源：智车技术
自动驾驶L商业化技术已经成熟，L4/5加速发展进入验证试点阶段。纵观全球主流科技公司和整车厂的自动驾驶技术商业化进程，除了整车厂等个别领导者(奥迪已经量产) L3级别 自动驾驶车辆)、科技公司（Waymo 已启动 L4级机器人出租车商业化运营)，大部分 公司的节奏已经初步掌握 L3 进入由的核心技术 L2 向 L3 商业化过渡的关键阶段，同时L4/5 加快发展进入验证试点阶段。
本文强调的自动驾驶是指自动驾驶 L3及 以上高等级自动驾驶技术。高等级自动驾驶意味着手、脚、眼睛和注意力都会 从机器辅助人驾驶逐渐解放（L2）到“机器开车人辅助”（L三、（L4/L5)意味着车主的生产力和时间释放，应用价值发生质的变化，L三是用户价值感受的临界点，将成为行业的重要分水岭。
自动驾驶技术的本质是从机器的角度模拟人类驾驶员的行为。其技术框架可分为三个环节：感知层和决策层 以及传感器、计算平台、算法、高精度地图等执行层OS、HMI等 多技术模块。广义理解，在自行车智能技术路线的基础上，未来整个自动化 驾驶技术体系将同步升级发展为车端、云端、路端。5G AI是解锁 高级自动驾驶技术的关键。纵观世界主流科技公司和整车厂，自动驾驶 L3 商业技术已经成熟，L4/5加速发展进入验证试点阶段。
自动驾驶在行业中普遍存在 乐观态度急剧下降。至 2025 年，L3-L4自动驾驶硬件改造成本约为 1900-4400美元/车。与此同时，中国有望拥有智能汽车和智能道路的合作 世界上最好的基础设施(5G V2X），自行车改造成本显著降低。此外，从封闭到开放，车企已经开始广泛的合纵连横联合研发，显着降低单个车厂的投入，缩短技术创新周期。
国内消费者对自动驾驶的接受程度、需求、 所有的支付意愿都前列。预计中国将成为世界上最大的自动驾驶市场。
商业化的自动驾驶路径分为两类：
2020年/2021年将成为主题 机厂量产的重要节点，预计未来前装市场规模将超过1400亿美元；
Waymo(谷歌)正式商用，打开 Robo-taxi元年。商业化落地大门即将开启，供应链链条已率先启动。
环境感知传感器的技术方案可分为视觉主导和激光雷达主导。
：摄像头(主导) 毫米波雷达 超声波雷达 特斯拉是一家典型的低成本激光雷达汽车制造商。特斯拉是最激进的，创始人马斯克坚持不计划中添加激光雷达；
：低成本激光雷达(主导) 毫米波雷达 超声传感器 相机，典型的代表是 GoogleWaymo。目前，谷歌 Waymo 组建团队开发激光雷达硬件，降低成本 90%以上，基本70000 同时，美国凤凰城也进行了商业化试运行。
高精度定位模块是自动驾驶的标准。为了实现车辆的自动驾驶，有必要解决在哪里（即时位置）和在哪里（目标位置）的问题。因此，需要应用高精度定位传感器（cm精度）模块L自动驾驶3以上。
根据不同的定位实现技术，高精度定位可分为三类。
第一类，基于信号定位，代表GNSS定位，即全球导航卫星系统；
第二类，航迹计算，依靠IMU(惯性测量76单元)根据上一刻的位置和方位推断当前的位置和方位；
第三类是环境特征匹配。基于激光雷达的定位，匹配观测到的特征和数据库中的特征和存储特征，以获得当前汽车的位置和姿势。
观察当前行业主流方案，一般采用一体化的形式：
1）基于GPS与惯性传感器的传感器融合；
2)基于激光雷达点云与高精度地图的匹配；
3)基于计算机视觉技术的道路特征 识别，GPS以辅助形式定位卫星。
车联网 V2X就是把车连到网上，或者把车连成网， 包括汽车对汽车（V2V）、汽车对基础设施（V2I）、汽车互联网（V2N）车对行人（V2P）。
通过 V2X 网络，相当于自动驾驶打开外部大脑可以说，V2X是自动驾驶加速器，能有效补充自行车智能 加快反应效率的技术。5G 网络具有延迟低、吞吐量高、可靠性高的特点，大大提高了V2X传 信息传输的丰富性和及时性也得到了提高 V2X传感器的技术价值。
自动驾驶是四轮数据中心，车载计算平台成为刚性需求。随着汽车自动驾驶的程度 提高，汽车自身所产生的数据量将越来越庞大。根据英特尔CEO假设一辆自动驾驶汽车配备了计算 GPS、相机、雷达、激光雷达等传感器每天都会产生上述自动驾驶汽车 4000GB待处理的传感器数据。
事实上，如果我们打开当前阶段显示的自动驾驶测试汽车的后备箱，我们明显发现它与传统汽车的区别，并配备一个计算平台来处理传感器输入的信号数据，输出决策和控制信号。
高等级自动驾驶的本质是 AI 车载计算平台的计算能力需求至少为20T以上。从最 根据最终实现的功能，计算平台主要负责解决自动驾驶中的两个主要问题：
加速还是刹车？左转还是右转？英伟达 CEO 黄仁勋的观点是自动驾驶的本质是 AI计算问题，所需的计算能力取决于所需的功能，它认为自动驾驶汽车需要判断周围的环境，并做出决定，采取什么行动，本质上是一个 AI 计算问题配备计算问题 AI超级处理器，然后基于AI算法可以认知、推理和驾驶。
根据国内领先的自动驾驶芯片设计初创企业的地平线，要实现 L3 自动驾驶至少需要20级 个teraflops(每秒万亿浮点运算) 上述计算能力水平在 L4 级、L计算能力算能力要求将继续上升。
自动驾驶计算平台的演进方向-芯片 协同设计算法。目前用于自动驾驶的芯片架构主要有 4 种：CPU、GPU、FPGA(现场可编程门阵列)和ASIC(专用集成电路)。应用性能， 单位功耗、性价比、成本等多维分析，ASIC 架构有相当大的优势。根据我们之前发布的行业报告《芯片竞争-人工智能芯片研发策略》，未来芯片预计将迎来新的设计模式-应用场景决策算法和算法定义芯片。
如果说过去是算法根据芯片优化设计的时代(通用)CPU 算法)，现在是算法和芯片协同设计的时代(专用芯片ASIC 算法)，在一定程度上， 称得上是“AI时代新摩尔定律。
具体来说，自动驾驶核心计算平台的研发路径将根据应用场景的需要设计算法模型，在大数据条件下进行充分验证，然后在模型成熟后开发芯 为了实现芯片架构，芯片不是一个通用的处理器，而是一个人工智能算法芯片，用于应用场景和算法。根据业界预估，相比于通用的设计思路，算法定义的芯片将至少有三个数量级的效率提升。
验证和迭代算法需要路测 模拟。根据行业的普遍观点，汽车企业需要 100亿英里的试驾数据来 优化其自动驾驶系统。如果要达到测试里程，则根据当前的实际路测能力计算，即使是一个 拥有100 自动驾驶车队7辆测试车X24 小时不停地测试，完成 100 亿英里的测里程也需要花费大约 500年的时间。
为了破解这一难题，仿真测试成为大多数公司的共 同选择。所谓自动驾驶仿真测试，简单来说，就是计算机模拟重构现实场景，让自动驾驶算法在虚拟道路上做自动驾驶测试，虚拟场景中也可以包含道路设施、老人小孩等各种行人。
从产业来看，为了更高效的迭代和验证自动驾驶算法，仿真系统已经逐渐成为标配，Waymo、百度、腾讯将仿真系统研发作为头等大事；AutoX、Roadstar.ai、Pony.ai等诸多自动驾驶初创公司也在自主研发仿真环境；业内开始出现 CARLA、AirSim 等开源式自动驾驶仿真平台。
按照数据的更新频率，高精度地图可以分为两层。
1）静态数据是指高 精度地图需要将道路基本形态（车道线等数据），通过地图或矢量数据来正确表达出来。在静态高精地图模型中，车道要素模型包括车道中心线、车道边界线、参考点、虚拟连接线等；
2）动态数据是指天气、地理环境、道路交通、自车状态等需要动态更新的数据。通过静态数据和动态数据的叠加，高精度地图将最终实现对于自动驾驶的环境建模。
高精度地图是实现自动驾驶的必要条件吗？——Level3及以上是必选项。基于美国SAE协会对自动驾驶技术等级的划分，在Level2以下的辅助驾驶阶段（ADAS阶段），高精度地图对整个辅助驾驶系统来说是一个可选项。当自动驾驶技术发展到 Level3及以上时，要求车辆在高速公路、停车场泊车等特殊场景中实现自动驾驶，高精度地图的重要性开始凸显。业内公认要想实现 Level3 级别的自动驾驶，高精度地图将成为必选项。
自动驾驶任务复杂需要稳定的实时OS 支持。如果将自动驾驶汽车视为一个电子终端产品，那么除了组成的硬件、用来执行命令的算法（程序）之外，底层操作系统也必不可少。操作系统的价值在于可以更好的分配、调度运算和存储资源。一个汽车驾驶系统运行的软件包括 感知、控制、决策、定位等一系列高计算消耗，逻辑十分复杂，对安全可靠性要求特别高的程序。
简单的单片机无法实现，需要建立在一个成熟的五脏俱全的通用操作系统基础上，同 时要满足实时性、分布式、可靠性、安全性、通用性等要求。从上述的要求可见，自动驾驶的操作系统与 PC端、移动端操作系统的最大差别在于实时性。实际上，自动驾驶操作系统又称为实时操作系统（RTOS），可确保在给定时间内完成特定任务，「实时」是指无人车的操作系统，能够及时进行计算，分析并执行相应的操作，是在车辆传感器收集到外界数据后的短时间内完成的。实时性能是确保系统稳定性和驾驶安全性的重要要求。
自动驾驶时代，HMI 是连接用户与外部互联服务的重要入口。HMI是驾驶员与车辆交互的 桥梁，驾驶员可以方便快捷地在 HMI中查询、设臵和切换车辆系统的各种信息，在增强驾驶乐趣的同时，提升驾驶安全性。HMI由中控、仪表、抬头显示、ADAS系统等多个组件构成。传统汽车的人机界面 HMI 也被称作驾驭员界面（Driver Interface），驾驭员的首要使命（Primary Task）是驾驭，因此支撑和辅佐驾驭就天然成为HMI的中心功能，信息娱乐等作为次要功能（SecondaryTask）。
而在自动驾驶时代，随着驾驶员的注意力逐步释放出来，汽车从生产工具进化为家庭、办公场所之外的第三生活空间，HMI将成为连接用户与外部互联服务的重要入口，产业地位将显著提升，HMI的设计理念也将被颠覆。
以深度学习为代表的 AI 机器视觉崛起，成功突破 L3 的技术瓶颈。以 Mobileye 的 L2 级别辅助驾驶为例，仍然是基于后端规则库的传统机器视觉，通过匹配后端规则库与前端摄像头的输入数据，进行物体的识别和跟踪。传统机器视觉最大的问题是，规则库是有限的，而汽车 面对的环境是无限的。而在深度学习的框架引进并发扬光大后，AI处理图像分类任务的能力大幅提升，错误率直接下降。以ImageNet机器视觉大赛为例，深度学习技术框架下的机器 视觉和传统的机器视觉有着明显的量级的提升。我们认为，不断成熟完善的AI机器视觉配 合高精度地图作为安全冗余，对于突破 L3的技术瓶颈起到了关键的作用。
引入以强化学习为代表的 AI 技术，5G 打通外部“大脑”，助力 L4自动驾驶场景的实现。传 统基于搜索或者规则引擎的驾驶决策系统，往往只能采取非常保守的驾驶策略，即遇到障碍 物立即刹停。而变道超车，加塞卡位等等在日常驾驶中经常需要面对的情况，目前的系统需要人为设计各种精妙的策略进行应对，在设计策略时一旦有所疏忽，后果很可能是车毁人亡。
如何让机器真正像人一样的开车，学会自主的决策，是 L4 的关键所在。谷歌AlphaGo 在围棋领域的成功是一个重要的标志性事件，其创新的引入了强化学习等全新的 AI学习框架，模拟了人的思考方式，标志着机器智能的重要突破。
引入强化学习的框架后，自动驾驶车辆可以像 AlphaGo 一样思考学习，进行自主决策。此外，以 5G为代表的 V2X的引入，相当于 打通了自动驾驶的外部“大脑”，可以为自动驾驶车辆提供更实时、更全面的外部信息，更好的实现多车的协同、交互，突破单车智能的技术瓶颈，助力 L4自动驾驶场景的实现。
自动驾驶L3商业化技术已经成熟，L4/5加速发展进入验证试点阶段。纵观全球主流科技公司和整车厂的自动驾驶技术商业化进展，除了个别领跑者如整车厂（奥迪已经量产 L3级别 的自动驾驶车辆）、科技公司（Waymo 已启动 L4级别机器人出租车的商业化运营），大部分 公司的节奏是已初步掌握 L3 的核心技术，进入由 L2 向 L3 商业化过渡的关键阶段，同时L4/5 加速发展进入验证试点阶段。
国家层面：自动驾驶汽车已成为全球汽车产业发展的战略制高点，国内顶层设计政策已出台。
地方政府“绿灯”频开，自动驾驶政策、牌照和路测成为一场关于“城市名片”的竞赛。考虑到 汽车工业对于地方 GDP的拉动作用以及自动驾驶的技术引领作用，国内地方政府对于自动 驾驶技术可谓“绿灯”频开。根据亿欧统计，截止 2018 年底，国内已有 12座城市和地区发放 自动驾驶道路测试牌照，并鼓励相关企业开展商业化的试运营下项目，为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外，例如北京市等先行城市 还发布了地方政府版的产业扶持政策（《北京市智能网联汽车创新发展行动方案(2019年-2022年)》），自动驾驶产业已经成为一场关于“城市名片”的竞赛。
最新的好消息是，交通部部长李小鹏在 2019 年 2 月 28日表示,将力争在国家层面出台《自动驾驶发展指导意见》，有望彻底扫除自动驾驶车辆上路的法律障碍。整体上，高等级自动驾驶车辆上路合法化的路径，将跟随技术的成熟度逐渐放开，先从简单的高速公路路况开始，逐步开放城区等复杂场景，直至全场景。
产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后，自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶（L4）的单车改造成本仍然居高不下，但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示，到 2025年，德尔福希望将自动驾驶汽车的成本降低逾90%至 5000美元左右。
预计至 2025 年，L3 的自动驾驶硬件改造成本约在 1900美元/车。参考三菱日联摩根士丹利 (MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研，我们拆解高 等级自动驾驶（L3及以上）的核心部件配臵以及价格趋势做出预测。其中，自动驾驶硬件改 造成本最高的核心部件是激光雷达和计算平台，也是现阶段自动驾驶成本居高不下的最大障碍。
从产业发展趋势来看，随着固态激光雷达等新的技术路线替代传统机械式雷达，工艺成本有望显著下降，带动价格曲线下行；计算平台则由于芯片设计厂考虑摊销前期的研发成本，在小批量量产期间定价较高；在大规模量产后价格有望全面下降。综合来看，我们预计技术创新将推动核心部件成本骤降，至 2025 年，L3-L4 的自动驾驶硬件改造成本约在1900-4400美元/车。
核心部件——摄像头、毫米波雷达、超声波雷达、及GPS&IMU 的价格曲线及趋势。以上4 个部件的生产工艺、技术路线较为成熟，产业竞争充分，随着产量上升带来的规模效应释放，预计价格将稳步下降。
核心部件——计算平台，随着大规模量产，价格将大幅下降。市场对于自动驾驶量产的一大 疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平，导致自动驾驶的整体解决方案成本超过消费者可以承受的合理范围，会对自动驾驶的大规模普及造成严重的影 响。我们认为，鉴于芯片的出货定价与量产情况有着密切的关系，不必过分担忧芯片的出货价格。
考虑到自动驾驶计算平台高昂的研发成本（英伟达最新一代的 Xavier芯片研发投入高达 20亿美金），芯片厂必然会在尚未大规模量产的初期选择高定价的模式，来部分覆盖前期的投入。而一旦达到大规模量产（比如年出货量达到 100万颗），则芯片厂能够很快回本前 期的投入，芯片的定价之后有望与成本相挂钩，价格会急剧下降。
激光雷达部件现阶段成本较高，以 行业主要企业 Velodyne 的激光雷达为例，按照线束的密度进行报价——8 万美元（64线）、4万美元（32 线）、4 千美元（16 线）。Velodyne的激光雷达报价居高不下的原因，并非激光雷 达的物料成本，而在于其采用了传统的机械式扫描的技术方案——机械式激光雷达的光学系统的装配和标定过程要求高度严谨的机械系统校准，同时，量产的一致性要求也会导致产能 低下。
现阶段，产业界的一致看法是打造出一台售价低廉的激光雷达关键就是将传统的旋转式机械设计换成固态设计，这样能大量减少可移动部件，激光雷达的结构和量产简单了，成 本也就自然降低了。在新的技术路径下，众多产业界的厂商（包括Velodyne）均预测未来激光雷达的量产成本将下调到数百美金颗。
以一个交通路况复杂的路口为例，人类司机 和自动驾驶车车载传感器由于视角和视线的局限，都只能感知到路况信息的一部分，那些看不到的障碍物造成了危险隐患；如果车路协同配备了“完美视角”路侧感知设备以后，利用高清摄像头等多种传感器加上边缘计算设备的识别能力，可以感知到路口范围内全部的交通参 与方，并实现多种分析功能，把这些信息通过 V2X通信实时的共享给路口的全部车辆，即可最大限度消除危险隐患。
“车路协同”技术的演进和基础设施的普及，将会显著降低单车智能的改造成本。根据百度的预测，在车路协同的基础上，自动驾驶的研发成本可以降低30%， 接管数会下降 62%，预计可让自动驾驶提前 2-3年在中国落地。
车路协同（V2X）已经成为国家重点发展战略，5G基建点火助力。5G 的普及将进一步提升车路协同的技术价值。根据中移动测算，自动驾驶车辆以每小时60 英里(约 96.56 公里／小时)的速度行驶，在使用 5G通讯网络的情况下，其收到某一反馈信息 后实际上只移动了 3 厘米左右。
现有 4G 网络时延条件之下，时速 100公里的汽车，从发现障碍到启动制动系统至少移动 1.4米。2019年以来政府提出了科技新“基建”的政策发展方针。 发改委副主任连维良表示今年将的“建设”的重点有五个方面，“加强新型基础设施建设”居于首位（包括 5G 的商用），我们预计政府将有财政资金配套产业政策扶持5G产业，快速完善 科技新“基建”，为自动驾驶产业铺路。政府的保驾护航下，国内有望拥有全球最领先的自动驾驶基础设施（5G+V2X）。
实际上，与其自身冒险的大规模投入，车企间从封闭到开放，合纵连横组建联盟，分摊无人驾驶先期的风险成本，缩短技术创新周期，形成规模效应，抢占时间窗口，成为产业新趋势。在共同利益的驱动下，我们已经看到奔驰、宝马、通用、本田、大众、福特等一线车厂，在自动驾驶技术研发领域达成战略合作协议，预 计后续将有更多的车企加入到联盟中。
支付意愿。麦肯锡在2018 年 4月的调研显示， 49%的中国消费者认为全自动驾驶“非常重要”。国内消费者愿意为购买自动驾驶车辆支付高达 4600 美元的溢价，而美国和德国则分别为 3900 美元和 2900美元。
从 1956年中国 第一辆解放牌卡车在一汽下线开始，经过60多年的努力，从自力更生到以市场换技术、合 资建厂，再到自主研发，如今中国已经成为世界上汽车产销量最多的国家，根据 wind数据， 约占全球汽车市场 1/3。
尽管 2018年国内汽车销量市场首度出现负增长，但考虑到“汽车下 乡”政策的托底，以及消费升级的趋势，我们对国内汽车市场的未来仍然保持乐观态度。巨大的消费市场叠加旺盛的自动驾驶需求，我们预计中国在未来同样将成为全球自动驾驶第一大市场。
商业化路径之车厂前装：进入大规模量产前夕，规模有望超过 1400亿美金
车厂大规模自动驾驶计划进入倒计时
自动驾驶产业进入大范围量产前夕，2020/2021年将成为主机厂量产的重要节点。观察自动驾驶产业主流企业（Tier1/2、车厂）的量产时间表，2020/2021 年是绝大部分企业高等级自动驾驶（Level3/4）量产的节点。可以说，自动驾驶产业已经进入大范围量产前夕。
以 2020、2021 年为界，国内自动驾驶产业链即将开启黄金 10年发展期。结合国家《汽车产 业中长期发展规划》、《智能汽车创新发展战略》（征求意见稿）以及产业链调研的结果。我们认为，以2020、2021 年为界，国内自动驾驶产业链即将开启黄金10年发展期。
L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000美金/套。现阶段已经量产的自 动驾驶系统中，实现 L2+功能的通用-凯迪拉克 CT6 的智能驾驶配臵包的报价在 5000美金/ 套；特斯拉的 AutoPilot 系统，根据不同的实现功能，分别报价在 5000 美金/套、8000美金/ 套。
奥迪 A8 代表现阶段量产的自动驾驶的最高水平，已经达到 L3级别，可以实现在高速公路上，以 60公里/小时的速度完成自动驾驶功能，让驾驶员完全可以不用手握方形盘而去做 其他的事情，在遇到紧急情况的时候，车辆会发出接管请求，并且给驾驶员提供8-10秒的时间评估路况，重新接管车辆进行控制，其报价在 10000美金/套。参考上述车厂的自动驾驶前装套件报价，我们预计在大规模普及之后，L3级别及以上的自动驾驶前装套件预计报价将在 3000-10000美金/套。当然，不排除成本大幅降低后，整车厂将降低报价，让利消费者。
国内自动驾驶前装套件的市场规模 2030年有望突破 1400亿美金。根据前文所预测的国内自动驾驶渗透率曲线以及自动驾驶前装套件预计报价，只估算 L3及以上的高等级自动驾驶的 前装套件的国内市场规模，我们预测在 2030 年有望突破 1400亿美金。
Waymo 正式商业化试运营，开启 Robo-taxi元年。在 Waymo首席执行官 John Krafcik看来，Waymo 在产业中的角色不止是“卖水人”，更是“掘金者”。Waymo的L4级别自动驾驶车辆实际上就是生产力工具，可以为C 端用户提供 MaaS（Mobility as aservie，无缝出行服务）自动驾驶网约车服务（Robo-taxi），并从中获利。从 2009 年成立以来，经过近 10 年的技术打磨，2018 年 12 月 5 日，John Krafcik发布内部信宣布自动驾驶服务正式商用，推出自自动 驾驶网约车服务（Robo-taxi）——WaymoOne。
虽然定价还在测试中，但是模式基本基于行 程时间和距离，这和 Uber、Lyft以及中国的滴滴是类似的定价模式。据The Verge实验，大 约 8 分钟、3 英里的行程在 Waymo One 上需要花费 7 美元，定价与 Uber和 Lyft相差不大。 从整个乘车体验流畅性来看，The Verge报道认为已经基本上等同于正常人在开车，技术变得 更为成熟了，例如：遇到减速带会减速、改变车道会加速、人行道前会让人（如果太靠近斑马线会倒车），如此人性化让人感受到机器的温暖。
Robo-taxi 彻底变革传统车企的商业模式，潜力无限。Robo-taxi的商业模式彻底完成了对于 传统汽车制造商商业模式的颠覆。根据驭势科技 CEO测算，同样是一辆车，传统的汽车厂 商每卖出一台车利润是 1400 美金，假设这台车在生命周期当中开 14-15万英里，也就是说传 统车厂在整个汽车的生命周期中，赚取的利润是0.01美元/公里。
以Waymo为代表的Robo-taxi 模式，因为自动驾驶带来的人力成本的节约以及效率的提升，在整个汽车的生命周期中，收 费可以达到1.25美金/英里（值得一提的是，除了基准的出行服务收费模型外，MaaS未来还可以在车内提供有偿的娱乐项目或广告项目来获得收入），而期间运营成本随着自动驾驶技术升级将显著下降。当成本下降到，自动驾驶每公里的总成本将与司机驾驶传统汽车的成本大致持平的平衡点时，市场的平衡将被打破，Robo-taxi的商业模式将开始显露出威力。
自动驾驶的落地场景，主要考虑三个方面：自动驾驶MaaS的落地场景十分多样，乘用车场景主要以自动驾驶出租车(Robo-taxi)为主；商用场景根据不同的使用用途，可以划分为港口货运、园区摆渡车、高速公路物流、矿区、市政环卫、最后 一公里配送等。根据蔚来资本的研究，具备大的市场规模体量、技术难度相对较低、成本可接受具备经济性的场景将最快实现自动驾驶的落地。市场规模方面，蔚来资本对各个场景的 自动驾驶规模进行了估算。
以长途物流为例，中国重型卡车的保有量 570万台，假定用于长途物流的卡车占到 30%，以每辆车2 位司机，每位司机年工资 15-20万元估算，长途物流自动驾驶的潜在替代规模在 5,000 到 7,000 亿元。而末端配送也是不可忽视的一块市场。2018年预计中国的快递业务量有望突破 490 亿件，快递业务收入达到 5,950亿元，而网络外卖方面，市场份额第一的美团外卖号称峰值日订单量已达到 2,000万。结合末端配送每单的成本，蔚来资本预计最后一公里的自动驾驶配送市场规模超 840亿元。
产业快速爆发的转折点将发生在自动驾驶成本低于人力成本之时。本质上讲，自动驾驶之于MaaS 就是，初期高投入（自动驾驶车辆改造成本）换取后续人工费用降低和运营效率的提升。从经济性看，只有快速地达到可取代人力成本之时，某个细分自动驾驶场景才能快速爆 发。当前 L4级自动驾驶硬件成本依然高昂，甚至比车辆自身成本还高，导致整体的经济性不高。而随着技术实现成本的降低，在人力成本愈发高昂的宏观背景下，自动驾驶 MaaS将逐渐显现出成本和效率上的优势。以长途物流为例，根据蔚来资本的测算，比较了普通卡车 与自动驾驶卡车(原有 2 名司机，取代 1 名司机)的 TCO(总拥有成本，Total Cost ofOwnership) 成本，当自动驾驶改造降至 20 万元/车时（年运维费为 5.1 万元/车），自动驾驶卡车 TCO成 本将比普通卡车的 TCO 成本下降14%。