【甲子光年】2024自動(dòng)駕駛行業(yè)報(bào)告-“端到端”漸行漸近_第1頁(yè)
【甲子光年】2024自動(dòng)駕駛行業(yè)報(bào)告-“端到端”漸行漸近_第2頁(yè)
【甲子光年】2024自動(dòng)駕駛行業(yè)報(bào)告-“端到端”漸行漸近_第3頁(yè)
【甲子光年】2024自動(dòng)駕駛行業(yè)報(bào)告-“端到端”漸行漸近_第4頁(yè)
【甲子光年】2024自動(dòng)駕駛行業(yè)報(bào)告-“端到端”漸行漸近_第5頁(yè)
已閱讀5頁(yè),還剩25頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

出品機(jī)構(gòu):甲子光年智庫(kù)智庫(kù)院長(zhǎng):宋濤報(bào)告撰寫(xiě):翟惠宇發(fā)布時(shí)間:2024.07*甲子光年智庫(kù)分析師胡博文對(duì)本次報(bào)告撰寫(xiě)亦有貢獻(xiàn)。Part01發(fā)展背景:汽車(chē)智能化正加速普及P02Part02趨勢(shì)辨析:端到端自動(dòng)駕駛的價(jià)值P09

Part03廠(chǎng)商實(shí)踐:技術(shù)路線(xiàn)的選擇與踐行P18

Part04未來(lái)展望:端到端的挑戰(zhàn)與未來(lái)式P26

目錄

智能化水平已經(jīng)成為國(guó)內(nèi)汽車(chē)消費(fèi)者最核心的購(gòu)買(mǎi)因素之一。益濃厚。

o超半數(shù)的汽車(chē)消費(fèi)者將智能化水平作為購(gòu)車(chē)時(shí)的關(guān)鍵考量因素,他們追求更先進(jìn)的自動(dòng)駕駛體驗(yàn)、更智能的座艙環(huán)境以及更個(gè)性化的駕駛樂(lè)趣。o

智能化在購(gòu)車(chē)決策中的重要性日益凸顯,這也促使眾多汽車(chē)制造商加快了智能化技術(shù)的研發(fā)和工程投入;繼續(xù)航里程和用車(chē)成本之后,智能化已成為新能源汽車(chē)競(jìng)爭(zhēng)的主要領(lǐng)域,未能跟上智能化步伐的汽車(chē)品牌可能會(huì)逐漸失去市場(chǎng)競(jìng)爭(zhēng)力。o國(guó)內(nèi)汽車(chē)工業(yè)在電動(dòng)化和智能化領(lǐng)域的迅猛發(fā)展,正在重塑消費(fèi)者的購(gòu)車(chē)偏好,消費(fèi)者對(duì)于自動(dòng)駕駛技術(shù)、智能座艙等高端智能化功能的興趣日?qǐng)D1:購(gòu)車(chē)時(shí)“智能化”考量因素高居第二59%用車(chē)成本低智能化程度高圖2:自動(dòng)駕駛、智能座艙、42%動(dòng)力性能OTA能力受廣泛關(guān)注更先進(jìn)的自動(dòng)駕駛功能原生新能源汽車(chē)平臺(tái)智能座艙體驗(yàn)更好OTA能力更強(qiáng)續(xù)航里程表現(xiàn)駕駛樂(lè)趣更高造型設(shè)計(jì)美觀(guān)售后體驗(yàn)更好保養(yǎng)成本低配置表精煉乘坐更舒適獲取牌照外觀(guān)時(shí)尚噪音小環(huán)保43%40%43%48%47%47%47%62%65%31%30%39%51%51%51%54%

智能駕駛滲透提速,“智能化”競(jìng)爭(zhēng)進(jìn)入白熱化。oNOA技術(shù)的滲透率正迅速提升:自2022年“量產(chǎn)元年”起,高速NOA和城區(qū)NOA的普及率顯著增長(zhǎng)。目前,高速NOA的滲透率已超10%,城市NOA也超過(guò)了3%。

o

在眾多廠(chǎng)商的推動(dòng)下,重視“智能化”的汽車(chē)越來(lái)越受消費(fèi)者青睞,尤其是那些配備自動(dòng)泊車(chē)和L2.5以上級(jí)別NOA功能的車(chē)型;這些車(chē)型已成為車(chē)企競(jìng)爭(zhēng)的焦點(diǎn),預(yù)示著未來(lái)缺乏NOA功能的車(chē)輛可能失去競(jìng)爭(zhēng)力。

圖1:高速NOA滲透率持續(xù)增長(zhǎng)(%)

標(biāo)配

選配

合計(jì)o自動(dòng)駕駛功能的普及,得益于車(chē)企的持續(xù)投入和消費(fèi)者對(duì)這些技術(shù)的接受度,這已成為汽車(chē)市場(chǎng)競(jìng)爭(zhēng)力的關(guān)鍵。圖2:城市NOA滲透率持續(xù)增長(zhǎng)(%)

合計(jì)

標(biāo)配

選配1210865432Feb-23Feb-24Feb-23Feb-24May-

23May-

23Aug-23Aug-23Ju

l-

23Ju

l-

23Apr-23Apr-23Sep-

23Sep-

23Nov-23Nov-23Mar-

24Dec-23Mar-

23Dec-22Mar-

23Dec-22Mar-

24Dec-23Oct-23Oct-23Jan-24Jan-23Jan-23Jun-23Jan-24Jun-234201014

自動(dòng)駕駛科技公司排隊(duì)沖擊IPO,智駕加速普及,行業(yè)正在蘇醒。o

盡管一級(jí)市場(chǎng)融資受到整體投融資環(huán)境的影響,但自動(dòng)駕駛公司通過(guò)不斷優(yōu)化核心軟硬件產(chǎn)品,向更務(wù)實(shí)的L2輔助駕駛轉(zhuǎn)型,加速了智能駕駛的商業(yè)化進(jìn)程,眾多企業(yè)開(kāi)始準(zhǔn)備IPO。

o同時(shí),隨著智能駕駛功能的普及,消費(fèi)者對(duì)其正面認(rèn)知逐漸增強(qiáng)

,乘用車(chē)自動(dòng)駕駛市場(chǎng)穩(wěn)步增長(zhǎng),這促使主機(jī)廠(chǎng)與智能駕駛解決方案供應(yīng)商之間的合作更加緊密,進(jìn)一步推動(dòng)了智能駕駛技術(shù)的商業(yè)化應(yīng)用。

禾賽科技美股2023年2月上市激光雷達(dá)傳感器

海創(chuàng)光電科創(chuàng)板2023年5月提交申請(qǐng)激光雷達(dá)傳感器 黑芝麻智能港交所2023年6月提交申請(qǐng)自動(dòng)駕駛計(jì)算芯片 如祺出行港交所2023年8月提交申請(qǐng)Robotaxi、網(wǎng)約車(chē)運(yùn)營(yíng)文遠(yuǎn)知行美股2023年8月完成IPO備案自動(dòng)駕駛解決方案、Robotaxi 賽目科技港交所2023年10月提交申請(qǐng)ICV仿真測(cè)試、驗(yàn)證知行科技港交所2023年12月已上市自動(dòng)駕駛解決方案激光雷達(dá)傳感器Robotaxi、Robotruck、智能駕駛解決方案智能駕駛解決方案自動(dòng)駕駛計(jì)算芯片、智能駕駛解決方案智能駕駛解決方案自動(dòng)駕駛解決方案一級(jí)市場(chǎng)融資難造血能力待提升需要研發(fā)投入2024年1月已上市2024年4月完成IPO備案

2024年3月提交申請(qǐng)

2024年3月提交申請(qǐng)2024年5月提交申請(qǐng)2024年6月完成IPO備案速騰聚創(chuàng)

小馬智行縱目科技地平線(xiàn)佑駕創(chuàng)新

Momenta圖達(dá)通

美股2023年8月完成IPO備案激光雷達(dá)傳感器訂單需求擴(kuò)張業(yè)績(jī)快速上漲產(chǎn)品性能提升表:2023年起,自動(dòng)駕駛廠(chǎng)商扎堆IPO港交所美股港交所港交所港交所美股計(jì)劃上市地主營(yíng)業(yè)務(wù)企業(yè)名稱(chēng)IPO進(jìn)程

智駕量產(chǎn)車(chē)上路,數(shù)據(jù)飛輪已經(jīng)轉(zhuǎn)了起來(lái)。o自BEV(鳥(niǎo)瞰視圖)結(jié)合Transformer架構(gòu)成為自動(dòng)駕駛感知領(lǐng)域的主要發(fā)展方向以來(lái),數(shù)據(jù)驅(qū)動(dòng)在其中扮演的角色愈發(fā)關(guān)鍵;眾多汽車(chē)制造商和自動(dòng)駕駛解決方案提供商都已構(gòu)建數(shù)據(jù)閉環(huán)系統(tǒng),以支持自動(dòng)駕駛系統(tǒng)的模型訓(xùn)練和持續(xù)迭代。o目前,配備高級(jí)智能駕駛功能的汽車(chē)已實(shí)現(xiàn)規(guī)?;渴穑@為自動(dòng)駕駛算法的持續(xù)創(chuàng)新和優(yōu)化提供了堅(jiān)實(shí)的數(shù)據(jù)支撐。?人工智能技術(shù)加持

,數(shù)據(jù)篩選、標(biāo)注、訓(xùn)練、驗(yàn)證形成全鏈路閉環(huán)

,持續(xù)迭代智能駕駛產(chǎn)品?相比過(guò)去工程師制定的規(guī)則算法

,能夠?qū)崿F(xiàn)低成本、高效率的系統(tǒng)迭代?由此實(shí)現(xiàn)閉環(huán)自動(dòng)化

,數(shù)據(jù)驅(qū)動(dòng)自動(dòng)駕駛

,在為現(xiàn)有車(chē)輛進(jìn)行OTA功能升級(jí)的同時(shí)

,為后續(xù)更高級(jí)別的自動(dòng)駕

駛車(chē)輛做準(zhǔn)備圖:打造數(shù)據(jù)閉環(huán),量產(chǎn)時(shí)代下的自動(dòng)駕駛應(yīng)用部署為數(shù)據(jù)驅(qū)動(dòng)提供條件影子模式觸發(fā)數(shù)據(jù)回傳AI驅(qū)動(dòng)的數(shù)據(jù)閉環(huán)———含數(shù)據(jù)積累———含打造數(shù)據(jù)閉環(huán)

升級(jí)現(xiàn)有智能車(chē)量產(chǎn)項(xiàng)目提供海量車(chē)端大數(shù)據(jù):訓(xùn)練高階自動(dòng)駕駛算法智能駕駛汽車(chē)規(guī)模化自動(dòng)駕駛智算中心L3/L4量產(chǎn)上車(chē)OTA部署算法升級(jí)數(shù)據(jù)分析數(shù)據(jù)標(biāo)注數(shù)據(jù)采集算法部署模型訓(xùn)練模型驗(yàn)證

自動(dòng)駕駛技術(shù)發(fā)展與普及的背后,是底層AI技術(shù)的進(jìn)步。oA

I技術(shù)的應(yīng)用場(chǎng)景眾多,自動(dòng)駕駛無(wú)疑是其中的核心議題;它不僅代表了技術(shù)應(yīng)用的前沿,也是產(chǎn)學(xué)兩界AI專(zhuān)家不懈追求、共同攻克的領(lǐng)域。o自動(dòng)駕駛行業(yè)的發(fā)展與AI技術(shù)的每次飛躍緊密相連:從卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、生成對(duì)抗網(wǎng)絡(luò)(

GAN)到Transformer,每一次技術(shù)革新背后,都伴隨著深度學(xué)習(xí)等基礎(chǔ)AI技術(shù)的突破性進(jìn)展。正是AI技術(shù)的持續(xù)進(jìn)步,構(gòu)成了自動(dòng)駕駛技術(shù)不斷演進(jìn)和成熟的基礎(chǔ)動(dòng)力。圖:

自動(dòng)駕駛技術(shù)的主要迭代路徑

RNN(

LSTM)

+GAN?

更擅長(zhǎng)處理時(shí)間序列數(shù)據(jù)+生成高質(zhì)量合成數(shù)據(jù)?

預(yù)測(cè)車(chē)輛未來(lái)軌跡能力?長(zhǎng)期時(shí)序建模能力弱;數(shù)據(jù)質(zhì)量難把控;實(shí)時(shí)性要求無(wú)法滿(mǎn)足BEV+Transformer?結(jié)合Transformer更強(qiáng)的處理序列數(shù)據(jù)和復(fù)雜上下文關(guān)系方面的能力,

實(shí)現(xiàn)更精確的環(huán)境感知、更長(zhǎng)遠(yuǎn)的運(yùn)動(dòng)規(guī)劃和更全局化的決策CNN(卷積神經(jīng)網(wǎng)絡(luò))?圖像識(shí)別處理表現(xiàn)優(yōu)秀;有效處理傳感器數(shù)據(jù)融合?

需要大量數(shù)據(jù)標(biāo)注;時(shí)序任務(wù)處理能力偏弱BEV(鳥(niǎo)瞰視角)?

直觀(guān)且豐富的車(chē)身周邊環(huán)境表示?

需要復(fù)雜的傳感器數(shù)據(jù)融合與校準(zhǔn),計(jì)算量龐大OCC+Transformer?Occupancy

Network基于學(xué)習(xí)進(jìn)行

三維重建

,是BEV的3D迭代至今Transformer大模型基于大規(guī)模數(shù)據(jù)

訓(xùn)練,具備更強(qiáng)的魯棒性與泛化能力,

在自動(dòng)駕駛行業(yè)大方異彩CNN

提出后,深度學(xué)習(xí)進(jìn)入爆

發(fā)期,自主學(xué)習(xí)能力被釋放201620182020那么,下一步?20112022

AI大模型技術(shù)已經(jīng)在自動(dòng)駕駛領(lǐng)域得到廣泛應(yīng)用。oTransformer大模型技術(shù)在自動(dòng)駕駛領(lǐng)域并非新近出現(xiàn),其實(shí)早在ChatGPT之前,這一技術(shù)就已被應(yīng)用于自動(dòng)駕駛的感知任務(wù)。o

特斯拉在2021年就展示了其基于BEV視角結(jié)合Transformer的感知方案

,此后,國(guó)內(nèi)廠(chǎng)商紛紛跟進(jìn)并進(jìn)行創(chuàng)新,這間接加速了2022年之后高階智

能駕駛方案的快速落地。o

從云端的模型訓(xùn)練到車(chē)端的模型部署

,大模型技術(shù)已被廣泛應(yīng)用于數(shù)據(jù)處理、模型融合與優(yōu)化等多個(gè)環(huán)節(jié),顯著提高了模型訓(xùn)練的效率和系統(tǒng)的

整體性能。圖:從云端到車(chē)端,大模型已經(jīng)在

自動(dòng)駕駛感知模塊開(kāi)始規(guī)模化應(yīng)用

數(shù)據(jù)挖掘

大模型的泛化性能用于挖掘長(zhǎng)尾數(shù)據(jù),如使用CLIP模型進(jìn)行基于文本描述的圖像數(shù)據(jù)檢索。知識(shí)蒸餾 利用大模型通過(guò)自監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練,配合極少量人工標(biāo)注微

調(diào)

,實(shí)現(xiàn)自動(dòng)標(biāo)注視頻clip數(shù)據(jù)。 利用大模型檢測(cè)真值固定的物體,如

車(chē)道線(xiàn)、交通燈等

,這些物體的位置不受天氣、時(shí)間等因素的影響。 使用自回歸編解碼網(wǎng)絡(luò)將BEV特征解

碼為結(jié)構(gòu)化的拓?fù)潼c(diǎn)序列

,實(shí)現(xiàn)車(chē)道

拓?fù)漕A(yù)測(cè)。 將處理不同子任務(wù)的小模型合并成一

個(gè)大模型,在車(chē)端進(jìn)行聯(lián)合推理計(jì)算,提高感知算法的準(zhǔn)確性和實(shí)時(shí)性。

感知

預(yù)測(cè)決策控制 使用NeRF技術(shù)隱式存儲(chǔ)場(chǎng)景,通過(guò)渲染圖片的監(jiān)督學(xué)習(xí)學(xué)出

場(chǎng)景的隱式參數(shù),實(shí)現(xiàn)場(chǎng)景重建和高真實(shí)感數(shù)據(jù)生成。 大模型通過(guò)學(xué)習(xí)海量數(shù)據(jù)中的特征

,然后用來(lái)配合中、小模

型的訓(xùn)練,提高中、小模型的性能。數(shù)據(jù)生成車(chē)道拓?fù)漕A(yù)測(cè)物體檢測(cè)

數(shù)據(jù)自動(dòng)標(biāo)注云端合并不同小模型車(chē)端Part02創(chuàng)新思路:端到端自動(dòng)駕駛的價(jià)值P09Part01發(fā)展背景:汽車(chē)智能化正加速普及P02Part04未來(lái)展望:端到端的挑戰(zhàn)與未來(lái)式P26Part03廠(chǎng)商實(shí)踐:技術(shù)路線(xiàn)的選擇與踐行P18目錄

傳統(tǒng)模塊化自動(dòng)駕駛存在信息傳遞損耗、計(jì)算效率低下等問(wèn)題。o

傳統(tǒng)自動(dòng)駕駛系統(tǒng)已經(jīng)發(fā)展得相當(dāng)成熟,通常采用模塊化串聯(lián)的部署方式:其核心模塊涵蓋感知、定位、預(yù)測(cè)、決策和控制等,每個(gè)主要模塊及其子模塊都承擔(dān)著特定的職責(zé)

,且每個(gè)模塊的輸入通常來(lái)源于前一模塊的輸出。

o

模塊化設(shè)計(jì)的優(yōu)勢(shì)在于能夠?qū)?fù)雜的自動(dòng)駕駛?cè)蝿?wù)分解為更小、更易于管理的子任務(wù)

,同時(shí)便于問(wèn)題的追蹤和定位;然而

,隨著自動(dòng)駕駛技術(shù)向數(shù)據(jù)驅(qū)動(dòng)的方向發(fā)展,模塊化設(shè)計(jì)的某些局限性也逐漸顯現(xiàn)

,例如信息傳遞過(guò)程中可能出現(xiàn)的損耗、計(jì)算延遲以及累積誤差等問(wèn)題。控制模塊轉(zhuǎn)向油門(mén)/電門(mén)剎車(chē)PID/MPC傳感器攝像頭激光雷達(dá)毫米波雷達(dá)輪速I(mǎi)MU規(guī)劃模塊全局路徑規(guī)劃車(chē)輛行為決策預(yù)測(cè)模塊車(chē)輛行為預(yù)測(cè)行人行為預(yù)測(cè)任務(wù)多且散導(dǎo)致低效復(fù)合誤差難以修正系統(tǒng)構(gòu)建與維護(hù)成本高誤差累積影響安全性信息的損耗與丟失圖:傳統(tǒng)自動(dòng)駕駛的模塊化部署目標(biāo)跟蹤底盤(pán)通信車(chē)道線(xiàn)識(shí)別紅綠燈識(shí)別障礙物識(shí)別傳感器融合userid:532115,docid:166896,date:2024-07-05,sgpjbg.com血定位模塊感知模塊高精地圖車(chē)輛定位

從系統(tǒng)架構(gòu)的變化趨勢(shì)上看,自動(dòng)駕駛系統(tǒng)模塊是在不斷融合的。o

模塊化自動(dòng)駕駛的核心在于不同子模型在各個(gè)模塊中的嵌套與協(xié)同工作。然而

,隨著Transformer架構(gòu)等先進(jìn)AI技術(shù)的發(fā)展,模型間的界限正逐漸變得模糊。原本獨(dú)立的子任務(wù)模型正逐步被更大規(guī)模的神經(jīng)網(wǎng)絡(luò)模型所取代

,特別是在感知模塊

,BEV結(jié)合Transformer方案的廣泛應(yīng)用預(yù)示著數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)正日趨成熟。BEV+Transformer極大推動(dòng)自動(dòng)駕駛通用感知網(wǎng)絡(luò)的發(fā)展速度o從架構(gòu)的角度來(lái)看

,隨著模型融合的趨勢(shì),自動(dòng)駕駛系統(tǒng)的終極形態(tài)很可能是One

Model

,即一個(gè)狹義上的端到端神經(jīng)網(wǎng)絡(luò)模型。Learning-Based更少的工程更多的數(shù)據(jù)端到端全棧神經(jīng)網(wǎng)絡(luò)Rule-Based更多的工程

適量的數(shù)據(jù)圖:自動(dòng)駕駛系統(tǒng)模塊的融合趨勢(shì)預(yù)測(cè)、決策模塊也正在神經(jīng)

網(wǎng)絡(luò)化的進(jìn)程中目標(biāo)跟蹤定位規(guī)劃目標(biāo)檢測(cè)決策預(yù)測(cè)后融合地圖控制預(yù)測(cè)多傳感器融合規(guī)劃定位地圖決策控制預(yù)測(cè)規(guī)劃網(wǎng)絡(luò)

控制通用感知網(wǎng)絡(luò)

端到端路線(xiàn)為自動(dòng)駕駛進(jìn)一步突破提供了一種可能性。廣闊的想象空間。

o端到端自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)將帶來(lái)一系列優(yōu)勢(shì)

:它將完全基于數(shù)據(jù)驅(qū)動(dòng)進(jìn)行全局任務(wù)優(yōu)化,擁有更簡(jiǎn)潔的系統(tǒng)架構(gòu),更高的計(jì)算效率以及更強(qiáng)的泛化能力。然而

,它也面臨著對(duì)算力和數(shù)據(jù)的巨大需求,以及尚未解決的黑盒問(wèn)題和幻覺(jué)問(wèn)題

,這些問(wèn)題需要隨著技術(shù)的進(jìn)步而逐步克服。滲透?由數(shù)據(jù)驅(qū)動(dòng)的方式來(lái)解決自動(dòng)駕駛長(zhǎng)尾問(wèn)題?

更好、更快的糾錯(cuò)能力?

避免上游模塊錯(cuò)誤的過(guò)度傳導(dǎo)o隨著感知、預(yù)測(cè)和決策等關(guān)鍵模塊逐漸實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)化,端到端自動(dòng)駕駛的路徑已經(jīng)清晰可見(jiàn),為自動(dòng)駕駛技術(shù)向L4級(jí)別無(wú)人駕駛的邁進(jìn)提供了更好的計(jì)算效率?模型集成統(tǒng)一

,減少模塊間的信息延遲和冗余,提升計(jì)算效率參數(shù)過(guò)大

,算力不足大模型的幻覺(jué)問(wèn)題不可解釋與安全性End-to-End端到端自動(dòng)駕駛模型避免累計(jì)誤差完全由數(shù)據(jù)驅(qū)動(dòng)更強(qiáng)的泛化性

感知

↓?

具備零樣本學(xué)習(xí)能力,在未知場(chǎng)景仍可正確決策傳感器獲取的原始數(shù)據(jù)直接輸出車(chē)輛駕駛動(dòng)作決策

預(yù)測(cè)

控制基于統(tǒng)一的神經(jīng)網(wǎng)絡(luò),端到端的核心是信息的無(wú)損傳遞。o自動(dòng)駕駛領(lǐng)域尚未就“端到端”概念達(dá)成統(tǒng)一認(rèn)識(shí)。一般而言,端到端自動(dòng)駕駛指的是從原始傳感器數(shù)據(jù)輸入直接到控制指令輸出的連續(xù)學(xué)習(xí)與決策過(guò)程,過(guò)程中不涉及任何顯式的中間表示或人為設(shè)計(jì)的模塊。o

盡管端到端自動(dòng)駕駛的具體定義仍存在一定的模糊性,但其核心理念是避免信息在傳遞過(guò)程中的損耗。端到端自動(dòng)駕駛:統(tǒng)一的神經(jīng)網(wǎng)絡(luò)架構(gòu),一步到位輸出車(chē)輛指令感知/定位預(yù)測(cè)控制規(guī)劃端到端大模型

信息的無(wú)損傳遞

周邊環(huán)境

傳感器傳感器 執(zhí)行器車(chē)輛狀態(tài)

執(zhí)行器車(chē)輛狀態(tài)

周邊環(huán)境模塊化架構(gòu)端到端架構(gòu)

融合趨勢(shì)下

,“端到端”從感知走向決策,再走向聯(lián)合一體化。o

特斯拉FSDV12的卓越性能令業(yè)界觀(guān)察家印象深刻

,它確實(shí)摒棄了之前FSD方案中多年積累的代碼,但其端到端方案的成功也離不開(kāi)其在過(guò)去十年在人工智能和智能駕駛領(lǐng)域的深厚積累。

o

端到端自動(dòng)駕駛技術(shù)的發(fā)展遵循著漸進(jìn)的路徑:目前,BEV+OCC+Transformer已經(jīng)實(shí)現(xiàn)了感知模塊的端到端架構(gòu),決策模塊也在逐步從依賴(lài)手寫(xiě)規(guī)則向基于深度學(xué)習(xí)的模式轉(zhuǎn)變

,最終目標(biāo)是實(shí)現(xiàn)模塊化聯(lián)合與單一模型的端到端自動(dòng)駕駛。

端到端自動(dòng)駕駛大模型?

仍然保留兩個(gè)模塊獨(dú)立訓(xùn)練,而預(yù)測(cè)與決策

規(guī)劃模塊神經(jīng)網(wǎng)絡(luò)化?

通過(guò)人工定義的方式制定接口?BEV+Transformer推動(dòng)感知方案性能提升?

決策規(guī)劃模塊仍然基于規(guī)則?

沒(méi)有模塊間的明確劃分,是單一模型?

基于RL或IL等深度學(xué)習(xí)方式進(jìn)行模型訓(xùn)練?

模塊間以特征向量為輸出與輸出?

兩個(gè)模塊通過(guò)梯度傳導(dǎo)的方式同時(shí)訓(xùn)練圖:端到端自動(dòng)駕駛系統(tǒng)架構(gòu)演進(jìn)BEV

FeaturePlanning

Former“端到端”感知(現(xiàn)有主流架構(gòu))隱式表達(dá)特征國(guó)--------------BEV感知

AI

PlannerLearning-BasedRule-BasedOne

Model端到端模塊化聯(lián)合端到端Rule-Based

Planner決策規(guī)劃模型化(生成式AI大模型)BEV感知人為定義接口人為定義接口

瞄準(zhǔn)“全局最優(yōu)”,端到端路線(xiàn)的提出有望有效緩解模塊化架構(gòu)的弊端。o模塊化自動(dòng)駕駛系統(tǒng)面臨信息丟失、計(jì)算效率低、累積誤差以及維護(hù)成本等問(wèn)題,這些問(wèn)題難以回避

,需要新的思路去解決。o

端到端自動(dòng)駕駛通過(guò)將傳感器收集到的全面信息作為輸入,在單一網(wǎng)絡(luò)中直接生成車(chē)輛的控制指令或運(yùn)動(dòng)規(guī)劃。這種設(shè)計(jì)使得整個(gè)系統(tǒng)針對(duì)最終

目標(biāo)進(jìn)行優(yōu)化,而非僅僅針對(duì)某個(gè)獨(dú)立的子任務(wù)

,從而實(shí)現(xiàn)自動(dòng)駕駛性能的全局最優(yōu)化。o隨著高質(zhì)量數(shù)據(jù)的不斷積累和模型的持續(xù)優(yōu)化

,端到端架構(gòu)有望展現(xiàn)出比傳統(tǒng)模塊化架構(gòu)更優(yōu)越的自動(dòng)駕駛性能。?一體化的模型結(jié)構(gòu)能夠減少信息傳遞的延遲,加快系統(tǒng)反應(yīng)?消除各模塊之間信息傳遞的誤差累積,全棧神經(jīng)網(wǎng)絡(luò)的上下層之間可以

做到全量信息傳遞?不僅感知模塊,決策規(guī)劃與控制模塊也由數(shù)據(jù)驅(qū)動(dòng),實(shí)現(xiàn)全棧數(shù)據(jù)驅(qū)動(dòng)?無(wú)需或僅需少量人工編碼、手寫(xiě)規(guī)則,簡(jiǎn)化開(kāi)發(fā)流程?提升數(shù)據(jù)規(guī)模與質(zhì)量能夠顯著提升產(chǎn)品性能,不斷提升系統(tǒng)的能力上限?端到端是一體化架構(gòu),為汽車(chē)行駛的全局任務(wù)為統(tǒng)一目標(biāo)聯(lián)合訓(xùn)練?避免模塊化的單獨(dú)優(yōu)化?不需要通過(guò)頻繁的patch和參數(shù)調(diào)整修正圖:端到端自動(dòng)駕駛的特點(diǎn)與優(yōu)勢(shì)模塊化

端到端3

消除誤差2

全局最優(yōu)1

數(shù)據(jù)驅(qū)動(dòng)PerformanceTime行為克隆學(xué)習(xí)方法具體方法定義特點(diǎn)優(yōu)勢(shì)劣勢(shì)當(dāng)前發(fā)展階段模仿學(xué)習(xí)(IL)行為克隆(BC)通過(guò)監(jiān)督學(xué)習(xí)模仿

專(zhuān)家行為簡(jiǎn)單直接,易于實(shí)

現(xiàn)實(shí)現(xiàn)簡(jiǎn)單,計(jì)算效

率高無(wú)法捕捉專(zhuān)家決策

復(fù)雜性,對(duì)數(shù)據(jù)分

布偏移敏感廣泛應(yīng)用,但面臨

泛化和魯棒性挑戰(zhàn)模仿學(xué)習(xí)逆最優(yōu)控制通過(guò)專(zhuān)家演示學(xué)習(xí)嘗試解釋專(zhuān)家行為可能更好地理解任學(xué)習(xí)獎(jiǎng)勵(lì)函數(shù)困難,主要用于研究,實(shí)(IL)(IOC)獎(jiǎng)勵(lì)函數(shù)背后的意圖務(wù)結(jié)構(gòu)需要大量專(zhuān)家數(shù)據(jù)際應(yīng)用較少?gòu)?qiáng)化學(xué)習(xí)(RL)強(qiáng)化學(xué)習(xí)(RL)通過(guò)試錯(cuò)學(xué)習(xí)最優(yōu)

策略能夠處理高維輸入

和連續(xù)動(dòng)作空間理論上能學(xué)習(xí)更優(yōu)

策略需要大量數(shù)據(jù)和計(jì)

算資源,訓(xùn)練不穩(wěn)

定在模擬環(huán)境中有進(jìn)

展,真實(shí)應(yīng)用挑戰(zhàn)

大others策略蒸餾(PolicyDistillation)訓(xùn)練輔助網(wǎng)絡(luò)來(lái)指

導(dǎo)主網(wǎng)絡(luò)學(xué)習(xí)利用輔助網(wǎng)絡(luò)的知

識(shí)來(lái)提升主網(wǎng)絡(luò)性

能可以提高學(xué)習(xí)效率

和策略性能需要設(shè)計(jì)合適的輔

助網(wǎng)絡(luò)和訓(xùn)練策略研究階段,探索如

何有效傳遞知識(shí)others模型預(yù)測(cè)控制(MPC)利用模型預(yù)測(cè)未來(lái)

狀態(tài)來(lái)進(jìn)行控制決

策考慮未來(lái)狀態(tài),可

以?xún)?yōu)化長(zhǎng)期行為能夠考慮未來(lái)預(yù)測(cè),

提高策略魯棒性計(jì)算成本高,需要

精確模型研究和特定應(yīng)用中

使用,需要進(jìn)一步

優(yōu)化模仿學(xué)習(xí)與強(qiáng)化學(xué)習(xí)是端到端自動(dòng)駕駛的主要訓(xùn)練方法。o

模仿學(xué)習(xí)(Imitation

Learning)和強(qiáng)化學(xué)習(xí)(Reinforcement

Learning)是當(dāng)前用于訓(xùn)練端到端神經(jīng)網(wǎng)絡(luò)的兩種主要方法。o

模仿學(xué)習(xí)主要通過(guò)逆最優(yōu)控制(InverseOptimalControl)和行為克隆(BehaviorCloning)來(lái)實(shí)現(xiàn),其核心理念是讓智能體通過(guò)模仿專(zhuān)家的行為來(lái)學(xué)習(xí)最優(yōu)策略。而強(qiáng)化學(xué)習(xí)則是一種通過(guò)試錯(cuò)來(lái)學(xué)習(xí)的領(lǐng)域,其中獎(jiǎng)勵(lì)函數(shù)的設(shè)計(jì)是一個(gè)關(guān)鍵挑戰(zhàn)。圖:端到端自動(dòng)駕駛背后的基本訓(xùn)練方法逆最優(yōu)控制強(qiáng)化學(xué)習(xí)

各類(lèi)基礎(chǔ)模型有望為自動(dòng)駕駛帶來(lái)新維度上的能力。正在被積極開(kāi)發(fā)。

大視覺(jué)模型(VFM)?目標(biāo)檢測(cè)和跟蹤:VFM在3D物體檢測(cè)和分割方面的能力,對(duì)于自動(dòng)駕駛的感知系統(tǒng)升級(jí)至關(guān)重要;?仿真和測(cè)試:VFM的視頻生成能力,為創(chuàng)建逼真的駕駛場(chǎng)景提供了支持,這對(duì)于自動(dòng)駕駛系統(tǒng)的安全性和可靠性提升有極大潛力。大語(yǔ)言模型(LLM)?推理和規(guī)劃

:LLM利用其在邏輯推理、代碼生成和翻譯方面的專(zhuān)長(zhǎng),為自動(dòng)駕駛的路徑規(guī)劃和決策制定提供支持;?用戶(hù)交互:通過(guò)理解自然語(yǔ)言并執(zhí)行用戶(hù)指令,LLM使智能駕駛系統(tǒng)更加用戶(hù)友好,實(shí)現(xiàn)個(gè)性化體驗(yàn);?常識(shí)性駕駛知識(shí)

:LLM的預(yù)訓(xùn)練能力使其能夠理解和應(yīng)用駕駛常識(shí),可能替代傳統(tǒng)的基于規(guī)則的系統(tǒng)。多模態(tài)大模型(MFM)?視覺(jué)理解與空間推理

:MFM結(jié)合了視覺(jué)和語(yǔ)言信息,展現(xiàn)出卓越的視覺(jué)理解和空間推理能力,對(duì)自動(dòng)駕駛系統(tǒng)的決

策過(guò)程至關(guān)重要;?綜合感知與預(yù)測(cè)

:MFM通過(guò)整合視覺(jué)和語(yǔ)言數(shù)據(jù),提高了對(duì)環(huán)境的感知精度和對(duì)其他交通參與者行為的預(yù)測(cè)準(zhǔn)確性。o

這些基礎(chǔ)模型通過(guò)預(yù)訓(xùn)練獲得了推理能力和豐富的知識(shí),能夠升級(jí)傳統(tǒng)的基于規(guī)則的if-else系統(tǒng)。出色的泛化能力能夠應(yīng)對(duì)自動(dòng)駕駛技術(shù)發(fā)展中的挑戰(zhàn),提升在感知、預(yù)測(cè)、規(guī)劃等關(guān)鍵領(lǐng)域的性能,升級(jí)自動(dòng)駕駛仿真和測(cè)試環(huán)節(jié)的技術(shù)手段。o

大型語(yǔ)言模型、視覺(jué)模型(如世界模型)、以及多模態(tài)大型模型等基礎(chǔ)模型展現(xiàn)出了強(qiáng)大的能力,并且這些能力正在自動(dòng)駕駛技術(shù)的融合應(yīng)用中大模型之于

自動(dòng)駕駛汽車(chē)仿真與測(cè)試路徑預(yù)測(cè)

感知決策一體化

視頻生成/世界模型視覺(jué)理解與推理人機(jī)交互/個(gè)性化

路徑規(guī)劃

大語(yǔ)言模型大視覺(jué)模型

環(huán)境感知多模態(tài)大模型

GPT-4Vision、LLaVA等GAIA、SORA等ChatGPT、LLaMA等Part03廠(chǎng)商實(shí)踐:技術(shù)路線(xiàn)的選擇與踐行P18Part02創(chuàng)新思路:端到端自動(dòng)駕駛的價(jià)值P09

Part04未來(lái)展望:端到端的挑戰(zhàn)與未來(lái)式P26

目錄

發(fā)展背景:汽車(chē)智能化正加速普及Part

01P02MmomenT

O

端到端自動(dòng)駕駛部分廠(chǎng)商o端到端自動(dòng)駕駛正迅速成為自動(dòng)駕駛行業(yè)的新焦點(diǎn),吸引了多種類(lèi)型的參與者投身于這一路線(xiàn)

,涵蓋了車(chē)企、人工智能企業(yè)、自動(dòng)駕駛技術(shù)公司、機(jī)器人公司以及自動(dòng)駕駛芯片制造商。

o隨著對(duì)“端到端”理念的共識(shí)逐步建立,預(yù)計(jì)將有更多的企業(yè)加入這一行列

,各自發(fā)揮專(zhuān)長(zhǎng),共同推動(dòng)端到端自動(dòng)駕駛技術(shù)的繁榮發(fā)展。圖:端到端自動(dòng)駕駛行業(yè)代表玩家(不完全整理)人工智能公司/自動(dòng)駕駛解決方案供應(yīng)商模塊化聯(lián)合端到端一體化端到端模型車(chē)企/新勢(shì)力

端到端玩家簡(jiǎn)析-特斯拉落地的公司。

oFSDV12在復(fù)雜場(chǎng)景下展現(xiàn)了卓越的泛化能力,且其駕駛風(fēng)格不再局限于傳統(tǒng)的規(guī)則遵循

,而是變得更加靈活

,類(lèi)似于經(jīng)驗(yàn)豐富的駕駛員,能夠根據(jù)實(shí)際情況做出適應(yīng)性調(diào)整。

圖2:特斯拉FSD已經(jīng)累計(jì)開(kāi)了10億英里*該數(shù)據(jù)仍然在持續(xù)、快速上漲

,賦能FSD的迭代更新。o

特斯拉在端到端自動(dòng)駕駛算法領(lǐng)域的領(lǐng)先地位,得益于在FSD真實(shí)里程積累和超大規(guī)模算力投入方面的深厚基礎(chǔ),這也是特斯拉最大的競(jìng)爭(zhēng)優(yōu)勢(shì)。o

特斯拉無(wú)疑是電動(dòng)汽車(chē)和自動(dòng)駕駛行業(yè)的領(lǐng)軍者,它已于2024年1月向北美用戶(hù)正式推送FSDV12,成為首家在量產(chǎn)車(chē)型上實(shí)現(xiàn)端到端自動(dòng)駕駛*相當(dāng)于30萬(wàn)塊NvidiaA100算力總和

,為端到端自動(dòng)駕駛模型訓(xùn)練提供充沛算力。圖1:特斯拉算力儲(chǔ)備將在2024年10月達(dá)到100EFLOPS

端到端玩家簡(jiǎn)析-Wayveo

成立于2017年的Wayve,是一家位于英國(guó)倫敦的自動(dòng)駕駛技術(shù)公司,以其創(chuàng)新的端到端機(jī)器學(xué)習(xí)技術(shù)而著稱(chēng)

,專(zhuān)注于開(kāi)發(fā)具有高度適應(yīng)性和可擴(kuò)展性的端到端自動(dòng)駕駛系統(tǒng)。

VLAM模型o

Wayve在端到端自動(dòng)駕駛技術(shù)領(lǐng)域取得了顯著進(jìn)展,先后推出了大型語(yǔ)言模型LINGO-1/2,視覺(jué)生成模型GAIA-1,以及專(zhuān)為高級(jí)自動(dòng)駕駛仿真訓(xùn)練和測(cè)試而設(shè)計(jì)的PRISM-1。

PRISM?

僅依靠純視覺(jué)信息

,即可進(jìn)行精確的

4D場(chǎng)景重建(空間+時(shí)間),用于自動(dòng)駕駛的模擬仿真測(cè)試.

增強(qiáng)其自動(dòng)駕駛技術(shù)的測(cè)試和訓(xùn)練·

同時(shí)發(fā)布了wayvescenes

101

Benchmark基準(zhǔn)數(shù)據(jù)集LINGO-2使用自然語(yǔ)言訓(xùn)練,可解釋Al駕駛模型,

顯著提升了系統(tǒng)的可解釋性最新發(fā)布的LINGO-2增加了人機(jī)交互功能,司機(jī)可通過(guò)語(yǔ)言命令控制汽車(chē)能夠通過(guò)視頻、動(dòng)作和文本生成真實(shí)駕駛視頻的生成式Al世界模型生成多個(gè)合理的未來(lái),時(shí)長(zhǎng)可達(dá)幾分鐘

可通過(guò)語(yǔ)言、動(dòng)作進(jìn)行控制生成的內(nèi)容圖:將世界模型融入自動(dòng)駕駛,Wayve加速端到端一體化模型的研發(fā)迭代速度wayvevision

LanguageAction

Model4D場(chǎng)景重建模型/合成數(shù)據(jù)way

vevisionModelDrivingActionText視頻生成模型GAIA-

1LearnedqueriesVideoinputText端到端玩家簡(jiǎn)析-元戎啟行o元戎啟行于2024年北京車(chē)展上隆重推出了其即將量產(chǎn)的高端智能駕駛平臺(tái)DeepRoute

IO

,該平臺(tái)采用了端到端自動(dòng)駕駛模型,標(biāo)志著元戎啟行成為國(guó)內(nèi)首批將端到端大型模型成功應(yīng)用于量產(chǎn)車(chē)輛的人工智能企業(yè)。oCEO周光曾表示:“DeepRoute

IO平臺(tái)不依賴(lài)高精度地圖

,應(yīng)用端到端模型,具有極佳的綜合性能以及更強(qiáng)的長(zhǎng)尾場(chǎng)景處理能力。目前,IO平臺(tái)已在城市線(xiàn)級(jí)不同的多個(gè)城市進(jìn)行泛化測(cè)試,這些等級(jí)不同的城市人口均超千萬(wàn)

,道路情況極具代表性。IO平臺(tái)推向消費(fèi)者市場(chǎng)后,所到之處

都能開(kāi)

,任何場(chǎng)景都好開(kāi)?!?

元戎的DeepRoute

IO方案,無(wú)需開(kāi)發(fā)、訓(xùn)練多個(gè)模型,將感知、預(yù)測(cè)、規(guī)劃等

全打通?

端到端模型實(shí)現(xiàn)輸入圖像后,直接輸出

控制動(dòng)作?Mapfree全域點(diǎn)到點(diǎn)?

更擅長(zhǎng)處理復(fù)雜路況?

信息處理無(wú)減損?

駕駛行為更加“人性化”

端到端模型開(kāi)展道路測(cè)試

n

2023.8Learning-Based更少的工程更多的數(shù)據(jù)Rule-Based更多的工程

適量的數(shù)據(jù)圖:元戎啟行的端到端融合演進(jìn)路線(xiàn)通用感知網(wǎng)絡(luò)控制預(yù)測(cè)規(guī)劃網(wǎng)絡(luò)目標(biāo)跟蹤預(yù)測(cè)后融合規(guī)劃控制決策目標(biāo)檢測(cè)決策定位地圖控制規(guī)劃地圖預(yù)測(cè)定位多傳感器融合n

2022n

2017

端到端玩家簡(jiǎn)析-商湯絕影o商湯科技及其聯(lián)合實(shí)驗(yàn)室提出了行業(yè)內(nèi)首個(gè)感知與決策一體化的自動(dòng)駕駛通用模型UniAD

,該模型榮獲了2023年CVPR的最佳論文獎(jiǎng)。進(jìn)一步地,在2024年,商湯科技推出了適用于實(shí)車(chē)部署、面向量產(chǎn)的真正端到端自動(dòng)駕駛解決方案UniAD。

oUniAD模型將感知、決策、規(guī)劃等關(guān)鍵模塊整合到一個(gè)全棧的Transformer端到端模型中,通過(guò)聯(lián)合訓(xùn)練保留了各個(gè)模塊的特性。它實(shí)現(xiàn)了感知與決策的一體化,同時(shí)保持了模塊化系統(tǒng)的優(yōu)勢(shì)

,便于進(jìn)行問(wèn)題的回溯和分析。

UniAD端到端解決方案演進(jìn)路徑

?UniAD包括四個(gè)基于Transformer解碼器的感知、預(yù)測(cè)模塊和

一個(gè)規(guī)劃器?并不限于特定的Transformer解碼器,可以加入其他的替代方

案進(jìn)行感知與BEV特征提取?查詢(xún)Q起到連接管道的作用,方便聯(lián)合訓(xùn)練與交互建模?將各個(gè)任務(wù)進(jìn)行層級(jí)式的結(jié)合,并對(duì)不同任務(wù)間的信息進(jìn)行了

充分的交互?通過(guò)端到端聯(lián)合訓(xùn)練避免了多任務(wù)訓(xùn)練的融合難題,實(shí)現(xiàn)全局

最優(yōu),同時(shí)保留了分模塊系統(tǒng)的優(yōu)勢(shì),可以?huà)伋鲋虚g模塊的結(jié)果進(jìn)行白盒化分析統(tǒng)一的感知決策規(guī)劃模型

Learning-Based,聯(lián)合訓(xùn)練攝像頭激光雷達(dá)毫米波雷達(dá)超聲波雷達(dá)高精地圖攝像頭激光雷達(dá)毫米波雷達(dá)超聲波雷達(dá)SD地圖攝像頭激光雷達(dá)毫米波雷達(dá)超聲波雷達(dá)高精地圖決策規(guī)劃Rule-Based決策規(guī)劃

Learning-Based感知模塊

Learning-Based感知模塊

Learning-Based

UniAD:Planning-orientedAutonomous

Driving,UniAD的聯(lián)合訓(xùn)練實(shí)現(xiàn)方法兩段式端到端網(wǎng)絡(luò)真·端到端UniAD基于規(guī)則的網(wǎng)絡(luò)

端到端玩家簡(jiǎn)析-小鵬o

在2024年的520AI

Day上,小鵬汽車(chē)發(fā)布了其端到端大模型,該模型由三個(gè)關(guān)鍵組成部分構(gòu)成:XNet感知神經(jīng)網(wǎng)絡(luò)、XPlanner規(guī)劃控制大模型以及XBrain大語(yǔ)言模型。

o小鵬計(jì)劃讓其端到端智能駕駛大模型實(shí)現(xiàn)“每2天迭代一次”的快速更新周期。按照這一規(guī)劃,預(yù)計(jì)在未來(lái)18個(gè)月內(nèi),小鵬的XNGP系統(tǒng)的能力將實(shí)現(xiàn)30倍的提升(接管率指標(biāo))。

圖:小鵬發(fā)布端到端大模型,面向旗下量產(chǎn)車(chē)型?

AI大語(yǔ)言模型,是自動(dòng)駕駛汽車(chē)的“大腦”?具備理解學(xué)習(xí)能力,泛化能力提升

,可處理復(fù)雜甚至未知場(chǎng)景?系統(tǒng)能夠認(rèn)識(shí)待轉(zhuǎn)區(qū)、潮汐車(chē)道、特殊車(chē)道、路牌文字

,秒懂各種令行禁止、快慢緩急的行為指令,進(jìn)而做出兼顧安全、性

能的擬人駕駛決策?

深度視覺(jué)感知神經(jīng)網(wǎng)絡(luò)

,是自動(dòng)駕駛汽車(chē)的“眼睛”?

聚合了動(dòng)態(tài)XNet、靜態(tài)XNet和純視覺(jué)2K占用網(wǎng)絡(luò)?感知范圍提升2倍

,面積可達(dá)1.8個(gè)足球場(chǎng)大小,能精準(zhǔn)識(shí)別50+

個(gè)目標(biāo)物

,讓用戶(hù)如同擁有鷹眼視覺(jué)?基于神經(jīng)網(wǎng)絡(luò)的規(guī)劃大模型

,是自動(dòng)駕駛汽車(chē)的“小腦”?擁有“老司機(jī)般的腳法”

,前后頓挫減少50%、違停卡死減少40%、安全接管減少60%?

讓用戶(hù)舒適性、安全性體驗(yàn)大幅提升升級(jí)XPlannerXNetXPlanner感知規(guī)劃控制端到端玩家簡(jiǎn)析-華為乾崑o華為在2024年4月推出了新品牌乾崑及其新一代智能駕駛解決方案ADS3.0

,該方案以GOD網(wǎng)絡(luò)和PDP網(wǎng)絡(luò)為核心,實(shí)現(xiàn)了端到端的智能駕駛。oGOD大網(wǎng)絡(luò)具備識(shí)別白名單和異形障礙物的能力,同時(shí)能夠感知道路結(jié)構(gòu)和場(chǎng)景語(yǔ)義

,從而更全面地理解駕駛環(huán)境。而PDP預(yù)測(cè)決策與規(guī)劃網(wǎng)絡(luò)

的加入,顯著提升了方案的通行效率,使得復(fù)雜路口的通過(guò)率達(dá)到96%以上。通過(guò)快速的更新迭代

,ADS3.0將能幫助車(chē)主實(shí)現(xiàn)“越開(kāi)越好開(kāi)”和“行駛更類(lèi)人”的目標(biāo)。

華為乾崑ADS3.0架構(gòu)

感知

(理解駕駛場(chǎng)景)

預(yù)測(cè)與決策PDP網(wǎng)絡(luò)預(yù)決策規(guī)劃一張網(wǎng)?相較于A(yíng)DS

2.0

,ADS

3.0在感知部分采用GOD大感知網(wǎng)絡(luò),決策規(guī)劃部分采用PDP網(wǎng)絡(luò),完成了決策規(guī)劃模塊的神經(jīng)網(wǎng)絡(luò)化;?ADS

3.0可實(shí)現(xiàn)車(chē)位到車(chē)位的NCA領(lǐng)航輔助功能,實(shí)現(xiàn)從公開(kāi)道路到園區(qū)道路再到地下車(chē)位全場(chǎng)景貫通;?云端訓(xùn)練,快速迭代:學(xué)習(xí)訓(xùn)練算力達(dá)3.5E

FLOPS

,每天學(xué)習(xí)里程

3000萬(wàn)+公里

,5天一次模型更新速度。類(lèi)別ADS

1.0ADS

2.0ADS

3.0發(fā)布時(shí)間2021年4月2023年4月2024年4月軟件架構(gòu)BEVBEV+GOD網(wǎng)絡(luò)GOD網(wǎng)絡(luò)+PDP網(wǎng)絡(luò)核心功能NCA領(lǐng)航輔助(上海、廣州、深圳等)NCA領(lǐng)航輔助

(全國(guó)高速、城區(qū))NCA領(lǐng)航輔助(全國(guó)高速、城區(qū),實(shí)現(xiàn)

點(diǎn)到點(diǎn))搭載車(chē)型極狐阿爾法S、阿維塔11問(wèn)界M5/M7/M9

,阿維

塔11/12

,智界S7享界S9(預(yù)計(jì)),后續(xù)有

更多品牌與車(chē)型加入華為歷代ADS智駕方案特性運(yùn)動(dòng)控制RadarvisionNavigationLidarGOD網(wǎng)絡(luò)Part02創(chuàng)新思路:端到端自動(dòng)駕駛的價(jià)值P09

Part03廠(chǎng)商實(shí)踐:技術(shù)路線(xiàn)的選擇與踐行P18

Part04未來(lái)展望:端到端的挑戰(zhàn)與未來(lái)式P26

目錄

發(fā)展背景:汽車(chē)智能化正加速普及Part

01P02

算力、數(shù)據(jù)與可解釋性,是端到端模型上車(chē)的主要挑戰(zhàn)。o

盡管端到端架構(gòu)相較于傳統(tǒng)的模塊化自動(dòng)駕駛展現(xiàn)出了諸多優(yōu)勢(shì)

,并且吸引了眾多汽車(chē)制造商、科技公司以及其他自動(dòng)駕駛領(lǐng)域的企業(yè)參與,端到端自動(dòng)駕駛在落地和商業(yè)化方面仍然面臨諸多挑戰(zhàn)。

1巨額投入成本

2弱解釋性問(wèn)題3優(yōu)質(zhì)大規(guī)模數(shù)據(jù)o

構(gòu)建所需的強(qiáng)大算力、獲取用于模型訓(xùn)練的高質(zhì)量海量數(shù)據(jù),以及端到端大模型的“不透明性”和“解釋性不足”,都是制約產(chǎn)品性能提升和安全保障的關(guān)鍵問(wèn)題

,需要行業(yè)各方共同努力,攜手解決。

?

與大語(yǔ)言模型剛問(wèn)世時(shí)類(lèi)似

,端到端的訓(xùn)練方式讓模型不可避免地存在不可解釋性?自動(dòng)駕駛的“失效成本”很高,強(qiáng)調(diào)安全底線(xiàn),需要設(shè)置額外的完全邊界做冗余?

大模型需要大算力

,需要廠(chǎng)商不

斷提升GPU的采購(gòu)規(guī)模

,這意味著端到端模型的訓(xùn)練成本非常高昂?

AI廠(chǎng)商均在算力層面的投入

,但

國(guó)內(nèi)GPU的限制仍是挑戰(zhàn)?

大模型需要大數(shù)據(jù),本質(zhì)上來(lái)講,端到端自動(dòng)駕駛是海量駕駛視頻

片段的學(xué)習(xí)(壓縮與升華)?

需要極大規(guī)模的高質(zhì)量數(shù)據(jù),采集、清洗、篩選都是難點(diǎn)7系統(tǒng)的安全性保障……4技術(shù)路線(xiàn)不確定6

團(tuán)隊(duì)組織變革5缺乏驗(yàn)證方法廠(chǎng)商類(lèi)型廠(chǎng)商名稱(chēng)智算中心建設(shè)算力水平車(chē)企特斯拉Dojo智算中心100000

PFLOPS長(zhǎng)安長(zhǎng)安智算中心1420

PFLOPS吉利星睿智算中心810

PFLOPS理想理想智算中心1200

PFLOPS小鵬“扶搖”智算中心600

PFLOPS蔚來(lái)蔚來(lái)智算中心-科技公司/供應(yīng)商商湯絕影商湯智算中心12000

PFLOPS華為車(chē)BU云智算中心3500

PFLOPS毫末智行“雪湖·綠洲”智算

中心670

PFLOPS

算力儲(chǔ)備需要大量投入,這是國(guó)內(nèi)廠(chǎng)商追上特斯拉需要翻越的壁壘。o端到端自動(dòng)駕駛大模型本質(zhì)上是從大量的優(yōu)質(zhì)駕駛視頻片段中提取和壓縮駕駛知識(shí)與習(xí)慣的過(guò)程,這與ChatGPT等生成式大語(yǔ)言模型類(lèi)似

,都需要強(qiáng)大的算力和海量數(shù)據(jù)來(lái)支撐模型的訓(xùn)練。

o近年來(lái),國(guó)內(nèi)主流汽車(chē)企業(yè)和新興造車(chē)勢(shì)力都在加快算力儲(chǔ)備的建設(shè),

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論