[首發(fā)于智駕最前沿微信公眾號]自動駕駛技術(shù)在過去十年中經(jīng)歷了從基礎(chǔ)輔助駕駛到高度自動化系統(tǒng)的快速演進(jìn)。在這一進(jìn)程中，技術(shù)架構(gòu)的選擇始終是決定行業(yè)走向的核心命題。傳統(tǒng)的自動駕駛系統(tǒng)被設(shè)計為模塊化結(jié)構(gòu)，將感知、預(yù)測、規(guī)控等任務(wù)拆分為相互獨立的子系統(tǒng)。然而，隨著深度學(xué)習(xí)技術(shù)的突破，端到端的新興技術(shù)架構(gòu)開始占據(jù)討論的中心。

在這一架構(gòu)中，一段式端到端主張將傳感器輸入直接映射為駕駛動作輸出，力求通過單一的神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對復(fù)雜交通環(huán)境的理解與響應(yīng)。盡管這種路徑在提高駕駛平順性和處理某些復(fù)雜場景方面展示了驚人的潛力，但在真正的商業(yè)化落地過程中，一段式端到端架構(gòu)依然面臨著很多挑戰(zhàn)。

一段式端到端的優(yōu)勢

一段式端到端自動駕駛的核心理念在于極度簡化系統(tǒng)鏈路。在傳統(tǒng)的模塊化架構(gòu)中，信息在感知、融合、預(yù)測、決策、規(guī)劃和控制等多個環(huán)節(jié)之間傳遞。這種設(shè)計雖然職責(zé)明確，但存在嚴(yán)重的傳遞效應(yīng)誤差。每一個模塊的輸出都只是對真實物理世界的一種抽象和簡化，而這種簡化不可避免地會導(dǎo)致信息的損耗。

一段式端到端示意圖，圖片源自：網(wǎng)絡(luò)

例如，感知模塊可能只識別出了前方車輛的坐標(biāo)和速度，卻丟失了該車剎車燈閃爍的微弱光影變化或車輪壓線的細(xì)微趨勢，這些被過濾掉的非結(jié)構(gòu)化信息往往包含駕駛意圖的關(guān)鍵線索。相比之下，一段式端到端架構(gòu)通過單一的深層神經(jīng)網(wǎng)絡(luò)，試圖實現(xiàn)信息的無損傳遞，讓模型可以直接從原始的視頻流或點云數(shù)據(jù)中提取對駕駛?cè)蝿?wù)最有用的特征。

這種架構(gòu)的優(yōu)越性在復(fù)雜交通環(huán)境中表現(xiàn)得尤為明顯。傳統(tǒng)基于規(guī)則的系統(tǒng)在面對從未被定義的特殊場景時，會因為找不到匹配的代碼邏輯而陷入癱瘓或觸發(fā)緊急制動。

一段式端到端模型通過對海量人類駕駛數(shù)據(jù)的模仿學(xué)習(xí)，能夠?qū)W到人類司機的駕駛常識和直覺反應(yīng)。在實際測試中，車輛在處理無保護左轉(zhuǎn)、繞行違停車輛以及與行人互動時可以表現(xiàn)出擬人化的平順感，這正是數(shù)據(jù)驅(qū)動架構(gòu)帶來的紅利。這種架構(gòu)從底層邏輯上顛覆了自動駕駛的研發(fā)模式，主機廠不再需要編寫成千上萬行復(fù)雜的判斷語句，而是可以將精力集中在數(shù)據(jù)質(zhì)量的提升和模型結(jié)構(gòu)的優(yōu)化上。

一段式端到端不得不面對的黑盒和誤差積累

一段式端到端架構(gòu)雖然在理論上提高了性能上限，卻也模糊了系統(tǒng)的邊界。在傳統(tǒng)架構(gòu)中，如果感知錯了，可以清晰地看到是哪個算法模塊沒識別出目標(biāo)；而在一段式模型中，感知、預(yù)測和規(guī)劃被揉合在一起，這種深度耦合意味著任何局部的微調(diào)都可能引發(fā)不可預(yù)見的全局波動。系統(tǒng)的優(yōu)化目標(biāo)也從各個模塊的局部指標(biāo)轉(zhuǎn)向了全局的駕駛表現(xiàn)，這在提升系統(tǒng)效率的同時，也極大地增加了訓(xùn)練的復(fù)雜度和對高質(zhì)量數(shù)據(jù)的依賴程度。

在一個包含數(shù)億甚至數(shù)十億參數(shù)的深層神經(jīng)網(wǎng)絡(luò)中，很難追蹤某個特定的控制指令究竟是由哪個輸入像素或哪一層神經(jīng)元的激活引起的。這種特性在安全敏感的自動駕駛領(lǐng)域會引發(fā)巨大的問題。當(dāng)系統(tǒng)在路測中出現(xiàn)一次嚴(yán)重的違章或事故苗頭時，將無法像模塊化架構(gòu)那樣通過查看代碼邏輯發(fā)現(xiàn)錯誤原因，傳統(tǒng)的針對性單元測試在面對這種黑盒模型時也幾乎失去了效用。

這種技術(shù)黑盒還帶來了級聯(lián)誤差問題，這在閉環(huán)測試中表現(xiàn)得尤為突出。模型在實際行駛中若產(chǎn)生一個微小偏差，如果沒有及時的反饋修正機制，會在隨后的時間步中不斷累積，最終導(dǎo)致嚴(yán)重的駕駛事故。這是因為一段式模型在訓(xùn)練時僅采用專家軌跡作為參照，但在實際部署中，它不僅要處理外部環(huán)境的變化，還要應(yīng)對自身動作引發(fā)的連鎖反應(yīng)。如果模型未能學(xué)會如何從偏離狀態(tài)中自我恢復(fù)，這種積累的誤差將成為系統(tǒng)崩潰的導(dǎo)火索。

圖片源自：網(wǎng)絡(luò)

為了緩解這些問題，行業(yè)開始探索輔助性的解釋工具。一些研究嘗試引入注意力圖可視化技術(shù)，通過觀察模型在決策時主要關(guān)注圖像的哪些區(qū)域來反向推論其邏輯。然而，這種方法只能提供定性的參考，無法作為嚴(yán)格的安全證明。

還一種常見的做法是在端到端模型外包裹一層基于規(guī)則的安全底座，當(dāng)模型的輸出違反了基礎(chǔ)物理定律或嚴(yán)苛的交通準(zhǔn)則時，可強制介入并修正指令。但這種方式會破壞端到端架構(gòu)本來的絲滑感，導(dǎo)致系統(tǒng)在神經(jīng)網(wǎng)絡(luò)的靈活決策與規(guī)則層的生硬約束之間產(chǎn)生激烈的沖突。

端到端還會導(dǎo)致因果混淆現(xiàn)象。機器學(xué)習(xí)模型傾向于尋找輸入與輸出之間的統(tǒng)計相關(guān)性，而不是真實的物理規(guī)律。舉個例子，模型可能學(xué)會前方車輛剎車燈亮起就要減速這么一個行為，卻不知道是因為接近障礙物需要減速。如果在某些特殊環(huán)境下這種偽相關(guān)性消失了，模型就可能喪失正確的決策能力。這種背答案式的學(xué)習(xí)方式使得模型在跨區(qū)域、跨場景應(yīng)用時極度吃力，一個在特定城市訓(xùn)練出的模型，由于路牌樣式、駕駛習(xí)慣甚至植被特征的不同，也很難直接搬運到另一個完全不同的環(huán)境中。

算力與數(shù)據(jù)的競爭壁壘及其社會化阻力

一段式端到端架構(gòu)是典型的重資源投入路徑。它不僅需要車端擁有高算力的AI芯片來保證低延遲推理，更需要云端擁有極其龐大的算力中心來進(jìn)行模型的高頻迭代。對于許多資金實力有限或缺乏自研芯片能力的企業(yè)來說，構(gòu)建數(shù)據(jù)閉環(huán)系統(tǒng)和采購海量計算卡的成本已經(jīng)超出了單車?yán)麧櫟母采w范圍。這就形成了一種潛在的技術(shù)壟斷，只有擁有數(shù)萬塊高端計算卡和海量實時路測數(shù)據(jù)的頭部玩家，才有資格在這一路徑上進(jìn)行長期的競賽。這種對算力規(guī)模的高度需求，使得一段式端到端技術(shù)落地的門檻被無限拉高。

數(shù)據(jù)的純凈度與分布規(guī)律也是限制一段式端到端落地的一個因素。神經(jīng)網(wǎng)絡(luò)極其擅長在數(shù)據(jù)密集的區(qū)域進(jìn)行模仿，但在數(shù)據(jù)稀疏的邊緣地帶表現(xiàn)得就非常脆弱。在真實交通場景中，絕大多數(shù)的駕駛數(shù)據(jù)都是在正常的交通流中產(chǎn)生的，而發(fā)生事故、極端天氣或罕見路障的數(shù)據(jù)占比極低。模型在面對這些從未見過的邊緣場景時，可能做出完全不可預(yù)測的錯誤決策。

圖片源自：網(wǎng)絡(luò)

此外，如果模型無差別地模仿從量產(chǎn)車回傳的人類駕駛數(shù)據(jù)，它學(xué)到的除了高效的駕駛技能，還可能包括強行加塞、不按規(guī)定開啟轉(zhuǎn)向燈等不文明行為，這將導(dǎo)致學(xué)習(xí)結(jié)果與預(yù)期不符。因此，如何從海量數(shù)據(jù)中精準(zhǔn)篩選出高質(zhì)量、符合安全邏輯的駕駛片段，是端到端架構(gòu)落地的關(guān)鍵所在。

在法律與責(zé)任認(rèn)定方面，一段式端到端架構(gòu)也面臨著前所未有的挑戰(zhàn)。當(dāng)自動駕駛系統(tǒng)從基于規(guī)則的模式轉(zhuǎn)向基于神經(jīng)元連接的模式時，現(xiàn)有的責(zé)任認(rèn)定體系將受到巨大沖擊。在傳統(tǒng)系統(tǒng)中，如果發(fā)生事故，相關(guān)部門可以通過回溯日志發(fā)現(xiàn)是因為某個特定的算法模塊失靈，責(zé)任判定相對清晰。然而，面對黑盒模型，要向監(jiān)管機構(gòu)解釋系統(tǒng)為什么做出某個決策幾乎是不可能的。目前全球范圍內(nèi)的立法趨勢仍傾向于要求系統(tǒng)具備完備的可觀察性與數(shù)據(jù)存證能力，端到端這種合規(guī)性真空使得監(jiān)管機構(gòu)對大規(guī)模部署一段式端到端系統(tǒng)保持審慎態(tài)度。

最后的話

雖然目前一段式端到端在可解釋性、誤差累積以及社會化定責(zé)等方面存在很多的問題，但這些障礙本身也在倒逼自動駕駛算法向更深層次的因果推斷和更高效的數(shù)據(jù)閉環(huán)演進(jìn)。技術(shù)的落地從來不是一蹴而就的，它需要工程實踐的反復(fù)錘煉和法律倫理的逐步接納。通過在神經(jīng)網(wǎng)絡(luò)的黑盒中注入確定性的安全邏輯，或者在規(guī)則系統(tǒng)的外殼下賦予模型更強的數(shù)據(jù)感知力，一段式端到端架構(gòu)終將在性能上限與安全下限之間找到那個完美的支點。

審核編輯 黃宇