九游会体育-九游会欧洲杯-九玩游戏中心官网企业面对的Corner Case也远多于学术界-九游会体育-九游会欧洲杯-九玩游戏中心官网
本年，除了固态电板，自动驾驶领域的“端到端”，也在被狂炒。
特斯拉的示范效应真的很历害，跟着Tesla V12在北好意思大范围推送以及发扬，“端到端”也成为了自动驾驶行业里世界最为关怀的期间标的。
天然，国内最大的舛讹人所共知，便是营销前置。就像固态电板，还没整出什么大限制量产，先在传播上来吹一波。况兼，到了似乎不提端到端都不好道理外出的进程。
那么，什么才是端到端？这些真真假假的端到端，到底有若干干货呢？
端到端的“黑盒子”
先来融会一下，所谓“端到端”自动驾驶，打个不得当的比喻，就像作念菜，你在“黑盒子”的这边输入食材，然后另一边一步到位输出作念好的菜。
因为，当今主流的自动驾驶决策，都是模块化的。便是咱们熟知的“感知、决策和本质”三大模块。而“端到端”便是把三个径直酿成一个，从传感器数据输入启动，中间只须一步，到戒指信号输出（马斯克所说的Photon to Control），终端完满闭环。
这个操作也诞生了刻下自动驾驶领域的最高水温煦标杆，所谓“无招胜有招”、“一招制敌”。然而，这也反应了一个无语的行业事实，便是在自动驾驶领域如故一骑绝尘的。
而这个起头于特斯拉CEO埃隆·马斯克（Elon Musk）口中的端到端，也便是End-to-End Deep Learning（端到端深度学习），简言之，便是要配置一个完满的学习系统，径直从原始数据中连续学习，并生成所需的输出，不需要东说念主为将任务分解成多个中间法子。
而当下深广期骗的三大模块的优点是期间较为训导，开发起来的笃定性更强。然而，这种期间架构下，自动驾驶车辆在顶点案例（Corner Case）方面，仍然依赖工程师编写大批代码去制定行驶划定。
单靠数据磨练出来的各个模块，很难处理没遇到过的情况，也便是需要连续用“划定”去填俗称为“坑”的万般Corner Case。同期，为了飞速扩大批产车上自动驾驶系统袒护范围，车企不得不招募更多的软件工程师，比如，华为自动驾驶的规控团队就招募了上千名工程师。
而自动驾驶决策中的模块化，亦然连续进化而来。从2017年前的9个模快（仅感知要津就有检测、主义追踪和交融数据3个模块），到多传感器交融后，当今的感知、决策（或者叫展望）和本质（或者叫筹商戒指）三大模块。
从“交融”的角度来说，当三大模块交融为一个“黑盒子”来输出本质闭幕的时候，骨子上条件是更高的，否则特斯拉为什么这样多年智力推出端到端？对吧。背后是基于遒劲的DOJO超算中心，以及更多的GPU。
况兼，这种透澈的端到端“黑盒子”，期间上很难进行Debug（调试）和迭代优化，同期由于传感器输入信号如图像、点云等是高（丨）的，戒指信号输出如标的盘转角和油门刹车踏板信号等是相对低维的，在端到端磨练中相配容易“过拟合”，导致实车测试齐备无法使用。
“莫得钻，不揽瓷器活。”国内最近一些企业则宣称我方是端到端感知，或者端到端决策，只是万般细枝小节的“端到端”，这只可行为是纯数据驱动的感知和纯数据驱动的决策筹商阶段。
换句话说，作念得好点的还只是前两个模块的交融，根蒂作念不到输出戒指（本质）的闭幕。当今鼎力宣传，不外是蹭热门、炒个认识。
端到端为什么会热起来？还有个要素，是旧年商汤绝影的UniAD（Unified Autonomous Driving）取得了CVPR 2023 Best Paper最好论文奖。虽说不算是人心归向，但也给自动驾驶行业注入了一剂强心剂。
但国内对UniAD驳倒不一，这种驳倒不一不单是体当今感知、展望、规控各个团队的平定视角上，还体当今自动驾驶领域学术界和企业界的畛域（Gap）。毕竟，企业面对的Corner Case也远多于学术界。
再说，故事讲得再流通，毕竟需要量产落地。因为，预研的期间是要落到实车上智力最终体现价值。
但UniAD的论文内部莫得提供实车数据（不包含Nuscenes）的数据和Demo，唯有开环评测，莫得闭环评测。
天然北京车展上商汤绝影面向量产的UniAD完成上车演示首秀，但骨子后果敬佩是需要考据的。
端到端的难点
端到端自动驾驶的远景，敬佩是光明的。然而，说念路敬佩曲直折的。
比如，端到端决策中的一体化磨练成需要海量数据，因此，难点之一就在于数据的蚁集和处理。取得海量的行车数据，亦然磨练端到端自动驾驶模子的入场券。
马斯克旧年在财报会上谈到过数据对自动驾驶模子的进攻性，“磨练了100万个视频Case，强迫够用；200万个，稍好一些；300万个，就会感到Wow；到1000万个，就变得难以置信了。”
而数据的蚁集需要大批的时分和渠说念，数据类型除了驾驶数据外还包括万般不同的说念路、天气和交通情况等场景数据，极度是，骨子驾驶中周围场合的信息蚁集难以保证。
其次，数据处理时还需要盘算数据提真金不怕火维度、从海量的视频片断中提真金不怕火有用特征、统计数据区别等，以支撑大限制的数据磨练。这点需要大批的进入和成本。
因为，并不是扫数的行车数据都不错用来磨练端到端模子。有自动驾驶工程师就发现，本来蚁合的路测数据唯有2%可用。念念让端到端模子具备通用才略，必须用不同场景中的高质地数据磨练模子。
还有，《马斯克传》中马斯克也亲口诠释过，特斯拉全球200万台车每天约可蚁集1600亿帧的驾驶视频用于模子磨练。然而，处置如斯宏大的数据并非易事，因为绝大多数视频都是不消的。
简直谨慎的是那些车流量非常大、或是有繁多行东说念主作念出多样各样的举止、路况极其复杂的画面，然而这个占比以致连1% 都不到。而为了提真金不怕火这1%画面，需要宏大东说念主力、算力、储存以致是电力等大批成本。
就拿最进攻的算力来说，门槛也极高。马斯克曾在本年三月初在X.com上暗示刻下FSD的最大戒指要素是算力，而在得到缓解后，4月初马斯克又暗示，本年Tesla在算力方面的总进入将逾越100亿好意思元。
此外，2024年Q1财报会议上，Tesla明白如今也曾领有35000块H100的筹谋资源，而2024年底这一数字将达到85000块。这意味着，要达到跟刻下FSD V12一样的水平，好像率35000块H100和数十亿好意思金的基础措施老本支出是必要前提。再往下，门槛还在进一步拔高。
数据获取成本时髦，再加上数据秘籍和安全问题，数据标注和清洗贫窭，以及法律和监管戒指等等，都戒指着数据的获取。那么，国内的车企，又有哪个能承担如斯时髦的这些成本呢？
除了数据蚁集的挑战外，“数据对都”亦然自动驾驶期间中靠近的一浩劫题。
自动驾驶领域，靠近着海量未标注的异构举止大数据。这些数据来自于不同的传感器、诱惑和环境，具有不同的神情和特征。要能用于自动驾驶的磨练和期骗，就需要进行准确的数据对都。
而数据对都的难点在于如何确保不同起头的数据在语义上保握一致。因此，时常波及到复杂的语义融会和转念佛由。这不仅需要先进的算法和期间支撑，还需要对这个领域有潜入融会。
是以，拨开营销的迷雾，咱们就知说念，端到端的真相是什么。
“从简不浅易”，端到端不是说哪个单项作念好就行，而是需要系统扫数模块都达到一个较高的性能水平，智力在端到端的决策筹商戒指输出中达成较好的后果，这种端到端系统数据门槛，是远高于感知、决策、本质单个模块的数据需求的。
国内的企业，如故需要谦洁奉公把眼下的路走好才是。