毫米波雷达概念板块表现 - 截至7月28日收盘，毫米波雷达概念上涨2.23%，位居概念板块涨幅第9位 [1] - 板块内90股上涨，硕贝德20%涨停，骏亚科技涨停，科翔股份、生益科技、景旺电子涨幅居前，分别上涨12.23%、8.52%、8.37% [1] - 跌幅居前的个股包括均普智能、华勤技术、云星宇，分别下跌2.69%、2.40%、2.05% [1] 资金流向 - 毫米波雷达概念板块获主力资金净流入17.81亿元，57股获主力资金净流入 [1] - 7股主力资金净流入超亿元，硕贝德净流入8.33亿元居首，沪电股份、通富微电、东方精工分别净流入4.18亿元、3.22亿元、1.83亿元 [1] - 资金流入比率方面，硕贝德、骏亚科技、华力创通流入比率居前，分别为26.89%、16.49%、13.21% [2] 个股资金数据 - 硕贝德今日换手率39.04%，主力资金净流入8.33亿元，净流入比率26.89% [2][3] - 沪电股份涨6.46%，主力资金净流入4.18亿元，净流入比率9.68% [2][3] - 通富微电涨3.50%，主力资金净流入3.22亿元，净流入比率12.00% [2][3] - 东方精工涨3.81%，主力资金净流入1.83亿元，净流入比率11.85% [2][3] 其他概念板块表现 - PCB概念涨幅4.33%居首，兵装重组概念、PET铜箔、PEEK材料分别上涨4.08%、4.03%、3.03% [1] - 海南自贸区、金属锌、煤炭概念跌幅居前，分别下跌1.76%、1.74%、1.71% [1]

具身智能与多传感器融合感知综述 I 核心观点 - 具身AI通过物理实体载体实现动态环境中的自主决策，是突破AGI发展瓶颈的关键路径[6] - 多传感器融合感知(MSFP)通过整合相机/LiDAR/毫米波雷达等异构数据，解决单一传感器在复杂环境中的局限性[7][12] - 现有研究存在数据异构性、时空异步性、传感器故障等核心挑战，需开发新型融合方法与跨模态对齐技术[12][69] II 传感器与数据集 - **相机数据**：提供丰富颜色/纹理特征但受光照条件影响显著，恶劣天气下性能下降50%以上[13] - **LiDAR数据**：输出高精度3D点云但存在稀疏性问题，雨雾天气中有效探测距离缩短30-40%[13] - **毫米波雷达**：在恶劣天气保持稳定性能，可直接测速但点云稀疏度比LiDAR高5-8倍[13] - **主流数据集**： - nuScenes包含140万张图像+39万次LiDAR扫描，覆盖23个物体类别[16] - Waymo Open包含126万3D边界框，涵盖昼夜/雨天等多场景[17] - KITTI提供14,999帧数据，标注精度达厘米级[14][15] III 融合方法分类 - **点级融合**：通过投影实现像素-点云对齐，PointPainting方法将分割掩码特征标注到LiDAR点[25] - **体素级融合**：AutoAlign框架实现动态特征对齐，无需依赖精确投影矩阵[24] - **区域级融合**：AVOD网络处理BEV和RGB图像，生成高分辨率特征图[30] - **多级融合**：TransFusion利用Transformer建立跨模态软关联，提升鲁棒性32%[32] IV 多智能体协作 - **协作优势**：CoBEVT框架通过轴向注意力模块，使多车系统感知范围扩大2.5倍[38] - **通信优化**：When2Com方法减少带宽使用40%，同时保持95%以上的分割准确率[47] - **深度补全**：CoCa3D通过共享深度信息，将远距离目标检测准确率提升28%[39] V 时间序列融合 - **密集查询**：BEVFormer v2通过两阶段检测架构，无需深度预训练数据[55] - **稀疏查询**：Sparse4D系列采用递归方法，计算效率提升60%[56] - **混合查询**：UniAD框架集成感知/预测/规划，轨迹预测误差降低22%[59] VI 多模态大模型 - **视觉-语言**：Sce2DriveX框架通过LLM实现驾驶决策准确率提升35%[66] - **3D空间理解**：LiDAR-LLM将点云转换为语言建模任务，问答准确率达89%[67] - **知识增强**：SafeAuto通过多模态基础模型，事故率降低42%[66] VII 未来方向 - **数据生成**：采用AIGC技术合成罕见场景数据，填补真实数据集空白[74] - **模型架构**：开发几何学习与MM-LLM结合的混合架构，处理不规则传感器数据[76] - **自适应算法**：零样本学习方法使模型泛化能力提升50%[76]

行业动态 - 深圳举办"星耀鹏城"20+8产业沙龙聚焦智能网联汽车投融资并购对接 活动吸引120余家机构参与包括政府部门、上市公司、科创企业及投资机构[1] - 活动重点关注自动驾驶国际标准落地与车路云一体化发展 同时发布《全球智能网联汽车产业链技术图谱与创新50企业名单》[1] 深圳产业优势 - 深圳智能网联汽车产业形成"立法先行、场景驱动 生态共建"的领先优势 已进入全市域开放、全车型覆盖、全场景应用新阶段[1] - 深圳市智能网联汽车产业专利持有企业数量全国第一 专利公开量全国第二[1] - 重点优势技术集中在汽车芯片、算法和操作系统领域 技术创新热点聚焦软件开发、HUD、超声波雷达、ADAS及毫米波雷达[1] 国际比较 - 智能驾驶时代中国具有显著优势 相比日本在车路协同领域的长期积累和美国早期技术启动但立法滞后的情况[1] - 日本在高速公路车路协同技术积累达三十年 美国2005年启动智能网联技术但立法进展缓慢[1] 企业参与 - 华砺智行董事长指出中国在智能网联汽车领域发展趋势最为乐观[1] - 深交所分享产业投融资数据与并购重组服务 华为、比亚迪、深城交等龙头企业参与深度对话[1]

报告行业投资评级 - 维持辅助驾驶行业“推荐”评级 [1][8][110] 报告的核心观点 - 辅助驾驶行业现状是平均水平提升、技术路线收敛，车企难差异化，向高级别跃迁时细分安全功能待提升，人机交互边界模糊带来商业化落地焦虑和安全隐患 [5] - 建立辅助驾驶能力研究框架，从企业组织战略、技术能力、消费者感知三个维度梳理全栈自研主机厂辅助驾驶能力及潜力 [6][7][111] - 大算力芯片上车元年，世界模型持续优化，辅助驾驶行业能力迎来迭代拐点，头部厂商解决方案逐步完善，车企展开战略合作推动智能化渗透率普及，供应链格局显现，国内供应商向软硬件一体化发展 [8][110][111] 根据相关目录分别进行总结 前言：辅助驾驶技术进展及研究框架构建 - 全栈自研主机厂发展进程：介绍特斯拉、小鹏、华为、理想、蔚来、小米等车企辅助驾驶研发进展、硬件配置、车型发布等情况 [11][15][28] - 第三方解决方案玩家格局：车企与头部智驾厂商合作可节省成本、抢占市场，Momenta、元戎启行、地平线等厂商端到端方案推进有节奏且合作覆盖广泛 [45][46] - 构建辅助驾驶技术研究框架：从企业经营、技术能力、用户感知三个维度衡量辅助驾驶能力，分析各车企研发投入、战略重心、传感器方案、算力、模型等情况 [48][49][50] 维度一：企业组织和战略 - 辅助驾驶战略布局：研发方向从早期模块化分工向端到端融合、全域架构与跨域协同发展，车企动态调整团队架构与研发重心 [53][54][55] - 辅助驾驶研发投入：2022 - 2024年技术驱动型企业研发费用普遍高于15%，规模效应型企业随销量增长费率降低，小米集团2021 - 2023年研发费用率逐步攀升 [60] 维度二：技术能力三要素 - 传感器、算力、模型 - 传感器：技术降本与规模量产推动多感知方案并行，形成“数据输入 - 算法进化 - 硬件适配”正向循环，国产厂商在传感器供应链格局中份额稳步提升 [64][66][67] - 算力军备赛：云端智算中心肩负模型训练等任务，头部车企建立EFLOPS级超算中心，车端驾驶域控芯片向大算力化跃迁，国产芯片2025年集中量产 [75][78][85] - 车云模型：技术路径收敛，架构由决策规划模型化向模块化端到端发展，引入多模态数据信息，世界模型运用数据驱动提升类人化决策能力 [7][111] 维度三：消费者感知 - 辅助驾驶功能表现能力 - 驾驶辅助功能：“车位到车位”功能融合行车与泊车功能，实现全场景连续驾驶目标，各车企相关功能不断迭代升级 [97][98][105] - 安全辅助功能：AEB性能边界优化，车辆避撞方式与车速有关，蔚来等车企安全辅助功能不断提升 [99][103][105] - 消费者感知力：辅助驾驶产品标签化，成为新车卖点，各车企驾驶及安全辅助功能落地进程有差异 [105] 投资建议 - 建议关注车企研发及功能落地进展，如特斯拉、小鹏、鸿蒙智行合作车企、理想汽车、蔚来汽车、小米集团；以及头部第三方解决方案供应商，如Momenta、元戎启行 [8][111] - 建议关注供应链国内供应商，如速腾聚创、禾赛科技、舜宇光学科技、联创电子、德赛西威、华阳集团、均胜电子、知行科技、地平线机器人、黑芝麻智能等 [8][111]

公司概况 - 深圳承泰科技股份有限公司在港交所递交招股书，国泰君安国际担任独家保荐人 [1] - 公司成立于2016年，是一家毫米波雷达供应商，主要为车载智能驾驶系统提供核心感知传感器 [1] - 公司由陈承文与周珂共同创立，二人曾任职华为 [3] 财务表现 - 2022年-2024年，公司实现收益分别为5765.1万元、1.57亿元、3.48亿元 [2] - 同期年内亏损分别为7917.4万元、9659.8万元、2176.8万元 [2] 股权结构变动 - 2017年8月，创始人陈承文和周珂分别将部分股权以1元名义价格转让给多名个人投资者 [4] - 2019年3月，上述投资者退出，由承研创投以50万元收购其持有的8.72%股权 [4] - 2019年8月，陈承文以1元名义代价将公司1.62%股权转让给前顾问孙厚军 [5] 融资历程 - 截至2024年末，公司已完成8轮融资，投后估值为13.2亿元 [6] - 天使轮融资发行6,913,800股，每股成本0.58元，投前估值7600万元 [7] - B-2轮融资发行29,484,030股，每股成本2.71元，投前估值9.6亿元 [7] 上市前股份转让 - 2025年5月，长沙和生、蓝焱紫竹等投资者通过转让股份套现，合计金额超过1亿元 [8] - 陈承文向和高二十六号、嘉星一号等转让股份套现3062.16万元 [8] - 方正证券、铜陵垣涪分别套现2837.84万元、123.57万元 [8]

智能驾驶感知系统行业 - 智能驾驶感知系统承担原始信息采集角色 相当于汽车的"眼睛"和"耳朵" [3] - 主流感知传感器包括毫米波雷达 激光雷达 超声波雷达和摄像头 各具优势且具备互补性 [3] - 高端智驾系统普遍采用多传感器融合架构 多条技术路线将在"智驾平权"时代共同受益 [3] 承泰科技公司概况 - 公司创立于2016年 由华为系创业者陈承文和周珂共同创立 两人合计控制35.8%股权 [5][7] - 2017-2021年间累计完成6轮融资 融资总额达2.5亿元人民币 [9] - 2022年进入比亚迪供应链后业绩爆发 2022-2024年营收从0.58亿增至3.48亿 两年增长6倍 [11] - 2024年经调整后净利润达1,395万元 经营层面实现盈利 [12][13] 业务与技术 - 专注毫米波雷达领域 产品包括前向雷达和角雷达两大类 [21] - 2024年前向雷达收入2.23亿 占比63.9% 毛利率43.1% 角雷达收入1.23亿 占比35.3% 毛利率17.5% [27][28][29] - 2024年中国市场前向雷达出货量1,920万件 市场规模46亿元 角雷达出货量2,240万件 市场规模35亿元 [22] - 预计2029年国内毫米波雷达市场规模将达200亿元 为2024年的2.5倍 [23] 市场地位 - 2024年中国毫米波雷达市场占有率5.2% 位居第二 仅次于博世的10.4% [30][31] - 在国产供应商中排名第一 市占率9.3% [31] - 角雷达领域市占率3.9% 排名第四 [32] - 2025年前4个月销量达327.6万件 为上年同期的11.18倍 [16] 客户结构 - 比亚迪为最大客户 2024年收入占比高达93.6% [12][34] - 2024年新开拓客户H(推测为北汽极狐) 贡献收入854万 成为第二大客户 [35][36] - 2025年对客户H交付量仅占前4个月总销量的1.1% 拓展进度缓慢 [37] 竞争格局 - 国际巨头大陆集团和博世合计占据国内60%市场份额 [38][39] - 国内竞争对手包括华为 森思泰克(海康威视旗下)等 [39] - 比亚迪自研毫米波雷达2025年一季度装车量达7.2万套 超过公司一半 [41] - 产品均价低于市场水平 2024年前向雷达223元/件(市场240元) 角雷达141元/件(市场156元) [42][43] 研发投入 - 2024年研发开支6,189万元 较2023年的6,436万元有所下降 [44][45] - 研发费用率从2023年的41.1%降至2024年的17.8% [44]

公司上市动态 - 公司递交招股书拟在港交所主板上市 国泰君安国际为独家保荐人 国信证券为整体协调人[1] 公司概况 - 公司成立于2016年9月 专注于毫米波雷达产品的设计研发制造和商业化[3] - 2024年按出货量计 公司是中国最大车载前向毫米波雷达供应商(市场份额9.3%) 第三大车载毫米波雷达供应商(市场份额4.5%)[3] - 注册资本3000万元 法定代表人陈承文 主要股东包括国科瑞华三期 陈承文 毅达资本等[4] 融资历程 - 累计完成8轮融资 募资总额超3.5亿元[3] - 2017-2024年完成天使轮(400万元) Pre-A轮(800万元) A轮(1100万元) A+轮(4560万元) B1轮(1亿元) B2轮(8000万元) B3轮(4000万元) C轮(7000万元)[3][4][7][8][9] - 公司估值从2017年7600万元增长至2024年12.5亿元[4] 股权结构 - 创始股东陈承文 周珂初始持股比例分别为58%和17%[5] - 经历多次股权转让 包括员工持股平台设立 投资人进入 创始人减持等[6][7][8][9][10][11] - 2024年C轮融资后 国科瑞华三期成为第一大股东(持股85.75%)[4][9] 财务表现 - 2022-2024年营收分别为5765万元 1.57亿元 3.48亿元 年复合增长率146%[12][15] - 同期毛利分别为1654万元 4849万元 1.18亿元 毛利率从28.7%提升至34%[12][15] - 净亏损分别为7917万元 9659万元 2176万元 2024年亏损大幅收窄[12][15] - 经调整净利润(非国际准则)分别为-7127万元 -6296万元 1395万元 2024年实现扭亏[16]

公司概况 - 深圳承泰科技股份有限公司向港交所递交上市招股书，拟在港交所主板上市 [2] - 公司是中国国内最大车载前向毫米波雷达供应商（市场份额9.3%）和中国第三大车载毫米波雷达供应商（市场份额4.5%） [2] - 公司创立后获得8轮融资，累计募集资金3.5亿元，2024年5月C轮融资后估值达13.2亿元 [2] - 公司2016年由陈承文和周珂创办于深圳，两位创始人曾任职华为工程师 [3] 产品与技术 - 公司专注于车载毫米波雷达产品，包括前向雷达（收入占比63.9%）和角雷达（收入占比35.3%） [3] - 毫米波雷达是智能驾驶核心部件，能够探测前车距离和速度，检测盲区、变道辅助 [3] - 公司选择毫米波雷达方向是因为当时激光雷达落地时间较长，且毫米波雷达领域技术壁垒高 [3] - 4D毫米波雷达是行业最新趋势，新增高度探测维度，探测距离达280米，精度提高到5厘米 [9] 财务表现 - 2022-2024年收入分别为5765万元、1.57亿元及3.48亿元，三年间收入翻五倍 [4] - 同期净亏损分别为7917万元、9660万元、2177万元 [4] - 比亚迪是公司主要客户，2022-2024年销售占比分别为81.9%、91.3%及93.6% [5] 行业趋势 - 中国车载毫米波雷达市场规模将从2023年128亿元增长至2030年370亿元 [6] - 预计未来几年中国毫米波雷达市场年均增速可达26%，2025-2030年复合增速约20% [7] - L2级车型一般配备5颗毫米波雷达（1前向+4角雷达），L5级车辆预计需8颗 [7] - 15万元以内车型已开始标配"1前向+4角"毫米波雷达组合 [8] 技术发展 - 毫米波雷达与AI算法深度结合，通过深度学习提升目标识别能力 [9] - 雷达与摄像头、激光雷达的多传感器融合成为主流趋势 [10] - 特斯拉在2023年申请增加高分辨4D毫米波雷达辅助FSD自动驾驶 [10] - 华为2024年发布国产首款高精度4D成像雷达"乾坤"，探测距离提升35% [9]

行业发展趋势 - 自动驾驶和具身智能成为AI技术发展的主线 支撑了近一半的技术路线和融资金额 [2] - L2~L4自动驾驶功能逐步实现量产 人形机器人和四足机械狗等具身智能产品完成复杂动作演示 [2] 求职社区概况 - AutoRobo知识星球定位为自动驾驶、具身智能、机器人方向的求职交流平台 成员规模近1000人 [2] - 社区成员覆盖地平线、理想汽车、华为、小米汽车等头部企业社招人员及2024-2025届校招生 [2] 核心服务内容 求职资源 - 提供面试题库、面经、行业研报、谈薪技巧、内推机会及简历优化服务 [3] - 实时更新算法、开发、产品等岗位的校招/社招/实习信息 [4] 专业知识库 自动驾驶领域 - 包含毫米波视觉融合、3D/4D雷达量产、车道线检测、规划控制、BEV感知等10个专项题库 [7] - 覆盖传感器标定、多模态目标检测、CUDA部署等关键技术节点 [7] 具身智能领域 - 提供轨迹预测、Occupancy感知、端到端自动驾驶等前沿技术题库 [11] - 包含视觉语言导航、Diffusion Policy等交叉学科内容 [11] 行业洞察 - 汇总世界机器人报告、中国人形机器人蓝皮书等深度研报 [15] - 分析技术路线、市场机遇、产业链上下游等关键要素 [12][15] 实战经验沉淀 - 收录滴滴、英伟达、美团等20+企业真实面经 涵盖算法岗、SLAM、产品经理等职位 [16] - 整理面试各环节经验 包括代码题、项目答辩、HR面等全流程复盘 [16][19] 附加价值 - 提供机器人/自动驾驶/AI领域专业书籍推荐 [17] - 分享转行心得、面试官视角建议等非技术类指导 [19]

具身AI与多传感器融合感知 - 具身AI以物理实体为载体，通过动态环境实时感知实现自主决策和行动能力，是突破AI发展瓶颈、实现通用人工智能（AGI）的关键路径[3] - 多传感器融合感知（MSFP）对实现具身AI的稳健感知和准确决策能力至关重要，需融合视觉相机、毫米波雷达、激光雷达等多模态传感器数据[3] - 当前MSFP方法面临跨模态数据异质性、时空异步和传感器故障等固有挑战[4] 传感器数据与数据集 - 相机数据捕捉丰富外观特征但对光照敏感，激光雷达提供高精度3D点云但对天气敏感，毫米波雷达在恶劣天气性能良好[10] - KITTI数据集包含14,999张图像及相应点云，采集于德国卡尔斯鲁厄及附近城市[13] - nuScenes数据集在波士顿和新加坡采集，包含140万张相机图像、39万次LiDAR扫描和140万次雷达扫描[13] - Waymo Open数据集包括126万个3D边界框和118万个2D边界框，涵盖白天、夜间、黎明、黄昏和雨天场景[14] 感知任务 - 目标检测任务需准确定位和识别物体，2D检测输出类别和2D边界框，3D检测包括3D位置坐标、尺寸和航向角[16] - 语义分割任务将场景中的每个基本单元分类为语义类别[17] - 深度估计任务从传感器数据获取场景深度信息，为具身智能体提供3D几何理解[17] - 占用预测任务提供对3D空间的密集语义理解，通过离散化3D空间为体素预测占用状态和语义类别[17] 多模态融合方法 - 点级融合方法集成点云几何坐标信息与图像语义细节，如PointFusion、PointPainting等方法[23][24] - 体素级融合方法将LiDAR点云转换为规则网格，如CenterFusion、VPFNet等方法[25][26] - 区域级融合方法从2D图像和其他模态聚合特定区域信息，如AVOD、RoarNet等方法[28][29] - 多级融合方法从不同级别集成多模态信息，如MVX-Net、EPNet等方法[30][31] 多智能体融合方法 - 协作感知技术可集成多个智能体和基础设施的感知数据，解决遮挡和传感器故障问题[35] - CoBEVT通过稀疏Transformer生成BEV分割预测进行协作处理[35] - V2VNet基于图神经网络融合多辆车的中间特征表示[36] - When2Com框架学习构建通信组和通信时机，减少带宽使用[37] 时间序列融合方法 - 密集查询方法为高分辨率3D或BEV空间中的每个查询点分配固定位置，如BEVFormer、BEVFormer v2[40][41] - 稀疏查询方法因其效率、准确性和适用于稀疏感知任务而受欢迎，如StreamPETR、Sparse4D系列[42][43] - 混合查询方法结合密集和稀疏查询范式，如UniAD、FusionAD等方法[45][46] 多模态LLM融合方法 - 视觉-语言方法结合视觉和文本数据进行语义对齐，如X-Driver、Mpdrive等方法[50] - 视觉-LiDAR-语言方法集成视觉、LiDAR和语言数据进行3D空间理解，如DriveMLM、MAPLM等方法[51][52]