Robotaxi 产业链完成自产自研
Robotaxi 产业链覆盖了从底层工具技术到应用功能技术，再到运营商业平台的全链条。具体而言：
上游核心技术：该领域主要涉及自动驾驶技术公司和汽车零部件供应商。
在这一环节，OEM 负责开发和提供硬件如激光雷达，摄像头，毫米波雷达一类的传感器，以及计算平台，车载网络平台所需的芯片。
自动驾驶技术公司则负责智驾所需的软件层面，如数据标注，云平台，算法等。
中游整车制造：这一层次核心玩家包括头部的 OEM 主机厂和主流汽车零部件厂商。
他们负责将上游的硬件和软件集成到车辆中，形成完整的Robotaxi。
由零部件厂商提供包括线控底盘，域控制器，智能座舱在内的整车零部件，再交由整车厂进行组装。
下游运营平台：这一环节主要由主机厂和专业的出行服务提供商主导。
例如，滴滴出行、如祺出行和 Uber 等公司负责 Robotaxi 的实际运营，包括车辆调度、乘客服务和数据管理等。
通过这三个环节的协调与合作，Robotaxi 产业链能够实现从技术研发到市场应用的全面覆盖。
Robotaxi 产业链
上游：核心技术自有化
在上游核心技术方面，主要涉及感知系统和算法与软件两大类。
传感器技术，包括激光雷达、摄像头和雷达，是自动驾驶系统获取环境信息的基础，直接影响到车辆的感知能力和环境理解。
而算法与软件，如人工智能（AI）、机器学习和路径规划，决定了如何从传感器数据中提取有效信息，并做出实时决策。
不同公司在这些技术领域的策略和实施方案存在显著差异，这不仅影响了各自产品的性能，还可能在市场竞争中形成不同的优势。
硬件：感知器-Robotaxi 的眼睛
Waymo 的感知系统使用了摄像头、激光雷达和雷达的组合。
这套感知系统在汽车上和车顶前部有 4 个旋转式激光雷达单元（一个前置，两个侧置，一个后置），
360°全方位覆盖，六个雷达单元（两个正面、两个侧面、两个背面），360°全方位覆盖，14 个摄像头（7 个前置、4 个侧置、3 个后置），
360°全方位覆盖，包括短距离街道视角和中远距离环境视角，八个超声波传感器，用于前后避障。
这是一个非常全面的 L5级自动驾驶硬件包，总共有 32 个传感器，通过三种不同的模式提供360° 的覆盖范围，
这表明 Waymo 希望通过冗余系统、分层覆盖和环境鲁棒性来优化安全运行。
同时，现阶段的 Waymo 还搭载了绘图传感器，用来绘制高精地图。1个旋转的超高分辨率激光雷达单元，
全 360° 覆盖，12 个不同类型的摄像头，在各种照明条件下提供 360° 全覆盖。
Waymo 的激光雷达和十二个相机阵列能够融合创建密集的 360° 3D 地图，为 Waymorobotaxi 提供极高的精确度。
这些传感器在旧金山的出租车每天覆盖数千英里，极大地完善了地图的准确性和细节。
除了超高分辨率的激光雷达和高动态范围（HDR）及红外相机，这些传感器主要用于测绘，而非自动驾驶。
Waymo 通过不断更新视觉地图，优化出租车的导航能力。
根据 Tangram 分析，这些传感器一共花费 Waymo 超过 4 万至 5 万美元，
这还不包括无法评估的其他传感器，或安装和运行它所需的额外板载计算、线束等。
这还是得益于激光雷达设备是由 Waymo 制造的，因此如果从第三方供应商那里采购，成本可能会更高。
Waymo 的传感系统
数据来源：Tangram
Cruise 的感知系统方案也为多种传感器冗余方案，其基于通用电动车bolt 的基础上搭载了 5 个激光雷达，
14 个摄像头，3 个广角雷达，8个长距雷达，10 个超声波雷达等超过 40 个传感器。
在这些传感器中，Cruise 搭载了一种独特的 ARA 方案。Articulating Radar Assembly（ARA）配备了长距离雷达传感器，
擅长远距离探测物体和来车，但视野较窄，类似于长焦镜头相机。
为了克服这一局限，Cruise 团队将雷达安装在可旋转的装置上，使其能够随车辆转向快速调整方向。
ARA 系统通过利用高精地图数据，结合交通模式和车辆位置数据，智能地确定雷达的指向方向。
Cruise 虽然没有搭载绘图传感器，但其激光雷达设备采购自第三方供应商，使得其感知系统的成本在 5 万美元左右之间。
因此，Cruise 计划将其自动驾驶工作的重点转向：减少和整合各种传感器，以降低成本；
降低对高精度地图的依赖，甚至可能像特斯拉那样完全不使用地图；以及为算法和虚拟验证设计通用的工具和流程，
以提高自动驾驶开发的效率和规模化能力。缩减成本已成为 Cruise 的首要任务。
Cruise 传感系统方案
数据来源：GMauthority
Cruise 的ARA 组件
数据来源：Medium
萝卜快跑第六代车颐驰 06 的感知系统采用了 ADAS 半固态激光雷达方案，全车配备了 38 个外部传感器，
包括 8 个半固态激光雷达、6 个毫米波雷达、12 个超声波雷达和 12 个摄像头。
主激光雷达为 4 个128 线程的禾赛 AT128，每个的售价约为 3000 元。
与 Waymo、Cruise和百度曾使用的售价约为 1 万美元的 64 线程机械激光雷达相比，半固态激光雷达的方案显著降低了成本。
另一方面，激光雷达核心技术的性能提升使得所需搭载的数量不断减少。AT128 每秒可以生成 153 万点数据，
四个激光雷达已经能够满足 L4 级自动驾驶对高精度感知和360° 全景覆盖的严苛要求。
得益于半固态激光雷达方案，这套感知系统的总成本估算约为 26,000元，仅为 Cruise 和 Waymo 方案成本的零头。
百度通过这一方案显著降低了感知系统的成本，同时仍然满足了 L4 级自动驾驶对高精度感知系统的要求。
在其他 Robotaxi 公司仍在努力降低硬件成本时，萝卜快跑则可以专注于商业化运营。
这一成本优势为百度的战略目标提供了有力支持：到 2024 年底，萝卜快跑计划在武汉实现收支平衡，并在 2025年全面进入盈利期，这一目标正变得越来越现实。
颐驰06 半固态激光方案
萝卜快跑第六代感知系统成本预估
Cybercab 采用的则是纯视觉的 HW4.0 感知系统方案，摄像头成为了智驾的核心。
特斯拉已经积累了 20 亿公里的行驶里程，并通过 Dojo 训练进一步提升了系统的性能，这为纯视觉方案的实现提供了坚实的基础。
相比于 HW3.0 的 8 个摄像头，HW4.0 新增了 3 个环视摄像头和 1个 4D 的毫米波雷达。
11 个中 7 个为 RGGB 摄像头，分辨率均为500 万像素。双侧 B 柱前向摄像头和双侧轮眉后向摄像头各有 500 万像素，后者还可充当流媒体后视镜。
两个前向摄像头具备更高分辨率和更广视角，主镜头可视 150 米，广角镜头视 60 米，后向摄像头同样具备更高分辨率和广视角。
此外，车内设有一个高分辨率的摄像头用于检测驾驶员疲劳状态。
前向雷达配备特斯拉定制的 Phoenix 4D 高分辨率毫米波雷达及雷达加热器，有效防止冰雪天气对信号的影响，探测范围为 300 米。
Phoenix 4D 毫米波雷达在传统雷达功能基础上增加了目标俯仰角的“高度”数据，提升了四维信息感知能力。
Phoenix 4D 毫米波雷达
数据来源：Arbe
Cybercab 示意图
数据来源：X
在成本方面，根据greentheonly 的拆解分析，这款毫米波雷达的总成本约为120 美元（约合人民币859 元），内置的AI 芯片来自AMD 和美光。
摄像头则来自三星，11 个摄像头的总成本大约为300 美元（约合人民币2200 元）。
得益于纯视觉方案，Cybercab 配备了所有Robotaxi公司中成本最低的感知系统。
硬件：智驾芯片-Robotaxi 的大脑
在自动驾驶技术迅猛发展的今天，自动驾驶芯片作为核心组件，扮演着至关重要的角色。
这些芯片不仅承担着复杂的计算任务，如实时环境感知、路径规划和决策制定，而且是实现高效、可靠和安全自动驾驶系统的基础。
随着技术的不断进步，自动驾驶芯片的性能要求也在持续提升，推动了芯片架构、计算能力和制程工艺的创新。
在不同的Robotaxi 公司中，自动驾驶芯片的选择也各有不同。
在介绍各家的芯片方案前，先介绍一下CPU，NPU，GPU 和TPU 这几个概念，
GPU 主要用于图形渲染，而TPU 和NPU 则是专门为机器学习工作负载设计的。
GPU 擅长并行处理，适合训练复杂的神经网络，而TPU 在此基础上进一步专注于张量运算，以实现更高的速度和能效。
TPU 和NPU 更为专注于AI 任务，提供更高的定制化，而GPU 则提供更通用的处理能力，适合各种计算任务。
CPU（中央处理单元）负责计算设备中的通用计算任务，执行基本指令和逻辑运算。
CPU 的灵活性使其能够处理各种复杂计算任务，是计算系统的核心组件，提供整体稳定性和处理能力。
是一种集成电路（IC），将多个计算组件集成到单个芯片上。
它将CPU、GPU、内存、输入/输出控制器等功能整合在一起，以提供完整的计算解决方案。
Waymo 在2012 年便开始涉足自动驾驶技术。然而，作为行业先驱的Waymo 近年来进展缓慢。
其主要原因在于Waymo 过于专注于软件算法，忽略了硬件平台的建设。
自动驾驶需要软件与硬件的高度配合，两者的不匹配可能导致系统效率低下，甚至出现硬件利用率低于10%的情况。
因此，在2021 年Waymo 联手三星开始开发自己的自动驾驶芯片。
根据电子工程世界的分析，Waymo 的智驾芯片很有可能使用三星Exynos2200 作为Soc，加一片谷歌自研的TPU 用于加速计算。
其内部的NPU 的计算能力至少可达30TOPS。TPU 是谷歌的长处，其估计算力可达360TOPS。
这样的方案显著降低了成本，预计不会超过英伟达系统的成本，并且与算法的兼容性更高。
三星Exynos2200 详细参数
数据来源：佐思汽研，三星
谷歌历代TPU参数
数据来源：佐思汽研
Cruise 的智驾域采用了来自Nvidia 的Orin 芯片。Orin 的CPU 部分基于ARMCortex-A78AE 架构，
包含12 个Cortex-A78 核心和一个基于ArmCortex-R52 的功能安全区域。
在GPU 方面，Orin 配备了NVIDIA 的AmpereGPU，包含两个图形处理集群（GPC）和128 个CUDA 核心。
总共有2048 个CUDA 核心和64 个Tensor 核心，算力达到254TOPS。
由于Cruise 的采购量太小，在与英伟达的谈判过程中并没有议价权，导致芯片的采购成本居高不下。
因此，Cruise 正在从Nvidia 的产品转向自研芯片，目的是降低成本并扩大生产规模，这些自研芯片将为其Origin车型提供动力。
截至目前，Cruise 已经开发了四款内部芯片——包括一个名为Horta 的计算芯片；
一个名为Dune 的芯片，负责处理来自传感器的数据；一个用于雷达的芯片；以及一个尚未公布的芯片。
Nvidia 自动驾驶方案
数据来源：英伟达发布会
Orin 芯片架构
数据来源：Orin 白皮书
萝卜快跑第六代车颐驰06 具有1200TOPS 的算力。根据佐思汽研的推测，颐驰06 大概率采用的是百度自研的昆仑芯2.0。
昆仑芯2.0 的内部架构图展示了一种独特的设计，本质上是一个CPU 加上NPU 的组合。
其中，SDNN（软件定义的神经网络引擎）是其自主研发的核心张量计算单元，专注于加速卷积和矩阵乘法的计算，即NPU 的功能。
Cluster部分主要负责除卷积和矩阵乘法之外的通用计算，类似于CPU，处理标量计算。
XPU-R 结构包括8 个Cluster 单元和6 个SDNN 单元。Cluster单元主要执行通用计算任务，支持SIMD 指令，具备通用性和灵活的编程能力。
SDNN 则负责MAC 类计算和EW 类计算，能够提供256TOPS的算力。
Nvidia 自动驾驶方案
数据来源：佐思汽研
Orin 芯片架构
在成本方面，这可以看出自研芯片是更好的选择。第六代颐驰06 需要1200TOPS 算力，即需6 片昆仑芯2.0。
百度的R480-X8UBB 基板可连接8 片昆仑芯2.0，总成本约为2-3 万元人民币。
相比之下，使用英伟达Orin 并不划算。Orin-X 在国内的稀疏算力为254TOPS@INT8，存储带宽204.8GB/s，低于昆仑芯2.0 的512GB/s。
如果要达到1200TOPS，仍需6 颗Orin，但由于Orin 没有片间连接能力，算力不会超过400TOPS，且6 片Orin 成本近2 万元。
此外，Orin 缺乏多片并联基板，需要额外开发嵌入式计算平台，开发周期和成本远超昆仑芯2.0。
Cybercab 使用的是特斯拉自研的FSD2.0 芯片。第二代的FSD 将CPU内核增加到五个四核集群，总共有20 个Cortex-A72 核心。
其最关键部分是三个NPU 核心。这些核心使用32MB 的SRAM 存储模型权重和激活数据。
每个周期内，从SRAM 读取256 字节的激活数据和128字节的权重数据到乘法累加单元（MAC）。
MAC 设计为96x96 的网格，每个NPU 核心在每个时钟周期可进行9216 次MAC 运算，总共有18432 个操作。
每个芯片的三个NPU 以2.2GHz 的频率运行，总算力达121.651TOPS。
特斯拉FSD 第二代
特斯拉FSD 架构
数据来源：Wikichip
根据汽车之心的分析，FSD2.0 芯片采用7 纳米制程，由三星在其美国S2-2 工厂代工生产，该工厂毗邻特斯拉位于奥斯丁的工厂。
同时三星的7nm 芯片代工价格极具竞争力，约为台积电的1/3 甚至1/4。
因此，特斯拉FSD 第二代芯片在采购成本和运输费用比其他自研芯片更低廉。
在所有自动驾驶芯片中，Nvidia 的Orin 采购成本最高。其高昂的价格主要源于英伟达芯片的高毛利率，通常在50%左右。
由于Robotaxi 公司的采购量尚小，无法对英伟达形成有效的议价能力，因此只能以较高的价格购买Orin 芯片。
自动驾驶芯片
为了实现L4/L5 级别的自动驾驶，所需的计算能力需超过1000TOPS，这意味着需要6 颗Orin 芯片。
然而，Orin 芯片不具备多片并联的能力，因此还需开发专用的嵌入式计算平台，
这进一步延长了开发周期并增加了成本，与自研芯片的成本效益形成鲜明对比。
因此，自研芯片成为Robotaxi 公司在降低成本和缩短开发周期方面的最佳解决方案。
软件：算法-Robotaxi 的神经
自动驾驶算法被誉为Robotaxi 的“神经”，在车辆的自动驾驶过程中起着至关重要的作用。
这些算法通过处理传感器（如LiDAR、摄像头、雷达等）采集的数据，实现对周围环境的实时感知、路径规划以及决策制定。
具体而言，自动驾驶算法核心包括以下几个模块：
(a)感知模块：负责识别和检测道路上的物体，包括其他车辆、行人、交通信号等。
它依赖于先进的机器学习和计算机视觉技术，从而精准地分析和理解周围环境。
(b)定位模块：基于感知到的信息，预测模块负责分析周围物体的潜在行为和移动轨迹。这些预测帮助车辆预见并准备应对可能发生的情况。
(c)决策模块：根据预测结果和当前的交通规则来决定车辆的具体行为，例如何时应该加速、减速、停车或变道，以确保安全和流畅地行驶。
(d)规划模块：在决策模块的基础上，规划模块详细制定车辆的行驶路线，包括转向、速度调整和路径规划。
它需要持续更新路线以应对动态变化的道路条件，确保行驶的高效和安全。
通过这些算法，Robotaxi 能够实现高度自动化的驾驶体验，减少人类驾驶干预，提升出行效率和安全性。
这些模块协同工作，使自动驾驶车辆能够安全、高效地完成驾驶任务。
Waymo 的算法经过11 年的研究和实验，投入了大量技术和努力实现了L4 级别的自动驾驶。
Waymo 的算法系统是动态的，由神经网络架构搜索(NAS)单元构建。这种架构类似于ResNet，旨在通过自动学习找到最佳的神经网络组合。
在搜索过程中，系统会测试10,000 个架构，预选100 个模型，最终选出一个基于准确性和推理成本的获胜者。
Waymo 自动驾驶复杂任务的视图
数据来源：智能交通技术前沿
Waymo 算法训练过程
数据来源：Waymo
在感知方面，Waymo 通过主动学习来收集数据，并利用AutoML 生成和选择更高效的架构，优化检测障碍物、交通灯和道路的能力。
Waymo通过使用地图、激光雷达和GPS 来实现高精度定位。与其他依赖摄像头和GPS 的系统不同，
Waymo 结合了谷歌地图积累的丰富经验，实现车辆在全球范围内的精确定位。
Waymo 的定位系统重视冗余，确保车辆在复杂环境中的稳定性和可靠性。
Waymo 的预测模块通过使用循环神经网络，系统能够利用历史数据来预测未来的行为。
Waymo 的系统可以评估行人和车辆之间的互动，并评估潜在的事故风险。
这一预测算法结合了机器学习和人类知识，确保遵循交通法规和合理的驾驶行为预期。
当对驾驶员的行为进行准确地预测后，算法能够生成合适的轨迹，也就是决策生成。
规划模块根据可行性设计路径，以保持车辆在道路上安全行驶并避免碰撞，同时通过人工标注员的反馈来生成更逼真的轨迹。
然而，系统仍然面临挑战，例如对高精地图的依赖和激光雷达在恶劣天气条件下的局限性。
Cruise 的感知模块更加复杂，其将传感器数据被输入AI 主干算法，进行分割（识别并区分不同物体）、
纹理分类（识别车辆和物体的具体类型）、属性理解（识别车辆的动态特征，如尾灯和车门的开闭状态）、
目标跟随（持续跟踪动态物体）、行为预测（预测其他交通参与者的潜在动作）以及闭塞推理（推断被遮挡或不可见区域的潜在风险）。
通过这些技术，Cruise 在繁忙城市环境中有效应对长尾驾驶场景，如旧金山的特殊交通状况，确保自动驾驶车辆的安全性和可靠性。
Cruise 神经元架构
数据来源：Cruise，Vehicle
Cruise 开发流程
数据来源：Cruise，Vehicle
Cruise 的预测模块通过深度学习的预测神经元结构实现，分为三部分：
首先，编码阶段通过场景编码、目标历史编码和目标对目标图形进行分析，使用“MixtureofExperts”策略来识别各种可能的后续行为。
其次，解码阶段优化初始和长期轨迹，并处理交汇轨迹预测、多模不确定性和交互识别等任务。
最后，自我监督阶段通过行为自我标签和交互自我标签进行反馈和持续学习。
该模块通过自我训练扩展到复杂场景，如城市驾驶和拥挤的十字路口，利用闭塞推理来处理无法直接观察的情况，
并通过数据挖掘不断提高感知的准确性和有效性，从而增强安全驾驶能力。
Cruise 的决策模块通过以下步骤实现自动驾驶决策：
首先，在决策生成阶段，车辆结合所有交通参与者的预测信息生成初始动作，如加速、停车或避让等，并通过机器学习模型加速选择最佳轨迹。
接下来，在冲突解决阶段，根据初始动作结合交通场景中所有参与者的运动信息进行轨迹采样，并对轨迹进行评分。
评分标准包括安全性、交通规则、舒适性、不确定性以及全局规划导航信息。
通过多次迭代选择最优运动轨迹，利用强化学习解决不确定性问题。
最后，在计划执行阶段，基于生成的路径，考虑车辆动态和现实环境的控制干扰，选择最优执行控制，确保车辆平稳、安全地行驶。
萝卜快跑使用的是百度Apollo 的Autonomous Driving Foundation Model （ADFM），被誉为全球首个支持L4 级别无人驾驶业务的大模型。
ADFM由感知大模型和规划大模型组成，通过联合训练实现从原始数据到油门和转向输出的端到端自动驾驶系统。
在感知模块中，ADFM 具备检测、跟踪、理解和建图的能力。
它通过点云和视觉多模态融合，将相机和激光雷达等传感器的优势结合，提升系统的深度、准确性和信息丰富程度。
在数据处理方面，感知大模型实现了自动化数据自标注，将原始数据转化为粗标和精标数据，解决了数据标注的瓶颈问题。
该模型对长尾场景的检测更为精准，能够识别不规则障碍物、行人和施工区域等。
在规划模块中，ADFM 通过决策规划网络接收感知网络输出的数据，包括三维向量空间和BEV 特征。
利用Transformer 技术，模型在大量数据中挖掘关系，生成最佳的轨迹匹配，确保车辆安全有效地导航。
感知网络从原始传感器数据中提取信息，生成道路结构和障碍物等数据，这些数据不仅用于模型内部，
还以人类可读的形式输出，确保系统的可监督性和问题追溯性。
百度采用“先分段，再联合训练”的策略，旨在平衡模型的性能和可解释性。
这种方法有助于提高准确率和鲁棒性，但在各模块之间的协调方面可能会面临挑战。
ApolloADFM 感知和规划算法架构
数据来源：Apollo
Cybercab 搭载的特斯拉FSD 算法使用了一种叫做OccupancyNetwork 的感知技术，
简单来说，就是在判断每一个“空间小块”（3D 体素）是否被某物体占据。
这个技术特别灵活，因为它不需要预先假设物体的形状，能够检测任何形状和运动状态的物体。
比如，它可以精准识别变形的或不规则的障碍物，比如拖挂车或翻倒的车。
OccupancyNetwork 使用RegNet 和BiFPN 从多台相机中提取特征，然后通过注意力机制将3D 空间信息与2D 特征图结合。
它能够突破传统方法在分辨率上的限制，通过一种称为“隐式查询解码器”的技术，
准确解码出不同位置上的占据状态、语义和流动性信息，从而提高检测的准确性和灵活性。
预测模块的核心是InteractivePlanning 算法，专注于复杂路口的交互行为。
由于其他车辆和行人的行为具有不确定性，系统需要对各种可能的交互情况进行预测，并评估每种情况的风险。
这个算法使用了一种叫“交互搜索”的方法，包括树搜索、神经网络轨迹规划和轨迹打分。
树搜索用来找到最佳的交互方式，但由于可能性太多，特斯拉用神经网络对潜在的目标位置进行打分，以选择少数优质目标。
然后，神经网络生成到达这些目标的轨迹，并对这些轨迹进行评分，结合风险和舒适性指标，选出最优的方案。
这个分步规划的方法使特斯拉能够高效处理复杂路况，提供安全、舒适的驾驶体验。
LanesNetwork 是地图模块中的核心技术，旨在创建在线矢量地图，提高自动驾驶车辆的路径规划能力。
不同于传统的像素级别地图分割，LanesNetwork 通过生成车道线的拓扑结构，显示车辆如何在车道之间切换。
矢量地图由车道中心线和关键点（如连接点、分叉点）组成，并通过图的形式表现它们的连接关系。
LanesNetwork 基于感知网络的一个解码器，类似于自然语言处理中的Transformer 解码器，逐步生成车道线的序列。
系统首先对空间进行离散化，然后生成一系列离散的“令牌”，预测每个节点的位置、属性和连接特性。
这种方法能够动态生成具有逻辑关系的车道结构，提供比传统地图更精细和灵活的路径信息。
此外，特斯拉通过自动标注技术，每天处理大量驾驶数据，生成高精度的车道线标注，进一步提升了矢量地图的精确性和实用性。
从而在规模化商业运营中，Cybercab 比其余依赖于高精地图的Robotaxi 更加容易扩展服务范围。
Occupancy 估计
数据来源：特斯拉发布会
矢量地图生成
数据来源：IT 之家
中游：整车制造自产自研
在Robotaxi 行业中，整车制造环节是一个关键的中游部分。
Robotaxi 公司通常采取三种合作方式来实现自动驾驶车辆的量产和部署：整车加装与联合开发，以及自产自研。
整车加装是大多数Robotaxi 公司（如Waymo，Cruise 和小马智行）的选择，通过在已有车型上加装自动驾驶硬件来实现自动驾驶功能。
这种合作模式使Robotaxi 公司能够利用现有成熟车型的基础设施和技术，快速推出符合市场需求的自动驾驶车辆。
通过借用成熟的车辆平台，Robotaxi公司能够降低研发成本，加快市场投放速度。
成熟车型经过市场验证，具备可靠性和安全性，这也使Robotaxi 公司可以将更多资源投入到自动驾驶技术的开发和优化上，从而在技术发展上保持领先地位。
Robotaxi 整车概述
然而，这种加装硬件的方案也带来了高昂的成本问题。这不仅包括智能驾驶硬件的费用，还涉及采购整车和改装的人工费。
自动驾驶车辆通常需要具备线性底盘，因为线性底盘通过电子信号传递车辆的控制命令，允许智驾域与车辆的电子控制单元（ECU）直接通讯。
这种底盘结构有助于提供更平稳的驾驶体验和更高效的硬件布置，但可能会限制车型选择。
此外，在现有车型上集成自动驾驶硬件和软件需要精密的技术协调，以确保车辆的整体性能和安全性，这对系统集成能力提出了较高的要求。
联合开发也许是更好的选择，如萝卜快跑与江铃的合作，可以显著降低智驾硬件的改装成本。
这是因为联合开发允许更好地集成和优化硬件系统，减少重复制造和安装成本。
并且定制的车型更加适用于网约车运营，颐驰06 采用了全自动换电模式，相比充电，换电节省出了充电时间，
也降低了维护充电的人力成本，在外观上融合了SUV 与MPV 的元素，采用空间飞梭式车身，车内空间更大乘客乘坐更舒适。
Waymo 与Cruise 的下一代车也均采用了与车企联合开发的方案。
Waymo的第六代车将于极氪联合开发，基于极氪MIX 开发的全新一代Robotaxi，
Cruise 则是与通用和本田联合开发了Origin 作为下一代Robotaxi，他们共同的特点都是没有驾驶舱，
从而座舱空间利用率超过80%，中型车的尺寸大型车的空间，乘坐体验更好。
第六代WaymoDriver
数据来源：Waymo
CruiseOrigin
数据来源：Cruise
自研自产策略（如Cybercab）在整车成本上才是最优选择。特斯拉整合了自动驾驶技术和整车制造能力。
这种垂直整合的方式使特斯拉能够更深度地控制车辆的每一个设计和生产环节，进而优化自动驾驶技术与整车的协调性。
通过垂直整合，特斯拉能够将硬件和软件的开发无缝结合，实现从芯片设计到系统集成的全面控制，这种方式不仅降低了制造成本，还缩短了产品开发周期。
Cybercab 应用程序
数据来源：特斯拉
这种策略还使特斯拉能够根据市场反馈迅速迭代产品，提升车辆智驾性能和乘客体验。
例如，特斯拉可以快速更新其自动驾驶软件，通过无线更新（OTA）为Cybercab 提供最新的自驾功能。
此外，特斯拉还能将其他车型纳入Cybercab 车队，从而在无需增加固定成本的情况下快速扩张市场。
这种自研自产和垂直整合的模式，展现了特斯拉在自动驾驶和电动汽车领域的战略优势，帮助其在市场竞争中保持领先地位。
通过垂直整合，特斯拉不仅能够优化供应链和降低生产成本，还可以更快地响应市场需求，实现技术和产品的同步升级。
下游：商业化运营提供全套解决方案
近年来，全球网约车市场规模增长迅速。根据Statista 预测，到2024 年，该市场的收入预计将达到1676 亿美元。
此外，2024 年至2029 年间的年复合增长率（CAGR）预计为4.89%，预计到2029 年全球市场规模将达到2128 亿美元。
在用户数量方面，网约车市场预计将显著增加，到2029年用户数量预计将达到23.1 亿。
用户渗透率预计在2024 年为23.1%，到2029 年将达到28.6%。用户平均收入（ARPU）预计约为93.59 美元。
这一增长主要由几个因素推动，包括城市化加速、消费者行为改变、智能手机和互联网普及使得人们更容易访问网约车应用，
以及环境关切促使人们选择共享交通方式而非个人车辆所有权。此外，技术的进步和服务向郊区及农村地区的扩展预计将继续推动市场的发展。
全球网约车市场规模
数据来源：Statista
全球网约车市场规模地图
数据来源：Statista
中国网约车市场规模
数据来源：Statista
美国网约车市场规模
数据来源：Statista
其中，中国预计将在全球网约车市场中占据最大规模。
截止2023 年底，中国网约车的用户基数达到了约5.28 亿人，比2022 年底增加了约9057万。这些用户约占中国互联网用户的48.3%。
全年，网约车行业共处理了约91.14 亿个订单，较2023 年增长了30.76%,我国网约车行业市场规模达到3606 亿元。
在供应方面，从2022 年3 月到2024 年5 月，网约车司机的注册数量月均增加超过11 万，总数从407 万增至703 万。
在需求方面，截至2023 年底我国网约车行业用户规模约为5.28 亿人，同比增长7.4%。网约车市场呈现供需同步向上的趋势。
而在美国，网约车公司面临来自政府的日益增加的审查和监管，导致市场整合和价格上涨。
具体而言，2024 年的预计收入为538.8 亿美元。
此外，预计从2024 年至2029 年，市场将以2.37%的复合年增长率缓慢增长，预计到2029 年市场规模将达到605.6 亿美元。
至于网约车市场的用户数量，预计到2029 年将达到9994 用户，用户渗透率预计从2024年的26.7%略微上升至2029 年的28.5%。
用户平均收入（ARPU）预计为590 美元。
目前Robotaxi 对网约车市场的渗透率不足0.01%，其较高的单价相比传统网约车服务，仍是限制其普及的主要因素。
据罗兰贝格的调查显示，多数消费者对于价格极为敏感，52%的受访者表示只有当Robotaxi 的费用低于现有网约车服务时，他们才会考虑将其作为常规的出行方式。
此外，有35%的用户表示，如果Robotaxi 的价格与网约车服务相当或者只贵10%以内，他们才可以接受使用Robotaxi。
Robotaxi 受众分析
数据来源：罗兰贝格
这种消费者行为反映了成本对出行选择的重要影响。
尽管Robotaxi 技术的发展带来了无人驾驶的可能性，提高了行驶的安全性和可预测性，
但在当前阶段，高昂的技术成本和初期运营成本导致Robotaxi 无法大规模替代传统网约车服务。
只有通过技术进步和规模化生产，进一步降低成本，Robotaxi 才能成为更具竞争力的选择，进一步渗透网约车市场。
商业运营模式
在软件定义汽车的行业趋势推动下，Robotaxi 行业呈现出多样化的运营模式，
其中“主机厂+自动驾驶解决方案供应商+运营商”的轻资产运营模式成为当前的主流。
以Waymo、捷豹和Uber 的合作为例，这种模式允许各方发挥各自的优势：
Waymo 提供先进的自动驾驶技术，捷豹负责生产适配该技术的车辆，而Uber 则利用其广泛的客户网络和运营经验来提供服务。
这种分工合作能够加快技术的市场化进程，同时分散单个公司在研发和市场推广中的风险。
Robotaxi 三种商业运营模式
或者与“百度+江铃+萝卜快跑”一样的合作模式，这类模式的特点在于，
自动驾驶企业不仅提供上游的技术解决方案，还承担下游的运营职责，但不直接涉及整车的制造。
这种模式允许自动驾驶企业与具有整车生产能力的汽车制造商进行深度合作，
从车企采购Robotaxi 车型进行商业化运营，而不必自建庞大的生产基地，徒增成本压力。
Cybercab 采取的自研自产自营模式是在Robotaxi 行业中相对较为罕见的一种重资产经营方式，它涵盖了自动驾驶技术的研发、车辆的生产以及最终的运营服务。
这种模式的最大优势来源于特斯拉强大的垂直整合能力，即从技术开发到产品制造，再到市场运营的每一个环节都在特斯拉的控制和协调之下。
这样的整合不仅可以显著提高操作的效率，减少协调不同供应商时的时间和成本开销，
还能在质量控制方面实现更高标准，确保每一个环节都符合公司的严格要求。
考虑到这三种模式各有千秋，未来Robotaxi 行业可能会看到它们的并行存在。
合作模式能够利用行业合作的力量快速扩展和适应多变的市场，而一体化模式则可能在成本控制和技术创新方面取得更大的突破。
这种多元化的发展趋势不仅为市场参与者提供了选择，也为消费者带来了更丰富的服务和体验。
