智能驾驶解决方案：引领未来出行新生态

行业概述

（1）定义

智能驾驶解决方案是指利用硬件、软件和算法相结合的方式，处理车辆周围环境的实时数据并基于自动计算做出决策，使车辆能够在各种交通场景中实现不同程度的安全和舒适的行车或泊车功能的综合解决方案。

（2）组成部分

智能驾驶系统根据客户所需的功能，由控制器、不同类型的传感器及软件算法组合构成，最后由智能底盘和动力系统执行智驾系统的决策。这些要素同步运作，确保精确的感知、高度自动化的决策和及时的车身控制。

图1：智能驾驶系统组成部分

资料来源：融中咨询

1）域控制器

域控制器负责整合和处理传感器数据，并执行高级感知、融合和决策算法，同时管理多个车辆系统之间的通讯，确保实时数据交流和同步，对驾驶辅助功能的可靠性、安全性和效率非常重要，是智能驾驶解决方案的核心构成要素。

域控制器结构相对复杂，主要包括：

图2：智能驾驶域控制器原理图

资料来源：汽车电子与软件

智驾SoC：SoC是一个将实现智驾功能的电子系统集成到单一芯片的集成电路，多为异构多核架构（如CPU+GPU+NPU），主频高（GHz级），内存和存储资源丰富（GB级）；在智能驾驶硬件系统中扮演了“大脑”的重要角色，负责处理智能驾驶系统中的复杂计算任务，如传感器数据融合、环境感知、决策规划、车辆控制等，同时确保数据的安全性和处理的实时性。

微处理单元MCU：MCU通常基于单核或简单多核架构（如Cortex-M/R系列），主频较低（百MHz级），内存和存储资源有限（KB~MB级），侧重实时性和低功耗，主要处理功能安全要求较高的数据，进行逻辑运算，包括处理雷达等对外接口数据、车辆规控、通信等。

存储芯片：负责对数据进行存储，包括eMMC、NorFlash、Memory芯片等。

其他部件：如电阻电容等无源器件、散热组件、密封性金属外壳、PCB板、接口、网关、电源管理芯片等。

2）传感器

传感器负责感知和收集车辆周边的环境数据，提供准确的距离、速度和方向信息。传感器主要包括摄像头和雷达。

摄像头：作为关键的视像传感器，可提供高分辨率的影像、准确地识别路面标志、交通信号和障碍物。目前具备智驾系统的汽车上搭载的车载摄像头根据安装位置主要分为前视摄像头、环视摄像头、后视摄像头、侧视摄像头以及内置摄像头五种类别。

表1：车载摄像头主要安装位置类别

资料来源：艾邦智造

雷达：是感知环境的重要传感器，可细分为毫米波成像雷达、超声波雷达和激光雷达系统。

表2：智能驾驶雷达系统类别

资料来源：艾邦智造

三种雷达方案各有优缺点：超声波雷达成本低、探测角度宽但远距离探测弱且受温度影响大；毫米波雷达全天候工作强、车速测量能力高但探测角度窄；激光雷达远距离探测强、环境建模精确但成本高、不良天气性能弱。

表3：三种雷达方案性能对比（颜色越深，性能越优）

资料来源：融中咨询

3）软件算法

软件算法可诠释感知和定位数据，预测和规划路径，并做出安全有效的驾驶决策。算法的发展直接与驾驶辅助的安全性和自动化水平挂钩，因此也是该领域技术突破的关键。

模块化自动驾驶算法架构：传统的模块化自动驾驶算法反映了工程师们根据人的思维模式，对自动驾驶所需处理过程的思考。通常包含感知、预测、规划模块，同时辅助一些地图、定位等模块，实现自动驾驶功能的落地。

图3：模块化自动驾驶算法框架示意图

资料来源：Apollo开发者社区

早期市场以传统计算机视觉和专家系统为基础构建辅助驾驶功能，随后因卷积神经网络（CNN）在图像识别任务上的出色表现，让深度学习在自动驾驶领域被广泛使用，以Waymo为代表的自动驾驶先驱玩家开创了激光雷达+高精度地图的感知范式，Cruise、百度等企业纷纷效仿。

图4 Cruise公司的激光雷达+高精度地图感知方案

资料来源：Cruise公司官网

但是高精度地图的高采集成本，高采集难度、人工修图费时费力、更新难度高、国内法规严格等特性导致经过数十年的发展，搭载这种解决方案的Robotaxi（自动驾驶出租车）的使用范围仍被限制在特定区域，使用对象也仅局限在商用车领域。

BEV+Transformer算法：用神经网络将多个2D的图像和传感器信息综合成为3D的向量空间视角鸟瞰图，交由下游规控模块处理。这种算法架构直接将传感器搜集到的周围信息由算法生成实时动态鸟瞰图，解决了智能驾驶车辆对高精地图依赖的问题，开启了智能驾驶新时代。

图5：摄像头视角与BEV算法视角对比

资料来源：特斯拉 AI DAY 2021

Occupancy Network算法：与BEV一样依托Transformer算法架构。输出的结果是Occupancy Volume（物体所占据的体积）和Occupancy flow（时间流）。它解决了障碍物识别率低的问题，将识别的物体转换为4D形式，无论车辆周围有什么东西，无论它认识与否，它都可以将其识别出来，避免碰撞问题。

图6：时间流通过光流法来判断

资料来源：特斯拉 AI DAY 2022

端到端算法架构：一种基于统一的神经网络，从原始传感器数据输入，直接到控制指令输出的连续学习与决策过程，过程中不涉及任何显式的中间表示或人为设计的模块，无需传统的多个模块参与，从而达成无损信息传递以及快速决策的效果，并能依托大模型算法，实现连续的模仿、学习、决策循环，不断迭代性能。

图7：传统模块化算法架构VS端到端算法架构

资料来源：36氪

4）智能底盘

智能底盘是一种为自动驾驶系统、座舱系统、动力系统提供承载平台，具备认知、预判和控制车轮与地面间相互作用、管理自身运行状态的能力。其特点有线控化、个性化、多执行器融合和更高的安全要求。

图8：智能底盘系统示意图

资料来源：融中咨询

（3）分类

1）自动驾驶能力划分

根据无人驾驶自动化程度，全球公认的分级标准主要有两个：美国高速公路安全管理局（NHTSA）和国际自动机工程师学会（SAE）。

中国于2020年参考SAE的0-5级的分级框架发布了中国版《汽车驾驶自动化分级》（GB/T 40429-2021），并结合中国当前实际情况进行了部分调整，大体上也将自动驾驶分为0-5级。

SAE标准：

表4：SAE无人驾驶自动化程度划分

资料来源：国际自动机工程师学会（SAE）

中国版标准：

表5：中国版《汽车驾驶自动化分级》无人驾驶自动化程度划分

资料来源：《汽车驾驶自动化分级》报批稿

2）智能驾驶解决方案分类

应急辅助系统：一种只能应用于紧急情况的系统，属于L0级无自动驾驶能力。

ADAS：一种整合传感器与运算平台的解决方案，具备增强处理复杂任务的能力且通常支持L1级、L2+级的自动驾驶能力。

ADS：一种能够执行全部驾驶任务的系统，具备L3至L5级的自动驾驶的能力，技术尚未成熟，目前主要应用在无人出租车领域。

表6：智能驾驶解决方案分类

资料来源：融中咨询

（4）行业特征

1）分阶段商业化

智能驾驶的商业化进程严格遵循技术成熟度曲线，呈现明显的阶段性特征。当前，L2级辅助驾驶（如自适应巡航、车道保持）已在私家车市场大规模普及，2024年渗透率超过50%，成为主流车型标配[1]。

而L3/L4级高阶自动驾驶仍处于试点或小范围商用阶段。例如，Robotaxi依赖“车企-智驾科技公司-出行平台”的金三角合作模式，通过前装量产降低成本，预计2030年后逐步成熟。用户对完全自动驾驶的预期亦趋理性，认为2030年前可实现的比例从31.5%降至27.6%[2]，反映市场对完全自动驾驶技术落地的阶段性期望。

2）强依赖规模化与数据闭环

规模化数据积累与闭环能力是智能驾驶技术演进的基础。

在智能驾驶领域里，海量高质量数据是算法和模型训练的基础。例如特斯拉FSD系统需100万个视频片段及60亿英里实路里程数据，以实现模型泛化。而BEV感知方案需至少1亿帧训练数据才能满足车规级泛化性、准确率要求，远超激光雷达（几十万帧）和单目摄像头（百万帧）的需求量[3]。

数据闭环的意义在于不断优化性能与使用体验，是实现城市NOA和更高级别智驾的必经之路。车企通过量产车收集用户驾驶数据，并构建“采集-标注-训练-仿真-OTA[4]更新”的闭环链路。传统数据闭环依赖人工处理，效率低下，而自动驾驶的数据闭环引入了AI大模型，实现自动标注与仿真，显著提升迭代效率。

3）产业链协同性高

智能驾驶产业链要求上下游企业跨领域深度协同，形成大中小企业分工合作、互利互惠的产业生态系统。

2021年，比亚迪先与汽车智能芯片企业地平线达成合作，后与自动驾驶公司Momenta合资成立自己控股的自动驾驶公司，布局高阶自动驾驶；从2023年起，比亚迪又引入了英伟达的自动驾驶芯片（Drive Orin）和自驾平台（DRIVE Hyperion），体现了智能驾驶产业链深度协同合作的特点。

在Robotaxi场景，车企按自身优势分工：制造端企业（如广汽）提供定制化车辆，科技公司（如Waymo）负责算法，出行平台（如滴滴）提供运营服务。协同模式有助降低单家企业研发成本，避免重复投入，加速商业化进程。

4）技术多学科融合

智能驾驶系统的各个模块需集成计算机科学、电子工程、机械控制等多领域多学科技术。

感知层依赖声学、光学等电子信息工程知识的应用：激光雷达解决三维建模，4D毫米波雷达弥补恶劣天气盲区，摄像头实现低成本图像识别。

决策层需结合AI算法与交通工程知识：BEV+Transformer大模型处理环境感知，并实时依据道路条件与交通规则完成决策。

控制层需机械动力学支持：线控底盘技术将电子信号转化为转向/制动指令，误差需控制在毫秒级。

此外，伦理、交通法规、保险等社科要素亦在智驾行业起到不可或缺的作用。

发展历程及趋势

（1）发展历程

智能驾驶解决方案行业的发展历程大致可分为三个阶段：萌芽阶段（20 世纪初 - 2010年）、商业化探索阶段（2010-2022年）与规模化落地阶段（2022 年至今）。

萌芽阶段：1956 年通用汽车展示具备自动导航功能的 Firebird II 概念车，至1980 年代“自动驾驶汽车”术语正式提出；1992 年，国防科技大学成功研制出中国第一辆红旗系列无人驾驶汽车；2005 年斯坦福大学团队车辆完成 212 公里越野赛道[5]，2007 年城市挑战赛首次模拟复杂交通场景，催生激光雷达、多传感器融合等核心技术。

商业化探索阶段：2010 年特斯拉推出 Autopilot ，推动ADAS 功能普及；同年谷歌启动自动驾驶项目，于2012 年获美国首个自动驾驶牌照；2014 年百度与宝马合作启动自动驾驶测试，于2019 年在长沙开启 Robotaxi 试运营；中国自 2017 年起逐步开放测试道路，同年北京发布国内首个自动驾驶测试规范，2021 年中国采纳 SAE 分级标准。

图 9：中国自动驾驶大事记

资料来源：北京科协

规模化落地阶段：2022 年武汉向萝卜快跑发放全国首批无人化示范运营资格，截至2024 年完成超过 600 万单[6]；2024年文远知行合作Uber，落地中东最大规模Robotaxi车队；2025 年广汽联合滴滴推出量产 L4车型，同年华为与江淮合作推出搭载 ADS 4.0的尊界 S800。

在规模化落地阶段，制度与技术实现双重革新。国内2022 年《深圳经济特区智能网联汽车管理条例》明确事故责任归属；2023 年《自动驾驶汽车运输安全服务指南》规范自动驾驶经营；2024 年确定 20 个“车路云一体化”试点城市推动落地[7]。

（2）未来发展趋势

未来智能驾驶解决方案的发展趋势主要体现在车端架构、硬件、软件、内容、产业生态等五个方面。

车端架构方面：电子电气架构由分布式向域集中式转变。分布式域控制器存在算力资源浪费和性能倾向性，而域集中式方案，即跨域融合和“区域控制器+中央计算机”方案，可以进一步降低线束数量，在降低物料成本的同时，提高域控制器性能的集成度。当前形成了两种主流的跨域融合方案：按功能融合（三域架构/舱驾一体）、按位置融合（区集中式）。

图10：跨域融合和“区域控制器+中央计算机方案”

资料来源：盖世汽车，佐思汽车研究，国信证券经济研究所

硬件配置方面：车企传感器方案重心向视觉倾斜，同时底盘端线控制动和线控转向渗透率也将提升。视觉感知信息丰富，在大模型的助力下优势显著。目前国内新势力车型普遍采用 30+个传感器配置，摄像头占比约40%。此外，线控底盘以电信号驱动取代机械或液压部件驱动的执行机构信号，整体传输信息效率高、时间短、控制精确，是高阶自动驾驶的大势所趋[8]。

软件方面：2023 年后特斯拉推出 FSD V12 ，带动行业软件升级向端到端模型迭代。传统分解式模型对不同传感器传递的信息进行特征提取与处理，在核心关卡均需人为参与规则定义，但现实自动驾驶场景复杂且难以穷举。而端到端的核心是以 date-based 取代rule-based，减少人工干扰以扩大模型处理复杂场景上限。

图11：端到端模型

资料来源：九章智驾，国信证券经济研究所

内容方面：行泊一体方案是ADAS向高阶自动驾驶进阶的重要一环。传统方案中，行车与泊车的传感器、控制器相互独立，易出现感知盲区或决策断层问题。行泊一体方案将行车（如 ACC、LCC、NOA）与泊车（如 APA、RPA、HPA）功能集成于同一域控制器，提升系统集成度与功能复用性，推动降本增效、体验升级以及车路云协同发展。

图12：行泊一体的1.0-4.0形态

资料来源：ADS智库

产业生态方面：智能驾驶解决方案的产业生态向车企与科技公司共建合作发展。原有生态中车企依赖传统供应商提供模块化解决方案，导致技术迭代周期长、功能协同性差；新生态下，车企提供场景数据、集成整车，科技公司输出核心技术，形成“数据-算法-硬件”的闭环优化。

政策与融资动态

（1）政策环境

近几年，中国密集出台智能驾驶支持性政策，通过基础设施强制配套、数据共享机制及标准互认，加速产业从研发到落地的闭环，为智能驾驶解决方案提供全链条制度保障。

国家层面通过《智能汽车创新发展战略》等政策推动技术攻关与车路云协同，开放L3/L4级道路试点并明确车企责任；地方层面以深圳、北京、上海等立法破冰，允许全域测试与全无人运营，明确事故责任划分。

表7：中国智能驾驶行业相关扶持政策（国家层面）

资料来源：融中咨询

表7：中国智能驾驶行业相关扶持政策（地方层面）

资料来源：融中咨询

（2）融资动态

除2023年有短暂低潮，智能驾驶行业整体融资呈上升趋势。2019 - 2024年融资事件数和金额波动增长，2024年融资事件达55起，全年融资总额超300亿元，行业投融资事件同比增长66.67%，投融资金额同比增长299.71%[9]。

图13：中国2019-2024年自动驾驶投融资情况

资料来源：融中数据

2024年单月融资中，金额峰值在8月，单月融资额约为230.6亿元，主要是由华为旗下从事智能驾驶系统开发的公司引望智能的两轮战投拉高。投融资数量集中在2月、4-6月及10月，月均5起融资数量。反映出单笔融资额较大，且向头部集中的趋势[10]。

图14：中国2024年各月份自动驾驶投融资情况

资料来源：融中数据

细分领域显示资本聚焦清洁机器人（21%）、自动驾驶卡车（20%）、无人配送（15%）等，智能驾驶解决方案也占比较高，约为13%。整体占比差异不大，显示细分场景活跃，行业向商业化落地迈进。

图15：整车/解决方案企业相关产品分布情况(计数)

资料来源：雪球

从融资轮次看，智能驾驶行业2019 - 2024 年整体轮次分布中，C 轮占比达 35% 居首，A 轮与战略投资各占 16%，天使轮占 16%，反映整体行业处于成长期，既有早期项目获投，也有大量企业进入 C 轮等中后期融资阶段1。

智能驾驶解决方案行业2024 年过亿融资事件相对较多，企业成立时间多在 2015 - 2021 年，多为 C 轮及以后轮次，并出现小马智行、文远知行等企业的 IPO 案例，显示智能驾驶解决方案行业相对成熟。

图16：中国2019-2024年智能驾驶投融资各轮次数量

资料来源：融中数据

表9：中国2024年过亿自动驾驶解决方案投融资事件汇总

资料来源：融中数据

2019 - 2024年智能驾驶整体行业在融资地域分布中，依托核心城市引领，其中北京（29.09%）、上海（23.64%）、广东（17.27%）占比突出。在2024年自动驾驶解决方案过亿融资中，更集中于长三角和珠三角地区。

图17：中国2019-2024年智能驾驶行业投融资区域分布占比

资料来源：融中数据

图18：中国2024年过亿智能驾驶解决方案投融资事件地域分布

资料来源：融中数据

行业全景与市场规模

（1）产业链结构

智能驾驶产业链是一个涵盖核心部件供应、解决方案开发、整车制造及出行服务的多层次生态体系。

上游主要由核心部件供应商构成，如芯片、高精地图、云服务、定位系统等，为智能驾驶系统提供硬件和软件基础。

中游聚焦于智能驾驶解决方案的研发与优化，主要参与者包括新兴科技公司、传统一级供应商、科技巨头等。企业通过算法集成和架构创新开发具备感知、决策、控制功能的自动驾驶解决方案。

下游渗透至汽车制造和出行服务领域，主要参与者包括乘用车整车厂（OEM）、商用车企业、出行服务平台、城市智慧交通系统等。各厂家与平台通过利用智驾解决方案来解决特定场景问题，如自动驾驶乘用车、智能物流车队、共享出行平台、智慧交通管理系统等。

图19：智能驾驶产业链图谱

资料来源：融中咨询

（2）市场规模及驱动因素

在软硬件技术进步、消费者需求提升及政策法规推动下，L0至L2+级解决方案已大规模量产并广泛应用，推动全球智能驾驶解决方案市场显著增长。

全球市场规模（按收入计）从2020年的1,207亿元增至2024年的3,195亿元，年复合增长率27.6%，预计2029年将达6,611亿元，2024-2029年复合增长率15.7%。下图呈现2020至2029年全球市场规模（按收入计）。

图20：全球智能驾驶解决方案以收入计的市场规模（按自动化等级划分）

资料来源：融中咨询

中国已成为全球最大的智能驾驶解决方案市场。其L0至L2+级方案市场规模（按收入计）从2020年的216亿元增至2024年的909亿元，年复合增长率43.2%。预计2029年将达2,239亿元，2024-2029年复合增长率19.7%。

图21：中国智能驾驶解决方案以收入计的市场规模（按自动化等级划分）

资料来源：融中咨询

驱动全球及中国智能驾驶解决方案行业市场规模增长的主要因素包括：

1）行业政策法规支持

行业政策法规的支持是重要驱动力。全球政府出于提升交通安全考虑，正推行强制安装智能驾驶方案及促进商业化的措施。例如，欧盟要求特定车辆配备AEB和ELK，中国C-NCAP将AEB、LKA等功能纳入安全评估。

中国政府积极推动ADS技术发展，例如发布试点通知允许选定智能网联汽车在指定区域路试，并出台指南明确L3至L5级自动驾驶车辆的商用条件。这些政策有力促进了方案的采用与改进。

2）软硬件技术进步

软硬件技术的持续进步极大地推动了智能驾驶解决方案的发展。软件、算法、传感器和芯片等领域的创新，使得通过单一域控制器（DCU）整合多种功能成为可能，从而深度复用传感器并共享计算资源。这有助于供应商在全球范围内提供更具成本效益的方案，加速普及。

3）汽车智能化布局加速

全球整车厂正加速汽车智能化布局，将智能驾驶解决方案视为差异化竞争的关键。因此，各国整车厂都在积极倡导提升车辆的智能化水平，并在很大程度上增加了在智能驾驶领域的投资。

2020-2024年，中国配备L2级及L2+级驾驶辅助解决方案的智能汽车销量从373万辆增长至1,520万辆，渗透率由14.3%增长至47.4%。

图22：按自动化等级划分的中国智能汽车销量及渗透率

资料来源：融中咨询

客户类型与商业模式

（1）客户类型

智能驾驶解决方案的下游客户可以划分为几个主要类型，依据它们所处行业、使用场景以及采购目的不同，分布在乘用车整车厂、Tier 1、商用车、出行服务、城市政府等多个方向。

表10：智能驾驶解决方案行业下游客户类型

资料来源：融中咨询

（2）商业模式

智能驾驶解决方案的商业模式多样，可从To B、To C/G两大维度概括：

To B维度主要面向整车厂、Tier1供应商或物流企业，通过提供软硬件集成方案、算法授权、数据服务、项目定制开发等实现收入，常见于技术授权和自动驾驶货运场景；

To C/G维度则通过自运营或合作方式开展Robotaxi出行服务或末端配送，直接服务乘客或政府机构，以乘车费、运营收入为主。其中，自运营模式企业自有Robotaxi车队，例如特斯拉；合作模式主要是技术、整车和出行平台三分合作，整合各方优势资源，共同运营Robotaxi服务。

表11：智能驾驶解决方案行业下游客户类型

资料来源：融中咨询

竞争格局

（1）全球竞争格局

从全球范围来看，传统Tier1因为较早进入驾驶辅助领域，具有先发优势，长期占据有利地位，其中又以博世、大陆、法雷奥等主导。

不过传统Tier 1更强调模块解耦、分层集成、面向多客户供货，其核心优势在于制造能力、汽车级可靠性和供应链深度，但在AI主导、端到端算法和闭环迭代能力方面不如特斯拉、Mobileye等为代表的新一代“智能驾驶解决方案提供商”。

特斯拉、Waymo以及Cruise代表整车厂或科技巨头主导、自研为核心的模式，强调端到端神经网络和软件驱动，其中特斯拉FSD凭借端到端纯视觉AI技术和最大规模的数据闭环，成为推动全球量产智能驾驶进化的代表；Mobileye则是“平台型”Tier 1的代表，以自研芯片+算法输出标准化产品。

传统Tier1：博世（Robert Bosch GmbH）、大陆（Continental AG）、法雷奥（Valeo）、安波福（Aptiv PLC）、维宁尔（Veoneer, Inc）等；

新型科技公司：特斯拉（Tesla）、Mobileye、Waymo、Cruise等。

（2）中国竞争格局

中国智能驾驶解决方案行业的主要参与者包括有自研能力的OEM和第三方解决方案供应商，目前主要由第三方解决方案供应商主导，2024年搭载全部由该等供应商供应的智能驾驶解决方案的智能汽车占中国智能汽车总销量的比例超过75.0%。

第三方解决方案供应商可进一步分为海外供应商和自主供应商。海外传统Tier1凭借先发优势，长期在国内占据有利地位，尤其是涉及较低级别的驾驶辅助。按L0级至L2+级驾驶辅助解决方案产生的收入计，2024年海外传统Tier1市场份额为80.5%[9]。

总体而言，国内智能驾驶解决方案行业的竞争较为激烈，仅L0级至L2级驾驶辅助解决方案领域就有超过20家国产厂商。若按具体使用场景划分，国产解决方案提供商的主要分布如下：

乘用车（独立第三方）：德赛西威、经纬恒润、知行科技、福瑞泰克、纵目科技、百度、佑驾创新、毫末智行、东软睿驰、宏景智驾、易航智能、智驾科技、鉴智科技、元橡科技、四维图新、卓驭科技、迈驰智行、Momenta、轻舟智航、华为ADS、商汤科技、地平线等；

乘用车（自研OEM）：小鹏、理想、比亚迪、极氪、小米、哪吒等；

出行服务（Robotaxi）：百度APOLLO、小马智行、文远知行、AutoX、Momenta、元戎启行、智行者、蘑菇车联、滴滴等；

特殊场景商用车：驭势科技、仙途智能、九曜智能、图森未来、立得空间、新石器、西井科技、希迪智驾、九识智能、主线科技等。

1）乘用车（独立第三方）

目前L3级及以上自动驾驶解決方案尚未完全解决先进技术难题，商业化仍然面临很大的不确定性，因此国产供应商大多聚焦在L0级至L2+级解決方案。

按照L0级至L2+级解決方案收入规模计算，2023年国内智能驾驶解決方案供应商CR10约为14.7%，集中度相对较低，前十名供应商具体如下：

表12：2023年中国智能驾驶解决方案行业内供应商排名（按L0-L2+级方案收入计）

资料来源：融中咨询

近年来，国内L2级驾驶辅助解决方案逐渐普及，渗透率持续提升，配备L2级驾驶辅助解决方案的智能汽车在中国的销量占中国整体汽车销量的百分比从2020年的14.2%增长至2024年的38.4%。

若以配备L2级驾驶辅助解决方案的装车总量来统计，2024年排名前五的第三方自主解决方案供应商情况如下（市场份额按某一第三方自主解决方案供应商L2级驾驶辅助解决方案装车量除以中国第三方自主解决方案供应商L2级驾驶辅助解决方案装车总量计算）：

表13：2024年中国L2级第三方解决方案供应商排名（按L2级方案装车量计）

资料来源：融中咨询

随着技术进步和成本下降，L2+级驾驶辅助解决方桉的采用正在加速，配备L2级驾驶辅助解决方案的智能汽车在中国的销量占中国整体汽车销量的百分比从2020年的0.1%增长至2024年的9.0%。

若以配备L2+级驾驶辅助解决方案的装车总量来统计，2024年排名前五的第三方自主解决方案供应商情况如下（市场份额按某一第三方自主解决方案供应商L2+级驾驶辅助解决方案装车量除以中国第三方自主解决方案供应商L2+级驾驶辅助解决方案装车总量计算）：

表14：2024年中国L2+级第三方解决方案供应商排名（按L2+级方案装车量计）

资料来源：融中咨询

2）乘用车（自研OEM）

目前，多个新能源整车厂投入到智能驾驶技术的自主研发，推出了各自的智能驾驶解决方案。以下是一些主要厂商及其自研系统的概览：

表15：自研车企及其智能驾驶系统

资料来源：融中咨询

3）出行服务（Robotaxi）

国内Robotaxi出行服务领域的智能驾驶解决方案行业正处于“技术可行→示范试点→商业模式打磨”的阶段，主要形成了以百度Apollo、小马智行、文远知行为代表的头部竞争格局。

百度Apollo凭借旗下萝卜快跑服务品牌，在国内Robotaxi出行服务领域处于主导地位。其中，萝卜快跑搭载百度Apollo的L4级自动驾驶技术可应对海量城市道路场景，其自动驾驶牌照数、技术专利数、自动驾驶里程数均居全国第一。

小马智行、文远知行、AutoX等技术公司，通过与传统出行平台（高德地图、如祺出行、曹操出行、T3出行等）深度合作来部署一线城市，逐渐占据有利竞争地位。

表16：Robotaxi智能驾驶解决方案领域的重点企业运营及布局情况

资料来源：融中咨询

4）特殊场景商用车

港口、机场、厂区、矿区等特殊场景商用车，与乘用车从L2渐进式演进不同，可跳过低级别阶段，直接实现L4级自动驾驶的规模化商用。

由于不同场景的技术要求和生态差异，使得企业难以跨场景通吃，商用车L4级自动驾驶解決方案市场呈现“场景化垄断”特征：

表17：商用车L4级自动驾驶解决方案市场的“场景化垄断”

资料来源：融中咨询

风险与挑战

智能驾驶解决方案行业虽发展迅速，但在技术、法规、市场等多方面仍面临诸多风险与挑战，主要包括以下几个方面：

技术层面：世界的高维性，叠加安全性和车端部署可行性这两个严肃的要求，让智能驾驶解决方案行业面临显著的技术挑战，主要包括感知系统在复杂环境下的稳定性不足、算法模型对异常情况处理能力有限、网络安全风险频发，以及高性能计算对硬件和实时性的严苛要求，这些都对技术提出了更高的要求。

法律法规与伦理：涉及交通事故责任认定、数据隐私保护、伦理决策等方面缺乏明确标准，增加了企业的合规压力与潜在诉讼风险，同时也限制了自动驾驶的商业化落地速度。

用户接受度与市场推广：无论是个人消费者还是B端客户，对于智能驾驶系统的信任和支付意愿仍然有限，尤其在高阶自动驾驶场景中，如何建立用户信心、强化产品体验成为推广的关键难点。

此外，行业还受到政策不确定性和激烈竞争环境的影响。政府监管态度、技术标准制定与试点支持存在较大不确定性。同时，科技公司、车企与新势力玩家争相投入，资源集中化趋势明显，加剧了中小企业的生存压力。

[1]2025中国智能驾驶商业化发展白皮书

[2]钛媒体极智Gee Tech

[3]https://www.cnblogs.com/yfinn/p/12064558.html

[4]https://www.hangyan.co/charts/3413337570463975038

[5]工信部等五部门《五部门关于公布智能网联汽车“车路云一体化”应用试点城市名单的通知》

[6]国信证券《智能驾驶行业专题：汽车智能化下的投资机遇探析》

[7]https://www.itjuzi.com/company/41550

[8]中商产业研究院《中国无人驾驶行业市场前景及投资机会研究报告》

[9]港交所披露易福瑞泰克招股说明书