汽車行業(yè)AI大模型賦能自動駕駛：特斯拉自動駕駛技術(shù)跟蹤占用網(wǎng)絡(luò)算法驅(qū)動自動駕駛落地

證券研究報(bào)告行業(yè)動態(tài)報(bào)告AIAI大模型賦能自動駕駛：特斯拉自動駕駛技術(shù)跟蹤，占用網(wǎng)絡(luò)算法驅(qū)動自動駕駛落地yanguicheng@jinge@yufangbo@發(fā)布日期：2023年5月28日本報(bào)告由中信建投證券股份有限公司在中華人民共和國(僅為本報(bào)告目的，不包括香港、澳門、臺灣)提供。在遵守適用的法律法規(guī)情況下，本報(bào)告亦可能由中信建投(國際)證券有限公司在香港提供。同時(shí)請參閱最后一頁的重要聲明。觀點(diǎn)?核心觀點(diǎn)：近期，特斯拉更新其FSD算法至v11.4，此次升級實(shí)現(xiàn)FSD端到端的能力，即包含高速領(lǐng)航、城市道路領(lǐng)航和泊車三個(gè)域的智駕功能。特斯拉將改進(jìn)車輛性能置于引入新功能之上，可以更快地針對環(huán)境做出反應(yīng)，并在必要時(shí)調(diào)整車速，確保所有相關(guān)人員都能獲得更安全的體驗(yàn)。AI特斯拉作為整個(gè)自動駕駛領(lǐng)域開拓者，正引領(lǐng)相關(guān)技術(shù)應(yīng)用落地。RegNetHydraNet拉自動駕駛算法處于第一階段，在該階段中，使；使用2D檢測器進(jìn)行特征提?。挥?xùn)練數(shù)據(jù)為人工標(biāo)注，整體來看比較原始，相對傳統(tǒng)；2018-2019年，特斯拉自動駕駛算法采用了HydraNet結(jié)構(gòu)；加入特征提取網(wǎng)絡(luò)BiFPN；將圖像空間從imagespace直接轉(zhuǎn)化為vectorspace，能執(zhí)行多任務(wù)、對視覺特征進(jìn)行充分融合以及很大程度上避免映射偏差，相較于精度提升，這個(gè)階段注重提高效率；2019-2020年，特斯拉自動駕駛算法來到第三階段，使用了Transformer；骨干網(wǎng)結(jié)構(gòu)使用了RegNet；能夠?qū)崿F(xiàn)自動標(biāo)注數(shù)據(jù)；以及主張去掉雷達(dá)，使用純視覺方案，不僅解決了CNN算法在BEV遮擋區(qū)域預(yù)測問題，同時(shí)還有更高的性能和算法準(zhǔn)確度以及能夠快速得到高精度地圖數(shù)據(jù)，相較于提高效率，這個(gè)階段注重提高精度；2021年以來，特斯拉自動駕駛算法來到第四階段，增加了時(shí)空序列與時(shí)序信息融合等能力；在空間感知方面，使用占用網(wǎng)絡(luò)；使用LanesNetwork；為了增強(qiáng)汽?特斯拉自動駕駛算法2022年的核心改變在于使用OccupancyNetworks進(jìn)行感知以及使用LanesNetwork進(jìn)行矢量地圖繪制。OccupancyNetworks(占用網(wǎng)絡(luò))可以通過3D物體檢測的方式來估計(jì)行駛中其他車輛、物體的位置和大小，占用網(wǎng)絡(luò)可以使用多個(gè)攝像機(jī)拍攝的圖像進(jìn)節(jié)點(diǎn)進(jìn)行生成，從而獲取更精確的車道線拓?fù)浣Y(jié)構(gòu)。2023年5月，特斯拉推出FSDv11.4，實(shí)現(xiàn)FSD端到端能力。FSD端到端的能力，即包含高速航、城市道路領(lǐng)航和泊車三個(gè)域的智駕功能。?映射到國內(nèi)，以蔚小理為代表的車廠以特斯拉為錨，在自動駕駛領(lǐng)域持續(xù)發(fā)力，可像人類司機(jī)那樣實(shí)時(shí)地感知、決策、規(guī)劃，蔚來NAD、小鵬XNGP等逐步實(shí)現(xiàn)L4駕駛水平。特斯拉正持續(xù)引領(lǐng)廠商技術(shù)革新，例如特斯拉將Occupancy網(wǎng)絡(luò)引入到自動駕駛感知技術(shù)中，后續(xù)理想ADMax3.0也將Occupancy于汽車感知。?特斯拉引領(lǐng)自動駕駛走向落地階段，全球自動駕駛產(chǎn)業(yè)鏈推進(jìn)加速，域控制器放量或?qū)⑻崴佟Ｖ攸c(diǎn)推薦德賽西威、中科創(chuàng)達(dá)、均勝電子、經(jīng)緯恒以特斯拉為錨把握自動駕駛技術(shù)演進(jìn)?特斯拉自動駕駛算法使用的是多任務(wù)學(xué)習(xí)HydraNets架構(gòu)，從而讓汽車共享相同神經(jīng)網(wǎng)絡(luò)或特征提取器的同時(shí)能進(jìn)行交通燈檢測、車輛避讓等多項(xiàng)任務(wù)。特斯拉自動駕駛算法中，首先讓車載攝像頭使用RegNet對路況/汽車進(jìn)行原始圖像提取，多個(gè)特征層通過FPN相互交互，從而進(jìn)行特征提取。?在每個(gè)攝像頭都處理完單個(gè)圖像后，使用具有多頭自注意力的Transformer模型進(jìn)行處理，Transformer模型不僅解決了CNN算法在BEV(鳥瞰圖)遮擋區(qū)域預(yù)測問題，同時(shí)還有更高的性能和算法準(zhǔn)確度。后續(xù)將處理結(jié)果進(jìn)行多尺度特征、視頻神經(jīng)網(wǎng)絡(luò)等處理，從而完成整個(gè)自動駕駛算法。近年來Transformer憑借傳統(tǒng)CNN算法所不能企及的感知能力以及其優(yōu)秀的魯棒性和泛化性，已逐步取代IPM、Lift-splat、MLP成為BEV感知領(lǐng)域的主流算法。Autopilot是特斯拉自動駕駛技術(shù)底座?Autopilot于2014年發(fā)布，是一種先進(jìn)的駕駛輔助系統(tǒng)，可提高駕駛的安全性和便利性。多年來，Autopilot隨著整車OTA及硬件更新不斷迭代升級。?現(xiàn)階段，Autopilot可實(shí)現(xiàn)的功能包括：交通感知巡航(控制車速與交通流一致)、變道輔助(協(xié)助用戶轉(zhuǎn)向變道)、自動駕駛位間行駛，找到用戶)、自動緊急制動、側(cè)面碰撞預(yù)警、車道偏離提醒等圖表：Autopilot能實(shí)現(xiàn)多種自動駕駛功能slaAutopilotTesla安全功能ta比較原始，相對傳統(tǒng)1、能執(zhí)行多任務(wù)；2、相較于FPN比較原始，相對傳統(tǒng)1、能執(zhí)行多任務(wù)；2、相較于FPN，BiFPN能夠更加充分的進(jìn)行特征融合并且賦予不同特征權(quán)重；3、很大程度上避免了圖像到向量空間中映射偏差2、更加簡單、易理解，而且還能夠運(yùn)行高復(fù)雜計(jì)算量；3、能夠快速得到高精度地圖數(shù)據(jù)1、讓汽車有短時(shí)間記憶，增強(qiáng)了汽車感知的魯棒性；2、能夠?qū)Χ鄠€(gè)圖像進(jìn)行3D處理、識別出被遮擋的部位以及快速運(yùn)行；3、更精準(zhǔn)的識別車道線路拓?fù)浣Y(jié)構(gòu)1、使用常規(guī)的骨干網(wǎng)結(jié)構(gòu)1、使用常規(guī)的骨干網(wǎng)結(jié)構(gòu)；2、使用2D檢測器進(jìn)行特征提?。?、訓(xùn)練數(shù)據(jù)為人工標(biāo)注11、采用了HydraNet結(jié)構(gòu)；2、加入特征提取網(wǎng)絡(luò)BiFPN；3、將圖像空間從imagespace直接轉(zhuǎn)化為vectorspace1、使用了Transformer；1、不僅解決了CNN算法在2、骨干網(wǎng)結(jié)構(gòu)使用了RegNet；有更高的性能和算法準(zhǔn)確度；3、自動標(biāo)注數(shù)據(jù)；4、主張去掉雷達(dá)，使用純視覺方案1、1、增加了時(shí)空序列與時(shí)序信息融合等能力；2、在空間感知方面，使用占用網(wǎng)絡(luò)；3、使用LanesNetwork；4、為了增強(qiáng)汽車感知能力，考慮到4D雷達(dá)的效果與成本，預(yù)計(jì)會將雷達(dá)重新安裝到汽車上?相比HydraNet結(jié)構(gòu)的鳥瞰圖、固定矩形、物體檢測優(yōu)化。?occupancynetwork將世界分為小立方體，預(yù)測每個(gè)用概率如何。?從2D升級到3D。?對象檢測的算法受數(shù)據(jù)集限制，一旦遇到?jīng)]有標(biāo)注的物體出現(xiàn)，則沒法檢測到前方物體。而占用網(wǎng)絡(luò)特斯拉自動駕駛技術(shù)經(jīng)歷四代 ?TeslaVision自Autopilot發(fā)布以來經(jīng)歷了多次發(fā)展：2016年，TeslaAutopilotSoftware1.0正式上線，主要網(wǎng)絡(luò)結(jié)構(gòu)為spaceimagespace將視覺的圖像空間轉(zhuǎn)移至向量空間，這個(gè)技術(shù)路線基調(diào)更是在2020年的smartsummon功能研發(fā)時(shí)確定下來。2021年，TeslaVision在上一版本的Transformer中引入SpacialTemporal模型，將時(shí)序信息加入視覺模型。?2020年馬斯克決心從特斯拉車上移除雷達(dá)，而全部采用攝影機(jī)，讓自動駕駛完全采用視覺方案，8個(gè)攝像頭和強(qiáng)大的視覺處理能力可實(shí)現(xiàn)360度視野范圍，對周圍環(huán)境的監(jiān)測距離最遠(yuǎn)可達(dá)250米。后來，為了在感知層提升自動駕駛能力，特斯拉在HW4.0硬件系統(tǒng)中，配置了高精度4D毫米波雷達(dá)。Backbone：特斯拉采取RegNet進(jìn)行特征提取?骨干網(wǎng)是用于圖像物體特征提取，常見的骨干網(wǎng)包括AlexNet、ResNet、VGGNet等。特斯拉采用RegNet識別圖像中的對象，并提供MetaAI家提出了RegNet網(wǎng)絡(luò)，在網(wǎng)絡(luò)設(shè)計(jì)范式上更加簡單、易理解，而且還能夠運(yùn)行高復(fù)雜計(jì)算量。?RegNet的核心是網(wǎng)絡(luò)設(shè)計(jì)空間，其思想是，可以在設(shè)計(jì)空間中對模型進(jìn)行采樣，從而產(chǎn)生模型分布，并可以使用經(jīng)典統(tǒng)計(jì)學(xué)中的工具來分析設(shè)計(jì)空間。設(shè)計(jì)一個(gè)不受限制的初始設(shè)計(jì)空間的逐步簡化版本就稱為設(shè)計(jì)空間設(shè)計(jì)(designspacedesign)。在設(shè)計(jì)過程的每個(gè)步驟中，輸入都是初始設(shè)計(jì)空間，輸出則是更簡單、或性能更好的模型的精簡模型。通過對模型進(jìn)行采樣，并檢查其誤差分布，即可表征設(shè)計(jì)空間的質(zhì)量。net圖表：Regnet要好于最優(yōu)網(wǎng)絡(luò)EfficientNetNeck：使用BiFPN對更精細(xì)特征進(jìn)行提取與特征融合?Neck位于骨干網(wǎng)和檢測頭之間，是用于提取更細(xì)的特征。?特斯拉自動駕駛算法采用BiFPN(加權(quán)雙向特征金字塔網(wǎng)絡(luò))，BiFPN是一種易于快速進(jìn)行多尺度特征融合的特征金字塔網(wǎng)絡(luò)。它融合了FPN、PANet和NAS-FPN的多級特征融合思想，使信息在自上而下和自下而上兩個(gè)方向上流動。?BiFPN具有以下幾點(diǎn)改進(jìn)：通過增加殘差鏈接，增強(qiáng)特征的表示能力；移除單輸入邊的結(jié)點(diǎn)，減少計(jì)算量；針對融合的各個(gè)尺度特征增加一個(gè)權(quán)重，調(diào)節(jié)每個(gè)尺度的貢獻(xiàn)度，提高檢測速度。?簡單來說，BiFPN是在FPN的基礎(chǔ)上對其進(jìn)行改進(jìn)，對原始的FPN模塊又添加了添加上下文信息的邊，并對每個(gè)邊乘以一個(gè)相應(yīng)的權(quán)重。資料來源：EfficientDet:ScalableandEfficientObjectDetection，中信建投Head：特斯拉使用HydraNets實(shí)施多任務(wù)?骨干網(wǎng)為模型提供相關(guān)的矩陣輸入，對于一些實(shí)際任務(wù)，例如檢測、分割等，通常要在特征圖上應(yīng)用“檢測頭”。特斯拉使用HydraNets進(jìn)行具體任務(wù)實(shí)施。HydraNets包含用于處理視覺特征的多個(gè)組件，在訓(xùn)練期間分別訓(xùn)練出專業(yè)的組件，在推理過程中選擇相應(yīng)組件進(jìn)行執(zhí)行，能處理多種任務(wù)，極大提升了效率。?8個(gè)攝像頭使用Regnet提取完圖像后，使用Transformer模型進(jìn)行圖像特征融合，其中還會有時(shí)間信息融合操作，圖像信息處理完后，就通過HydraNets將信息分到不同的視覺組件中處理不同的下游任務(wù)。資料來源：HydraNets:SpecializedDynamicArchitecturesforEfficientInference，Tesla，中信建投?特斯拉采用占用網(wǎng)絡(luò)技術(shù)進(jìn)行駕駛感知，占據(jù)網(wǎng)絡(luò)可以通過3D物體檢測的方式來估計(jì)行駛中其他車輛、物體的位置和大小。占據(jù)網(wǎng)絡(luò)利用RegNet和BiFPN從多相機(jī)獲取特征，然后模型通過帶3D空間位置的spatialquery對2D圖像特征進(jìn)行基于attention的多相機(jī)融合。之后利用3D-to-2Dquery，即根據(jù)每個(gè)相機(jī)的內(nèi)外參將3Dspatialquery投影到2D特征圖上，提取對應(yīng)位置的特征。最后進(jìn)行時(shí)序融合。實(shí)際上，占用網(wǎng)絡(luò)實(shí)際上是對BEV技術(shù)的拓展。?占用網(wǎng)絡(luò)具有多個(gè)優(yōu)點(diǎn)，例如占用網(wǎng)絡(luò)可以使用多個(gè)攝像機(jī)拍攝的圖像進(jìn)行3D處理，即使是動態(tài)占用也可以計(jì)算出來，哪怕是遮擋的部分，也可以更加精準(zhǔn)的識別出來。占用網(wǎng)絡(luò)可以在10ms時(shí)間內(nèi)運(yùn)行。圖表：占用網(wǎng)絡(luò)整體架構(gòu)圖表：占用網(wǎng)絡(luò)在特斯拉自動駕駛模型中的位置?在BEV(鳥瞰圖)上進(jìn)行地圖分割和識別，往往是在像素級別進(jìn)行操作，因?yàn)闊o法得到車道線的拓?fù)浣Y(jié)構(gòu)，因此不能用于軌跡規(guī)劃。特斯拉使用LanesNetwork進(jìn)行矢量地圖規(guī)劃，LanesNetwork可幫助獲取更精確的車道線拓?fù)浣Y(jié)構(gòu)，以識別車輛從一條車道徑。?LanesNetwork在模型結(jié)構(gòu)上，是在感知網(wǎng)絡(luò)backbone基礎(chǔ)上加入一個(gè)解碼器，以序列的方式自回歸地輸出結(jié)果。具體實(shí)現(xiàn)上來說，模型首先要選取一個(gè)生成順序(如從左到右，從上到下)，對空間進(jìn)行離散化(tokenization)，然后就可以用LanesNetwork進(jìn)行一系列離散token的預(yù)測，網(wǎng)絡(luò)會以自回歸的方式將所有的車道線節(jié)點(diǎn)進(jìn)行生成。圖表：LanesNetwork網(wǎng)絡(luò)架構(gòu)圖表：LanesNetwork使用特斯拉FSD升級到v11.4?特斯拉2023年4月30日發(fā)布FSDBetav11.4，版本為2023.6.15，并于5月8日向員工推出測試。通過此次更新，特斯拉將改進(jìn)車輛性能置于引入新功能之上。FSDBetav11.4可根據(jù)當(dāng)前天氣條件、能見度、道路濕度、輪胎胎面，甚至其他車輛的輪胎印記等因素，調(diào)整自動駕駛儀的最大速度，確保在惡劣條件下獲得更安全的駕駛體驗(yàn)。同時(shí)，F(xiàn)SDBetav11.4可以更快地針對環(huán)境做出反應(yīng)，并在必要時(shí)調(diào)整車速，確保所有相關(guān)人員都能獲得更安全的體驗(yàn)。 圖表：特斯拉FSDv11.4特性與馬斯克對其評價(jià)?采用端到端人工智能，即包含高速領(lǐng)航、城市道路領(lǐng)航和泊車三個(gè)域的智駕功能。該算法在簡化流程的同時(shí)，能夠模擬人類駕駛員做出恰當(dāng)?shù)臎Q策行為。?通過聯(lián)合空間評估，改進(jìn)人行橫道上的行為決策。?運(yùn)用運(yùn)動學(xué)數(shù)據(jù)測量風(fēng)險(xiǎn)并提前減速，改善自動駕駛車輛在VRU附近的行為。?改進(jìn)在密集非結(jié)構(gòu)化城市環(huán)境中的轉(zhuǎn)彎性能，避免馬斯克評論：FSDV11.4表現(xiàn)優(yōu)秀?優(yōu)化路由提示和自動貼標(biāo)機(jī)，解決由于不良路由類型引起的干預(yù)措施。?通過更新車道類型檢測網(wǎng)絡(luò)和改進(jìn)地圖視覺融合等，提高自動駕駛系統(tǒng)的理解能力和安全性。蔚小理四月交付量出爐，理想交付量領(lǐng)先?蔚小理發(fā)布四月份交付量數(shù)據(jù)，其中理想汽車交付25681輛，創(chuàng)下單月新紀(jì)錄，同比增長516.3%，1-4月累計(jì)交付78,265輛品牌累計(jì)交付335599輛；品牌累計(jì)交付335599輛；蔚來交付新車6658輛，同比增長31.2%，1-4月累計(jì)交付37699輛，同比增長22.2%，品牌累計(jì)交付327255輛。小鵬汽車交付新車7079輛，同比下降21%，1-4月累計(jì)交付25309輛，品牌累計(jì)交付284019輛。00061011122023.400052022.102022.112022.12000110111222023.4%蔚來自動駕駛NAD由Aquila與Adam構(gòu)成?NIOAssistedandIntelligentDriving(NAD)是蔚來汽車自動駕駛技術(shù)，擁有全棧自動駕駛技術(shù)能力，能夠從地圖定位到感知算法，從底層系統(tǒng)到控制策略，實(shí)現(xiàn)自動駕駛在高速、城區(qū)、泊車和換電場景的全覆蓋，主要包含Aquila、Adam及相關(guān)算法等，支持L4級別。?Aquila蔚來超感系統(tǒng)實(shí)現(xiàn)融合感知。Aquila蔚來超感系統(tǒng)擁有33個(gè)高性能感知硬件，包括1個(gè)超遠(yuǎn)距高精度激光雷達(dá)、7顆800萬像素高清攝像頭、4顆300萬像素高感光環(huán)視專用攝像頭、1個(gè)增強(qiáng)主駕感知、5個(gè)毫米波雷達(dá)、12個(gè)超聲波傳感器、2個(gè)高精度定位單元和V2X車路協(xié)同，協(xié)助算法實(shí)現(xiàn)全向無盲區(qū)融合，具備L4能力。?Adam超算平臺作為底層提供算力，Adam搭載4顆NVIDIADRIVEOrin芯片，算力高達(dá)1016Tops。同時(shí)借助于超級圖像處理流水線、超高帶寬骨干數(shù)據(jù)網(wǎng)絡(luò)、熱備份冗余設(shè)計(jì)等，為自動駕駛決策控制提供算力保障。圖表：蔚來自動駕駛(NAD)系統(tǒng)圖表：800萬高清攝像頭提升感知距離資料來源：蔚來，中信建投?XNGP是繼XPILOT系統(tǒng)之后，小鵬推出的第二代智能輔助駕駛系統(tǒng)，XNGP在第一代XPilot系統(tǒng)的基礎(chǔ)上，增加了城市路況下的全程智能輔助駕駛功能(城市NGP)，以及高速NGP和VPA記憶泊車的增強(qiáng)版功能，是目前國內(nèi)唯一一款能夠?qū)崿F(xiàn)城市路況下全程智能輔助駕駛的系統(tǒng)，并且可以在沒有高精地圖的情況下，讓車輛在城市道路上實(shí)現(xiàn)自動跟隨、自動變道、自動超車等功能。NGP系統(tǒng)主要包括兩顆激光雷達(dá)、雙NVIDIADRIVEOrin超級計(jì)算平臺、13個(gè)攝像頭、12個(gè)超聲波雷達(dá)、5個(gè)毫米波雷達(dá)和1個(gè)車內(nèi)攝像頭。?小鵬汽車感知技術(shù)采用XNET，通過多相機(jī)和雷達(dá)收集數(shù)據(jù)，實(shí)時(shí)生成3D場景地圖和高精度地圖，靜態(tài)、動態(tài)感知能力大幅提升，無縫連接城市道路、高速和停車場等場景。具公司介紹，今年6月推送的高速NGP2.0預(yù)計(jì)達(dá)到非常接近于L4的體驗(yàn)水準(zhǔn)。圖表：XNGP擁有超強(qiáng)的算力芯片及多個(gè)感知傳感器圖表：XNGP是行業(yè)首個(gè)全場景智能輔助駕駛系統(tǒng)資料來源：小鵬汽車，汽車之心，中信建投?理想ADMax3.0通過大模型AI算法，擺脫對高精地圖的依賴，該技術(shù)使用三種神經(jīng)網(wǎng)絡(luò)大模型算法，分別是靜態(tài)BEV網(wǎng)絡(luò)、動態(tài)BEV網(wǎng)絡(luò)和Occupancy網(wǎng)絡(luò)，并通過NeRF技術(shù)增強(qiáng)Occupancy網(wǎng)絡(luò)還原的精度和細(xì)節(jié)，實(shí)現(xiàn)對物理世界的完整還原。三種神經(jīng)網(wǎng)絡(luò)大模型算法的感知結(jié)果匯總到預(yù)測模型，就可以實(shí)時(shí)輸出對周圍所有交通參與者未來幾秒內(nèi)的行動軌跡預(yù)測，該預(yù)測結(jié)果會動態(tài)調(diào)整，為后面的決策規(guī)劃提供更準(zhǔn)確的信息。?目前理想汽車的自動駕駛訓(xùn)練里程已超過4億公里，時(shí)長超1074萬小時(shí)。理想ADMax3.0的城市NOA將于23年第二季度開始推送內(nèi)測用戶，到年底將推送100座國內(nèi)城市。想ADMax3.0物理世界數(shù)字化資料來源：理想汽車，中信建投風(fēng)險(xiǎn)提示?AI技術(shù)發(fā)展不及預(yù)期：自動駕駛算法屬于先進(jìn)AI算法，若后續(xù)自動駕駛算法演進(jìn)不及預(yù)期，則會影響特斯拉以及自動駕駛廠商相關(guān)技術(shù)演進(jìn)以及產(chǎn)品落地。?全球宏觀經(jīng)濟(jì)下滑風(fēng)險(xiǎn)：全球宏觀經(jīng)濟(jì)下滑下，居民收入水平與消費(fèi)觀念會收到一定沖擊與影響，對于高端自動駕駛汽車需求可能會有所下滑，從而影響自動駕駛車廠相關(guān)銷售業(yè)績。?市場競爭加劇導(dǎo)致利潤水平下滑：全球范圍內(nèi)自動駕駛車廠競爭加劇，各廠商可能通過采用打價(jià)格戰(zhàn)方式提高用戶忠誠度，從而影響自身收入水平，導(dǎo)致自身利潤水平下滑。?個(gè)人隱私風(fēng)險(xiǎn)：自動駕駛汽車可能會收集用戶相關(guān)駕駛數(shù)據(jù)、駕駛員特征等數(shù)據(jù)進(jìn)行后續(xù)模型訓(xùn)練，這可能會涉及用戶隱私問題。?自動駕駛立法落地不及預(yù)期：若有關(guān)自動駕駛汽車立法政策不及預(yù)期，則會極大影響車廠相關(guān)技術(shù)推進(jìn)以及相關(guān)產(chǎn)品分析師介紹d麟評選傳媒行業(yè)新銳分析師第二名。評級說明報(bào)告中投資建議涉及的評級標(biāo)準(zhǔn)為報(bào)告發(fā)布日后6個(gè)月內(nèi)的相對市場表現(xiàn)，也即報(bào)告發(fā)布日后的6個(gè)月內(nèi)公司股價(jià)(或行業(yè)指數(shù))相對同期相關(guān)證券市場代表性指數(shù)的漲跌幅作為基準(zhǔn)。A股市場以滬深300指數(shù)作為基準(zhǔn)；新三板市場以三板成指為基準(zhǔn)；香港市場以恒生指數(shù)作為基準(zhǔn)；美國市場以標(biāo)普500指為基準(zhǔn)。0-10%之間本報(bào)告署名分析師在此聲明：(i)以勤勉的職業(yè)態(tài)度、專業(yè)審慎的研究方法，使用合法合規(guī)的信息，獨(dú)立、客觀地出具本報(bào)告,結(jié)論不受任何第三方的授意或影響。(ii)本人不曾因，不因，也將不會因本報(bào)告中的具體推薦意見或觀點(diǎn)而直接或間接收到任何形式的補(bǔ)償。本報(bào)告由中信建投證券股份有限公司及/或其附屬機(jī)構(gòu)(以下合稱“中信建投”)制作，由中信建投