自动驾驶行业报告-”端到端“渐行渐近.pptx

Z

自动驾驶行业研究报告

“端到端”渐行渐近

;

目录

CON下ENTS

JAZ.ZYEAR

;

口国内汽车工业在电动化和智能化领域的迅猛发展，正在重塑消费者的购车偏好，消费者对于自动驾驶技术、智能座舱等高端智能化功能的兴趣日

益浓厚。

口超半数的汽车消费者将智能化水平作为购车时的关键考量因素，他们追求更先进的自动驾驶体验、更智能的座舱环境以及更个性化的驾驶乐趣

口智能化在购车决策中的重要性日益凸显，这也促使众多汽车制造商加快了智能化技术的研发和工程投入；继续航里程和用车成本之后，智能化已成为新能源汽车竞争的主要领域，未能跟上智能化步伐的汽车品牌可能会逐渐失去市场竞争力。

图1:购车时“智能化”考量因素高居第二图2:自动驾驶、智能座舱、OTA能??受广泛关注;

□NOA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%。

口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。

口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。

图1:高速NOA渗透率持续增长(%)图2:城市NOA渗透率持续增长(%);

禾赛科技;

口自BEV(鸟瞰视图)结合Transformer架构成为自动驾驶感知领域的主要发展方向以来，数据驱动在其中扮演的角色愈发关键；众多汽车制造商和自动驾驶解决方案提供商都已构建数据闭环系统，以支持自动驾驶系统的模型训练和持续迭代。

口目前，配备高级智能驾驶功能的汽车已实现规模化部署，这为自动驾驶算法的持续创新和优化提供了坚实的数据支撑。

图：打造数据闭环，量产时代下的自动驾驶应用部署为数据驱动提供条件;

口AI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Al专家不懈追求、共同攻克的领域。

口自动驾驶行业的发展与A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Al技术的突破性进展。正是Al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?;

口Transformer大模型技术在自动驾驶领域并非新近出现，其实早在ChatGPT之前，这一技术就已被应用于自动驾驶的感知任务。

口特斯拉在2021年就展示了其基于BEV视角结合Transformer的感知方案，此后，国内厂商纷纷跟进并进行创新，这间接加速了2022年之后高阶智

能驾驶方案的快速落地。

口从云端的模型训练到车端的模型部署，大模型技术已被广泛应用于数据处理、模型融合与优化等多个环节，显著提高了模型训练的效率和系统的整体性能。

图：从云端到车端，大模型已经在自动驾驶感知模块开始规模化应用;

目录

CON下ENTS

JAZ.ZYEAR

;

口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。

口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。

图：传统自动驾驶的模块化部署;

口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Al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。

口从架构的角度来看，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。

图：自动驾驶系统模块的融合趋势;

端到端路线为自动驾驶进一步突破提供了一种可能性。

口随