最近，“端到端”在車圈火了！特斯拉基于“端到端”的FSDV12（完全自動駕駛）方案形成的標(biāo)桿示范效應(yīng)，疊加入華傳聞，帶動“蔚小理”等車企和華為、地平線等服務(wù)商紛紛轉(zhuǎn)向，加碼端到端自動駕駛技術(shù)。

　　所謂“端到端”，其實是來自深度學(xué)習(xí)中的概念，英文為“End—to—End（E2E）”，指通過一個AI模型，只要輸入原始數(shù)據(jù)就可以輸出最終結(jié)果。應(yīng)用到自動駕駛領(lǐng)域，意味著只需要一個模型，就能把攝像頭、毫米波雷達、激光雷達等傳感器收集到的感知信息，轉(zhuǎn)換成車輛方向盤的轉(zhuǎn)動角度、加速踏板的踩踏深度以及制動的力度等具體操作指令，讓汽車實現(xiàn)自動駕駛。用小鵬汽車創(chuàng)始人何小鵬的說法，表現(xiàn)得“很絲滑”，更像“人類司機駕駛”。

　　此前，市面上絕大部分自動駕駛系統(tǒng)為傳統(tǒng)模塊化方式，即一個人工和智能兩分天下的混搭系統(tǒng)：感知依靠神經(jīng)網(wǎng)絡(luò)，規(guī)劃控制則使用人類手動設(shè)計的算法。這一系統(tǒng)的好處在于分工明確，發(fā)現(xiàn)缺陷便于分模塊檢查、解決。但問題是，這種模塊化的自動駕駛系統(tǒng)在相對簡單的駕駛?cè)蝿?wù)上表現(xiàn)不錯，而在復(fù)雜的駕駛?cè)蝿?wù)面前，其天花板顯而易見。就算是號稱遙遙領(lǐng)先的城市高階智駕功能，依然會有機械感，也會在匯入快速路、通過大型路口時宕機。

　　考慮到自動駕駛的核心挑戰(zhàn)是解決無窮無盡的邊緣場景，以有限人力解決無限長尾問題的成本和時間難以估量，數(shù)據(jù)化、模型化成為必然趨勢。不過，端到端，同樣是一個需要老師傅精心打磨的高難度技術(shù)活。

　　一方面，端到端需要海量高質(zhì)量數(shù)據(jù)“投喂”訓(xùn)練。與大語言模型可以在互聯(lián)網(wǎng)上爬取海量文字數(shù)據(jù)用于訓(xùn)練不同，端到端智駕需要的視頻數(shù)據(jù)獲取成本和難度極高。以特斯拉為例，目前其FSD累計學(xué)習(xí)的人類駕駛視頻片段超過2000萬個，而這一規(guī)模的數(shù)據(jù)僅采集成本就需要50億元至80億元。

　　另一方面，端到端需要強大算力的支持。自動駕駛涉及激光雷達、圖像感知以及V2X車路協(xié)同等技術(shù)與解決方案。強大的算力不僅有利于實時處理海量數(shù)據(jù)，降低數(shù)據(jù)傳輸延遲，還可更好地支持面向智慧城市、智慧交通、高級別自動駕駛等全場景。然而，華為車BU、百度極越、蔚來、理想、吉利、長城、小鵬等國內(nèi)企業(yè)算力增長目前均面臨較大瓶頸。

　　問題還在于，算力與數(shù)據(jù)的制約又會顯著影響算法的發(fā)展。雖然國內(nèi)學(xué)術(shù)界提出的端到端自動駕駛模型UniAD斬獲2023年CPVR最佳論文獎，為國內(nèi)企業(yè)提供了可以參考的方向，但是在開環(huán)驗證體系、小體量樣本數(shù)據(jù)下開發(fā)的UniAD，上車還需要一定時間的工程化改造和大規(guī)模數(shù)據(jù)訓(xùn)練。

　　此外，端到端會同時放大自動駕駛系統(tǒng)的上限與下限。因為端到端構(gòu)建的是一個神經(jīng)網(wǎng)絡(luò)黑箱，在獲取更高上限的過程中讓渡了一部分傳統(tǒng)模塊方案具備的可解釋性。如何在自動駕駛系統(tǒng)中保留可解釋性，將那些不應(yīng)被逾越的規(guī)則，比如別闖紅燈，表征到神經(jīng)網(wǎng)絡(luò)中去，保證端到端能安全地落地應(yīng)用、進化，也將是規(guī)控工程師們的重要課題。

　　攀登珠峰有兩條路線：一條是中國西藏的北坡，另一條是尼泊爾的南坡。不管選擇從南坡還是從北坡攀登，最終都將到達同一個頂峰。這與當(dāng)前自動駕駛的發(fā)展路徑有相似之處。雖然現(xiàn)在還很難判定端到端就是自動駕駛的最優(yōu)解或最終解，但這并不妨礙企業(yè)創(chuàng)新探索。畢竟端到端能夠比傳統(tǒng)模塊化方式更好地處理極端案例，并且代表了一種減少人工編碼依賴的更高效的思路。基于這個路徑，或許自動駕駛能夠通往更高階段。（本文來源：經(jīng)濟日報 作者：楊忠陽）