自动驾驶研究系列一

马斯克在国外社交媒体推特上表示，特斯拉计划在其全自动驾驶(FSD)Beta v12中使用端到端人工智能(AI)更新其全自动驾驶包，这表明特斯拉或将改变FSD技术路线，同时也为端到端算法打开了在其他领域应用的想象空间。

□ 模块化架构性能有限，端到端架构有望成为自动驾驶的终极解决方案。当前量产的智能驾驶汽车系统基本都是采用模块化架构，将驾驶任务拆解到各个模块，但是级联误差问题、各个模块之间重复计算造成的车载算力资源浪费、模块之间信息交互不畅等问题极大地限制约了模块化架构性能。端到端自动驾驶最直观的变化就是将多个小模型整合成了一个“大模型”，输入原始数据通过大模型直接生成驾驶指令。相比于模块化架构，端到端极大地提升了系统的性能上限。目前端到端最大的问题是模型中所谓的黑盒问题，由于神经网络过于复杂因此造成模型计算过程的可解释性较差，因此大模型结构下的端到端自动驾驶对原始数据的质量有着较高的要求。马斯克已经在推特上表示下一代的FSD将会采用端到端架构，我们认为特斯拉在技术路线上的选择对行业有较强的指导意义，或将推动产业落地进程。

□ 特斯拉BEV实现由2D向3D跨越，端到端可靠性大幅提高。目前，特斯拉已经基于Transformer算法成功将摄像头采集到的2D信息成功转化为带有深度信息的3D视频流(BEV鸟瞰图）.Transformer算法采用的Attention机制是GPT、BERT等人工智能领域热门算法的核心机制，能够找寻各个数据元素与其他所有数据元素之间的关联，从而大幅提高算法的泛化能力。相比于RNN，Transformer算法允许并行计算且效率更高，性能表现突出。往后看，3D的 BEV信息为端到端架构提供了包含更多信息的原始输入数据，在大模型内部可进一步引入Attention 机制来实现更好的解读驾驶过程中与周围环境的交互情况，极大地提高智能汽车的可靠性。

□ TSN、多模态等新技术助力端到端驾驶的落地加速。时间敏感网络（TSN)与传统以太网相比，TSN 能够提供微秒级确定性服务，降低整个通信网络的复杂度，并具有精准的时钟同步能力、确定性流量调度能力，以及智能开放的运维管理架构，可以保证多种业务流量的共网高质量传输以及确定性的时延。考虑到端到端自动驾驶或将以BEV视角下的3D视频流作为原始数据，对网络的负担加重，确定性时延的重要性变高，因此TSN大概率成为端到端自动驾驶解决方案中的必然选择。多模态方面，与传统的单模态模型相比，多模态大模型的独特之处在于它可以从多个数据源中获得更加全面有价值的资源，从而提高模型的性能和鲁棒性，帮助自动驾驶系统理解各种类型的传感器输入源，从而生成更好的驾驶指令。

□ 建议关注推荐标的：三旺通信（车载TSN 网络）、东土科技（车载 TSN网络）、当虹科技（娱乐座舱）、菲菱科思（汽车网络交换机和汽车域控制器网关）、德赛西威（智能座舱、智能驾驶、智能网联）、伯特利（线控底盘）。

□风险提示：端到端架构的黑盒问题可能会延缓产业落地进程

TMT及中小盘/中小市值

行业规模

占比%

股票家数（只）	40	0.8
总市值（十亿元）	291.9	0.4
流通市值（十亿元）	249.4	0.4

行业指数

%	1m	6m	12m
绝对表现	2.7	6.4	5.0
相对表现	1.8	10.3	18.9

资料来源：公司数据、招商证券

董瑞斌 S1090516030002

dongruibin @cmschina.com.cn

郑晓刚 S1090517070008

< zhengxiaogang@cmschina.com.c

梁程加 S1090522060001

liangchengjia @cmschina.com.cn

汪刘胜 S1090511040037

< wangls @cmschina.com.cn

张夏 S1090513080006

< zhangxia1 @cmschina.com.cn

每日免费获取报告 □

每日微信群内分享7+最新重磅报告；

每日分享当日华尔街日报、金融时报；

√ 行研报告均为公开版，权利归原作者所有，起点财经仅分发做内部学习。

正文目录

一、端到端模型打开下游的新想象空间.
1、端到端架构逐渐进入视野.. ..6
（1）Transformer的 Attention 机制是一切的基础. .7
（2）Transformer机制成功通过 BEV将汽车视觉感知由2D向3D 的跨越...11
（3）BEV+Transformer为端到端提供了高质量感知数据，有望提速端到端架构白
2、特斯拉已采用端到端架构，高性能上限未来成为主流方案的潜力大....13
（1）基于深度学习以及强化学习的大模型， ....14
（2）多模态大模型赋能端到端训练，强化学习+transformer 或大有可为....15
二、新技术发展，TSN推动端到端落地.. ..17
1、TSN：具有确定性时延以及多协议传输能力.. .17
2、TSN发展历史：不断提高确定性. ..18
三、TSN在车载领域应用趋势明显... .21
1、车载：TSN为自动驾驶提供网络时效性以及安全性保障. ..21
（1）传统汽车网络架构能实现的功能有限... ...21
（2）汽车智能化时代开启，引入车载TSN已成刚需.. .22
（3）TSN方案有望逐渐被各大车企采用. ..23
四、推荐标.… ..24
1、三旺通信（688618.SH） ...24
2、东土科技（300353.SZ） .24
3、当虹科技（688039.SH） ..24
4、菲菱科思（301191.SZ）. ...25
5、德赛西威（002920.SZ） ..25
6、伯特利（603596.SH）， .25
五、风险提示... .25

图表目录

图1自动驾驶定位技术结构图，
图2 模块化自动驾驶. 5
图3每个模块还有很多子模块. 5
图4 模块化架构各个模块之间相互较为独立.
图5 端到端自动驾驶...
图 6 Transformer 整体结构...
图8 Encoders-Decoders 模型.
图9 RNN 网络结构...
图 10 Attention 在机器翻译中的分布..
图 11 Self-Attention 机...
图 12 Transformer 下的 Encoders-Decoders 模型. ...11
图 13 BEV+Transformer 基本概念...
图142D图片下预测的路线投影到向量空间后效果极差.
图15经过Transformer后的投影效果与 2D对比（右侧为 Transformer，左侧为2D）….13
图 16 机器学习的三种形式.
图 17 强化学习算法的不同组件. ...4
图 18 强化学习的过程...
图 19 DriveGPT 大模型雪湖·海若大模型训练机...
图 20 行车长尾场景罕见却无法忽视. ...16
图 21人工智能算法的涌现效应.
图 22TSN、AVB 与传统以太网..
图 23 传统以太网数据帧传输随时间分布..
图 24ISO OSI七层模型（绿色和橘色为AVB所在位置）
图 25 TSN 网络的组成元..
图 26 TSN有着确定性的时延.. ..20
图 28 传统车载网络架构... ..21
图 30 Domain Architecture... .23
...24
表2：以太网具有高宽带、低成本优势. … ...5

一、端到端模型打开下游的新想象空间

1、主流自动驾驶为模块化架构

当前已经量产的自动驾驶解决方案主要以模块化的架构为主。通俗来讲，现阶段使用较多的自动驾驶的模块化算法解决方案是将自动驾驶任务拆解成多个不同的模块，然后将对应的任务交给专门的AI，模型（模块）进行处理。一个完备的模块化架构通常会包括：

a）感知模块：主要认为是对周边环境的感知，包括静态物体、动态物体、路面情况，其中对于动态的物体还需要额外做到对其运动轨迹进行跟踪。感知算法大部分采用深度学习卷积神经网络、图像识别技术等。

b）定位模块：主要是通过GPS 以及一些其他传感器数据进行车辆定位，与感知模块类的点在于其采集到的数据同样会被用于后续模块。

图1自动驾驶定位技术结构图

资料来源：《自动驾驶-汽车定位技术》、招商证券

c）决策模块：决策模块根据感知模块以及定位模块等前端模块采集到的数据，结合当前车辆的行驶状态、位置、与障碍物的距离等信息，做出转向、加速、变道、超车等驾驶行为，起到类似于大脑的功能。

d）路径规划模块：规划模块会根据上层信息，进一步规划出汽车行驶的路径轨迹、速度、以及途径点等信息。

e）控制模块：根据前序模型的分析计算结果输出控制信号，实现自动驾驶中对车辆的控制。

图2 模块化自动驾驶

资料来源：OpenDILab、招商证券

现阶段模块化架构的核心问题主要在于：

1）研发强度大。模块化的架构意味着一个自动驾驶的模型可能包含了很多种子模型，而每个模型都需要单独训练与优化迭代，需要的研发人员数量多。

图3 每个模块还有很多子模块

资料来源：车东西、招商证券

2）误差容易在逐级的传递中放大。在模块化架构的系统中，下一级模块的输入参数通常是上一级模块的输出结果，若是前一级模块出现误差，则误差有可能会被逐级放大。

3）信息交互不顺畅。模块化的架构导致不同模块之间有着天然的隔阂，导致不同模块间的信息交互、接口制定等难以顺畅地实现。

4）各个模块之间容易出现重复计算，浪费车载算力资源。

图4 模块化架构各个模块之间相互较为独立

资料来源：智车科技、招商证券

1、端到端架构逐渐进入视野

端到端自动驾驶最直观的变化就是将多个小模型整合成了一个“大模型”，是自动驾驶的终极目标。自英伟达于 2016 年发表论文《End to End Learning forSelf-DrivingCars》，端到端自动驾驶不断发展。相较于传统模块化的架构，端到端（Endto End）通过一个大模型既实现了感知、规划、控制等模块的功能，也就是通过传感器采集到原始数据（rawdata），并将原始数据输入到一个统一的深度学习神经网络（大模型），并直接输出驾驶命令。

图5端到端自动驾驶

资料来源：招商证券整理

（1）Transformer 的 Attention 机制是一切的基础

Transformer算法引入了Attention机制，算法的泛化能力大大增强，现流行的大模型均是基于此类架构开发而出。2017年，谷歌在人工智能领域提出的著名论文《Attention Is All You Need》中首次提出 attention 机制，在NLP领域表现极为出色。

图6Transformer 整体结构

资料来源：《Attention is allyou need》、招商证券

Attention 机制极大地增强了算法对于上下文的感知能力，近些年最流行的 AI模型均有着Attention机制的身影。从本质上看，Attention 实际上就是“权重”，最早被应用于机器翻译领域并取得了良好的效果。举个例子，在“Ilove the2022BeijingWinterGames”这句英文翻译中文的算法中，games 这个词如果只考虑自己的权重有可能会被翻译成游戏,当将 Beijing 这个词一起考虑时,由于Beijig与Games之间的关联，则有可能会被翻译成比赛，成为北京比赛，若是继续结合“2022”，则会被翻译成北京 2022冬奥会。

图7Attention 机制在机器翻译中的效果

资料来源：梗直哥（美国伊利诺伊大学人工智能博士）、招商证券

图 8 Encoders-Decoders 模型

资料来源：深度学习技术前沿、招商证券

传统RNN（循环神经网络）只能对较近时刻的输入值产生关联，泛化效果较差。相较于更传统的神经网络，RNN模型建立了网络各个层级之间的时序关联，也就是说每一时刻的输出结果St与输入结果Xt以及上一时刻St-1,从而初步建立起上下文之间的时序关联。RNN先对一句话编码，再对一句话解码就能实现机器翻译。但RNN模型会将所有长度的输入数据全部都统一压缩成相同的长度编码C，从而导致翻译精度下降。

图9RNN网络结构

资料来源：梗直哥（美国伊利诺伊大学人工智能博士）、招商证券

Attention机制则是通过对每个时段设置不同的c来实现每个文字与全局其余部分的关联。下图中αt则是表示在t时刻，单个文字对全局其他文字的权重（attention）。在这个结构下，可以通过对神经网络进行训练来得到最优的权重矩阵。本质上这种方法就是让模型在不同时刻都能看到全局的信息，从而实现较好的关联效果。

图10Attention 在机器翻译中的分布

资料来源：梗直哥（美国伊利诺伊大学人工智能博士）、招商证券

Attention 机制在 Transformer 算法中是 self-attention 机制的基础，self-attention 在原有基础上进一步实现了大规模的并行运算。随着大规模并行运算的发展，由于RNN的顺序结构难以进行并行运算，因此效率很低，劣势逐渐显现。另一方面，由于attention机制本身就已经对全部的输入数据进行了权重分配，RNN的顺序结构中的顺序已经没有存在的必要，在去掉该部分后就形成了tranformer中重要的 self-attention 机制。通俗来说就是将上图中的箭头去掉，在encoder 编码阶段就使用 attention 机制将每输入一个数据与其他所有数据之间的关联。经过计算后，将各个数据之间的关联权重加权表示后再放到“前馈神经网络”中得到新的表示就实现了高效嵌入上下文信息的目的。

图11 Self-Attention 机制

资料来源：梗直哥（美国伊利诺伊大学人工智能博士）、招商证券

图12Transformer 下的 Encoders-Decoders 模型

资料来源：《Attention is allyou need》、CSDN、招商证券

（2）Transformer机制成功通过BEV将汽车视觉感知由2D向3D的跨越

BEV（BirdEyesView）具有深度信息，相较于平面2D图信息更加丰富。自动驾驶中的感知识别任务的目的是对物理世界的三维几何重建，由于车载的传感设备逐渐增多，通过一个统一的视角呈现出不同视角采集到的信息变得逐渐重要起来。传统的投影平面视角（Perspectiveview）由于缺乏深度信息，在视觉领域仍有一定的缺陷。

BEV本质是将图像空间“翻译”到向量空间，Transformer大有可为。图像空间(multicam features）到向量空间 (BEV vector space)可以类比成一种语言到另一种语言的翻译，因为他们都是对同一个空间的不同描述，transformer 在该领域有着较好的表现。

图13BEV+Transformer基本概念

资料来源：《BEVFormer: Learning Bird’ s-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers》、招商证券

BEV+transformer相当于实现图像由2D至3D的升级，可以虚拟出感知世界的坐标系，相当于给汽车开启了“上帝视角”。能够让车辆无遮挡地“看清”道路上的实况信息，在BEV的视角下统一完成感知和预测任务。根据盖世学堂，传统的 BEV转化主要是通过在图像空间中进行特征提取，并产生分割结果，再利用逆透视变换（IPM）将其转化为BEV空间，但这种方法非常容易造成成像结果的失真。而transformer的交叉注意力机制则与该项任务适配性较高。

（3）BEV+Transformer为端到端提供了高质量感知数据，有望提速端到端架构的落地

BEV+transformer形成的高质量的3D感知结果为后续端到端结构中的大模型计算提供了优质的原始数据。端到端架构的感知决策一体化，由数据采集原始数直接输出驾驶命令，因此输入的原始数据对最后驾驶命令的生成与执行起到至关重要的作用。相比于传统的视觉采集的2D图像，BEV+Transformer生成的高质量3D视频则包含了更多有用的信息，能够生成更加合理的驾驶命令。

图142D图片下预测的路线投影到向量空间后效果极差

资料来源：特斯拉、招商证券

图15经过Transformer后的投影效果与2D对比（右侧为Transformer，左侧为2D）

资料来源：特斯拉、招商证券

2、特斯拉已采用端到端架构，高性能上限未来成为主流方案的潜力大

端到端架构更加简洁，我们认为特斯拉在技术路线上的选择对于行业有较强的指导意义。相比于模块化架构，端到端一个模型解决融合所有模块的方式避免了各个模块相互独立时的冗余计算，节省计算资源；另一方面，端到端的架构也消除了各个模块之间由于传递数据而出现的级联误差问题，极大地提升了系统的性能上限。

（1）基于深度学习以及强化学习的大模型

机器学习算法通常分为三大类：有监督学习、无监督学习和强化学习，强化学习通过奖励机制训练系统逐步学习到最优策略。监督学习是最为常见的学习方法，通常是使用标注好的数据标签对模型进行训练；无监督学习则是涵盖应用于无标签数据的密度估计或聚类等技术，无监督学习和监督学习最大的不同是无监督学习没有数据标签，因此在无监督学习中，工程师需要训练无标签的训练集去找到数据的潜在结构；强化学习算法能够自主地与环境交互进行学习，系统的目的是得到最高的奖励分数，因此为了得到高分，系统会在学习中自主学习到最优的策略。

图16 机器学习的三种形式

资料来源：CSDN、招商证券

图17 强化学习算法的不同组件

资料来源：深蓝学院、招商证券

图18 强化学习的过程

资料来源：CSDN、招商证券

（2）多模态大模型赋能端到端训练，强化学习+transformer或大有可为

多模态大模型是一种可以处理多种不同类型数据的深度学习模型。其通常由多个分支组成，每个分支处理不同类型的数据，例如图像、文本、声音、视频等。这些分支可以并行运行，并最终将结果合并以进行决策。与传统的单模态模型相比，多模态大模型的独特之处在于它可以从多个数据源中获得更加全面有价值的资源，从而提高模型的性能和鲁棒性。

多模态大模型在自动驾驶领域有以下三大优点：

（1）高效处理不同类型数据间关系。在自动驾驶中，相机提供道路和障碍物的图像信息，激光雷达提供距离和深度信息，而毫米波雷达提供速度和方向信息。多模态大模型可以将多元化数据有机融合，以更全面和准确解读驾驶环境。

（2）通过深度学习以及强化学习完善性能。在自动驾驶中，多模态大模型可以学习道路上不同类型的障碍物，并根据障碍物特性做出相应决策，不断训练并强化自动驾驶系统。

（3）用于预测其他车辆的行为。多模态大模型可以根据不同类型的数据来定制行驶路径，根据实时环境做出决策。在城市环境中，自动驾驶系统可以根据交通信号灯和行人等因素来做出决策。在乡村道路上，它可以根据道路标志和路况等因素来做出决策。

多模态大模型驱动自动标注发展，规控端应用成绩斐然。当前诸多自动驾驶领域玩家在多模态大模型的加持下，对于自动标注服务应用愈加游刃有余。商汤科技多模态多任务通用大模型书生2.5 拥有强大的语义理解和图像处理能力，在ImageNet 分类任务开源模型中 Top1 准确率能超过 90%。在此基础上推出自动标注服务，其广泛涵盖1000余个2D、3D目标类别，进而大幅度降低标注成本。毫末智行于4月11日推出产品DriveGPT，其大模型雪湖·海若对于上传图片能够迅速响应处理，单帧图像整体标注成本降低至行业平均水平的十分之一。

图19 DriveGPT大模型雪湖·海若大模型训练机理

资料来源：HAOMO.ai、招商证券

长尾问题处理为FSD关键瓶颈，亟需优化数据驱动方案。目前市面上的FSD主流算法可以覆盖绝大多数行车场景，但驾驶环境不确定因素较多，对于长尾场景的算法处理却不够完善，这也就成为了FSD发展的一大困境。早期Waymo 的路测、特斯拉的影子模式均希望通过获取大量数据从而解决长尾问题。国内厂商毫末智行将数据源类比为FSD模式的唯一自变量，坚持大模型数据处理是FSD发展之关键。Momenta 在其公众号上也表示 L4 要实现规模化量产，至少要达到人类司机的安全水平，需要至少千亿公里的测试，才能解决百万长尾问题。

图 20 行车长尾场景罕见却无法忽视

资料来源：Momenta官网、招商证券

Transformer+多模态+大模型（端到端）,或能够成为自动驾驶的终极解决方案。多模态实现了音频+视频+图像等多种数据的交互,Transformer的attention 机制或能够在多种形态的信息中更好的找到其中数据互相之间的关联，生成更好的驾驶指令。我们认为，由于涌现现象的存在（涌现指的是当一个ai 模型被训练的足够多时，其性能会突然指数级的提高）,Transformer+多模态+大模型（端到端）若是训练的足够多，或许有成为终极智能驾驶解决方案的潜力，解决长尾问题。

图 21人工智能算法的涌现效应

(D)Persian QA

(E)TruthfulQA
(F) Grounded mappings

(H) Word in context

(G)Multi-task NLU

资料来源：京东云、招商证券
Model scale (training FLOPs)

二、新技术发展，TSN推动端到端落地

1、TSN：具有确定性时延以及多协议传输能力

时间敏感网络(Time Sensitive Networking，TSN)，是基于标准以太网架构演进的新一代网络技术，它以传统以太网为网络基础，通过时钟同步、数据调度、网络配置等机制，提供确定性数据传输能力的数据链路层协议规范。与传统以太网相比，TSN能够提供微秒级确定性服务，降低整个通信网络复杂度，实现信息技术 (IT)与运营技术(OT)融合，其具有精准的时钟同步能力、确定性流量调度能力，以及智能开放的运维管理架构，可以保证多种业务流量的共网高质量传输，兼具性能及成本优势，是未来网络的发展趋势。

图22TSN、AVB与传统以太网

资料来源：北汇信息、招商证券

TSN的出现主要解决了五大问题

1）流量传输不确定性：传统以太网采用“尽力而为”的传输方式，导致其在传输数据的延时波动较大，且具有极高的不确定性，与商业互联网领域对网络拥堵的态度不同，工业、汽车医疗等领域一旦出现严重网络问题则有可能导致致命后果或巨大经济损失，因此上述等领域对网络卡顿、延时容忍度极低，TSN的出现为解决上述领域的应用问题提供了可行的解决方案，并衍生出了多种协议，为工业、车载等领域提供了多样的选择。

2)时间同步：具有精准的时钟同步能力在对时间敏感的领域有广阔的应用空间。

3）通信协议不统一：在网络架构中通常不同的设备会使用不同的通信协议，而不同的通信协议之间难以实现直接的互联互通，TSN旨在提升以太网的性能，使其更具备确定性、鲁棒性、可靠性，通过IEEE802网络保证数据包的延迟、抖动、丢包，实现不同设备产生的数据流量的统一承载。

4）网络的动态配置：大多数网络的配置需要在网络停止运行期间进行，这对于工业控制等应用来说难以实现。TSN 通过 IEEE 802.1QcC 引入集中网络控制器（centr alized network configuration，CNC）和集中用户控制器（centralizeduser configuration，CUC）来实现网络的动态配置，在网络运行时灵活地配置新的设备和数据流。

5）安全：TSN 利用 IEEE 802.1Qci 对输入交换机的数据进行筛选和管控,对不符合规范的数据帧进行阻拦，能及时隔断外来入侵数据，实时保护网络的安全，也能与其他安全协议协同使用，进一步提升网络的安全性能。

2、TSN发展历史：不断提高确定性

时间敏感网络（TSN)，工业、车载互联等领域实现低延时、高确定性的信息传输方法之一。TSN技术发展主要经历了三个阶段：

1）传统以太网阶段

以太网最早于上世纪80 年代开始被逐渐引入办公领域，并由于10Mbps 的高吞吐量而迅速实现普及。以太网使用串行方式传输数据，带宽有多个设备共享，采用“BestEffort”的转发机制也使得在以太网在处理数据转发工作时采用尽可能发送更多的数据而并不考虑数据的优先级，在大量数据需要转发时会导致网络拥堵，从本质上缺乏确定性和实时性，虽然传统二层网络已经引入了优先级机制，三层网络也已内置了服务质量（qualityof service，QoS)机制，但实时流量和传统TCP流量的资源竞争导致时延和抖动过多，致使传统的以太网不能满足实时数据的传输需求。

图23 传统以太网数据帧传输随时间分布图

资料来源：北汇信息、招商证券

2）AVB 阶段

与传统以太网相比，AVB拥有确定性延时的优势。AVB全称音视频桥接技术，一般用于汽车多媒体设备之间的信息传输。AVB工作组致力于解决音频视频数据在以太网介质上传输时的时延较高、抖动较大、传输不确定等问题。由于多媒体应用场景下视频与音频、字幕等信息有较高的时间同步要求，因此传统的以太网在音视频应用场景下有较高的不确定性。AVB在以太网的基础上通过引入传输时间策略，保证了各项数据上的时间上的同步。

图24ISOOSI七层模型（绿色和橘色为AVB 所在位置）

资料来源：积木家智能科技、招商证券

3）TSN 阶段

工业与汽车领域对实时以太网的需求快速增长刺激TSN技术的发展。美国汽车工程师协会以TTEthernet为基础推出了AS6802 标准，该标准将传统以太网“BeStEffort”传输方式所具备的灵活性与时间敏感的实时性、确定性等特点相结合，具有支持不同类型的应用的能力。IEEE受到AS6802标准推出的刺激，在2012年正式将AVB任务组改名为TSN工作组,在原AVB技术的基础上继续针对车载、专业音频、工业自动化以及移动通信等领域进行了实时通信、时钟同步、低延时、高质量的信息传输进行了一系列的开发。

详细来讲，TSN具有以下目标：针对交换网络的报文时延得到保障；时间敏感数据流和非时间敏感数据流可以混合传输，并且非时间敏感数据流的传输不会影响时间敏感数据流的传输时延;多种高层协议可以共享网络基础设施,即多种协议的负载可以同时在网络中传输；网络错误可以通过在源头获得精确的信息，从而快速地确诊和修复。

图25TSN 网络的组成元素

资料来源：SDNLAB、招商证券

图26TSN有着确定性的时延

资料来源：北汇信息、招商证券

当前TSN已逐渐发展成为了被行业组织认证的广泛使用的标准。当前国内外已经有众多组织以及企业在积极推动TSN的发展,包括ABB、B&R、Bosch Rexroth、CISCO、GE、NI、KUKA、Parker、Phoenix、Schneider、SEW、TTTech 等主流的自动化与IT厂商以及EPSG、CC-Link等协会也在积极参与TSN网络的发展。

图 27宣布支持TSN网络的组织（部分）

资料来源：罗克韦尔、招商证券

三、TSN在车载领域应用趋势明显

1、车载：TSN为自动驾驶提供网络时效性以及安全性保障

（1）传统汽车网络架构能实现的功能有限

汽车智能化大势所趋，网络架构升级已迫在眉睫。近年来随着信息技术的不断进步和发展，智能交通、车联网、自动驾驶等先进技术逐渐发展。汽车中的车载电子系统的作用越来越重要。例如现在广受关注的ADAS统需要进行大量的数据传输和处理。ADAS系统通过各种各样安装在汽车上的传感器，不断分析车内外的驾驶环境，在汽车行驶时收集数据并对其进行分析，从而实现车辆的紧急制动，避免驾驶中发生意外碰撞、偏离车道等情况，也能够实现辅助倒车、自适应巡航和驾驶员疲劳探测等功能。这些功能对车载网络数据传输的质量有着严格的要求。在传统网络架构中，车内 ECU透过内联网及中央网关连接来在不同子网间传输数据，虽然也具有ECU以及中央网关等部件，但功能较单一，主要作为信息传送、数据转换的通道，并未设计成适合数据处理的结构。

图28传统车载网络架构

资料来源：北汇信息、招商证券

传统的车载网络技术有CAN总线、LIN、FlexRay、MOST等。CAN总线主要用于汽车的刹车、引擎和悬挂等系统;LIN用于灯光、车门和遥控等系统;FlexRay主要负责引擎控制、ABS、悬挂等；而 MOST是车载多媒体的首选协议。随着汽车电子的发展，这些车载网络所存在的不兼容、带宽小、高延迟和抖动等缺点逐渐突显。

（2）汽车智能化时代开启，引入车载TSN已成刚需

汽车朝着自动驾驶的方向发展，大量精密的传感器被融合进系统之中，产生了新应用场景如GPS坐标和当前道路状况及发动机的控制器进行信息交互、大灯的亮度可随周围环境的变化而变化以节约能源等。日益增加的高带宽、低时延、可跨域通信和安全性的网络需求使得传统车载网络架构已难以满足汽车智能化时代的网络需求，主要体现在：

a）数据传输量的急剧上升。随着新兴的车载需求不断提升尤其是自动驾驶技术的不断进步，车载数据传输量将会出现指数级上升。据北汇信息估算，一辆自动驾驶的汽车每小时产生的数据量有望高达4TB，传统汽车网络架构已经难以满足自动驾驶时代汽车的数据传输需求。

b）时效性要求的提高以及时间同步需求的上升。自动驾驶系统对于数据由简单的传输已经升级成为需要实时高效的处理，这对车载网络架构提出了新的要求。除此之外，为保证数据处理的准确性，自动驾驶对于数据之间的时间同步也有较高要求，传统汽车网络无法满足此类需求。

C）高度自动驾驶下的安全性保障。自动驾驶系统对于网络堵塞、延迟等容忍度极低（一旦出现问题对于乘客来说大概率是致命性后果），因此从安全性的角度出发，设置充足的冗余网络也是汽车智能化时代中自动驾驶的必要要求。传统车载网络对时延不保证，也不具备设置冗余的结构。

d）网络安全保障。由于新一代智能汽车与互联网将会产生连接，因此必须考虑在网络攻击以及单点功能失效造成的流量过载等因素对于汽车行驶安全的威胁。

图 29 智能驾驶系统设计的传感器多且数据量大

资料来源：SmartAuto，招商证券

我们认为TSN将会是上述问题的最佳解决方案。智能驾驶领域的发展不断引领车载网络架构不断发生变革，当前整车厂的设计方案通常倾向于将车辆按照不同的功能划分不同的域，整合域中部分功能相近ECU的功能在域控制器下来管理，形成DomainArchitecture，例如：ADAS、车载娱乐、车身控制、动力传动等域，而TSN网络则是对这种设计架构提供了有力保障，设想其将具备高速IP网络连接、智能自动驾驶员辅助/制动系统、信息娱乐门户、简化的内部线束及更轻的总重量。

图 30 Domain Architecture

资料来源：北汇信息、招商证券

（3）TSN方案有望逐渐被各大车企采用

TSN 是FSD网络时效性以及安全属性问题的最佳解决方案。智能驾驶的飞速发展是车载网络亟需变革调试的必然原因，目前整车厂的设计方案更加倾向于将智能汽车依照功能特性进而划分为相应域，整合域中部分功能相近ECU 的功能在域控制器下一并管理，形成完备的DomainArchitecture，例如：ADAS、车载娱乐、车身控制、动力传动等域，而TSN 网络则是对这种设计架构提供了强有力保障，设想其将具备高速IP网络连接、智能自动驾驶员辅助/制动系统、信息娱乐门户、简化的内部线束及更轻的总重量。对于特斯拉而言，BEV+transformer视角下的3D视频流数据极大的增加了网路中的流量传输，对网络质量、时延保障的要求大幅提高，未来对TSN网络解决方案的需求有望逐渐增强。

目前支持TSN 的车载设备已经开始逐步面市，例如 MarvelI 公司所推出的88Q5050车载以太网交换芯片，是一款8端口、高安全性车载千兆以太网交换芯片，能够对输入端口的AVB流进行监管和限流。博通也推出了BCM5316×系列交换芯片，主要的目标市场就是无人车、无人机、机器人和L3级别的无人驾驶。

表1：Marvell车载用交换机芯片特征对比

产品型号	特性
	88Q5072 11 端口安全车载以太网交换机搭载集成式100BASE-T1 PHY
	88Q6113 11 端口车载以太网交换机搭载 TSN 的高级安全性和支持
88Q5050	8 端口以太网千兆比特容量交换机具有 4 个固定 100BASE-T1 端口，以及可从1100BASE-T1、1100BASE-TX、2 MI/RMII/RGMII、1GMII 和 1SGMII 端口中选择另外四个端口
88Q5030	的可配置选择 5 端口以太网交换机提供 3 个 IEEE100BASE-T1 端口、1个 IEEE 100BASE-T1 端口、2 个 MII/RMII/RGMII 或 GMII 端口，以及1 个 Serdes 或 SGMI 端口

资料来源：萌云IT部落、招商证券

四、推荐标的

1、三旺通信（688618.SH）

高度重视科技研发创新投入，TSN 等新技术布局成效显现。三旺通信高度重视科研，积极布局工业无线、TSN等新技术。以TSN技术为例，TSN技术不仅会使交换机溢价20%-25%，且会带来其他相关工业通信产品的更新升级空间。全球TSN市场预计将从2021年的1.34亿美元增长到2026 年的11.88 亿美元，CAGR 高达54.7%。目前公司TSN产品已在煤炭、轨道交通等领域实现了早期合作，积累先发优势，有望在TSN推动的设备更新换代潮中受益。

2021年公司完成TSN与HaSs平台开发，22年开始陆陆续续有订单落地。TSN为工业组网与汽车车身局域网的主流技术方向，第三方预测未来增长50%，目前各大工控厂商系数入局，汽车厂商逐步入局。HaSS平台为公司业务模式的重大突破，会从产品型过度到解决方案型，单体价值量可扩大10倍。今年预计在工业领域会率先突破，后续可关注公司业务进展。

2、东土科技（300353.SZ）

发布我国首款TSN芯片，引领TSN国产化进程。TSN未来在工业、汽车等领域应用趋势明显，世界半导体大厂已经积极投入到了TSN 芯片的研发中，恩智浦（NXP）亚德诺半导体等世界半导体大厂都推出了自身的TSN芯片解决方案。在国产方面，东土科技推出了中国首款TSN时间敏感网络芯片并获准商用，在未来有望打破TSN芯片领域欧美垄断的市场格局，对于我国的TSN国产化具有重要意义。

3、当虹科技（688039.SH）

公司聚焦车载智能娱乐座舱方向，为车企提供沉浸式座舱解决方案及座舱氛围营造体验。公司在智能网联汽车客户中已完成多家车企定点，包括比亚迪,吉利,奔驰，保时捷,蔚来，上汽,高合等多家国内外知名车企。收费模式包括：技术开发费、License收费等多种模式。从公司目前签署车企情况来看，下半年陆续开始量产。

4、菲菱科思（301191.SZ）

公司结合自身通信电子行业经验，紧抓汽车新能源、智能网联转型机遇。公司与安徽国炜新能源共同出资设立菲菱国炜，进一步加快公司在汽车电子产品方面的落地，发展公司新业务增长点，目前公司汽车产品线重要组织已搭建完成。公司具备网络通信、数据交互和信息安全管理等通信技术开发能力，对网络通信协议理解和应用拥有较好的专业化水平。公司积极推进汽车电子智能管理解决方案终端网络交换机和汽车域控制器网关等在汽车数据安全控制领域相关的产品。

5、德赛西威（002920.SZ）

公司积累深厚，智能座舱、智能驾驶、智能网联产品线不断拓展，已成龙头公司并保持较高的研发投入。公司前身为中欧电子工业有限公司，拥有外资基因但立足国内，在发展的过程中公司不断根据市场需求而调整产品线，目前已经形成智能座舱、智能驾驶、智能网联三大产品线。2022年公司研发投入16.6亿元，公司产品线布局全面并且都拥有一定的规模体量，研发投入有望产生效益并可在未来支撑公司的不断成长。

6、伯特利（603596.SH）

公司是智能化执行部件线控底盘核心潜在供应商。线控底盘核心构成为：线控制动、线控转向、空气悬架；线控制动：2022年出货30多万套，预计今年出货超过100 万套,第二代产品今年量产，EMB正在研发过程中，预计26年上车量产。线控转向：EPS2022年出货50多万套，预计今年出货超过70万套，并且完成DP-EPS和R-EPS开发，三到四年内完成线控转向的开发。公司是国内线控制动龙头企业，技术及产业化进程遥遥领先国内对手。

表2：以太网具有高宽带、低成本优势

总线技术相	以太网	CAN	CANFD 5Mbit/s	FlexRay 20Mbit/s	MOST	LIN	LVDS
最高宽带网络长度	100Mbit/s 15m	1Mbit/s 40m	40m	24m	150Mbit/s 1280m	20Mbit/s 40m	1Gbit/s /
传输介质	非屏蔽双绞	非屏蔽双绞	非屏蔽双绞线	非屏蔽双绞	光纤UTP	单线	屏蔽双绞线
成本	低	低	低	高	高	低	高

资料来源：中国汽车工业信息网、招商证券

五、风险提示

端到端的黑盒问题可能是制约其落地的重要因素。在传统的模块化架构下，每个模块各司其职，若是出现问题，工程师可针对出现问题的部分进行优化、debug等操作。但端到端模型是大模型的一种，内部神经网络极为复杂，难以进行人工调试以及解读，也就使得端到端模型内部是一个黑箱，工程师并不知道模型为什么得到这个答案，也无法分析其计算过程。因此若是端到端模型出现问题，工程师无法像模块化架构那样去进行针对性优化，只能给模型更多的训练。

分析师承诺

负责本研究报告的每一位证券分析师，在此申明，本报告清晰、准确地反映了分析师本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与，未来也将不会与本报告中的具体推荐或观点直接或间接相关。

评级说明

报告中所涉及的投资评级采用相对评级体系，基于报告发布日后6-12个月内公司股价（或行业指数）相对同期当地市场基准指数的市场表现预期。其中，A股市场以沪深 300 指数为基准；香港市场以恒生指数为基准；美国市场以标普 500指数为基准。具体标准如下：

股票评级

强烈推荐：预期公司股价涨幅超越基准指数20%以上

增持：预期公司股价涨幅超越基准指数5-20%之间

中性：预期公司股价变动幅度相对基准指数介于±5%之间

减持：预期公司股价表现弱于基准指数5%以上

行业评级

推荐：行业基本面向好，预期行业指数超越基准指数

中性：行业基本面稳定，预期行业指数跟随基准指数

回避：行业基本面转弱，预期行业指数弱于基准指数

重要声明

本报告由招商证券股份有限公司（以下简称“本公司”）编制。本公司具有中国证监会许可的证券投资咨询业务资格。本报告基于合法取得的信息，但本公司对这些信息的准确性和完整性不作任何保证。本报告所包含的分析基于各种假设，不同假设可能导致分析结果出现重大不同。报告中的内容和意见仅供参考，并不构成对所述证券买卖的出价，在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。除法律或规则规定必须承担的责任外，本公司及其雇员不对使用本报告及其内容所引发的任何直接或间接损失负任何责任。本公司或关联机构可能会持有报告中所提到的公司所发行的证券头寸并进行交易，还可能为这些公司提供或争取提供投资银行业务服务。客户应当考虑到本公司可能存在可能影响本报告客观性的利益冲突。

START YOUR FINANCE

起点财经，网罗天下报告

自动驾驶行业研究系列一：端到端架构渐行渐近-20230709-招商证券-26页