华为2024.4.24 ADS3.0端到端自动驾驶，如何看待

华为

看图是指预测决策规划内部的端到端，并非端到端的自动驾驶。

一般而言，目前量产车的技术栈大致如下：如今业界提及端到端，其最终目标是实现整个AD（自动驾驶）的端到端。不过，绝大多数方案基本都默认先不考虑控制部分，仅做从感知到规划这一环节的端到端。这主要是由于控制环节因车而异，纳入端到端网络会使车型适配成本大增。目前业界做端到端有两个路线，除此之外先都不做。一种思路是从感知着手，首先要解决感知与规划之间潜在信息丢失的问题。例如，有一个这类方案需要解决的典型情况：夜晚经过路口时，主车发现远处盲区有车辆射来的车灯，于是推测有车辆即将驶来，从而减速避让。在旧方案里，这类问题通常很难有通用的解决办法，因为看不到障碍物就无法对其进行处理。学术界大多从这种方案切入，工业界一般也是由感知团队牵头来做，并且以这种方案为主。然而，这种方案存在的主要问题是，规划若要使用这些潜在信息就必须构建规划模型，但业界中规划效果好的模型很少。为了使规划模型化，学术界的团队大多采用直接用模型输出规划轨迹的方案，寄希望于出现奇迹。但从实际效果来看，目前还没有明确因使用这种方案而达成较好闭环效果的实例。也有部分工业界团队在采用这种思路时，会尝试只接入决策或预测，而避开规划这个难题。还有一种思路是从规划入手。规划这个模块一直是个老大难问题，可它对驾驶效果的影响却最为直接，那就先解决它。他们觉得先把规划这个老大难问题模型化，之后再将其与感知进行端到端的结合就会容易很多。选择这种路线的大多是量产企业，因为它们需要对用户车辆的闭环效果负责，所以它们本来就不太信任直接由模型生成规划的方式。在这个路线下也有不同的方法，一种是先用业内比较成熟的预测模型得出主车的初步规划结果，然后用规则（或者值优化）来修正；或者是把模型当作打分器，给众多待选轨迹打分，这样就能用规则对待选轨迹进行初步筛选，保证留下来的轨迹质量较好。一些最新的研究也有将两者结合的，用一个融合模型来得出预测结果和打分结果。像华为宣传的预测、决策、规划一张网，看起来更像是这种最后的思路。我是做规划（planning）工作出身的。以我的经验来看，我觉得一定要有好的方法来解决规划的模型化问题，或者说要巧妙构建一个适用范围尽可能大的模型，让它与一些规则协同工作，在各自合适的地方发挥作用。学术界有些直接幻想靠强力计算做回归的方案，我觉得非常不靠谱。不管哪条路，最终都想实现感知到规划的端到端运作。就Tesla和华为而言，从端到端的程度来讲，Tesla似乎更领先。Tesla进行了端到端的规划，在规划感知方面也实现了整体端到端布局。华为目前完成的是端到端规划（即端到端预测决策规划），尚未达成整体端到端自动驾驶。但端到端程度高不一定就厉害。就像我直接把图像输入模型然后直接输出路径，这也算端到端，找个实习生都能写出这种模型，可效果肯定不好，没什么可吹嘘的。端到端只是一种有潜力的方法，能用它做出好效果才是真的厉害。