合作与监管批准 - 自动驾驶技术公司WeRide与东南亚领先超级应用Grab宣布，新加坡陆路交通管理局已批准其整个AiR车队在榜鹅地区进行自动驾驶车辆测试[1] - 合作伙伴于2025年10月中旬在榜鹅启动了首次自动驾驶测试，此次批准将使两家公司加强其自动驾驶测试计划[2][7] 测试计划与车队规模 - 公司计划在年底前将其在榜鹅的穿梭服务路线上的自动驾驶测试总次数增加至多四倍[2][7] - AiR车队由11辆自动驾驶车辆组成，包括10辆五座GXR和1辆八座Robobus[3] 服务推出与定位 - AiR是由Grab与WeRide合作运营的公共自动驾驶出行服务，预计将于2026年初搭载首批公众乘客[3] - 该服务将在榜鹅设立两条专用穿梭服务路线，使该地区成为新加坡首个拥有自动驾驶穿梭服务的住宅区[3] 技术能力与测试重点 - 自动驾驶车辆配备了包含激光雷达和摄像头的传感器套件，具备360度视野，可视距离达200米，即使在雨中也能检测物体[9] - 测试期间，车辆会收集和分析真实世界数据，以本地化其人工智能驾驶模型，包括道路基础设施、交通流量以及当地道路使用者和行人的细微行为[8] - 自动驾驶车辆接受训练以应对各种天气条件，如突然降雨和强烈阳光眩光，以确保可靠运行[8] 安全措施与人员培训 - 在整个自动驾驶测试和公共乘车的初始阶段，安全操作员将始终在车上提供实时监督[5] - 为支持AiR服务的推出，GrabAcademy和WeRide正在培训首批超过10名经验丰富的Grab司机合作伙伴担任安全操作员角色，首批学员已进入上路培训阶段[7][10] 具体驾驶能力优化 - 自动驾驶车辆通过排练运营路线来磨练驾驶能力，包括执行精确的转弯时机、平稳的加速和减速，以及与所有障碍物保持最佳距离[13] - 车辆接受训练以安全导航常见和复杂的城市场景，例如在狭窄住宅道路和停车场中的急转弯，同时与墙壁、行人和其他车辆保持安全距离[13] - 进行调整以实现逐渐减速并在指定点准确停车，确保乘客能够轻松上下车[13]

行业前景与颠覆性影响 - 无人驾驶技术正给城市生活带来颠覆性改变，不仅改变交通和出行，甚至会改变整个社会生态 [1] - 根据ARK研究数据，至2030年，美国robotaxi每英里成本将降至约0.25美元，同时打车需求将放大5到7倍 [1] - 当打车足够便宜和方便时，需求将被激发，无人车将成为人们全新的移动生活空间，带来非常多的新可能 [1] 公司运营数据与市场地位 - 萝卜快跑每周全无人订单数已经超过25万 [1] - 萝卜快跑全球出行服务次数已超1700万，成为全球第一 [1] - 萝卜快跑服务覆盖全球22座城市 [1] - 萝卜快跑全无人驾驶里程突破1.4亿公里，自动驾驶总里程超2.4亿公里 [1]

行业前景与颠覆性影响 - 无人驾驶技术正给城市生活带来颠覆性改变 不仅改变交通和出行 甚至会改变整个社会生态 [1] - 根据ARK研究数据 至2030年 美国robotaxi每英里成本将降至约0.25美元 [1] - 当打车足够便宜和方便时 需求将被激发 预计打车需求将放大5到7倍 [1] - 无人车将成为人们全新的移动生活空间 带来非常多的新可能 [1] 公司运营数据与市场地位 - 萝卜快跑每周全无人订单数已经超过25万 [3] - 萝卜快跑全球出行服务总次数已超1700万 成为全球第一 [3] - 服务覆盖全球22座城市 [3] - 全无人驾驶里程突破1.4亿公里 [3] - 自动驾驶总里程超2.4亿公里 [3]

公司业务与战略 - Waymo开始在美国旧金山湾区、凤凰城和洛杉矶提供高速公路无人驾驶出租车服务 这是美国机器人出租车供应商首次提供高速公路服务[4] - 公司认为这是一个关键时刻 将继续扩展其完全自动驾驶的网约车业务和全球运营[7] 公司财务表现 - Alphabet旗下包含自动驾驶运输服务的“Other Bets”部门在截至9月30日的第三季度营收为3.44亿美元 较去年同期的3.88亿美元有所下降[5] 公司人事变动 - Waymo任命谷歌高管Steve Fieler为新任首席财务官 接替已任职三年的Elisa de Martel 任命自12月1日起生效[7] - Steve Fieler在谷歌及Alphabet生态系统内拥有五年工作经验 此前担任谷歌平台与生态系统部门的业务财务官 负责Android和Chrome等产品 更早之前曾担任惠普首席财务官[6][7] - 公司联合首席执行官Tekedra Mawakana表示 Steve Fieler的丰富经验将指导公司度过下一个转型阶段[7]

财务业绩发布安排 - 公司计划于2025年11月24日美国市场开市前发布2025年第三季度财务业绩 [1] - 管理层将于2025年11月24日美国东部时间上午8点（即北京时间当晚9点）举行财报电话会议 [2] - 电话会议的实时及存档网络直播将在公司投资者关系网站提供 [3] 公司行业地位与业务概览 - 公司是自动驾驶行业的全球领导者和先行者，也是首家公开上市的Robotaxi公司 [4] - 公司的自动驾驶汽车已在全球11个国家的超过30个城市进行测试或运营 [4] - 公司是首家且唯一一家在中国、阿联酋、新加坡、法国、沙特阿拉伯、比利时和美国这七个市场获得自动驾驶许可的技术公司 [4] 产品平台与服务范围 - 公司通过其智能、多功能、高性价比且适应性强的WeRide One平台提供从L2到L4级别的自动驾驶产品和服务 [4] - 公司的产品和服务满足出行、物流和环卫行业的交通需求 [4] - 公司入选了《财富》杂志2025年度“改变世界”榜单和2025年度“未来50强”榜单 [4]

文章核心观点 - 香港中文大学（深圳）与中山大学等团队提出名为AdaDrive的自适应协作快慢框架，旨在解决大语言模型融入自动驾驶系统时面临的计算开销与实时性平衡难题 [2] - 该框架通过自适应激活损失动态判断LLM调用时机，并引入自适应融合策略连续调节LLM对传统规划器的影响强度，实现按需激活与无缝协作 [2] - 在语言引导的自动驾驶基准测试中，AdaDrive在驾驶准确率与计算效率两方面均达到最先进性能 [3] 背景与挑战 - 早期方法如LMDrive和AD-H采用同步串行架构，LLM与规划器在每个驾驶步骤都参与运作，虽提升智能性但引入巨大内存开销与延迟，使实时部署面临挑战 [4] - 后续异步策略采用固定间隔激活LLM，但无法适应动态变化的驾驶场景，在安全关键场景中LLM可能未被激活，而在简单场景中激活则显得多余 [7] - 理想框架需具备动态决定LLM激活时机以及自适应控制LLM影响程度的能力 [7] AdaDrive算法架构 - 系统采用快慢路径并行运行，轻量级规划器作为快速路径高频处理每帧图像，LLM作为慢速路径低频激活并在关键场景下提供辅助 [13] - 通过Connector-W和Connector-H两个组件实现自适应整合，分别负责决定LLM激活时机和控制其贡献程度 [13][19] - Connector-W通过新颖的自适应激活损失，基于对比LLM辅助与无辅助预测结果的轨迹损失差异，动态学习LLM的最优激活条件 [20] - Connector-H利用预测置信度分数作为动态加权系数，实现LLM贡献的连续缩放，而非二元决策，公式为轨迹预测统一表示 [21][22] 技术创新点 - 提出长短时Q转换器（LS-Qformer），通过分组机制将可学习令牌分为长时组和短时组，同时提取当前帧关键特征并建模时序特征演变 [24] - 引入传播式记忆融合（PMF）机制，在固定大小的流式内存缓冲区中，将待淘汰帧的特征合并到其前一帧，实现信息前向传播并优化内存效率 [28] - 自适应LLM激活机制在训练中通过损失函数自然学习，确保仅当LLM贡献显著（差值超过预设阈值d=0.3）时才激活，以控制计算开销 [20] 实验性能结果 - 在LangAuto基准测试上，AdaDrive在LangAuto-Tiny和LangAuto-Short子任务的驾驶分数分别达到80.9%和70.6%，较排名第二的方法优势分别为12.9%和16.3% [31][32] - 在推理效率方面，自适应快慢系统与流式内存缓冲区设计使AdaDrive的GFLOPs较连续LLM激活降低62%，同时驾驶分数提升5.6% [33][38] - 消融实验表明，单独使用LS-Qformer可使驾驶分数从67.4%提升至71.9%，增加Connector-W后进一步提升至77.9%，最终完整系统达到80.9% [34][35] - LS-Qformer（20+20令牌）在驾驶分数上优于标准Qformer（75.8%）、SeqQ-Former（77.6%）等变体，达到80.9% [35]

行业技术趋势 - 地平线HSD表现超预期，一段式端到端方案重新成为行业量产重心，其性能上限很高 [1] - 小鹏VLA2.0采用视觉和语言并行输入，印证了VLA是技术核心 [1] - 行业整体技术路线正从两段式端到端向一段式端到端过渡，并进一步向VLA演进，多家团队已进行相应调整 [1] 课程核心内容 - 课程重点聚焦量产实践，涵盖一段式、两段式端到端、强化学习、导航应用、轨迹优化及兜底方案 [3] - 课程仅限40名学员，旨在面向就业直击落地 [3] 讲师背景 - 讲师王路拥有C9本科和QS50博士学历，发表多篇CCF-A/B论文 [5] - 现任国内顶级Tier1算法专家，从事大模型、世界模型等前沿算法的预研与量产，具备丰富的端到端算法研发和实战经验 [5] 课程大纲详解 - **第一章**：介绍主流的感知模型一体化架构和经典的规控learning化方案，以及端到端开源数据集和评测方式 [8] - **第二章**：讲解两段式端到端算法框架，包括建模方式、感知与PNC信息传递、优缺点分析，并通过PLUTO算法实战加深理解 [9] - **第三章**：介绍一段式端到端算法框架，其可实现信息无损传递，性能优于两段式，涵盖基于VLA和Diffusion等方法，并通过VAD系列进行实战 [10] - **第四章**：讲解导航地图的格式、内容信息，及其在端到端模型中的编码与嵌入方式，以有效发挥导航能力 [11] - **第五章**：重点介绍强化学习算法及训练策略，以弥补纯模仿学习的不足，实现更好的泛化能力 [12] - **第六章**：进行NN Planner项目实战，包括基于模仿学习（扩散模型、自回归算法）和强化学习的结合应用 [13] - **第七章**：介绍量产中的轨迹平滑优化等兜底方案，包括多模态轨迹打分搜索和轨迹平滑算法，确保输出轨迹稳定可靠 [14] - **第八章**：从数据、模型、场景、规则等多视角分享量产经验，讲解如何选用合适策略快速提升系统能力边界 [15] 课程安排与学员要求 - 课程于11月30日开课，预计三个月结课，采用离线视频教学，辅以VIP群答疑和三次线上答疑 [16] - 课程章节按周解锁，例如12月7日解锁第二章，12月14日解锁第三章等 [16][18] - 学员需自备GPU，推荐算力在4090及以上，并熟悉BEV感知、视觉Transformer、端到端算法、强化学习、扩散模型等，具备Python、PyTorch及数学基础 [17]

涉及的行业与公司 * 公司为文远知行（WeRide）其股票代码包括香港上市的0800 HK和美国上市的WRD O[1] * 行业为自动驾驶行业特别是Robotaxi（自动驾驶出租车）和Robobus（自动驾驶巴士）领域[16] 核心观点与论据 投资评级与目标价 * 对文远知行H股0800 HK首次覆盖给予买入高风险的评级目标价为39 6港元[1] * 对文远知行ADR WRD O维持买入高风险的评级目标价从18 2美元下调至15 3美元以反映H股上市后的股份稀释[1] * 目标价基于DCF估值法加权平均资本成本为17 1%永续增长率为2%[4][18] * 目标价对应13倍2027年预测市销率和1 3倍2030年预测市销率[4] 中国Robotaxi市场前景 * 预计中国Robotaxi车队规模将从2025年的3 8千辆增长至2030年的538千辆复合年增长率为169%并进一步增长至2035年的2 3百万辆[2] * 中国Robotaxi总潜在市场预计将以229%的复合年增长率从2025年增长至2030年的150亿美元并以35%的复合年增长率增长至2035年的680亿美元[2] * 预计到2030年文远知行将占据中国Robotaxi车队5%的市场份额对应27 5千辆车[2] * 预计单车成本因规模效应和技术改进而下降中国Robotaxi单车全成本将以6%的复合年增长率从2025年下降至2030年的3 24万美元[2] 公司优势与投资策略 * 高利润的海外业务推动发展公司已在海外获得五个自动驾驶许可海外业务有望产生更高收入和利润率[17] * 与Uber和Grab的强有力合作加速了L4级Robotaxi在海外包括中东和东南亚的部署和商业化[17] * 成本优势和领先的车队规模其最新Robotaxi模型GXR具有成本优势单价4万美元算力达2000 TOPS预计到2025年底其Robotaxi车队规模将达到1千辆[17] 财务预测与估值 * 更新后的2025至2027年每股收益预测为人民币-4 44元 -3 89元和-2 82元反映了股份稀释[4] * 预计2025至2027年自由现金流流出为15 8亿 11 6亿和11 4亿元人民币可能在2027年需要再融资[9] * ADR当前交易价格约为8倍2027年预测市销率和0 8倍2030年预测市销率[4] 其他重要内容 2025年重要里程碑 * 公司在2025年取得多项重要进展包括在阿联酋阿布扎比 拉斯海玛 沙特阿拉伯 新加坡 法国 比利时等地启动或扩展Robotaxi和Robobus的试点及商业运营[3][10] * 获得多个地区的自动驾驶许可包括北京核心城区的商业Robotaxi服务许可 法国的L4级无人驾驶许可等[10] 风险因素 * 投资被评定为高风险反映了公司处于亏损状态以及Robotaxi未来发展的不确定性[19] * 关键风险包括技术发展与商业化挑战 商业模式和资金需求的不确定性 安全与可靠性问题 激烈竞争 政府干预与监管风险 现金短缺风险 新兴技术的高不确定性以及有限的运营历史和亏损状态[19]

公司股价表现 - 百度集团-SW股价上涨3.66%，报130.4港元，成交额达2.45亿港元 [1] 业务运营里程碑 - 萝卜快跑获得阿布扎比综合交通中心颁发的首批全无人商业化运营许可 [1] - 此次许可是公司首次在中国以外地区启动面向公众的规模化全无人运营 [1] - 截至10月31日，萝卜快跑每周订单量超过25万单，且100%为全无人订单 [1] - 萝卜快跑全球累计服务订单量已超过1700万单 [1] 全球化战略与合作 - 萝卜快跑与阿联酋自动驾驶出行公司AutoGo达成战略合作 [1] - 合作计划在特定区域部署第六代无人车，并于2026年实现全无人运营 [1] - 双方将共同打造阿布扎比地区规模最大的无人车队 [1] 社会与环境影响 - 无人车队的部署旨在提升阿布扎比城市交通效率并减少碳排放 [1] - 该举措助力阿布扎比智慧城市目标的实现 [1]

文章核心观点 - 文章系统总结了公司在自动驾驶算法系统构建方面的技术演进路径，涵盖从感知到规划、仿真评测及基础模型的完整技术栈 [2][4][5] - 技术路径呈现递进关系：首先构建端侧策略（从感知到端到端规划），随后为支持端到端模型的闭环评测与训练构建仿真系统，最终通过大数据与大参数构建智驾基础模型以激发潜能 [4] - 公司认为端到端模型主导的方案已趋成熟，下一阶段竞争焦点将集中在高效精准的评测系统以及智驾基础模型的研发上 [30] 3D融合感知框架（Sparse4D系列） - 公司提出Sparse4D系列作为BEV方案的替代，其核心采用稀疏query与内外参投影采样，直接从多视角图像特征获得融合感知结果，理论计算复杂度显著低于BEV方案 [6][7] - Sparse4D v1基础版本采用deformable aggregation算子实现纯稀疏范式融合；v2将时序融合改为recurrent形式，时序复杂度从O(T)降至O(1)，并优化了算子实现以提升训练推理速度与性能 [7][9] - Sparse4D v3通过temporal denoising、decouple attention等技术进一步提升检测能力与收敛速度，并以简洁方式实现联合检测与跟踪，在nuScenes数据集camera-only detection和tracking榜单持续位居第一 [11] 端到端运动规划（SparseDrive） - SparseDrive在Sparse4D感知基础上拓展，集成在线建图与简单的运动规划器，实现了检测、跟踪、建图、预测和规划五个任务的端到端处理 [13][15] - 针对稀疏特征输入可能丢失信息的质疑，公司指出大量负样本query能覆盖所有可视范围并受规划损失影响，确保非白名单物体避障能力；当前瓶颈在于规划解码器结构简单且仅进行开环评测，闭环性能需通过仿真器进一步优化 [15] 轨迹预测与交通流仿真（EDA & UniMM） - 公司提出EDA轨迹预测方案，通过动态更新的anchor及NMS匹配策略解决轨迹预测中的正负样本分配核心问题，有效建模多峰分布并具备即插即用优势 [16][17] - 轨迹预测与交通流仿真在输入输出形式上相似，但后者需闭环rollout以建模多交通参与者相互关系；公司提出的UniMM框架统一了主流交通流仿真模型，并分析了影响性能的关键设计因素 [19][20] 传感器仿真（DriveCamSim） - 为支持端到端模型的高效精准评测，公司开发了DriveCamSim传感器仿真系统，其通过显式投影约束3D-2D和时序一致性，能生成任意帧率、相机内外参及数量下的图像，在可控性与拟真性上优于基于3DGS或纯Attention的方案 [22][23][24] - 模型可适应多种条件输入包括3D边界框、地图、自车位姿等，具备良好落地潜力但尚未充分挖掘 [24] 智驾基础大模型（LATR） - LATR项目旨在构建智驾领域基础大模型，首先通过Mask Image Modeling方式在海量数据上进行无监督预训练，使模型理解场景语义、空间及时空关系 [26] - 模型采用decoder-only架构实现多任务统一，新增任务仅需添加少量参数，已成功融合3D检测跟踪、在线建图、轨迹预测、规划等7个任务，效果达到与SparseDrive相当水平，证明了架构有效性 [27]