報(bào)告出品方：安信證券

以下為報(bào)告原文節(jié)選

------

1.特斯拉 FSD 商業(yè)化拐點(diǎn)將至，智駕付費(fèi)模式有望徹底跑通

特斯拉 FSD（Full Self-Driving）是在 Autopilot 的基礎(chǔ)上，推出的高階自動(dòng)駕駛功能，是特斯拉樹立“高端智能化”品牌標(biāo)簽的重要渠道，目前已迭代至 V11.4.6。特斯拉于2020 年 Q3 正式發(fā)布 FSD Beta（測試版）版本，隨后在 2021 年 7 月特斯拉通過重構(gòu)后的底層算法，采用純視覺技術(shù)路線初步實(shí)現(xiàn)了城市 NOA，并針對不良天氣影響、無保護(hù)左轉(zhuǎn)等Corner case 進(jìn)行不斷的升級優(yōu)化。從 2023 年 4 月發(fā)布的 FSD Beta 11.3 版本開始，特斯拉統(tǒng)一了城市 NOA 與高速 NOA 的系統(tǒng)架構(gòu)。根據(jù)馬斯克在推特上的多次預(yù)告，F(xiàn)SD V12 將是一次具有歷史意義的重要更新，同時(shí)稱 FSD V12 將不再是 Beta 版本。

FSD Beta 在北美測試用戶已超 40 萬，行駛里程加速提升，我們認(rèn)為特斯拉 FSD 商業(yè)化拐點(diǎn)將至，智能駕駛付費(fèi)模式有望徹底跑通。
測試用戶：馬斯克早在 2015 年首次官宣特斯拉將推出 FSD 完全自動(dòng)駕駛，2016 年 Q3 在官網(wǎng)上線 FSD 選裝包，彼時(shí)尚無具體功能說明。直到 2020 年 10 月 21 日，特斯拉正式發(fā)布FSD Beta 測試版本，但僅向北美 Early Access 早鳥用戶推送。在 2021 年初舉行的財(cái)報(bào)電話會(huì)議上，馬斯克表示，截至 2021 年 1 月，已經(jīng)有近 1,000 名車主在公共道路上參與FSD 測試，至 2021 年 3 月，這一數(shù)字已提升至 2000 名。在數(shù)千名早鳥用戶歷經(jīng)一年的內(nèi)測，伴隨著 2021 年 7 月發(fā)布重要版本 FSD Beta V9，在 2021 年 9 月 FSD Beta 在北美開始進(jìn)行有條件的公測,但僅安全評分達(dá)到 100 的車主才可獲得測試資格。兩個(gè)月后，2021 年11 月 FSD Beta 測試者的數(shù)量大幅提升至 1.17 萬，隨后 2022 年 1 月/4 月/9 月測試人數(shù)分別達(dá)到 6 萬/10 萬/16 萬。隨著 FSD Beta 版本持續(xù)迭代、系統(tǒng)可靠性不斷提升，特斯拉對于獲得 FSD Beta 測試資格的安全評分標(biāo)準(zhǔn)不斷放松，根據(jù)馬斯克的推特，2022 年 9 月對安全評分的要求已放寬至 80 分。至 2022 年 11 月 24 日，特斯拉向北美地區(qū)所有購買 FSD 用戶推送 FSD Beta 測試功能，標(biāo)志著 FSD Beta 在北美進(jìn)入全面公測，參與測試人數(shù)隨之大幅提升，截至 2022 年 12 月末測試人數(shù)達(dá)到 28.5 萬。根據(jù)特斯拉官方推特，截至 2023 年 3月 2 日 FSD Beta 測試人數(shù)超過 40 萬，根據(jù) Marklines 數(shù)據(jù)，截至 2023 年 2 月底，北美特斯拉保有量約為 185 萬，對應(yīng)滲透率達(dá)到 22%。（FSD 軟件需要在 HW3.0 平臺上才可以啟動(dòng)，特斯拉 2019Q2 之后生產(chǎn)的車輛才搭載 HW3.0，但特斯拉可以為老車主將硬件免費(fèi)升級至3.0 平臺，因此此處滲透率計(jì)算按特斯拉在北美全部的保有量計(jì)算）

行駛里程：根據(jù)特斯拉 2023 年二季度業(yè)績說明會(huì)，截至 2023 年 6 月，F(xiàn)SD Beta 累計(jì)行駛里程已超過 3 億英里。其中，自 2023 年 4 月開始 FSD Beta 累計(jì)行程里程加速提升，僅 Q2單季度提升約 1 億英里，主要系 FSD 訂閱量的上升及從 2023 年 4 月開始的 V11.3 在高速上啟用了 FSD Beta。需要注意的是，在 2023 年 4 月之前，高速場景并未統(tǒng)一到 FSD Beta 技術(shù)棧中。

軟件付費(fèi)：特斯拉 FSD 具有“期貨”屬性，自 2016 年發(fā)布以來已經(jīng)過多輪價(jià)格調(diào)整，2019年 4 月激活 FSD 功能僅需要一次性支付 5,000 美元，而目前 FSD 買斷價(jià)格已上漲至 1.5 萬美元。同時(shí)自 2021 年 5 月起，F(xiàn)SD 同時(shí)支持訂閱的方式進(jìn)行購買，基礎(chǔ) AP 用戶訂閱價(jià)格為99 美元/月，已購買加強(qiáng) AP 的用戶訂閱 FSD 價(jià)格為 199 美元/月。根據(jù) TroyTeslike 調(diào)研數(shù)據(jù)，2019 年以來隨著 FSD 購買價(jià)格逐步上漲及 Model 3/Y 中低端車型成為銷售主力，F(xiàn)SD在北美的單季度滲透率有所下滑。隨著 FSD Beta 功能體驗(yàn)逐步完善，2023 年下半年以來特斯拉通過對 FSD 進(jìn)行有條件優(yōu)惠等方式擴(kuò)大用戶基數(shù)。2023 年 7 月 7 日特斯拉升級引薦計(jì)劃，如果用戶通過推薦購買 Model 3/Y，可以免費(fèi)試用三個(gè)月 FSD Beta；如果通過推薦購買 Model S/X，可以免費(fèi)試用六個(gè)月。同時(shí)，馬斯克在推特上表示當(dāng) FSD 達(dá)到足夠流暢時(shí)會(huì)在北美向所有用戶免費(fèi)試用一個(gè)月，我們認(rèn)為這或會(huì)在 FSD V12 發(fā)布后實(shí)現(xiàn)，屆時(shí) FSD 訂閱率有望實(shí)現(xiàn)躍升，智能駕駛付費(fèi)徹底跑通。

2.算法：BEV+Transformer 確立行業(yè)通用感知范式，端到端大模型有望再次引領(lǐng)行業(yè)

2.1.2018 年之前：從與 Mobileye 合作到初步嘗試自研

2014-2016 年間特斯拉與 Mobileye 深度合作，由 Mobileye 提供感知算法，主要基于傳統(tǒng)機(jī)器視覺技術(shù)，依靠大量人工手寫規(guī)則。針對每一類 ADAS 任務(wù)，Mobileye 都設(shè)計(jì)了復(fù)雜的機(jī)器視覺算法，并且在工程層面進(jìn)行長期的優(yōu)化，結(jié)合專用芯片，最終達(dá)到效率和可靠性的平衡。以 Mobileye 的經(jīng)典測距算法為例，它使用前方車輛的車輪和地面接觸點(diǎn)作為檢測點(diǎn)，在假定地面水平的情況下，利用鏡頭的焦距 f、相機(jī)離地距離 H、成像高度 y 等易于測量的數(shù)據(jù)，可以估算出車輛距離本車的距離。在這一階段，特斯拉基于 Mobileye 方案的AP1.0 系統(tǒng)陸續(xù)實(shí)現(xiàn)了車道偏離預(yù)警、主動(dòng)巡航控制、自動(dòng)變道、自動(dòng)泊車等功能。

2016 年-2017 年特斯拉開始逐步探索自研自動(dòng)駕駛算法。2016 年特斯拉和 Mobileye 合作關(guān)系破裂后在硬件端轉(zhuǎn)向英偉達(dá)，同時(shí)自研軟件算法。2016 年 10 月 HW2.0 量產(chǎn)，而軟件層尚未推出，直到 2016 年 12 月 31 日特斯拉發(fā)布 Autopilot8.0 版本，輔助駕駛功能才重新上線，但相比于 AP1.0 系統(tǒng)功能上出現(xiàn)了明顯的回退，至 2017 年 3 月推送的 8.1 版本 AP2.0系統(tǒng)基本達(dá)到了 AP1.0 系統(tǒng)的功能體驗(yàn)。同時(shí)，2016-2018 年間特斯拉自動(dòng)駕駛團(tuán)隊(duì)構(gòu)成也發(fā)生了多次變化，2016 年 12 月，特斯拉 Autopilot 原總監(jiān) Sterling Anderson 離職，蘋果Swift 語言之父 Chris Lattner 接任，帶領(lǐng) AP2.0 的研發(fā)，但僅半年后 Lattner 宣布離職。
在這一時(shí)期特斯拉幾乎不對外披露軟件算法技術(shù)進(jìn)展，但值得注意的是，2016 年底開始特斯拉的 vision 小組與機(jī)器學(xué)習(xí)小組也開始在技術(shù)上為 Autopilot 的開發(fā)提供支持，說明特斯拉已經(jīng)開始嘗試將 AI 引入自動(dòng)駕駛的應(yīng)用中。
2.2.2018 年之后：從后融合到特征級融合，大模型賦能下引領(lǐng)行業(yè)

2017 年 6 月 Andrej 加入特斯拉后，主導(dǎo)特斯拉自動(dòng)駕駛算法從基于傳統(tǒng)視覺（規(guī)則的方式）向神經(jīng)網(wǎng)絡(luò)模型、數(shù)據(jù)驅(qū)動(dòng)的方向發(fā)展。Andrej 將傳統(tǒng)視覺稱之為 Software1.0，指實(shí)現(xiàn)某一個(gè)功能依靠既定代碼邏輯，可以理解為給定目標(biāo)，程序員設(shè)定好一條固定達(dá)到目標(biāo)的路徑。以數(shù)據(jù)驅(qū)動(dòng)、依靠神經(jīng)網(wǎng)絡(luò)的模型被稱為 Software2.0，給定目標(biāo)結(jié)果，程序員設(shè)定網(wǎng)絡(luò)框架，通過計(jì)算資源搜索程序空間的子集（給定目標(biāo)值，利用反向傳播和梯度下降實(shí)現(xiàn)），進(jìn)而找到這條具體的、最高效的路徑。特斯拉自動(dòng)駕駛算法進(jìn)化過程是 2.0 軟件逐步“吞噬”1.0 軟件的過程，從一開始規(guī)則主導(dǎo)，部分神經(jīng)網(wǎng)絡(luò)輔助；到二者交叉，部分模塊神經(jīng)網(wǎng)絡(luò)、部分規(guī)則，再到神經(jīng)網(wǎng)絡(luò)完全主導(dǎo)，用“one model”統(tǒng)一全棧。

2.2.1.2018-2019：使用多任務(wù)網(wǎng)絡(luò)提高模型效率，在 BEV 空間下進(jìn)行后融合

構(gòu)建 Hytranets 多任務(wù)網(wǎng)絡(luò)提高自動(dòng)駕駛感知模型效率。在 2018-2019 年期間，行業(yè)中應(yīng)用神經(jīng)網(wǎng)絡(luò)完成自動(dòng)駕駛感知任務(wù)的方式是針對單個(gè)任務(wù)進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)，即一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)只對應(yīng)一個(gè)感知任務(wù)的實(shí)現(xiàn)。自動(dòng)駕駛中同時(shí)存在非常多感知任務(wù)（尤其從高速進(jìn)入城市場景，環(huán)境復(fù)雜度大幅提升），如果為每一個(gè)任務(wù)單獨(dú)設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)極其耗費(fèi)資源。
特斯拉的解決方案是設(shè)計(jì)一個(gè) Hydranets 多任務(wù)網(wǎng)絡(luò)，有一個(gè)共享的 backbone 骨干網(wǎng)絡(luò)，再輸出多個(gè)任務(wù)。這樣設(shè)計(jì)最核心的好處在于節(jié)約計(jì)算資源，一方面在訓(xùn)練端，針對單個(gè)任務(wù)進(jìn)行微調(diào)時(shí)不需要對共享網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練；另一方面在車端進(jìn)行推理時(shí)不同任務(wù)共享特征提取結(jié)果從而避免重復(fù)計(jì)算。

在泊車場景下開始應(yīng)用 BEV，采用后融合策略對不同視角進(jìn)行拼接。2019 年 10 月，特斯拉推出停車場智能召喚功能，可控制車輛離開車位、繞過彎角、進(jìn)行必要的避障到達(dá)所選位置。為實(shí)現(xiàn)這一功能，車輛需要找到停車場中的可行駛區(qū)域，避免碰到道路邊緣。特斯拉在不同視角之下完成了車道線邊緣的預(yù)測，但車輛無法在 2D 透視圖中完成后續(xù)的規(guī)劃決策，因此需要將 8 個(gè)不同視角下的預(yù)測結(jié)果“投射”到 BEV 視角下（此時(shí)尚未正式提出 BEV 的概念，稱其為 Top-down 自上而下的視角）進(jìn)行拼接，需要特別注意的是，這個(gè)拼接過程是用基于數(shù)學(xué)規(guī)則的方式而非神經(jīng)網(wǎng)絡(luò)的方式完成的。

2.2.2.2020-2021：特征級融合取代后融合，BEV+Transformer 架構(gòu)下，進(jìn)入自動(dòng)駕駛大模型時(shí)代

特斯拉利用基于神經(jīng)網(wǎng)絡(luò)的特征級融合取代基于規(guī)則的后融合，大幅提升感知效果。2020年特斯拉開始研發(fā) FSD 完全自動(dòng)駕駛，當(dāng)自動(dòng)駕駛從簡單的泊車場景向普通城市道路拓展時(shí)，后融合的感知結(jié)果難以滿足要求。一方面基于規(guī)則的后融合具有嚴(yán)苛的假設(shè)，如地面是完美水平、相機(jī)和地面之間不存在相對運(yùn)動(dòng)，因此任何的車輛顛簸或者道路有高度變化都會(huì)打破這一假設(shè)，使得 BEV 輸出的圖像面臨失真。同時(shí)，由于透視投影，在 2D 圖像中完成不錯(cuò)的感知結(jié)果投影到 BEV 空間中精度很差，若要保證遠(yuǎn)距離區(qū)域的精度，就必須要對每一個(gè)像素的深度預(yù)測非常準(zhǔn)確，而這是難以實(shí)現(xiàn)的。為解決這些問題，特斯拉希望能直接利用神經(jīng)網(wǎng)絡(luò)輸出 BEV 感知結(jié)果，自動(dòng)駕駛感知融合從后融合走向特征級融合。具體模型框架如下：1）通過 Backbone 共享骨干網(wǎng)絡(luò)進(jìn)行特征提??；2）將不同視角下的 2D 特征圖通過神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換至 BEV 空間內(nèi)融合；3）融入時(shí)序信息；4）多任務(wù)的輸出。

Transformer 交叉注意力機(jī)制對于 BEV 空間轉(zhuǎn)換任務(wù)適配性較高。利用 Transformer 進(jìn)行BEV 空間轉(zhuǎn)換的方法沒并有顯示的深度估計(jì)，而是用注意力機(jī)制直接進(jìn)行不同序列（指 2D特征圖和 BEV 視圖）之間的轉(zhuǎn)換。Transformer 的交叉注意力機(jī)制中的 Query 和 Key/Value來源不同，因此天然適配于不同域之間的數(shù)據(jù)轉(zhuǎn)換。在 2D 特征圖向 BEV 空間轉(zhuǎn)換的過程中，首先將 BEV 空間分割成 2D 格柵，之后將它們編碼成一組 Query 向量，去不同視角的 2D 特征圖中查詢對應(yīng)的點(diǎn)，從而實(shí)現(xiàn)空間的轉(zhuǎn)換。根據(jù) 2021 年特斯拉 AI Day，通過Transformer 交叉注意力機(jī)制在 BEV 空間內(nèi)做特征級融合的效果遠(yuǎn)好于基于規(guī)則的方法在BEV 空間內(nèi)后融合。

2.2.3.2022：升級至 Occupancy 解決一般障礙物識別問題，Lanes Network 進(jìn)一步完善地圖模型

從 BEV 升級到占用網(wǎng)絡(luò)，進(jìn)一步提升泛化能力。特斯拉在 2022 年 AI Day 中展現(xiàn)了Occupancy Network 感知技術(shù)。基本的思想是將三維空間劃分成體素 voxel（可以理解為微小立方體），再去預(yù)測每個(gè) voxel 是被占用還是空閑，通過 0/1 賦值對 voxel 進(jìn)行二分類：有物體的 voxel 賦值為 1，表示 voxel 被物體占據(jù)；沒有物體的 voxel 被賦值為 0。實(shí)際中的賦值可以是概率值，表示 voxel 存在物體的概率。

占用網(wǎng)絡(luò)感知技術(shù)本質(zhì)上是為了解決更多的長尾問題。純視覺方案被質(zhì)疑的一大問題在于對于沒有在訓(xùn)練集中出現(xiàn)過的物體，視覺系統(tǒng)則無法識別，比如側(cè)翻的白色大卡車，垃圾桶出現(xiàn)的路中，傳統(tǒng)視覺算法無法檢測到。占用網(wǎng)絡(luò)模型的基本思想是“不考慮這個(gè)物體到底是什么，只考慮體素是否被占用”，則從根本上避免了這一問題，大幅提升了模型的泛化能力。

Occupancy 網(wǎng)絡(luò)結(jié)構(gòu)與特斯拉 2021 年 AI Day 展示的 BEV 網(wǎng)絡(luò)結(jié)構(gòu)差異不大，均包括特征提取、利用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征級融合、融入時(shí)序信息、多任務(wù)的輸出四個(gè)步驟，事實(shí)上Occupancy 可以看作是 4D 的 BEV。從網(wǎng)絡(luò)結(jié)構(gòu)上看差異主要體現(xiàn)在：1）Occupancy 模型中進(jìn)行空間轉(zhuǎn)換時(shí)的 Query 是 3D 格柵，BEV 模型中是 2D；2）Occupancy 模型可以直接解碼出網(wǎng)格的占用情況、速度信息、3 維道路曲面參數(shù)和語義信息等。

從 BEV 在線地圖升級至矢量地圖構(gòu)建模型 Lanes Network，更有利于下游的規(guī)劃決策。特斯拉始終堅(jiān)持無高精度地圖的方案，通過車端實(shí)時(shí)感知+導(dǎo)航地圖為下游規(guī)劃決策提供所需的道路信息，因此特斯拉在線地圖的升級方向就是讓其提供的信息密度越來越接近高精度地圖。高精度地圖相比于導(dǎo)航地圖定位精度明顯提升，并且可以提供車道級的信息（車道線的數(shù)量、邊緣位置），這一點(diǎn)特斯拉在 2021 年通過在 BEV 空間內(nèi)對車道線進(jìn)行完整的在線分割和識別已經(jīng)實(shí)現(xiàn)。但除此之外，高精度地圖還可以提供道路拓?fù)浣Y(jié)構(gòu)，即車道線之間的連接關(guān)系，特斯拉將地圖模型升級至矢量地圖就是為了補(bǔ)足這一信息。

特斯拉矢量地圖 Lanes Network 包含視覺、地圖、語義三個(gè)模塊，利用 Transformer 生成車道線的關(guān)鍵節(jié)點(diǎn)。從網(wǎng)絡(luò)架構(gòu)上來說，矢量地圖是 Occupancy 感知網(wǎng)絡(luò)的一個(gè) decoder，將來自感知網(wǎng)絡(luò)的視覺特征信息、地圖的信息整合起來給到語義模塊，這里需要特別注意的是特斯拉所采用的地圖是其自己繪制的眾包地圖，而非高精度地圖。語義模型框架上類似 Transformer 中的 Decoder，將來自視覺模塊和地圖模塊的所有信息進(jìn)行編碼，類似于語言模型中單詞 token，再以序列自回歸的方式預(yù)測節(jié)點(diǎn)的位置、屬性以及連接關(guān)系。

2.2.4.2023：規(guī)劃決策端應(yīng)用神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)“端到端”的自動(dòng)駕駛模

型特斯拉 FSD V12 在規(guī)劃決策端采用 AI 大模型，更好的處理復(fù)雜的交通參與者之間的交互問題，有望實(shí)現(xiàn)端到端自動(dòng)駕駛。在當(dāng)前自動(dòng)駕駛模型架構(gòu)中將駕駛目標(biāo)劃分為感知、決策、執(zhí)行三個(gè)大的模塊。目前行業(yè)在特斯拉的引領(lǐng)下感知模塊均依靠于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，但規(guī)劃決策端依然是基于傳統(tǒng)規(guī)則，而非神經(jīng)網(wǎng)絡(luò)的方式。馬斯克在推特上稱，特斯拉 FSD V12將采用“端到端”模型，輸入數(shù)據(jù)是攝像頭采集的到的視頻流 raw-data，輸出數(shù)據(jù)直接是如方向盤轉(zhuǎn)角多少度的控制決策?？梢岳斫鉃?，除了感知模塊，特斯拉在規(guī)劃決策模塊也將采用 AI 大模型、數(shù)據(jù)驅(qū)動(dòng)的方式來實(shí)現(xiàn)。

規(guī)劃決策端應(yīng)用神經(jīng)網(wǎng)絡(luò)模型是當(dāng)前學(xué)界、業(yè)界共同關(guān)注的發(fā)展方向。獲得 2023 年 CVPR最佳論文獎(jiǎng)的《Planning-oriented Autonomous Driving》提出 UniAD 自動(dòng)駕駛大模型，UniAD 以“規(guī)劃”為目標(biāo)，利用多組 query 實(shí)現(xiàn)了全棧 Transformer 的端到端模型。需要注意的是 UniAD 利用 Transformer 統(tǒng)一了自動(dòng)駕駛感知、規(guī)劃決策全棧，但模塊之間有明顯的區(qū)隔，并非完全黑盒，具有一定的可解釋性。

3.數(shù)據(jù)：數(shù)據(jù)閉環(huán)+超算中心造就 FSD 極致迭代速度

如前所述，特斯拉自動(dòng)駕駛模型從大量的程序員手寫規(guī)則的 Software1.0 向基于神經(jīng)網(wǎng)絡(luò)的 Software2.0 迭代，在 Software2.0 時(shí)代下，數(shù)據(jù)是最為重要的生產(chǎn)資料。我們復(fù)盤特斯拉對數(shù)據(jù)閉環(huán)體系的構(gòu)建可以分為以下兩個(gè)階段：1）2016-2019 年：首創(chuàng)影子模式，組建千人標(biāo)注團(tuán)隊(duì)，數(shù)據(jù)閉環(huán)體系初步構(gòu)建；2）2020 年-至今：逐步發(fā)展至 4D 自動(dòng)標(biāo)注，數(shù)據(jù)閉環(huán)體系趨于完善，Dojo 超算中心投產(chǎn)進(jìn)一步提升迭代速度。
3.1.2016-2019：首創(chuàng)影子模式，數(shù)據(jù)閉環(huán)體系初步構(gòu)建

特斯拉早在 2016 年首創(chuàng)影子模式，開始在車端大量收集眾包數(shù)據(jù)，2018 年已初步構(gòu)建了數(shù)據(jù)閉環(huán)體系。一次完整的數(shù)據(jù)閉環(huán)過程分為以下幾個(gè)步驟：1）從一個(gè)初始數(shù)據(jù)集開始（seed dataset）訓(xùn)練神經(jīng)網(wǎng)絡(luò)并部署在車端。2）設(shè)計(jì) trigger 觸發(fā)機(jī)制，回傳車端收集到的 corner case（如神經(jīng)網(wǎng)絡(luò)結(jié)果不準(zhǔn)確、司機(jī)接入接管等）。3）發(fā)現(xiàn)這個(gè) corner case后，寫成一個(gè)新的 trigger 發(fā)送到車端，讓車隊(duì)回傳大量的類似數(shù)據(jù)集。4）對新得到的數(shù)據(jù)集進(jìn)行標(biāo)注，重新訓(xùn)練。在這一過程中，corner case 的挖掘速度（取決于眾包車隊(duì)的數(shù)量以及 Trigger 觸發(fā)機(jī)制的設(shè)計(jì)）、對類似場景數(shù)據(jù)的收集速度、數(shù)據(jù)標(biāo)注的速度和質(zhì)量、訓(xùn)練模型的計(jì)算資源共同決定了自動(dòng)駕駛模型的迭代能力。

--- 報(bào)告摘錄結(jié)束 更多內(nèi)容請閱讀報(bào)告原文 ---

報(bào)告合集專題一覽 X 由【報(bào)告派】定期整理更新

（特別說明：本文來源于公開資料，摘錄內(nèi)容僅供參考，不構(gòu)成任何投資建議，如需使用請參閱報(bào)告原文。）

精選報(bào)告來源：報(bào)告派

新能源 / 汽車 / 儲能

新能源汽車 | 儲能 | 鋰電池 | 燃料電池 | 動(dòng)力電池 | 動(dòng)力電池回收 | 氫能源 | 充電樁 | 互聯(lián)網(wǎng)汽車 | 智能駕駛 | 自動(dòng)駕駛 | 汽車后市場 | 石油石化 | 煤化工 | 化工產(chǎn)業(yè) | 磷化工 | 基礎(chǔ)化工 | 加油站 | 新材料 | 石墨烯 | 高分子 | 耐火材料 | PVC | 聚氯乙烯 | 綠色能源 | 清潔能源 | 光伏 | 風(fēng)力發(fā)電 | 海上發(fā)電