当谈论端到端自动驾驶的时候，我们到底在谈论些什么
内容提要
端到端自动驾驶目前尚不成熟，UniAD和Tesla是该领域的领导者。解决路径包括提高可解释性、改进评测和训练、解决数据多样性和引入先验的问题。端到端模型未来可能作为冗余模型存在，但需要决策模块选择最终规划结果。端到端的预期不应过高，应注重算法的稳定性和可靠性，提高交通参与者的安全。
延伸解读
端到端自动驾驶的两种实现路径
文章将端到端自动驾驶分为显式和隐式两类。显式端到端会输出中间感知结果，便于人机交互和排查corner case；隐式端到端则直接输出控制信号，更加黑盒。目前讨论的感知到规划的端到端涵盖这两种。这种分类有助于理解不同方案在可解释性和系统复杂度上的权衡。
开环评测与闭环评测的关键差异
开环评测中模型输出不影响评测环境，每帧重置，无法反映动作后果，且存在数据泄露等问题；闭环评测中模型输出影响环境，形成反馈循环，更接近真实交互，但依赖仿真，存在domain gap。文章指出，真实数据的云端闭环评测是最大难点，涉及仿真和交互技术。
端到端模型落地可能作为冗余系统
文章认为，端到端模型未来可能作为冗余模型存在，其规控结果作为proposal，与现有感知-预测-规控链路并行，最终由决策模块选择输出。这种设计可兼顾端到端的潜力与规则系统的可靠性，但需解决算力和收敛问题。
对端到端预期不宜过高
文章强调，端到端模型目前尚不成熟，从多个小模块变成一个大黑盒，缺乏规则兜底，难以直接实车运行。应注重算法的稳定性和可靠性，避免为技术噱头忽视安全。作者通过实际路测案例提醒，智能驾驶系统与真实交通参与者交互，需怀有技术情怀和责任心。
Q&A
端到端自动驾驶目前成熟吗？有哪些领先的公司或项目？
端到端自动驾驶目前尚不成熟。UniAD和Tesla是该领域的领导者。
端到端自动驾驶分为哪几种类型？显式和隐式有什么区别？
端到端自动驾驶分为显式端到端和隐式端到端。显式端到端有中间感知结果输出，可用于HMI和排查corner case；隐式端到端不输出中间结果，直接输出控制信号，更加黑盒。
端到端自动驾驶相比传统方法有哪些优势？
优势包括：减少rule-based的过多后处理，系统简洁，减少人为偏见；采用数据驱动（Software 2.0）的范式迭代模型，全流程可微，可通过采集类似数据解决泛化问题。
端到端自动驾驶面临哪些主要挑战？
主要挑战包括：可解释性差，导致下限不可控；评测手段不成熟，闭环训练不充分；对数据多样性要求高，难以引入先验；解corner case的路径不清晰，可能需要rule-based兜底。
端到端自动驾驶的评测方式有哪些？开环和闭环评测有什么区别？
评测分为云端评测和路测。开环评测中系统输出不影响评测环境，每帧重置，存在数据泄露等问题；闭环评测中模型输出影响环境，形成反馈循环，但真实数据闭环评测是难点，涉及仿真和交互技术。
端到端自动驾驶未来可能如何落地？
一种可能的落地方向是作为冗余模型存在，产出的规控结果作为proposal，与现有链路并行，最后需要决策模块选择最终规划结果。同时不应预期过高，需注重算法稳定性和可靠性。
