自动驾驶行业报告-”端到端“渐行渐近-甲子光年.pptx

;

Part02;

更先进的自动驾驶功能

智能座舱体验更好造型设计美观

原生新能源汽车平台乘坐更舒适

售后体验更好OTA能力更强续航里程表现驾驶乐趣更高;

pNOA技术的渗透率正迅速提升：自2022年“量产元年”起，高速NOA和城区NOA的普及率显著增长。目前，高速NOA的渗透率已超10%，城市NOA也超过了3%。

p在众多厂商的推动下，重视“智能化”的汽车越来越受消费者青睐，尤其是那些配备自动泊车和L2.5以上级别NOA功能的车型；这些车型已成为车企竞争的焦点，预示着未来缺乏NOA功能的车辆可能失去竞争力。

p自动驾驶功能的普及，得益于车企的持续投入和消费者对这些技术的接受度，这已成为汽车市场竞争力的关键。;;;

自动驾驶技术发展与普及的背后，是底层AI技术的进步。

pAI技术的应用场景众多，自动驾驶无疑是其中的核心议题；它不仅代表了技术应用的前沿，也是产学两界AI专家不懈追求、共同攻克的领域。

p自动驾驶行业的发展与AI技术的每次飞跃紧密相连：从卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GAN)到Transformer，每一次技术革新背后，都伴随着深度学习等基础AI技术的突破性进展。正是AI技术的持续进步，构成了自动驾驶技术不断演进和成熟的基础动力。

图：自动驾驶技术的主要迭代路径

那么，下一步？;

?利用大模型通过自监督学习预训练，配合极少量人工标注微调，实现自动标注视频clip数据。

?大模型通过学习海量数据中的特征，然后用来配合中、小模型的训练，提高中、小模型的性能。;;

p传统自动驾驶系统已经发展得相当成熟，通常采用模块化串联的部署方式：其核心模块涵盖感知、定位、预测、决策和控制等，每个主要模块及其子模块都承担着特定的职责，且每个模块的输入通常来源于前一模块的输出。

p模块化设计的优势在于能够将复杂的自动驾驶任务分解为更小、更易于管理的子任务，同时便于问题的追踪和定位；然而，随着自动驾驶技术向数据驱动的方向发展，模块化设计的某些局限性也逐渐显现，例如信息传递过程中可能出现的损耗、计算延迟以及累积误差等问题。;

p模块化自动驾驶的核心在于不同子模型在各个模块中的嵌套与协同工作。然而，随着Transformer架构等先进AI技术的发展，模型间的界限正逐渐变得模糊。原本独立的子任务模型正逐步被更大规模的神经网络模型所取代，特别是在感知模块，BEV结合Transformer方案的广泛应用预示着数据驱动的深度学习神经网络正日趋成熟。

p从架构的角度来看，随着模型融合的趋势，自动驾驶系统的终极形态很可能是OneModel，即一个狭义上的端到端神经网络模型。;

端到端路线为自动驾驶进一步突破提供了一种可能性。

p随着感知、预测和决策等关键模块逐渐实现神经网络化，端到端自动驾驶的路径已经清晰可见，为自动驾驶技术向L4级别无人驾驶的迈进提供了广阔的想象空间。

p端到端自动驾驶神经网络的实现将带来一系列优势：它将完全基于数据驱动进行全局任务优化，拥有更简洁的系统架构，更高的计算效率以及更强的泛化能力。然而，它也面临着对算力和数据的巨大需求，以及尚未解决的黑盒问题和幻觉问题，这些问题需要随着技术的进步而逐步克服。;

基于统一的神经网络，端到端的核心是信息的无损传递。

p自动驾驶领域尚未就“端到端”概念达成统一认识。一般而言，端到端自动驾驶指的是从原始传感器数据输入直接到控制指令输出的连续学习与决策过程，过程中不涉及任何显式的中间表示或人为设计的模块。

p尽管端到端自动驾驶的具体定义仍存在一定的模糊性，但其核心理念是避免信息在传递过程中的损耗。

端到端自动驾驶：统一的神经网络架构，一步到位输出车辆指令;

p特斯拉FSDV12的卓越性能令业界观察家印象深刻，它确实摒弃了之前FSD方案中多年积累的代码，但其端到端方案的成功也离不开其在过去十年在人工智能和智能驾驶领域的深厚积累。

p端到端自动驾驶技术的发展遵循着渐进的路径：目前，BEV+OCC+Transformer已经实现了感知模块的端到端架构，决策模块也在逐步从依赖手写规则向基于深度学习的模式转变，最终目标是实现模块化联合与单一模型的端到端自动驾驶。

图：端到端自动驾驶系统架构演进;

p模块化自动驾驶系统面临信息丢失、计算效率低、累积误差以及维护成本等问题，这些问题难以回避，需要新的思路去解决。

p端到端自动驾驶通过将传感器收集到的全面信