端到端 下的智驾人 何去何从

“要么拥抱端到端，要么几年后分开智驾行业。”

特斯拉率先吹响了方案降级的号角，无论是齐全端到端，还是专一于planner的模型，各家公司基本都投入较小孩儿力去研发，小鹏、蔚来、现实、华为都对外展现了其端到端智能驾驶方案，成果着实不错，十分有钻研价值。

首先咱们聊一下的干流智能驾驶方案，关键外围局部包含：感知模块、预测模块、规控模块。每个模块相对独立，感知模块给预测模块提供动态态阻碍物信息；预测模块为规控模块提供规划的参考，规划再转换为控制指令。从传感器端到控制端，须要多特性能允许，这就无法防止造成了累积误差，一旦碰到疑问，须要整个pipeline做剖析。而且每个模块的优化，并不能保障整个系统达成最优解。

这个时刻，就宿愿有一种模型能够成功感知信息的无损传递，即从传感器端到输入控制战略端，这也是端到端智能驾驶提出的要素。传统定义上感知和规划模块的对接普通是经过白名单（比如机动车、行人、甚至occ输入的非通用几何阻碍物）的检测与预测来成功，是人为定义的规定和形象。随着产品的迭代，每一次性都须要减少各类case，设计各种博弈的战略，从模型训练到工程部署再到逻辑设计，期间和人力老本高昂。

而且这种方式无法列举一切状况，那么能否可以经过对整个场景的学习形象，无损的将一切信息传递给PnC局部？这就是咱们希冀的端到端。端到端外围是优化最终指标且全局可导，作为一个完整的优化义务来看，间接求最优解，而不是先求感知再求规控的最优解。

往年各大智能驾驶公司都在预研和落地关系端到端方案，小鹏、蔚来、华为、现实也都对外展现了其端到端方案。由于端到端模型的长处显著，各大智能驾驶公司都在拼命规划揽人，对应岗位薪资水涨船高，某想甚至开出了七位数给到该岗位。

那么各家的端到端智能驾驶成果怎样样呢？先来看看国外的特斯拉：

再来看看国际的UniAD成果：

不得不说，端到端是一个更简洁的方法，更具有全场景的优化才干。

行业外面的端到端关键分为齐全端到端方案、专一于planner的端到端方案（包含某鹏的XPlanner）。望文生义，齐全端到端是从传感器间接到规控；而专一于planner的端到端以感知模块的输入作为先验，交流原来以规定作为关键方式的PnC模块。

从传感器到控制战略的（假设把条件再安适下也可以到轨迹输入）齐全端到端方案更为简洁，但雷同面临一个疑问，可解释性差。UniAD用分阶段监视的方法逐渐提高了可解释性，但训练依然是个难题。在足够体量和品质的数据群下，成果能够失掉保障，泛化性能也不错。

而专一于planner的端到端方案，假设深究的话，只能算狭义上的端到端，但更贴合当下的量产方案和义务，而且可解释性也较高，是目前服务器厂和智能驾驶公司优先推广和落地的。

假设从信息输入的角渡过去看，又可以分为纯视觉方案（UAD、UniAD这类）和多模态方案（FusionAD这类），传感器老本不时在降低，多模态方案也不时是行业外面都在关注的点。

端到端的长处十分突出，但依然有很多难点须要攻克。关键在于 数据难定义、数据难制造、网络不好训练、模型不好解释优化、评测定义多种多样！很多公司无法像特斯拉一样失掉海量数据，这也是个渺小的瓶颈。 往年年中，智能驾驶之心收到了很多同窗对于端到端实战关系的需求，只管咱们曾经准备过关系的内容，但早期端到端方案不够成熟，更多是以论文切入。工业界经常使用的方案关注较少，代码层面上也很少提及。