端到端自动驾驶要求海量高价值数据、超大规模算力和专业适配算法作为支 持。自动驾驶领域数据类型多样、格式复杂、算力分散，且以 Transformer 为基 底的人工智能网络模型结构在智能驾驶领域的适应性尚未被充分验证。建立行业 级智能驾驶智算数据平台，有望集中行业力量，建立高质量自动驾驶数据集、集 中算力资源、合力研发适用于端到端自动驾驶的算法模型，是推动人工智能技术 融入智能驾驶领域，破解我 融入智能驾驶领域，破解我国智能驾驶相对落后局面、实现赶超的最有潜力途径。 “智能驾驶智算数据平台”是指服务于汽车智能驾驶模型开发及测试的数据、 算力和算法综合服务平台，通常可分为企业级平台和行业级平台。其中，“智能 驾驶模型（智驾模型）”是指可具备感知、预测、决策、规划、控制等功能、可 驱动自动驾驶车辆安全、高效运行的分块化或一体化神经网络载体模型。 图 1 行业级智能驾驶智算数据平台示意图 智算数据平台一般由大算力 或专用人工智能芯片并行集群为主要计算 硬件，可以服务于人工智能深度学习模型的设计与训练，自动驾驶算法在各类数 据基础上不断地重复训练与验证，推动车辆对环境感知、路径规划等的认知水平 逐渐趋近于真实驾驶场景。 行业级智能驾驶智算数据平台旨在为行业内整车企业、智驾供应商、研究机 构及高校等主体的智能驾驶模型开发和应用提供基础数据、算力和算法服务，并 智能驾驶智算数据平台发展研究报告 2 协调上述单位及相

无论是多传感器融合派厂商，还是视觉派厂商，都大量使用智能化传感器，他们是实现 NOA 的必要条件。 要实现 NOA 对智能传感器硬件要求很 高 特斯拉 Model 3 小鹏 G9 厂商要搭建起高效的算法模型 ，开发的系统既要能精准识别并处理各传感器获得的数据 ，还要能有效应对模 型未考虑到的长尾问题。这大大增加了系统所需数据量 ，增加了开发难度。 软件在 NOA 等行为。 小鹏汽车开发的城市 NGP 的代码量 、 感知模型数量、 预 测 / 规划 / 控制相关代码量 ，分别是其高速 NGP 是 6 倍、 4 倍 和 88 倍。 要实现 NOA 还需要高水平算法的支 持 上图：摄像头获得的车 辆左、 中、右三方的感 知结果（即路况）。 下图： BEV+Tf 架构下， 特斯拉自动驾驶软件对 上图感知结果进行融合 后的效果。 新架构下特斯拉自动驾驶软件的融合效果 特斯拉率先在汽车业应用 AI 大模 型 传统算法将自动驾驶系统划分为感知、规划、控制等 3 大块 ，每个部分又可细分为不同的模块和子模块。每个 模块各司其职 ，有着独立且明确的目标。 传统的自动驾驶算法框架 传统的自动驾驶算法是基于规则开发的 规划模块的作用主要是根据车辆实 际行驶时面临的实时交通环境

于创造社会价值，才能让科技成果转化为普惠民生的发 展动能，让每一条道路都通向更美好的安全出行图景。 技术突破是根基，安全落地是底线。自动驾驶技术的核 心在于构建全域要素深度融合的智能系统。需要在感知 算法、决策控制、高精定位、计算芯片等关键领域持续 深耕，同时以更高标准解决复杂交通场景下的长尾问题。 但技术的进步必须以安全为前提，必须将“可解释性”和 “可靠性”融入技术研发的全生命周期，构建覆盖汽车研 智能驾驶技术架构与关键能力 08 2.1 车端硬件 09 2.1.1 感知硬件 09 2.1.2 域控制器 13 2.1.3 执行硬件 18 2.2 车端推理 19 2.2.1 算法架构演进 19 2.2.2 算法场景应用 20 2.3 云端训练 20 2.3.1 训练数据 21 2.3.2 训练芯片 22 第三章 智能驾驶行业赋能与场景创新 24 3.1 主动安全 25 代表自动 驾驶功能。 1.2 智能驾驶的逻辑架构 智能驾驶系统由车端传感器、车端平台层、车端算法层、 云端服务层四大部分组成，车端平台层以芯片、域控制 器、车载通信和操作系统等驱动摄像头、激光雷达、毫 米波雷达等传感器进行环境感知，并通过车载通信实现 车云协同；车端算法层整合管理域、算法、应用及安全 域，实时解析传感器数据生成决策指令；云端提供全导 航、数据管理和模型训练等功能，通过

最新超高速面部识别算法， 容量大、识别速度快、误判率低，彻底解决单个生物 识别应用的局限性。集成高分辨率夜视红外和彩色双 摄像头功能，试用范围广，且不受外界光线影响，无 论在强光下还是黑暗中都能进行有效识别。符合人体 工程学全彩触摸屏的外观设计，工业设计由德国专业 公司主导完成。 产品介绍 1-8 面部识别机 产品特点： 采用 ZKFace 最新超高速面部设别算法 高分辨率红外和彩色双摄像头。 2016 年 发布自主知识产权的可见光面部识别算法 ZKLiveFace 3.0 、 多模态手掌识别算法 ZKPalmVein 5.0 、远距离虹膜识别终端 及面部、指纹、手掌多模态混合生物识别终端；正式更名为 “中控智慧科技股份有限公司”；印尼、智利、秘鲁、哥伦比亚、 墨西哥、土耳其子公司成立。 2014 年 推出多模态手掌识别算法 ZKPalmVein1.0 ，中控智慧美国硅 发布可见光面部识别算法 ZKLiveFace 2.0 、指静脉算法 ZKFingerVein 3.0 、手掌识别算法 ZKPalmVein 2.0 ；推出时 间魔方、百傲瑞达等时间和安防管理平台，奠定中小企业智能 办公、智慧安防的坚实基础；印度、泰国、南非、英国、香港 子公司成立。 发展历程 公司资质案例 2012 年 发布基于指纹、面部识别、虹膜、指静脉混合生物识别算法 ZKMutiBio3

802.11af/ah LTE-M 丰富的网络连接能力 广泛的设备接入能力 感知 边缘计算 • 新型边缘存储与管理技术 • 边缘计算引擎与边缘计算框架 • 适合边缘场景的轻量级智能算法库 • 核心边缘计算硬件 神经 物联网 History Time-series Relational Log DB Object DB 新型时序数据库 数字孪生 智能增强的工业机理 血液 库存仿真 历史库存仿真 算法结果与历史结果 对比 KPI 分析报表 库存健康监测 库存监控 BOM 拆分 需求分类 多层级预测结果 预测报表 智能预测配补货技术架构 适配多种主流业务系统，大数据的分布式计 算架构，基于容器的可扩展快速部署体系 技术特色 人工智能预测算法、分布式计算、概率预测 的动态安全库存算法、多种库存策略、运筹 学库存优化算法 服务特色 提供城市地理大数据服务，支持门店级需求 提供城市地理大数据服务，支持门店级需求 预测 提供独立的预测和补货算法 API 服务 可根据客户场景定制算法和系统功能 27 2.1.1 库存优化功能概览 服务水平优化 需求预测 补货计划 促销优化 多级库存优化 帮助权衡更高的服务水平与额外库存 成本的关系，通过敏感性分析指导企 业在指定库存需求的情况下达到最合 理的服务水平，找到最佳的经营模式 结合传统时间序列与 AI 算法，充分 利用企业内外部数据，为多种类别

及通过带渐进约束的稀 疏感知训练 ，巧妙地解决了此前主流大模型在稀疏激活上面 临的困境。 在通用大模型越来越卷参数规模和算力的情况下 ，如何通过 架构和算法创新去规避算力和成本的短板 ，我们认为小参数、 高性能模型是一个重要的趋势 ，特别对于手机、车载终端而 言 ，这样的端侧模型具有现实的需求。 产业研究 战略规划 技术咨询 13 来源：面壁智能公众号 文心一言沿袭了 ERNIE 3.0 的海量无监督文本与大规模知识图谱的平 行 预训练算法 ，模型结构上使用兼顾语言理解与语言生成的统一预训 练框 架。为提升模型语言理解与生成能力 ，研究团队进一步设计了可 控和可 信学习算法。 结合百度飞桨自适应大规模分布式训练技术和“鹏城云脑Ⅱ ”领先算力 集群 ，解决了超大模型训练中的多个公认技术难题。在应用上 14 算法框架上 训练上 目前海外特斯拉、 Wayve 、 Comma.ai ，国内包括小鹏、理想、华为、蔚来汽车、元戎启行、商汤、地平线等诸多玩家都提出自己的 端 到端自动驾驶方案，在算法上端到端已经成为大势所趋。 但在发展路径上，行业预计也会经历渐进的过程。早期玩家致力于将算法从模块化架构平稳过渡到端到端，远期大语言模型和端到端 基 础

智能焊接机器人产业发展蓝皮书 15/141 图表 5 智能焊接机器人不同传感器类型特点对比 视觉传感 激光传感 基本原理 利用结构光投影或相机捕捉图像，通过 图像处理算法识别焊缝特征，提供焊缝 三维信息，辅助机器人进行路径规划。 基于激光三角测量法发射激光束并接收 反射光，实现焊缝的高精度测量，提供焊 缝深度、宽度等信息。实时监测焊接位置 和状态，能够自动调整焊接路径。 接参数，如电流、电压、送丝速度等，以适应不同的焊接条件。 一些先进的系统同时结合了激光传感器和 3D 相机来识别焊缝，利用摄像头和图像处理 及算法技术，系统能够识别焊缝的位置、尺寸和形状，达到自动规划焊接路径，实现“免示 教”焊接。通过深度学习、模式识别和优化算法，系统能够分析焊接任务，自主决定焊接参 数，如焊接速度、电流、电压等。智能焊接控制系统缩短了准备时间，提高了生产效率，特 别适合小批量、多品种的生产环境。 器人具备识别和自主规划焊接路径的能力， 而智能焊接控制系统是决定机器人识别和自主规划能力的核心。 三、视觉传感&焊缝跟踪系统 在焊接作业中，通过传感器实时采集工件图像，根据焊缝类型采用相关算法对图像进行 处理，找到跟踪点，随后将实时位置偏差信号反馈给焊接机器人控制器，机器人根据反馈信 2025 智能焊接机器人产业发展蓝皮书 21/141 号即时调整自身姿

小时内需更换”）。  对海量数据进行 全面深度分析；  精准预测。 AI 模型库的构建 AI 应用的价值 解决思路 振动 电流 压力 转速 前端智能传感器 + 云端智能运维算法 + 平台（手机 / 网页）展示界面 AI+ 在工业的应用——产品 知识经验库 AI+ 工艺优化 AI+ 质量 AI+ 设备 智能体  构建包含传感器数据、机理模型 和专家知识的三维知识库； AI+ 设备管理（预测性维护）技术架构 实验设备 现场设备 故障 诊断 维修优化 & 健康管理 运维人员 查看设备运行情况 安排维护计划设备检修 云端 传感器数据实时发 送到云端 算法 监测 信号 状态 监测 健康 评估 寿命 预测 大数据 治理 AI+ 设备管理（预测性维护）——产品清单 基 础 模 块 开发平台 实 时 监 振动测试和诊断分析软件 移动智能终端分析软件 软件 教学实验平台 机械故障模拟实验平台 加速寿命预测实验平台 其他定制实验平台 实验平台 数据治理 动态监测算法 智能诊断算法 寿命预测算法 库存优化算法 PHM 算法 无线传输系列 边缘采集系列 智能监测系列 AI+ 设备管理（预测性维护）——知识库简介 SPC FMEA MSA DOE AI 知识引 擎 标准规范库

在汽车行业百年发展史的大部分时间里，是以动力系统为代表的硬件为王的时代，规模、渠道、品牌 影响力等是核心竞争要素，但最近十五年的技术变革从根本上重塑了汽车的竞争法则。硬件逐渐趋同 化，数据、人工智能算法和计算平台成为新的核心竞争要素。 在过去的十五年的大部分时间里，行业技术发展的主要方向是软件定义汽车（SDV），以智能座舱和 辅助驾驶为代表，通过强大的车载计算平台，集成来自手机行业的操作系统、应用生态等，汽车的智 的竞争能力。 汽车制造AIGC带来工作效率和质量的提升。汽车工艺制造领域经历了从人工操作逐步过渡到自动化、 数字化、网络化直至智能化的深刻的模式变革。从工艺设计效率提升的角度看，AI通过机器学习算法， 能够迅速解析大量历史数据，快速精准地设计出最优的工艺方案，甚至可以实现实时动态优化。这样 大大缩短了研发周期，降低了成本，提升了产品的综合性能。 汽车制造AIGC更是对企业整体运营和决策方 面着手提高生成内容的完整性： 2.2.2 汽车设计大模型性能要求 • 一是输入知识的质量与完整性，利用NLP-OCR技术对自然语言书面文件进行知识自动抽取， 将抽取的知识建成知识图谱，构建软件算法和仿真模型基础模块库，作为设计大模型生成内容 的调用元素，解决知识分散、大模型生成结果无据可查的问题。 • 二是生成流程的完整性，生成内容的完整性要依靠数智化流程的完整性来保证。设计大模型通

展。 近年来，随着人工智能、大数据分析以及云计算等前沿数字技术的迅猛发展及其在汽车工业中的深度应用， 汽车产业正经历着前所未有的转型升级。 在智能驾驶领域，AI 驱动的视觉识别系统利用深度学习算法，能够精准地解析周围环境信息，包括但不 限于交通标志识别、障碍物检测及行人跟踪等。同时，借助自然语言处理与语音识别技术的进步，车载交互界 面得以实现更加智能化的人机对话，从而提升用户体验并确保驾驶安全。 车企能够轻松处理来自全 球各地的用户反馈和行驶记录，并利用这些数据优化产品设计和服务流程，从而为用户提供更加个性化的服务， 如智能导航、远程维护等。更重要的是，云端计算能力使得复杂的 AI 模型算法训练成为可能，加速了新功能 的研发周期，让创新成果更快地惠及消费者。 新技术带来的全新机遇 当前，全球智能汽车市场正处于蓬勃发展阶段。根据 IDC 研究数据显示，2021 年至 2026 年间，全球 头等）和高性能计算平台，汽车可以实时感知 周围环境，并作出相应的辅助决策，这种智能化的驾驶体验提升了驾驶的便利性和舒适性。除了智能驾驶能力 外，智能化汽车还具备自我学习和优化的能力，通过深度学习算法，汽车可以从大量的驾驶数据中提取有用的 信息，不断优化自身的驾驶策略，逐步提升了对复杂交通场景的处理能力。此外，汽车还可以根据用户的驾驶 习惯和偏好进行个性化调整，提供更加符合用户需求的驾驶体验