自动驾驶算法篇——大模型助力，自动驾驶有望迎来奇点

自动驾驶算法是感知、预测、规划控制的结合体

自动驾驶算法由感知、预测、规划控制构成。

数据和仿真则通过数据驱动助力整 个算法体系的成熟和完善。整个自动驾驶行为包含诸多组成部分，而市场努力的 方向在于将这些环节不断优化。

大模型横空出世，自动驾驶算法有望迎来奇点

感知：BEV+Transformer 横空出世，大模型推动自动驾驶迈向“平民化”

2021 年特斯拉第一次推出 BEV+transformer 算法架构，用神经网络将多个 2D 的 图像和传感器信息综合成为三维的向量空间方便下游规控模块处理，开启了自动 驾驶新时代。该算法优势显著：

（1）解决 2D 图像转换成 3D 空间深度预测难点， 感知性能提升。

（2）完美实现多摄像头、多传感器信息融合。

（3）更易融入时序 信息，让模型拥有“记忆”。

（4）拥有实时建图能力，摆脱对高精度地图的依赖。

规控：算法由基于规则迈向基于神经网，大模型开始崭露头角

规划控制算法中，目前行业仍以基于规则的方式为主，但泛化性不足仍面临诸多 长尾问题，同时不断“打补丁”完善算法会导致最终代码量庞大且难以维护。领 军公司已开始将大模型引入其中，进而拥有更强的泛化能力和更好的驾乘体验。

端到端（感知决策一体化）：大模型为自动驾驶彻底实现带来希望

感知、预测、规划、控制组合模块化部署模式，一方面，容易累计误差，另一方 面，不同模块之间全局优化存在困难，因此端到端感知决策一体化算法成为自动 驾驶行业共识的目标。英伟达、Uber、Wayve 等公司进行了诸多探索。

数据：大模型推动数据闭环和仿真落地

数据闭环通常包含数据采集、挖掘、数据标注等环节，如何实现自动化同时 降本增效是关键。

目前行业推动大模型助力数据挖掘和自动标注，将加速产业成 熟。仿真方面，逼真的仿真环境可替代实车数据的采集，是减少 Cornercase 的有 效手段，大模型亦帮助实现自动化的场景生成等，完美提升模型自我迭代能力。

算法变局推动 L3 级自动驾驶加速到来

大模型时代，得算力者得天下。大模型可通过仿真、自动标注等方式显著提升车 厂算法能力，车企纷纷加码数据中心。芯片格局有望受大模型影响而重塑。 Transformer 大模型具有大参数、计算复杂等特点，芯片需要针对性开发加速器 以实现在推理端良好，前瞻拥抱产业趋势的玩家有望在竞争中占得先机。

最后，大模型推动下，L3 级自动驾驶正加速到来，诸多车企推出自己的大模型解 决方案，并有望迅速实现城市辅助驾驶落地，全产业链玩家均有望持续受益。