今年，除了固态电池，自动驾驶领域的“端到端”，也在被狂炒。特斯拉的示范效应真的很厉害，随着Tesla V12在北美大范围推送以及表现，“端到端”也成为了自动驾驶行业里大家最为关注的技术方向。那么，究竟什么是“端到端”呢，大家一起来了解一下吧！
01 端到端的“黑盒子”
先来理解一下，所谓“端到端”自动驾驶，打个不恰当的比方，就像做菜，你在“黑盒子”的这边输入食材，然后另一边一步到位输出做好的菜。
因为，现在主流的自动驾驶方案，都是模块化的。就是我们熟知的“感知、决策和执行”三大模块。而“端到端”就是把三个直接变成一个，从传感器数据输入开始，中间只要一步，到控制信号输出（马斯克所说的Photon to Control），实现完整闭环。
这个操作也树立了目前自动驾驶领域的最高水平和标杆，所谓“无招胜有招”、“一招制敌”。但是，这也反映了一个尴尬的行业事实，就是特斯拉在自动驾驶领域还是一骑绝尘的。
而这个来源于特斯拉CEO埃隆·马斯克（Elon Musk）口中的端到端，也就是End-to-End Deep Learning（端到端深度学习），简言之，就是要建立一个完整的学习系统，直接从原始数据中不断学习，并生成所需的输出，不需要人为将任务分解成多个中间步骤。
而当下普遍应用的三大模块的优点是技术较为成熟，开发起来的确定性更强。但是，这种技术架构下，自动驾驶车辆在极端案例（Corner Case）方面，仍然依赖工程师编写大量代码去制定行驶规则。
单靠数据训练出来的各个模块，很难处理没碰到过的情况，也就是需要不断用“规则”去填俗称为“坑”的各种Corner Case。同时，为了迅速扩大量产车上自动驾驶系统覆盖范围，车企不得不招募更多的软件工程师，比如，华为自动驾驶的规控团队就招募了上千名工程师。
而自动驾驶方案中的模块化，也是不断进化而来。从2017年前的9个模快（仅感知环节就有检测、目标跟踪和融合数据3个模块），到多传感器融合后，现在的感知、决策（或者叫预测）和执行（或者叫规划控制）三大模块。
从“融合”的角度来说，当三大模块融合为一个“黑盒子”来输出执行结果的时候，实际上要求是更高的，不然特斯拉为什么这么多年才能推出端到端？对吧。背后是基于强大的DOJO超算中心，以及更多的GPU。
而且，这种彻底的端到端“黑盒子”，技术上很难进行Debug（调试）和迭代优化，同时由于传感器输入信号如图像、点云等是高纬度的，控制信号输出如方向盘转角和油门刹车踏板信号等是相对低维的，在端到端训练中非常容易“过拟合”，导致实车测试完全无法使用。
“没有金刚钻，不揽瓷器活。”国内最近一些企业则声称自己是端到端感知，或者端到端决策，只是各种细枝末节的“端到端”，这只能算作是纯数据驱动的感知和纯数据驱动的决策规划阶段。
换句话说，做得好点的还只是前两个模块的融合，根本做不到输出控制（执行）的结果。现在大肆宣传，不过是蹭热点、炒个概念。
端到端为什么会热起来？还有个因素，是去年商汤绝影的UniAD（Unified Autonomous Driving）获得了CVPR 2023 Best Paper最佳论文奖。虽说不算是众望所归，但也给自动驾驶行业注入了一剂强心剂。
但国内对UniAD褒贬不一，这种褒贬不一不仅仅体现在感知、预测、规控各个团队的独立视角上，还体现在自动驾驶领域学术界和企业界的鸿沟（Gap）。毕竟，企业面对的Corner Case也远多于学术界。
再说，故事讲得再流畅，毕竟需要量产落地。因为，预研的技术是要落到实车上才能最终体现价值。
但UniAD的论文里面没有提供实车数据（不包含Nuscenes）的数据和Demo，只有开环评测，没有闭环评测。
虽然北京车展上商汤绝影面向量产的UniAD完成上车演示首秀，但实际效果肯定是需要验证的。
02 端到端的难点
端到端自动驾驶的前景，肯定是光明的。但是，道路肯定是曲折的。
比如，端到端方案中的一体化训练就需要海量数据，因此，难点之一就在于数据的收集和处理。获得海量的行车数据，也是训练端到端自动驾驶模型的入场券。
马斯克去年在财报会上谈到过数据对自动驾驶模型的重要性，“训练了100万个视频Case，勉强够用；200万个，稍好一些；300万个，就会感到Wow；到1000万个，就变得难以置信了。”
而数据的收集需要大量的时间和渠道，数据类型除了驾驶数据外还包括各种不同的道路、天气和交通情况等场景数据，特别是，实际驾驶中周围方位的信息收集难以保证。
其次，数据处理时还需要设计数据提取维度、从海量的视频片段中提取有效特征、统计数据分布等，以支持大规模的数据训练。这点需要巨额的投入和成本。
因为，并不是所有的行车数据都可以用来训练端到端模型。有自动驾驶工程师就发现，原本积累的路测数据只有2%可用。想让端到端模型具备通用能力，必须用不同场景中的高质量数据训练模型。
还有，《马斯克传》中马斯克也亲口解释过，特斯拉全球200万台车每天约可收集1600亿帧的驾驶视频用于模型训练。但是，管理如此庞大的数据并非易事，因为绝大多数视频都是无用的。
真正宝贵的是那些车流量异常大、或是有众多行人做出各式各样的行为、路况极其复杂的画面，但是这个占比甚至连1% 都不到。而为了提取这1%画面，需要庞大人力、算力、储存甚至是电力等巨额成本。
就拿最重要的算力来说，门槛也极高。马斯克曾在今年三月初在X.com上表示目前FSD的最大限制因素是算力，而在得到缓解后，4月初马斯克又表示，今年Tesla在算力方面的总投入将超过100亿美元。
此外，2024年Q1财报会议上，Tesla透露如今已经拥有35000块H100的计算资源，而2024年底这一数字将达到85000块。这意味着，要达到跟目前FSD V12同样的水平，大概率35000块H100和数十亿美金的基础设施资本开销是必要前提。再往下，门槛还在进一步拔高。
数据获取成本高昂，再加上数据隐私和安全问题，数据标注和清洗困难，以及法律和监管限制等等，都限制着数据的获取。那么，国内的车企，又有哪个能承担如此高昂的这些成本呢？
除了数据收集的挑战外，“数据对齐”也是自动驾驶技术中面临的一大难题。
自动驾驶领域，面临着海量未标注的异构行为大数据。这些数据来自于不同的传感器、设备和环境，具有不同的格式和特征。要能用于自动驾驶的训练和应用，就需要进行准确的数据对齐。
而数据对齐的难点在于如何确保不同来源的数据在语义上保持一致。因此，往往涉及到复杂的语义理解和转换过程。这不仅需要先进的算法和技术支持，还需要对这个领域有深入理解。
所以，拨开营销的迷雾，我们就知道，端到端的真相是什么。
“简约不简单”，端到端不是说哪个单项做好就行，而是需要系统所有模块都达到一个较高的性能水平，才能在端到端的决策规划控制输出中达成较好的效果，这种端到端系统数据门槛，是远高于感知、决策、执行单个模块的数据需求的。
