汽车行业专题研究报告

汽车行业专题研究报告1.技术+政策+新品周期，新一轮智能化有望加速1.1.2014-2016纯视觉方案崛起推动ADAS功能普及在21世纪前的汽车百年历史中，从定速巡航系统（CCS）->车身动态稳定系统（ABS/ESC）->自适应巡航系统（ACC，通过毫米波雷达），产业一直在努力让更多的技术来帮助司机更加轻松、安全的操控汽车。但早期的设计更多的采用机械式，直到2008年Mobileye的横空出世，通过成熟的纯视觉方案先后实现了车道偏离预警（LDW，2008年）、自动紧急制动（AEB，2009年）、前方碰撞预警（FCW，2010年）、自适应巡航系统（ACC，2013年）等多项ADAS功能。单颗摄像头+芯片的技术架构大幅降低了系统的生产成本，同时具备完善的功能应用，因此随着2013年纯视觉ACC功能的推出，Mobileye的芯片开始受到各大主流中高端汽车品牌的青睐，几乎成为各家唯一的ADAS方案商，出货量大幅攀升，成功的推动ADAS功能的普及。根据美国SAE的分级，将自动驾驶分为L1-L5级别。Mobileye领衔的纯视觉方案成为L2级别及以下自动驾驶方案的首选，特斯拉的S/X车型自动驾驶方案也是采用其EQ3芯片，推动了整套系统的快速普及。在ADAS系统的感知、决策、执行三大环节中，感知由Mobileye完成，高质量的传感器信息大幅降低了决策环节的难度，并且也加速了执行环节的电控国产替代需求：制动（ABS/ESC），转向（EPS电动助力转向）。1.2.2020-2022特斯拉FSD推动整车E/E架构升级2019年特斯拉发布ModelY车型，相较于2017年发布的Model3车型其最大的变化来自于整车电子电器（E/E）架构，从过去的分布式架构开始向域集中架构转变，这也符合博世公司提出的电子电器架构变革的技术方向。通过E/E架构的变化，特斯拉有效地解决了分布式之前的算力不足，难以支持OTA升级等多种问题，并且推出了基于自研芯片的AutoPilotHW3.0的新一代FSD自动驾驶系统。在汽车智能化功能不断升级所带来的算力需求下，各家车企也开始向着集中式电子电器架构的方式演进。英伟达先后推出的大算力AI芯片Xaiver(30TOPS)/Orin（256TOPS）很好地满足了不断增长的算力需求，并且提供一套完善的算子库+开发工具链，取代Mobileye成为域集中架构下众多车企的首选。基于AI芯片的自动驾驶域控制器成为产业链价值量增加最大的新产品。此外，由于新能源+操控需求带来的价值新增量（线控制动+线控转向+空气悬挂）以及智能座舱新增量（座舱域控制器+HUD+音响功放）等均成为这一轮智能化变革中重要的产业趋势。1.3.新一轮技术+政策+新品周期，共同推动高级别自动驾驶落地成本+政策压力，智能化产业节奏放缓。不同于L2或者L2.5级别自动驾驶方案，高级别自动驾驶方案对于感知要求更高，除特斯拉之外，各家车企均采用激光雷达+毫米波+摄像头等多种传感器融合方案支持相关算法，这也带来了成本端的大幅增加。同时，国内目前没有清晰的界定L3级别自动驾驶权责认定的法律法规，成本+政策导致车企和消费者对于L3级别自动驾驶的需求下降，智能化从L2->L3升级的节奏放缓。特斯拉借助AI大模型推出全新感知方案，有效降低成本。随着AI大模型技术的发展，特斯拉率先采用了基于TransFormer大模型的BEV+占用网络感知算法，提升了环境建模的效率，成为目前主流车企下一代智能化的主要架构。通过这套感知架构能够减少对于激光雷达等高成本传感器的依赖，有效降低系统成本，减轻车企及消费者的负担。海内外政策准备加速，有望明确L3级别自动驾驶责任划分。近年来从国家部委到地方政府对高级别自动驾驶发布了一系列政策和法规，从基础建设、测试标准、数据安全、高精地图、商业运营等方面进行完善。2023年，美国内华达州和加州先后批准了奔驰L3级别自动驾驶功能的上路运行，对于责任进行了清晰的划分，国内相关的政策法规也有望加速落地，明确L3级别自动驾驶功能的责任划分。城市NOA（约等于L3级别自动驾驶）功能成为产业智能化主要发力方向。2023年是智能化新车上市密集窗口期，基于目前产业跟踪，我们预计这波新车特征或是：1）符合L3智能化法规标准；2）城市自动驾驶（城市NOA）落地使用；3）成本下行至30万元以下，激光雷达不是必要条件。车企进展初步排序：第一梯队领先（特斯拉/小鹏汽车/华为合作伙伴），第二梯队快速跟进（理想/蔚来/比亚迪/长城/吉利/长安/广汽/上汽等）。2.AI大模型加持，端到端感知方案实现降本增效2.1.CHATGPT横空出世，AIGC推动全新产业革命2.1.1.AIGC实现多模态输入输出，有望开创全新应用场景CHATGPT为代表，AIGC基于训练数据生成各类内容。AIGC（GenerativeAI，生成式AI）是一种人工智能相关的技术，它可以使用训练数据来生成新的内容，包括文本、图像、音频和视频等。当下最为火热的CHATGPT（chatGenerativePre-trainedTransformer）就是AIGC的一种，作为基于大规模预训练语言模型的对话系统，具备极强的自然语言处理能力，能够应用到各类文字语言任务中。多模态输入输出技术逐步成熟，AIGC有望开创更多应用场景。随着自然语言生成技术以及AI大模型的成熟，AIGC逐步受到市场的关注。因为Prompt以及Diffusion等技术对模型泛化能力以及多模态输出能力的提升，目前已经能够生成文字、图片、音频、代码等多类型的内容，多模态大模型输入输出能力的逐步完善，有望使得其在除了文字领域之外开创更多新的应用场景。2.1.2.技术架构+参数规模持续迭代，大模型表现能力不断提升大模型参数规模不断增长，推动AIGC技术升级。AIGC技术发展的背后是大模型（FoundationModels）技术的持续迭代。从2017年TransFormer结构的提出，加速了深度学习模型的参数学习能力。从ResNet系列开始参数规模不断增长，以GPT（GenerativePre-trainedTransformer）系列大模型为例：1）GPT1参数量达到1.17亿的规模，25亿的单词量；2）GPT-2参数量达到15亿的规模，其中数据来自互联网，使用了800万在Reddit被链接过的网页数据，清洗后的语料数据约40GB；3）GPT-3参数规模达到1750亿；4）ChatGPT参数量达到万亿级别。在参数量上，每一代均比前一代产品有了数量级的飞跃，同时也带来了模型性能的快速提升。参数量破亿，预训练大模型效果。大模型指的是具有非常大的参数数量的人工神经网络模型，在深度学习领域，通常指具备数亿到万亿参数的模型，这些模型通常需要在大规模的数据集上面进行训练，并且需要使用大量的计算资源进行优化。2018年Google和OpenAI先后推出的BERT(BidirectionalEncoderRepresentationsfromTransformers)以及GPT（GenerativePre-trainedTransformer）模型都是突破亿级别参数量的自然语言处理模型，具备非常好的数据处理效果，并且分别代表了“预训练+微调”（Pre-Train+Fintung）和“预训练+提示”（Pre-Train+Prompt）两种技术路线。在确立了以TransFormer为主要技术架构方向后，大模型的发展开始逐步进入加速阶段，随着模型参数量的增长，带来的处理效果也不断提升。2019年，OpenAI继续推出15亿参数的GPT-2，能够生成连贯的文本段落，做到初步的阅读理解、机器翻译等。紧接着，英伟达推出了83亿参数的Megatron-LM，谷歌推出了110亿参数的T5，微软推出了170亿参数的图灵Turing-NLG；2020年，OpenAI推出了超大规模语言训练模型GPT-3，其参数达到了1750亿，在两年左右的时间实现了模型规模从亿级到上千亿级的突破，并能够实现作诗、聊天、生成代码等功能；2021年，谷歌推出的SwitchTransformer模型以高达1.6万亿的参数量成为史上首个万亿级语言模型；同年12月，谷歌还推出了1.2万亿参数的通用稀疏语言模型GLaM，在7项小样本学习领域的性能超过GPT-3；2022年，StabilityAI发布的文字到图像的创新模型Diffusion，以及OpenAI推出的ChatGPT，ChatGPT是由效果比GPT3更强大的GPT-3.5系列模型提供支持。2.2.深度学习+强化学习，推动大模型成为NLP重要驱动力2.2.1.凭借历史数据提取特征，机器学习成为AI发展重要方向模拟人类思维方式，AI开发面向具体领域。人工智能（ArtificialIntelligence,AI）是一种能够模拟人类智能和思维过程的技术，旨在开发能够自主学习、推理、理解、规划、感知和适应的智能系统。作为计算机科学的一个分支，它出现于20世纪50年代，初始时候的目标主要有两个：1）通过在计算机上建模和模拟来研究人类智能；2）通过像人类一样解决复杂问题从而使得计算机更加有用。因为AI系统的复杂性，研究人员阶段性地放弃了通用AI的研发，转而开始研究面向感知、推理、记忆、语言、运动等具体领域的AI模型。AI领域独立学科，机器学习着力自行习得智能。机器学习从20世纪80年代开始，作为人工智能内部一个独立的学科领域快速发展。它能帮助机器从现有的复杂历史数据中学习规律（提取特征），以预测未来的行为结果和趋势。机器学习的出现，使得人工智能的工作重心从人工赋予机器智能向机器自行习得智能方向转变。对于机器学习本身，分为有监督学习、无监督学习、强化学习三大类型。它通过数据获取、预处理、特征提取、特征选择、推理、预测、识别这几个步骤完成相应的工作。监督学习：给算法一个数据集，并且给定正确答案。机器通过数据来学习正确答案的计算方法。无监督学习：给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。强化学习：由智能体（Agent）、环境（Environment）、状态（State）、动作（Action）、奖励（Reward）组成。智能体执行了某个动作后，环境将会转换到一个新的状态，对于该新的状态环境会给出奖励信号（正奖励或者负奖励）。随后，智能体根据新的状态和环境反馈的奖励，按照一定的策略执行新的动作。2.2.2.机器学习->深度学习，神经网络+海量数据提升学习效率免除特征工程工作，深度学习实现端到端解决方案。深度学习（DeepLearning）是机器学习中的一个分支，从2006年开始被提出之后，促使人工智能产业有了革命性的突破。与传统机器学习相比，深度学习去掉了特征提取（特征工程）部分的工作，着力于实现端到端的解决方案，让算法自动完成特征工程的内容，此后进行模型训练，开发者只需要关注参数优化便能够获取效果比较好的模型。模拟人类神经元传导，感知机成为神经网络基础单元。深度学习的成型依赖于神经网络技术的发展，神经网络技术最初基于感知机的提出—感知机是最古老的机器学习分类算法之一，在1957年就已经被提出了，感知机通过模拟人类神经元传导的机制进行输入输出处理，通过z=w*x+b来划分数据集，并且模拟人类神经元激活过程来决定最终输出的内容。感知机层层嵌套，搭建深度神经网络。深度神经网络完成在感知机的基础上，对神经网络进行设计。一个标准的前馈神经网络（FNN）至少由三层结构，输入层、隐藏层和输出层来构成：1）输入层，主要的作用是对特征矩阵进行输入，每个神经元上都是一个特征向量；2）隐藏层，主要作用是用于让算法进行学习的网络层级，数据在隐藏层中间逐层传递，本质是一个感知器嵌套的过程。隐藏层中上层的每个神经元，都与下层中的每个神经元相连，因此隐藏层的结构随着神经元的变多可以变得非常复杂；3）输出层，主要用于输出分类、回归等预测结果。多层神经网络实现复杂函数逼近，深度模型实现“特征学习”功能。深度学习在标准FNN前馈神经网络上，参考人类的多层信息处理系统，通过更多层的神经网络传递来构建更加抽象的特征表达。不同于普通前馈神经网络对复杂函数的表示能力有限，深度学习可以通过多层神经网络的叠加架构，实现复杂函数逼近，并展现了强大的从大样本中集中学习数据集本质特征的能力，最终利用“深度模型”这一手段来实现“特征学习”的目的。2.2.3.专注人类逻辑思维模式，NLP成为AI重要应用领域人类逻辑以语言形式为主，NLP成为AI研究重要领域。因为通用AI系统的复杂性，研究人员的主要精力放在专用领域AI的开发上。人类的逻辑思维以语言为形式，绝大多数知识也是以语言的形式记载和流传，因此NLP（NaturalLanguageProcessing）自然语言处理，成为专用AI最为重要的研究领域。人类希望通过发展NLP来进一步了解人类自身的语言能力和智能机制。同时，自然语言因为其歧义性、进化性、非规范性、主观性、知识性等多方面的特点，给自然语言处理带来了极大的挑战。NLU解决语言理解问题，NLG解决语言生成问题。NLP分为NLU（自然语言理解）和NLG（自然语言生成）两个部分。其中：1）NLU是所有支持机器理解文本内容的方法模型或任务的总称，包括分词，词性标注，句法分析，文本分类/聚类，信息抽取/自动摘要等任务，核心目的是准确识别用户的意图；2）NLG是一种自动将结构化数据转换为人类可读文本的软件过程，核心的目的是能够实现大规模的产生个性化内容，帮助人类洞察数据，让数据更容易理解，加速内容生产等。深度学习推动NLP发展。随着人工智能技术的发展，NLP也经历了三次迭代：1）基于规则的方法：通过总结规律来判断自然语言的意图；2）基于统计的方法：对语言信息进行统计和分析，并从中挖掘出语义特征；3）基于深度学习的方法：代表方法有CNN（卷积神经网络）、RNN（循环神经网络）、LSTM（长短期记忆网络）、TransFormer等。2.2.4.大规模无监督训练技术应用，推动LLM成为NLP中重要构成早期深度学习模型受限于特征抽取器能力，任务效果不够突出。在2017年之前，NLP的核心技术主要是深度学习模型，通过大量的改进LSTM模型及少量的改进CNN模型作为典型的特征抽取器，以SequencetoSequence+Attention作为各种具体任务典型的总体技术框架。在以上核心技术的加持下，NLP的主要研究方向，就是如何有效的增加模型层深或者模型参数容量。但是，基于CNN和LSTM的特征抽取器，表达能力不够强，不能在大数据中有效地吸收相关的知识，因此整体的任务效果并不突出。2017年谷歌团队发布论文《TransFormerisallyouneed》提出TransFormer结构，此后基于TransFormer结构的LLM（LargeLanguageModel）语言大模型Bert/GPT先后发布，使得NLP的特征抽取器逐步从LSTM/CNN统一到Transformer上。其中，Bert通过“双向语言模型预训练+应用Fine-tuning”模式，主要针对自然语言理解类任务；GPT通过“自回归语言模型+Zero/FewShotPrompt”模式，主要针对自然语言生成类任务。TransFormer模型强大的特征提取能力，Bert和GPT相关模型不再通过大量的标注后数据来生成模型，而是通过大量的非标注数据（如维基百科），通过预训练提取相关的数据特征属性，这种学习方式是无监督的模型。在微调阶段继续使用预训练好的模型参数，采用自身标注数据在此基础上完成最后一步的监督学习。2.3.TransFormer架构提升学习效率，推动大数据预训练成为可能2.3.1.CNN（卷积神经网络）提取数据特征，适用静态图像识别+分割在深度学习早期发展的过程中，卷积神经网络（ConvolutionalNeuralNetworks，简称CNN）是推动深度学习能力发展的主要动力，特别是在图像识别领域。CNN的核心是通过合理的神经网络结构来有效的降低神经网络中的参数个数：1）卷积层中每一个节点的输入只是上层神经网络的一小块，通过卷积层会使得矩阵变的更深；2）池化层不会改变矩阵的深度，但是可以缩小矩阵的大小，主要功能就是逐步减小表征空间的尺寸从而减小参数量和网络中的计算复杂度；3）全连接层通过连接所有输出层的特征信息，并对这些信息进行汇总整理完成输出。模拟人类感知过程，通过局部信息抽象特征。在传统的图像处理过程中，通过经典的神经网络模型，需要读取整幅图像作为神经网络的输入（全连接的方式），当图像尺寸越大，则连接的参数会变得很多，从而导致计算量非常大。CNN的连接方式模拟人类对外界的感知，从局部向全局进行扩散，在图像中局部范围内的像素联系较为紧密，而距离较远的像素则相关性较弱，因此CNN的核心原理就是：对局部信息进行感知，抽象出特征，并在更高层将局部的信息综合起来得到全局信息，从而降低神经网络中的参数数目。基于CNN的基础假设（人类的视觉总是关注视线内特征最为明显的点），因此在机器学习的神经网络应用中，它主要应用在图像识别中较多。2.3.2.RNN（循环神经网络）解决全局记忆，完成Seq2Seq问题增加时序关系，赋予RNN记忆能力。不同于CNN的架构，循环神经网络（RecurrentNeuralNetwork，简称RNN）指在全连接神经网络的基础上增加了对于前后时序上的关系，可以更加好的处理机器翻译等与时序相关的问题。在传统的神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的，这种结构对于一些问题无能为力，比如预测下个单词是什么，而RNN的本质是：像人一样拥有记忆的能力。在RNN的循环结构中，每一步输出的结果，会作为下一步的新的输入，也就是上一个时刻的网络状态将会作用（影响）到下一个时刻的网络状态，表明RNN和序列数据密切相关，从而对于数据具备一定的记忆能力（虽然可能随着序列增加导致前面部分特征不断遗忘）。同时，对于RNN来说并不是每一个步骤都需要有输出，这样可以实现SequencetoSequence这样的不对称输入和输出关系，用来解决机器翻译等问题。RNN结构虽然具备记忆能力，但是因为自身结构的原因，每个时间序列中采用相同的参数，对于序列中出现的所有信息都会尝试记住，这样导致不同重要性的信息具备同样的权重值。在RNN的基础上，LSTM（LongShortTermMemory）模型被提出，它的核心思想就是：设计一个记忆细胞，通过遗忘门、更新门、输入门、输出门等结构互相配合，可以选择性的记忆重要信息，过滤掉噪音信息，减轻记忆负担。2.3.3.TransFormer并行计算加速学习效率，成为重要特征提取器2017年Google实验室发布论文《AttentionIsAllYouNeed》，基于Encoder-Decoder架构，由Attention的机制来实现TransFormer模块。相较于原来的CNN/RNN模型结构，解决了输入和输出的长期依赖问题，并且拥有并行计算的能力，大幅度减少了计算资源的消耗，后续进一步提出的Self-Attention机制，让源序列和目标序列做了“自关联”，Muti-HeadAttention模块使得Encoder端具备并行计算能力。注意力机制给予不同权重，输出结果参考输入信息。传统的Encoder-Decoder机制（用于实现SeqtoSeq任务），所有的输入最终汇聚成唯一的语义编码C，并且作为Decoder的唯一输入，这样对于Decoder输出时，所有的输入贡献度权重是一样。在引入注意力（Attention）机制之后，对于不同的输出会分配不同的语义编码C，对不同的输出给予不同的输入权重，从而让系统从众多的输入信息中选择出对当前任务目标更为关键的信息，将注意力放在上面。Attention机制中，语义编码C的权重计算取决于输入X和输出Y两者所有的元素之间，但是自注意力机制（Self-Attention）的权重计算无关输出相关元素，只是输入相关元素之间的Attention机制。对于Self-Attention来说，从输入到输出过程中，对于Q/K/V三个向量的生成可以看作Wq/Wk/Wv三个向量的点积。最终的输出可以看作Q/K/V三个向量矩阵的点积结果，因此整个Self-Attention的计算过程可以通过并行矩阵计算进行实现，很大程度上提升了深度学习的计算效率。自注意力机制在Self-Attention机制上进化出了（Multi-HeadSelfAttention）多头注意力机制，通过这个结构（双头或者更多头）可以提高注意力机制的空间分辨度，从更多的维度对数据特征进行提取，因此也在TransFormer模型结构中得到应用。基于多头注意力机制、Encoder-Decoder等架构搭建的TransFormer模型，能够很好的完成对于大量数据的特征提取和内容生成，相较于RNN网络结构，它没有时序上顺序依赖，无需逐步递归才能获取全局视野，同时并行计算的优势也提升了系统的计算效率，因此取代了CNN/RNN成为NLP中最为重要的特征抽取器。2.3.4.预训练大模型问世，生成式技术路线成为主要趋势基于TransFormer特征提取器，NLP发展出两类大参数预训练（Pre-Trained）语言模型，BERT和GPT，其中BERT(BidirectionalEncoderRepresentationfromTransformers)的实质是采用TransFormer模型的Encoder结构，通过“填空题”的方式来完成预训练，它的优点包括：1）预训练模型，泛化能力较强；2）端到端模型，无需调整网络结构；3）基于TransFormer，可以实现快速并行；4）双向模型，可以结合上下文进行训练。采用Encoder结构，通过掩码进行预训练。Bert模型在2018年由谷歌实验室提出，在11项NLP任务中均取得SOTA（state-of-the-art）结果，因此Bert以及预训练模型获得了广泛的关注。Bert采用的是Encoder层的结构，通过自编码（Auto-Encoding）的方式，能够同时获取到上下文的信息，通过掩码（Masked）来对模型进行预训练，遮掩掉部分有效数据，训练模型的预测能力，并且对训练完成后的模型通过微调（Fine-Tunning）的方式来对最终的下游任务进行适应。谷歌官方为Bert发布了两个版本，Bert_Base&Bert_Large。其中，Bert_Base：L=12，H=768，A=12，TotalParameters=110M；Bert_Large：L=24，H=1024，A=16，TotalParameters=340M。L为神经网络的层数即深度，H代表输出的维度，A表示Multi-HeadAttention中Head的数量，两者参数分别是1.1亿和3.4亿，属于初代大模型范畴。除了BERT之外，OPENAI推出了GPT（GenerativePre-Training）模型，它是基于单向的TransFormer的解码器模型，GPT模型中，输入的序列首先被通过一个嵌入层转换成向量表示，然后输入到Transformer解码器中，每个解码器层都由多个注意力头和前馈神经网络组成，用于逐步生成下一个词语的概率分布。最初的GPT模型，也是通过预训练+微调的方式来解决下游任务。初代GPT具备12层神经网络，每层具备12个Head，词编码长度为768，模型参数约为1.17亿。2018年刚刚推出的时候，GPT的自然语言处理能力弱于Bert，Bert主要面对自然语言理解任务，然后完成自然语言生成任务，GPT跳过自然语言理解任务，直接面向自然语言生成任务，但随着大模型参数和数据的不断增长，GPT的技术路线开始“量变引起质变”，GPT所代表的生成式大模型逐步成为主流的技术路线。大模型的生成能力持续提升，结合前文提到的多模态的输入和输出能力，不仅仅在NLP领域，大模型在图像处理、语言处理、视频处理等多个维度的应用在不断的加强，也有望给整个汽车智能化趋势进一步赋能。2.4.TransFormer+BEV，加速推动L3智能驾驶落地2.4.1.模块化&端到端，智能驾驶两大算法框架智能驾驶算法的框架主要有两大类：1）模块化智能驾驶算法方案；2）端到端的解决方案。截至2022年，业界采用最多的自动驾驶架构还是模块化自动驾驶系统，它的优点是整个架构非常简洁，通过感知层、决策规划层和执行控制层三层来解决整个系统的感知、决策和执行工作。同时，每一层还可以细分成不同的模块和子模块，这样对于每个模块的输出结果可以单独进行监控。在自动驾驶开发过程中，不同的子模块可以交由不同的团队来并行开发，有效提升开发效率。但是缺点就是系统非常复杂和庞大，需要人工设计所有的模块，并且受困于算力所限，无法对所有的子模块都采用深度学习网络进行升级。因此对于模块化自动驾驶系统，可能用很少的精力就能够解决大部分的自动驾驶场景，但是少部分的CornerCase会耗费大量的精力去进行一一的标准解决。另一种自动驾驶的系统方案是端到端（EndtoEnd），核心就是车辆把采集到的信息（图像数据、点云数据等）直接送入统一的深度学习网络，经过其处理之后直接输出自动驾驶汽车的驾驶命令（方向盘转角、方向盘转速、车速等）。相较于模块化的系统，它设计难度低+硬件成本小，易于获得不同场景下的泛化性，但是是一个完全的黑盒，不具备解释分析性，可靠性和灵活性较差，工程师无法对其进行系统化的解释分析，从而难以保障系统的安全。2.4.2.借助TransFormer模型，特斯拉感知系统全面升级实时建图完成环境搭建，协助车辆进行决策。作为纯视觉方案的代表企业，特斯拉为了更好的通过摄像头来了解其所处环境，并且摆脱高精度地图频繁更新带来的较高维护成本，希望通过实时建图的方式来完成周围环境的搭建，帮助车辆更好的进行决策。在2021年AIDay上，特斯拉发布了BEV（Bird’sEyeView）+TransFormer算法，将摄像头的二维图像空间（包含景深信息）通过TransFormer模型转换成向量空间，使得多传感器（摄像头、毫米波雷达等）的信号输入能够转换到统一的俯视角度进行处理。统一俯视视角共享图像特征，提升算法开发效率。在这样的一个统一的俯视视角下具备很多的优势：1）解决多传感器融合问题，方便下游任务共享图像特征；2）在BEV视角下没有物体变形问题，使得模型集中精力解决分类问题；3）融合多个视角解决遮挡问题和物体重叠问题。同时，BEV能够把传统感知方案中3D目标检测、障碍物实例分割、车道线分割、轨迹预测等多项任务在一个算法框架内实现，大幅的减少人力需求，提升算法开发效率，可以说在感知算法的层面实现了端到端的架构开发。BEV（2D）->占用网络（3D），全面提升感知效率。BEV算法通过TransFormer实现了多传感器二维空间特征往向量空间融合的过程，但是整个BEV鸟瞰图是一个2D图像，缺少高度信息，无法真实的反映出物体在3D空间实际的占用体积是多少，即使识别也是通过矩形框进行标记，这种方式会导致细节的损失。为了解决上述问题，特斯拉在2022年AIDay上发布OccupancyNetworks(占用网络)，它核心思想是把3D空间分为大小一致的Gridcell，然后判断每个Cell是否被占用，它是BEV网络在高度方向进行了进一步的扩展。这种算法带来几个优点：1）实现了BEV从2D->3D的优化；2）有效的解决了垂直高度上不同立方体的空间占用情况；3）可以实时预测被遮挡物体的状态；4）10ms内可以完成计算，处理频率很高；5）解决了目标检测的长尾问题，即使某些物体不存在于训练集中，但是因为算法本身进行的是空间占用的检测，不进行目标检测，因此从根本上避免了这个问题。参考语言大模型架构，7500万参数生成矢量地图。特斯拉FSD算法在矢量地图生成过程中也采用了TransFormerDecoder算法，把车道相关信息包括车道节点位置、属性（起点，中间点，终点等）、分叉点、汇合点，以及车道样条曲线几何参数进行编码，做成类似语言模型中单词token的编码，然后利用时序处理办法进行处理，从而获得车道线之间的拓扑连接关系，在这个基础上进行行驶路径规划，整个矢量地图生成过程中涉及到7500万个参数。3.海内外政策逐步完善，有望加速实现突破3.1.抢占自动驾驶“智高点”，各国加速相关法规政策布局汽车产业发达国家高度重视自动驾驶政策布局。自动驾驶技术处于科技应用和产业创新的最前沿，主要汽车制造大国如中国、美国、德国、日本和韩国等正在积极出台法规政策以推进自动驾驶商业化部署。目前针对自动驾驶出台的政策可分为四大类：一、优先开展城市智能网联汽车道路测试，探索构建高级别智能驾驶车辆标准与规则，例如我国在部分城市地区建立智能网联汽车测试区与划定测试道路；二、强调机动车强制安全标准，推动自动驾驶汽车结构性升级，例如美国调整车辆强制标准等措施，以安全防护能力为准则促进汽车安全性能提升；三、修订《道路交通法》等法律，明确高级别自动驾驶中的责任义务，例如德国、日本等修订《道路交通法》等顶层法律，推动高级别自动驾驶的责任划分与依法应用；四、开展小批量自动驾驶汽车认证，探索自动驾驶车辆注册与销售规则，例如欧盟允许成员国在特定区域特定场景下开展无人驾驶车辆的注册与销售，推动相关法规与技术规范的创新。目前海内外高级别自动驾驶政策落地正在同步加速。根据我们不完全的统计，仅2023年我国就有超过17条以上直接面向高级别智能驾驶相关的政策法规发布，其中上海地区占据了绝对的数量优势。工信部、经信委、交通委等部门纷纷出面牵头制定相关的政策法规，自动驾驶政策体系不断完善。2023年6月，美国加州机动车管理局（DMV）批准了奔驰L3级别自动驾驶系统的上路行驶申请，今年1月，内华达州已经批准了相关的系统上路行驶申请。国内外监管部门共同发力，有望推动L3级别自动驾驶尽快落地量产。3.2.国内：中央+地方协同完善政策，道路测试+数据安全并举央地协力持续完善自动驾驶法律法规体系。2021年7月，工业和信息化部、公安部、交通运输部联合发布《智能网联汽车道路测试与示范应用管理规范(试行)》允许在充分开展道路测试的基础上开展载人载物示范应用；2022年9月工信部发布的《国家车联网产业标准体系建设指南（智能网联汽车）（2022年版）》提出，到2025年要制修订100项以上智能网联汽车相关标准。国家层面的大力推动得到地方政府的积极响应，2022年8月深圳发布国内首部关于智能网联汽车管理的法规《深圳经济特区智能网联汽车管理条例》，2023年3月上海浦东实施全国首部“智能网联”地方性法规《上海市浦东新区促进无驾驶人智能网联汽车创新应用规定实施细则》，无锡、阳泉、德清、成都等地也积极出台地方政策持续完善自动驾驶汽车监管体系，目前全国已有50多个省市出台智能网联汽车测试规定。自动驾驶道路测试先行，加速推动商业化落地。2021年4月，《北京市智能网联汽车政策先行区总体实施方案》指出，北京将正式开放高速公路场景，开展自动驾驶测试，同年10月北京正式开放无人化测试场景，首批向百度、小马智行两家企业颁发无人化道路测试通知书，在经开区20平方公里范围内、共100多公里城市道路上开展无人化测试。2022年以来，上海、武汉、杭州等地陆续出台法规对智能网联车辆测试明确监管要求，截至2023年5月全国累计发放道路测试和示范应用牌照超过2000张，开放测试道路超过10000公里，测试总里程超过4000万公里。测试规模的累积推动自动驾驶从测试示范迈入商业化探索。北京、上海、广州、深圳等10余个城市已经允许自动驾驶汽车在特定区域、特定时段从事出租汽车、城市公共汽（电）车等商业化试运营，且应用规模不断扩大。国内自动驾驶数据合规趋严。2022年8月30日国家自然资源部《关于促进智能网联汽车发展维护测绘地理信息安全的通知》要求高精地图的测绘和制图仅能由国家颁发导航电子地图制作甲级测绘资质的企业合法操作。2023年5月12日北京市高级别自动驾驶示范区工作办公室正式发布《北京市智能网联汽车政策先行区数据安全管理办法（试行）》，这是全国首个自动驾驶示范区数据安全管理办法，详细梳理了重点数据类型的合规风险，要求在地理信息安全方面，严格把关相应资质、技术保护与境内范围等要求。2021年5月特斯拉宣布在中国建立数据中心，实现数据存储本地化，众多跨国车企陆续在中国建立数据中心，数据本土化成大势所趋。3.3.海外：加快构建规范自动驾驶发展的政策法规框架美国强调机动车安全标准，加快调整监管政策。2021年6月美国国家公路交通安全管理局（NHTSA）要求配备L2级别高级辅助驾驶系统(ADAS)或L3-L5级别自动驾驶系统（ADS）车辆的制造商和运营商，需要提交涉及车辆碰撞事故的报告。2022年3月NHTSA出台了首个针对无人驾驶车辆的乘客安全技术规定，强调自动驾驶车辆必须提供与人类驾驶传统车辆同等水平的乘员保护能力。截至2023年5月，美国本土已有40个州出台了自动驾驶相关法规政策。2023年5月，美国加州通过奔驰L3级别自动驾驶系统上路申请。欧盟立法开展小批量无人驾驶车辆的型式认证。2022年7月欧盟强制普及新车辅助驾驶功能，法规要求汽车制造商在新认证车型上强制配备包括6项ADAS功能在内的30种安全功能。同年8月，欧盟发布自动驾驶车辆型式认证法规，系全球首个允许成员国批准注册和销售高级别自动驾驶车辆的技术法规，目前此法规只适用于欧盟范围内小批量的车辆型式认证，大批量的车辆型式认证已纳入欧盟委员会的工作计划中，预计在2024年7月之前完成。德国英国加快完善自动驾驶顶层法律。2021年5月德国正式通过全球首部《自动驾驶法》，为自动驾驶车辆上路提供合规保障，自2022年开始德国允许具有高级别自动驾驶车辆在德国的公共道路上和指定区域内行驶。在《自动驾驶法》框架下，德国奔驰获得德国联邦汽车运输管理局允许其销售L3级自动驾驶汽车的许可，为奔驰自动驾驶技术全球推广奠定基础。2022年8月，英国政府发布《网联和自动化出行2025：英国实现自动驾驶汽车的收益》，提出了政府在2025年之前促使自动驾驶车辆更广泛地的普及，制定新的自动驾驶立法框架。报告还提出政府将向议会提出新立法，以明确在现行法律基础上规定制造商需要对自动驾驶车辆的行为负责。日韩加速推动自动驾驶商业化落地。2019年5月，日本通过新的《道路交通法》，允许L3级自动驾驶车辆上路；次年10月，日本警察厅公布的《道路交通法》修正案允许L4级别自动驾驶车辆上路，于2023年4月1日起正式实施。2022年9月，韩国政府公布《移动创新路线图》制定自动驾驶普及“三步走”计划，即到年底成为继日本和德国后，第三个允许L3级（有条件自动化）自动驾驶汽车上路的国家；到2025年实现L4级（高度自动驾驶）自动驾驶巴士、摆渡车商业化；到2027年推出L4级乘用车。持续更迭自动驾驶政策法规已经成为促进自动驾驶技术落地的重要举措。国内有条件（L3级别）自动驾驶技术商业化落地的主要难点在于相关责任定义的缺失，在实际操作中较难界定驾驶员和车企的责任。2021年3月，公安部发布《道路交通安全法(修订建议稿)》首次从法律上对自动驾驶汽车的道路测试、通行以及违法和事故责任分担等进行了规定，尽管2021年4月《道路交通安全法》并未体现上述规定，但是修订意见稿的发布已经体现了我国对推动自动驾驶实际落地采取的积极行动。目前我国中央+地方国内相关的政策法规逐步完善，明确L3级别自动驾驶功能的责任划分，在限定工况下责任由提供自动驾驶功能的车企或者第三方供应商承担。清晰的责任认定划分能够有效的区分车企在智能化维度的能力边界，有望推动智能化行业进程。4.新技术方向确认，产品周期加速助推智能化纯视觉方案具备成本优势，多传感器融合用于长尾场景。在之前的智能化进程中，车企主要分为以特斯拉为代表的纯视觉方案，和其它车企所采用的多传感器融合方案，相较来说基于纯视觉的方案在成本维度具备更好的优势，但是因为对于CornerCase或者长尾场景的担心，使得绝大多数车企依然采用激光雷达+毫米波雷达+摄像头方案来实现高级别自动驾驶功能。全新架构FSD版本开始推送，改善多种自动驾驶场景。特斯拉FSDV11.4.1版本在2023年5月面向北美用户开始推送。根据马斯克的透露，这次的改动在架构上有了非常大的变化，应该是采用了基于BEV+TransFormer+OccupancyNetwork的方案。感知能力在城市街道场景+36%、交叉场景+44%、合并场景+27%、转弯场景+16%。特斯拉引领技术方向，高级别自动驾驶方案有望实现降本。特斯拉全新的自动驾驶架构一经推出，迅速获得业界各家企业的认可，国内主流车企包括理想、小鹏、赛力斯、比亚迪等车企都纷纷采用BEV+TransFormer的方式对全新一代自动驾驶感知方案进行建模。理想汽车和赛力斯（华为ADS2.0）均采用了占用网络的技术，在算法架构上全面向特斯拉看齐，虽然基于安全考虑，目前推出的城市NOA功能都搭配了激光雷达作为冗余感知配置，但随着算法的成熟，有望降低对于激光雷达的依赖，大幅降低整套系统的成本，进一步推动高级别自动驾驶渗透率的提升。新一轮产品周期窗口，城市NOA助推智能化功能加速。根据我们的统计数据，2023年H2以及2024年是车企智能化新车加速投放的窗口期，其中城市NOA（类L3级别自动驾驶）功能成为区分车企智能化的关键能力，随着政策法规的落地，有望加速推动汽车智能化行业的发展。（本文仅供参考，不代表我们的任何投资建议。）汽车行业专题报告：汽车轻量化势不可挡，一体化压铸东风已至1.政策指引+电动化持续渗透，汽车轻量化发展加速1.1.机动车是大气污染重要来源，发展汽车轻量化实现节能减排刻不容缓机动车保有量持续增长，2022年达4.17亿辆，其中汽车占比76.5%。据公安部统计，2022年全国机动车保有量达4.17亿辆，其中汽车为3.19亿辆，同比+5.6%，每年以约2000万辆的速度增长；机动车驾驶人数达5.02亿，其中汽车驾驶人数为4.64亿。此外，2022年全国有84个城市的汽车保有量超过百万辆，同比增加5个城市，39个城市超200万辆，21个城市超300万辆，其中北京、成都、重庆、上海超过500万辆，苏州、郑州、西安、武汉超过400万辆。高汽车保有量使得尾气排放对环境污染严重。机动车成为重要大气污染源，碳减排目标下汽车低碳化发展刻不容缓。根据中国政府网发布的《第二次全国污染源普查公报》，2017年全国大气氮氧化物排放量1785.22万吨，颗粒物排放量1684.05万吨，挥发性有机物排放量1017.45万吨。2017年统计汇总机动车保有量2.67亿辆，其排放氮氧化物595.14万吨、颗粒物9.58万吨、挥发性有机物196.28万吨，分别占全国比重为0.57%、33.34%、19.29%。对此，《节能与新能源汽车技术路线图2.0》提出，我国汽车技术发展的总体目标之一为汽车产业碳排放总量先于国家碳减排承诺于2028年左右提前达到峰值，到2035年排放总量较峰值下降20%以上，汽车减排、低碳化发展迫在眉睫。我国机动车污染排放减排速度放缓，汽车节能减排进入攻坚期。近年来随着我国污染治理政策持续大力推进，全国机动车四项污染物排放量持续降低，2017年全国机动车保有量3.10亿辆，四项污染物排放总量为4359.7万吨；2021年全国机动车保有量增长至3.95亿辆，与此同时，四项污染物排放总量降至1557.7万吨，年均降速达22.7%。这“一升一降”背后彰显了我国污染防治颇具成效。然而，尽管从总量上看全国机动车四项污染物排放量持续下降，减排速度却有所放缓，2018-2021年排放量分别同比-6.8%、-59.1%、-4.3%、-2.2%，汽车节能减排进入攻坚期。汽车整车重量与燃油消耗显著相关，汽车轻量化节能减排效果显著。汽车轻量化就是在保证汽车的强度和安全性能的前提下，尽可能地降低汽车的整备质量，从而提高汽车的动力性，减少燃料消耗，降低排气污染。世界铝业协会的报告指出，汽车整车重量降低10%，燃油效率可提高6%-8%。大众汽车研究认为，汽车整备重量每减少100千克，每公里二氧化碳排放可减少8-11g，百公里油耗可降低0.3-0.5升。因此，在当前汽车减排压力日益增大的背景下，汽车轻量化对于节约能源、减少排放、实现可持续发展战略具有十分积极的意义。1.2.燃油车减耗目标高，整车减重可有效提升燃油效率燃油车油耗持续降低，但减耗目标下仍压力重重。根据《节能与新能源汽车技术路线图2.0》，得益于高压缩比（12-13）+米勒循环+变排量附件+低摩擦技术等先进节能技术的大量应用，汽油机热效率逐步靠近40%（国际先进水平），全国乘用车（含新能源汽车）油耗、传统能源乘用车油耗均持续下降，2019年分别为5.56、6.46L/100km。同时技术路线图提出，考虑到节能技术进步和综合工况切换的影响，至2025年乘用车（含新能源汽车）油耗、传统能源乘用车油耗目标分别为4.6、5.6L/100km，2035年分别为2.0、4.0L/100km，减耗压力重重。轻量化成为燃油车发展重点方向，2025年燃油乘用车整车轻量化系数降幅目标为10%。在燃油车减耗目标下，大力发展汽车轻量化技术、持续构建汽车轻量化技术开发和应用体系变得至关重要。《节能与新能源汽车技术路线图2.0》摒弃以整车装备质量和轻质材料用量为衡量标准的传统做法，引入整车轻量化系数等作为衡量整车轻量化水平的依据，并提出2025年、2030年、2035年我国燃油乘用车整车轻量化系数需分别降低10%、18%、25%，载货车、牵引车和客车分别降低5%、10%、15%。1.3.电动车三电系统重量大，提升续航里程需求推动轻量化发展2022年新能源汽车渗透率同比快速提升，全国新能源汽车保有量大幅增长至1310万辆。据公安部统计，2022年全国新能源汽车保有量达1310万辆，占汽车总量的4.10%，扣除报废注销量比2021年增加526万辆，增长67.13%。其中，纯电动汽车保有量1045万辆，占新能源汽车总量的79.78%。2022年全国新注册登记新能源汽车535万辆，占新注册登记汽车总量的23.05%，与上年相比增加240万辆，增长81.48%。新注册登记新能源汽车数量从2018年的107万辆到2022年的535万辆，呈高速增长态势。与燃油车相比，新能源汽车减重需求更为迫切：1）新能源车整车质量高于传统燃油车。与燃油车配备发动机、变速箱不同，新能源汽车动力来源于电池、电驱、以及电控三大系统，合计占整车质量的30-40%。在现有电池密度水平下，新能源汽车的动力系统质量显著高于燃油车。尤其是围着网联化、智能化不断推进，未来搭载相关配置后，整车质量将进一步提升。2）新能源汽车续航里程为用户核心关切，降低整车质量提升续航能力将进一步增强新能源汽车竞争力。一般而言，新能源汽车续航里程取决于电池容量、电机效率、温度、工况等多种因素影响。尽管当前新推出车型续航里程有所增加，然而实际行驶续航里程往往与官方公布的有较大差距，甚至在冬季出现续航减半的现象，这严重影响了消费者的购买决策。而国家新能源汽车技术创新中心研究表明，降低整车质量能显著提升续航里程，整车重量每降低10kg，续航里程可增加约2.5km。因此，中国汽车工程学会提出到2025年、2030年、2035年纯电动乘用车轻量化系数分别降低15%、25%、35%。2.材料、结构、工艺轻量化为汽车减重三大着手点为满足汽车轻量化压铸的技术需求，目前行业内主要在材料、结构设计、工艺三方面进行突破，根据产业前沿技术：1）材料轻量化：选用结构强度有保障的、密度相对低的材料代替传统的钢材料，包括高强度钢、铝合金、镁合金、碳纤维等材料。从而通过降低材料密度和用量实现整车减重。从减重效果来看，碳纤维最好；从成本来看，高强度钢较低。2）结构轻量化。在不影响车身基本状态的情况下，通过采用先进的优化设计方法和技术手段，优化车身结构参数，去除零部件冗余部分的同时实现壁化、中空化、小型化、复合化，从而提高材料利用率。通过合理的结构设计减少材料用量实现轻量化。根据设计变量及优化问题类型的不同，结构轻量化可分为拓扑优化、尺寸优化、形状优化、形貌优化四种。一般而言，采用新材料和新工艺会使得开发成本大幅增加，而结构优化由于未采用新的材料，实现减重的同时能降低成本，是车身轻量化最常用的方法之一。3）工艺轻量化。激光拼焊技术是汽车厂商最常用的方法，其原理是采用不等厚度轧制板，通过计算机实时控制和调整轧辊的间距，以获得沿轧制方向上按预先定制的厚度连续变化的板料。此外还有液压成形、热成形；辊压成形技术；低（差）压铸造成型技术以及各种汽车轻量化连接技术等。值得一提的是，特斯拉推出的一体化压铸技术则在制造工艺端和材料端引领革新。2.1.材料轻量化：高强度钢为当前主流，铝合金增量可期在三大轻量化手段中，材料轻量化是基础。在采用轻量化材料的基础上，通过优化结构、升级工艺等方式，实现整车减重。因此在轻量化材料发展方面，《节能与新能源汽车技术路线图2.0》指出，我国自主轻量化技术开发和应用体系的构建，近期以完善高强度钢应用为体系重点，中期以形成轻质合金应用体系为方向，远期形成多材料混合应用体系为目标。2.1.1.高强度钢：屈服强度和抗拉强度高，当前应用最为广泛高强度钢板屈服强度、抗拉强度高。按照国际钢铁协会USL-AB项目，可将钢种按其力学性能进行分类，分为低强钢（软钢）、高强钢以及超高强钢。低强钢的抗拉强度Rm（σb）<270MPa，屈服强度Re（σs）<210MPa；超高强钢的抗拉强度Rm（σb）>700MPa，屈服强度Re（σs）>550MPa；高强钢的力学指标介于这两者之间。其中，低强度钢分为IF钢和软钢；普通高强度钢分为碳锰钢、BH钢、高强度IF钢和HSLA钢等；先进高强度钢（AHSS）包括双相钢（DP钢）、相变诱发塑性钢（TRIP钢）、复相钢（CP钢）和马氏体钢（MS钢）等。整车中钢材用量大，占整车自重55-60%。据汽车材料网，以现代轿车用材为例，按照重量换算，钢材占汽车自重的55%-60%，铸铁占5%-12%，有色金属占6%-10%，塑料占8%-12%，橡胶占4%，玻璃占3%，其他材料（油漆、各种液体等）占6%-12%。可见钢材在汽车中用量较大，高强度钢板的应用能减轻冲压件的重量，节省能源和降低冲压产品成本。用于汽车零件的高强度钢板，其抗拉强度可以达到600-800MPa，而相应的普通冷轧软钢板的抗拉强度只有300MPa。目前，全球最大的钢铁公司Acelor开发了热冲压成形钢板USIBOR1500。该钢板为镀锌板，镀层质量为120-160g/m2，淬火后力学特性明显，强度值可达到1600MPa。根据AEE汽车技术平台，高强度钢可以应用于汽车面板、车体框架以及底盘等多个部位：1）汽车面板：车顶、车门等部件要求具有变形刚度和抗凹陷性，主要使用抗拉强度为340-390MPa的烘烤硬化钢板（BH钢板）。BH钢板的屈服强度在烘烤涂漆时升高，可在不损失成形性的前提下，提高抗凹陷性，减薄钢板。现在有的车型已使用440MPa级BH型高强度钢板。新马自达2的车身结构中就使用了440、590、780和980Mpa级别的高强度钢板和超高强度钢板。2）车体框架：随着正面撞击、侧面撞击的撞击安全性标准的提高，结构件、加强件等主要使用590MPa级高强度钢板，也有厂家使用780MPa级、980MPa级高强度钢板。有些厂家甚至采用将390MPa、440MPa级高强度钢板冲压成形后，对强化部分进行高频加热和淬火，以使部件局部抗拉强度达到1200MPa，并在冲压加热钢板的同时进行冷却，以使部件整体抗拉强度达到1470MPa的方法。此外，还有采用激光拼焊方法，将不同厚度、不同材质钢板拼合起来，使材料配置适用于所要求材质和使用部位。3）汽车底盘：汽车底盘的用材已从传统的440MPa级热轧板发展到780MPa，最大减重达30%。近年来，高强度钢板在底盘上的使用比例正在急剧增加。今后，高强度钢板的使用比例及更高强度钢板的应用有望进一步提高。多个项目证实高强度钢能在不增加成本的条件下实现轻量化。根据《轧钢》杂志，为了推进高强度钢在汽车上的应用，国际钢铁协会组织开展了多个项目，包括超轻钢制车（ULSAB）、先进概念车超轻钢制车身计划（ULSAB-AVC）、未来钢制汽车（FSV）等。1）ULSAB项目：主要目标是减小车身质量、提高结构强度、提高安全性、简化制造工艺及降低生产成本。ULSAB车身重量203kg，与对标车相比减重25%，高强度钢应用比例91%。冷冲压成形应用比例42.8%，激光拼焊板应用比例44.9%，液压成形比例9.3%。2）ULSAB-AVC项目：通过车辆的整体设计来实现车身的轻量化，高强度钢的应用比例达到97%。在成形技术方面，有30%以上的零件采用激光拼焊板，20%以上的零件采用液压成形技术。3）FSV项目：表明先进高强度钢能够达到碰撞安全五星评价的要求，并降低车辆在整个使用周期内的总排放量，在不增加成本的条件下实现轻量化。2.1.2.铝合金：减重性价比高，中长期增量可观铝合金减重效果、提升汽车性能、循环利用等优势显著。铝合金是地壳中含量最为丰富的绿色金属，与其他材料相比，铝件不但轻、比强度高，而且易于成形，吸能效果好，耐腐蚀，循环利用价值大。此外，铝合金在减重的同时，能实现汽车更好的刹车性、更优的操控性、更好的驾驶舒适度和更突出的动力。根据汽车材料网，其具体优势优势在于：1）减重、节能减排效果好。①减重效果。根据美国铝业学会的报告，汽车中每使用1kg铝，可以获得2.2kg的减重效果，且服役期内将减少20kg尾气排放。铝合金由于密度较钢材小，用在汽车零部件上能够实现二次轻量化。据美国铝业公司的研究，汽车典型零件用铝的一次轻量化效果可达30%-40%（以高强度钢代替普通钢材能减重约11%），二次轻量化效果可提高至50%。②减排效果。汽车的油耗一定程度上与整车质量相关，一般而言，整车质量越大，汽车油耗越高。而二氧化碳排放量又与油耗呈正相关。因此通过降低整车质量，能够减少汽车油耗，从而使得二氧化碳排放量减少。2）提高行驶性能、安全性能、舒适性及稳定性。①行驶性能。由于使用铝合金能够减轻汽车质量，从而能够减少百公里加速时间，提升行驶性能。据美国铝业协会研究，若铝合金在汽车中实现25%的轻量化效果，那么汽车加速到96.56km/h的时间就能够缩短4s。②安全性能。在同样设计要求条件下，铝合金吸收碰撞的性能比钢材优异。因此当汽车发生碰撞时，与钢材相比，铝合金材料更容易形成褶皱和变形，会多吸收50%-70%的冲击力，从而提高汽车安全性。③舒适性及稳定性。铝合金在汽车上使用通常会使得汽车整体重心降低，汽车驾驶的舒适性及稳定性相应得到提高。3）装配效率高、易回收。铝合金整体车身需要点焊的部分较少，加工工序缩短，且其不易生锈，不需要做防锈处理，可显著提高汽车装配效率。此外，由于铝合金熔点较低，在使用期间腐蚀率低且程度轻微，因此便于回收利用。4）成本较碳纤维低、原材料自供率高。铝合金价格仅高于高强度钢，远低于碳纤维复合材料。而镁合金由于自身化学特性，耐腐蚀性不及铝合金，这一定程度上限制了其在汽车领域的大规模应用。因此综合而言，现阶段铝合金是理想的汽车轻量化材料。此外，我国氧化铝、电解铝产量均为世界第一，原材料自供率高。铝合金主要用于白车身、动力总成、底盘、内饰等，并向其他部件不断渗透。根据汽车材料网，铝合金最初是作为热交换器部件材料在汽车上应用，继而用于汽车轮毂、发动机汽缸活塞及缸体等部件。2012年以后，发达国家强化了行人保护法规，企业在汽车制造时覆盖件大量采用铝合金板材。2020年，北美汽车引擎盖铝化率接近75%，车门、行李箱盖、顶棚的铝化率超过25%。以奥迪、捷豹、F-150卡车、TESLA-S品牌的新能源汽车为代表的车身全铝化推动了铝合金板材在结构件上的应用。铝合金为轻量化最优材料之一，中长期增量可观。与高强度钢相比，铝合金由于密度低，减重效果更明显，且不存在镁合金易腐蚀、加工成本高昂以及碳纤维原材料价格高、回收利用较为困难等问题。此外，铝合金优良的金属性质使其可以更好地结合结构、工艺轻量化，达到综合减重的目的。《节能与新能源汽车技术路线图》中规划了我国轻量化分阶段目标，2025年与2030年单车铝合金将分别达到250kg、350kg，用量将大幅超越高强度钢。未来随着轻量化趋势不断加深，轻量化材料、技术不断提升，铝合金将成为汽车市场主要的材料，长期增量优势明显。2.1.3.工程塑料：由内外饰件延伸至功能结构件，发展前景广阔塑料种类繁多，是汽车轻量化的重要材料。随着汽车节能减排、新能源汽车的兴起，汽车轻量化成为行业主流，塑料在汽车上的应用也越来越多。根据各种塑料不同的使用特性，通常将塑料分为通用塑料、工程塑料和特种塑料三种类型。工程塑料用于汽车的主要作用是使汽车轻量化，从而达到节油高速的目的。发达国家将汽车用塑料量作为衡量汽车设计和制造水平高低的一个重要标志，世界上汽车塑料单用量最大的是德国，塑料用量占整体材料的15%。据汽车工艺师，新能源汽车高压电气部分，在性能满足要求的情况下将部分金属更换为塑料可以减重30%左右。目前一辆纯电动车采用塑胶轻量化可减重100KG左右，实现节能减排。车用塑料中通用塑料使用比例最高，工程塑料前景广阔。根据研究数据，在车用塑料中，通用塑料价格最低，使用量比例最高，其次是工程塑料，特种工程塑料价格较高，使用比例较低。在所有的车用塑料中，聚丙烯所占份额最高达37%，其次是聚氨酯，占比17%，ABS树脂占12%，复合材料占12%，高密度聚乙烯占11%，聚碳酸酯占7%，聚甲基丙烯酸甲酯占4%。新能源、轻量化直接促进塑料件在汽车上的应用，比如内外饰中的塑料保险杠、挡泥板、车轮罩等配件的使用已成为常态，新一轮的产品变革中，塑料前端框架、塑料尾门等也将成为重点发展对象，我国车用工程塑料消费潜力较大。汽车领域主要用到的工程塑料有五大类，包括聚酰胺（PA）、聚甲基丙烯酸酯（PMMA）、聚甲醛（POM）、聚碳酸酯（PC）、聚氨酯（PUR）。这五大工程塑料性能特性各不相同，在汽车上的用途也各有偏重。工程塑料在汽车领域的应用已从汽车用内外饰零部件延伸至结构性及功能性部件。根据汽车材料网，车用塑料有很多以往传统材料没有的优点，主要表现在重量轻、有良好的外观装饰效果、有多种实际应用功能、有良好的理化性能、容易加工成型、节约能源，可持续利用等各方面。1）在汽车外装件上的应用是为了以塑代钢，减轻汽车自重。主要应用包括：保险杠、挡泥板、车轮罩、散热器格栅、扰流板等。2）在汽车内装件上的应用是为了安全、环保和舒适。主要应用包括：仪表板、车门内板、副仪表板、杂物箱、座椅后护板等。3）结构件和功能件主要采用高强度的工程塑料，主要应用包括：油箱、散热器水室、空滤器壳体、风扇叶片等。2.1.4.碳纤维：减重幅度最大，成本高+回收利用困难制约发展聚丙烯腈（PAN）基碳纤维使用最为广泛，大丝束更多应用工业领域。碳纤维增强聚合物基复合材料（CarbonFiberReinforcedPolymers，CFRP）是由有机纤维经碳化和石墨化处理而得到的微晶石墨材料，作为含碳质量分数大于90%的高强度､高模量的纤维状碳材料，其沿纤维轴方向强度极高。碳纤维按原料来源划分，主要分为聚丙烯腈（PAN）基碳纤维､沥青基碳纤维及粘胶基碳纤维。其中，粘胶基碳纤维开发早，但强力低，应用较少；沥青基碳纤维弹性模量好，但抗拉强度和抗压强度低，且沥青的提取成本高。目前，PAN基碳纤维使用范围最广，产量占比超过90%。PAN基碳纤维丝束按单丝数量划分，分为小丝束和大丝束。小丝束碳纤维一般应用于飞机､航天器上，因此被称为“航空级”碳纤维，大丝束碳纤维被称为“工业级”碳纤维。与小丝束相比，大丝束性能较差但价格低，且足以满足碳纤维优异的性能。日美碳纤维发展处于领先地位，中国正加快发展步伐，2021年碳纤维国产化率水平已达47%。我国碳纤维行业起步于20世纪60年代，几乎和日美等国家同时起步，但由于相关知识储备不足、知识产权归属等问题，发展缓慢。同时，日本、美国等国家对碳纤维核心技术形成垄断，我国碳纤维生产技术和装备水平整体落后于国外。2000年以来，国家加大对于碳纤维领域自主创新的支持力度，将碳纤维列为重点研发项目。伴随着国家政策的大力扶持，国内碳纤维行业在技术上取得重大突破，产业化程度快速提升，应用领域不断扩大，地区上目前已形成以江苏、山东和吉林等地为主的碳纤维聚集地。国内主要企业有吉林化纤、中复神鹰、中材科技、光威复材等。据研究，2021年中国大陆地区碳纤维产能首次超过美国成为全球最大产能国，产能达到6.34万吨，占全球总产能比重超过30%，产量达到2.43万吨，同比增长30.03%。碳纤维具有独特的性能优势，根据汽车材料网，相较于其他汽车材料而言，其优势有以下几个方面：1）力学性能优异：汽车上使用的碳纤维增强树脂基复合材料密度仅为1.5-2.0g/cm3，是普通碳钢密度的20-25%，质量是同体积铝合金的约2/3。尽管密度低，但碳纤维综合力学性能高于传统的金属材料，抗拉强度达到了钢材3-4倍。CFRP的振动阻尼特性也优于轻金属，例如通常轻合金发生震动后需要9s震动才能停止，而CFRP振动2s便可以停止。2）一体化制造：除了轻量化，模块化与整体化是汽车结构发展的重要趋势。采用复合材料能够在其成型过程中制成形状各异的曲面，能够完成汽车零部件的一体化制造。一体化成型制造能够大幅度减少汽车零部件数量以及零部件之间的连接工序，从而使得生产周期大幅缩短。3）吸能抗冲击性强：CFRP粘弹性较好，同时碳纤维和基体之间会因为局部的微小摩擦而产生界面应力，在优异的粘弹性与界面摩擦力共同作用下，CFRP汽车制件能够表现出优越的吸能抗冲击能力。再者，经过特殊制作的碳纤维复合材料，其具有的碰撞吸能结构可以在剧烈碰撞状态下碎裂成很小的碎片，最大化分散撞击能量，其能量吸收能高出普通金属材料的5倍左右，极大提升了汽车的安全性。4）耐腐蚀性好：碳纤维丝束和树脂材料共同组成了碳纤维增强聚合物基复合材料，其耐酸碱性能也较为优异，因此无需进行表面防腐处理，其寿命是普通钢材的约2-3倍。风电叶片、体育休闲和碳-碳复材为碳纤维当前主要应用领域。2021年，国内碳纤维需求量占比前三的领域依次是风电叶片、体育休闲和碳碳复材，分别占比36%、28%、11%，建筑、压力容器、航空航天、汽车、船舶等其他领域的需求占比均不足10%。在汽车领域，尽管碳纤维当前应用比例不高，但应用领域较为广泛，包括车身结构、底盘部件、内饰件等多领域。碳纤维在汽车领域早有应用，轻量化是其应用的主要发展趋势之一。据复材应用技术，20世纪70年代末，福特公司将碳纤维复合材料应用在汽车轻量化上的研究取得了较好的效果；美国道奇蝰蛇和2014款雪佛兰科尔维特使用碳纤维材料生产了发动机罩和其他部位；日本帝人公司进一步提高了碳纤维产能以满足丰田汽车公司和通用汽车公司的需求；东丽与戴姆勒股份公司合作研发奔驰碳纤维复合材料部件；德国大众高尔夫7使用碳纤维车顶，可减重18-20磅；宝马7系采用碳纤维材质比老款减重230kg。在中国，江苏奥新新能源于2015年1月成功研发了我国首辆碳纤维新能源汽车；北京现代汽车成功研发了碳纤维发动机盖覆盖件等一系列碳纤维复合材料部件；奇瑞汽车开发了一款碳纤维复合材料的电动汽车。材料成本、加工工艺及材料回收再利用问题制约碳纤维在汽车领域的应用。根据汽车轻量化技术创新战略联盟，当前阻碍碳纤维材料在新能源汽车领域中得到大范围普及运用的关键在于：1）材料成本高昂。碳纤维材料与传统的钢材料及铝合金相比较，其实际加工更为昂贵，部分汽车采用碳纤维材料后，仅车身的材料成本价就高达上万元，部分采用优质碳纤维材料的汽车车身甚至超过2万元。2）加工工艺局限使得碳纤维制品抗穿刺性能差。相对于传统材料来说，碳纤维材料抗剪断能力较弱，因此在具体应用过程中必须要进行重叠成型，以此来保障应用后的质量及效果。此种生产工艺促使碳纤维材料具有良好的抗冲击性能，但实际抗穿刺性能却较差，在受力过大的情况下将会出现构件断裂等问题，并且此问题在出现后无法进行修复，仅能够更换处理。3）材料回收再利用。CFRP不能自然降解，焚烧或填埋是早期通行的处理方法，但CFRP废弃物焚烧会产生大量有毒、有害气体，影响自然环境，同时填埋焚烧后的废渣也会造成土壤二次污染；而填埋法处理CFRP废弃物在污染土壤同时会占用大量土地资源。目前主要回收方法有机械回收法、热回收法及溶剂回收法等，但国内CFRP回收尚未形成规模化、产业化。2.1.5.镁合金：减重效果仅次于碳纤维，腐蚀问题和制造工艺难题有待突破镁合金性能优点显著，用于汽车壳体、支架、扶手结构以及汽车显示系统等多领域。镁合金作为最轻的金属材料，具有密度低、强度高、散热性能好、抗震减噪性能优等特征。压铸镁合金的密度仅为铝合金的2/3，钢铁的1/4，比强度和比刚度均优于钢和铝合金，远高于工程塑料。由于其特性优良，可用于汽车壳体、支架、扶手结构以及汽车显示系统等多领域，目前市场客户群体对于车灯散热支架、仪表盘支架、转向支架、中控骨架以及车载显示屏框架等车身部件关注度相对较高，接受程度较好。节能与新能源汽车技术路线图2.0》中提到2025年、2030年单车镁合金用量目标分别为25、45kg。而2016年中国生产的汽车单车镁合金用量只有7.3kg，增长空间广阔。当前镁合金应用正处于从导入期向成长期过渡的生命周期。随着镁合金应用技术的逐渐成熟以及性价比的提升，镁合金将具有较为广阔的市场空间。根据乘联会预测，2025年中国狭义乘用车零售销量约为2400万辆，据此2025年中国汽车镁合金需求量约60万吨。提前布局镁合金压铸的生产企业有望率先享受行业发展红利。据汽车材料网，刚度低、耐腐蚀性差、生产成本高是当前镁合金广泛应用受阻的主要原因，具体而言：1）刚度低。无论采用何种加工方法，镁的弹性模量（刚度）均为45GPa。相比之下，铝为69GPa，钢为190-210GPa。许多部件的刚度有限，这是镁需要克服的一个重大障碍。低刚度材料需要更大的横截面才能达到相同的性能，这通常会导致成本增加和部件尺寸变大，从而使部件难以安装在车辆内的允许空间（即封装空间）中。2）腐蚀问题。镁合金材料由于其熔点低，其受到外界因素的影响大，非常容易受到腐蚀破坏。3）镁合金压铸件的生产成本高于铝合金压铸件。主要原因包括：①镁合金从熔化至产品成型的过程中需要使用气体保护而铝合金不需要，熔化设备投入也略高于铝合金；②镁合金压铸件易变形，从而影响产品装配或性能，通常需要精加工或产品整形等工序提高产品精度以及保证装配和性能；③镁合金表面易腐蚀，产品后期表面防腐处理费用高于铝合金。据AEE汽车技术平台，镁合金材料的成形方法分为铸造加工成形和塑性成形，制造工艺同样制约了镁在汽车领域的广泛应用。1）铸造成形。当前主要运用方法，且压铸方法是镁合金铸造成形方法中应用最广泛的。最近发展起来的镁合金压铸新技术包括充氧压铸和真空压铸，充氧压铸在生产汽车镁合金零部件上的应用较广泛，真空压铸可生产出AM60B镁合金汽车方向盘和轮毂。镁合金成形以铸造工艺为主，但铸件的缺陷限制了镁合金性能的提高，局限了镁合金的广泛应用。2）塑性成形。镁合金使用塑性成形方法，可有效地消减铸件缺陷的影响，通常采用热处理强化和形变强化可明显地提高合金的性能，但由于镁的密排六方结构，变形难度比钢、铝和铜等要大。如果直接运用铝合金已有的塑性成形方法，往往会使得镁合金材料的成品率很低，使塑性加工成形成本过高，影响了镁合金在各领域的应用。因此，加快发展镁合金塑性成形方法也是研究的热点和发展的趋势。2.2.结构轻量化：几种方式各具优势，拓扑优化为事前优化极具应用价值据《汽车结构轻量化的研究与进展》，结构轻量化是指通过参数优化（尺寸、形状、位置和厚度等）、形貌优化、拓扑优化等方式对零件进行开发和设计，在刚度、强度保持不变或增加的基础上，改变零部件的形状和形式，以减少重量。1）尺寸优化：发展最早，也是最为成熟的一种汽车结构轻量化技术。尺寸优化的原理是在结构的类型、材料、外形以及布局给定的情况下，以满足典型工况下的刚度、强度和模态为约束条件，以汽车结构质量最小作为目标函数，将部件的尺寸作为设计变量，来搭建优化数学模型的一种优化方法。王继峰《参数优化技术在汽车车架轻量化中的应用》一文中以车架厚度为自变量，对重型汽车车架进行了结构轻量化设计，经过优化后，车架部分梁厚度减小，车架总质量由691kg降低到654kg，减轻了5.4%轻量化效果显著。2）形状优化：不改变现有拓扑模式下，以零部件的几何外形作为设计变量进行优化，结构受力更均匀，材料利用更充分。形状优化的主要原理是在汽车结构的类型、布局和材料给定的情况下，对结构的几何外形进行改变，使得结构受力更加均匀，材料利用更加充分，从而达到汽车结构轻量化。一般而言，形状优化主要分为有参形状优化（对于形状规则的结构，将结构的几何外形进行参数化，然后对参数进行优化）和无参