AUTOSAR从入门到精通-端到端（End-to-End）方案（三）

目录

前言

算法原理

端到端是什么?

端到端模型的算法演进和产品形态

端到端自动驾驶中的关键技术

1. 基础神经网络架构

2. 大模型预训练与微调技术

3. 模型剪枝与压缩

4. 车云协同的数据闭环

技术驱动因素

大模型与生成式AI技术的引入

 数据与算力需求的升级

当前的技术挑战

算力与实时性

 测试验证方法的不足

 模型的可解释性问题

端到端自动驾驶系统 HE-Drive

相关工作

HE-Drive 的核心组件

VLM 引导的轨迹评分器

端到端技术的优势及面临的挑战

端到端技术的优势

端到端技术的挑战

---

 

前言

传统的自动驾驶系统采用模块化设计策略，其中每个功能（例如感知、预测和规划）都是单独开发并集成到车载车辆中的。负责生成转向和加速度输出的规划或控制模块在决定驾驶体验方面起着至关重要的作用。模块化管道中最常见的规划方法是使用复杂的基于规则的设计，这些设计通常无法有效解决道路上发生的大量情况。因此，利用大规模数据并使用基于学习的规划作为可行替代方案的趋势日益增长。我们将端到端自动驾驶系统定义为完全可区分的程序，它将原始传感器数据作为输入并生成计划和/或低级控制操作作为输出。图 1 (a)-(b) 说明了经典和端到端公式之间的区别。传统方法将每个组件的输出（例如边界框和车辆轨迹）直接输入到后续单元（虚线箭头）。相比之下，端到端范式在组件之间传播特征表示（灰色实线箭头）。优化函数设置为例如规划性能，并通过反向传播最小化损失（红色箭头）。在此过程中，任务被联合和全局优化。