科沃斯21年一季报业绩持续高增且略超市场预期，反映行业下游需求旺盛且竞争格局较为稳定。市场对新进者与家电巨头对行业竞争格局的影响有一定关注，我们认为前者短期内显着冲击头部企业竞争优势地位的可能性较小。原因在于，扫地机器人清洁效果的核心决定因素为避障能力、覆盖面积与清洁效率，对应算法升级是产品体验升级与渗透率提升的关键要素。当前扫地机器人产品尚未定型，仍处于技术进步的上升周期，研发优势与专利壁垒仍是企业核心竞争优势。而科沃斯等头部企业深耕服务机器人多年，对比传统家电企业在算法优化方面优势较为显着，对应功能升级新品不断投放市场，助推避障/免清洗/深度清洁等需求痛点接力攻破。因此，短期市场竞争格局有望保持相对稳定。
       鉴于操作车辆要面对的大量真实世界变量以及针对错误安全要求的相关零容忍度，自动驾驶是可想象的最具挑战性的机器学习用例之一。该应用的成功将直接推动更多要求不高的用例，这就是为什么自动驾驶汽车的发展在许多不同领域（尤其是智慧城市）具有影响的原因。

　　从自动驾驶汽车的角度来看，关键的机器学习需求涉及训练“感知层”，这意味着使用传感器（无线电、摄像机、激光雷达、惯性测量单元等）来准确“查看”车辆遇到的状况。这是至关重要的，因为采取的任何措施（例如指示车辆进行路径调整）都将取决于准确的感知层视觉。

　　自动驾驶开发可能会驱动未来用例的原因之一是，训练该重要感知层的机器学习模型和神经网络在种类繁多的大型数据集上表现最佳。而自动驾驶汽车则依赖于庞大的数据集。此外，它还依赖于传统的汽车工程专业知识，但是制造自动驾驶汽车所需的平均数据量估计约为150 PB。简而言之，这既是数据分析又是机器学习的挑战，而不仅仅是机械工程方面的挑战。

　　需要收集和处理的数据量需要高级的数据管理功能，包括数据湖和对数据生命周期的清晰理解。未来的用例不仅取决于对数据管理和处理的理解，还取决于数据可以带来的机会。

　　从历史上看，由于与管理生命周期本身相关的工作量、成本和时间，分散的数据管理生命周期限制了扩展新用例的能力。通过优化生命周期，可以更快、更频繁地重复它，从而提供对机器学习模型的持续改进

　　扫地机器人年需求爆发，短逻辑在于：1)2019年北美市场受制于关税提升+消费动能下降，行业需求承压。2020年4月美方批准关税豁免，降低购买价格；2)疫情催化下居民室内清洁需求提升，但扫地机器人单价偏高限制放量。下半年国内疫情趋缓居民收入回升，扫地机器人可选性质偏强，需求恢复明显。叠加国外疫情蔓延，海内外需求得以爆发。中长期看，我国内陆城市扫地机器人渗透率仅1%，沿海城镇5%左右，仍处于低位。海外市场中欧洲不到10%，长期提升空间广阔。预计在技术成熟与需求改善逻辑演绎下，行业整体增长空间有望打开，十四五期间我国沿海城市渗透率有望上升至10%，对应3-5年行业年均复合增速可达15%-20%。