传感器为智能化基础，L3车规落地打开激光雷达新空间（下）

3 L3车规落地打开激光雷达新空间，未来进一步迭代降本

3.1 技术落地，智能驾驶迈入L3关键节点

        L3是区分辅助驾驶与智能驾驶的关键节点，L0-L2“人为主、车为辅”，L3之后“车为主、人为辅”。随着技术持续升级，智能驾驶功能有望持续落地。跟据《汽车驾驶自动化分级》标准，智能驾驶技术可划分为L0-L5共六个级别。从实现功能来看，L0级别主要完成向驾驶员发出警告信息的任务；L1实现了行驶过程中可以完成定速巡航等功能；L2方案的主要功能是自适应巡航、自动紧急制动、自动泊车辅助等；L3方案可以完成高速引导驾驶和自动变道辅助等功能；L4的代表功能是领航驾驶辅助和自主代客泊车，实现更多智能驾驶场景的覆盖；L5可以实现完全智能驾驶。

3.2 技术成熟推动政策落地，高级别智驾方案法规逐步细化

         技术成熟后，国家进行投入，颁布支持政策，指明产业方向。政策法规的持续迭代保证智能驾驶行业快速发展，目前已对高级别方案的车辆要求、人员要求、安全要求等方面做出明确规定，未来全国性法规的持续完善有望推动智能驾驶的全面升级。
         未来2-3年内技术逐渐成熟落地，L3级别车辆或可面世。截至2023年8月，全国累计开放测试道路超过2万公里，已具备一定的量产条件。

3.3 L3车规落地在即，激光雷达价值量分水岭到来

         L2+及以上硬件方案BOM成本中，决策层（自动驾驶芯片、域控制器）与感知层（车载摄像头、激光雷达等）成本最高，未来有望进一步降本。
         2021年：据IHS Markit，2021Q1新车L2搭载率为13.1%，2022年L2全年渗透率超过25%，2025年达近60%。
         2025年：车规L3级别2024年落地，明确责任划分机制，2025年车企技术上逼近L4级别。据IHS Markit ，2025年L3渗透率有望达8.5%。
         2030年：据IHS Markit ，L2搭载方案有望下沉至5-15w价格区间，2030年L2渗透率有望逼近60%；规模效应驱动硬件成本下降，L3及以上2030年渗透率有望达20%。RoboTaxi商用化落地快速推进，2030年L4渗透率有望达到11%。

3.4 激光雷达迅速降本

         聪明的大脑更为关键。传感器以毫米波雷达和超声波雷达为主，用以解决ACC等较低级别的辅助驾驶功能。而为了进一步实现汽车自动驾驶，车载摄像头、激光雷达等传感器相继加速上车。特斯拉采用纯视觉方案.聪明的大脑更关键。相比较于有激光雷达的方案，纯视觉方案最大的优势就是成本更优，摄像头的成本只有几十美元，这意味着大部分价格区间的车型都可以覆盖这一成本，为智能驾驶的快速推广奠定了硬件基础。另一方面，与激光雷达相比，摄像头收集到的数据更加丰富，更适合喂养智能驾驶系统来实现数据驱动，实现聪明的大脑。

3.5 新能源车未来有更低的车价、电池成本、百公里电耗

         新能源车全生命周期成本显著低于燃油车。燃油车已没有太多成本下探空间，即使新能源购置税优惠政策将在2027年底退出，新能源车全生命周期成本仍显著低于燃油车。
         新能源车全生命周期成本未来降本潜力大。当前新能源车全生命周期成本比燃油车低约10%，未来新能源车降价空间更大，燃油车维护成本或持续上行，假设维护成本不变，2027年全生命周期成本差或达20%。

3.6 持续降本趋势下，激光雷达上车可以保持经济性优势

         未来整车现有部件降本空间仍大。新能源车电池及上游原材料持续降价，叠加一体化压铸技术落地，新能源车未来降价空间大，降价趋势明显。由于锂矿开采成本大幅低于现价，锂盐价格将随着供给释放而下跌，碳酸锂、电芯价格降幅可达50%。
         智能化部件降本趋势同样明显，激光雷达上车可以保持经济性优势。激光雷达等智能化部件进入拐点放量期，带动价格快速下行，未来有望成为20万元以下汽车标配。2020年至2023年，摄像头、激光雷达降幅分别达80%、95%。2023年至2028年，激光雷达价格有望降幅达30%，域控制器价格降幅接近30%。

3.7 激光雷达供应链正在逐步国产化

         激光雷达行业的上游产业链主要包括激光器和探测器、FPGA 芯片、模拟芯片供应商，以及光学部件生产和加工商。目前都在逐步国产化。

图：激光雷达产业链

3.8 激光雷达多技术路线并行，激光光源905nm向1550nm演进

         激光光源——905nm向1550nm逐渐演进。905nm光源采用的半导体激光器成本要低于1550nm光源的光纤激光器，但是1550nm光源人眼安全性更高，受日光、大气散射等干扰更小，更易穿透大气。

3.9 探测方式主流为ToF，下一代技术为FMCW

         ToF依旧是主流。FMCW为未来方向，目前ToF市场相对成熟、且有着完整的产业链，但生产成本陷入瓶颈，很难再降低；FMCW具有抗干扰性强、测量距离长、分辨率高、对道路障碍物探测更加敏感等优势，这可以帮助精确测量距离和障碍物形状。此外，FMCW激光雷达可以连续采集数据，从而获得更详细的信息。不过，FMCW目前仍处于初期发展阶段，技术成熟度较低，离量产装车还有一段距离。

3.10 激光器主流方案为EEL，未来向VCSEL迭代

         感知端解决好了，后面任务才更可信数据才更可靠，激光雷达技术路线走向收敛。上车的主雷达已经明确是半固态雷达，主流机型是M1（速腾聚创2020年发布）和AT128（禾赛2021年发布）以及图达通的猎鹰（2020年发布）。
         速腾聚创M系列激光雷达则采用“905nm EEL发射+MEMS扫描+SiPM接收”的结构设计，用5个激光器搭建了等效125线的分辨率，成本约3000块，较禾赛、图达通方案最便宜，小鹏为了提高分辨率，采用两颗M1上车。
         禾赛AT128的主雷达采用“905nm Vcsel发射+一维转镜扫描+SiPM接收”结构，使用128线激光雷达，2023年成本约15000。
         图达通的猎鹰激光雷达，采用1550nm波长，最远的探测距离可以到达500米。在10%反射率下，其标准探测距离为250米，价格较速腾、禾赛方更最贵，1550nm波长的光源很贵，目前只有蔚来采用。

3.11 扫描模块主流为MEMS及转镜式，未来方向为自研

3.12 目前以半固态技术路线为主，未来向纯固态方向迭代

         激光雷达呈现多样化的局面，未来整体技术路线将向纯困态式进行迭代。从已确定搭载量产的类型来看，目前主流方案为MEMS 微振镜以及转镜、棱镜等，预计到2024年MEMS 微振镜式仍将占据比较大的市场。真正能满足L3+车规的是纯固态激光雷达，为未来发展方向。
         机械式向固态激光雷达过渡，侧重自动驾驶领域，重视感知精度；半固态／固态方案侧重乘用车ADAS 领域，注重性价比及可量产。

3.13 控制模块的主3流为FPGA芯片，未来开启SoC自研

         目前激光雷达主控芯片以FPGA为主，主要实现时序控制、波形算法处理、其他功能模块控制等，一些厂商也会选择具有更高运行效率和显著规模效应的ASIC。市场对激光雷达产品的测远、点频、小型化的要求不断提升，对芯片集成度、运算能力的要求越来越高，正合SoC的优势。SoC系统复杂度更低，降本趋势明显，适合规模化批量生产。较外购FPGA，自研SoC可以精确匹配雷达特征，从而节省成本，更快地实现采集、处理和分析信息。禾赛科技、Ouster等激光雷达厂商已开始自研SoC芯片。
         集中度较高，国外龙头产品性能优势明显。2020年头部企业毛利率达60%以上。FPGA 可选用MCU和DSP代替，但主流供应商仍为国外巨头，如Renesas、Infineon、TI 等。国内FPGA芯片还处于起步阶段，供应商主要有安路科技、紫光国芯、西安智多晶微电子等。

3.14 激光雷达产业链梳理

3.15 目前竞争格局较为分散，未来向龙头集中

         从竞争格局看，激光雷达头部集中趋势明显。

3.16 国内激光雷达迅速增长

3.17 激光雷达2022年到2030年的CAGR可达78.8%

         激光雷达作为核心感知传感器，市场规模和增速潜力巨大。全球市场激光雷达的规模预计将从2020年的46亿元人民币增长到2022年的120亿元，年复合增长率达到了61.8%。汽车行业贡献了最快的增速。预计到2030年市场规模达1.25万亿元人民币，汽车行业占比将达到79.8%。2022年到2030年的年复合增长率可达78.8%。

3.18 激光雷达应用空间主要来自ADAS与智慧城市

         激光雷达应用空间主要来自ADAS与智慧城市，下游产业链按照应用领域主要分为无人驾驶、高级辅助驾驶、服务机器人和车联网行业。

3.19 未来趋势：多传感器融合

         各传感器各有优势，未来将综合解决长尾效应难题。
         首先通过激光雷达的点云数据，初步获得行车环境的特征图，再基于特征图，用Transformer结构的解码器，预测一个初始边界框，大概的将行车环境中，所需要注意的物体框选、标注出来，得到含有距离信息的边界框。处理完激光雷达的信息后，系统会将这些信息投影到摄像头采集到的图像上，通过Transformer，可以让雷达和摄像头，两个传感器之间的硬关联，变成了软关联。这样就可以得到一个包含详细距离信息，系统又能看得懂的感知数据了。解决了传感器融合的问题后，就能让神经网络获取更加丰富的感知数据，能帮助神经网络模型更好地感知和理解车辆周围环境。再通过神经网络自主学习，构建3D世界模型。