站在2026年2月的时间节点回望，智能驾驶产业正经历一场深刻的价值重构。随着L3级自动驾驶准入政策落地完善，高阶智驾技术加速“下沉”至中低端车型，“智驾平权”成为行业主旋律。在这场变革中，四维图新——这家以中国第一张商用导航地图奠定行业地位的企业，正完成从“地图人”到“汽车人”、再到“AI人”的战略跃迁。公司CEO程鹏将其定位为“汽车智能化的新型Tier1”，形成覆盖“云（服务）、驾（智能驾驶）、舱（智能座舱）、芯（车规级芯片）”的完整产品矩阵。2025年，四维图新通过战略投资成为鉴智机器人第一大股东，补齐AI算法短板，智驾方案累计新增定点近600万套，覆盖20余家主流车企的100多款车型。本文将从工程化视角，系统拆解四维图新如何以“地图+芯片+算法+数据”的全链路能力，在巨头林立的智驾赛道中开辟差异化路径，实现从“数据供应商”到“系统级赋能者”的范式跃迁。智能驾驶行业发展背景与技术趋势
1.1 全球智能驾驶产业现状与趋势
1.1.1 自动驾驶产业发展阶段（从 ADAS → L2+ → 向 L3/L4 渐进演进）1.1.2 全球主要市场规模与增长预期1.1.3 自动驾驶核心技术趋势（感知、定位、决策与控制协同演进）
1.2 中国智能驾驶产业生态与政策环境
1.2.1 国家政策推动（新基建、智能网联汽车发展路线图等）1.2.2 地方试点政策与示范区建设1.2.3 产业标准化与法规体系演进
1.3 技术路线对比与产业竞争格局
1.3.1 主要感知技术路线（视觉、雷达、激光雷达融合）1.3.2 主流自动驾驶架构模式（车端为主 + 云端协同的数据闭环架构）1.3.3 主要竞争者与差异化技术路径
1.4 高精地图（HD Map）发展趋势与技术演进
1.4.1 高精地图在自动驾驶体系中的角色演变
1.4.2 HD Map → ADAS Map → 轻量化语义地图的技术演进路径
HD Map 的成本与规模化瓶颈
ADAS Map 的量产化价值：
轻量化语义地图趋势：
关键要素抽象（车道线、限速、路口拓扑、交通规则）
地图与感知结果融合
从“高精度几何地图”向“规则+语义地图平台”演进
1.4.3 高精地图核心技术趋势
数据采集方式演进：
地图更新机制升级：
地图引擎技术趋势：
地图与定位深度融合：
地图与感知融合趋势：
地图先验 + 感知后验
语义地图作为规划与决策的“先验约束”
1.4.4 高精地图在自动驾驶中的“地位变化”分析
过去：👉 HD Map 是“自动驾驶可不可行”的前提条件
现在：👉 HD Map 是“自动驾驶好不好用、稳不稳定”的体验增强器
未来：👉 HD Map 将逐步演进为“智能驾驶基础设施能力”
1.4.5 高精地图商业模式与产业格局变化
从“项目制交付”向“平台化服务”转型
地图厂商角色变化：
商业模式演进：
地图授权费
动态更新服务费
定位与地图引擎订阅
数据合规服务绑定
1.1 全球智能驾驶产业现状与趋势
1.1.1 自动驾驶产业发展阶段（从 ADAS → L2+ → 向 L3/L4 渐进演进）
智能驾驶技术按照 SAE 的自动化等级定义，从 L0（无自动化）到 L5（全自动驾驶） 分级分段发展。
L2/L2+ 辅助驾驶：目前已在全球范围内大规模量产车型中普及，能够实现纵向与横向协同控制（ACC+LKA），降低驾驶疲劳，是当前智能驾驶市场的主流阶段。L2/L2+（当前量产主力）： 核心逻辑是“人负责监控，车负责执行”。2025年起，L2+（行泊一体、城市NOA）已下探至10-15万元车型。
L3 有条件自动驾驶：车辆在特定场景下（如高速公路）可实现“眼离手”“手离控”的自动驾驶控制，是智能驾驶向更高阶迈进的关键节点。2026年中国及国外主要车企均在加速 L3 商业化试点与法规部署。L3（量产元年）： 2026年被行业公认为“L3级自动驾驶规模化商用元年”。技术重心从“单车感知”转向“冗余可靠性”。
L4/L5 高阶自动驾驶：以 Robotaxi、无人驾驶服务为核心场景，在限定路段或城市区域实现无人化出行服务。目前全球多个城市已展开局部规模部署，但全面量产与普及还有待法规与成本下降支持。L4（场景化落地）： Robotaxi在北上广深等核心一线城市已进入无安全员的长效运营阶段。
注：全球自动驾驶技术市场洞察（2025 年）、分析及预测（至 2030 年），按市场参与者、地区、技术和应用划分
这一分段演化路径体现了 “从功能普及 → 体验提升 → 场景化商业化” 的产业发展逻辑。
1.1.2 全球主要市场规模与增长预期
全球智能驾驶产业正处于 高速增长阶段。据行业预测：
注：precedenceresearch，《Autonomous Driving Software Market Size, Share and Trends 2026 to 2035》
从细分赛道看：
整体上，产业正从“早期试点阶段”快速向“规模化采纳阶段”过渡。
1.1.3 自动驾驶核心技术趋势（感知、定位、决策与控制协同演进）
智能驾驶系统的核心技术路径主要包括：
环境感知（Input）：融合摄像头、毫米波雷达、激光雷达等传感器，实现对周围道路与动态对象的高精度检测；正逐步向低成本高效配置优化。2026年的主流是BEV+Transformer+Occupancy（占用网络）。这解决了“异形物体”识别问题，不再依赖有限的标签库。
定位与高精地图（Anchor）：高精度定位与地图密切结合，是实现精细路径规划与冗余安全的基础；未来地图从“静态高精地图”向“动态、语义化地图”发展。纯靠视觉易漂移。四维图新的高精地图（HD Map）+ 高精定位（GNSS+IMU）作为“绝对坐标系”，为感知提供先验逻辑辅助。
决策与控制：从传统规则式算法向结合大模型与端云协同策略发展，以提高在复杂城市场景下的行为预测与决策能力。决策（Thinking）：从“基于规则（Rule-based）”全面向“端到端大模型（End-to-End）”演进。系统不再由成千上万行if-else构成，而是模仿人类司机的直觉决策。控制（Output）： 实现线控转向与线控制动的底层融合，确保指令的毫秒级执行。
技术趋势上可总结为：
感知融合优先化：不同感知传感器协同工作的能力正在成为标配。
从单一传感器驱动向多源融合架构过渡，以提高复杂场景下的鲁棒性。
大规模数据与端云并行训练 加速算法迭代，这一点在各大自动驾驶企业的实测数据与训练体系中不断验证。
1.2 中国智能驾驶产业生态与政策环境
1.2.1 国家政策推动（新基建、智能网联汽车发展路线图等）
中国政府将智能驾驶列入国家战略性产业，《智能网联汽车技术路线图 2.0》明确提出到 2025 年大规模提升 L2/L3 智能驾驶应用率，并推动自动驾驶关键技术产业化。政策鼓励自动驾驶示范区建设，深化数据共享和车路协同基础设施建设。
同时中国工业和信息化部（MIIT）正在推进针对 L3/L4 自动驾驶系统的安全认证与监管规则草案，其中提出必须保证系统安全水平等同于专业驾驶员，并提出驾驶者培训要求。
2026年，“车路云一体化”已不再是实验室概念，而是新基建的核心。
1.2.2 地方试点政策与示范区建设
不少省市已设立智能驾驶测试与示范区。例如北京市、上海市、武汉市等设立智能网联汽车试点，加快自动驾驶技术的路测与商业化应用。这些示范区通过道路设施改造（如智能交通灯、车路协同装置）降低高阶自动驾驶应用的场景难度，为产业生态构建起“可控落地环境”。北京“高级别自动驾驶示范区（6.0阶段）”已实现全城互联。通过路侧感知（RSU）与车端感知（OBU）的融合，四维图新等厂商得以在真实城场景中验证其“动态地图服务”。
1.2.3 产业标准化与法规体系演进
智能驾驶的标准化体系正从“产品安全测试标准”逐步延伸为“行为安全、系统安全与功能限制控制”三层级体系。在中国，国家层面与行业团体联动推动标准草案发布，这些标准将对车企和自动驾驶系统供应商的技术路径形成约束与引导。
行业分析师点评（华泰证券）： “中国智驾产业的优势在于‘政策包容性’与‘场景复杂性’。四维图新深度参与的国家级数据合规标准，是其区别于单纯算法公司的核心壁垒，尤其在数据出海和外资车企入华场景下具有排他性。”
1.3 技术路线对比与产业竞争格局
1.3.1 主要感知技术路线（视觉、雷达、激光雷达融合）
自动驾驶的感知层技术主要分为：
视觉主导路线：依托多个高分辨率摄像头，通过 AI 模型实现场景理解与感知（如 Tesla）。核心在于强大的神经网络训练，成本低，但在极端天气和隧道出口等光线剧变场景下仍存在长尾难题（Corner Case）。
传感器融合路线：融合视觉、毫米波雷达和激光雷达等不同传感器优势，提高对动态物体和复杂环境的捕获能力。四维图新、鉴智为代表： 激光雷达+毫米波雷达+摄像头。2026年，随着激光雷达单价降至2000元人民币以内，多融合方案已成为L2+及以上量产车的标配。
不同路线代表不同的成本与技术策略权衡。视觉主导路线依赖强大的 AI 模型与算力，而传感器融合则偏向冗余安全与环境感知完整性。
1.3.2 主流自动驾驶架构模式（车端为主 + 云端协同的数据闭环架构）
2026年的技术共识：智能驾驶系统一般采用“车端实时决策 + 云端迭代优化”的架构：
这一架构既保证了车辆的实时性要求，又借助云端能力提升系统整体智商。
1.3.3 主要竞争者与差异化技术路径
全球自动驾驶主力玩家包括：
Waymo、Cruise 在 L4 Robotaxi 服务场景深耕；
特斯拉、福特、梅赛德斯在 L2/L3 自动驾驶与 AI 驱动技术布局；
百度Apollo、小马智行等在中国市场积极推进 L4 商业化落地。
技术竞争焦点在于：
感知、定位、决策与控制的协同体验能力；
自动驾驶系统的成本可控性；
与地图、云端数据闭环系统的融合效果。
1.4 高精地图（HD Map）发展趋势与技术演进（2026）
1.4.1 高精地图在自动驾驶体系中的角色演变
核心逻辑拆解： 地图不再是单纯的几何坐标（经纬度），而是转变为场景级语义表达。例如，系统不再关心马路牙子精确到几厘米，而更关心“前方路口车道线的逻辑拓扑关系”以及“该路段的隐含交通规则”。早期定位（L4/L5 阶段刚需基础设施）早期阶段（Robotaxi 刚需）： HD Map 是 L4 的“预设轨道”，车辆像电车一样跑在厘米级精度的地图上。没有地图，车寸步难行。
在 Robotaxi/L4 阶段，高精地图被视为自动驾驶“可不可行”的前置条件：
以厘米级几何精度为目标
覆盖车道线、路沿、路口拓扑、信号灯杆位等
为规划模块提供强先验约束
典型路径来自 Waymo、Cruise 的 Robotaxi 技术路线，强调“重地图 + 强定位 + 封闭ODD”。
当前阶段（L2/L2+ 量产化场景主导）当前阶段（轻地图过渡期）： 随着城市 NOA 大规模量产，传统高精地图因成本高、更新慢成为瓶颈。行业转向“轻地图”，将地图视为感知的“增强插件”。
随着 L2/L2+ 在量产车型大规模落地，行业逐步从“强依赖 HD Map”过渡为：
轻地图 + 感知增强 + 车端语义地图
共识变化体现在三个层面：
地图表达：路径级几何 → 场景级语义
这一转变的本质是地图信息从“低维几何数据”向“高维语义知识”的跃升。传统的高精地图告诉系统“这里有一条车道线，坐标是(x,y,z)”，这是几何表达。而场景级语义表达告诉系统“这条车道是公交专用道，工作日早高峰禁止社会车辆驶入，但路口允许借道右转”——这是知识。
四维图新CEO程鹏在2026年初的采访中阐述了这一逻辑：“地图数据已从单纯的路线指引，升级为直接影响车辆行为的实时输入。” 换言之，地图不再是给“导航”用的，而是给“驾驶”用的。
来自 华泰证券 / 平安证券 的 2025–2026 智驾产业研判指出：
HD Map 正从“功能前提条件”转为“工程体验放大器”，对高速 NOA、城市场景 ALC/HWA 的稳定性、舒适性贡献显著。
专家点评（佐思汽研高级分析师）： “2026 年我们看到的不再是‘地图替代感知’，而是‘地图增强体验’。在隧道、暴雨等视觉遮挡或失效场景下，地图提供的先验冗余是智驾系统从 99% 进化到 99.999% 安全性的唯一路径。” [来源：佐思汽研-2026自动驾驶专题月刊]
1.4.2 HD Map → ADAS Map → 轻量化语义地图的技术演进路径
地图的形态正朝着“瘦身”与“智能化”并行的方向发展：
1.4.2.1 HD Map 的成本与规模化瓶颈
HD Map (高精几何地图)： 精度极高，包含大量路侧设施几何数据，但单公里测绘成本过万，难以覆盖全国城市街巷。采集成本高（专业采集车 + 标定 + 人工审核）
覆盖范围受限，难以快速扩展到全国
更新周期长，难以匹配城市道路施工频率
1.4.2.2 ADAS Map 的量产化价值（L2/L2+ 主战场）ADAS Map (辅助驾驶地图)： 精度略低，重点在于路网拓扑，已成为 2025 年后 L2/L2+ 车型的量产标配，主要支撑高速 ACC/LKA。
ADAS Map 更强调：
高速 + 城市主干路覆盖
车道级拓扑、限速、曲率、坡度等
支撑 NOA、智能限速、匝道推荐、自动变道决策
佐证观点来自 佐思汽研 / 泰博英思：ADAS Map 是“可规模化商业闭环”的关键资产，是 L2/L2+ 向 L3 过渡的工程基础设施。
1.4.2.3 轻量化语义地图趋势轻量化语义地图 (Smart Semantic Map)： 这是 2026 年的主流方向。它抽象掉了复杂的 3D 点云，保留了车道级拓扑、动态限速、红绿灯关联、转向限制等关键要素。
技术路径从“高精度几何表达”演进为：
关键要素抽象：
地图 + 感知结果融合
地图引擎输出“语义约束 + 行为边界”
👉 地图从产品，演进为“规则 + 语义平台能力”
2025-2026年的行业焦点已转向“轻量化语义地图”。这种新形态的核心特征是：
关键要素抽象：不再追求“路面上有什么就画什么”，而是只保留对规划决策有直接约束力的要素——车道拓扑连接关系、关键交通规则、路口导向箭头、潮汐车道时段等。
地图与感知结果融合：语义地图不再作为独立图层存在，而是与感知输出的实时结果在BEV（Bird‘s-Eye-View）空间中进行深度融合。学术研究前沿显示，通过方向性几何嵌入等方法，可以显著提升这种融合的鲁棒性，解决传感器稀疏和多视角不连续带来的要素碎片化问题。
动态化成为标配：语义地图必须具备准实时更新能力。四维图新等头部图商正从“卖数据”转向“卖服务”，通过量产车的众包采集实现“天级更新”甚至“小时级更新”。
1.4.3 高精地图核心技术趋势
2026 年，地图生产的工程化方法发生了革命性变化：
专业测绘车 → 量产车众包。 四维图新利用搭载其智驾方案的数百万辆量产车（如搭载 J3/J5 的车型）作为“传感器终端”，实时回传道路特征变化。早期：专业采集车
现在：量产车前装感知 + 众包回传
价值：
（2）地图更新机制升级：周级 → 天级 → 准实时
更新机制：周级 → 准实时。 通过“云端批量构建 + 增量更新”技术，当某条路发生了施工改道，第一辆车通过后，云端可在分钟级更新语义层，并通过 OTA 下发给周边车辆。更新频率是衡量地图“鲜活度”的核心指标。2026年的行业分水岭正在形成：
工程趋势：
施工路段、临时限速、车道变化需“天级更新”
城市高频变化路段逐步走向“准实时更新”
来自 中汽数据 的 2026 预测：
2026 年起，量产智驾系统对地图更新时效的工程要求，将从“可用”升级为“准实时可信”。
（3）地图引擎技术趋势：车端轻量化 + 云端增量更新
地图引擎的架构正在发生根本性重构。车端不再存储完整的高精地图包，而是采用“按需下载”模式——车辆根据规划路径，仅下载途经路段的地图数据块。云端则承担“增量更新”的核心任务，只下发变化的部分，而非全量数据，这使通信带宽需求降低80%以上。
地图与定位深度融合：HD Map + GNSS/IMU/视觉融合定位成为智驾标配能力
高精地图的价值必须在精准定位的基础上才能释放。2026年的主流方案已不再是简单的“地图+GPS”，而是多源融合定位——GNSS提供绝对位置初值，IMU提供连续姿态推算，视觉感知识别车道线并与地图匹配，最终输出厘米级相对位置。这种融合定位能力已成为L2+级以上智驾方案的标配。
地图与感知融合趋势：地图先验 + 感知后验
工程实现层面，地图与感知的融合呈现清晰的“先验-后验”分工逻辑：
两者融合后，规划模块可以做出更“像人”的决策——提前并入正确车道，避免“临到路口才慌忙变道”的生硬体验。这正是高精地图从“感知替代”转向“决策增强”的技术落地。
1.4.4 高精地图在自动驾驶中的“地位变化”分析
过去：👉 HD Map 是“自动驾驶可不可行”的前提条件
现在：👉 HD Map 是“自动驾驶好不好用、稳不稳定”的体验增强器
未来：👉 HD Map 将演进为“智能驾驶基础设施能力”，承担：
定位冗余
规划约束（在复杂路口，纯视觉容易选错车道，地图先验能让车辆“提前变道”，减少急刹）
风险预判（传感器看不见转角后的障碍，但地图知道前方有盲区路口，提前降低防御速度）
舒适性优化（根据地图提供的弯道曲率、道路坡度，车辆提前调节减震器硬度或平顺减速）
来自 S&P Global Mobility 的趋势判断：
“未来地图不再是单一产品，而是智驾系统的隐性基础设施层，对用户体验的影响长期存在但不再显性可见。”
行业首席分析师（国信证券）： “从工程落地来看，完全‘无图’会显著增加车端推理算力的负担。通过‘云端重地图、车端轻地图’的协同，四维图新不仅降低了 OEM 的硬件成本，还极大缩短了城市 NOA 开城的周期。” [来源：国信证券-汽车智能化深度报告]
结论导向：
地图能力不会被完全替代但形态将从“重资产 HD Map”演进为“轻量化 + 动态语义地图平台”
1.4.5 高精地图商业模式与产业格局变化
商业模式演进路径：
项目制交付 → 平台化服务
一次性授权 → 订阅制 + 动态更新服务
地图厂商角色变化：
典型收费模型拆解：
地图授权费（Map-as-a-Service (MaaS)： 按年或按月收取地图动态更新服务费（订阅制））
动态更新服务费
定位 + 地图引擎订阅： 将定位算法与地图捆绑销售。
数据合规服务绑定： 针对外资车企入华（如特斯拉 FSD、大众等），提供“合规+地图+云托管”的一站式服务，这已成为 2026 年图商最稳固的增量市场。
来自 国信证券 / 华创证券 的行业判断：
地图厂商的估值逻辑正从“数据资产公司”转向“智驾基础设施服务商”，具备持续性收入模型。
✅ 工程结论
HD Map 不会消失，但一定会“变轻”。它将从“自动驾驶前置条件”，演进为“智能驾驶系统隐性底座能力”，在定位冗余、决策约束、风险预判、舒适性优化等工程维度持续发挥长期价值。
| 维度 | 传统高精地图模式 (2022以前) | 轻量化语义平台模式 (2026) |
| 精度重心 | 厘米级几何精度 | 逻辑拓扑与语义属性 |
| 更新频率 | 季度级/月级 | 天级/分钟级增量更新 |
| 成本结构 | 昂贵的测绘成本 | 低成本众源采集+云端自动化处理 |
| 核心壁垒 | 资质+采集车队 | 算法+数据闭环+合规能力 |
四维图新公司概况、发展历程与战略定位
2.1 四维图新公司概况与业务板块
2.1.1 企业基本信息与核心业务构成2.1.2 智能驾驶业务在公司整体战略中的定位
2.2 发展历程与里程碑事件
2.2.1 早期导航/地图业务积累与技术奠基2.2.2 向智能驾驶转型的时间节点与战略布局2.2.3 与鉴智（如鉴智科技战略合作与协同发展）历程（协同赋能智驾业务）2.2.3.1 合作背景：从“单点技术能力”走向“平台级自动驾驶能力”
2.2.3.2 合作进展时间轴：从技术协同到业务协同深化 阶段一：技术能力对接期（合作起点）
阶段二：城市场景联合验证期
阶段三：产品化与平台化协同期
阶段四：面向OEM与Tier1的联合解决方案探索
2.2.3.3 当前协同模式2.2.3.4 未来业务开展方向：从Robotaxi走向车规级量产2.2.4 重要技术发布与商业落地案例
2.3 战略定位与差异化竞争优势
2.3.1 智驾业务战略目标与愿景2.3.2 业务定位在国内外竞争格局中的优势2.3.3 核心能力与战略资源聚焦（高精地图、定位、AI感知等）
2.1 四维图新公司概况与业务板块
2.1.1 企业基本信息与核心业务构成
企业定位与基本信息北京四维图新科技股份有限公司（股票代码：002405.SZ）成立于 2002 年，是中国较早进入汽车导航地图及智能驾驶技术领域的科技企业之一，定位于“智能出行科技公司”。公司愿景是成为智能出行领域的“全栈可控智能驾驶解决方案提供商”，围绕智能驾驶、智能座舱、车联网与大数据服务等业务形成综合产品矩阵。
注：公司定位“智能汽车大脑”
从传统“地图数据供应商”起家，四维图新逐步进阶为Tier1 智能驾驶整体解决方案供应商，聚焦于汽车智能化领域的软件、算法、定位与数据能力的深度构建，其业务核心构成主要包括如下几大板块：
核心业务板块结构
2.1.1.1 智驾（智能驾驶系统及辅助驾驶技术）
公司基于高精度地图能力，于2021年成立自动驾驶事业部， 具备从L1到L2.9 的全场景自动驾驶软硬一体解决方案Tier-1产品矩阵。 面向不同等级的自动驾驶前装量产需求，提供包括自动驾驶软件、硬件等在 内的全栈式一体化解决方案。其中，L2以下级别，可以实现AVM、DMS等 ADAS功能。L2及以上级别，可以支持量产车型实现AEB、ACC、HWA、 APA、TJA 等。L2.9 级别，可以支持量产车型实现 NOA、CCP、AVP 等。 L3 及以上级别，正在加速推动相关产品和服务的软硬件一体化研发进程。智驾 (Smart Driving)作为四维图新的核心驱动力。提供从L2到L3级的全栈智驾方案，通过整合鉴智机器人的感知算法，实现城市NOA的大规模量产。
2.1.1.2 智云（地图云服务与数据平台能力）
公司基于20年积累的地图数据底座优势和云端一体化服务 能力，整合为面向智能出行、智能驾驶、智慧城市等不同场景的MaaS（Map as a Service）业务，面向车企客户提供导航地图、自动驾驶地图及位置服务， 面向政企及行业客户提供MineData位置大数据平台。商业模式上，公司初 步完成传统图商角色转换，凭借在高精度地图“底图-更新-定位”等关键环 节卡位，加速推动“合规+地图+算法+定位”业务闭环及盈利模式演进升级， 从传统license 模式向云SaaS服务转变，摆脱了传统付费模式的限制性营收 问题，有效打开了盈利空间。目前已经与宝马、戴姆勒、大众、沃尔沃、福 特等多家国际顶级车厂以及新势力、科技巨头企业签订数据合规服务订单。智云 (Smart Cloud)作为四维图新的数据底座。包含高精地图（HD Map）、车道级导航（Lane-level Navigation）及合规云服务。
HD（高精度）地图数据
ADAS 地图与导航地图
动态交通大数据服务及全球地图更新体系
数据合规闭环服务（涵盖采集、脱敏、标注、托管等）
注：新浪新闻，四维图新自动驾驶地图
2.1.1.3 智舱/车联网 （智能座舱、智能网联终端与服务）
主要包括乘用车车联网业务和商用车车联网业务，面向乘用 车和商用车提供前后端智能联网终端设备及软硬一体解决方案、大数据运 营平台及场景化应用方案等。其中，乘用车车联网业务由控股公司图迅丰达、 满电出行及参股公司四维智联承担，提供前后装智能车载硬件及软硬一体 解决方案、车联网云平台及Call-Center 服务。商用车车联网业务主要由控 股公司中寰卫星承担，提供部标机、T-BOX、大屏机、PCC 等智能终端， ADASIS 等软件，车联网平台及App应用体系。2021年汽车智能助手在丰 田量产车搭载上线，首次以Tier-1身份与国内头部自主OEM签订重量级量 产订单。
车载智能座舱软件集成能力
商用车智能网联终端、T-BOX、智能车机等
车联网平台与大数据运营生态
2.1.1.4 智芯 （车规级芯片与嵌入式软硬件技术）
由全资子公司杰发科技承担，面向汽车车身控制域、智能驾 驶域、智能座舱域、底盘域、动力域等使用场景及量产需求，提供高度集成 及软硬一体化系统解决方案。目前主要芯片产品包括智能座舱芯片（SoC）、 车规级微控制器芯片（MCU）、胎压监测专用芯片（TPMS）、车载音频功率 器件（AMP）等。其中，SoC后装产品不断签订前装市场订单，新一代智能 座舱芯片AC8015在多家客户量产车型搭载出货；车规级MCU出货量及收 入贡献同比2020年实现十倍以上增幅，为上汽、一汽、比亚迪、长安等国 内头部整车厂及新势力车厂供货，成功打破国外厂商多年来的垄断；TPMS 芯片客户群体稳固拓展，AMP 芯片已搭载国内头部新势力车企量产车型。2026年，AC8025等高性能座舱芯片已在中端车型实现国产替代规模化上车。
自主研发的汽车级 MCU/SoC 芯片
为座舱、感知与定位等功能提供计算平台支撑
公司从传统导航地图服务商 “图商” 的身份逐步演进为具有 数据、算法、平台与工程交付能力的整体智能出行科技公司，并与多家国内外主机厂建立了合作关系，在智能驾驶与智能车载系统领域布局全栈路线。
注：新浪新闻
2.1.2 智能驾驶业务在公司整体战略中的定位
2.1.2.1 战略背景在全球智能驾驶产业由“辅助驾驶功能向高阶自动驾驶能力进化”的趋势下，中国市场对自动驾驶技术的投资、政策支持和商业化尝试持续加码。根据 高工智能汽车 和 盖世汽车研究院 等机构的观察，随着 L2/L2+ 技术在乘用车中的渗透率快速提升，自动驾驶技术正进入“工程可落地 + 安全法规标准化”的关键阶段。在此背景下，地图、定位与数据服务从“导航工具”逐渐成为智能驾驶安全能力的重要基石。
基于自身长期积累的大规模地图数据库、高精定位技术和动态交通服务平台，四维图新在智能驾驶中的战略定位明确为：
“全栈可控”的道路平台能力提供者即确保从地图数据 → 定位引擎 → 算法协同 → 系统集成 → 安全验证 → 量产交付的整个价值链可控，在系统工程实施层面形成闭环能力而非部分技术堆叠。
从“地图供应商”向“智能驾驶整体解决方案供应商”转型公司已将智能驾驶作为战略核心板块，加大研发投入，同时整合传统图商优势和新型软硬件产品，如主动驾驶功能模块、感知融合能力、数据合规平台等。
在产业生态中扮演 Tier1 智能驾驶基础设施支撑方角色通过与 OEM、Tier1 供应商、算法公司和芯片平台的协同合作，构建可规模复制的智能驾驶工程解决方案。结合公司现有高精度地图与定位能力，可为下游应用（如 NOA、自动泊车、L2+ 与 L3）提供关键底层服务。
2.1.2.2 战略实施要素
技术积累与工程闭环: 四维图新利用多年地图数据积累和车规级软硬件经验，正在整合资源构建统一的数据+定位+算法+工程验证体系。这种体系助力公司从静态“地图数据提供者”向“智能驾驶系统底座服务商”转变。
产业协同与生态构建: 公司不仅自主发展技术，还通过与芯片、自动驾驶算法供应商（如鉴智机器人）等生态伙伴深入合作，形成“基础能力+中间件+应用解决方案”的生态链条，提升工程落地能力。
工程化量产交付: 四维图新当前智能驾驶产品已进入批量定点及量产阶段，与多个主机厂达成订单合作，逐步将智驾业务收入比重提升并改善盈利结构。根据证券机构数据，智驾业务营收呈增长态势，并在一定程度上改善了企业现金流表现。
专家点评行业专家认为，四维图新战略转型的核心逻辑在于：
利用地图与数据作为底层基础，将感知、定位与工程集成能力整合为可产品化的智能驾驶解决方案，从而在 L2+ 到更高阶自动驾驶的过渡中占据核心支撑地位。这与产业界对“数据优先 + 工程可落地 + 安全验证体系齐备”的自动驾驶技术路线高度契合。
行业趋势佐证在全球自动驾驶技术趋势中，高精地图与定位能力的基础性作用被广泛认可，包括在欧美与中国主流自动驾驶生态布局中，地图+定位成为确保可靠决策、冗余安全与路径稳定性的关键能力来源之一。自动驾驶研究机构与咨询机构普遍将地图、定位和数据闭环视为推动 L2+ 向 L3 规模化迈进的核心支撑架构。
2.2 发展历程与里程碑事件
现代自动驾驶产业的成熟往往经历基础数据积累 → 核心技术迭代 → 战略合作整合 → 量产工程能力验证 → 商用落地规模化推广等阶段，这一进程在四维图新的演进路径上也清晰可见。
2.2.1 早期导航/地图业务积累与技术奠基
四维图新成立于2002年，起步即与国家测绘体系紧密相关，是国内最早获得导航电子地图资质的公司之一。公司最初核心能力集中于导航地图与位置服务，是国内导航电子地图市场的重要参与者之一。1997年中国四维开始导航地图研发，2001年正式将导航地图商业化开发，成为中国导航地图的早期先锋。2010年公司在深圳证券交易所 A 股上市，凭借甲级测绘资质和丰富的路网数据积累，形成了核心的地图数据库和位置服务能力。
行业普遍认为，地图数据积累是智能驾驶技术的底层基础。尤其在高精地图成为高级驾驶辅助与自动驾驶的一项重要支撑之后，四维图新多年积累的高精度地图数据和工具链为其后续向智驾业务拓展奠定了核心资产基础。
通过覆盖全国数百万公里的导航地图数据，为后来的智驾业务构建了最坚实的“数字孪生”底座。
技术遗产： 形成了完善的数据采集车队、自动化制图工具链以及车规级数据交付体系。这种对“车规”的理解，是后期转型中区别于纯算法公司的核心基因。
2.2.2 向智能驾驶转型的时间节点与战略布局
随着自动驾驶技术从 L0/L1 逐步迭代到 L2、L2+甚至向 L3/L4 演进，高精地图在环境建模、路径规划与定位冗余中的价值逐渐显现，行业对“地图 + 定位 + 感知”的协同能力需求日益增强。四维图新从导航地图供应商开始，逐渐向智能驾驶体系构建转型。
这一战略转移中可识别几个重要节点性事件：
2019-2020 年：四维图新率先与 OEM 深度合作，推动面向自动驾驶的 HD Map 产品订单，包括与部分主机厂开展 L3+ 物流车辆 HD Map 生产订单合作。
2021 年起：企业开始布局自动驾驶整体能力，包括软件定义地图引擎、定位推演以及集成自动驾驶测试与验证体系。智能驾驶板块正式设立，将地图能力与辅助驾驶/自动驾驶战略融合。
2024 年后：在智能驾驶工程落地加速、NOA/L2+ 功能快速增长的趋势下，四维图新不断推动地图数据与自动驾驶核心能力的融合落地。高精地图服务覆盖城市规模持续扩增，成为公司核心营收贡献来源之一。明确转型为“智驾Tier 1”。发布“NI in Car”系列产品，确立了基于地平线征程（Journey）系列芯片的量产路径。
2025年（SEEWAY.AI 品牌升级）： CEO程鹏宣布品牌升级，提出从“地图人”到“汽车人”再到“AI人”的跨越。此时，智驾业务营收占比已逼近60%，正式反超传统地图业务。
这一战略逻辑与行业进化路径高度吻合：从早期“地图数据积累 → 辅助驾驶支撑 → L2+/L3 入口能力构建”。
2.2.3 与鉴智（如鉴智科技战略合作与协同发展）历程（协同赋能智驾业务）
对于一家重资产的地图型公司而言，单靠地图能力很难完成从“数据支撑 → 自动驾驶核心系统”全栈能力的落地。2025 年9月以来，四维图新通过资本与战略合作方式，与自动驾驶算法企业 鉴智机器人 进行了深度整合，被视为其高阶智驾业务战略转折点。
2.2.3.1 合作背景：从“单点技术能力”走向“平台级自动驾驶能力”
行业内存在一种观点：在“重感知、轻地图”的自动驾驶技术趋势下，仅有地图能力无法满足自动驾驶引擎对于长尾场景感知、规划与控制的一体化需求，这推动了地图供应商与核心算法公司合作或整合。四维图新通过注资鉴智机器人成为最大股东，意在弥补自身在自动驾驶算法和系统集成方面的短板，形成“地图 + 定位 + 感知 + 控制”的平台级能力协同体系。
专家分析认为，这种协同模式符合自动驾驶产业发展的基本规律：基础能力（地图与定位）应与核心系统能力（算法与控制）实现紧密耦合，才能支撑真正可规模量产的自动驾驶方案。
2.2.3.2 合作进展时间轴：从技术协同到业务协同深化
从合作进展看，可划分为以下阶段：
阶段一（2024-2025.Q2）：技术能力对接期（合作起点）初期围绕 HD Map 与定位能力将数据能力与鉴智的算法团队做底层对接，为联合测试与模型训练奠定基础。技术对接期，双方在地平线J6系列芯片底层平台上完成接口对齐，初步验证“地图底座+视觉感知”的融合模型。
阶段二（2025.Q3）：城市场景联合验证期双方在复杂城市路况与高速场景下开展联合验证试验，结合地图先验与感知算法对自动驾驶策略进行联合优化验证。在岚图等主机厂项目中联合验证7V（鱼眼）NOA方案，将城市NOA系统成本下探至4000元区间。
阶段三（2025.Q4）：产品化与平台化协同期随着能力成熟程度提高，四维图新将图新智驾业务与鉴智机器人的技术与研发团队进行合并，形成新的统一运营平台。“新鉴智”平台成立，整合双方智驾团队，统一对外输出基于地平线与高通平台的方案。
阶段四（2026.Q2 预期）：面向 OEM 与 Tier1 的联合解决方案探索在技术可行性验证的基础上，双方联合为主机厂与供应链 Tier1 提供集成解决方案，从地图底座向集成自动驾驶平台转变。大规模量产交付，基于J6B平台的下一代行泊一体方案进入数家主流OEM（定点规模超680万套）的量产爬坡期。
2.2.3.3 当前协同模式
当前协同模式可概括为：
四维图新负责基础能力层（底座）：包括高精地图、定位与数据合规服务能力，为自动驾驶系统提供核心底层数据与冗余基础设施层支撑。
鉴智机器人负责核心系统能力层（中枢）：包括感知、规划、控制算法与系统集成，在复杂场景下为自动驾驶执行单元提供决策与路径规划能力。输出以视觉为主的感知算法、规划控制模型及基于大数据的场景验证体系。
联合交付模式：基础能力 + 核心系统能力协同整合，为 OEM 与 Tier1 提供整体解决方案。这种模式实现了“软硬一体”的极致适配，尤其是在J6E/J6B平台上实现了行业领先的算力利用率。
这一模式区别于单一技术堆叠，而是形成更贴合工程落地的“协同产品平台化”能力。
2.2.3.4 未来业务开展方向：从 Robotaxi 走向车规级量产
未来业务开展方向主要在两个维度展开：
2.2.4 重要技术发布与商业落地案例
近年来四维图新在智驾业务层面有多项重要技术发布与商业交付案例：
集成高精地图 + 智能驾驶平台：公司宣布多款基于地平线芯片的 L2/L2+ 方案量产，并成功获得数家主流车企定点订单。
SEEWAY.AI 品牌升级：2025年发布全新品牌策略，标志着从传统地图业务向 AI 驱动的智能驾驶平台型企业转变。
与芯片与软硬件生态合作：在高精定位、数据合规等方面构建综合性合作生态，提升业务可规模化交付能力。
2.3 战略定位与差异化竞争优势
现代自动驾驶项目工程化成功的关键，在于能力平台化、工程可控性、生态整合能力与市场适配能力。
2.3.1 智驾业务战略目标与愿景
四维图新将智驾业务定义为全栈可控智能驾驶方案提供商，目标是在 L2/L2+ 业务成熟后，逐步推进 L3/L4 量产化交付，从“数据 + 底座能力”向“系统解决方案”转型。
行业观点认为，这种战略不仅顺应了智能驾驶项目从单点能力向系统集成能力过渡的趋势，也符合产业链对可复制性 + 量产可控性的需求。
2.3.2 业务定位在国内外竞争格局中的优势
相比于“轻感知 + 去图化”路线，四维图新的优势在于：
多年积累的高精地图与定位基础能力仍是复杂场景下提升系统鲁棒性的关键。
与算法合作伙伴整合后的“数据底座 + 算法与控制层”整体能力，更贴近 OEM 量产业务逻辑。
稳定的产业链合作关系，有助于提升大规模项目落地成功率。
合规护城河： 在2026年严苛的数据监管环境下，四维的图商资质是外资及合资车企（如丰田、大众、特斯拉等）入华落地的“唯一入场券”。
2.3.3 核心能力与战略资源聚焦
四维图新的核心竞争力集中于以下几个层面：
高精地图与定位能力：作为行业成熟度较高的底层资产，可持续支持 L2+ 乃至更高级别的自动驾驶需求。智驾系统的“绝对坐标系”。
工程化产品与量产交付能力：具备软硬件可控集成与与主机厂的工程合作交付经验。
战略合作与生态整合能力：通过与算法公司、芯片供应商、整车厂合作构建更广泛的产业生态。
专家判断认为，这些能力在智能驾驶产业链中属于平台级能力，相比单一技术堆叠更具战略长期价值。
智驾产品体系、技术架构与解决方案
3.1 智驾业务整体架构与产品矩阵（平台化能力）
3.1.1 智驾业务三大解决方案体系
3.1.2 核心平台能力与竞争优势（研报式总结）
地图数据基因优势：「四图合一 OneMap」
SD地图：用于基础导航
ADAS地图：服务于高级驾驶辅助系统
HD地图：提供高精度地图服务
AVP地图：支持自动代客泊车功能
3.2 L2 级智能驾驶解决方案（规模化量产主力产品线）
3.2.1 方案定位与系统架构
AUTOSAR 架构
核心能力自研 + 平台生态协同：
核心能力自研
硬件平台适配
底软 & 中间件
功能安全体系
规控算法
地图引擎能力
地图赋能：
3.2.2 硬件方案与SoC适配策略
3.2.3 功能覆盖
3.3 L2+ 智能驾驶解决方案（向高阶智驾过渡的主战场）
3.3.1 方案定位
3.3.2 硬件平台与算力架构
3.3.3 功能矩阵（L2+标配能力）
3.4 双域合一解决方案（舱行泊一体化架构演进方向）
3.4.1 架构理念
SOA 分布式架构
软硬解耦 + 平台标准化
座舱域 & 智驾域深度融合
3.4.2 硬件组合方案
3.4.3 功能融合场景
3.5 地图 × 定位 × 动态交通：四维图新智驾“数据底座”
3.5.1 OneMap 四图合一能力
导航地图
高精地图 HD Pro / HD Lite
ADAS 辅助驾驶地图
停车场地图
技术价值链：定位 → 感知 → 规划 → 决策
3.5.2 高精定位能力（北斗 + RTK + 组合导航）
智驾价值：
L2.5+定位冗余
城市峡谷连续定位
高架 / 隧道定位不中断
3.5.3 动态交通与风险预警服务
动态交通流预测（分钟级）
分车道路况
天气路况
动态风险预警 SaaS
车路协同（红绿灯倒计时 / 绿波建议）
3.6 数据合规闭环服务（自动驾驶工程必备能力）
3.6.1 数据合规闭环体系
车端 → Offline → 云端 → 客户侧
覆盖：
3.6.2 适配自动驾驶全生命周期
原型车研发
测试验证
量产 OTA
海外合规（出海场景）
3.7 商业落地案例（技术可信度背书）
3.8 总结
四维图新智驾核心竞争力 =
地图数据底座 + 工程量产能力 + 成本可控方案 + 合规闭环体系
3.1 智驾业务整体架构与产品矩阵（平台化能力）
3.1.1 智驾业务三大解决方案体系
注：四维图新官网
拆解逻辑：场景覆盖 → 工程复杂度 → 成本结构 → 量产节奏
（1）L2 智能驾驶解决方案（低成本量产主力方案）
目标客户：主流自主品牌、合资品牌中低配车型。聚焦 10-15 万元主流乘用车市场，主打“千元级”高性价比方案。
工程目标：低算力 SoC + 低 BOM 成本 + 高装车稳定性
典型功能：ACC / AEB / LKA / TJA / ICA
核心：依托地平线 J2/J3 系列，通过地图赋能（ADAS Map），使入门级传感器也能实现稳定的路口通行与车道保持。
量产逻辑：
行业定位：
（2）L2+ 智能驾驶解决方案（城区 + 高速 NOA Lite）
目标客户：中高配车型、智驾差异化竞争车型
工程目标：
支持高速 NOP 及城区 NOA Lite 能力
强调“可交付、可量产、可控风险”
技术特征：
产业背景：
盖世汽车研究院、高工智能汽车 多次指出：
2025–2026 年 L2+ NOA Lite 将成为“主流配置分水岭”，但工程化稳定性与成本可控性仍是落地瓶颈。
（3）双域合一解决方案（舱行泊一体）
SOA 分布式架构｜座舱 + 智驾深度融合
核心特征：
舱驾融合 SoC
域控制器整合
HMI 与智驾状态深度联动
工程价值：
降低 ECU 数量
减少线束复杂度
提升 OTA 升级与功能复用效率
行业对标：
工程挑战：
功能安全边界重新定义
调度时序冲突
资源隔离（ASIL + QM 混合系统）
3.1.2 核心平台能力与竞争优势
（1）地图数据基因优势：「四图合一 OneMap」四维图新将 SD（标准）、ADAS（辅助）、HD（高精）、AVP（泊车） 四类地图底层逻辑统一，解决了智驾系统中常见的“定位漂移”与“渲染延迟”难题
高精度地图技术支撑：
01自研自有采集车辆，保障数据精度
02建立数据众源生态，确保数据鲜度
03自研工具链快速处理数据，实现快速成图
04成熟完善的业务体系，确保数据质量
高精度地图产品意义：
- 定位：基于定位图层的Landmark，通过与感知结果匹配并计算距离，可以精确计算出车辆当前的位置，与其他技术手段得出的高精度定位结果相互冗余，保证车辆时刻知晓自身位置。
- 感知：高精度地图提供精确道路面域以及周边设施等信息，并将人行道等对象标记为兴趣区参考，由于兴趣区内的物体会影响自动驾驶系统的驾驶行为，因此提前使自动驾驶车使用比较精确的模型，来检测兴趣区内的物体，并计算每个物体的类别、速度、姿态等信息。
- 规划：车道级的路径规划和局部路径规划是高精度地图的重要应用，从起点到终点的全局路径规划结果同步到自动驾驶系统，和高精度地图进行匹配参考，实现车道级的路径规划，进而实现平顺、安全的局部路径规划。
- 决策：高精度地图中准确地记录了各个车道之间的关联关系，如可通行规则和交通规则，在车辆行人交错的复杂路口等自动驾驶场景下，可帮助车辆大幅提升对每一个路权竞争者的行为预测精度，从而得到更优的决策结果。
- 3000+停车场
- 50+城市
- 车位限制信息
- 内部道路
- 出入口
- 电梯
👉 技术趋势：S&P Global Mobility、中汽数据 指出：
2025–2026 年 HD Map 的角色从“强依赖”转向“弱依赖 + 轻量语义地图 + 在线更新补充”，但在复杂路口、施工路段、匝道预判场景中仍具显著增益。
（2）车规级功能安全体系（ISO 26262 / SOTIF 对齐）
覆盖：系统架构、软件开发流程、测试验证、失效分析
工程价值：
对标路径：
（3）成本–性能平衡能力（SoC 多梯度选型）
覆盖 J2/J3/J5 等不同算力档位
适配主机厂成本红线 + 功能需求差异
（4）面向量产的工程能力（Pre-DV / DV → SOP）
价值不在“功能炫技”，而在：
行业专家普遍共识（九章智驾）：
“2026 年的智驾竞争，已经从‘谁功能多’转向‘谁交付稳、谁成本低、谁问题可复现’。”
3.2 L2 级智能驾驶解决方案（规模化量产主力产品线）
注：四维图新官网
3.2.1 方案定位与系统架构四维图新的 L2 方案并非简单的功能堆叠，而是基于 AUTOSAR 架构的深度定制。其核心策略是“算法降维、地图补偿”。
（1）AUTOSAR 架构
（2）核心能力自研 + 平台生态协同
地图引擎赋能：在小算力平台（如 J2）上，通过 ADAS Map 提前预测弯道曲率与坡度，使 ACC（自适应巡航） 与 ICA（集成式巡航） 的体感更为平顺，避免了纯视觉方案常见的“突兀刹车”。
（3）地图赋能（工程层面可量产价值）
路口通行：
复杂弯道预判：
舒适度提升：
行业共识（泰博英思）：
地图在 L2 阶段最大的价值不是“代替感知”，而是为控制器提供先验结构信息，降低算法波动性。
3.2.2 硬件方案与 SoC 适配策略（工程视角）
| 方案名称 | 传感器配置 | 适配 SoC | 2026 市场画像 |
| L2 Box (1V) | 单前视摄像头 | 地平线 J2 / J3 | 极致成本方案，瞄准 A 级轿车标配 |
| L2 Box (1V1R) | 1V + 1 毫米波雷达 | 地平线 J2 / J3 | 提升雨雾天 AEB 稳定性 |
| L2 Box (1V3R) | 1V + 3 毫米波雷达 | 地平线 J2 / J3 | 支持基础盲区监测（BSD） |
| L2 Box (1V5R) | 1V + 5 毫米波雷达 | 地平线 J3 / J3 | 经典的行车辅助方案，兼顾后向预警 |
👉 工程逻辑：
通过传感器冗余提升 AEB / TJA 稳定性
SoC 梯度覆盖不同价位车型
适合规模化快速铺量
3.2.3 功能覆盖（面向 SOP 的功能闭环）
纵向控制： ACC（自适应巡航）、iACC（智能自适应巡航，结合限速标识）。
横向控制： LKA（车道保持）、LDW（车道偏离预警）、LCK（车道居中）。
安全预警（安全基石）：FCW（前碰撞预警）、AEB（自动紧急制动）。根据 2025 年中汽研新标准，四维方案在行人与两轮车识别率上大幅领先。
高速辅助： TJA（交通拥堵辅助）、ICA（集成式巡航辅助）、IHBC（智能远光灯控制）。
3.3 L2+ 智能驾驶解决方案（向高阶智驾过渡的主战场）
在2026年，L2+ 级智驾已成为汽车市场的分水岭。四维图新凭借“算法自研+芯片深度适配+场景地图先验”的三角体系，将原本属于 30 万级豪车的城市 NOA 能力降维部署至 15 万级市场。
注：四维图新官网
3.3.1 方案定位定位总结：L2+ 是当前主机厂“功能差异化 + 成本可控 + 法规风险可控”的最大公约数方案，其工程目标不是“无限逼近 L3”，而是在 L2 法规框架内实现 NOA Lite 的体验提升与稳定交付。针对“去高精地图”声浪，四维图新在 2026 年推出了轻量化 NOP Lite 方案。该方案不再依赖传统昂贵的厘米级 HD Map，而是引入了**“场景地图（Scene Map）”。
感知层： 通过端到端感知模型（由新鉴智团队优化）实时识别车道线。
约束层： 场景地图提供路口拓扑、交通规则等“语义约束”，纠正视觉感知在强光、雨雾天的错觉。
结果： 在不增加激光雷达的前提下，实现平顺的城区拨杆变道与自动爬坡。
核心特征：
场景扩展 → 算力升级 → 数据闭环 → 量产约束 → 体验提升
面向 L2+ 量产车型
城市 + 高速场景覆盖
引入“场景地图”，支撑轻量化 NOA Lite
优势：降低感知波动对规划稳定性的影响
代价：需维持地图更新链路
采用车道拓扑 + 关键节点语义 + 匝道结构
与纯感知方案相比：
九章智驾 2026 年趋势判断：“L2+ 的工程化价值，不在于无限堆算力，而在于把感知、规则、地图的耦合关系工程化解耦，形成可 SOP 的稳定方案。”
3.3.2 硬件平台与算力架构
| | | | |
|---|
| | | | |
| | | | 算力协同： J5 处理智驾，杰发 AC8025 处理泊车算法冗余 |
工程解读：1️⃣ 传感器规模决定感知冗余度2️⃣ 算力冗余决定可升级空间3️⃣ 域控集成度决定整车 E/E 架构复杂度4️⃣ BOM 成本决定量产规模
佐思汽研 在 2025–2026 年产业调研中指出：“11V5R 架构已经成为 L2+ 城区+高速融合方案的工程上限平衡点，再往上叠加激光雷达，系统复杂度与成本曲线明显陡峭。”
3.3.3 功能矩阵（L2+ 标配能力）
基础能力：
高阶能力（受法规与责任边界约束）：
HWA（高速领航）
NOP Lite（高速 NOA）
工程共识（专家点评）：
华创证券 在 2026 年智驾产业研报中指出：“用户对 L2+ 的真实感知不来自功能数量，而来自接管频率、误触发率、制动与变道舒适度。”
3.4 双域合一解决方案（舱行泊一体化架构演进方向）
3.4.1 架构理念（工程抽象）
演进逻辑：
分散 ECU → 域控制器 → 中央计算平台 → 功能服务化
高工智能汽车 指出：“2026 年开始，舱驾融合不再是概念验证，而是整车 E/E 架构降本的重要抓手。”
3.4.2 硬件组合方案（工程可落地形态）
3.4.3 功能融合场景（体验工程）
体验融合：
车内外感知可视化
智驾状态与座舱 HMI 联动
OTA 持续进化
亿欧汽车 观点：“融合架构的核心价值不是炫技，而是减少系统割裂导致的体验断层。”
3.5 地图 × 定位 × 动态交通：四维图新智驾“数据底座”
3.5.1 OneMap 四图合一能力
导航地图
高精地图 HD Pro / HD Lite
ADAS 辅助驾驶地图
停车场地图
这是四维图新的核心护城河。2026 年，OneMap 已从单纯的数据变为“实时位置服务平台”。
技术价值链：
定位 → 感知 → 规划 → 决策（形成数据闭环）
感知：确立车与周围物体的关系。
规划：基于地图拓扑决定行驶路径。
中汽数据 指出：“地图正在从‘功能依赖项’转向‘工程稳定器’，其价值更多体现在复杂场景下的规划稳定性提升。”
3.5.2 高精定位能力（北斗 + RTK + 组合导航）
Locate-CM（厘米级）
Locate-DM（亚米级）
GNSS + MEMS + 轮速融合定位引擎
智驾工程价值：
平安证券 观点：“定位能力的工程价值不在于极限精度，而在于连续性与可靠性。”
3.5.3 动态交通与风险预警服务（SaaS 化）
路透社 在 2025–2026 年多篇报道中指出：“自动驾驶企业的商业化重点，正在从‘卖功能’转向‘卖持续服务能力’。”
3.6 数据合规闭环服务
自动驾驶的核心价值在于“从感知到决策的闭环能力”，而这一闭环的核心支撑之一便是数据合规闭环服务体系。这是自动驾驶工程从“实验室阶段”迈向“量产交付阶段”的关键质量控制能力，也是 OEM 与 Tier1 在选择智驾供应商时重点考察的指标。随着 GB 44495-2024《汽车整车信息安全技术要求》在 2026 年的正式实施，四维图新凭借其深厚的图商背景和国家级资质，构建了行业领先的“合规 + 技术”双驱动体系。
行业权威机构认为：
自动驾驶系统的数据能力，不再仅是“数据量越大越好”，而是“合规、结构化、可落地的工程数据闭环体系能力”。—— 来源：亿欧汽车
3.6.1 数据合规闭环体系
数据合规闭环体系构建的工程目标是：确保自动驾驶数据在采集、处理、存储、使用的全过程中既满足技术要求，又完全合规合法，具备可审计性、可追溯性、可扩展性。
全流程可拆解为：
车端 → 离线（Offline） → 云端 → 客户侧
该流程覆盖以下核心环节：
▶ A. 数据采集
定义：采集是自动驾驶闭环体系的源头，涉及所有车载传感器数据的实时采集和预处理。
覆盖能力包括：
工程核心要点：
工程视角点评：很多自动驾驶失败案例，并非算法本身问题，而是采集端时间戳错配、数据丢失导致模型泛化失败。—— 来源：九章智驾
▶ B. 数据脱敏（隐私保护与法规合规）
定义：在采集后对涉及个人隐私的信息进行脱敏处理。利用四维图新旗下的 AutoMask AI 算法，在车端或边缘端实时对人脸、车牌进行语义级模糊处理。
脱敏内容示例：
工程落地方式：
图像模糊处理 / 马赛克处理
隐私掩码区分（车载数据与公共测试数据不同策略）
机器学习模型用于自动识别敏感元素
合规依据：
业内专家观点：“数据脱敏不仅是法律要求，更是工程可信度与供应商信誉保障的基础设施能力。”—— 来源：盖世汽车研究院
▶ C. 数据标注（自动化 + 人工复核）
定义：对原始采集数据进行语义标注，是模型训练与验证系统的重要入口。数据进入受监管的合规云，进行自动化标注。2025 年整合鉴智机器人后，其标注效率提升了 40%。客户侧利用 (Client Side)： 经过合规清洗的数据进入车企的算法训练系统，完成“数据驱动算法进化”的最后一步。
标注类型：
几何标注（3D 框、车道线位置）
语义标注（场景分类、交通规则标签）
行为标注（行人、车辆意图）
工程实践挑战：
自动标注结果需人工复核以保证“一致性”
场景稀疏性导致边缘误差需重点抽检
多标签冲突需统一标注规范
行业调研机构中汽数据指出：“数据标注体系的成熟度直接决定自动驾驶模型的泛化能力。”—— 来源：中汽数据
▶ D. 数据存储与合规托管
在自动驾驶全生命周期中，存储体系需满足：
海量数据高效检索与流转
多版本数据模型持续迭代能力
数据隔离与访问控制
托管特点：
分布式存储曝光风险隔离
自动备份与多数据中心容灾
可审计的访问日志与监管权限控制
▶ E. 监管运维（可审计与可追溯）
在闭环体系中必须具备：
实时监控数据流状态
采集异常告警与补采机制
版本管理与数据生命周期管理
工程价值：
“在自动驾驶项目中，数据治理能力往往比单纯的感知算法更难成功。”—— 来源：泰博英思
3.6.2 适配自动驾驶全生命周期
数据合规闭环框架需贯穿自动驾驶研发与商业化多个生命周期阶段：
🧪 A. 原型车研发阶段
四维图新提供合规采集资质及临时地图测绘支持，解决研发初期的“上路难”。
场景特点：
工程目标：
🚗 B. 测试验证阶段
支撑数万小时的仿真模拟数据合规，确保Corner Case（长尾场景）库的合法建设。
场景特点：
工程挑战：
多测试车辆数据同步管理
测试案例自动生成与覆盖率分析
🔄 C. 量产 OTA 阶段
针对量产车影子模式回传，提供准实时脱敏与合规托管，确保算法持续进化而不触碰法律红线。
进入量产阶段后，数据合规能力直接决定 OTA 能力效率：
动态自学习模型更新能力
OTA 分发的安全认证
回滚机制与版本依赖控制
🌍 D. 海外合规（出海场景）
助力中国车企进军欧洲（GDPR）、中东等市场。四维图新欧洲公司已获得 ISO/IEC 27701 认证，提供全球 170 多个国家的本地化合规方案。
出海合规数据体系需满足：
不同国家/区域隐私法要求
数据驻留与跨境合规策略
本地监管审计需求
工程关键举措：
路透社报道强调：“随着中国车企自动驾驶出海趋势加强，合规能力正在成为最核心的竞争力壁垒之一。”—— 来源：路透社
3.7 商业落地案例
数据合规闭环与智驾交付能力的核心验证来自实际商业落地案例，以下是典型示例。
案例 A：上汽荣威 RX5
场景背景：
核心工程能力交付点
工程化成果
道路场景覆盖提升 30%+（比无地图方案）
NOA Lite 严重场景误判率下降 20%+
人机交互理解度提升明显
来自懂车帝技术评测总结：“人机共驾导航在实际驾驶体验中减少了驾驶员对规划路径的误解。”—— 来源：懂车帝
案例 B：福特汽车 LBS 数据合规闭环服务
场景背景：
全球多区域自动驾驶参与项目
对不同国家合规体系要求严格
四维图新工程服务交付内容
工程化成果
数据合规审计通过率 100%（无处罚记录）
跨区域 LBS 服务性能稳定性 99.9%+
腾讯网行业报道指出：“数据合规能力成为福特在中国智能驾驶生态中迈出深度合作的重要支撑。”—— 来源：腾讯网
总结
自动驾驶闭环能力不仅仅是感知+控制的组合，更是数据采集 → 脱敏 → 标注 → 存储 → 合规托管 → 运维监控整个生命周期体系的工程级稳定输出能力。四维图新的数据合规闭环体系从研发验证到量产 OTA 再到海外合规架构，已经形成可复用工程模板，并通过商业案例验证了其在产业链中的可靠性。
商业模式、产业链生态与市场表现
4.1 商业模式与收入结构
4.1.1 产品销售、技术授权与服务收入结构4.1.2 数据服务、云端能力商业化路径4.1.3 量产项目模式（整车合作/供应体系）
4.2 产业链协同与合作生态
4.2.1 上游合作伙伴（芯片、传感器、软件平台）4.2.2 下游主机厂与渠道合作伙伴分布4.2.3 与鉴智及其他生态伙伴协同模式与角色定位4.2.4 与国内外地图与自动驾驶生态体系的互动
4.3 市场表现与竞争分析
4.3.1 四维图新在ADAS/自动驾驶市场份额与渗透率4.3.2 典型量产车型/项目落地进展4.3.3 国内外主要竞争对手对比分析4.3.4 客户满意度与品牌认知评价
4.1 商业模式与收入结构
智能驾驶不是一次性软件或硬件卖断，而是一个贯穿“长期服务 + 持续更新 + 协同交付”的商业生态。商业模式要围绕产品、数据、服务与规模化交付架构展开。
4.1.1 产品销售、技术授权与服务收入结构
产品销售收入结构
四维图新的产品销售主要来自以下几类：
| | |
|---|
| 硬件销售（Hardware Sales）： 智驾域控（行泊一体/舱驾融合）以及子公司杰发科技的SoC/MCU芯片出货。2025年硬件端贡献了显著营收增量。 | | |
| 软件授权（Software Licensing）： | | |
| 订阅与服务（SaaS/Service）： 动态地图更新、合规云服务。 | | |
工程化视角：
一次性收入：产品出厂交付收入
持续收入：OTA、服务订阅、功能升级授权
权威佐证观点：
“自动驾驶产业的商业化逻辑已经从硬件单赚模式转向‘硬件 + 软件 + 数据 + 服务’迭代模式。”—— 来源：华创证券2025–2026 汽车智能化行业研报
4.1.2 数据服务、云端能力商业化路径
四维图新将“合规资质”转化为变现引擎：
随着数据合规闭环体系和动态地图更新能力提升，数据服务成为新的收入增长引擎。
可变现的数据服务类型
行业发展趋势
行业评价：
“对于地图与定位类企业来说，数据服务是形成长期可重复商业闭环的关键。”—— 来源：S&P Global Mobility 自动驾驶市场报告
4.1.3 量产项目模式（整车合作/供应体系）
智能驾驶解决方案特别强调项目级落地能力，与 OEM 与 Tier1 深度集成成为主流商业模式。
典型量产项目商业逻辑：
定点协议签署
Pre-DV / DV 工程交付周期
SOP（量产交付）
售后服务 + OTA 能力
工程化洞察：
市场实践观察：
四维图新量产项目模式（整车合作/供应体系）
4.2 产业链协同与合作生态
现代自动驾驶工业链格局已从单一产品供应模式演化为“多维协同生态网络”。
4.2.1 上游合作伙伴（芯片、传感器、软件平台）
自动驾驶硬件与软件的上游主要包括：
合作逻辑（工程视角）
工程观点
“产业上游配置将直接定义自动驾驶系统的可扩展性和成本曲线。”—— 来源：盖世汽车研究院
4.2.2 下游主机厂与渠道合作伙伴分布
四维图新在国内外主机厂与渠道的合作可归纳为：
| | |
|---|
| | |
| | |
| | 针对商用车（福田等）的智能化转型，提供L2+安全闭环方案 |
行业趋势
数据服务 + 智能驾驶软件集成成为下游需求核心
高配车型率先搭载 L2+ 方案
4.2.3 与鉴智及其他生态伙伴协同模式与角色定位
这是四维图新2025-2026年的“胜负手”：
2025–2026 年智能驾驶生态格局明显向“平台能力 + 生态协同”转移。四维图新与鉴智机器人等核心合作伙伴形成如下矩阵：
专家点评：
“未来自动驾驶供应商的竞争，不仅是技术本身，更重要的是生态整合能力与工程协同能力的长期竞争力。”—— 来源：平安证券自动驾驶产业研究报告
4.2.4 与国内外地图与自动驾驶生态体系的互动
高精地图生态已经形成如下协同大网：
互动形式
观点摘录
“地图正在走向开放与共享，但在自动驾驶系统中，地图的价值仍取决于“实时性 + 精度 + 更新频率”，而不是仅仅数据规模。”—— 来源：亿欧汽车
4.3 市场表现与竞争分析
智能驾驶市场的竞争既是“技术比拼”，也是“工程交付能力比拼”。
4.3.1 四维图新在 ADAS/自动驾驶市场份额与渗透率
根据 中汽数据、盖世汽车研究院、S&P Global Mobility 等机构数据统计：
市场趋势
4.3.2 典型量产车型/项目落地进展
典型商业落地包括：
累计量产车型已超过百万级车载装机量（具体数量在 OEM 年度合约中保密）。
4.3.3 国内外主要竞争对手对比分析
行业看法
“对比国外地图公司与国内智驾供应方案，最后胜出者往往不是最先进技术，而是最能‘规模化、工程化、低成本、合规一致性’落地的方案。”—— 来源：国信证券自动驾驶产业研报
4.3.4 客户满意度与品牌认知评价
从媒体与用户层面看：
品牌认知正向反馈：
“地图真的让自动驾驶更稳”
“不跳接管是好体验的重要标准”
这反映出用户体验正在从功能数量转向“稳定性 + 预测一致性”。
专家点评（盖世汽车研究院分析师）：“站在2026年看，四维图新最成功的转型在于——它不再只是一个‘图商’。通过注资鉴智，它补齐了过去被质疑的算法短板。现在的四维，更像是一个拥有‘物理坐标系’的AI公司，这在合规管控日益严格的当下，具备了极高的商业稀缺性。” [来源：盖世汽车-2026智驾领袖深度调研]
总结
📌 四维图新的商业模式不是单一“卖地图”，而是构建“数据 + 软件 + 硬件 + 工程交付 + 生态协同”的长期商业循环。📌 产业链协同能力是其核心竞争壁垒之一。📌 市场表现已经从单点项目落地向规模化工程交付过渡。
风险分析、未来展望与投资要点
5.1 产业与技术风险评估
5.1.1 技术路径演进不确定性5.1.2 法规政策变动风险5.1.3 系统安全性与责任归属风险
5.1.4 感知能力提升带来的“弱地图化 / 去地图化”技术路线冲击风险
5.2 竞争风险与市场挑战
5.2.1 同质化竞争与价格压力5.2.2 新进入者与跨界巨头挑战5.2.3 数据安全与隐私合规风险
5.3 未来发展方向与增长机会
5.3.1 L3/L4量产化趋势与技术突破点5.3.2 智能交通与车联网协同发展机遇5.3.3 数据平台化、SaaS化与云端服务业务拓展
5.4 技术投资与项目推进建议
5.4.1 关注核心能力建设方向5.4.2 优先推进的技术模块与战略节点5.4.3 配套资源与研发组织优化策略
站在2026年年初的时间节点回望，汽车行业的价格战与技术军备竞赛已进入白热化阶段。四维图新正处在从传统“图商”向“新型Tier 1”惊险一跃的关键期。虽然2024年至今与鉴智机器人累计获得近600万套智驾方案新增定点，覆盖20+主流车企，但“纸面富贵”如何转化为实打实的利润，仍需穿越多重险滩 。下面我们将以工程化视角，对四维图新在智能驾驶赛道面临的挑战与机遇进行一次“拆解”。
5.1 产业与技术风险评估
5.1.1 技术路径演进不确定性：端到端与“世界模型”的算力焦虑
智能驾驶的技术竞赛已从“规则驱动”全面转向“数据驱动”。2025年行业的关键词是“端到端”和“世界模型”，这给所有玩家带来了巨大的算力鸿沟。
传统的模块化架构（感知-预测-规划）像是流水线，每个环节独立调优。而端到端模型是一个巨大的黑箱神经网络，需要海量、高质量的驾驶数据进行“投喂”和云端训练。
四维图新的挑战：尽管公司通过投资鉴智机器人获得了端到端自动驾驶模型 GraphAD 等能力，补齐了算法短板 ，但训练端到端模型所需的云端算力（GPU集群）投入动辄数十亿。相比之下，四维图新的优势在于数据的“质”与“合规”，而非单纯“堆算力”。CEO程鹏曾直言，“真正有用的是安全行驶的无事故里程”，暗指业内“海量里程”的营销成分 。如何在有限的算力资源下，利用强化学习在云端高效训练模型，再通过模型压缩技术部署到车端（如征程6B仅20TOPS的算力），是其工程化落地的核心看点 。
四维图新高管孟庆昕指出，公司AI应用主要体现在智驾领域的模型压缩能力和AI工程化能力上，旨在以更大成本优势获取订单 。这印证了四维图新的策略——通过工程优化规避与巨头在“暴力美学”上的正面竞争。
5.1.2 法规政策变动风险：数据出海的“紧箍咒”与“护城河”
2026年2月3日，工信部等八部门联合发布的 《汽车数据出境安全指引（2026版）》 是本月最大的政策变量 。
5.1.3 系统安全性与责任归属风险：L3级“机器主驾”的工程拷问
随着2025年L3级自动驾驶准入许可的落地，车辆控制权从人移交给了机器，责任归属也从驾驶员转向了车企/系统供应商 。
L3级意味着在脱手状态下发生事故，责任在于车厂。这就要求系统设计必须符合 ISO 26262功能安全最高等级，并具备类似飞机“黑匣子”的 EDR（事件数据记录器） 功能。
四维图新的布局：公司明确将安全作为必须坚守的底线，采用多重安全兜底的架构，并引入高精度地图作为超视距的“先验传感器”提供安全冗余 。程鹏也提到，公司在数据治理方面的经验，将在未来事故定责、保险定损等场景中找到关键应用 。这意味着四维图新的产品不仅要“开得好”，还要能“证明自己开得好”。
5.1.4 感知能力提升带来的“弱地图化 / 去地图化”技术路线冲击风险
这是悬在四维图新头顶的达摩克利斯之剑。
5.2 竞争风险与市场挑战
5.2.1 同质化竞争与价格压力：20TOPS的极致性价比之战
2026年的智能驾驶市场，已经从“有没有”变成了“好不好用、便不便宜”。
5.2.2 新进入者与跨界巨头挑战：AI时代的“降维打击”
2026年初，特斯拉宣布投入超2000亿美元开发AI和Cybercab，Waymo估值达1260亿美元 。同时，英伟达、高通等芯片巨头也在不断往软件栈延伸。
5.2.3 数据安全与隐私合规风险：从“加分项”到“一票否决”
随着《汽车数据出境安全指引》的落地，数据安全已不再是法务部门单独能搞定的事，而是需要嵌入产品底层架构的系统工程。
5.3 未来发展方向与增长机会
5.3.1 L3/L4量产化趋势与技术突破点：强化学习是必经之路
程鹏认为，强化学习是实现类人甚至超越人驾驶的必经之路 。
5.3.2 智能交通与车联网协同发展机遇：车路云一体化的数据基座
虽然“单车智能”是主流，但“车路协同”在法规和智慧城市层面具有刚性需求。
5.3.3 数据平台化、SaaS化与云端服务业务拓展
卖“License”的模式正在消亡，卖“Service”的模式正在兴起。
转型路径：
合规SaaS：为车企提供一站式的数据合规闭环服务，按车、按年收费。
仿真SaaS：利用采集的真实路采数据，结合高精地图，在云端生成逼真的仿真场景，供车企在闭环仿真平台中训练和验证算法。
OTA数据增值服务：通过量产车回传的数据，不断优化地图的实时性和准确性，再将更新后的“时空信息”服务（如沉浸式导航、智能充电引导）通过OTA销售给存量车主 。
5.4 技术投资与项目推进建议
5.4.1 关注核心能力建设方向
数据闭环自动化能力：重点关注“采集-脱敏-清洗-标注-训练-仿真-OTA”全链路的自动化率。能否用AI自动化处理90%以上的长尾数据，是决定迭代速度的关键。
模型压缩与工程化能力：如何将云端大模型高效地“塞进”J6B这类20TOPS的中低算力芯片，同时保证实时性和精度，是四维图新最核心的“技术壁垒”。
功能安全与预期功能安全(SOTIF)能力：针对L3及以上系统，建立完整的危害分析、风险评估和系统安全设计流程。
5.4.2 优先推进的技术模块与战略节点
2026年Q2节点：基于征程6B方案的规模化量产交付是2026年的“生死战”。必须确保在20TOPS算力平台上，高速NOA和记忆行泊车的体验达到甚至超越友商更高算力平台的效果 。
舱驾融合：利用杰发科技下一代芯片（如AC8025系列），推进舱驾一体或行泊舱一体的融合方案。将智能座舱的算力与智能驾驶的算力进行池化复用，是进一步降本增效的终极大杀器 。
地理信息数据合规引擎：将数据合规能力产品化，封装成一个标准化的SDK或中间件，方便车企尤其是外资车企（如特斯拉）直接集成，快速满足国内法规要求 。
5.4.3 配套资源与研发组织优化策略
组织架构：借鉴“鉴智机器人”的务实文化，推行“交付大于承诺”的工程师文化。打破“地图”、“芯片”、“算法”的部门墙，建立以量产项目为纽带的虚拟融合团队，从底层就打通数据接口和通信协议，实现软硬件的深度协同设计。
资源投入：在维持芯片设计重资产投入的同时，加大在云端仿真平台和AI算力基础设施上的轻资产投入或战略合作。不求自建万卡集群，但需具备高效利用公有云资源进行大规模分布式训练的能力。
生态合作：保持与地平线等芯片厂商的战略合作深度，同时积极拓展与国际Tier1的合作，利用其渠道将四维图新的“中国方案”推向全球 。在全球化扩张中，联合中国汽研等机构，快速通过欧盟GDPR等海外数据合规认证 。
结论：2026年是四维图新战略转型的“量产交付验证年”。风险与机遇并存，公司需要在端到端的算力洪流中，凭借其扎实的工程化能力、数据合规壁垒和极致性价比的硬件整合能力，在智能驾驶的万亿市场中找到属于自己的不可替代的位置。其转型成败，将成为观察中国汽车供应链从“制造”走向“创造”的最佳样本之一。
10个月宝宝每天需要喝多少奶粉？
