行业跟踪报告

Transcription

1 (%) 证券研究报告 行业专题报告 工业 汽车 推荐 ( 维持 ) 智能驾驭, 电动未来 2016 年 02 月 17 日智能汽车系列报告之 实现路径 上证指数 2867 行业规模 占比 % 股票家数 ( 只 ) 总市值 ( 亿元 ) 流通市值 ( 亿元 ) 行业指数 % 1m 6m 12m 绝对表现 相对表现 (%) 资料来源 : 贝格数据 招商证券 相关报告 汽车沪深 Feb/15 Jun/15 Sep/15 Jan/16 1 智能驾驭, 电动未来 第三期专题报告 汽车行业 2016 年度投资策略 智能驾驭, 电动未来 第二期专题报告 新能源汽车系列报告 第四卷 氢动力 概念, 普拉格与特斯拉不同 新能源汽车系列报告 第三卷 迎接新能源汽车盛宴 新能源汽车系列报告 第二卷 本篇采用自上而下的方法, 上层理顺行业发展逻辑 空间和机遇, 中层深入分析 核心技术痛点, 下层对辅助驾驶阶段四大核心问题进行分析, 重在阐述智能驾驶 的实现路径 未来将是智能汽车发展的黄金十年, 而基于电动化的智能汽车其零 部件所赋予的功能与表现形式将与传统大不相同, 维持行业 推荐 评级 智能驾驶大风起,2000 亿蓝海先占为王 智能驾驶开始爆发, 未来十年将是 黄金十年, 主要基于以下三个逻辑 :1) 包括芯片 车载通讯及软件端算法在 内的底层软硬件技术成熟为智能驾驶提供技术可行性 2) 具备 开源思维 互 联网厂商造车加速汽车经济新格局变化 3) 政策法规强制施行保障市场渗透 率提升 预计 2020 年国内泛智能驾驶市场空间达 2300 亿元,CAGR 超 35% 智能驾驶产业链价值核心在算法和数据 我们对 Google 共计 133 项 丰田共 计 89 项无人驾驶专利进行细致挖掘 :Google 采用 硬件外包 + 软件自主, 技术路径呈现 功能维度 四大模块和 时间维度 三阶段特征 ; 丰田注重 产研结合, 重心在辅助驾驶阶段算法精度提升 我们认为, 算法是智能驾驶 产业链价值核心, 而目标物体识别的精度和响应速度则是算法层优劣标准 辅助驾驶为主机厂短期推进重点, 零部件企业入口为王 市场大小和竞争格 局 前后装市场前景 主流技术路径 国内厂商产业机会是辅助驾驶阶段市 场最关心的四大问题 通过对近 200 款车型分析, 我们得出以下结论 : 1 市场 自主 品牌赚钱效应和政策驱动明显,AEB ESC 有望率先爆发 2 后装市场无法介入执行层, 前装是大势所趋 3 摄像头 + 毫米波雷达 是精度 响应度 成本之间的最优选择 4 外延式扩张是现阶段介入智能驾驶市场的最佳捷径 投资策略及风险提示 ADAS 为目前行业发展重心, 车联网入口发展潜力大, 电动车则具有天生的智能驾驶平台优势 汽车行业重点推荐 : 兴民钢圈 均 胜电子, 推荐 : 亚太股份 中原内配 星宇股份 东风科技 金固股份 万 安科技等 另外, 电动车企业转向智能汽车发展更具优势 风险提示 : 推广阶段企业规模偏小 业绩难以快速兑现 ; 法规推进落后预期 汪刘胜 [email protected] S 彭琪 [email protected] S 唐楠 [email protected] S 重点公司主要财务指标 股价 14EPS 15EPS 16EPS 15PE 16PE PB 评级 兴民钢圈 强烈推荐 -A 均胜电子 强烈推荐 -A 亚太股份 强烈推荐 -A 中原内配 审慎推荐 -A 东风科技 强烈推荐 -A 星宇股份 强烈推荐 -A 万安科技 审慎推荐 -A 索菱股份 审慎推荐 -A 金固股份 强烈推荐 -A 资料来源 : 公司数据 招商证券 敬请阅读末页的重要说明

2 正文目录一 智能驾驶大风起, 千亿蓝海先占为王 无人驾驶技术引领智能驾驶走向成熟 ) 底层软 硬件性价比触及临界点 ) 外力倒逼行业变革, 转型升级创造投资机遇 ) 政策顶层设计跟进, 政策托底推广门槛 零配件行业重构 自主品牌迎来良机 智能驾驶, 千亿盛宴 二 科技新贵 PK 传统巨头 : 数据制胜, 算法为王 谷歌只能解放驾驶者, 而非重构产业链 Google 智能驾驶细谈 : 模块化布局, 阶段式研发 ) 功能维度: 算法为主, 传感器 数据 人机交互为辅 ) 时间维度 : 研发三阶段, 初期以目标物体识别为主 丰田: 辅助驾驶为主, 注重产业化 识别和融合算法: 智能驾驶技术核心 ) 目标物体识别算法 : 精度和响应度关乎生命 ) 传感器融合算法 : 多传感器互补提升精度 三 ADAS: 点石成金, 现阶段最具潜力领域 政策兜底, 开启 泛智能化 千亿级市场 )ADAS 效果显著, 政策兜底倒逼市场渗透率提升 ) 欧美日 ADAS 成为标配, 自主品牌仍是蓝海 )2020 年 ADAS 市场空间 700 亿, 泛智能驾驶市场空间超 2000 亿 前后装之争: 后装局限, 得前装者得天下 技术路径之争: 摄像头 + 毫米波雷达 搭配是主流 ) 单纯视觉方案 : 应用场景受到局限 ) 摄像头 + 毫米波雷达 : 成本 精度 速度的均衡解决方案 产业机遇 : 外延并购短平快, 切入前装现良机 四 智能驾驶产业链竞争格局梳理 五 投资策略及风险提示 敬请阅读末页的重要说明 Page 2

3 图表目录 图 1: 不同应用对于传输网络带宽及延迟要求... 5 图 2: 不同传输技术的理论下行带宽... 5 图 3:Hedonic 芯片价格指数直线下降... 6 图 4: 通用安吉星提供车载信息服务... 6 图 5:Google 苹果 百度 乐视互联网造车... 7 图 6: 吉利博瑞 奔驰 S 马自达 CX-5 宝马 图 7: 技术路线图对于 DA\PA\HA\FA 四阶段划分及各阶段渗透率要求... 7 图 8:2014 年全球各大地区 ADAS 主要功能模块渗透率 图 9:2020 年, 智能驾驶市场空间 2300 亿 图 10: 全球前八大无人驾驶专利最多的公司 图 11:Google 和丰田专利占比 ( 前八大公司 ) 图 12: 基于丰田普锐斯的 Google 无人驾驶汽车 图 13:Google 汽车搭载的 Velodyne 激光雷达 图 14: 基于感知 认知 决策 执行的 Google 无人驾驶系统 图 15:Google 专利模块占比情况 图 16:Google 专利细分领域占比统计 图 17: 通过比较特征之间的共性和差异识别物体 图 18: 通过比较特征之间的共性和差异识别物体 图 19: 基于激光雷达的行人手势识别 图 20: 识别障碍物改变行车路径 图 21: 激光雷达扫描效果, 左为原图, 右为点云数据结果 图 22: 时间维度 Google 专利图 图 23:Google 人机交互端示意图 图 24: 丰田无人驾驶专利统计 图 25: 不同路况目标物体的差异化识别 图 26: 目标物体识别算法 图 27: 视觉识别过程中的前处理和前景分离 图 28: 视觉算法中的物体识别过程 图 29: 当误检率 =0.1 行人 / 图时, 漏检率逐年降低 图 30: 误检率和漏检率的反向变动关系 图 29:2016 CES 展 NVIDIA 发布汽车用平台 PX 图 30:PX2 具体性能一览 图 34: 毫米波雷达 图 35: 激光雷达 图 36: 智能汽车发展的五阶段 敬请阅读末页的重要说明 Page 3

4 图 38: 欧系车型 ADAS 功能最为丰富, 已为中档车标配 图 39: 日系车型 ADAS 覆盖率最高, 已为标配 图 40: 美系车型覆盖率适中, 功能以 FCW\LDW\ACC 为主 图 41: 自主品牌 ADAS 适配车型一览, 仍是蓝海 图 42: 合资品牌 ADAS 渗透率较高 图 43:ADAS2020 年市场空间 650 亿 图 44:Mobileye OEM 和 AM 市场比重 图 45: 载有 FCW\LDW\PCW 的 Mobileye 图 46:Mobileye 数据积累和算法改良 图 47:Mobileye EyeQ4 系统架构 图 48: 技术缺口同资金 资源缺口对接 图 49: 智能驾驶产业链结构 图 50: 欧美市场摄像头 Tire-1 供应厂商及适配车型 图 51: 日本市场摄像头 Tire-1 供应厂商及适配车型 图 52: 欧美市场雷达 Tire1 供应厂商及适配车型 图 53: 日本市场雷达 Tire-1 供应厂商及适配车型 图 54: 欧美市场物体识别 ECU Tire-1 供应厂商及适配车型 图 55: 日本市场物体识别 ECUws 供应厂商及适配车型 图 56: 汽车行业历史 PE Band 图 57: 汽车行业历史 PB Band 表 1: 各国 ADAS 相关法规政策一览... 8 表 2: 技术路线图 中对于各模块自主化率的规定... 9 表 3: 丰田旗下各车型辅助驾驶功能模块 ADAS 装载率 表 4: 传感器之间的性能差异对比 表 5:ADAS 主要功能模块传感器的配合使用情况 表 6: 主要 Tire-1 厂商 ADAS 解决方案对比 表 7: 国外智能驾驶对应标的公司 表 8: 国内智能驾驶产业链所属标的公司 附录 : 中英文词汇对照 敬请阅读末页的重要说明 Page 4

5 延迟 /ms 行业研究 一 智能驾驶大风起, 千亿蓝海先占为王 1 无人驾驶技术引领智能驾驶走向成熟 智能驾驶技术开始进入规模化性价比区间 智能驾驶研究开始于 20 世纪 80 年代 丰田第一项无人驾驶专利研发布于 1994 年, 主要内容是利用传感器来实现无人驾驶系统的故障诊断 但受制于外在技术环境的欠缺和内在驱动力的不足, 智能驾驶的研发进程也被搁置 我们有必要把智能辅助驾驶与无人驾驶区分开, 对于无人驾驶技术, 就目前而言, 是建立在不计成本的传感器配套以及与伦理道德并不违背的实验路况的小规模基础之上的, 而智能驾驶则对系统的经济性 可靠性以及对于复杂路况的普适要求高得多 经过行业内近 30 年的发展, 智能驾驶技术受益于无人驾驶技术的下放以及硬件系统成本的急速下降, 已经进入具备大规模普及的性价比区间 2010 年后, 主机厂商相继开始在高配车型上配载 ADAS 辅助驾驶模块 ;2012 年,Google 推出第一款无人驾驶实验车型 ;2015 年, 国内智能驾驶产业链开始快速爆发 1) 底层软 硬件性价比触及临界点 车用传感器 芯片成本不再是门槛 摩尔定律使芯片硬件成本下降到 10 年前 1/100 以上, 参考芯片行业的 Hedonic 首推价格指数, 以 2000 年的价格指数作为基准值 100, 到 2013 年时, 同等运算能力 (SPEC 跑分, 代表芯片的运算能力 ) 对应的芯片价格已接近 0.01 上世纪末, 由于无人驾驶系统芯片需要同时兼顾视觉处理 传感器融合 路径规划等多项算法, 过高的运算能力需求无法通过常规车载途径实现, 尤其车规级芯片价格由于量小价格更为高昂, 硬件成本成为除算法外一个巨大的门槛 经过数十年发展, 芯片价格指数式降低使得车规芯片成本已降至合理性价比区间 以 Mobileye 560 系列后装售价为例, 零售价格为 $849, 芯片价值仅在 $300 左右, 这在二十年前是难以想象的 图 1: 不同应用对于传输网络带宽及延迟要求 图 2: 不同传输技术的理论下行带宽 1 自动驾驶 增强现实技术 触觉网络 10 灾难警告 在线网络游戏 多人电话会议 虚拟现实 远程设备控制 紧急呼救 100 汽车电话 双向远程控制 传感器监控网络视频传输云办公个人云 资料来源 :GSMA Intelligence 固定移动始终移动 带宽 /Mbps 资料来源 :GSMA Intelligence 敬请阅读末页的重要说明 Page 5

6 远程通讯基础成熟, 车联网具备硬件基础 如果无法实现人 车 路的互联, 辅助驾驶与无人驾驶永隔一条鸿沟 互联的基础是需要高速 稳定 便宜的通信网络 3G 4G 网络的快速普及 数据流量费用的大幅降低为车联网的实现铺平了道路 理论上 4G 网络对于车联网的数据传输瓶颈将不复存在 商用 4G LTE / 5G 网络可以为无人驾驶提供实时更低的数据延迟, 同时地图数据精度将得到数量级的提升 ; 远程协助接口 ( 通用安吉星装车量已接近 700 万, 交互量已过 10 亿 ); 可以为后续软件更新提供数据接口 在硬件技术破冰的背景下, 特斯拉开始在 2015 年末通过无线推送无人驾驶升级包, 比亚迪秦上已经标配了 3G 接入, 各大厂商已经开始高调进军车联网领域 算法精度达到应用临界点 算法是无人驾驶系统的大脑, 目前算法尚不能进行主动学习, 只能进行被动训练, 而被动训练的核心在于训练场景的累计 识别精度是判断算法优劣的核心, 以行人识别算法为例, 如果误判率为每张图 0.1 个, 纯视觉算法的漏检率已由最初 2004 年的 95% 降低到了最近几年的 50% 以下 (2012 年数据 ) 目前一流企业的识别率已经可以达到 90-95%, 已经接近人眼的识别率, 第二梯队也可以达到 85% 左右的水平, 因此, 我们有理由相信在无人驾驶真正大规模商用时, 即使是纯视觉算法也能达到很高的物体识别精确度, 而若加以传感器融合 ( 目前在相同误判率下约能降低 10% 的漏检率 ) 和强大的车联网实时数据, 自动驾驶商用化已经具备了软 硬件基础 图 3:Hedonic 芯片价格指数直线下降 图 4: 通用安吉星提供车载信息服务 资料来源 :Bloomberg, 招商证券 资料来源 :Google, 招商证券 2) 外力倒逼行业变革, 转型升级创造投资机遇 新技术削弱传统门槛, 资本力量助推智能化普及 传统汽车行业由于高度分工与强规模经济效应所带来的天然门槛, 来自行业外部的冲击很小 但是由于电动化 智能化大幅削减了传统发动机 变速箱等核心机械零部件所形成的技术门槛, 大量互联网 计算机龙头开始从辅助系统 算法层面切入汽车行业 特斯拉对于传统车企 新能源政策的倒逼作用已经非常显著,Google Apple 等巨头在无人驾驶领域的持续突破正在对传统汽车行业格局产生深远影响 虽然就目前而言整车厂的核心地位尚无法动摇, 但是新技术对整车厂的倒逼影响无疑将加速汽车智能化的普及速度 另外, 资本对于新技术的竞相追逐相比较于传统产业的游戏规则有巨大变化, 资本对于新技术应用的助推作用无疑也对目前传统零配件企业转型升级带来巨大催化作用 敬请阅读末页的重要说明 Page 6

7 图 5:Google 苹果 百度 乐视互联网造车图 6: 吉利博瑞 奔驰 S 马自达 CX-5 宝马 5 资料来源 :Google, 招商证券 资料来源 :Google, 招商证券 3) 政策顶层设计跟进, 政策托底推广门槛 技术和产业资本的渐趋成熟与融合, 两者共同力促上层制度顶层的规范化 从国家层面而言, 智能驾驶系统一方面可以大幅提升行车安全, 另一方面, 由于智能道路规划及行车控制对节油和拥堵问题所带来的改善是政府层连发举措的重要诱因 国内 :2020 年国内辅助驾驶渗透率超 50% 2015 年 9 月, 继 中国制造 2025 后, 战略咨询委员会发布 中国制造 2025 重点领域技术路线图, 首次从国家战略层面提出 智能网联汽车 概念 根据中国国情对智能汽车进行四阶段区分, 并对 2020 年 2025 年 2030 年智能汽车发展水平 自主化率设置门槛标准, 这标志着智能汽车在经过产业 资本层面的预热后, 首次上升到国家战略层面 图 7: 技术路线图对于 DA\PA\HA\FA 四阶段划分及各阶段渗透率要求 单功能辅助驾驶 :ESC ACC AEBS 等, 并能提供基于网联的智能提醒信息 渗透率目标 : 中国市场 DA/PA 市场覆盖率达 50% 多功能辅助驾驶 : 部分自动驾驶, 在驾驶员短时转移注意力仍可保持控制, 失去控制 10 秒以上予以提醒 渗透率目标 : 中国市场 DA/PA 市场覆盖率达 50% 有条件自动驾驶 : 在高速公路和市内均可自动驾驶, 偶尔需要驾驶员接管, 但是有充分的移交时间, 并能提供基于网联的智能控制信息 渗透率目标 : 2025 年 HA 阶段车辆市场占有率达到 20% 完全自主驾驶 : 驾驶权完全移交给车辆在高速公路和市内均可自动驾驶, 偶尔需要驾驶员接管, 但是有充分的移交时间, 并能提供基于网联的智能控制信息 渗透率目标 : 2030 年,FA 阶段车辆的市场占有率达到 10% DA L1 PA L2 HA L3 FA L4 资料来源 : 中国制造 2025 重点领域技术路线图, 招商证券 敬请阅读末页的重要说明 Page 7

8 国外 : 各国政府通过强制性法规推动智能驾驶辅助阶段渗透率提高 针对 ESC AEB 等同行车安全密切相关的功能模块, 美 欧 加 日 澳等国纷纷推出相关法规, 规定时间节点强制安装, 辅助驾驶系统在政策的强制推行下渗透率大幅提高 以美国为先驱的无人驾驶汽车突破伦理障碍, 对行业产生深远影响 15 年 2 月, 美国高速公路管理局 (NHTSA) 表示谷歌无人驾驶可以被视为司机 在此之前, 无人驾驶汽车的合法性成为争论焦点, 即使是在智能驾驶先驱美国, 诸多洲都有 无人驾驶必须配备刹车和司机 的规定, 这使得无方向盘无刹车踏板无司机的谷歌 三无 汽车面临非法风险 此次表态在确立谷歌无人驾驶汽车合法性同时, 政府部门表示未来半年将调整汽车安全规定 ( 方向盘 刹车踏板 ), 以支持无人驾驶汽车发展 厘清政策监管风险, 未来无人驾驶汽车完全替代传统汽车作为日常交通工具成为可能 同时, 美国政府作为智能驾驶先驱的表态具备连锁效应, 为全球无人驾驶的发展标定政策基调, 更加宽松 优惠的政策趋向值得期待 表 1: 各国 ADAS 相关法规政策一览功能模块国家地区政府部门具体规定 ESC 电子车身稳定系统 AEB 紧急制动系统 美国 NHTSA 2012 年起要求 10,000 磅以下所有乘用车配备 欧洲 欧盟 2011 年 11 月后新车型,2014 年 11 月后新登记车辆强制安装 澳大利亚 政府 2013 年 11 月后, 所有新车强制安装 加拿大 政府 2011 年起新增乘用车强制安装 中国 C-NCAP 2015 年, 首次在碰撞新规加分中列入 ESC 美国 NHTSA 2015 年 1 起将 CIB 和 DBS(AEB) 加入推荐高级安全列表 欧洲 欧盟 E-NCAP 2013 年 11 月, 商用车强制安装 2014 年起, 只有安装 AEB 才能获得五星认证 澳大利亚 A-NCAP 2012 年起强制要求新车安装 日本 MLIT 2016 年起强制要求新车安装 倒车影像 美国 NHTSA 2018 年 5 月 1 日起强制安装 TPMS 胎压监测 其他 资料来源 : 招商证券整理 美国 NHTSA 2006 年起强制安装 欧洲 欧盟 2014 年 11 月起强制安装 韩国 年起强制安装 欧洲 欧盟 2014 年, 将 ADAS 评分权重由 10% 调整为 20%,2017 年, 4 星以上新车必须配备 ADAS 系统 美国 NHTSA 2016 年 2 月, 监管部门表示谷歌无人驾驶汽车可以被视为 司机 敬请阅读末页的重要说明 Page 8

9 2 零配件行业重构 自主品牌迎来良机 自主品牌迎来重要机遇 中国制造 2025 把智能驾驶提升到国家战略层面的同时, 也明确设置了各阶段主机厂 零部件厂在智能汽车市场的自主份额门槛指标 传统汽车行业由动力 传动系统及规模经济主导的行业格局即将迎来智能化的颠覆式改变智能汽车整车在 DA/PA/HA 阶段自主化率要求保持在 40%-50% 以上 传统汽车行业自主之后国产几十年, 智能驾驶作为汽车新经济, 国内厂商在技术软硬件层已有积累, 加之政府政策的大力推动, 我们认为智能驾驶是国内自主品牌发展的重要机遇 主机厂商力争把握传感器 数据算法 HMI 车联网各个产业链层面的核心技术, 在行业标准 行业技术以及市场的占有率方面实现突破和领先 智能蓝海先占为王 智能化是汽车行业的革命, 辅助驾驶颠覆安全定义, 半自动驾驶颠覆便捷定义, 无人驾驶颠覆汽车生态圈定义 汽车新经济伴随着行业重新洗牌, 拥有智能驾驶核心零部件配套能力的厂商 主动技术升级智能化转型的主机厂商 拥有算法数据层研发实力的跨界互联网厂商, 都有机会获得巨大市场机会 表 2: 技术路线图 中对于各模块自主化率的规定部件自主化目标说明 光学摄像头 雷达系统 高精定位系统 2020 年, 国内市场对于光学摄像头的需求超过千万套台, 自主化了实现 80% 以上 2025 年, 目标实现自主覆盖率 40% 2025 年, 自主覆盖率实现 60% 以上 光学摄像头智能驾驶传感器中的基础部件, 广泛应用于初级驾驶辅助阶段的自动泊车系统 AP 车道偏移预警系统 LDW 前向碰撞预警系统 FCW 盲点探测 BLS 夜视系统 NV 等功能模块, 技术层面业已成熟, 渗透率快速提高 雷达系统主要包括毫米波雷达 超声波雷达和激光雷达三部分, 雷达技术性壁垒较高 提高国产定位系统精确度, 至 2020 年, 基于北斗的车载定位精度达到亚米级, 成本低于国际品牌 10%, 实现初步的进口替代 集成控制系统 车载互联终端 资料来源 : 招商证券整理 2025 年, 核心控制器自主化率实现 50%, 控制器关键芯片国产化率达 30% 2025 年, 车载信息娱乐系统占比 70%, 远程通讯模块自主占比 60%, 近程通讯模块自主占比 90% 车用级控制器芯片难在安全机制和可靠性上, 自主化尚需努力 国产通信技术能力较强, 自主占比比预期较高 敬请阅读末页的重要说明 Page 9

10 3 智能驾驶, 千亿盛宴 智能汽车行业未来市场空间取决于两方面因素影响 : 整车销量基数及智能驾驶渗透率 整车销量进入稳步增长阶段, 预计未来增速维持在 2%-4% 15 年下半年, 受益国家政策层面的税收利好, 购置税减半, 汽车销量迎来小幅回收 但随着我国整车保有量开始进入高基数阶段, 加上宏观经济下行 刺激政策边际刺激减弱, 汽车行业增速开始趋于微增长阶段 智能驾驶系统渗透率差异较大, 中国现阶段渗透率在 10% 左右 辅助驾驶渗透率因功能模块多少和地区存在产生较大差异 从辅助驾驶功能模块角度而言, 电子车身稳定系统 ESC 泊车辅助系统 PA 渗透率较高,ESC 在西欧地区渗透率高达 83.1%,PA 在日本地区渗透率达到 31.2% 分地区而言, 智能驾驶系统在西欧地区和日本渗透率显著高于全球水平 以 ADAS 应用模块 LDW( 车道偏离警示系统 ) 为例,2014 年 LDW 在中国地区的渗透率同日本 西欧在 年间渗透率水平相当, 和全球平均水平在 年间水平相当, 中国智能汽车市场渗透存在 3-5 年的滞后期 可以预期, 中国制造 2025 对未来十年智能驾驶系统做出保底要求之后, 我国在 年间将迎来高速发展期 预计 2020 年中国智能驾驶市场空间超 2300 亿, 年复合增速约 35% 2014 年中国地区智能驾驶 DA/PA 阶段渗透率约 10%, 由智能驾驶带动的硬件 软件 电子 通讯 互联网 机械单车成本上升在 元 结合整车年增速 3% 的预期, 预计智能驾驶市场空间未来五年复合增长率实现 35% 2020 年市场空间将超 2300 亿元 图 8:2014 年全球各大地区 ADAS 主要功能模块渗透率图 9:2020 年, 智能驾驶市场空间 2300 亿 ESC PA ACC LDW HUD 0% 20% 40% 60% 80% 100% 全球西欧日本北美中国 市场空间 ( 亿元 ) 资料来源 :Bloomberg, 招商证券资料来源 : 招商证券注 :ESC: 电子车身稳定系统 ;PA: 泊车辅助系统 ;ACC: 自适应巡航系统 ;LDW: 车道偏移警示系统 ;HUD: 抬头显示系统 敬请阅读末页的重要说明 Page 10

11 二 科技新贵 PK 传统巨头 : 数据制胜, 算法为王 1 谷歌只能解放驾驶者, 而非重构产业链 当下市场议论最多的一个话题就是 谷歌 苹果这样的互联网公司是否会取代传统车企的产业链地位? 我们认为答案是否定的 因为无论是从对谷歌的商业模式还是过往的研发专利路径分析, 谷歌没有任何染指整车制造的动机 我们的分析结论显示, 谷歌与丰田走了两条截然不同的路 : 谷歌更专注普适算法, 而丰田则重视具体应用 谷歌的自上而下与丰田的自下而上 谷歌与丰田是研究无人驾驶技术的最佳范本, 根据 Derwent Innovations Index 对无人驾驶技术的专利统计, 谷歌以 132 项高居榜首, 丰田以 89 项紧随其后 谷歌的优势在于其从搜索引擎 云计算领域积累的大量人才与技术, 从 2010 年开始才从算法层面切入无人驾驶领域 ; 而丰田作为全球最大的整车制造商,94 年即开始注册了第一个传感器融合算法专利, 研发高峰出现在 年间, 重心则是在以 ADAS 系统为核心的实用功能模块上 路况 传感器感知 融合建模 认知判断 反向控制指令 具体执行单元分析 执行我们认为, 两种路线最终将会和平融合, 而非相互冲突或者替代 路况感知 识别实际上与具体判断 执行是两个独立过程 路况感知 建模及反向控制指令产生 ( 黑色部分 ) 是通用功能, 其与具体的车型 零配件操作无关 然而对于反向控制指令的具体分解 分析 执行过程 ( 红色部分 ) 则需要根据具体情况区别对待, 不能一劳永逸 前一个过程是普适的, 可以由某一家科技公司独立完成, 而后一个过程则是众多零配件公司根据各自零配件特性共同协作的结果 样车谷歌可能勉强能够做到全套开发, 但如果面对的是海量各类车型, 最终仍然会选择由配件公司完成控制系统的配套, 这也是传统汽车行业这么多年自然进化出的合理分工结构 就最终具体执行单元而言, 由发动机 传动系统 刹车系统负责具体执行的不同的子功能模块 ( 例如 ESC ACC 等 ), 实际上背后的一级供应商仍然是以博世 德尔福 电装为首的众多传统零配件行业龙头 我们认为, 谷歌的最终目的是解放驾驶者, 而不是成为一个车企 即便谷歌或苹果造车, 也只会增加一个 谷歌牌 或 苹果牌 汽车, 而不会重构整个汽车产业链 图 10: 全球前八大无人驾驶专利最多的公司图 11:Google 和丰田专利占比 ( 前八大公司 ) 卡特彼勒 波音福特 谷歌 22.89% 博世 谷歌 通用汽车戴姆勒 其他 62.65% 丰田 14.46% 丰田 其他 丰田 谷歌 无人驾驶专利数量 资料来源 :Derwent Innovations Index, 招商证券 资料来源 :Derwent Innovations Index, 招商证券 敬请阅读末页的重要说明 Page 11

12 谷歌的自上而下 跨越模式 : 绕开硬件和造车技术壁垒, 以核心算法和数据切入自动驾驶, 力求一步到位 软件开发自主 + 硬件生产外包 同传统整车厂商的商业模式不同, 由于 Google 暂时并没有整车及零配件制造能力, 谷歌无人驾驶采取硬件外包的方式 从专利研发的角度分析, 其 132 项研发专利中有 61 项专利涉及算法层面 56 项专利涉及数据层面, 而涉及硬件及汽车制造本身的专利极少 谷歌的原型车仅基于丰田普锐斯 雷克萨斯 RX450h 和奥迪 TT, 连传感器核心雷达传感器也是由 Velodyne 供应 所以谷歌专注于算法 数据, 集中于普适应用部分 路况 传感器感知 融合建模 认知判断 反向控制指令 具体执行单元分析 执行谷歌模式影响深远, 但不足以重构 根据我们上面分析的结论, 谷歌的优势在于其天然的互联网基因, 技术核心则在算法和数据 现阶段无论是从系统经济性还是技术成熟度而言, 无人驾驶还为时尚早, 但以谷歌目前的制造经验为传统车企进行辅助驾驶系统开发又明显鸡肋, 鉴于路况识别 - 判断 - 指令的封闭与普适性, 谷歌只能绕开传统主机厂商的 单一辅助驾驶 (DA)-- 多功能辅助驾驶 (PA)-- 有条件的无人驾驶 (HA) 全工况无人驾驶 (FA) 常规发展路径, 直接切入 HA 阶段, 实现一步到位 未来谷歌大概率成为新的一级供应商, 为不同子功能模块整合提供平台 不可否认, 谷歌对于汽车行业影响深远 然而, 不可否认的是, 谷歌于智能驾驶正如特斯拉之于新能源汽车, 影响深远 传统厂商 ( 以丰田 戴姆勒等主机厂, 博世 大陆等零部件巨头为例 ) 自 20 世纪 80 年代起即开始研发智能驾驶, 但过去的 30 年, 正是内燃机主导的汽车工业最辉煌的 30 年, 传统厂商并无跳跃式研发, 革自己的命的动力 同时, 通讯 硬件 车联网 人机交互等外在硬件技术成熟度的参差不齐也使得智能驾驶研发缺乏破冰的契机 谷歌无人驾驶的推出无疑是对于传统汽车行业的一颗重磅炸弹, 加速整个行业的变革 图 12: 基于丰田普锐斯的 Google 无人驾驶汽车 图 13:Google 汽车搭载的 Velodyne 激光雷达 资料来源 :Google 图片, 招商证券 资料来源 :Google 图片, 招商证券 敬请阅读末页的重要说明 Page 12

13 丰田的自下而上 渐进模式 : 更注重研发的产业化基础, 走 DA PA HA FA 逐步升级的智能驾驶之路, 目前多处于 PA( 多功能辅助驾驶 ) 阶段 作为全球最大的整车厂商,14 年汽车销量突破 830 万辆,94 年即开始注册第一个传感器融合算法专利 丰田对于无人驾驶的态度则更倾向于获取 具备产业化 条件的技术, 其专利研发更多集中于辅助驾驶各个功能模块算法 置信度 响应速度的提升 目前, 多功能辅助驾驶在中高端车型中已逐步实现配套 而就在 2016 年 1 月 5 日, 丰田宣布斥资 10 亿美元在硅谷成立研究所, 专攻无人驾驶技术, 团队成员多为算法和数据工程师 模式差异只是基于资源禀赋和产业链竞争地位的商业判断, 算法和数据的侧重才是行业未来发展的核心痛点 无论是谷歌选择 颠覆式一步到位 模式亦或丰田 渐进式步步为营 模式, 其选择都是基于自身资源和产业链竞争地位, 对于算法和数据的注重是两者在无人驾驶方案解决中的共同选择 谷歌作为行业外搅局者, 其优势在于算法和数据的积累研发, 因此从上层软件介入, 一步到位是其制胜关键 ; 丰田作为传统整车厂商, 拥有丰富的造车技术, 将辅助驾驶的研发和车辆性能提升相结合是其产品附加值提升的关键 但无论谷歌或丰田, 其研发的核心都在于算法层 提升数据判断的置信度, 加快驾驶辅助系统的处理 响应速度是目前各家研发的重中之重 因此我们认为, 算法和数据是智能驾驶系统发展的核心痛点, 也是今后产业链中将攫取最大附加利润的部分 2 Google 智能驾驶细谈 : 模块化布局, 阶段式研发 Google 无人驾驶系统分为感知层 认知层 决策层和执行层四部分 1) 感知层 : 环境数据来源于传感器信息 通过单 ( 双 ) 目摄像头获取物体的形状信息, 通过视觉算法进行前处理 前景分离, 得出目标物体的明确特征 ; 与此同时, 通过传感器融合算法获得来自于雷达 激光雷达 超声波 惯性单元的速度 距离 物体轮廓线等信息 2) 认知层 : 根据物体数据库中的信息, 结合上层物体特征信息对目标物体进行识别 经过视觉算法 传感器融合算法共同得到的物体特征信息被输入物体识别分类器, 分类器结合已知的数据库信息 ( 包括物体的结构模型 行为模型 运动状态 ) 进行物体识别 3) 决策层 : 预测物体的行动轨迹, 同时结合数据信息实施导航与路径规划 对分类器中已识别的物体进行行为轨迹预测, 制定应对策略 ; 根据雷达数据绘制实时高精度地图, 结合已有标有道路线 交通标志的基础地图, 同时结合车联网云端数据制定本阶段最优路径 4) 执行层 : 将决策信息通过 CAN 总线反馈给执行器执行决策, 同时通过 HMI 系统和乘客进行人机交互 路径规划信息通过总线传输给执行器各部分, 执行刹车 转向 车灯开关等任务, 同时将系统的决策结果通过 HMI 反馈给乘客 ( 例如在车载中控根据速度大小和路径规划显示给乘客现阶段的位置 地图信息 路径规划信息 ) 敬请阅读末页的重要说明 Page 13

14 图 14: 基于感知 认知 决策 执行的 Google 无人驾驶系统 单 ( 双 ) 目摄像头 视觉算法 物体识别和分类器根据传感器融合算法绘制的物体轨迹 轮廓和视觉馈入的图像信息, 参考已有物体结构模型输出物体的类别及状态等信息 激光雷达 物体数据 结构模型 当前状态 行为模型 物体行为预测器综合已有的行为模型和输入的物体轨迹 方位和其他状态, 对物体将来行为进行预测 毫米波雷达 超声波声呐 传感器融合算法 实时高精度本地地图 惯性测量单元 卫星定位系统 综合地图数据 道路标记 交叉路口 导航与路径规划算法 云端数据监控中心 1. 提供实时交通信息 2. 提供自动驾驶协助 限速 其它信息 车辆自身状态信息 ( 例如油量 ) HMI 触觉 遥控 自动驾驶状态信息 CAN 视觉 声音 外部 + 内部 图例 : 算法 数据 整车 ECU 转向 刹车 节气门 车灯 资料来源 : 招商证券 通过上图中的定性分析我们可以发现, 算法在整个无人驾驶决策过程中将传感器 地图 HMI 执行器连接起来 视觉算法是最重要的基础, 辅以传感器融合算法, 识别出物体 的类别 在此基础上, 应用路径规划算法, 实现无人驾驶 敬请阅读末页的重要说明 Page 14

15 以下通过对 Google 无人驾驶共计 132 项专利进行统计分析, 从两个维度归纳出其研发特点和整体思路 功能维度 : 根据专利功用性归结为传感器 算法 数据 人机交互四大模块 时间维度 : 根据专利申请公开时间将研发分为三个阶段 : 第一阶段以简单的人机交互设计和目标物体识别为主 ; 第二阶段以算法置信度提升和路径规划为主 ; 第三阶段为综合路况处理应用为主, 以期提供给乘客更好的体验 1) 功能维度 : 算法为主, 传感器 数据 人机交互为辅 专利按功能模块分为传感器 算法 数据和人机交互四部分 其中传感器 算法 人机 交互 地图数据领域分别涉及 23 项 61 项 29 项及 56 项专利 从数量上来看, 算法 和数据基于绝对优势 图 15:Google 专利模块占比情况 14% 33% 传感器算法人机交互数据 36% 17% 图 16:Google 专利细分领域占比统计 雷达 (5) 激光雷达 (14) 摄像头 (3) 惯性测量 (1) 传感器融合算法 (32) 机器视觉算法 (9) 路径导航算法 (16) 障碍避免 (4) HMI(29) 地图数据 (19) 无线 车联网 (7) 行为模型 (18) 结构模型 (12) 执行器 (1) 连接器 (1) 资料来源 :Derwent Innovations Index, 招商证券 资料来源 :Derwent Innovations Index, 招商证券 1) 算法在无人驾驶系统中处于中枢地位, 也是技术突破关键所在 目标识别和视觉算法是基础, 传感器融合提升精度, 路径规划算法实现无人驾驶 视觉算法 (9 项 ): 更多体现在早期研发阶段 视觉算法是基础, 图像处理 提取物体特征, 进而结合传感器融合算法对目标物体进行判断 视觉算法的内容主要包括 : 提取物体特征 和行为模型进行比对 判断物体类型, 通过对比差异判断物体类型, 通过两次图像光照 色差变化来识别交通信号的颜色变化, 以及通过视觉识别将实时地貌特征和精度地图数据进行对比, 从而实现定位导航 传感器融合算法 (32 项 ): 核心是冗余判断, 传感器融合是提高物体识别精度的重要途径 单一摄像头存在误检率和漏检率, 通过不同传感器提供的不同信息综合判断能够极大提高精度 例如在行人识别过程中, 摄像头只能大致描绘行人的形状却无法判断行人的运动状态和具体手势变化, 激光雷达可以精准地扫描物体的轮廓, 通过对行人手势识别行使不同的驾驶策略 敬请阅读末页的重要说明 Page 15

16 图 17: 通过比较特征之间的共性和差异识别物体 -1 图 18: 通过比较特征之间的共性和差异识别物体 -2 资料来源 :Google 专利, 招商证券 资料来源 :Google 专利, 招商证券 导航与路径规划算法 (16 项 ): 实现无人驾驶的直接途径 根据以上两种算法产生 的识别结果, 对高精度本地实时地图和综合大地图进行卷积运算确定精确位置, 最 后综合所有信息确定驾驶状态和行驶轨迹 图 19: 基于激光雷达的行人手势识别 图 20: 识别障碍物改变行车路径 资料来源 :Google 专利, 招商证券 资料来源 :Google 专利, 招商证券 2) 数据模块涉及 56 个专利, 是决策的重要信息来源 数据模块按属性可分为结构数据 行为数据 地图数据和车联网 ( 远程通讯 ) 数据 前两者来源于汽车存储器的数据库, 通过不断学习积累形成, 这也是现阶段 ADAS 系统厂商的主要技术差距所在 后两者来源由第三方提供 车联网的广泛渗透是无人驾驶阶段必不可少的外界环境 结构数据和行为数据 (30 项 ): 包含数据的获取 存储 调用及更新 以上数据来源于无人驾驶存储系统本身的数据库, 结构模型指设计物体形状 特征的数据, 行为模型包含动作行为 谷歌无人驾驶汽车通过 10 年的路况侦察 百万英里数据积累整理形成了自身数据库, 相当于驾龄 80 年司机的路况处理能力 地图数据 (19 项 ): 精确 详细的基础地图对于无人驾驶十分重要 地图数据提供可外包 可自建, 但一般自建成本较为高昂 十年前,Google 收购 Where2 和 Keyhole 地图数据厂商, 开始 Google 的地图搭建, 在数据积累方面拥有绝对优势 敬请阅读末页的重要说明 Page 16

17 同时, 通过车顶载有激光雷达的街景车绘制实时 3D 地图, 对基础地图进行补充 车联网 (7 项 ): 在无人驾驶正常运行中担当着至关重要的作用 通过 V2V V2X 同周边车辆 云端进行数据传输和分享, 避免车辆发生碰撞事故, 提高无人驾驶车辆的精度和安全性能 3) 传感器是无人驾驶的基础硬件, 是感知环境的载体 谷歌无人驾驶传感器包括激光雷达 摄像头 毫米雷达 超声波及惯性测量单元 专利研发则主要针对激光雷达, 激光雷达测量误差在毫米级, 可以精确测距 测量物体的边界 区分物体的物理状态 ( 固体和非固体 ) 进行车身环境 3D 绘测 通过形成点云数据 分析目标物体的运动轨迹 图 21: 激光雷达扫描效果, 左为原图, 右为点云数据结果 资料来源 :Google 专利, 招商证券 4) 人机交互经历两阶段 初期通过 HMI( 指示灯 照明设备 ) 方向盘压力传感器辅助 乘客和无人驾驶车辆进行有效的信息传递, 后期旨在提供给乘客更好的驾驶体验, 根据 车辆行驶状态通过中控屏幕提供给乘客不同的行驶信息 2) 时间维度 : 研发三阶段, 初期以目标物体识别为主 Google 无人驾驶专利的申请时间横跨四年, 从 2010 年 Q2 到 2014 年 Q4, 呈现明显的三阶段差异性特征 第一阶段 : 目标物体的识别和数据积累 ; 第二阶段 : 路径规划算法完善, 通过传感器融合算法提升置信度 ; 第三阶段 : 综合路况处理能力的提升 敬请阅读末页的重要说明 Page 17

18 图 22: 时间维度 Google 专利图 7 6 物体识别和数据生成 路径规划和置信度提升 综合路况处理能力 Q2 2010Q4 2011Q2 2011Q3 2011Q4 2012Q1 2012Q2 2012Q3 2012Q4 2013Q1 2013Q2 2013Q3 2013Q4 2014Q1 2014Q2 2014Q3 2014Q4 雷达 摄像头 传感器融合算法 机器视觉 ( 将摄像头数据分类计算 ) 路径导航算法 障碍避免 ( 预警 ) HMI 地图 无线 车联网 行为模型 结构模型 资料来源 :Google 专利, 招商证券 1) 第一阶段 (2010Q2-2011Q4): 目标物体识别 数据生成和简单的人机交互该阶段专利申请占专利总量 16%, 主要为目标物体识别 数据生成和简单人机交互 目标物体识别 : 视觉算法和传感器融合算法结合 具体分为, 图像分离 处理和特征识别 ( 根据谷歌的开源 Tensorflow 人工智能算法包 ) HMI 人机交互 : 初期侧重于通过双方有效的信息反馈, 保障无人驾驶状态启动 关闭 就绪和具体行驶方案信息的准确性, 保障人的第一决策权 乘客对车辆的信息反馈以及车辆对乘客和车辆外部行人的信息反馈 一方面, 乘客通过智能无线终端 方向盘压力传感器 中控大屏压力传感器 车辆二维码 无线信号传输等方式将启动 关闭无人驾驶状态的信息传递给车辆 ( 例如, 通过驾驶员施加在方向盘上的压力差异判断是否进入无人驾驶状态, 一旦乘客的手离开方向盘, 则自动进入无人驾驶状态 ) 另一方面, 车辆通过车内指示灯 照明灯光系统 中控屏幕和扬声器表征车辆是否就绪 是否进入无人驾驶模式, 显示无人驾驶过程中的行驶路线和行驶状态等 当探测到车外有行人路过时, 无人驾驶汽车会通过声光信号提醒外部行人路径规划算法的驾驶意图 敬请阅读末页的重要说明 Page 18

19 图 23:Google 人机交互端示意图 资料来源 :Google 专利, 招商证券 地图数据生成 : 详细的基础地图数据通激光雷达扫描形成的高度地图数据相结合 Google 的地图数据基于两个部分, 一部分来源于高精度的基础地图信息, 包括无人驾驶的提示信息 道路的边界 十字路口的交通信号灯等 另一部分来源于车辆行驶过程中激光雷达扫描周边车况环境, 通过点云生成三维高度实时路况信息, 和原有的基础地图信息比对分析, 生成详细的路况地图, 供无人驾驶汽车行驶使用 2) 第二阶段 (2012Q1-2013Q3): 路径规划和决策置信度提升此阶段是专利公开密集期, 也是核心专利诞生期 主要集中于 HA/FA 阶段的两大关键技术 : 基于地图数据 行为模型的路径规划算法 + 基于传感器融合的置信度提升过程 基于地图数据 行为模型的路径规划算法 HA/FA 阶段自动驾驶同 PA 阶段辅助驾驶的根本区别在于车辆是否进行主动判断和决策, 路径规划即是主动决策的集中体现 基于数据累积的路径规划算法, 包括 : 最优路径制定 特殊情况下第二路径的选取 微观实时路径 ( 车道 ) 的最优化 传感器置信度 决策置信度的提升 汽车不同于一般的电子产品, 功能性和安全性是无人驾驶的首要条件 专利研发中通过以下三个途径提升置信度 : 1 保障数据库及时更新和优化 确保参考标准的实时性 准确性 2 实现数据的冗余判定 目标物体识别至少采取两种及以上传感器感知方式 3 出现异常情况的正确处理 识别物体时, 通过和高精度地图信息比对差异较大时, 改变原有路线 敬请阅读末页的重要说明 Page 19

20 行业研究 3) 第三阶段 (2013Q3- 至今 ): 综合处理能力, 提供更佳乘坐体验经过一 二阶段的技术保障, 在硬件 算法 数据层面形成技术积累, 第三阶段侧重于无人驾驶对于广域范围的交互 : 注重人机交互的反馈 车联网技术的发展, 提供给乘客更好的驾乘体验 更好的人机交互体验和流畅的 HMI 沟通 基于对物体的分类识别, 访问数据库信息, 呈现在显示屏上, 以使乘客更好的了解当下环境 根据车速显示不同比例尺地图, 高速显示小地图, 低速时显示大地图 ; 通过检测乘客位置, 在适当距离自动打开离乘客最近车门等等 涉及到基于硬件层的一系列 HMI 应用 智能汽车联网的应用 更加关注环境中车辆的行驶状态 当车辆识别到周围的车辆违反交通规则并对无人驾驶车辆行驶造成风险时, 基于目标车辆状态调整行驶策略 通过确定前后方多辆车的车速来判断无人驾驶车辆的跟车车速, 以便留有足够时间和距离应对突发情况 在自动驾驶车辆之间形成通讯网络, 用于车况信息共享 更加关注车联网的应用 当遇到特殊情况, 车辆无法做出决策时, 通过通讯设备求助远程控制中心 寻求通过车联网的形式获得交通信号输入的可能性 谷歌的技术研发经历三阶段的重心转换, 从传感器到数据再到人机界面, 算法贯穿全程, 是其无人驾驶技术中的核心环节 3 丰田 : 辅助驾驶为主, 注重产业化 研发始于 1984 年, 辅助驾驶为主 丰田 1984 年第一项辅助驾驶专利为通过传感器判断行车距离进行故障诊断 2005 年开始正式进入辅助驾驶研究,2005 至 2008 年专注于 ACC( 自适应巡航 ) 等 ADAS 功能模块功能开发,2009 年后开始集中于目标物体识别 障碍避免和路径规划 综合而言, 丰田更偏重于辅助驾驶阶段功能模块的研发 图 24: 丰田无人驾驶专利统计 丰田专利数 资料来源 : 丰田专利, 招商证券 敬请阅读末页的重要说明 Page 20

21 研发与量产结合, 旗下车型 ADAS 渗透率较高 和谷歌专注于全过程研发不同, 丰田的研发更加侧重于谷歌的第一阶段 : 基于目标物体识别的辅助驾驶 丰田更看重研发成果的产业化转换 其产品中 ACC AHB AEB 等 ADAS 核心功能的装载率较高 表 3: 丰田旗下各车型辅助驾驶功能模块 ADAS 装载率 车型 配备 ADAS 功能 丰田 Corolla AHB 丰田 Auris AHB 丰田 Prius AEB ACC 丰田 Voxy/Noah AHB 丰田 Estima AEB ACC LKA 丰田 Alphard AEB ACC AHB 丰田 Vellfire AEB ACC AHB 丰田 Harrier AEB ACC LDW AHB 丰田 Land Cruiser AEB ACC 丰田 Camry AEB ACC LDW AHB 丰田 Crown AEB ACC AHB 丰田 Majesta AEB ACC AHB 丰田 Lexus CT AEB ACC 丰田 Lexus RX AEB ACC 丰田 Lexus NX/IS AEB ACC LDW AHB 丰田 Lexus GS AEB ACC AHB LKA 丰田 Lexus LS AEB ACC AHB LKA 资料来源 : 招商证券整理 目前主流汽车厂商的研发重心在于半自动驾驶, 随着阶段升级, 算法的作用更为突出 在研发的后期, 可以看出丰田的重心由目标物体识别转为路径规划算法的研发应用, 目 前辅助驾驶研发已趋成熟, 半自动驾驶是主流传统厂商的关注焦点 未来, 随着研发链 条的升级, 算法的占比会不断提升 敬请阅读末页的重要说明 Page 21

22 4 识别和融合算法 : 智能驾驶技术核心 1) 目标物体识别算法 : 精度和响应度关乎生命 智能驾驶的决策执行依赖于对目标物体识别的精准判断, 因而目标物体识别功能也是最早开始研发的部分 精度 响应度提升是现阶段技术关键 目标物体识别的难点 目标物体差异化 无人驾驶需要依赖算法来识别道路上的各种差异化目标 道路情况十分复杂, 面对的物体多种多样 即使同一类物体, 也存在外形 尺寸差异 同时, 路面上的物体也可能以组合形式出现 以行人为例, 行人有不同的静态和动态差异, 静态包括行人的外形 服装 高矮胖瘦 体貌特征差异, 动态差异指行人的运动状态, 可能奔跑 行走或者静止 这就要求识别算法拥有极高的辨识度, 能够区分路面上各个不同的物体, 精准判断 环境和路况差异化 实际道路行驶中, 会碰到不同环境和路况, 这就要求识别算法普适所有工况 例如 : 极端的天气情况 ( 大雨 大雪 闪电 雾霾等 ) 不同的光照 不同的路况 在动态场景中进行识别 周围的场景中的运动物体 而从不同的视角看过去, 不同的物体的坐标变化模式 姿态变化模式都会不同, 给识别进一步增加了难度 图 25: 不同路况目标物体的差异化识别 资料来源 : 网络图片, 招商证券 物体识别分类对于速度和精度要求极高 物体的识别和分类是实时的, 且结果的置信度要足够高 由于无人驾驶需要实时做出驾驶决策, 而物体识别仅仅是其中一环, 在做出判断前, 需要给算法处理 决策效应到执行器留有足够时间, 因此留给物体分类和识别器的时间很短, 实时性要求非常高 另一方面, 汽车驾驶关系到乘客的生命安全, 在此情况下, 物体识别必须将误报 错判的概率和可能性降低到极低范围 一旦发生误判, 系统执行错误的指令, 则结果将是致命的 敬请阅读末页的重要说明 Page 22

23 物体识别算法的一般路径物体识别算法通常分为六个步骤 : 前处理 前景分离 物体分类 结果改进 物体追踪 应用层面处理 前五个部分是算法的核心, 第六部分则通常指后续的物体行为预测 路径规划 导航和防碰撞算法等 图 26: 目标物体识别算法 资料来源 : 招商证券 Step1, 前处理此部分为最底层的机器视觉算法, 通常包含摄像头曝光 增益控制 摄像头标定校准等步骤 由于路况复杂多变而实时性要求很高 ( 例如当车辆快速驶入驶离隧道时, 周围的光照变化剧烈, 需要迅速做出调整 ) 无人驾驶中对前处理算法的要求极高 前处理算法需要保证输入到后续步骤的图像质量 图像质量会直接影响后续分类算法性能 尽管传统的机器视觉增强算法能够部分解决这一问题, 但是使用高动态范围 (HDR) 的视觉传感器和配套算法将是未来的主要趋势 高动态范围传感器可以通过多次曝光运算增强图片对比度, 照亮 场景 汽车上使用的 HDR 摄像头通常还会将近红外夜视波段也涵盖进去, 实现夜视功能 传感器自身的在线标定也在这一部分完成 由于传感器始终处于运动状态中, 因此实时确认传感器自身的姿态尤为重要 单目摄像头往往通过跟踪不同图像帧之间的差别来确认自身姿态, 而双目摄像头则使用额外的景深信息来实现这一功能 前者的可靠性较差, 而后者则需要更多的计算资源 Step2, 前景切分前景切分的目的是尽可能过滤与待识别物体无关的背景信息 ( 例如天空 ), 并且将图像切分为适宜大小 一个好的前景切分算法可能将原先的 200k-1000k 个待识别区域缩小到 20k-40k, 大大减轻后续处理负担 主流算法有基于仿生原理的注意力算法等, 但是这些算法往往需要依赖于预先收集的数据, 这些数据规定了不同场景下的可能的背景区间信息 另外, 额外的传感器输入 ( 包括定位系统 双目摄像头或雷达提供的景深信息等 ) 可以进一步加快前景切分 一旦有了这些额外的信息, 前景切分算法对图像区域是否处于前景 ( 待识别 ) 的判断确信度会大幅提升, 大量背景区间将会被去除, 大幅减少输入到物体识别器中的待识别区域, 提高识别的速度和准确性 敬请阅读末页的重要说明 Page 23

24 图 27: 视觉识别过程中的前处理和前景分离 资料来源 : 招商证券 Step3, 物体识别 将上一步骤生成的大量待识别区间归类为数百种已知的可能在道路上出现的物体, 并且尽量减少误判 基本上所有的物体识别算法都是以二维图像作为输入的 这种输入分为两种, 一种是将待识别区域图像中的边缘提取出来, 将边缘信息输入分类器 ( 可以辅以激光雷达以获得更高精度 ); 另一种则是直接将图像的外观输入到分类器 ( 通过摄像头实现 ) 前者在性能上基本已经到了极限, 而后者则是目前研发的主要方向 具体到算法, 主流的特征提取方法包括梯度方向直方图法 (HOG) 和形状上下文描述符法 (SCT), 提取特征后进入分类程序 主流的 AI 分类学习算法包括支持向量机 (SVM) 迭代分类算法 (AdaBoost) 和神经网络 (NN) Step4, 验证与结果改进这一步骤使用与分类方法不同的判据来验证分类的结果可靠性, 并提取被归类为特定物体的待识别区间中更加详细的信息 ( 例如交通标志 ) 由于雷达 激光雷达等非视觉传感器往往能够满足 冗余传感信息来源 这一要求, 因此在实际算法中, 这一部分也将应用大量的传感器融合 图 28: 视觉算法中的物体识别过程 资料来源 : 网络图片, 招商证券 敬请阅读末页的重要说明 Page 24

25 漏检率 行业研究 Step5, 物体跟踪这一步骤的目的有二 除了为应用层提供物体轨迹外, 还能为前景切分 物体分类提供输入 ( 告诉前景切分之前这个地方出现过什么 ) 目前最为常用的算法是卡尔曼滤波算法 ( 用来跟踪 预测物体轨迹, 根据过去空间位置预测未来位置 ) 在物体跟踪环节同样涉及较多的传感器融合算法, 通过视觉数据预测轨迹, 同时同雷达的物体跟踪数据进行耦合 物体识别技术的核心难点 : 精度和响应速度之间的最优选择 精度是视觉算法的核心, 近年来视觉识别算法精度不断提高 视觉识别算法的精度由误检率和漏检率共同决定 物体识别本身的复杂性决定了这一功能必须以视觉为核心 纵观过去十多年, 视觉物体识别的精度有了长足的发展 以美国加州理工学院进行的一项行人识别的算法调查为例, 当误判率为每张图 0.1 个行人时, 纯视觉算法的漏检率已由 2004 年最早的 95% 降低到了最近几年的 50% 附近 因此我们有理由相信在无人驾驶真正商用时, 即使是纯视觉算法也能达到很高的物体识别精确度, 而若加以传感器融合 ( 在相同误判率下约能降低 10% 的漏检率 ) 和强大的车联网实时数据, 无人驾驶阶段的精度要求将得以满足 图 29: 当误检率 =0.1 行人 / 图时, 漏检率逐年降低 图 30: 误检率和漏检率的反向变动关系 100% 90% 80% 70% 60% 50% 40% 资料来源 :California Institute of Technology, 招商证券 资料来源 :California Institute of Technology, 招商证券 综合而言, 视觉识别算法精度提升有以下几种途径 : 1 视觉算法本身的优化 在前处理和前景分离阶段提取明确目标值, 分类和学习系统的算法不断优化 这需要技术研发的不断投入, 产生极高的进入壁垒, 目前国内从事视觉算法研究的公司只有少数几家, 因而也构成了标的稀缺性 2 通过传感融合算法冗余信息判断, 提高精度 视觉识别以摄像头数据为主, 同时辅以雷达 激光雷达的边界 距离信息 数据显示, 在相同误判率下雷达的决策辅助能降低约 10% 的漏检率 3 利用车联网 地图数据的辅助决策 无人驾驶的商用与车联网应用密不可分, 通过 V2X 实时数据传输, 协助车辆判断物体信息, 同时通过 GPS 高精度定位和地图数据相结合, 辅助物体的分类识别 敬请阅读末页的重要说明 Page 25

26 另外一个值得关注的问题是各种算法的处理速度 为了保证在高速行驶状态下的可靠性, 物体识别的图像输入速率往往达到了 60~90fps( 比一般摄像头帧数高 3-4 倍 ) 即使前景分离步骤每张图仅产生 20,000 个待识别区域, 流入硬件的待识别区间也达到了每秒 1200,000 个 目前算法在一台普通计算机下运行速度如下图所示 图 31 现有算法在精度和运算速度之间的对应关系 资料来源 :California Institute of Technology, 招商证券 面对如此大的计算量, 通常情况会有如下几种解决方法 : 第一, 算法上做出妥协 不使用过于复杂的算法, 这意味着精度上要做出妥协 第二, 优化算法架构, 在算法上取得突破, 分类器的性能往往是主流算法瓶颈, 通过加强在前处理和前景分离过程中的数据筛选能力减少传输给分类环节的数据量 第三, 更加强大的运算芯片 第四, 定制专门的计算单元来处理物体识别计算 (Mobileye 与意法半导体合作使用的方法 ) 需要较高的研发投入 CPU 用来处理日常的运算 排序 组合,GPU 用来处理图像 着色 点距等信息,DSP 应用于处理时间序列信号 三者结合的定制芯片更为实用 图 32:2016 CES 展 NVIDIA 发布汽车用平台 PX2 图 33:PX2 具体性能一览 资料来源 :2016 CES 展, 招商证券 资料来源 :2016 CES 展, 招商证券 敬请阅读末页的重要说明 Page 26

27 2) 传感器融合算法 : 多传感器互补提升精度 传感器融合算法是提升视觉融合算法精度的重要途径 主流传感器包括 : 双目摄像头 毫米波雷达和红外激光雷达中的一个或多个 双目摄像头 : 额外景深及视角信息 额外景深信息往往用于前景切分步骤, 用来确定区域距离进而判断是否剥离 我们认为在前景切分上双目摄像头将是主流 而另一个视角的图像在结果验证步骤中非常关键, 可以帮助算法识别那些因为光照角度等原因而漏判的物体 双目摄像头的局限在于存在视觉盲区, 同时额外增加至少一倍视觉计算量, 且判断物体距离有限 由于可见光和近红外光的波段限制, 它不能在恶劣天气等情况下有更佳表现 毫米波雷达 : 远距 + 恶劣天气适应力 随着毫米波雷达技术进步, 角度分辨率也逐渐提升, 如今已能够基本满足视觉算法上区域测距需求, 因此能够弥补双目摄像头在较远距离判断上的劣势 毫米波雷达主要优势在于前景切分和目标跟踪, 在结果改进步骤也有应用 毫米波雷达的最大优势是在雨雪等恶劣天气下仍有较好表现 其局限性表现在精度方面只停留在分米级 激光雷达 : 精确提供点距离信息 物体轮廓线 除包含毫米波雷达前景切分和跟踪增强功能外, 可绘制周围环境的实时 3D 地图, 为视觉分类步骤提供额外的物体轮廓线信息, 进一步提升分类精度 但由于激光雷达成本过高, 同时在雨雪天气表现不佳 ( 需要额外滤波 ), 短时间内难以普及 表 4: 传感器之间的性能差异对比单目摄像头 双目摄像头 短程雷达 远程雷达 激光雷达 测量距离 <2m - ++ O O O 测量距离 2-30m - O 测量距离 m O O N.A 测量角度 < 测量角度 > O - - 具有角度分辨率 ++ + O O O 直接速度测量 雨天测量 O O 雾雪天测量 探头污染后测量 : 非常适合, +: 适合, O: 可行, -: 很难, --: 不可行, N.A.: 不适用 资料来源 :SiemensVDO, 招商证券整理 图 34: 毫米波雷达 图 35: 激光雷达 资料来源 :Google 图片, 招商证券 资料来源 :Google 图片, 招商证券 敬请阅读末页的重要说明 Page 27

28 三 ADAS: 点石成金, 现阶段最具潜力领域 1 政策兜底, 开启 泛智能化 千亿级市场 国内将智能汽车的发展阶段分为 DA\PA\HA\FA 四阶段, 国际智能汽车的阶段划分以美国高速公路管理局的划分 L0-L4 为主 目前只能汽车发展阶段处于 DA\PA 或是 L1\L2 阶段 图 36: 智能汽车发展的五阶段 NCAP/NHTSA L0: 无智能化 L1: 辅助驾驶 L2: 半自动驾驶 LDWS TLR NV DDD FCWS BLIS ALC 车道偏离警告 交通信号灯识别 夜视系统 驾驶员疲劳探测 正面碰撞警告 盲点探测 自适应灯光控制 TMC ISA AVM TPMS HUD 实时交通系统 电子警察系统 全景驾驶辅助 胎压监测 ABS AP AEB ELA ESP EBD 防抱死系统 自动泊车系统 紧急自动刹车 紧急车道辅助 车身稳定系统 电子制动力分配 抬头显示 电子差速锁止 BAS TCS/ASR LDWS 制动辅助系统 全自动泊车系统 智能车速辅助 后向驾驶辅助 牵引力控制系统 VCS ACC LCA CAS EVW PPS 车联网 自适应巡航 HDC 下坡控制系统 驾驶员直接操控底层结构 车道保持与跟踪 预碰撞系统 电动汽车报警 行人保护系统 车道辅助转向 转向及穿行辅助 L3: 高度自动驾驶 ( 特定环境下自动驾驶 ) L4: 全工况无人驾驶 编队行驶 主动避碰 资料来源 :NCAP, 招商证券整理 主动超车 变道 车辆交汇 汇入 / 离开车流 全局 / 局部路径规划 全路况 全天候 无人介入驾驶 敬请阅读末页的重要说明 Page 28

29 1)ADAS 效果显著, 政策兜底倒逼市场渗透率提升 ADAS 辅助驾驶系统具有较强的正外部性 具体表现为如下几个方面 : 大幅减少交通事故发生率和死亡率 驾驶过程中 90% 的失误是由于驾驶员的误操作导致,ADAS 系统可显著减少驾驶员误操作概率 根据 e-impact 对于安装 ADAS 系统后减少交通事故死亡率的估测, 当 ESC 渗透率达到 100% 时, 可减少 30% 事故死亡率,LKA( 车道保持辅助 ) 可减少 18% 图 37:ADAS 各项功能对于降低交通事故死亡率具有重要意义 35% 30% 25% 20% 15% 10% 5% 0% ESC ACC EBA FCW LCA LKA NV DDM ECA TSR WLD SPE 2020 年预计减少的交通事故死亡率 100% 渗透时减少的死亡率 资料来源 : 招商证券整理 提升城市运行效率, 减少拥堵 交通拥堵一方面受限于现有道路系统的车辆吐纳容 量, 另一方面则是由于驾驶员差异化的驾驶习惯导致 车速 变换车道 起停控制 的行动方式有所差异, 智能驾驶系统能够效减少城市拥堵, 城市运行效率提升 80% 减少燃油消耗 数据显示,stop & go 自动启停控制 (ACC 的一部分 ) 可有效降低 油耗总量的 10-15% 城市交通网络系统可大幅提高燃油经济性能的 30%-40% 基于巨大正外部性, 各国政府已经陆续通过法规形式对 ADAS 各功能模块推广进行选 择强制装配 各国政策法规的焦点集中在确保安全驾驶的基本功能 :ESC AEB 和 TPMS 2) 欧美日 ADAS 成为标配, 自主品牌仍是蓝海 欧系 日系 美系汽车 ADAS 装配率最高, 主要集中于中高端车型 ACC LDW BLIS PA 是最基本功能 AEB 在欧 日为渗透率最高功能, 在美由于并无相应法规强制规定, 因此依旧停留在碰撞预警 (FCW) 阶段 敬请阅读末页的重要说明 Page 29

30 欧系车型 :ADAS 功能最为丰富, 发展最为成熟 欧系车辆以 ABB 为典型代表, 装配有自动紧急刹车 (AEB) 车道偏离预警(LDW) 自动远光灯(AHB) 碰撞预警(FCW) 自适应巡航 (ACC) 盲点辅助(BLIS) 堵车辅助 驾驶员注意力检测 夜视辅助(NV) 交通标志识别 (TSR) 停车辅助(PA) 全景影像共计 12 个 ADAS 功能 奥迪 A4 A6 Q7, 宝马 3 系 5 系 7 系 X6, 奔驰 C 级 E 级 S 级均实现 8 项以上 ADAS 功能 图 38: 欧系车型 ADAS 功能最为丰富, 已为中档车标配 沃尔沃 XC90 菲亚特 500X 菲亚特 Panda Cross PSADS3 奥迪 Q3 奥迪 A4 奥迪 A6 奥迪 Q7 奥迪 A8 宝马 X1 宝马 3 Series 宝马 5 Series 宝马 X6 宝马 7 Series 戴姆勒 GLA-Class 戴姆勒 C-Class 戴姆勒 E-Class 戴姆勒 GLE Coupe 戴姆勒 S-Class AEB LDW FAW ACC BLIS NV TSR PA AHB 驾驶员注意力检测堵车辅助全景影像 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 30

31 日系紧随其后, 本田系功能最为丰富, 丰田系覆盖车型最为全面 日系以丰田 本田 马自达 日产四大品牌为代表, 覆盖自动紧急刹车 (AEB) 车道偏离预警(LDW) 自动远光灯 (AHB) 自适应巡航(ACC) 行人防碰撞 盲点辅助(BLIS) 交通标志识别(TSR) 驾驶员状态识别 车道保持系统 (LKA) 共九个功能模块 其中本田系功能最为丰富, 丰田系覆盖车型最为全面 图 39: 日系车型 ADAS 覆盖率最高, 已为标配 日产 Dayz 日产 Note 日产 Serena 日产 X-TRAIL 日产 Teana 日产 Skyline 日产 FUGA 本田 N Series 本田 Grace 本田 Fit/Vezel 本田 Accord 本田 JADE 本田 Odyssey 本田 Legend 马自达 Demio 马自达 Axela 马自达 CX-3 马自达 CX-5 马自达 Atenza 丰田 Lexus LS 丰田 Lexus GS 丰田 Lexus NX/IS 丰田 Lexus RX 丰田 Lexus CT 丰田 Majesta 丰田 Crown 丰田 Camry 丰田 Land Cruiser 丰田 Harrier 丰田 Vellfire 丰田 Alphard 丰田 Estima 丰田 Voxy/Noah 丰田 Prius 丰田 Auris 丰田 Corolla AEB ACC LDW AHB 行人防碰撞系统 LKA BLIS 驾驶员状态识别 TSR 资料来源 : 招商证券整理 美系同欧日相比覆盖率稍低, 功能模块在 5-6 个居多 美系以通用 福特 克莱斯勒为 主, 覆盖碰撞预警 (FCW) 车道偏离预警 (LDW) 车道保持系统 (LKA) 自动远光灯 (AHB) 自适应巡航 (ACC) 盲点辅助 (BLIS) 停车辅助 (PA) 全景影像系统共八个模块 敬请阅读末页的重要说明 Page 31

32 图 40: 美系车型覆盖率适中, 功能以 FCW\LDW\ACC 为主 克莱斯勒 200 克莱斯勒 Jeep renegade 福特 Lincoln 福特 Mustang 福特 F-150 通用 Cadillac CTS 通用 Chevrolet SS 通用 Cadillac ELR 通用 Cadillac Escalade FCW LDW LKA BLIS ACC PA AHB 全景影像系统 资料来源 : 招商证券整理 合资中高端品牌 ADAS 覆盖率较高, 自主品牌仍是蓝海 合资品牌中, 高端主流车型覆盖率覆盖率较高 国内尚未有明确法规对 ADAS 功能模块进行规范, 因而同欧系 日系相比, 合资品牌车系 ADAS 功能相对简单, 以自适应巡航 (ACC) 盲点监测(BLIS) LDW( 车道偏离预警 ) 全景影像为主 自主品牌仍是蓝海, 极少数车型实现 ADAS 主要功能装配 自主品牌 ADAS 覆盖率极低, 且以基础的全景影像为主 广汽传祺 红旗 H7 吉利博瑞和即将面世的比亚迪 汉 是少数搭载 ADAS 核心功能的自主车型 综合来看, 自主品牌市场仍有较大空间 图 41: 自主品牌 ADAS 适配车型一览, 仍是蓝海 比亚迪唐比亚迪速锐比亚迪秦比亚迪 S7 比亚迪 M6 比亚迪 G5 比亚迪思锐比亚迪 ( 预计 ) 汉华泰 B11 众泰众泰 T600 奇瑞瑞虎 5 奇瑞艾瑞泽 7 吉利博瑞红旗红旗 H7 海马郑州广汽吉奥星朗广汽传祺 GS5 速博广汽传祺 GA ACC BLIS LDW AEB NV PA 全景影像 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 32

33 图 42: 合资品牌 ADAS 渗透率较高 上海大众斯柯达速派 上海大众途安郑州日产帕拉丁 长安马自达马自达 CX-5 长安福特锐界 长安福特福克斯长安标志雪铁龙 DS6 一汽丰田普拉多一汽大众奥迪 Q5 一汽大众奥迪 A6L 一汽大众大众 CC 上汽通用雪佛兰迈锐宝上汽通用别克威朗 上汽通用别克君威华泰圣达菲 华晨宝马宝马 3 系广汽丰田汉兰达 广汽本田奥德赛东风裕隆优 6 SUV 东风裕隆 MASTER CEO 东风日产逍客东风日产奇骏东风风行景逸 X5 东风标致 408 东风本田思铂睿北汽绅宝 X65 北汽绅宝 D70 北京现代索纳塔九 北京奔驰 GLA-class 北京奔驰 C-class ACC BLIS LDW AEB NV PA 全景影像 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 33

34 综上, 我们得出结论 : 各地区 ADAS 成熟度有所差异, 但整体已成为中高端车型标配 从装配成熟度来看, 欧系 > 日系 > 美系 > 合资品牌 > 自主品牌, 但除自主品牌外,ADAS 核心功能 ACC LDW LKA PA BLIS 等已成为中高端车型标配, 未来有进一步扩大趋势 法规推进和 ADAS 装配率直接正相关, 中国 15 年将 ESC 加入评分项值得重视 在欧洲 日本市场,AEB 是法规强制要求安装的 ADAS 功能模块, 因而其成为主流车型标配 ; 而在并无明确规定的美国市场, 极少有车型搭载 AEB 功能, 大都停留在 FCW 碰撞预警阶段 自主车型存在一定滞后期, 未来渗透率有望大幅提高 目前而言, 搭载 ADAS 系统高级模块对于自主品牌尚存在性价比阻力, 但随着比亚迪汉 吉利博瑞 广汽传祺等标杆车型装载 ADAS 系统, 基础功能模块在自主品牌市场有望进一步激发 3)2020 年 ADAS 市场空间 700 亿, 泛智能驾驶市场空间超 2000 亿 2020 年, 国内辅助驾驶市场空间达 700 亿,CAGR 超 35% 在中国制造 2025 中, 国家战略咨询委员会对 2020 年辅助驾驶阶段渗透率保守估计达到 50%( 事实应超过 50%), 结合 Mobileye 一套 ADAS 预警系统的报价和未来五年的整车增速, 预计 2020 年辅助驾驶市场空间可达 700 亿 图 43:ADAS2020 年市场空间 650 亿 CAGR=35% 市场空间 ( 亿元 ) 资料来源 : 招商证券 辅助驾驶作为智能驾驶的基础功能, 其所激发的泛智能化驾驶市场空间超 2000 亿 辅助驾驶作为通向无人驾驶的必由之路, 其在产业链中充当基础核心环节, 具备向各层级软硬件 电子 通讯 机械的辐射效应 结合 35% 的增速预测, 预计至 2020 年泛智能化市场空间超 2000 亿 敬请阅读末页的重要说明 Page 34

35 2 前后装之争 : 后装局限, 得前装者得天下 现阶段前后装市场比例大于 4:1, 后装产品应用仅限于预警层面 目前主动安全系统仍集中于前装市场, 在智能驾驶前十位一级供应商中, 只有三家同时涉及前后装市场业务 以 Mobileye 为例, 其 2013 年的营收中, 有 78% 来源于 OEM 市场, 仅 22% 来源于后装市场 后装市场主要体现在商用车的应用 保险公司 车队等 后装市场由于未获得主机厂商的通讯协议许可, 无法切入到 ADAS 核心的执行层面, 因而功能更多局限于预警领域 图 44:Mobileye OEM 和 AM 市场比重 图 45: 载有 FCW\LDW\PCW 的 Mobileye560 22% OEM AM 78% 资料来源 :Mobileye 招股说明书, 招商证券 资料来源 : 公司官网, 招商证券 后装受限, 行业重心还在前装 辅助驾驶是通向无人驾驶的必经阶段, 无人驾驶的最终目标解放驾驶者双手, 通过机器独立完成感知 识别 决策的一系列过程, 最终实现高度自动驾驶 因此 控制 是智能驾驶的核心环节 即使是初级的 ACC AEB LKA 等功能实现也是要通过专项系统 刹车系统 显示系统的共同配合 我们认为, 未来辅助驾驶重心在于介入主机厂同步开发 介入 CAN 总线, 以实现和其他驾驶功能的协同融合 随着 ADAS 搭载率的提升, 前装市场无论是从利润率还是装配量上都是蓝海 自主科技公司目前仍处于后装预警阶段, 性价比 精度和响应速度是此能否介入前装市场阶段的重要标准 根据我们对于国内 ADAS 辅助驾驶标的公司的产业调研, 现阶段国内公司的 ADAS 产品仍以 FCW LDW PCW 等预警功能为主 主要配备商用车及乘用车的后装市场, 产品价格多在 元区间 现阶段, 由于前装市场还未启动, 单一辅助驾驶功能在后装市场比较容易切入 但是随着前装技术成熟, 成本下降以及政策刺激的介入, 努力切入前装市场将成为各科技公司攻城略地的关键 我们看好具备先发优势 未来有实力整合供应链资源, 通过整车厂安全认证切入前装市场的标的公司 3 技术路径之争 : 摄像头 + 毫米波雷达 搭配是主流 辅助驾驶阶段有两大技术流派 : 一种以纯视觉算法为主, 以色列科技公司 Mobileye 占 据 ADAS 视觉解决方案 80% 以上市场, 通过 单目摄像头 + 强大算法芯片 进行目标物体 敬请阅读末页的重要说明 Page 35

36 识别, 现已供货特斯拉前装市场并进入尼桑 大众前装配套体系 另一种以 摄像头 + 毫米波雷达 为主 摄像头用来识别物体的形状, 毫米波雷达用来测量距离及补充摄像头的功能盲区 ( 例如雨天的物体信息探测 动物体的识别 凹凸路面的检测 道路和墙面的分界区域探测等 ), 这也是目前前装 ADAS 的主流解决方案, 绝大部分 Tire-1 供应商和绝大多数车型均会使用此方式 两相对比, 前者成本较低, 算法数据是核心价值, 但精度有限 后者多传感器形式精度得到保障, 但成本较高, 且雷达模块体积较大, 需要与整车厂进行同步进行嵌入式开发 表 5:ADAS 主要功能模块传感器的配合使用情况 立体双 单目摄 毫米波 激光雷 超声波 红外线 系统名称 目摄像头 像头 雷达 达 传感器 FCW\AEB 碰撞预警及紧急制动系统 PCW 行人检测系统 LDW/LKA 车道检测与警报 / 保持控制 PA 停车辅助 现状与未来动向 EyeSight 今后将继续保持只有立体摄像头的系统结构 奔驰技术研发 ; 雷克萨斯配套 Mobileye 对实现单摄像头的系统拥有自信, 今后作为普及版系统预计将为多家厂商配套 目前主流, 同单目摄像头相比, 具有更高性能, 今后预计为高性能版本配套 随着视觉算法成熟渐趋减少 建立与其他目的摄像头系统共用的行人检测技术 资料来源 :Marklines, 招商证券整理 目前主流, 需要传感融合, 今后发展方向为仅用摄像头 改为红外线照明型, 增加日间用摄像头感光的方式确立与其他目的摄像头系统共用的行人检测技术今后作为低价品, 将增加使用后视摄像头车道检测方式 今后与超声波并用 预计将成为今后主流 同摄像头配套 表 6: 主要 Tire-1 厂商 ADAS 解决方案对比 单目摄像头 双目摄像头 雷达 激光雷达 供应厂商 Bosch BENZ BMW AUDI VW VOLVO Continental VW Daimler Ford Volvo GM Denso Toyota Honda Delphi GM Ford Renault Volvo Autolif GM Ford Nissan Kia VW Mobileye Tesla Nissan VM 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 36

37 1) 单纯视觉方案 : 应用场景受到局限 Mobileye 是视觉算法的代言人, 优势在数据和算法 以色列高科技公司 Mobileye 在视觉算法领域的市场份额占到 80% 以上 其长期的数据积累和算法优化是核心竞争优势 定制视觉处理 GPU 芯片 同 ST 意法半导体合作开发专门针对视觉算法的运载芯片, 具备 GPU( 处理图像信息 )+CPU( 处理数据算法信息 ) 处理能力 利用数据积累改良算法 建立配合摄像头开发的车辆行驶数据库, 不断改良优化算法 Mobileye 拥有最全面的地形和气候图像信息数据库, 通过解析, 抽出改良识别算法 通过大量道路信息积累的数据库是 Mobileye 的核心优势 单纯依靠单目摄像头实现 ADAS 阶段全功能是 Mobileye 的目标 图 46:Mobileye 数据积累和算法改良 资料来源 :Marklines, 招商证券 单目摄像头仍有诸多不足 : 识别范围 识别空间 应用场景的不断扩大是今后技术的方向 识别对象范围受限 目前可识别的范围包括前方车辆 行人 障碍物 光源 ( 前照灯 尾灯 ) 限速标志 暂时还不能依靠单摄像头识别的有动物 交通标志( 各种形状 ) 交通信号灯等 无法探测景深 通过单眼摄像头获得深度地图, 实现道路的凹凸检测 ( 检测出人行道台阶的变化 ) 远距及速度适应性不足 和毫米波雷达相比, 摄像头的距离测定不稳定 同时, ADAS 模块速度适应性远不及雷达 2) 摄像头 + 毫米波雷达 : 成本 精度 速度的均衡解决方案 辅助驾驶阶段摄像头 毫米波雷达 激光雷达是常用物体识别的传感器 对于 Mobileye 的预警功能而言, 纯视觉算法基本足够 但精度从预警到执行层就变得不足 汽车对于反向控制的容错率很低, 这就需要至少两种传感器信息进行冗余验证, 实现精度提升, 同时, 满足在极端天气下一种传感器功能受损时的备用方案 敬请阅读末页的重要说明 Page 37

38 摄像头 + 毫米波雷达 方案 : 成本 精度 速度之间的最优选择 摄像头 + 毫米波雷达 或是 摄像头 + 激光雷达 是在精度保证下可以选择的方式 激光雷达精度最高, 误差在厘米量级, 同时可以扫描物体轮廓线, 提供精确的速度 距离信息 3D 地图 但其数十万元的成本难以商用 因而, 摄像头 + 毫米波雷达 成为性价比选择 性价比优势明显 摄像头探知形状, 毫米波雷达测量距离和速度, 追踪物体轨迹, 优势互补 配合优化算法, 可以应对辅助驾驶的执行层需求 同时, 摄像头无法识别动物 凹凸路面, 无法在雨雪大雾天气使用, 毫米波雷达则应用场景受限制较少 Mobileye 将在 2017 年面世的 EyeQ4 产品将会配备 3 颗摄像头和车身周围的雷达和激光探测设备, 从而实现高速公路上的半自动驾驶 执行层应用中, 摄像头 + 多传感器渐趋主流 反向促进算法速度提升 优势互补 是辅助驾驶阶段最优的路径选择 一只毫米波雷达的造价在 30 美元左右, 性价比促使其即将成为主机厂的主流选择 同时, 摄像头和毫米波雷达的信息融合更有利于特征提取和前景分离过程, 实现算法速度提升 图 47:Mobileye EyeQ4 系统架构 资料来源 :Marklines, 招商证券 敬请阅读末页的重要说明 Page 38

39 4. 产业机遇 : 外延并购短平快, 切入前装现良机 时间积累 : 是智能驾驶领域的技术壁垒 智能驾驶作为技术密集型产业, 从研发 实验 修正到产业化过程漫长 Mobileye 自 2000 年开始研发车辆和行人识别系统, 经过 16 年的算法优化和数据积累才形成产品 Google 亦是经过近 10 年的算法数据改进才完成产品的初步研发 国内智能驾驶的技术发展滞后于欧 美 日等国家和地区, 但受益于外围技术带动, 开发投入较原始开发要少很多 外延式并购 : 国内零部件厂商切入智能驾驶领域捷径 我们认为, 国内智能驾驶产业有两个缺口 : 一 传统主机厂和零部件厂缺乏相关经验, 存在技术缺口, 但资金充裕 二 拥有核心技术的科技公司往往规模过小 难以支撑研发期高额费用投入, 但目前部分企业技术水平已经具备进入前装条件 资源互补的强烈需求决定了外延式并购将成为国内厂商介入智能驾驶行业的最佳方式 平台入口是投资着眼点, 介入前装是核心催化剂 整车厂直接切入全功能智能驾驶系统开发的可能性不大, 正如我们对谷歌的分析, 在执行层面的开发难度不亚于识别层面, 整车厂与技术方之间最佳的桥接平台就是大量继续转型的配件公司, 例如刹车系统 动力或传统系统以及 HMI 等传统制造企业 目前国内技术方基本局限于后装市场的 ADAS 初级功能开发, 未能切入前装核心厂商 核心车型配套 因此, 本阶段的投资亮点应该是有意于进行外延式扩张进入 ADAS 领域的零配件转型企业, 而依托原有整车厂资源介入前装市场将成为 16 年行业的核心催化剂 图 48: 技术缺口同资金 资源缺口对接 汽车零部件厂商技术缺口 优势 : 用于整合上下游客户资源能力 ; 拥有雄厚的资金实力 不足 : 技术壁垒高, 进入行业较苦难 外延并购进入智能驾驶 整合资源进入 OEM 市场 智能驾驶科技公司资金 资源缺口 优势 : 拥有 3-5 年以上研发技术积累 不足 : 产业投入期研发投入巨大, 企业本身体量较小 ; 没有核心前装市场资源 资料来源 : 招商证券 敬请阅读末页的重要说明 Page 39

40 四 智能驾驶产业链竞争格局梳理 我们从三个维度对智能驾驶产业链进行划分 通过国内外技术水平比较, 车载硬件层 算法应用层国内企业都拥有一定的机会, 中层支持操作系统目前国内仍属空白 图 49: 智能驾驶产业链结构 算法应用层 中间层 算法 导航数据 增值服务 云计算 实时系统 车载信息系统 传感器 通信 处理器 车载硬件底层 通信概念数据概念控制概念 资料来源 : 招商证券 车载硬件底层 车载硬件层包括传感器 芯片 通信模块等底层设备 传感器主要包括摄像头 毫米波雷达和激光雷达 传感器 车用摄像头和手机 电脑用摄像头的区别在于物理性能 ( 防震动 防雨 ) 光谱波段( 更广, 覆盖红外波段实现夜视识别 ) 曝光性能(HDR, 使得目标物体更为清晰 ) 帧数 ( 在视觉算法中, 拍照速度须满足 60-90fps) 的要求不同 1) 单目摄像头 : 摄像头在欧美市场应用最广泛, 日本市场单 双目已基本接近 根据我们对全球摄像头子行业 Tire-1 供应商 ( 未穿透至具体供应商 ) 及配套整车厂的数据整理, 欧美市场单目摄像头为首, 麦格纳 法雷奥 天合 大陆配套主流车系 日本市场双目摄像头配套比率较高, 除大陆 天合 富士通单目摄像头产品配套外, 日立 松下配套的斯巴鲁 铃木和部分丰田车系已经开始使用双目摄像头 Mobileye 的视觉系统自成体系, 配套宝马 沃尔沃 尼桑等车系 2) 毫米波雷达 : 技术曾用于军用, 目前民用波段在 24GHz 和 77GHz, 未来车用雷达的主流频率为 77GHz, 国内相关技术已具备, 量产与成本是关键 3) 激光雷达 : 技术在国外成熟, 现阶段技术热点在于降低成本, 解决方案包括生产造价 200 美元固态激光雷达 减少激光雷达的光束数量 国内激光雷达处于起步期, 拥有激光测量应用技术的国内公司有望进入该领域 欧美市场激光雷达占据绝对优势, 博世 海拉 德尔福 奥特立夫 (Autoliv) 配套大多敬请阅读末页的重要说明 Page 40

41 数车系, 大陆 德尔福供应激光雷达和激光雷达 ECU 产品 日本市场激光雷达占有一定比重, 除却主流的毫米波雷达配套富士 电装 海拉外, 激光雷达供应商大陆 Omron 电子 电装已凭借单束激光产品进入丰田 本田 马自达 铃木 尼桑等主流品牌 图 50: 欧美市场摄像头 Tire-1 供应厂商及适配车型 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 41

42 图 51: 日本市场摄像头 Tire-1 供应厂商及适配车型 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 42

43 图 52: 欧美市场雷达 Tire1 供应厂商及适配车型 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 43

44 图 53: 日本市场雷达 Tire-1 供应厂商及适配车型 资料来源 : 招商证券整理 处理器处理器用于图像识别 数据处理的芯片 根据前文分析, 即使经过前处理和前景分离, 传输到识别层图像数据单元仍有 20k-40k 个, 对芯片的实时运算处理能力要求很高 视觉算法龙头 Mobileye 通过和 ST 意法半导体合作生产 GPU+CPU 芯片以应对高速的运算性能, 芯片成本在 元间 相比一般用百元以下芯片, 汽车用视觉芯片具有较高利润, 但同时对工艺和技术的要求更高 2015 年开始, 各大 Tire-1 主机厂商开始独立供应物体识别 ECU 单元以适应高计算量需求的物体识别算法 欧美市场的 Tire-1 供应商依旧是传统强势零部件巨头 : 博世 Autoliv 德尔福 大陆和海拉天下, 日本市场则被富士 大陆 日立 电装 天合占据 敬请阅读末页的重要说明 Page 44

45 图 54: 欧美市场物体识别 ECU Tire-1 供应厂商及适配车型 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 45

46 图 55: 日本市场物体识别 ECUws 供应厂商及适配车型 资料来源 : 招商证券整理 通信模块 4G 的普及让汽车不再是封闭单元体, 车联网 车载通讯模块类厂商将率先受益 中间支持层, 是底层硬件和上层应用之间的衔接层 包括汽车的嵌入式实时操作系统 信息娱乐系统及基于云计算的远程协助系统 1) 实时操作系统 实时操作系统通过优先级排序, 在紧急情况下确保辅助驾驶系统控制功能的正确进行 嵌入式实时操作系统更多偏向于搭载控制算法的底层模块, 往往与芯片厂商形成密切的利益关系, 国内自主技术尚属空白, 国外厂商利润丰厚 2) 信息娱乐系统 信息娱乐系统不需要执行实时控制任务, 通常完成用户交互 手机连接 音乐播放等任务 目前较为流行系统包括苹果的 CarPlay 和谷歌的 Android Auto 国内厂商在信息娱乐方面有较多积累, 经验丰富, 在此领域享有较高话语权 3) 云计算 云计算是同实时操作系统 信息娱乐系统并行存在于云端的基础设施, 为敬请阅读末页的重要说明 Page 46

47 将来的汽车端大数据应用提供平台支撑 以 BAT 为首的互联网公司正在搭建云计算系统, 目前阿里云在这一方面较为领先 算法应用层 涉及数据 算法和远程支持 1) 算法 算法是产业链条核心 国内涌现出一批新型科技创业公司, 大都拥有 3-5 年以上研发和数据积累经验 通过同平台企业资源整合, 未来切入前装市场可能性较大 2) 导航数据 结构数据和行为数据的积累需要大量的道路实验, 地图数据则是最具有商用可行性的环节 地图分为 GPS 定位和地图测绘 数据服务两部分 测绘部分北斗导航系统精度已适应智能驾驶的需求 被欧洲三大主机厂收购的 Here 地图则为车载高精度地图的龙头公司, 在构建高精度三维地图数据方面拥有多项国际专利 由于地图的政策保护, 国内优势厂商四维图新 高德地图有望在车载高精度地图行业占据优势地位 3) 增值服务 目前主流的提供方式是建设远程支持中心响应用户的紧急需求 通用 On-Star( 安吉星 ) 丰田 G-Book 在这一领域先行多年 之前的远程支持通过同云端服务中心进行互动, 处理车辆遇到的紧急情况 在无人驾驶真正来临之后, 远程支持在产业链中的权重会逐渐加大, 这一模块将是自动驾驶算法遇到无法处理情况时的最后保险 谷歌在远程介入自动驾驶算法上已拥有多项专利 增值服务的主要形式包括车辆金融服务 无人驾驶出租车服务等 在无人驾驶尚不发达的今天, 市场上涌现出一些过渡时期产品 主要包括智能零部件 多功能车载互联终端等 表 7: 国外智能驾驶对应标的公司 产业链位置主营业务国外公司 车载硬件层 操作系统层 算法应用层 芯片传感器通信模块实时系统信息系统云计算算法数据远程支持 毫米波雷达 摄像头 激光雷达 Renesas, NXP, Nvidia, TI,Altera, Analog Devices, Xilinx, CEVA, Videantis, Ambarella, Cadence Delphi,Denso,Bosch,Autoliv,Hella 仅传感器 :Toshiba,SonySony, ON Semiconductor, Melexis 视觉 ADAS:Delphi,Valeo, Bosch Continental Velodyne,Ibeo,Quanergy, Phantom Intelligence,TriLumina, LeddarTech 高通, 安吉星 QNX,Green Hills Software, Mentor Graphics, Wind River 苹果 CarPlay, 谷歌 Android Auto, 黑莓 QNX 微软 Windows Azure, 谷歌 GAE, 亚马逊谷歌,Mobileye Here 地图,TomTom, 谷歌地图通用 OnStar, 丰田 G-book, 本田 Hondalink, 沃尔沃 SENSUS 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 47

48 表 8: 国内智能驾驶产业链所属标的公司标的公司业务范围参股股公产业链布局产业链位置配套客户 车载硬件底层 中间层 欧菲光 巨星科技 摄像头, 智能驾驶系统集成 激光雷达 舜宇光学摄像头 -- 欧菲智能车联 (100%) 华达科捷 (65%) 布局无人驾驶全产业链, 硬件层车用摄像头 雷达产品已开发完成 ; 软件层引入德尔福 ADAS 团队进行核心算法研究 ; 即将切入车身控制系统 中控屏等, 打造 ADAS 集成供应商 外延收购, 华达科捷是激光测量 测控企业, 多项激光产品畅销国内外 推动激光应用技术升级, 进军服务机器人 智能设备 ( 无人驾驶 ) 公司车载镜头全球市占率 30%, 位居第一 ; 正在进入 3D 摄像头行业 客户开发中 前后装 -- 晶方科技摄像头 -- 有实力进入车载摄像头领域 高德红外红外热成像 -- 车载夜视 安防监控前装 全志科技芯片 -- 同保千里签订视觉算法战略合作协议, 已进入车载智能系统芯片市场, 今后将进军视觉芯片领域 华为海思芯片 -- 切入网络监控芯片及解决方案 星宇股份 东风科技 智能大灯 AFS ADB HMI -- 上海伟世通 (40%) 投入 7 亿元, 以车灯电子切入, 车灯电子 智能驾驶 车载无线充电 抬头显示 传感器技术 智能化生产线 汽车电子 中控 抬头显系统 HUD 前 后装 前装市场 行业研究 客户开发中 盖陆 海 空 二炮, 主要为军用 本田 通用等车型 均胜电子 HMI 人车交互系统 (HMI) 奥迪等 得润电子 长信科技 车联网硬件 车联网硬件 META (60%) 长信智控 (30%) 车联网硬件 UBI 保险 车联网方案解决商 物联网等技术开发及系统建设 各类数据的分析应用 -- 后装市场 宝马 奔驰 大众集团 菲亚特 标致雪铁龙 乐视网车载信息 -- 智能系统 EUI 操作 车联网系统后装市场与北汽合作 索菱股份 浪潮集团 车载信息终端系统 云计算 -- 浪潮信息 (43%) 浪潮软件 (22%) 浪潮国际 (32%) 车联网智能互联系统 汽车 OBD 智能系统 大屏安卓无限拓展平台 PX2 阿里云等成联网服务 前 后装市场 东风 华晨 上海通用 众泰及北汽等 服务器 储存 操作系统等 -- 天猫 百度等 中兴通讯云计算 -- 电信软件系统切入智慧城市硬件底层 -- 敬请阅读末页的重要说明 Page 48

49 卫士通云计算 -- 网络安全业务中间层 亚太股份 金固股份 中原内配 智能驾驶算法 智能驾驶算法 智能驾驶算法 前向启创 (20%) 苏州智华 (20%) 灵动飞扬 (15%) 乘用车 ADAS 软件 算法及定制服务 (LDWS FCWS FDDS PDWS SLSR EPAS Auto Light NV), 未来有做 ADAS 集成的可能性 商用车 ADAS 系统 ( 车道偏离预警 LDWS 车道保持系统 LKAS 全景泊车系统 ) 同芯片巨头 NXP Intel Freescale 建立配套关系, 专注 ADAS 相关产品 (Birdview LDWS BSD FCW) 研发 后装市场, 北汽 众泰 前后装 前后装 三十所 成都纵横六合 大智胜软件 中国电子科技集团 后装市场, 北汽 众泰 商用车前后装市场, 东风日产, 广汽, 长安, 宇通, 金龙等 东方神龙 雪铁龙 标致 江淮汽车 算法应用层 保千里 万安科技 智能驾驶算法, 红外夜视 智能驾驶算法 同全志科技简历战略合作 以夜间成像夜市系统切入 ADAS, 积极部署 ADAS 整体战略 前装市场市占率 65%-70%, 后装市场 -- 切入 ADAS 驾驶员辅助系统前 后装市场 -- 夜视产品已与比亚迪 长安 广汽 吉利 山东重卡等国内 40 多家汽车厂商签订战略协议 四维图新地图数据 -- 以车载地图切入, 致力车联网 动态地图信息服务提供商 前装市场市占率 65%-70%, 后装 宝马 丰田 奥迪 大众等主流车厂及长城 长安等自主品牌 启明信息 GPS, 导航 -- 车载导航切入, 实现北斗数据信号与 GPS 书记信号切换技术, 完善了车联网平台 前 后装市场 一汽和大众等 天泽信息 车联网数据, 车载信息终端 -- 工程机械车联网, 车载信息终端 运营 服务 前装 后装市场 括卡特彼勒 日立建机 久保田 玉柴 元征科技 车联网数据 转型车联网方案提供商, 车载诊断, golo 技师盒子 后装市场 盛路通信 车载信息系统 和正电子 (100%) 切入车载信息系统 前装 后装市场 日产 本田 大众 众泰 敬请阅读末页的重要说明 Page 49

50 兴民钢圈 车联网数据 INTEST (51%) 测试与信息化 新能源信息化 T-BOX 前装 前装 车辆信息系统集成商 以新能源汽车为代表的大型车企 易华录数据车联网 -- 电子车牌切入, 基于交通大数据打造后装市场 -- 资料来源 : 招商证券整理 敬请阅读末页的重要说明 Page 50

51 五 投资策略及风险提示 外围倒逼, 智能汽车发展黄金十年 电动化 智能化对行业形成了巨大的技术断层, 互联网巨头 行业新进入者对原有龙头形成倒逼 外围条件看, 芯片成本的指数式下降 ADAS 系统功能的逐步完善与反向控制技术的逐步成熟,4G 网络技术的普及以及资本力量的推动共同加速促使了各国产业支持政策的陆续出台, 汽车行业新引擎出现 电动化对于传统汽车行业的门槛弱化使得传统巨头真正开始意识到危机, 万事俱备, 东风徐来, 我们认为 2016 年将是 智能汽车元年, 未来 10 年行业将迎来 30% 以上年均复合增速的 黄金十年 算法为王, 均衡配置乃是未来首选 通过对谷歌 丰田的无人驾驶研发历程的首次揭秘, 我们详细剖析了辅助驾驶阶段的四大核心痛点以及行业的实现途径 从产业链角度看, 传感器 处理器构成智能驾驶车载硬件底层的主要部分 ( 包括芯片, 单目摄像头 立体双目摄像头 毫米波雷达 激光雷达等 ), 算法是实现无人驾驶的核心技术所在, 而感知阶段最终的可行实施方案将依托于 雷达 + 双目摄像头 万亿蓝海, 政策托底助推产业升级 智能驾驶发展阶段中半自动驾驶 无人驾驶是行业未来发展的重要趋势, 但由于成本 法律 法规等各方面的制约, 短期内无法实现量产 但底层硬件的合理布局 中层支持操作系统的完善, 以及算法应用的持续开发仍是企业的重点发展方向 短期内, 作为实现智能驾驶基础应用的 ADAS 系统将会得到持续的发展 现阶段国内智能驾驶发展已经出现最佳时机, 国内 ADAS 落后于海外国家 3-5 年, 配置率仅为 10%, 国家新政规定至 2020 年配置率水平及自主品牌占有率水平需提升至 50% 以上, 我们预计泛智能汽车市场年化产值将超过 2000 亿元, 对于自主品牌整车以及零部件企业来, 蕴含着巨大的转型升级机遇 投资核心 : 转型零配件企业平台 我国最大的行业背景支撑就是整车基数大 交通及燃耗问题急需解决 交通事故率居高不下 现阶段国内整车 ADAS 系统哪怕是基础功能的装配率相较于发达国家非常之低, 第三方互联网或硬件企业仍处于依靠单一辅助驾驶功能 ( 行车记录仪 + 部分辅助驾驶功能 ) 开拓后装市场的模式在运行, 行业继续进行整合进而与整车前装市场联姻 后装市场竞争无序 用户黏性差, 生态环境逐步恶化, 但从后装进入前装市场一是规模大多较小, 最关键的是缺乏 伯乐 对现有产品资源进行整合升级以及资金支持 主机厂 OEM 前装市场虽然是蓝海一片, 但是中间的承上启下的 伯乐 必不可少, 我们认为目前大量零配件企业一方面拥有与主机厂的长期关系积淀, 另一方面又迫切面临行业递增速下的转型需求, 三者的优势互补即将进入高潮 我们认为具备转型诉求的零配件企业已经具备成为 伯乐 的生态基础, 投资潜力巨大 我们重点推荐 : 1 兴民钢圈 : 旗下 InTest 为国内唯一一家前装车联网入口企业, 未来在数据处理方面具有很好的发展空间, 短期内业绩快速增长 2 均胜电子 :HMI 以及 BMS 最顶尖的供应商, 行业并购典范企业 3 亚太股份: 布局 AEB 轮毂电机, 有望成为新能源底盘供应商 4 东风科技: 旗下合资公司具有较强的汽车电子开发能力 5 中原内配: 看好公司与灵动飞扬合作, 为灵动飞扬下游开拓前装渠道提供助力 敬请阅读末页的重要说明

52 (%) 行业研究 强烈推荐 -A( 维持 ) 兴民钢圈 SZ 当前股价 :23.44 元 2016 年 02 月 17 日行业爆发恰逢其时, 加快布局速度 基础数据 上证综指 2867 总股本 ( 万股 ) 已上市流通股 ( 万股 ) 总市值 ( 亿元 ) 120 流通市值 ( 亿元 ) 80 每股净资产 (MRQ) 3.8 ROE(TTM) 1.3 资产负债率 36.9% 主要股东 王志成 主要股东持股比例 33.84% 股价表现 % 1m 6m 12m 绝对表现 相对表现 (%) 兴民钢圈 沪深 Feb/15 Jun/15 Sep/15 Jan/16 资料来源 : 贝格数据 招商证券 相关报告 1 兴民钢圈 (002355) 新能源车联网入口, 前装市场空间巨大 兴民钢圈 (002355) 双主业并进, 全面切入车联网 智能控制领域 兴民钢圈(002355) 收购武汉 INTEST 公司, 车联网迈出坚实一步 汪刘胜 [email protected] S 唐楠 [email protected] S 彭琪 [email protected] S 公司自 2015 年完成对武汉 INTEST 公司的并购后, 正在快速加大两个公司的整合, 以及在车联网领域加快布局速度 考虑到新能源汽车持续放量,INTEST 公司的客 户快速增加 ; 钢圈公司自身在车联网领域逐渐布局, 我们认为钢圈公司 1+N 的集 团思路正在逐渐显现 好的布局恰逢行业爆发期, 看好公司未来沿着智能驾驶 车联网领域的全面转型发展, 持续强烈推荐, 维持 强烈推荐 -A 投资评级 INTEST 公司业务进入快速爆发期 公司的新能源 T-BOX 以及 INCOM 数据通 信及服务平台业务快速增长, 除了新纳入的新能源汽车客户外, 政府机构的订 单也将快速增加 公司致力于汽车车联业务, 在新能源汽车领域储备深厚, 而 其传统车业务也将逐渐看到成效, 成熟稳定的数据通信及服务平台将为更为广 泛的客户提供服务 在万物互联的大背景下, 汽车车联成为大势所趋, 公司业 务恰逢其时, 预计将迎来连续业绩翻倍的高增长期 钢圈公司的布局 钢圈公司完成对 INTEST 公司的控股后, 预计将加快对车联 网和智能驾驶领域的布局, 我们认为公司将逐渐探索 INTEST 公司产品的多方 面 多维度应用 与 INTEST 公司一起进行市场和客户的开发, 同时利用自身 优势, 布局更多智能车联未来的发展方向 考虑到目前行业正处于高速发展期, 我们认为公司的布局将加快落地速度, 渠道扩张速度也将加快 行业变革, 努力扩大竞争优势 目前车联网以及智能驾驶已经开始进入行业爆 发期, 竞争者开始快速加入 INTEST 公司在新能源汽车领域的优势十分明显, 且其市占率有持续扩大的趋势, 尤其是数据通信和服务平台的业务是其强项, 目前需要全力以赴提升市占率持续扩大市场影响力 而传统车领域公司也开始 稳扎稳打的介入, 考虑到传统车的基数巨大, 不排除快速放量的可能 维持 强烈推荐 -A 投资评级 我们预计公司 年每股收益 0.08 元 0.18 元 0.26 元, 对应 PE 分别为 :304 倍 132 倍 90 倍, 持续看好公司 新兴产业高成长, 维持 强烈推荐 -A 投资评级 ; 风险提示 : 整车销量低于预期 财务数据与估值 会计年度 E 2016E 2017E 主营收入 ( 百万元 ) 同比增长 13% 3% 55% 76% 55% 营业利润 ( 百万元 ) 同比增长 20% -32% 2% 164% 52% 净利润 ( 百万元 ) 同比增长 11% -29% -21% 131% 47% 每股收益 ( 元 ) PE PB 资料来源 : 公司数据 招商证券 敬请阅读末页的重要说明 Page 52

53 (%) 行业研究 强烈推荐 -A( 维持 ) 均胜电子 SH 当前股价 :31.25 元 2016 年 02 月 18 日精彩亮相, 全方位进军智能汽车领域 基础数据 上证综指 2867 总股本 ( 万股 ) 已上市流通股 ( 万股 ) 总市值 ( 亿元 ) 215 流通市值 ( 亿元 ) 199 每股净资产 (MRQ) 5.4 ROE(TTM) 10.5 资产负债率 57.2% 主要股东 宁波均胜投资集团有 主要股东持股比例 45.59% 股价表现 % 1m 6m 12m 绝对表现 相对表现 (%) 资料来源 : 贝格数据 招商证券 相关报告 均胜电子沪深 Feb/15 Jun/15 Sep/15 Jan/16 1 均胜电子 (600699) 外延扩张实现双赢, 欧洲资产表现超预期 均胜电子 (600699) 并购协同效应开始显现 均胜电子 (600699) 携手特斯拉, 联姻南车进军超级电容领域 汪刘胜 [email protected] S 彭琪 [email protected] S 唐楠 [email protected] S 公司近期收购 Holdings( 基准价 9.2 亿美金 ) Inc.TechniSat Digital GmbH 的汽 车电子业务 ( 基准价 1.8 亿欧元 )100% 股权 公司同时披露定增方案, 计划发行 3.6 亿股 ( 不超过 86 亿元 ) 用于 KSS 及 TS 项目收购 我们认为公司前期陆续收 购的德国普瑞 Qiun IMA 项目结合目前收购的 KSS TS 项目, 已经在智能驾 驶领域基本完成全面布局, 未来将大幅提升公司竞争力, 维持公司 强烈推荐 -A 投资评级 收购标的产生协同效应, 国内 海外业务均表现亮眼 公司 1-9 月份营收同比 增长 17.3%, 净利同比增长 19.5%, 主要贡献来自于普瑞高增长 Qiun 的并 表及工业机器人业务高增速 国内汽车整体行业增速进入低增长阶段后, 公司 通过业务外延并购有效对冲了外围行业影响, 不但保持了高增长, 外围并购标 的按本币计更是达到了 28% 的同比增速, 大大超过了行业平均水平及标的并购 前水平 同时, 通过并购引进技术及整合, 公司自身利润率实现逆行业增长, 毛利率三季度达到 24%, 同比提高 4.7 个百分点, 净利率也同比提升, 均源自 于公司 HMI 产品的规模效应 高端功能件及工业机器人的人物收入增加 KSS TS 项目收购大超预期, 全面进驻智能汽车领域 此次收购将进一步完 善公司在智能驾驶领域产品布局, 重点补充了公司在主动安全 汽车信息系统 以及新型 HMI 产品上的空缺 TS 的智能导航系统及系列车载信息系统模块将 于公司现有产品形成强力协同, 形成完整的 HMI 立体解决方案 公司通过 KSS 及 TS 项目并购, 公司将一跃而成为汽车电子 汽车安全 HMI 自动驾驶 信息及车联网领域的全球顶级供应商 维持 强烈推荐 -A 投资评级 公司目前在智能驾驶 新能源汽车及工业机器人 上均布局完善, 收购项目质量持续超市场预期, 我们强烈看好公司未来表现 预估每股收益 15 年 0.62 元 16 年 0.80 元, 对应 16 年的 PE PB 分别为 倍, 维持公司 强烈推荐 -A 投资评级 ; 风险提示 : 整体汽车行业景气度进入低增速阶段 财务数据与估值 会计年度 E 2016E 2017E 主营收入 ( 百万元 ) 同比增长 14% 16% 16% 15% 15% 营业利润 ( 百万元 ) 同比增长 27% 11% 16% 31% 32% 净利润 ( 百万元 ) 同比增长 40% 20% 14% 29% 30% 每股收益 ( 元 ) PE PB 资料来源 : 公司数据 招商证券 敬请阅读末页的重要说明 Page 53

54 (%) 行业研究 强烈推荐 -A( 维持 ) 亚太股份 SZ 当前股价 :17.68 元 2016 年 02 月 18 日智能汽车布局持续升级 基础数据 上证综指 2867 总股本 ( 万股 ) 已上市流通股 ( 万股 ) 总市值 ( 亿元 ) 130 流通市值 ( 亿元 ) 121 每股净资产 (MRQ) 3.5 ROE(TTM) 6.5 资产负债率 36.0% 主要股东 亚太机电集团有限公 主要股东持股比例 38.8% 股价表现 % 1m 6m 12m 绝对表现 相对表现 (%) 亚太股份 沪深 Feb/15 Jun/15 Sep/15 Jan/16 资料来源 : 贝格数据 招商证券 相关报告 公司先后在 ADAS 技术领域连续布局 : 前向启创 苏州安智 钛马信息 ( 车联网 ); 轮毂电机公司 Elaphe; 形成了同时适用于新能源汽车 传统汽车的智能驾驶 智能车联布局 近期, 与奇瑞 北汽形成战略合作关系 我们认为, 公司是目前 A 股标的中成为智能汽车平台可能性最大的公司之一 维持 强烈推荐 -A 投资评级 战略布局双向夹击, 引领智能汽车发展方向 公司在智能汽车领域具备入口优势 依托原有刹车系统技术及平台优势, 横向比较, 公司一方面自下而上在刹车系统基础上进行技术拓展, 一方面进行 ADAS 系统集成纵向开发, 另一方面对下一代轮毂电机技术进行提前布局 ; 另一方面, 基于 L3 级别无人驾驶技术对于互联技术的需求, 公司自上而下在整车合作开发上与车身技术同步进行, 我们看好公司 2016 年智能汽车领域表现 北汽合作进一步加深公司智能车联布局深度 公司先后在 ADAS 技术领域连续布局 : 前向启创 苏州安智 钛马信息 ( 车联网 ); 轮毂电机公司 Elaphe; 形成了同时适用于新能源汽车 传统汽车的智能驾驶 智能车联布局 战略上, 公司将主动安全驾驶技术, 车联网技术有效结合 集成, 使电动汽车自动驾驶自主化成为可能 公司与奇瑞汽车签署了 智能驾驶技术合作协议, 为奇瑞汽车提供智能驾驶技术线控制动系统和控制模块的研发, 产品供货, 整车安装调试及技术服务等 ; 本次与北汽研究总院的合作则更为深入, 将研究开发智能网联电动汽车样车, 将轮毂电机技术,ADAS 技术以及钛马信息的车联网思维应用到电动汽车上, 将能够看到全新的电动汽车样本 维持 强烈推荐 -A 投资评级 公司自上而下在整车合作开发上与车身技术同步进行, 亚太股份作为目前布局最完善, 战略最清晰的公司之一, 我们认为公司值得被市场长期看好 预估每股收益 15 年 0.35 元 16 年 0.43 元, 对应 16 年的 PE PB 分别为 , 维持公司 强烈推荐 -A 投资评级 ; 风险提示 : 新兴产业规模暂时较小 汪刘胜 [email protected] S 彭琪 [email protected] S 唐楠 [email protected] S 财务数据与估值 会计年度 E 2016E 2017E 主营收入 ( 百万元 ) 同比增长 29% 21% 0% 6% 13% 营业利润 ( 百万元 ) 同比增长 89% 24% -29% 26% 10% 净利润 ( 百万元 ) 同比增长 61% 28% -26% 22% 9% 每股收益 ( 元 ) PE PB 资料来源 : 公司数据 招商证券 敬请阅读末页的重要说明 Page 54

55 (%) 行业研究 强烈推荐 -A( 维持 ) 东风科技 SH 当前股价 :17.22 元 2016 年 02 月 17 日一体化车载互联系统开始放量 基础数据 上证综指 2867 总股本 ( 万股 ) 已上市流通股 ( 万股 ) 总市值 ( 亿元 ) 54 流通市值 ( 亿元 ) 54 每股净资产 (MRQ) 3.4 ROE(TTM) 17.3 资产负债率 63.9% 主要股东 东风汽车零部件 ( 集团 ) 主要股东持股比例 65.0% 股价表现 % 1m 6m 12m 绝对表现 相对表现 (%) 东风科技 沪深 Feb/15 Jun/15 Sep/15 Jan/16 资料来源 : 贝格数据 招商证券 相关报告 1 东风科技 (600081) 业绩小幅不达预期, 期待两大子公司增长提速 公司是东风集团旗下零配件平台, 主要两大块业务 : 汽车饰件 ; 汽车电子 主要客户包括 : 东风标致雪铁龙 东风日产 上汽等 公司依托伟世通电子为电子产业的主要发展中心, 在车载娱乐系统,HUD 抬头显示器, 行车记录仪,TBOX 等领域展开业务, 依托东风系强大的渠道网络, 未来在传统车领域的放量值得期待, 维持 强烈推荐 -A 投资评级 HUD 进入放量期 HUD 抬头显示器目前市场进入放量期, 前后装市场均在快速增长, 公司的 HUD 通过上汽通用的 GL8 车型放量后, 逐渐纳入了本田 / 日产的出口体系, 三菱也开始进入客户储备期, 预计全年 HUD 的销量超过 5 万台套 TBOX/ 行车记录仪投放市场 前装的 TBOX, 行车记录仪也开始大规模放量, 依托公司庞大的商用车网络, 公司产品推出后将能够快速在市场铺开, 我们认为最开始应是系统内商用车渠道快速扩张, 预计基于移动互联的一体化车载产品将于今年开始放量, 保守估算实现 3 万台套以上的销售 以目前的市场增速来看, 预计该产品也是连年翻倍的增速 本部和伟世通饰件业务跟随行业波动 本部以及汽车饰件业务的下游没有明显的客户扩充, 预计 2016 年以稳定为主, 考虑到汽车市场在小幅回暖, 预计本部 + 汽车饰件业务有望持平或者小幅增长 维持 强烈推荐 -A 投资评级 公司 : 车载娱乐系统 +HUD+TBOX+ 行车记录仪, 一整套车载互联产品将逐渐在系统内铺开, 预计最早今年下半年, 最晚明年能够看到比价明显的收益利润 预计 年 EPS 分别为 :0.61 元 0.63 元,0.82 元, 对的 PE 分别为 28 倍 27 倍 21 倍, 看好公司布局, 维持 强烈推荐 -A 投资评级 2 东风科技 (600081) 伟世通加快推进对华合作 风险提示 : 新产品推广速度不达预期 3 东风科技 (600081) 伟世通收购江森电子, 打开上升空间 汪刘胜 [email protected] S 唐楠 [email protected] S 彭琪 [email protected] S 财务数据与估值 会计年度 E 2016E 2017E 主营收入 ( 百万元 ) 同比增长 26% 59% 1% 3% 20% 营业利润 ( 百万元 ) 同比增长 35% 27% 8% -2% 28% 净利润 ( 百万元 ) 同比增长 77% 19% -5% 3% 30% 每股收益 ( 元 ) PE PB 资料来源 : 公司数据 招商证券 敬请阅读末页的重要说明 Page 55

56 (%) 行业研究 审慎推荐 -A( 维持 ) 中原内配 SZ 当前股价 :9.22 元 2016 年 02 月 17 日灵动飞扬进入快速增长期, 合作加深值得期待 基础数据 上证综指 2867 总股本 ( 万股 ) 已上市流通股 ( 万股 ) 总市值 ( 亿元 ) 54 流通市值 ( 亿元 ) 42 每股净资产 (MRQ) 3.4 ROE(TTM) 9.6 资产负债率 21.4% 主要股东 薛德龙 主要股东持股比例 18.34% 股价表现 % 1m 6m 12m 绝对表现 相对表现 (%) 资料来源 : 贝格数据 招商证券 相关报告 中原内配沪深 Feb/15 Jun/15 Sep/15 Jan/16 1 中原内配 (002448) 牵手 GKN, 新兴领域扩张值得期待 中原内配 (002448) 收购安徽汇中, 打开国内乘用车市场 中原内配 (002448) 收购 安徽汇中, 拟介入国内及欧洲乘用车配套 汪刘胜 [email protected] S 唐楠 [email protected] S 彭琪 [email protected] S 公司经营情况良好, 预计全年能够实现 5%-10% 的净利润, 而灵动飞扬公司正处 于高速增长期, 预计今 明两年收入增速将有望连续翻倍, 有望加速其登陆新三 板的步伐 看好内配公司与灵动飞扬加深合作, 为灵动飞扬下游开拓前装渠道提 供助力 维持 审慎推荐 -A 的投资评级 360 全景发力前装市场 灵动飞扬公司主营 360/AVM 全景模块, 在后装市场 的份额较高, 目前其主要收入利润来自后装市场 主要合作伙伴包括德尔福 大陆 航胜等国际国内知名企业 其在车载领域与安霸 intel 的深度合作, 以及新产品的研发及推出值得重点关注 基于原有后装客户及 360 模块, 公 司收入规模连续翻倍,2014 年更是实现了 2 倍的增长 我们认为是主要受益 智能驾驶行业的快速发展, 以及市场对汽车智能化的强烈需求 智能汽车属 于朝阳行业, 公司在行业快速发展时期依托其现有储备, 将能够快速享受行 业带来的红利 考虑到行业变革, 许多智能化产品将由后装转向前装, 预计 公司在 2016 年将能够实现前装的增速提升, 以及有效切入前装市场, 与东风 系列的合作逐渐加深, 但考虑到公司产品主要是 ADAS 部分模块, 我们认为 其直接作为一级供应商尚需时日 ADAS 模块开始发力 公司基于视觉模块的 ADAS 产品 ( 智能后视镜 ) 已经 准备量产, 预计最快将于 2016 年批量 ; 预计未来公司将继续增加 ADAS 的新 模块 ( 车道偏离预警等 ) ADAS 产品的加入将提升公司单位收入和利润, 随 着模块功能的增加, 公司的总体实力将进一步增强 目前欧美国家安装 ADAS 的比例已经接近 10%, 而中国在内的发展中国家 2% 都不到, 考虑到中国目前在汽车革新领域也在抢占先机, 与国际发展速度逐 渐接轨 我们认为中国将很快成为智能驾驶的大市场, 未来整车企业将加速 安装前装的 ADAS 产品, 行业已经进入高速发展期 维持 审慎推荐 -A 投资评级 我们预计内配公司 年 EPS 分别为 : 0.33 元 0.37 元 0.46 元, 对应的 PE 分别为 :28 倍 25 倍 20 倍, 维持 审慎推荐 -A 的投资评级 持续看好公司布局 风险提示 : 汽车行业销量增速放缓 财务数据与估值 会计年度 E 2016E 2017E 主营收入 ( 百万元 ) 同比增长 8% -2% 20% 19% 20% 营业利润 ( 百万元 ) 同比增长 19% 6% 11% 17% 23% 净利润 ( 百万元 ) 同比增长 14% 12% 6% 15% 24% 每股收益 ( 元 ) PE PB 资料来源 : 公司数据 招商证券 敬请阅读末页的重要说明 Page 56

57 附录 : 中英文词汇对照 英文缩写 中文 英文缩写 中文 ABS 防抱死系统 HDR 高动态范围 ACC 自适应巡航 HMI 人机交互界面 ADAS 先进驾驶辅助系统 HUD 抬头显示 AEB 自动紧急刹车 LDW 车道偏离预警 AHB 智能远光灯 LKA 车道保持辅助 ALC 自适应灯光控制 NCAP 新车评价规程 AP 自动泊车系统 NHTSA 美国高速公路安全管理局 AVM 全景驾驶辅助 NV 夜视系统 BLIS 盲点探测 ( 并线辅助 ) PA 停车辅助 CAN 控制器局域网 PCW 行人碰撞预警 CPU 中央处理器 PD 行人检测 Derwent Innovations Index 德温特专利数据库 Tensorflow 谷歌的开源人工智能算法包 DSP 数字信号处理单元 TPMS 胎压监测 ESC/ESP 车身稳定系统 TSR 交通标志识别 FCWS 正面碰撞警告 V2V 车对车通信 fps 帧每秒 V2X 车对云端通信 GPU 图形处理器 资料来源 : 招商证券 敬请阅读末页的重要说明 Page 57

58 图 56: 汽车行业历史 PE Band 图 57: 汽车行业历史 PB Band Feb/12Aug/12Feb/13Aug/13Feb/14Aug/14Feb/15Aug/15 25x 20x 15x 10x 5x Feb/12Aug/12Feb/13Aug/13Feb/14Aug/14Feb/15Aug/15 3.0x 2.5x 2.0x 1.5x 1.0x 资料来源 : 贝格数据 招商证券 资料来源 : 贝格数据 招商证券 参考报告 : 1 智能驾驭, 电动未来 第三期 汽车行业 2016 年度投资策略 智能驾驭, 电动未来 第二期 新能源汽车系列报告第四卷 氢动力 概念, 普拉格与特斯拉不同 新能源汽车系列报告第三卷 迎接新能源汽车盛宴 新能源汽车系列报告第二卷 特斯拉的野心: 通用电池平台之路 新能源汽车系列报告第一卷 敬请阅读末页的重要说明 Page 58

59 分析师承诺 负责本研究报告的每一位证券分析师, 在此申明, 本报告清晰 准确地反映了分析师本人的研究观点 本人薪酬的任何部分过去不曾与 现在不与, 未来也将不会与本报告中的具体推荐或观点直接或间接相关 汪刘胜, 1998 年毕业于上海同济大学机械系,7 年产业从业经历, 招商证券研究发展中心从事汽车 新能源行业研究 10 年 2008 年获得英国金融时报与 Starmine( 全球知名证券分析师专业评级机构 ) 全球最佳分析师 - 亚太区最佳选股师奖, 亚太区汽车行业分析师排名第三名 ; 并入围新财富最佳分析师评选 2009 年获水晶球奖项, 新财富最佳分析师上榜,2010 年获水晶球奖项并获得新财富最佳分析师第三名 2011 年新财富最佳分析师上榜, 并获得水晶球第四名 金牛奖最佳分析师第三名 2012 年入围新财富最佳分析师评选,2013 年水晶球第四名, 新财富最佳分析师第五名 2014 年水晶球第一名, 新财富最佳分析师第二名 2015 年金牛奖第一名, 水晶球公募类第一名, 新财富最佳分析师第三名 主要研究特点 : 客观 独立, 准确把握行业发展规律, 并综合经济的发展形势对行业的影响 投资评级定义公司短期评级以报告日起 6 个月内, 公司股价相对同期市场基准 ( 沪深 300 指数 ) 的表现为标准 : 强烈推荐 : 公司股价涨幅超基准指数 20% 以上审慎推荐 : 公司股价涨幅超基准指数 5-20% 之间中性 : 公司股价变动幅度相对基准指数介于 ±5% 之间回避 : 公司股价表现弱于基准指数 5% 以上公司长期评级 A: 公司长期竞争力高于行业平均水平 B: 公司长期竞争力与行业平均水平一致 C: 公司长期竞争力低于行业平均水平行业投资评级以报告日起 6 个月内, 行业指数相对于同期市场基准 ( 沪深 300 指数 ) 的表现为标准 : 推荐 : 行业基本面向好, 行业指数将跑赢基准指数中性 : 行业基本面稳定, 行业指数跟随基准指数回避 : 行业基本面向淡, 行业指数将跑输基准指数 重要声明 本报告由招商证券股份有限公司 ( 以下简称 本公司 ) 编制 本公司具有中国证监会许可的证券投资咨询业务资格 本报告基于合法取得的信息, 但本公司对这些信息的准确性和完整性不作任何保证 本报告所包含的分析基于各种假设, 不同假设可能导致分析结果出现重大不同 报告中的内容和意见仅供参考, 并不构成对所述证券买卖的出价, 在任何情况下, 本报告中的信息或所表述的意见并不构成对任何人的投资建议 除法律或规则规定必须承担的责任外, 本公司及其雇员不对使用本报告及其内容所引发的任何直接或间接损失负任何责任 本公司或关联机构可能会持有报告中所提到的公司所发行的证券头寸并进行交易, 还可能为这些公司提供或争取提供投资银行业务服务 客户应当考虑到本公司可能存在可能影响本报告客观性的利益冲突 本报告版权归本公司所有 本公司保留所有权利 未经本公司事先书面许可, 任何机构和个人均不得以任何形式翻版 复制 引用或转载, 否则, 本公司将保留随时追究其法律责任的权利 敬请阅读末页的重要说明 Page 59