人形机器人行业深度报告：特斯拉机器人，特斯拉Optimus（28页）

行业报告下载 2022年08月20日 06:53 管理员

我国《汽车驾驶自动化分级》国家推荐标准（GB/T 40429-2021）和 SAE 美国汽工程师协会 SAEJ3016 将自动驾驶分为 0-5 级。目前 L2 及 L2+级自动驾驶已迎来加速普及期，L3 级别自动驾驶已在规划量产，L4、L5 等高阶自动驾驶技术仍处于发展瓶颈期。当前自动驾驶技术路线主要有单车智能路线和车路协同路线两种，所采用的图像传感方式主要分为多传感器融合路线和纯视觉路线。其中多传感器融合路线的主要推动者包括英伟达、Mobileye、Waymo 等；而特斯拉采用以车载摄像头为主导的纯视觉路线的单车智能。2021 年，特斯拉在北美地区上市的 Model 3 和 Model Y 取消了车载雷达，全车仅搭载了 8 个摄像头。相比多传感器融合方案，纯视觉路线对算法和算力的要求更高。纯视觉路线需要将多摄像头捕捉到的 2D 图像映射到 3D 空间中进行处理。算力方面，特斯拉于 2019 年推出了自主 FSD 自动驾驶芯片，算力可达 144 TOPS；并发布了基于 4 纳米工艺的 HW 3.0 自动驾驶芯片，在帧率上照前代由英伟达硬件驱动的 Autopilot 提高了 21 倍。

算法方面，特斯拉的纯视觉自动驾驶技术高度依赖于神经网络。神经网络是模拟人类大脑处理信息方式的简化模型，可以通过训练进行学习：随着输入数据量和重复次数的不断丰富与增多，其处理结果的准确度会持续提高，最终实现在未知结果的未来案例中进行应用。因此，特斯拉打通纯视觉技术路线需要：（1）依靠高算力平台进行神经网络训练；（2）获取海量数据用于算法迭代。实现 L4、L5 高阶自动驾驶技术的难点在于，真实路况下的长尾场景接近于无限，当前算法技术仍然无法准确处理。截至 2021 年 9 月，特斯拉已经积累了 60 亿英里的车队数据，经过特斯拉车内网络训练的图像共有 3.71 亿张，另有标签 4.8 亿个，已经达到了预估实现自动驾驶技术的最小数据量级。但 L4 级别的自动驾驶技术却仍未到来。我们认为，其中一个重要原因或为人的行为姿态等关键数据长尾效应显著，但在日常道路中表现单一，在行驶数据中并不能得到充分体现。因此，扩大数据收集场景，增加长尾场景训练量级，是特斯拉突破自动驾驶技术瓶颈的必经之路。