佐思汽研發(fā)布《2024年端到端自動駕駛研究報(bào)告》。

1

國內(nèi)端到端方案現(xiàn)狀

端到端自動駕駛是直接從傳感器信息輸入（如攝像頭圖像、LiDAR等）到控制命令輸出（如轉(zhuǎn)向、加減速等）映射的一套系統(tǒng)，最早出現(xiàn)在1988年的ALVINN項(xiàng)目，通過相機(jī)和激光測距儀進(jìn)行輸入和一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)生成的轉(zhuǎn)向進(jìn)行輸出。

2024年初，特斯拉FSD V12.3版本發(fā)布，智駕水平讓人驚艷，端到端自動駕駛方案受到國內(nèi)主機(jī)廠和自動駕駛方案企業(yè)的廣泛關(guān)注。

與傳統(tǒng)的多模塊方案相比，端到端自動駕駛方案將感知、預(yù)測和規(guī)劃整合到單一模型中，簡化了方案結(jié)構(gòu)，可模擬人類駕駛員直接從視覺輸入做出駕駛決策，以數(shù)據(jù)和算力為主導(dǎo)，能夠有效解決模塊化方案的長尾場景，提升模型的訓(xùn)練效率和性能上限。

傳統(tǒng)多模塊方案與端到端方案的對比（部分）

來源：佐思汽研《2024年端到端自動駕駛研究報(bào)告》

FSD V12.3版本實(shí)測圖

來源：公開渠道

部分主機(jī)廠對端到端方案落地量產(chǎn)的規(guī)劃

來源：佐思汽研《2024年端到端自動駕駛研究報(bào)告》

理想端到端方案

理想認(rèn)為，完整的端到端需要完成感知、跟蹤、預(yù)測、決策、規(guī)劃整個(gè)過程的模型化，是實(shí)現(xiàn)L3級別自動駕駛的最佳方案。2023年，理想推送AD Max3.0，其整體框架已經(jīng)具備端到端的理念，但距離完整的端到端尚有一定差距，2024年理想預(yù)計(jì)以此為基礎(chǔ)，推進(jìn)該系統(tǒng)成為一個(gè)徹底的端到端方案。

理想構(gòu)建的自動駕駛框架如下圖，分為兩個(gè)系統(tǒng)：

快系統(tǒng)：System1，感知周圍環(huán)境后直接執(zhí)行，為理想現(xiàn)行的端到端方案。

慢系統(tǒng)：System2，多模態(tài)大語言模型，針對未知環(huán)境進(jìn)行邏輯思考與探索，以解決L4未知場景下的問題。

理想自動駕駛框架

來源：理想汽車

在端到端方案推進(jìn)的過程中，理想計(jì)劃把規(guī)劃/預(yù)測模型與感知模型進(jìn)行統(tǒng)一，并在原基礎(chǔ)上完成Temporal Planner的端到端，實(shí)現(xiàn)泊車/行車一體化。

2

數(shù)據(jù)成為端到端落地的關(guān)鍵

端到端方案的落地需要經(jīng)歷構(gòu)建研發(fā)團(tuán)隊(duì)、配置硬件設(shè)施、數(shù)據(jù)收集處理、算法訓(xùn)練與策略定制、驗(yàn)證評估、推廣量產(chǎn)等流程，部分場景痛點(diǎn)如表中所示：

端到端方案的部分場景痛點(diǎn)

來源：佐思汽研《2024年端到端自動駕駛研究報(bào)告》

其中，端到端自動駕駛方案中的一體化訓(xùn)練需要大量的數(shù)據(jù)，因此其面臨的難點(diǎn)之一在于數(shù)據(jù)的收集和處理。

首先，數(shù)據(jù)的收集需要大量的時(shí)間和渠道，數(shù)據(jù)類型除了駕駛數(shù)據(jù)外還包括各種不同的道路、天氣和交通情況等場景數(shù)據(jù)，其中在實(shí)際駕駛中駕駛員前方視野的駕駛數(shù)據(jù)相對便于收集，周圍方位的信息收集則難以保證。

再次，數(shù)據(jù)處理時(shí)需要設(shè)計(jì)數(shù)據(jù)提取維度、從海量的視頻片段中提取有效的特征、統(tǒng)計(jì)數(shù)據(jù)分布等，以支持大規(guī)模的數(shù)據(jù)訓(xùn)練。

元戎啟行

截至2024年3月，元戎啟行端到端自動駕駛方案已經(jīng)獲得長城汽車的定點(diǎn)項(xiàng)目，并與英偉達(dá)開展合作，預(yù)計(jì)2025年適配英偉達(dá)Thor芯片；在元戎啟行的規(guī)劃中，從傳統(tǒng)方案過渡到“端到端”自動駕駛方案，經(jīng)歷傳感器前融合、去高精度地圖、感知決策控制三個(gè)模型一體化等環(huán)節(jié)。

元戎啟行在數(shù)據(jù)環(huán)節(jié)的布局

來源：佐思汽研《2024年端到端自動駕駛研究報(bào)告》

極佳科技

極佳科技的自動駕駛世界模型DriveDreamer，具備場景生成、數(shù)據(jù)生成、駕駛動作預(yù)測等功能；在場景/數(shù)據(jù)生成上，分為兩個(gè)步驟：

涉及單幀結(jié)構(gòu)化條件，引導(dǎo)DriveDreamer生成駕駛場景圖像，便于其理解結(jié)構(gòu)交通約束。

將其理解擴(kuò)展到視頻生成。利用連續(xù)的交通結(jié)構(gòu)條件，DriveDreamer輸出駕駛場景視頻，進(jìn)一步增強(qiáng)其對運(yùn)動轉(zhuǎn)換的理解。

DriveDreamer的功能包括可連續(xù)駕駛視頻生成、與文本提示和結(jié)構(gòu)化交通限制無縫對齊

來源：極佳科技

3

端到端方案加快具身機(jī)器人落地

除了自動駕駛汽車，具身機(jī)器人是端到端方案另一個(gè)主流場景。從端到端自動駕駛到機(jī)器人，需要構(gòu)建更加通用的世界模型，來適應(yīng)更加復(fù)雜、多元的現(xiàn)實(shí)使用場景，主流AGI（通用人工智能）發(fā)展的框架分為兩個(gè)階段：

階段一：基礎(chǔ)大模型理解和生成實(shí)現(xiàn)統(tǒng)一，進(jìn)一步與具身智能結(jié)合，形成統(tǒng)一世界模型；

階段二：世界模型+復(fù)雜任務(wù)的規(guī)控能力和抽象概念的歸納能力，逐步演化進(jìn)入交互AGI 1.0時(shí)代。

在世界模型落地的過程中，構(gòu)建端到端的VLA（Vision-Language-Action) 自主系統(tǒng)成為關(guān)鍵一環(huán)。VLA作為具身智能基礎(chǔ)大模型，能夠?qū)?D感知、推理和行動無縫鏈接起來，形成一個(gè)生成式世界模型，并建立在基于3D的大型語言模型（LLM）之上，引入一組交互標(biāo)記以與環(huán)境進(jìn)行互動。

3D-VLA解決方案

來源：University of Massachusetts Amherst、MIT-IBM Watson AI Lab等機(jī)構(gòu)

截至2024年4月，部分采用端到端方案的具身機(jī)器人廠商如下：

部分具身機(jī)器人如何應(yīng)用端到端方案

來源：佐思汽研《2024年端到端自動駕駛研究報(bào)告》

以有鹿機(jī)器人為例，其具身智能大模型LPLM（Large Physical Language Model）為端到端的具身智能解決方案，通過自我標(biāo)注機(jī)制提升模型從未標(biāo)注數(shù)據(jù)中的學(xué)習(xí)效率和質(zhì)量，從而加深對世界的理解，進(jìn)而加強(qiáng)機(jī)器人的泛化能力與跨模態(tài)、跨場景、跨行業(yè)場景下的環(huán)境適應(yīng)性。

LPLM模型架構(gòu)

來源：有鹿機(jī)器人

LPLM 將物理世界抽象化，確保該類信息與 LLM 里特征的抽象等級對齊，將物理世界中每一個(gè)所指的實(shí)體顯式建模為 token，編碼幾何、語義、運(yùn)動學(xué)與意圖信息。

此外，LPLM 在自然語言指令的編碼中加入了 3D grounding，一定程度上彌補(bǔ)了自然語言不夠精確的缺陷；其解碼器能夠通過不斷預(yù)測未來的方式去學(xué)習(xí)，從而加強(qiáng)了模型從海量無標(biāo)簽數(shù)據(jù)中學(xué)習(xí)的能力。

審核編輯：劉清