自动驾驶发展到端到端网络时，会大量裁普通算法员工吗？

最新推荐文章于 2025-12-02 20:41:06 发布
转载 最新推荐文章于 2025-12-02 20:41:06 发布 · 231 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247610627&idx=2&sn=5528a72273047997b872082389ececc8&chksm=cf8ac0f4d1b513e9c8188d78982e6773ed77b904d904d14063d034d5b9af14ed07843b79c71b&scene=126&sessionid=0
文章标签：

#自动驾驶 #算法 #人工智能 #机器学习

作者 | cvlife.net  编辑 | 自动驾驶之心

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心『端到端自动驾驶』技术交流群

本文只做学术分享，如有侵权，联系删文

来源：知乎，原文链接：https://www.zhihu.com/question/656388149/answer/3503659245

目前自动驾驶一般分为感知、决策、规划、控制，需要对应算法工程师优化结果，之后这些会使用一张大网替代，那么普通算法工程师会不会被裁员呢？

作者：刘斯坦

如果端到端真的在实践中被确认是有效的，可用的，那么这是肯定的。就比如翻译行业，以前那些搞HMM翻译模型的已经被LSTM替代掉一波了，LLM出来之后那波搞LSTM的也被替代了。。。

无论是感知的端到端，规控的端到端还是整个的端到端，人们总归是希望能越来越多的替代掉人工的部分，无论是体力劳动还是脑力劳动。不劳动一定是最终的追求，这是无法避免的历史趋势。

但实际情况却并不一定，一是整个蛋糕大了，端到端也不是所有的平台都用得起的，无论是自动驾驶还是具身智能，只要自动化在向整个社会蔓延，需要的人必然就是越来越多的。一边是需求的比例慢慢变低，一边是整个市场变大，两个因素一对冲，到底是市场变大了还是变小了还很难说。

再加上其实从几年前开始计算机的学生就已经是人均深度学习了，所以原本传统方法学的人就越来越少，再过五到十年，算力不足的平台仍然要依赖于传统方法，如果那个时候需求大爆发了，甚至出现传统算法人才供应跟不上的情况都有可能。

现在的硕士毕业生，你想去找懂贝叶斯的，懂优化的，可能都很困难了。。。

作者：猫熊在路上

作为一个干决策规划的人，从最近的工作中，不仅没有感到危机，反而感到了一丝惊喜。

简单说就是，在目前这套体系下，业务上我有很难解决的问题，这时候居然有个模型工具能帮我解决，那我用起来吧，大概的感觉就是这样。

如果只会写条件，当然会被淘汰。理解问题，用好工具，解决问题，才是核心竞争力。

作者：我不叫田花花同学

会，但是从业总人数会继续扩张。可能看到的现象是，一边猛裁员，一边猛招人。会快速更新掉没能跟上产业升级的年龄大的“老人”，而年轻的反而不会受到影响，甚至利好。35岁老男人很受伤。

如果端到端真的能够得到落地应用，那么一定是因为其优异的性能表现或者是因果推理能力。虽然目前看不到任何迹象说明端到端能够实际量产落地，但是其中的环节和各模块均需要较长的打磨时间。最简单的就包括因果推理，逻辑推演，非训练场景集内的处理能力。

实际量产中场景变化的不计其数，简单说一个，摄像头前面飞过一个塑料袋，车辆的行为是什么样的，很难有人说得清楚。

所以可能最靠谱的，非抄概念，能量产落地的方案，目前还是模块分割，必定自动驾驶不是llm，你编个答案给我我不会怎么样，但方向盘刹车信号确实会要你命。人类尝试总结归纳相关特性和关系，在上面再加以束缚。不管是自动化过程还是人工过程，都需要大量的人力投入。

还是那句话，有多少智能就有多少人工，尤其是在早期发展阶段。现代的cnc也一定是从手工钳工的阶段逐渐制造出来的。这是一个漫长的产业升级过程，本来据需要大量人力投入，想加速就只能会要更多的人投入。

一个有意思的问题，自动驾驶到底是先落地端到端的方案，还是先落地个模块的学习方案？每个人给的答案都不大一致。其实这个问题完全取决于市场意志，尤其是资本的意志。

我认为技术上一定是先实现，局部模块的learning化，再在大量的数据和方案演化和充分的行业积累理解下，才能真正的实现端到端。

然而事实证明，我的理解就是个屁。并且资本决定着技术的发展方向。技术的发展方向，从来都不是技术人员说的算。所谓的技术积累都只不过是资本眼里的生产资料而已，有可能值点钱，但在短期利益和概念面前又一文不值。

还有你们都评论的是啥，不是我删的。

投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！

① 全网独家视频课程

BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

dbb0f0162af9eb5713eb12743234755d.png

网页端官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

国内最大最专业，近3000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频

74815d8b70d7f14b857f4fd47271f32a.png

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向，目前近60+技术交流群，欢迎加入！扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）

0c9f8762bd05eb6d6e8c159a5e4d4710.jpeg

④【自动驾驶之心】全平台矩阵

7269801c7be349cd7b4fdd80e2366ebb.png

目前来看，完全基于视觉的端到端自动驾驶可行吗？
CV_Autobot的博客
03-24 440
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线自动驾驶是一个复杂精细的集成系统，以往自动驾驶系统涵盖环境感知、地图定位、决策规划、控制执行等多个模块的online（在线）系统。每个模块分工明确各司其职，使得自动驾驶车辆能够实时感知周围环境，做出决策并规划出安全路径直达目的地。但是这种模块化的系统往往依赖繁杂冗余的后处理逻辑，代码量十分庞大，往往数十万行甚至...
无人驾驶汽车系统入门（二十三）——迁移学习和端到端无人驾驶
热门推荐
AdamShan的博客
09-05 1万+
迁移学习和端到端无人驾驶 前面我们介绍了神经网络和深度学习的基础知识，在本文中我们将介绍迁移学习的概念，并将迁移学习应用于端到端无人驾驶模型。一般来说，大型深层神经网络的训练对计算资源要求较高。然而，很多普通开发者只拥有简单的深度学习计算环境，这成为阻碍深度学习广泛应用的瓶颈之一。例如，为了训练一个深度为50层的残差神经网络，利用NVIDIA M40 GPU需要大约14天才能完成模型训练。...
【机器学习】迁移学习和端到端无人驾驶
笑扬轩逸的博客
10-02 1734
作者简介：申泽邦（Adam Shan），兰州大学在读硕士研究生，主攻无人驾驶，深度学习； 原文地址：https://blog.youkuaiyun.com/AdamShan/article/details/82414275 前面我们介绍了神经网络和深度学习的基础知识，在本文中我们将介绍迁移学习的概念，并将迁移学习应用于端到端无人驾驶模型。一般来说，大型深层神经网络的训练对计算资源要求较高。然而，很多普通...
51c自动驾驶~合集46
whaosoft~aiotの开发板商城
01-12 1977
我自己的原文哦~ https://blog.51cto.com/whaosoft/13050104三维空间占有率（3D Occupancy）预测的目的是预测三维空间中的每个体素是否被占有，如果被占有，则对应的体素将被标记。3D Semantic Occupancy是在三维空间内同时编码占用状态和语义信息，成为描述自动驾驶 3D 场景的一种极具吸引力的表示方式。而自动驾驶世界模型（World Model）具备对真实物理世界的理解能力，基于一些历史信息/状态，能够预测未来时刻的场景变化甚至agents的状态
51c自动驾驶~合集39
whaosoft~aiotの开发板商城
12-04 1946
我自己的原文哦~ https://blog.51cto.com/whaosoft/12707676大幅超越所有SOTA！地平线DiffusionDrive：生成式方案或将重塑端到端格局？近年来，由于感知模型的性能持续进步，端到端自动驾驶受到了来自工业界和学术界的广泛关注，端到端自动驾驶算法直接从原始传感器采集到的信息输入中学习驾驶策略。这种基于数据驱动的方法为传统的基于规则的运动规划提供了一种可扩展且强大的替代方案，而传统的基于规则的运动规划通常难以推广到复杂的现实世界驾驶环境。为了有效地从数据中学习驾
51c自动驾驶~合集45
whaosoft~aiotの开发板商城
01-06 1782
发行价为19美元，募资额达1.9亿美元。答:对于系统现在的状态进行观测，并预测下一个状态可能的值，把这个预测当做一个传感器来用，进行加权平均，例如测量位置:“目前gps传感器测到位置在正东方向5米处，速度为正东方向1米/秒，那么，下一秒预测的值是正东方向6米处，在下一秒的测量数据中，会综合考虑预测值和实际测量值。对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。
51c自动驾驶~合集54
whaosoft~aiotの开发板商城
03-12 1873
在车道拓扑提取任务中，我们预测一个密集的邻接矩阵，用于表示车道线段和交通元素之间的关系。具体来说，车道线段之间的关系由矩阵A∈Rm×m表示，车道线段与交通元素之间的关系由矩阵A∈Rm×n表示，其中m和n分别是车道线段和交通元素的数量。尽管密集视觉提示可以实现高性能，但其高昂的成本、环境影响和低效的推理速度使其不适用于实时应用。因此，我们采用链式推理（Chain-of-Thought, COT）方法，仅对稀疏的边缘情况进行密集视觉提示，从而提高推理效率。
51c自动驾驶~合集55
whaosoft~aiotの开发板商城
05-25 1769
我们研究了标记化和表示技术，关注 VLA 对视觉和语言信息的编码。谷歌在 2023 年推出 RT-2，作为里程碑式的 VLA 模型，统一视觉、语言和动作标记，将机器人控制视为自回归序列预测任务，使用离散余弦变换（DCT）压缩和字节对编码（BPE）离散化动作，使新对象处理性能提高 63%。VLA 模型作为多模态人工智能系统，统一视觉感知、语言理解和物理动作生成，使机器人或 AI 智能体通过端到端学习解释感官输入、理解情境并自主执行任务，弥合早期系统中视觉识别、语言理解和运动执行间的脱节，突破其能力限制。
51c自动驾驶~合集58
whaosoft~aiotの开发板商城
06-09 1576
在处理超长上下文（如 64K 和 128K）任务时，CCA-LLM 的 EM 得分超越了标准自注意力机制，同时推理速度也显著提升——在 128K 上下文长度下，推理速度达到标准自注意力方法的 7.9 倍，展现出其在高效长文本建模方面的突出优势。b) 树形优势值估计 (Tree-based): 在长思维链场景下，MC 估计的代价很高，团队提出了一种高效的树形估计方法：将采样轨迹组织成树形结构，通过自底向上的奖励聚合计算状态价值（V 值），同一个父节点的子节点形成一个组，在组内计算每个段的优势值。
Co-MTP：面向自动驾驶的多时间融合协同轨迹预测框架
m0_65010824的博客
12-02 747
本文是对论文《Co-MTP: A Cooperative Trajectory Prediction Framework with Multi-Temporal Fusion for Autonomous Driving》的深度解读。在自动驾驶领域，V2X技术虽能突破单车感知局限，但现有研究难充分利用帧间时间线索支撑轨迹预测。同济大学团队提出Co-MTP框架，创新实现历史与未来双时间域融合，以异构图Transformer处理不完整历史轨迹、扩展至未来域捕捉交互，在V2X-Seq数据集获最优性能。
基于perscan、simulink、carsim联仿的自动驾驶避障模型：动态工况下的边界约束...
2508_94198873的博客
11-30 316
从Carsim回传的数据看，车辆轨迹像被磁铁吸着一样紧贴道路中心线，横向位移始终控制在±1.5米内。顺便吐槽下Carsim的方向盘灵敏度，调参这事儿真是玄学，改天得专门写个自适应参数整定模块。这段代码里的road_width*0.8就是给马路边界留的缓冲带，相当于在真实道路边界内侧20%的位置画了条隐形的警戒线。这个clamp函数不仅防了转向过载，其实也暗戳戳守护了道路边界——转向角度越大，车辆横向位移变化率越高，限制转向本质上也是边界防护的手段之一。p1：对边界条件做了约束，避免为了避障而跑出马路。
自动驾驶之眼：动态目标理解的关键突破
最新发布
alex1013999的博客
12-02 645
自动驾驶系统中的动态目标理解是保障行车安全的核心技术，涉及目标检测识别、跟踪、状态估计和行为预测等多个环节。当前主流方法采用多传感器融合（摄像头、激光雷达、毫米波雷达）结合深度学习算法，但仍面临长尾场景、复杂交互、遮挡和预测不确定性等挑战。未来发展趋势包括深化多模态融合、发展交互式预测模型、利用高清地图信息以及探索端到端学习等方向。解决这些技术难题将推动自动驾驶在复杂道路环境中的安全应用。
Don’t Shake the Wheel: 端到端自动驾驶中的动量感知规划（MomAD）
m0_65010824的博客
12-02 835
本文是对论文《Don’t Shake the Wheel: Momentum-Aware Planning in End-to-End Autonomous Driving》的深度解读。在端到端自动驾驶领域，多模态规划易受单帧感知局限，存在时间不一致、遮挡敏感等问题。论文团队提出 MomAD 框架，引入轨迹与感知动量，通过 TTM 模块（豪斯多夫距离选轨迹）、MPI 模块（融合历史查询）及鲁棒去噪，结合 Turning-nuScenes 数据集与 TPC 指标，显著提升规划稳定性，降低碰撞率。
将NuScenes自动驾驶数据集导入Xtreme1标注平台
Hi20240217的博客
12-01 647
摘要：本文介绍了将NuScenes自动驾驶数据集转换为Xtreme1标注平台兼容格式的方法。NuScenes数据集包含多传感器数据和3D标注，而Xtreme1平台有其特定的数据组织要求。转换过程包括：1)数据结构映射，建立相机索引对应关系；2)坐标系转换，实现激光雷达与相机数据的对齐；3)点云格式从.bin转为.pcd；4)3D标注信息格式转换。通过Python脚本自动完成这些转换步骤，使用户能够在Xtreme1平台上高效标注NuScenes数据，支持2D/3D融合标注工作。
《自动驾驶与大模型融合新趋势：端到端感知-决策一体化架构分析》
nmdbbzcl的博客
12-01 663
从规则工程到大模型，从模块堆叠到端到端一体化。过去依赖工程师“穷举规则”的时代，已经无法支撑未来复杂城市交通与全球化扩张的需求；而以大模型为核心、端到端感知-决策一体化的架构，则在可扩展性、泛化能力和迭代效率上展现出巨大的潜力。特斯拉 FSD V12/13 用大规模端到端模型在量产车上完成了“从 perception-heavy 到 behavior-heavy”的范式转变；UniAD、DriveGPT4 等研究工作证明了，在学术基准数据集和模拟环境中，端到端一体化可以显著提升整体闭环表现；
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载
极智视界
12-01 402
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载「包含VOC、COCO、YOLO三种格式」
无人车自动驾驶：基于模型预测控制的自动避障Matlab代码
2508_94202947的博客
12-01 345
就在距离只剩5米时，它突然向左急转，轮胎与地面摩擦发出刺耳声响，最终划出一道完美的弧线完成避让——这背后藏着模型预测控制（MPC）的"预判"魔法。不过看到无人车最终丝滑地绕开障碍时，那种"代码终于驯服钢铁"的成就感，或许就是工程师的浪漫吧。运行时会看到蓝色轨迹像被磁铁吸引般绕过红色障碍，有时还会出现"假动作"——先假装右转诱使障碍物移动，再突然左转突围。这里用了个巧妙的"软约束"：当车辆靠近障碍物时，惩罚项会像弹簧一样急剧增大，迫使控制器另寻他路。传统PID控制像在玩"打地鼠"，出现偏差才手忙脚乱地修正。
自动驾驶场景驾驶员注意力安全行为睡驾分心驾驶疲劳驾驶检测数据集VOC+YOLO格式5370张6类别
FL1623863129的博客
12-02 147
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["DangerousDriving","Distracted","Drinking","SafeDriving","SleepyDriving","Yawn"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(xml文件个数)：5370。标注数量(txt文件个数)：5370。
挥手示意车辆先行，自动驾驶为何常 “不知所措”？ Alpamayo-R1给出新解法
finehoo_andy的博客
12-02 698
2025 年 NeurIPS 人工智能大会（加利福尼亚州圣地亚哥举办）上，英伟达发布的，被业内称为 “自动驾驶领域首个视觉语言动作模型”。这款开源工具的核心目标，正是解决自动驾驶长期面临的 “常识判断” 难题 —— 而这一切技术落地，都离不开 GPU 服务器的算力支撑。
自动驾驶算法端到端U
10-24
端到端自动驾驶开创了自动驾驶新时代，其模型仅依靠神经网络构建，未加入环形交叉路、红绿灯等场景和元素，对场景的理解和驾驶行为完全依靠模型自身通过大量的人类驾驶视频训练而学习到。和大语言模型类似，规模法则在自动驾驶领域效果凸显，端到端算法需要海量的数据和算力将模型的能力推升到更高水平。2024年初，算力曾制约特斯拉FSD功能的迭代，但3月开始算力不再成为限制，FSD的迭代大大加快 [^1]。 传统的自动驾驶依赖于高清地图，由于高清地图的可用性成本高，在线制图方法已经设计出不同的公式，例如BEV分割、矢量化车道线、中心线及其拓扑和车道段等，但最适合端到端系统的公式仍未得到验证 [^2]。 在应用方面，有使用基于英伟达Jetson Nano的自动驾驶汽车JetBot进行闭环测试的案例，展示对抗性噪声对真实自动驾驶系统的潜在危害。模拟黑客渗透JetBot软件的场景，在软件层对端到端模型进行攻击。因JetBot硬件限制，使用简单的端到端回归模型，该模型输出预期坐标，然后转换为车辆控制信号，还进行有针对性的攻击以模拟恶意劫持，使用输出坐标构建攻击的目标函数，用于向右偏差和加速攻击 [^3]。 还有一种模型包括特征提取，特征转换，感知模块（目标检测 + 多目标跟踪 + 建图部分，TrackFormer、MapFormer），预测模块（MotionFormer、OccFormer），规划模块（指令导航、Occ矫正轨迹） [^4]。 ```python # 以下为简单示意端到端回归模型代码示例 import numpy as np # 模拟简单的端到端回归模型 def simple_end_to_end_model(input_data): # 这里只是简单的线性映射作为示例 weights = np.random.rand(input_data.shape[1]) output_coordinates = np.dot(input_data, weights) return output_coordinates # 模拟输入数据 input_data = np.random.rand(1, 10) output = simple_end_to_end_model(input_data) print("模型输出的预期坐标:", output) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值