>> 招商證券-自動駕駛行業(yè)研究系列一：端到端架構漸行漸近-230709
| 上傳日期： |
2023/7/10 |
大?。?/td>
| 2028KB |
| 格式： |
pdf 共26頁 |
來源： |
招商證券 |
| 評級： |
推薦 |
作者： |
梁程加,董瑞斌,鄭曉剛 |
| 下載權限： |
此報告為加密報告，僅限高級會員查看 |
|
|
馬斯克在國外社交媒體推特上表示，特斯拉計劃在其全自動駕駛（FSD）Beta v12中使用端到端人工智能（AI）更新其全自動駕駛包，這表明特斯拉或將改變FSD技術路線，同時也為端到端算法打開了在其他領域應用的想象空間。
模塊化架構性能有限，端到端架構有望成為自動駕駛的終極解決方案。當前量產的智能駕駛汽車系統(tǒng)基本都是采用模塊化架構，將駕駛任務拆解到各個模塊，但是級聯誤差問題、各個模塊之間重復計算造成的車載算力資源浪費、模塊之間信息交互不暢等問題極大地限制約了模塊化架構性能。端到端自動駕駛最直觀的變化就是將多個小模型整合成了一個“大模型”，輸入原始數據通過大模型直接生成駕駛指令。相比于模塊化架構，端到端極大地提升了系統(tǒng)的性能上限。目前端到端最大的問題是模型中所謂的黑盒問題，由于神經網絡過于復雜因此造成模型計算過程的可解釋性較差，因此大模型結構下的端到端自動駕駛對原始數據的質量有著較高的要求。馬斯克已經在推特上表示下一代的FSD將會采用端到端架構，我們認為特斯拉在技術路線上的選擇對行業(yè)有較強的指導意義，或將推動產業(yè)落地進程。
特斯拉BEV實現由2D向3D跨越，端到端可靠性大幅提高。目前，特斯拉已經基于Transformer算法成功將攝像頭采集到的2D信息成功轉化為帶有深度信息的3D視頻流（BEV鳥瞰圖）。Transformer算法采用的Attention機制是GPT、BERT等人工智能領域熱門算法的核心機制，能夠找尋各個數據元素與其他所有數據元素之間的關聯，從而大幅提高算法的泛化能力。相比于RNN，Transformer算法允許并行計算且效率更高，性能表現突出。往后看，3D的BEV信息為端到端架構提供了包含更多信息的原始輸入數據，在大模型內部可進一步引入Attention機制來實現更好的解讀駕駛過程中與周圍環(huán)境的交互情況，極大地提高智能汽車的可靠性。
TSN、多模態(tài)等新技術助力端到端駕駛的落地加速。時間敏感網絡（TSN)與傳統(tǒng)以太網相比，TSN能夠提供微秒級確定性服務，降低整個通信網絡的復雜度，并具有精準的時鐘同步能力、確定性流量調度能力，以及智能開放的運維管理架構，可以保證多種業(yè)務流量的共網高質量傳輸以及確定性的時延。考慮到端到端自動駕駛或將以BEV視角下的3D視頻流作為原始數據，對網絡的負擔加重，確定性時延的重要性變高，因此TSN大概率成為端到端自動駕駛解決方案中的必然選擇。多模態(tài)方面，與傳統(tǒng)的單模態(tài)模型相比，多模態(tài)大模型的獨特之處在于它可以從多個數據源中獲得更加全面有價值的資源，從而提高模型的性能和魯棒性，幫助自動駕駛系統(tǒng)理解各種類型的傳感器輸入源，從而生成更好的駕駛指令。
建議關注推薦標的：三旺通信（車載TSN網絡）、東土科技（車載TSN網絡）、當虹科技（娛樂座艙）、菲菱科思（汽車網絡交換機和汽車域控制器網關）、德賽西威（智能座艙、智能駕駛、智能網聯）、伯特利（線控底盤）。
風險提示：端到端架構的黑盒問題可能會延緩產業(yè)落地進程
|
|
