端到端驾驶专制

来自 AI 研究立场图谱百科

端到端驾驶专制:自动驾驶应该是一个神经网络,从摄像头像素直接映射到方向盘和油门,中间不要任何手工模块。

主张

端到端驾驶专制看着经典自动驾驶栈——感知、预测、规划、控制,每块都有自己的团队、接口和失效模式——只想把这些边界全部删掉。用海量人类驾驶数据训练一个网络,喂进原始传感器数据,直接输出轨迹或控制指令。网络内部当然可以有中间表征,但它们是学出来的,不是人规定的。

它位于图表右上角:世界属性几乎拉满,因为输入是像素、输出是物理运动;单体属性也拉满,因为它的全部意义就在于用一个模型取代一群模块。它的范式等级为求新。从像素学转向的早期演示已经有几十年历史,但直到车队数据和算力跟上之后,这条路线才真正成为产业级押注。

论据

  • 模块之间人为设计的接口会丢信息;端到端网络可以把任何有用的东西从感知一路传给规划。
  • 面向规划的联合训练,让每个组件都为最终的驾驶目标优化,而不是各自的代理指标。
  • 大规模车队产生的驾驶数据量,天然更利于学出来的策略,而不是人工调的规则。

批评

  • 端到端系统在罕见场景下出错时,很难验证、认证和调试。
  • 模仿人类司机,也会继承人类的错误,并且难以应对数据中出现得少的情形。
  • 模块化阵营认为,显式的感知和规划能给出可解释的保证,而这正是监管和安全工程师需要的。

代表作

关系

怎样测出它

在完整版或专业版里落到这一格:x ≈ +1.00,y ≈ +0.76,范式 ≈ +0.15。

这是初稿。欢迎通过 pull request 修正或补充更好的论据。 在 GitHub 上编辑这个词条 编辑它的数据