融合，還包括駕駛態勢預判，控制決策等。目前深度學習主要應用在感測器演算法以及演算法融合上，行為決策還是傳統控制理論居多，雖然學術界討論過端到端（end-to-end）的深度學習方案，即通過接受感測器的輸入數據，直接輸出剎車、油門、轉向的控制信號，但是端到端的深度學習更具黑箱屬性，運算過程不可解釋，實現難度較大。僅做認知和決策層可以實現高度聚焦，而且有利於藉助上下游力量。

*自動駕駛的端到端深度學習方案圖示

控制層和執行層。控制層和執行層主要是線控底盤的功能，創業團隊需要精通底盤的控制演算法並且對汽車產業鏈有深入了解。目前市場線控改裝業務較多，即在傳統乘用車上進行改裝，完成線控，但僅僅改裝並非可持續的業務，相反配套提供的底盤控制器（硬體）未來有較大的復用價值，更進一步，已有創業公司將無人駕駛整套方案中需要用到的各類晶元高度集成到一個盒子中，類似奧迪A8L的zFAS，這有更好的擴展性及適用性。另一方面也有初創公司瞄準了新能源線控底盤的市場，這部分在物流等領域會有比較大的應用空間。

英特爾和Strategy Analytics此前預測，2050年全球自動駕駛市場規模將達到7萬億美元，我們看好無人駕駛的市場空間以及它在人工智慧領域的卡位。同時，新能源汽車的發展給國內汽車產業鏈提供了彎道超車的絕好機會，雖然眾多細分領域國內與國外仍存在較大差距，但國內供應商快速及時的服務以及較高的性價比在進入自主品牌體系時有很大優勢，我們相信最終不僅將贏得國內市場，而且將走向全球。在投資方向上，強研發，軟硬結合及垂直落地將依次加深企業護城河，這也是我們重點關注的方向。

強研發。無人駕駛是AI行業場景最複雜，技術最集中的賽道，行業的發展尚需突破諸多技術壁壘，比如雨霧天氣對感測器準確性的影響、泥濘道路的識別和控制等，這要求團隊需要配備汽車和演算法背景的高端人才，同時需技術和工程能力兼具，不能有明顯的短板。在創業團隊的選擇上，我們首要關注團隊研發能力是否達到無人駕駛創業的基本門檻。

軟硬結合。純軟體創業比較難。從個人電腦和手機的發展歷史來看，系統層面的最終格局是贏者通吃，最後存活的不多。往近看，人臉識別和語音識別初期技術壁壘高，隨著創業公司增多，各家技術差距不斷縮小，而且不斷出現了開源的優質演算法，遠好於創業公司自己研發，演算法價值已大大降低。無人駕駛行業也出現類似趨勢，百度阿波羅演算法已經開源，雖然目前並不完美，但會持續完善，所以我們判斷純演算法公司不容易成功，最好通過軟硬結合，賣軟硬一體方案，可以結合的硬體包括攝像頭，雷達，控制器等。

垂直落地。垂直落地需要花費較多的時間和精力，但是優勢也比較明顯：垂直落地不僅需要軟硬結合，而且需熟悉場景，並針對性地進行演算法及硬體優化，進入壁壘較高；同時，一旦和客戶達成深入合作，商務上也會形成護城河；另外，落地後的運營數據將反饋優化模型，進一步拉開與其他競爭對手的差距。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！