AI專題報告：人形機器人的AI算法，如何借力于自動駕駛FSD.pdf

AI專題報告：人形機器人的AI算法，如何借力于自動駕駛FSD。在我們的研究框架中，AGI、混合虛擬現實、元宇宙均描述的是 未來成型的生態。AGI/虛擬現實的真正實現，首先依托于智能科 技視角下的兩條技術路徑——混合平臺、重構時空，人形機器人 即混合平臺的一種工程方案。智能科技視角下，chatGPT 是生產 力范疇、MR 眼鏡與人形機器人是不同的計算平臺/新空間，我們 預計其中 MR 眼鏡將于 2024 年進入 C 端，人形機器人預計將于 2026 年進入家庭 C 端。

國內外市場對人形機器人產業進程的分歧巨大（落腳于能否 2026 年進家庭 C 端），源于硬件的諸多關鍵部位均需 0-1 的定制 化研發，軟件（主要是 AI 算法）部分則較車端自動駕駛更具挑 戰。我們本篇報告聚焦于軟件部位的 AI 算法部分：AI 算法部分 為何至關重要？自動駕駛 FSD 詳細分析及最新進展、人形機器人 的 AI 算法部分如何借力于 FSD？

軟件算法的迭代速度、技術高度對人形機器人的導入速度、產 品高度起到決定性的作用，且隨著硬件體系成熟，軟件算法的重 要性會愈加凸顯：1）人形機器人與傳統機器人的突破在和物理世 界的實時感知交互，決定其實現的關鍵在于軟件算法；2）算法能 力的提升在一定范圍內會降低對硬件的依賴與精度要求，參考自 動駕駛方案逐步降低對雷達的依賴走向純視覺方案；3）當產品的 成熟度達到一定高度后，硬件趨向同質化，很難體現出產品的差 異性，在一定范圍內所體現出的重要性或將逐步降低，而軟件的 成熟度、穩定性等因素將日益成為影響產品差異性競爭力的重要 因素。

特斯拉自動駕駛自研方案經歷四次重要迭代，當前形成了“4D 空間+占用網絡”的核心架構。自動駕駛方案主要有感知、決策規 劃、運動控制三個模塊，其中感知層相當于自動駕駛的“眼睛”， 幫助汽車理解所處的外部環境，感知模型的輸出是基礎；建立在 準確、可靠的感知輸出結果上，決策規劃模型相當于“大腦”，對 自車及周邊環境軌跡進行預測，通過打分機制篩選出最優運動軌 跡輸出給運動控制模塊；獲得行動軌跡后，運動控制模塊將其分 解為方向轉向、行車速度等操作指令，將其傳輸給方向盤、油門、 剎車等執行器進行操作，最終實現對汽車的控制。