機(jī)器人行業(yè)系列深度研究之12：大模型迭代智能駕駛、機(jī)器人算法進(jìn)化

大模型迭代，智能駕駛、機(jī)器人算法進(jìn)化證券分析師：洪依真A0230519060003施鑫展A0230519080002劉洋A0230513050006王珂A0230521120002戴文杰A0230522100006黃忠煌A0230519110001胡雪飛A0230522120002屠亦婷A02305120800032023.9.19傳動(dòng)部件減速器/絲杠/其他等控制器傳感器攝像頭視覺(jué)激光雷達(dá)毫米波雷達(dá)超聲波雷達(dá)傳感器電流環(huán)控制/力矩/被動(dòng)力控制/視覺(jué)MCU電機(jī)伺服/步進(jìn)/空心杯光芯片通信范疇軟件互聯(lián)網(wǎng)AIASIC/邊緣計(jì)算處理器定位導(dǎo)航IMU等為例）高速連接器高壓傳感器GPU其他連接器大模型：控制執(zhí)行路徑規(guī)劃傳動(dòng)部件減速器/絲杠/其他等控制器傳感器攝像頭視覺(jué)激光雷達(dá)毫米波雷達(dá)超聲波雷達(dá)傳感器電流環(huán)控制/力矩/被動(dòng)力控制/視覺(jué)MCU電機(jī)伺服/步進(jìn)/空心杯光芯片通信范疇軟件互聯(lián)網(wǎng)AIASIC/邊緣計(jì)算處理器定位導(dǎo)航IMU等為例）高速連接器高壓傳感器GPU其他連接器大模型：控制執(zhí)行路徑規(guī)劃（含防碰撞）Planner占用預(yù)測(cè)Occupancy檢測(cè)視覺(jué)+4D成像視覺(jué)+4D成像跟蹤跟蹤Tracking運(yùn)動(dòng)預(yù)測(cè)運(yùn)動(dòng)預(yù)測(cè)Motion映射地圖映射地圖Mapping控制器MCU光芯片通信范疇軟件互聯(lián)網(wǎng)AI機(jī)器人硬件ASIC/邊緣計(jì)算處理器定位導(dǎo)航IMU等為例）高速連接器高壓傳感器GPU硬件預(yù)埋其他連接器AI視覺(jué)的3D化：AI視覺(jué)大模型：臉書(shū)：SAM/dinoV2ViT/MAE/SwinAI端到端（CVPR2023最佳論文為代表控制器MCU光芯片通信范疇軟件互聯(lián)網(wǎng)AI機(jī)器人硬件ASIC/邊緣計(jì)算處理器定位導(dǎo)航IMU等為例）高速連接器高壓傳感器GPU硬件預(yù)埋其他連接器AI視覺(jué)的3D化：AI視覺(jué)大模型：臉書(shū)：SAM/dinoV2ViT/MAE/SwinAI端到端（CVPR2023最佳論文為代表）：局部嘗試大模型AI的端對(duì)端自動(dòng)駕駛谷歌/微軟/Tesla/Meta等發(fā)力，嘗試人車(chē)互動(dòng)/人機(jī)互動(dòng)/自動(dòng)行走控制執(zhí)行路徑規(guī)劃（含防碰撞）Planner占用預(yù)測(cè)Occupancy檢測(cè)視覺(jué)+4D成像為視覺(jué)+理解+運(yùn)動(dòng)：泛化+零樣本例如李飛飛VoxPoser推理+理解：例如谷歌PaLM-E理解+運(yùn)動(dòng)。如UCLA兩篇機(jī)器人相關(guān)論文理解+運(yùn)動(dòng)。如UCLA兩篇機(jī)器人相關(guān)論文Optimization-based傳感器傳感器攝像頭視覺(jué)激光雷達(dá)毫米波雷達(dá)超聲波雷達(dá)傳感器電流環(huán)控制/力矩/被動(dòng)力控制/視覺(jué)跟蹤跟蹤Tracking運(yùn)動(dòng)預(yù)測(cè)運(yùn)動(dòng)預(yù)測(cè)Motion映射地圖映射地圖M41.智能駕駛：端到端的算法新范式2.視覺(jué)泛化：大模型帶來(lái)何種改變3.機(jī)器人：從google看算法迭代4.投資機(jī)會(huì)和標(biāo)的選擇端到端融合算法數(shù)據(jù)融合檢測(cè)跟蹤預(yù)測(cè)檢測(cè)-激光雷達(dá)檢測(cè)-毫米波雷達(dá)檢測(cè)-攝像頭 控制執(zhí)行預(yù)測(cè)&決策算法融合算法預(yù)測(cè)&決策算法控制執(zhí)行端到端融合算法數(shù)據(jù)融合檢測(cè)跟蹤預(yù)測(cè)檢測(cè)-激光雷達(dá)檢測(cè)-毫米波雷達(dá)檢測(cè)-攝像頭 控制執(zhí)行預(yù)測(cè)&決策算法融合算法預(yù)測(cè)&決策算法控制執(zhí)行攝像頭感知算法控制執(zhí)行檢測(cè)-激光雷達(dá)檢測(cè)-毫米波雷達(dá)檢測(cè)-攝像頭雷達(dá)感知算法毫米波雷達(dá)感知算法傳感器感知算法感知算法檢測(cè)映射地圖Mapping路徑規(guī)劃（含防碰撞）Planner視覺(jué)+4D成像占用預(yù)測(cè)Occupancy跟蹤Tracking運(yùn)動(dòng)預(yù)測(cè)M表：截至2022中美主要自動(dòng)駕駛公司全棧AI技術(shù)對(duì)比對(duì)比維度毫末智行發(fā)展路線(xiàn)大模型、大數(shù)據(jù)、大算力發(fā)展路線(xiàn)核心產(chǎn)品整體戰(zhàn)路智能輔助駕駛核心產(chǎn)品整體戰(zhàn)路發(fā)展階段已經(jīng)進(jìn)入3.0階段的領(lǐng)跑者加速進(jìn)入3.0階段的沖刺者發(fā)展路線(xiàn)數(shù)據(jù)來(lái)源算法設(shè)計(jì)發(fā)展路線(xiàn)發(fā)展路線(xiàn)數(shù)據(jù)來(lái)源算法設(shè)計(jì)發(fā)展路線(xiàn)基于自動(dòng)標(biāo)注數(shù)據(jù)基于真實(shí)人駕數(shù)據(jù)3D占據(jù)柵格網(wǎng)絡(luò)多模態(tài)自監(jiān)督，覆蓋感知、認(rèn)知、自動(dòng)標(biāo)注重感知為主，減少對(duì)高精度地圖的依賴(lài)數(shù)據(jù)體系建立數(shù)據(jù)閉環(huán)數(shù)據(jù)體系成本控制依靠量產(chǎn)車(chē)數(shù)據(jù)回傳和自動(dòng)標(biāo)注標(biāo)注方式4D自動(dòng)標(biāo)注+人工糾偏人工標(biāo)注團(tuán)隊(duì)+自動(dòng)標(biāo)注能力標(biāo)注方式4D自動(dòng)標(biāo)注+人工糾偏純視覺(jué)感知視覺(jué)+LIDAR等多模態(tài)融合感知 發(fā)展路線(xiàn)重視算力建設(shè)，數(shù)據(jù)計(jì)算中心+車(chē)端計(jì)算平臺(tái) 大算力車(chē)端硬件平臺(tái)144TOPS車(chē)端FSD計(jì)算平臺(tái)高中低計(jì)算平臺(tái)并舉，最高算力360TOPS 云端計(jì)算中心自研云端超算中心Dojo毫末智算中心資料來(lái)源：毫末智行、申萬(wàn)宏源研究《強(qiáng)化感知：空間-時(shí)序維度，多模態(tài)數(shù)據(jù)融合?特斯拉從安裝在汽車(chē)周?chē)陌藗€(gè)攝像頭的視頻中用傳統(tǒng)的ResNet提取圖像特征，并使?毫末智行的AI團(tuán)隊(duì)正在逐步將基于Transformer的感知算法應(yīng)用到實(shí)際的道路感知問(wèn)題，如車(chē)道線(xiàn)檢測(cè)、障礙物檢測(cè)、可行駛區(qū)域分割、紅綠燈檢測(cè)&識(shí)別、道路交通標(biāo)志檢測(cè)、點(diǎn)云檢測(cè)&數(shù)據(jù)標(biāo)注升級(jí)：大模型無(wú)標(biāo)注自監(jiān)督學(xué)習(xí)數(shù)據(jù)訓(xùn)練的能力。這里同樣使用了大模型并行計(jì)算的圖：毫末智行MANA基于十億級(jí)未標(biāo)注數(shù)據(jù) 資料來(lái)源：TeslaAIDay，毫末智行官網(wǎng)，申萬(wàn)宏源研究《BEV的通俗理解：把不同視角的觀察合成一個(gè)“天眼模式”整體圖，了解全局傳統(tǒng)駕駛算法下，時(shí)序信息很難與已有3D目標(biāo)檢測(cè)融合?3DBEV優(yōu)勢(shì)：1)將不同視角在BEV下統(tǒng)一，方便后續(xù)規(guī)（occlusion）問(wèn)題；BEVformer：基于Transformer的自動(dòng)駕駛BEV純視覺(jué)感知?BEVFormer的兩大核心任務(wù)：mutil-camera（多視角相機(jī)）和bird-eye-view（鳥(niǎo)?BEVFormer利用了Transformer的特征提取能力以及Timestam圖：使用Transformer進(jìn)行BEV數(shù)據(jù)融合相比CNN更BEV-CNNBEV-TransformerSpatiotemporalTransformers》（中文可翻譯為《通過(guò)時(shí)空變換器，從多攝像機(jī)圖像中學(xué)習(xí)鳥(niǎo)瞰圖表示》申萬(wàn)宏源研究BEV的通俗理解：把不同視角的觀察合成一個(gè)“天眼模式”整體圖，了解全局。Pre-BEV特征提取(如果輸入特征提取的是3D信息,得到3DBEV，壓縮到2DBEV)。?3D坐標(biāo)離散化到體素空間(高效率）+3D卷積提取特征+3D特征高度壓縮變成2DBEV特征；Post-BEV特征提?。ㄈ绻斎胩卣魈崛?shù)據(jù)是BEV信息）。圖：雷達(dá)是點(diǎn)云數(shù)據(jù)，上半部分點(diǎn)云到三維（提高精度下半部分把BEV轉(zhuǎn)化到兩維（提高效率）圖：融合的視角融合圖：融合的BEV融合SpatiotemporalTransformers》（中文可翻譯為《通過(guò)時(shí)空變換器，從多攝像機(jī)圖像中學(xué)習(xí)鳥(niǎo)瞰圖表示》申萬(wàn)宏源研究《景不同視角下的圖像。?如果我們從一個(gè)角度向一個(gè)靜態(tài)空間發(fā)射一條射線(xiàn)，我們可以查詢(xún)到這條射線(xiàn)在空間中每個(gè)點(diǎn)（x,y,z）的密度ρ,以及該位置在射線(xiàn)角）；?得到顏色和密度；圖：從相機(jī)焦點(diǎn)出發(fā)，往一個(gè)像素連出一條射線(xiàn)，獲取射穿過(guò)空間中每性，進(jìn)行積分得到這個(gè)像素的顏色圖：5維輸入，輸出顏色和密度，并且做端到?2022CVPR中，TeslaFSD新負(fù)責(zé)人AshokElluswamy推出了OccupancyNetwork。借鑒了機(jī)器人領(lǐng)域常用的思想，基于據(jù)概率來(lái)獲得一種簡(jiǎn)單的3d空間表示。關(guān)鍵詞是3D、使用占據(jù)概率而非檢測(cè)、多視角。?BEV感知：高水平視覺(jué)為主的自動(dòng)駕駛方案的起點(diǎn)；?占用網(wǎng)絡(luò)OccupancyNetwork：純視覺(jué)自動(dòng)駕駛技術(shù)的里程碑（CVPR2022）。）；?體現(xiàn)了語(yǔ)義感知，超過(guò)雷達(dá)。資料來(lái)源：TeslaAIday，申萬(wàn)宏源研究《1）在Backbone環(huán)節(jié)特征提取，其中涉及BEV和多模態(tài)等大模型技術(shù)。?UniAD可利用其他替代方案通過(guò)長(zhǎng)期時(shí)間融合或多模態(tài)融合。圖：自動(dòng)駕駛大模型嘗試多種子任務(wù)（目標(biāo)檢測(cè)、目標(biāo)跟蹤、場(chǎng)景建圖、軌跡預(yù)測(cè)、柵格預(yù)測(cè)和路徑規(guī)合到統(tǒng)一的端到端網(wǎng)絡(luò)框架合到統(tǒng)一的端到端網(wǎng)絡(luò)框架3）預(yù)測(cè)模塊，實(shí)現(xiàn)動(dòng)靜態(tài)元素交互與長(zhǎng)時(shí)序軌跡預(yù)測(cè)，而且已經(jīng)有“聯(lián)合訓(xùn)練AI”。4）在規(guī)劃模塊，基于軌跡預(yù)測(cè)，做防碰撞，其中涉及占用網(wǎng)絡(luò)（Occupancynetwork）等大模型技術(shù)。?基于自身的軌跡預(yù)測(cè)和基于占據(jù)柵格的碰撞優(yōu)化并圖：論文指出每個(gè)環(huán)節(jié)的重要指標(biāo)，且指出“聯(lián)合訓(xùn)練AI”的作用，例如兩個(gè)識(shí)別子任務(wù)大大幫助了圖：論文指出每個(gè)環(huán)節(jié)的重要指標(biāo)，且指出“聯(lián)合訓(xùn)練AI”的作用，例如兩個(gè)識(shí)別子任務(wù)大大幫助了萬(wàn)宏源研究1.智能駕駛：端到端的算法新范式2.視覺(jué)泛化：大模型帶來(lái)何種改變3.機(jī)器人：從google看算法迭代4.投資機(jī)會(huì)和標(biāo)的選擇?3D占據(jù)柵格網(wǎng)絡(luò)：主要預(yù)測(cè)了空?大模型主要改變了自動(dòng)駕駛工作范式。然而在機(jī)器人工作中，需要識(shí)別出具體物體是什么視覺(jué)大模型相對(duì)于傳統(tǒng)的小型模型，具有以下的優(yōu)缺點(diǎn)?更高的準(zhǔn)確性：視覺(jué)大模型一般具有千萬(wàn)級(jí)別或更多參數(shù)，相比小型模型具有更強(qiáng)大的表示能力，因此可以更好地捕捉圖像中的細(xì)節(jié)和特征，從而提高模型的準(zhǔn)確性。?更強(qiáng)的泛化能力：視覺(jué)大模型在訓(xùn)練過(guò)程中可以學(xué)習(xí)到更多的特征，因此具有更好的泛化能力，可以適應(yīng)更多的場(chǎng)景和數(shù)據(jù)分布。?Fewshot/Zeroshot下的CV能力：圖像分類(lèi)、語(yǔ)義分割、目標(biāo)檢測(cè)、實(shí)例分割、物體追蹤。最終可能通過(guò)跨模態(tài)，實(shí)現(xiàn)Zeroshot。《?從算子層面看，傳統(tǒng)的CNNs算子缺Google的VisionTransformer的核心思路提出SegmentAnything(S重要領(lǐng)域的通用模型出現(xiàn)了。?零樣本（zero-shot）或者簡(jiǎn)單prompt（比如一個(gè)點(diǎn)，下圖中綠點(diǎn)、線(xiàn)框，或者一小段文字）下，就對(duì)任意一個(gè)用于圖像分割的新任務(wù)、模型和數(shù)據(jù)集。了迄今為止(到目前為止)最大的分割數(shù)據(jù)集，在1100萬(wàn)張授權(quán)和尊重隱私的圖像上有超過(guò)10億個(gè)掩碼。?2）將發(fā)布SAM模型和數(shù)據(jù)集。數(shù)據(jù)集(SA-1B)，其中包含1B個(gè)掩碼和1100萬(wàn)張圖像，以促進(jìn)對(duì)計(jì)算機(jī)視覺(jué) ?數(shù)據(jù)集：1.42億，沒(méi)有文字標(biāo)簽，但是圖片特征相似模型參數(shù)量是10億級(jí)，也仍然是視覺(jué)橙色dino是自監(jiān)督方法的效果，深粉色是弱監(jiān)督方圖像分類(lèi)：判別圖中物體是什么，比如是貓還是狗；語(yǔ)義分割：對(duì)圖像進(jìn)行像素級(jí)分類(lèi)，預(yù)測(cè)每個(gè)像素屬于的類(lèi)別；《2.5什么是泛化？尤其CV視覺(jué)和感知方面視覺(jué)的Zero-shot一個(gè)案例：如何在沒(méi)有見(jiàn)過(guò)斑馬的情況下認(rèn)出斑馬？?我們期待的通用視覺(jué)大模型應(yīng)做到什么？用同一個(gè)模型，完成分割、識(shí)別、檢測(cè)、追蹤等各種類(lèi)型的常資料來(lái)源：中國(guó)專(zhuān)業(yè)IT社區(qū)CSDN，申萬(wàn)宏源研究19201.智能駕駛：端到端的算法新范式2.視覺(jué)泛化：大模型帶來(lái)何種改變3.機(jī)器人：從google看算法迭代4.投資機(jī)會(huì)和標(biāo)的選擇《3.1具身智能：大模型增加推理+理解+運(yùn)動(dòng)控制?主要涉及robotics的感知、規(guī)劃、控制、導(dǎo)航等上層部分。知環(huán)境并通過(guò)與環(huán)境交互進(jìn)行學(xué)習(xí)。具身智能所需要的AI能力：基礎(chǔ)VQA能力（視覺(jué)）、導(dǎo)航和操作能力（跨模態(tài)）?更進(jìn)一步的AI能力：視覺(jué)語(yǔ)言導(dǎo)航和視覺(jué)語(yǔ)言操作這類(lèi)長(zhǎng)時(shí)間、連續(xù)性的任務(wù)。?視覺(jué)語(yǔ)言導(dǎo)航指通過(guò)自然語(yǔ)言讓智能體（agent）到環(huán)境中的某個(gè)位置，視覺(jué)語(yǔ)言操作指通過(guò)自然語(yǔ)言大模型對(duì)于具身智能的提升：?1、Language：通過(guò)抽象的自然語(yǔ)言直接對(duì)機(jī)械智能控制。?2、Vision：Zeroshot下的CV能力。?3、Action：同一底層進(jìn)行運(yùn)動(dòng)控制能力?！?試圖將LLM當(dāng)中的語(yǔ)義知識(shí)用在真實(shí)世界的決策問(wèn)題當(dāng)中；讓機(jī)器人可以基于人類(lèi)給定的較為抽象的自然語(yǔ)言去規(guī)劃具體步驟并且最終完成指定的任務(wù)。?GPT3的回復(fù)是“你需要一個(gè)吸塵器”，LaMDA的回復(fù)是“需要我?guī)湍屹Y料來(lái)源：《DoAsICan,NotAsISay:GroundingLanguageinRoboticAffordances》(中文翻譯為《盡我 所能，而非盡我所說(shuō)：機(jī)器人供能的基礎(chǔ)語(yǔ)言》）,申萬(wàn)宏源研究《23《PaLM-E(562Billionparameters)=PalM(540B)+ViT?PaLM-E本身是個(gè)多模態(tài)的大模型，不僅能理解文本，還能理解圖片（因?yàn)榧恿薞iT可以理解圖片中的語(yǔ)義信息。?Few-shotprompt可以看懂笑話(huà)（左上角zero-shot可以具有圖文思維鏈?！?.4AINLP+運(yùn)動(dòng)控制：谷歌幫助具身智能RT-1資料來(lái)源：《RT-1:RoboticsTransformerforreal-worldcontrolatscale》（RT1：用于真實(shí)世界大規(guī)?？刂频?機(jī)器人transformer）,申萬(wàn)宏源研究《3.4AINLP+運(yùn)動(dòng)控制：谷歌幫助具身智能RT-1任務(wù)模型。制成為可能。遠(yuǎn)距離、移動(dòng)操作任務(wù)。資料來(lái)源：《RT-1:RoboticsTransformerforreal-worldcontrolatscale》（RT1：用于真實(shí)世界大規(guī)?？刂频臋C(jī)器人transformer）,申萬(wàn)宏源研究26《3.5AINLP+運(yùn)動(dòng)控制：谷歌幫助具身智能RT-2包含數(shù)學(xué)邏輯推理的命令，“將香蕉放到2+1的總和的位置”多語(yǔ)言+推理理解，用西班牙語(yǔ)命令它“從一堆物品中挑出最視覺(jué)推理，像是“將草莓放進(jìn)正確的碗中”與眾不同的那個(gè)”資料來(lái)源：《RT-2:Vision-Language-ActionModels》（RT2：視覺(jué)-語(yǔ)言-動(dòng)作模型）,申萬(wàn)宏源研究27《3.5AINLP+運(yùn)動(dòng)控制：谷歌幫助具身智能RT-2三大能力——符號(hào)理解（Symbolunderstanding）、推理（Reasoning）和人類(lèi)識(shí)別（Humanrecognition）?將基于互聯(lián)網(wǎng)規(guī)模數(shù)據(jù)訓(xùn)練的視覺(jué)語(yǔ)言模型直接納入端到端機(jī)器人控制中。?這利于解釋機(jī)器人訓(xùn)練數(shù)據(jù)中不存在的命令的能力，以及響應(yīng)用戶(hù)命令執(zhí)行基本推理的能力。?為了將自然語(yǔ)言響應(yīng)和機(jī)器人動(dòng)作都適應(yīng)相同的格式，方式將其直接合并到模型的訓(xùn)練集中。?視覺(jué)語(yǔ)言動(dòng)作模型（VLA）?為了使視覺(jué)語(yǔ)言模型能夠控制機(jī)器人，必須訓(xùn)練它們輸出動(dòng)作。?RT-2將動(dòng)作表示為模型輸出中的標(biāo)記（類(lèi)似語(yǔ)言標(biāo)記）。動(dòng)作空間主要包括機(jī)器人末端執(zhí)行器的六自由度（6DoF）位置和旋轉(zhuǎn)位移。資料來(lái)源：《RT-2:Vision-Language-ActionModels》（RT2：視覺(jué)-語(yǔ)言-動(dòng)作模型）,申萬(wàn)宏源研究28291.智能駕駛：端到端的算法新范式2.視覺(jué)泛化：大模型帶來(lái)何種改變3.機(jī)器人：從google看算法迭代4.投資機(jī)會(huì)和標(biāo)的選擇b國(guó)產(chǎn)芯c大模型d出?！禸國(guó)產(chǎn)芯c大模型d出海a通過(guò)壓力測(cè)試?德賽西威：a通過(guò)壓力測(cè)試/b國(guó)產(chǎn)芯/d出海+c預(yù)計(jì)嘗試大模型+管理治理Alpha?中科創(chuàng)達(dá)：c大模型/d出海+b預(yù)計(jì)國(guó)產(chǎn)芯?經(jīng)緯恒潤(rùn)：a滲透率提升通過(guò)壓力測(cè)試+b國(guó)產(chǎn)芯?精鍛科技：c大模型（機(jī)器人產(chǎn)業(yè)能力外溢）?雙環(huán)傳動(dòng)：c大模型（機(jī)器人產(chǎn)業(yè)能力外溢）+管理治理Alpha?保隆科技+華陽(yáng)集團(tuán)+繼峰股份：a壓力測(cè)試下滲透率提升?愛(ài)柯迪：d出海?裕太微+北京君正+國(guó)芯科技+瑞芯微：a國(guó)產(chǎn)模擬/存儲(chǔ)/MCU嘗試滲透率提升通過(guò)壓力測(cè)試+b國(guó)產(chǎn)芯?華測(cè)導(dǎo)航：a壓力測(cè)試下有knowhow+管理治理Alpha?電連技術(shù)（高頻高速稀缺+消費(fèi)電子復(fù)蘇）+華測(cè)導(dǎo)航（業(yè)績(jī)穩(wěn)健且確定性強(qiáng)）+瑞可達(dá)（高壓+高頻高速+機(jī)器人可能突破）+永貴電器（高壓+充電槍連接器）+維峰電子（高毛利率、機(jī)器人可能突破）+鼎通科技（光通信+汽車(chē)高壓）：a嘗試滲透率提升通過(guò)壓力測(cè)試《4.1考慮彈性標(biāo)的?德賽西威：a通過(guò)壓力測(cè)試/b國(guó)產(chǎn)芯/d出海+c預(yù)計(jì)嘗試大模型+管理治理Alpha?虹軟科技：c大模型（BEV已經(jīng)很深，算法底層能力強(qiáng)/d出海?螢石網(wǎng)絡(luò)：a通過(guò)壓力測(cè)試/c大模型/d出海?中科創(chuàng)達(dá)：c大模型/d出海+b預(yù)計(jì)國(guó)產(chǎn)芯?經(jīng)緯恒潤(rùn)：a滲透率提升通過(guò)壓力測(cè)試+b國(guó)產(chǎn)芯汽車(chē)&機(jī)械：柏楚電子（機(jī)械，壁壘+AI軟件+機(jī)器人+優(yōu)秀的波特五力格局）、雙環(huán)傳動(dòng)（機(jī)械&汽車(chē)）、伯特利精鍛科技、浙江世寶、（預(yù)計(jì)域控制器突破）?精鍛科技：c大模型（機(jī)器人產(chǎn)業(yè)能力外溢）?雙環(huán)傳動(dòng)：c大模型（機(jī)器人產(chǎn)業(yè)能力外溢）+管理治理Alpha?保隆科技+華陽(yáng)集團(tuán)+繼峰股份：a壓力測(cè)試下滲透率提升?裕太微+北京君正+國(guó)芯科技+瑞芯微：a國(guó)產(chǎn)模擬/存儲(chǔ)/MCU嘗試滲透率提升通過(guò)壓力測(cè)試+b國(guó)產(chǎn)芯?華測(cè)導(dǎo)航：a壓力測(cè)試下有knowhow+管理治理Alpha?電連技術(shù)（高頻高速稀缺+消費(fèi)電子復(fù)蘇）+華測(cè)導(dǎo)航（業(yè)績(jī)穩(wěn)健且確定性強(qiáng)）+瑞可達(dá)（高壓+高頻高速+機(jī)器人可能突破）+永貴電器（高壓+充電槍連接器）+維峰電子（高毛利率、機(jī)器人可能突破）+鼎通科技（光通信+汽車(chē)高壓）：a嘗試滲透率提升通過(guò)壓力測(cè)試風(fēng)險(xiǎn)：1）智聯(lián)汽車(chē)的競(jìng)爭(zhēng)和外部政策，有時(shí)候會(huì)帶來(lái)波動(dòng)。2）畢竟行業(yè)仍然面臨價(jià)格變化的可能，公司的相對(duì)競(jìng)爭(zhēng)優(yōu)勢(shì)需要跟蹤。3）國(guó)產(chǎn)方案推廣后，對(duì)行業(yè)價(jià)格和競(jìng)爭(zhēng)格局的跟蹤需要持續(xù)性。表:機(jī)器人和自動(dòng)駕駛重點(diǎn)公司估值表WindWind一致預(yù)期歸母凈利潤(rùn)（億元）總市值（億元）證券代碼公司名稱(chēng)虹軟科技經(jīng)緯恒潤(rùn)-W精鍛科技4.53002472.SZ雙環(huán)傳動(dòng)保隆科技002906.SZ繼峰股份-愛(ài)柯迪裕太微-U--北京君正4.75維峰電子資料來(lái)源：Wind、申萬(wàn)宏源研究信息披露本報(bào)告署名分析師具有中國(guó)證券業(yè)協(xié)會(huì)授予的證券投資咨詢(xún)執(zhí)業(yè)資格并注冊(cè)為證券分析師，以勤勉的職業(yè)態(tài)度、專(zhuān)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,并對(duì)本報(bào)告的內(nèi)容和觀點(diǎn)負(fù)責(zé)。本人不曾因，不因，也將不會(huì)因本報(bào)告中的具體推薦意見(jiàn)或觀點(diǎn)而直接或間接收到任何形式的補(bǔ)償。本公司隸屬于申萬(wàn)宏源證券有限公司。本公司經(jīng)中國(guó)證券監(jiān)督管理委員會(huì)核準(zhǔn)，取得證券投資咨詢(xún)業(yè)務(wù)許可。本公司關(guān)聯(lián)機(jī)構(gòu)在法律許可情況下可能持有或交易本報(bào)告提到的投資標(biāo)的，還可能為或爭(zhēng)取為這些標(biāo)的提供投資銀行服務(wù)。本公司在知曉范圍內(nèi)依法合規(guī)地履行披露義務(wù)。客戶(hù)可通過(guò)compliance@索取有關(guān)披露資料或登錄信息披露欄目查詢(xún)從業(yè)人員資質(zhì)情況、證券的投資評(píng)級(jí)：以報(bào)告日后的6個(gè)月內(nèi)，證券相對(duì)于市場(chǎng)基準(zhǔn)指數(shù)的漲跌幅為標(biāo)準(zhǔn)，定義如下：買(mǎi)入（Buy）增持（Outperform）中性(Neutral)減持(Underperform)行業(yè)的投資評(píng)級(jí)：：相對(duì)強(qiáng)于市場(chǎng)表現(xiàn)20％以上；：相對(duì)強(qiáng)于市場(chǎng)表現(xiàn)520%;：相對(duì)市場(chǎng)表現(xiàn)在－5％～＋5％之間波動(dòng)；：相對(duì)弱于市場(chǎng)表現(xiàn)5％以下。以報(bào)告日后的6個(gè)月內(nèi)，行業(yè)相對(duì)于市場(chǎng)基準(zhǔn)指數(shù)的漲跌幅為標(biāo)準(zhǔn)，定義如下：看好（Overweight）中性(Neutral)看淡(Underweight)本報(bào)告采用的基準(zhǔn)指數(shù)證券的投資評(píng)級(jí)：：行業(yè)超越整體市場(chǎng)表現(xiàn)；：行業(yè)與整體市場(chǎng)表現(xiàn)基本持平；：行業(yè)弱于整體市場(chǎng)表現(xiàn)。：滬深300指數(shù)以報(bào)告日后的6個(gè)月內(nèi)，證券相對(duì)于市場(chǎng)基準(zhǔn)指數(shù)的漲跌幅為標(biāo)準(zhǔn)，定義如下：買(mǎi)入（BUY）：增持（Outperform）持有（Hold）減持（Underperform）賣(mài)出（SELL）行業(yè)的投資評(píng)級(jí)：：股價(jià)預(yù)計(jì)將上漲20%以上；：股價(jià)預(yù)計(jì)將上漲10-20%；：股價(jià)變動(dòng)幅度預(yù)計(jì)在-10%和+10%之間；：股價(jià)預(yù)計(jì)將下跌10-20%；：股價(jià)預(yù)計(jì)將下跌20%以上。以報(bào)告日后的6個(gè)月內(nèi)，行業(yè)相對(duì)于市場(chǎng)基準(zhǔn)指數(shù)的漲跌幅為標(biāo)準(zhǔn)，定義如下：看好（Overweight）中性(Neutral)看淡（Underweight）本報(bào)告采用的基準(zhǔn)指數(shù)：行業(yè)超越整體市場(chǎng)表現(xiàn)；：行業(yè)與整體市場(chǎng)表現(xiàn)基本持平；：行業(yè)弱于整體市場(chǎng)表現(xiàn)。：恒生中國(guó)企業(yè)指數(shù)（HSCEI）我們?cè)诖颂嵝涯?，不同證券研究機(jī)構(gòu)采用不同的評(píng)級(jí)術(shù)語(yǔ)及評(píng)級(jí)標(biāo)準(zhǔn)。我們采用的是相對(duì)評(píng)級(jí)體系，表示投資的相對(duì)比重建議；投資者買(mǎi)入或者賣(mài)出證券的決定取決于個(gè)人的實(shí)際情況，比如當(dāng)前的持倉(cāng)結(jié)構(gòu)以及其他需要考慮的因素。投資者應(yīng)閱讀整篇報(bào)告，以獲取比較完整的觀點(diǎn)與信息，不應(yīng)僅僅依靠投資評(píng)級(jí)來(lái)推斷結(jié)論。申銀萬(wàn)國(guó)使用自己的行業(yè)分類(lèi)體系，如果您對(duì)我們的行業(yè)分類(lèi)有興趣，可以向我們的銷(xiāo)售員索取。本報(bào)告由上海申銀萬(wàn)國(guó)證券研究所有限公司（隸屬于申萬(wàn)宏