小马智行 - 公司首席执行官彭军入选《时代》2025全球AI百大影响力人物 成为唯一以自动驾驶行业代表身份登榜的领袖 [1] - 公司目标2025年实现千台规模无人出租车落地 推动L4级自动驾驶走向规模化运营 [1] - 被《时代》评价为"自动驾驶革命的引领者" 过去十年持续引领技术攻关与商业化实践 [1] 中国AI企业全球影响力 - 深度求索首席执行官梁文锋凭借开源大模型与通用AI领域突破入选 其DeepSeek-V3模型获全球开发者认可 [2] - 宇树科技首席执行官王兴兴以机器人方向登榜 公司占据全球三分之二机器狗市场份额 [2] - 多位中国科技领袖共同入选 展现中国在多元化AI赛道应用落地与前沿探索的全球影响力 [1][2]

日本企业在美国自动驾驶市场的战略动向 - 丰田、松下等日本企业正寻求在美国自动驾驶市场重新崛起 主要受美国对中国技术和企业的排斥以及市场内向化趋势影响 [1] - 在2025年智能交通系统世界大会上 由于中国企业缺席 日本企业展示活跃 包括丰田、本田、电装、爱信、松下等均设有独立展台 [1] 丰田公司的技术开发与合作策略 - 丰田推出自主软件平台"Arene" 应用于RAV4车型 整合AI智能体、V2X等物联网通讯技术 [1] - 丰田2025年在美国加强企业合作 包括1月从英伟达采购自动驾驶芯片 4月与Waymo联合开发打车服务平台 [3] - 丰田转变自动驾驶开发策略 从自主开发转向利用外部技术 因技术领域广泛且需应对AI技术进步 [3] 日本供应商的技术转型与合作 - 日本零部件供应商如松下改变研发模式 与亚马逊AWS合作转向云平台软件开发 提升效率 [6] - 多家日本企业展示V2X相关技术 包括日立中间件平台、富士通AI智能体与数字孪生、三菱V2X系统等 [6] - 供应商以往高度绑定车企导致技术滞后 现通过合作突破研发标准限制 [4] 美国自动驾驶市场前景与数据环境 - 高盛预测北美自动驾驶市场规模到2030年达73亿美元 较2025年增长20倍 占网约车市场8%份额 [8] - 美国联邦与州政府放宽自动驾驶限制 为企业提供更丰富行驶数据开发环境 [3] - 数据管制趋严 区域化开发成为主流 日本企业依赖本地数据融合应对技术落后 [8] 日系企业的市场选择与竞争挑战 - 日本企业因技术落后在中国市场直接与当地供应商合作 避开正面竞争 [9] - 美国市场因监管放开成为日本企业技术追赶的理想环境 [9] - 日本企业在美国面临Waymo、特斯拉、Cruise等本土企业竞争 技术融入与市场接纳存在难题 [11] - 特朗普贸易战政策可能影响日本企业在美数据获取与研发开放性 [11]

行业技术路径 - Robotaxi采用两条发展路径：多传感器+安全冗余的重资产模式（Waymo及国内领先企业）与纯视觉+量产车的轻资产模式（特斯拉）[4] - 特斯拉路线处于小范围试运营阶段 尚未形成真实数据 小鹏汽车计划2026年试点无图模式量产Robotaxi 保留部分硬件冗余和云端接管[4] - 当前分析聚焦传统多传感器+安全冗余模式 该模式依赖高精地图并需与车企合作改装车辆[4][5] 运营数据表现 - Waymo累计完成7100万英里（约11426万公里）车内无人里程 覆盖菲尼克斯/旧金山/洛杉矶/奥斯汀四城[7][8] - Waymo周订单量超25万单（年化1300万单） 较2024年周订单15万单（年化400万单）显著增长 累计订单超500万单[12] - 萝卜快跑累计提供超1100万次出行服务 安全行驶里程超1.7亿公里 单均行程约15公里（Waymo单均约9公里）[17] - 萝卜快跑一季度订单约140万单（周均11万单） 车队规模超1000辆 单车单日约16单（Waymo单车单日约24单）[17] 成本结构分析 - 单车日成本约263元：含车辆折旧112元（按20.46万元车价5年折旧） 远程安全员费用111元（月薪1万元按1:3人车比折算） 维护费用40元（充电9元/保险22元/保养5.5元）[23][24][25] - 充电成本按日行150公里 电价0.4元/度 电耗15度/百公里计算 保险与保养按年费8000元和2000元折算[24] 营收盈利测算 - 参考网约车数据：深圳单车日均营收456.67元 杭州407.43元 广州331.78元 成都335.4元[26][27][28] - Robotaxi假设定价为网约车八折（每公里2-2.5元） 单车日营收约350元 毛利率约25%[28][29] - 行业尚未盈利：文远知行和小马智行Q2研发费用超3亿元 远超当期1亿多元营收[29] - 千辆规模运营商年营收约1.3亿元 假设净利率5%时净利润超600万元[30] 安全与运营范围 - Waymo百万英里严重事故率仅0.03 累计发生2次严重事故 运营限于城区限定区域 高速仅测试未商用[10] - 萝卜快跑未发生严重事故 运营限于城内及城市快速路 武汉/北京/重庆/深圳已常态化无人驾驶 仅远程监控[17] - Waymo运营面积588平方英里（约1523平方公里） 略小于厦门市 车队规模1500辆 预计2026年超2000辆[13]

自动驾驶技术海外拓展 - 百度在瑞士苏黎世设立办事处启动欧洲自动驾驶业务 初期车辆配备安全驾驶员并计划最早明年启动无人驾驶出租车运营 [1] - 百度目标与本地有影响力的出行企业合作 潜在合作伙伴包括瑞士邮政巴士公司 具体服务内容取决于合作伙伴需求 [1] - 小马智行计划在香港部署自动驾驶出租车 需与当地政府和合作伙伴共同探索推进路径 [2] 人工智能与机器人技术合作 - 晶泰科技与韩国Dong-A ST签署合作备忘录 基于AI+机器人平台共同开发免疫与炎症性疾病创新疗法 [3] - 晶泰科技成功注册AIFCHEM商标 覆盖实验室机器人及生物芯片等科学仪器类商品服务 [3] 科技公司跨界造车动态 - 追觅科技官宣造车 首款超豪华纯电产品对标布加迪威龙 计划2027年亮相 [4] - 追觅科技已组建近千人造车团队 全球累计申请专利6379件 其中45%为发明专利覆盖智能汽车核心领域 [4] - 追觅科技拥有全球100余国家6000家线下渠道及3000万用户群 可为欧洲与亚太市场提供高端汽车销售支持 [4] 消费品牌海外扩张业绩 - 蜜雪冰城全球门店数增至53014家 较去年同期新增9796家 [5] - 蜜雪集团上半年实现收入148.7亿元同比增长39.3% 净利润27.2亿元同比增长44.1% [5] - 幸运咖海外首店落地马来西亚 产品售价1.5-8马币（约2.4-13元）延续东南亚平价路线 [6][7] 智能设备与汽车海外零售 - 小米在东南亚建设约200家小米之家 2025年建店目标超100家集中于泰国和马来西亚 [8] - 小米第二季度东南亚手机份额19%排名第一 出货量同比增长8% [8] - 比亚迪7月在欧盟新车注册量同比增长逾两倍达9698辆 含周边国家销量达13503辆 [9] - 特斯拉7月在欧盟注册量萎缩逾42%至6600辆 [9] 短剧平台海外增长 - 中文在线短剧平台FlareFlow上线三个月累计下载量近千万 用户充值金额近2000万美元 [10] - FlareFlow跃居美国iOS免费榜第4位 平台已聚合超1700部短剧 [10] - 爱奇艺国际版会员收入连续8季度环比增长 第二季度会员收入同比增长约35% [11] - 爱奇艺下半年启动海外原创微剧布局 巴西等市场会员收入同比增长超80% [11] 新能源汽车海外本土化生产 - 比亚迪在马来西亚建设组装工厂 预计2026年投产 首期占用60.7公顷土地 [12] - 比亚迪在马来西亚门店总数达43家 连续三年蝉联当地纯电市场销冠 [13] - 比亚迪泰国工厂获"Made in Thailand"认证 首次生产并出口超900辆海豚电动车至欧洲 [14] - 比亚迪泰国工厂年产能达15万辆 主要生产海豚、ATTO 3等车型 [14] 印尼电动汽车产业链投资 - 印尼主权基金与格林美合作开发镍下游加工项目 投资额14.2亿美元（23.2万亿印尼盾） [15] - 项目包括年产66000吨混合氢氧化物的高压酸浸冶炼厂 [15] - 六家电动汽车制造商在印尼增加15万亿印尼盾投资 包括比亚迪、吉利、小鹏等品牌 [16] - 比亚迪和Vinfast在印尼建设新工厂 吉利与小鹏通过当地组装厂合作生产 [17] 企业海外资本运作 - 京东产发联合合众集团及高瓴资本旗下机构计划在新加坡推出资产价值超10亿美元的REIT [18] - 该REIT最早可能2026年在新交所上市 近期已收购3.06亿新元（2.3亿美元）物流资产 [18] - 奇瑞汽车获证监会备案 拟发行不超过6.99亿股赴港上市 18名股东拟转20.16亿股境内股份境外流通 [19] - 奇瑞汽车若上市将成为港股市场近年来最大规模车企IPO [19]

社区规模与愿景 - 自动驾驶之心知识星球是一个综合类自驾社区 集视频 图文 学习路线 问答 求职交流为一体 目前成员超过4000人 预期未来2年内规模达到近万人[1] - 社区愿景是让AI与自动驾驶走进每个有需要的同学 致力于打造交流与技术分享的聚集地[1] 技术资源覆盖 - 社区梳理近40+自动驾驶技术路线 覆盖端到端 VLA 多模态大模型 数据闭环4D标注等前沿方向[1][3] - 包含近60+自动驾驶数据集 行业主流仿真平台 以及感知 仿真 规划控制等完整学习路线[14] - 汇总国内外知名高校实验室和自动驾驶公司资源 涵盖RoboTaxi 重卡业务 造车新势力等领域[26][29] 专家网络与互动 - 邀请数十位一线产业界和工业界嘉宾 包括顶会常驻专家 提供技术答疑和行业见解[3] - 不定期组织学术界与工业界大佬直播分享 目前已举办超过100场专业技术直播[58] - 建立与近300家机构及自驾公司的内推机制 直接对接企业招聘需求[10][67] 核心内容体系 - 技术方向系统覆盖BEV感知 3D目标检测 多传感器融合 世界模型 扩散模型等40+领域[5][7] - 实战板块包含模型压缩 部署优化 以及TensorRT 毫米波雷达融合等100问系列工程实践[7] - 提供全栈学习课程和入门路线图 针对0基础小白和进阶研究者分别设计学习路径[8][10] 行业趋势洞察 - 跟踪端到端自动驾驶量产应用 区分一段式/二段式技术方案并探讨工程落地难点[32][64] - 聚焦2025年热点VLA技术 系统梳理开源数据集 思维链推理及量产方案快慢双系统[36][37] - 分析世界模型 3DGS与NeRF等技术在自动驾驶仿真和感知领域的融合应用[33][39]

公司业务合作 - 福瑞泰克获得哈啰旗下造父科技定点通知 将为哈啰Robotaxi平台项目提供毫米波雷达产品及相应软件服务 [2] - 首批上车产品计划在2025年底达到量产状态 [2] 产品规划 - 毫米波雷达产品及软件服务将应用于自动驾驶出租车平台 [2] - 量产时间节点明确设定为2025年底 [2]

招商策略转变 - 各地招商策略从依赖土地、税收和补贴政策转向构建产业生态和提供全生命周期服务 [9] - 新招商理念强调产业布局合理性、资源禀赋和市场空间优先于优惠政策 [11][12] - 区域协同招商和制度创新成为避免零和博弈的关键 如济宁共享考核机制和青岛首谈首报制度 [13] 链式招商实践 - 链式招商聚焦产业链关键环节和上下游配套 推动产业集聚效应 [14] - 菏泽市通过引进英搏尔电气龙头企业 带动19家配套企业形成专用车制造产业梯队 [14][15] - 产业链图谱作为招商作战地图 山东确立19条标志性产业链和67个细分赛道 [17][18] 资本与场景招商 - 基金招商以资本撬动产业 如德州天衢新区设立8.3亿元基金推动50亿元半导体项目落地 [19][22] - 市场化基金面临风险问责制约 需构建容亏容错机制 如广东和湖北的差异化考核政策 [22][23] - 场景招商从给政策转向供机会 曲阜通过开放路权场景吸引九识智能建设自动驾驶制造中心 [25] 营商环境优化 - 政府服务理念从店小二升级为合伙人 提供市场开拓和技术升级等战略支撑 [27] - 专业化招商团队需懂产业懂市场 潍坊市招商集团通过企业化运作提升招商效率 [27][28] - 全生命周期服务包括一把手护航和城市温度营造 如昌邑市党政主官直通问题解决机制 [29]

自动驾驶技术路线之争 - Uber CEO支持激光雷达方案 认为成本低且安全系数高 而特斯拉CEO坚持纯视觉路线 认为多传感器会降低安全性[1] - 百度同样坚持激光雷达方案 认为其能更好保证行车安全 纯视觉技术尚处早期阶段[2] - 全球头部自动驾驶公司存在明显技术路线分歧 Waymo和百度采用多传感器融合 特斯拉坚持纯视觉方案[6] 特斯拉纯视觉方案分析 - 特斯拉在2019年采用8V1R12S方案 2021年取消毫米波雷达转向纯视觉 2022年推出纯视觉Occupancy方案[8] - 方案基于"人类仅靠双眼驾驶"的理念 依赖海量车队数据训练神经网络 形成数据闭环[8] - 采用低成本摄像头有助于降低整车成本 更利于方案大规模普及[8] - 但存在场景优化难题 包括恶劣天气与光照条件 准确距离感知 算法和数据依赖度过高等问题[9] - 曾发生多起事故 如2019年佛罗里达州致1死1伤事故 2023年宾夕法尼亚州撞卡车事故 2025年Robotaxi试运营擦碰事故[9] Waymo多传感器融合方案 - 采用13V+4L+6R多传感器融合方案 实现360度无死角感知 最远识别500米路况[12] - 通过逼真仿真器生成各类案例 在多模态感知中持续突破[12] - 在复杂路况下保持良好性能 每周付费服务量从2月20万次增长到4月底超25万次 平均每车每天约24次[12] - 出现重大事故概率较小 更多是人为破坏 如2025年抗议者打砸烧事件[12] 百度自动驾驶布局 - 2013年开始布局 2017年推出Apollo平台 2021年推出萝卜快跑服务平台[14] - 采用多传感器融合方案 典型车型传感器配置为4L12V5R-12S[16] - 2024年5月发布L4级自动驾驶大模型Apollo ADFM 安全性高于人类驾驶员10倍以上[16] - 总服务订单量超1100万次 总行驶里程超1.7亿公里 未发生重大安全事故 出险率为人类驾驶员1/14[16] - 积极拓展海外市场 2024年获香港自动驾驶测试牌照 2025年与迪拜合作部署超1000台无人车[17] - 2025年7月与Uber建立战略合作 将数千辆无人车接入Uber全球出行网络[18] 技术方案对比分析 - 多传感器融合方案在极端天气 光照 截断等场景下感知性能优于纯视觉方案[21] - 在nuScenes等数据集上 多模态融合方案在3D检测等任务上性能高于纯视觉5-10个百分点[22] - 激光雷达成本大幅下降 从十年前8万美元降至现在千元级别 萝卜快跑第六代无人车4颗激光雷达成本仅3.5万元人民币[24] - 国际测试显示配备激光雷达车型可避免25%碰撞事故 事故影响缓解能力提升29%[26] 激光雷达技术优势 - 最远感知距离达150-200米 最新产品可达300米 远超摄像头80-100米的有效距离[29] - 帧率达10-20Hz 部分产品提升至30Hz 与摄像头帧率保持一致[32] - 在暴雨环境中测距精度仅下降8%-12% 仍能准确识别50米内行人[34] - 具备三维感知能力 能准确判断目标高度 大小和位置信息[36] - 采用905nm或1550nm波长 抗干扰性强 配备疏水性镀膜和加热除雾模块[37] 市场应用情况 - 2025年比亚迪十余款车型将搭载禾赛激光雷达 采用3激光雷达或单激光雷达方案[42] - 奇瑞iCAR 零跑B10 理想i8等车型均搭载禾赛激光雷达 零跑B10将激光雷达硬件下探到12万级别[43] - 速腾聚创2024年销量达519,800台 成为全球乘用车激光雷达销量冠军[45] - 与全球30家整车厂及Tier1达成合作 定点车型超百款 包括比亚迪 极氪 上汽智己等[45] 政策与安全要求 - 工信部等部门开展智能网联汽车准入试点 明确L3 L4级别商业化路径[55] - 美国NHTSA要求2029年所有乘用车标配含行人AEB系统 欧洲日本有类似法规[55] - 国内2025年将自动紧急制动系统国标从推荐性升级为强制性[56] - 联合国R157法规要求L3级系统提供10秒接管缓冲期 依赖激光雷达超视距感知能力[56]

行业趋势与需求 - 智能驾驶行业进入泛化深水区 端到端量产对自动标注要求显著提高[1] - 2024年以来智驾企业明显加大自动标注投入 人力物力资源集中[1] - 自动标注成为提升自动驾驶系统泛化能力与安全性的关键瓶颈[1] 技术难点与挑战 - 4D自动标注需实现3D空间+时间维度动态标注 面临五大核心难点[2] - 时空一致性要求极高 需确保跨帧标注连贯性 复杂场景下易出现标注断裂[2] - 多模态数据融合复杂 需同步解决激光雷达/相机/雷达的坐标对齐/语义统一/时延补偿问题[2] - 动态场景泛化难度大 交通参与者行为不确定性及环境干扰增加标注模型适应性挑战[2] - 标注效率与成本矛盾突出 高精度标注依赖人工校验 海量数据导致周期长/成本高[2] - 量产场景泛化要求高 不同城市/道路/天气/交通状况的数据挖掘与标注算法性能保障仍是行业痛点[2] 课程体系与内容架构 - 课程系统讲解自动驾驶4D自动标注全流程及核心算法 包含七大核心模块[3] - 基础模块涵盖4D自动标注应用场景/数据环境/交付物定义/系统时空同步/传感器标定技术[4] - 动态障碍物标注模块包含离线3D目标检测算法/CVPR 2024的SAFDNet实战/3D多目标跟踪算法/时序后处理DetZero实战[6] - 静态元素标注基于SLAM重建输出 通过全局clip道路信息实现自动化标注[9][11] - OCC标注模块解析通用障碍物算法输入输出 讲解基于Lidar/视觉的真值生成流程及工程优化方案[10] - 端到端真值生成模块涵盖一段式/两段式实现方案 整合动态障碍物/静态元素/可行驶区域/自车轨迹全流程[12] - 数据闭环专题分析行业scaling law有效性/主流公司数据驱动架构/跨传感器系统痛点及岗位面试要点[14] 技术实现与方法论 - 动态障碍物检测采用Image/Lidar数据增广技术 Backbone/检测头结合BEV/多帧时序融合方案[6] - 激光&视觉SLAM重建采用Graph-based算法 明确重建在4D标注中的核心用途[7] - 端到端标注配套闭环仿真DrivingGaussian算法 满足端到端自动驾驶刚需[12] - 数据质检体系作为结果验证关键环节 保障标注输出质量[6] 人才培养与能力建设 - 课程目标使学员掌握4D自动标注全流程 具备学术界与工业界前沿算法研发能力[19] - 课程覆盖动态障碍物检测跟踪/OCC标注/端到端标注等实战演练 提升解决实际问题能力[3][19] - 学员需具备深度学习/自动驾驶感知基础 熟悉Transformer模型及Python/PyTorch编程 自备12G以上显存GPU[23] - 课程采用线上录播模式 提供源码示例及社群答疑 有效期1年[19]

3D场景重建与编辑技术突破 - 提出DrivingGaussian++框架 实现大规模动态驾驶场景的高精度分层建模 通过复合高斯泼溅(Composite Gaussian Splatting)将场景分解为静态背景和动态目标分别重建[4] - 引入LiDAR先验提升几何精度 将多帧LiDAR扫描点云与环视图像配准 通过密集束调整(DBA)优化点云位置 显著改善多视图一致性和重建质量[11][25][26] - 采用增量静态3D高斯(Incremental Static 3D Gaussians)处理大规模背景 按时间顺序划分深度区间并逐步融合 解决透视变化导致的尺度混淆问题[27][29] - 构建复合动态高斯图(Composite Dynamic Gaussian Graphs)建模多目标 通过目标ID和时间戳跟踪动态元素 使用变换矩阵将目标坐标系转换到世界坐标系[31][32] 无需训练的场景编辑能力 - 开发无需训练的编辑框架 支持纹理修改 天气仿真和目标操纵三大任务 通过直接操作高斯粒子实现物理准确的编辑效果[18][19][20] - 纹理修改采用深度均衡化技术 对编辑区域深度图进行归一化处理 确保表面平整度 公式为$D_{\rm opt}(M_{\rm edit},x,y)=Average(D_{\rm ori}(M_{\rm edit},y))$[44][46] - 天气仿真通过粒子系统实现 雨滴使用狭窄半透明白色高斯 雪花采用不规则白色椭球高斯 雾采用随机分布高斯 并添加物理轨迹模拟动态效果[47] - 目标操纵支持删除和插入操作 利用3D边界框精确定位 对插入目标使用MCLight进行光照适配 并通过LLM生成运动轨迹预测[48][51] 性能表现显著领先 - 在nuScenes数据集上PSNR达28.74 SSIM达0.865 LPIPS降至0.237 全面优于Instant-NGP(PSNR 16.78) Mip-NeRF360(PSNR 22.61)和EmerNeRF(PSNR 26.75)[55][56] - 编辑效率显著提升 执行时间仅需3~10分钟 远低于InstructNeRF2NeRF的274分钟和ClimateNeRF的107分钟[70][71] - 在CLIP-direction相似性指标上达0.2327 超过InstructNeRF2NeRF(0.1570)和InstructGS2GS(0.0918) 体现卓越的文本对齐能力[71] - 单目视图重建在KITTI-360数据集表现优异 PSNR达25.62 SSIM达0.868 超过NeRF(21.94)和Point-NeRF(21.54)[59][60] 构建3D高斯前景资源库 - 创建包含车辆 行人 交通标志等元素的3D高斯前景库 支持直接插入场景编辑[62][74] - 通过在线模型重建 使用Blender渲染360度视图并结合COLMAP进行3DGS重建[76] - 对nuScenes车辆进行稀疏重建 每辆车仅需2~4张参考图像即可完成高斯重建[77] - 结合DreamGaussian和DreamGaussian4D实现基于图像的3D目标生成 扩展数据集多样性[77] 技术方案优势验证 - 消融实验证实LiDAR先验关键作用 使用LiDAR-2M点云时PSNR达28.78 显著优于随机初始化(22.23)和SfM点初始化(28.36)[79][80] - 复合动态高斯图模块贡献突出 移除后PSNR降至26.97 SSIM降至0.752 证明其对动态场景建模的重要性[82][83] - 损失函数设计有效 包含TSSIM损失和鲁棒损失后 纹理细节改善且伪影消除[37][38][84]