為了確保自動(dòng)駕駛汽車在行駛中能夠安全、可靠地執(zhí)行任務(wù)，了解周圍環(huán)境的變化至關(guān)重要。近年來，一些技術(shù)能夠通過分析攝像機(jī)圖像來估計(jì)周圍物體的位置和分布，這對(duì)于理解大規(guī)模場(chǎng)景的結(jié)構(gòu)非常有幫助。
然而，這些技術(shù)主要關(guān)注的是當(dāng)前的3D空間，對(duì)于未來物體可能的位置和狀態(tài)并沒有太多考慮。
為了解決這個(gè)問題，最近，毫末智行聯(lián)合上海交大、國防科大、北京理工大學(xué)提出了一種新的方法，叫做Cam4DOcc。
這是一個(gè)專門為僅使用攝像頭進(jìn)行4D占用預(yù)測(cè)而設(shè)計(jì)的基準(zhǔn)測(cè)試，用于評(píng)估未來一段時(shí)間內(nèi)周圍場(chǎng)景的變化。
Cam4DOcc基準(zhǔn)測(cè)試的目標(biāo)是使用攝像頭圖像作為輸入，預(yù)測(cè)當(dāng)前和未來短時(shí)間內(nèi)（通常是幾秒內(nèi)）的3D空間占用狀態(tài)。
包括對(duì)一般可移動(dòng)物體（GMO）和一般靜態(tài)物體（GSO）的占用狀態(tài)進(jìn)行預(yù)測(cè)。預(yù)測(cè)任務(wù)又分為多個(gè)級(jí)別，從預(yù)測(cè)膨脹的GMO到預(yù)測(cè)精細(xì)的GMO、GSO和自由空間。
Cam4DOcc基準(zhǔn)測(cè)試為自動(dòng)駕駛中的4D占用預(yù)測(cè)提供了一個(gè)標(biāo)準(zhǔn)化的評(píng)估平臺(tái)，使研究人員能夠比較不同算法的性能。通過這些測(cè)試，研究人員可以更好地理解和改進(jìn)自動(dòng)駕駛系統(tǒng)在理解和預(yù)測(cè)周圍環(huán)境方面的能力。
毫末預(yù)測(cè)，自動(dòng)駕駛領(lǐng)域中下一個(gè)重要的挑戰(zhàn)將是僅使用攝像頭進(jìn)行4D占據(jù)預(yù)測(cè)。這項(xiàng)技術(shù)不僅可以通過攝像頭圖像擴(kuò)展時(shí)間上的占據(jù)預(yù)測(cè)，還要在BEV格式和預(yù)定義類別之外拓展語義/實(shí)例預(yù)測(cè)。
該論文的主要核心貢獻(xiàn)包括：
提出了Cam4DOcc基準(zhǔn)，這是第一個(gè)促進(jìn)基于攝像頭的4D占用預(yù)測(cè)未來工作的基準(zhǔn)。
通過利用現(xiàn)有數(shù)據(jù)集，提出了自動(dòng)駕駛場(chǎng)景中預(yù)測(cè)任務(wù)的新數(shù)據(jù)集格式。
提供了四種新穎的基于攝像頭的4D占用預(yù)測(cè)基線方法，其中三種是現(xiàn)成方法的擴(kuò)展。
還引入了一個(gè)新穎的端到端4D占用預(yù)測(cè)網(wǎng)絡(luò)，展示了強(qiáng)大的性能，為研究者提供了有價(jià)值的參考。
論文引入了標(biāo)準(zhǔn)化評(píng)估協(xié)議，并通過Cam4DOcc基于該協(xié)議進(jìn)行了全面的實(shí)驗(yàn)和詳細(xì)的分析。
下面我們來詳細(xì)剖析這篇論文。
01.
解鎖自動(dòng)駕駛時(shí)空預(yù)測(cè)的超能力
該論文首先提出了一個(gè)新的數(shù)據(jù)集格式。
該格式基于現(xiàn)有的數(shù)據(jù)集（包括nuScenes、nuScenes-Occupancy和Lyft-Level5）進(jìn)行了擴(kuò)展和調(diào)整，這樣就可以適應(yīng)4D占用預(yù)測(cè)的需求，這里需求就包括關(guān)于可移動(dòng)和靜態(tài)物體的連續(xù)占用狀態(tài)，以及它們的3D向后向心流的信息。
下圖為以原始和Scenes-Occupancy為基礎(chǔ)，在Cam4DOcc中構(gòu)建數(shù)據(jù)集的整體流程。
通過利用現(xiàn)有數(shù)據(jù)集，提出了自動(dòng)駕駛場(chǎng)景中預(yù)測(cè)任務(wù)的新數(shù)據(jù)集格式被重組為一種新穎的格式，既考慮了一般的活動(dòng)類別，也考慮了靜態(tài)類別，用于統(tǒng)一的四維空間占用預(yù)測(cè)任務(wù)。
如下圖所示，論文首先將原始nuScenesnu分割成時(shí)間長度為N = Np+Nf+1的序列。然后按順序?qū)梢茢?shù)據(jù)集動(dòng)物體進(jìn)行語義和實(shí)例注釋，并收集到 GMO 中。
包括自行車、公共汽車、汽車、建筑、摩托車、拖車、卡車和行人，它們都被轉(zhuǎn)換為當(dāng)前坐標(biāo)系（t = 0）。
之后，再對(duì)當(dāng)前3D空間進(jìn)行體素化，并使用邊界框注釋語義/實(shí)際標(biāo)簽附加到可移動(dòng)對(duì)象的網(wǎng)格。
值得注意的是，在此過程中，一旦出現(xiàn)以下情況，無效實(shí)例就會(huì)被丟棄。
（1）如果它是 Np 個(gè)歷史幀中新出現(xiàn)的對(duì)象，則其可見性在 6 個(gè)攝像機(jī)圖像中低于 40％
（2）它首先出現(xiàn)在 Nf 個(gè)傳入幀中或者
（3）它超出了在 t = 0 時(shí)預(yù)定義的范圍（H，W，L）。可見性通過相機(jī)圖像中顯示的實(shí)例的所有像素的可見比例來量化[29]。基于恒定速度假設(shè)[22]、[44]，利用順序注釋來填充缺失的中間實(shí)例。相同的操作也適用于 Lyft-Level5 數(shù)據(jù)集。
最后，論文作者利用Lyft-Level5數(shù)據(jù)集生成3D中的實(shí)例關(guān)聯(lián)生成三維向心流。利用此3D流來提高基于攝像頭的4D 占用預(yù)測(cè)的準(zhǔn)確性。
該論文的目標(biāo)不僅是預(yù)測(cè)GMO的未來位置，還要估計(jì)GSO的占用狀態(tài)和安全導(dǎo)航所需的自由空間。因此，作者們又進(jìn)一步將原始nuScenes中的順序?qū)嵗⑨屌c從nuScenes-Occupancy轉(zhuǎn)換到當(dāng)前幀的順序占用注釋連接起來。這種組合平衡了自動(dòng)駕駛應(yīng)用中下游導(dǎo)航的安全性和精度。GMO標(biāo)簽借鑒了原始nuScenes的邊界框標(biāo)注，可以看作是對(duì)可移動(dòng)障礙物進(jìn)行了膨脹操作。GSO 和免費(fèi)標(biāo)簽由nuScenes-Occupancy提供，專注于周圍大型環(huán)境的更細(xì)粒度的幾何結(jié)構(gòu)。
介紹完數(shù)據(jù)集，接下來是評(píng)估協(xié)議。為了充分發(fā)揮僅使用攝像頭的 4D 占用預(yù)測(cè)性能，作者在 Cam4DOcc 中建立了具有不同復(fù)雜程度的各種評(píng)估任務(wù)和指標(biāo)。
論文在標(biāo)準(zhǔn)化評(píng)估協(xié)議中引入了四級(jí)占用預(yù)測(cè)任務(wù)：
（1）預(yù)測(cè)膨脹的GMO：所有占用網(wǎng)格的類別分為GMO和其他，其中來自nuScenes和LyftLevel5的實(shí)例邊界框內(nèi)的體素網(wǎng)格被注釋作為GMO。
（2）預(yù)測(cè)細(xì)粒度GMO：類別也分為GMO和其他，但GMO的注釋直接來自nuScenes-Occupancy的體素標(biāo)簽，去除了第2節(jié)中介紹的無效網(wǎng)格。
（3）預(yù)測(cè)膨脹的GMO、細(xì)粒度GSO和自由空間：類別分為來自邊界框注釋的GMO、遵循細(xì)粒度注釋的GSO和自由空間。
（4）預(yù)測(cè)細(xì)粒度GMO、細(xì)粒度GSO和自由空間：類別分為GMO和GSO，均遵循細(xì)粒度注釋，和自由空間。由于 Lyft-Level5 數(shù)據(jù)集缺少占用標(biāo)簽，因此作者僅對(duì)其第一個(gè)任務(wù)進(jìn)行指標(biāo)評(píng)估。對(duì)于所有四個(gè)任務(wù)，作者使用交并集（IoU）作為性能指標(biāo)。作者分別評(píng)估當(dāng)前時(shí)刻 (t = 0) 占用率估計(jì)和未來時(shí)間 (t ∈ [1, Nf ]) 預(yù)測(cè)：
其中St'和St分別表示時(shí)間戳t處的估計(jì)體素狀態(tài)和真實(shí)體素狀態(tài)，更接近當(dāng)前時(shí)刻的時(shí)間戳的IoU對(duì)最終的IoUf貢獻(xiàn)更大。這符合“接近時(shí)間戳的占用預(yù)測(cè)對(duì)于后續(xù)運(yùn)動(dòng)規(guī)劃和決策更為重要”的yuan。
接下來，論文作者們又提出了四種基線。
為了建立一個(gè)全面比較的基準(zhǔn)，基于攝像頭的感知和預(yù)測(cè)功能，論文引入了四種不同類型的基線方法。
這些方法包括靜態(tài)世界占用模型、點(diǎn)云預(yù)測(cè)的體素化、基于2D-3D實(shí)例的預(yù)測(cè)。這些基線方法為論文提供了一個(gè)框架，以便可以比較和評(píng)估各種方法在當(dāng)前和未來占用估計(jì)方面的性能。
靜態(tài)世界占用模型可以理解為一種假設(shè)環(huán)境在短時(shí)間內(nèi)保持不變的簡單方法。在這種假設(shè)下，當(dāng)前估計(jì)的占用網(wǎng)格可以作為所有未來時(shí)間步的預(yù)測(cè)。這種方法僅基于靜態(tài)世界假設(shè)，即在預(yù)測(cè)的時(shí)間范圍內(nèi)，場(chǎng)景中的物體不會(huì)發(fā)生顯著的運(yùn)動(dòng)變化。（如下圖）
點(diǎn)云預(yù)測(cè)的體素化是指將點(diǎn)云預(yù)測(cè)的結(jié)果轉(zhuǎn)換為體素（voxel）表示的一種方法。
一般這個(gè)過程涉及幾個(gè)步驟：
深度估計(jì)：首先，使用環(huán)視攝像頭捕獲的圖像，通過深度估計(jì)算法生成連續(xù)的周圍視圖深度圖。
點(diǎn)云生成：接著，通過射線投射（ray casting）技術(shù)，將深度圖轉(zhuǎn)換為3D點(diǎn)云。這個(gè)過程模擬了激光雷達(dá)（LiDAR）的工作原理，通過多個(gè)攝像頭的深度信息來重建三維空間中的點(diǎn)。
點(diǎn)云預(yù)測(cè)：使用現(xiàn)有的點(diǎn)云預(yù)測(cè)方法（如PCPNet）來預(yù)測(cè)未來時(shí)間步的3D點(diǎn)云。這些方法通常基于當(dāng)前的點(diǎn)云數(shù)據(jù)，通過學(xué)習(xí)點(diǎn)云隨時(shí)間變化的模式來預(yù)測(cè)未來的點(diǎn)云。
語義分割：預(yù)測(cè)得到的點(diǎn)云通過語義分割算法（如Cylinder3D）進(jìn)行處理，以提取可移動(dòng)和靜態(tài)物體的點(diǎn)級(jí)標(biāo)簽。
體素化：最后，將預(yù)測(cè)得到的點(diǎn)云轉(zhuǎn)換為體素表示，即將每個(gè)點(diǎn)映射到一個(gè)三維網(wǎng)格中，形成占用網(wǎng)格（occupancy grid）。這樣，每個(gè)體素代表一個(gè)空間體積，其值表示該空間是否被物體占據(jù)。
這種方法的關(guān)鍵作用在于，它能夠?qū)Ⅻc(diǎn)云預(yù)測(cè)的結(jié)果轉(zhuǎn)換為一種適合于占用預(yù)測(cè)的格式，即體素化表示。通過這種方式，可以更好地評(píng)估和比較不同預(yù)測(cè)方法在自動(dòng)駕駛場(chǎng)景中對(duì)動(dòng)態(tài)和靜態(tài)物體未來狀態(tài)的預(yù)測(cè)能力。
基于2D-3D實(shí)例的預(yù)測(cè)指的是一種基于實(shí)例的預(yù)測(cè)方法，它使用環(huán)繞視圖攝像頭來預(yù)測(cè)近未來的語義場(chǎng)景，包括車輛、行人等動(dòng)態(tài)物體的位置和運(yùn)動(dòng)。這種方法是作為Cam4DOcc基準(zhǔn)中的一個(gè)基線提出的，用于評(píng)估和比較不同的4D占用預(yù)測(cè)方法。
當(dāng)然，在智駕網(wǎng)看來，基于2D-3D實(shí)例的預(yù)測(cè)方法也有一定局限性。
這個(gè)方法涉及到2D實(shí)例預(yù)測(cè)的步驟，2D實(shí)例預(yù)測(cè)是指使用2D鳥瞰圖（BEV）格式的實(shí)例預(yù)測(cè)算法（如PowerBEV）來預(yù)測(cè)動(dòng)態(tài)物體在未來時(shí)間步的語義分布。這些算法直接從多視圖2D攝像頭圖像中提取BEV特征，并結(jié)合時(shí)間信息來估計(jì)未來的實(shí)例分布。
局限就在于它依賴于2D BEV格式的預(yù)測(cè)，并且假設(shè)所有動(dòng)態(tài)物體在同一高度上運(yùn)動(dòng)，這可能不適用于所有場(chǎng)景，特別是在復(fù)雜的城市環(huán)境中。
上述三種基線在執(zhí)行任務(wù)過程中都存在局限性，因?yàn)椴荒苤苯宇A(yù)測(cè)未來三維空間的占用狀態(tài)，它們需要額外的后處理——根據(jù)現(xiàn)有結(jié)果擴(kuò)展和轉(zhuǎn)化為四維空間占用預(yù)測(cè)。
因此，論文也提出了端到端的4D占用預(yù)測(cè)網(wǎng)絡(luò)OCFNet。
02.
OCFNet：端到端4D占用預(yù)測(cè)的創(chuàng)新
OCFNet能夠直接從攝像頭圖像中預(yù)測(cè)3D空間的未來占用狀態(tài)，而不需要依賴于2D到3D的轉(zhuǎn)換。
OCFNet通過接收連續(xù)的環(huán)繞視圖攝像頭圖像，能夠同時(shí)預(yù)測(cè)當(dāng)前占用狀態(tài)和未來占用變化。該網(wǎng)絡(luò)利用多幀特征聚合模塊和未來狀態(tài)預(yù)測(cè)模塊，不僅預(yù)測(cè)了物體的占用狀態(tài)，還預(yù)測(cè)了物體的運(yùn)動(dòng)流，為自動(dòng)駕駛車輛提供了更為豐富和精確的信息。
最后論文結(jié)果分析，OCFNet的性能在多個(gè)任務(wù)上超過了第一段分析的三個(gè)基線方法（靜態(tài)世界占用模型、點(diǎn)云預(yù)測(cè)的體素化、2D-3D實(shí)例基礎(chǔ)預(yù)測(cè)）。
比如下圖中的實(shí)驗(yàn)任務(wù)是預(yù)測(cè)nuScenes和LyftLevel5上的GMO。這里OpenOccupancy-C、PowerBEV和OCFNet僅使用膨脹的GMO標(biāo)簽進(jìn)行訓(xùn)練，而PCPNet則通過整體點(diǎn)云進(jìn)行訓(xùn)練。OCFNet和OCFNet†優(yōu)于所有其他基線，在 nuScenes上的IoUf和IoUf'上超過基于BEV的方法12.4%和13.3%。在Lyft-Level5上，作者的OCFNet和OCFNet†在 IoUf和IoUf'方面始終優(yōu)于PowerBEV-3D 20.8%和21.8%。
下圖顯示了OCFNet和CFNet†對(duì)nuScenes GMO占用率進(jìn)行預(yù)測(cè)的結(jié)果，這表明僅使用有限數(shù)據(jù)訓(xùn)練的OCFNet仍然可以合理地捕獲GMO占用網(wǎng)格的運(yùn)動(dòng)。此外，預(yù)測(cè)對(duì)象的形狀在未來的時(shí)間步長中會(huì)顯著失去一致性。OpenOccupancy-C的性能遠(yuǎn)優(yōu)于點(diǎn)云預(yù)測(cè)基線，但與PowerEBV-3D和OCFNet相比，估計(jì)當(dāng)前占用率和預(yù)測(cè)未來占用率的能力仍然較弱。
通過在提出的Cam4DOcc基準(zhǔn)上運(yùn)行所有基線方法，作者收集了詳細(xì)的性能數(shù)據(jù)。評(píng)估指標(biāo)包括交并比IoU和視頻全景質(zhì)量（VPQ），這些指標(biāo)衡量了模型在當(dāng)前和未來時(shí)間步的占用預(yù)測(cè)準(zhǔn)確性。
結(jié)果表明，OCFNet在多個(gè)任務(wù)上都取得了更高的IoU分?jǐn)?shù)，這表明在預(yù)測(cè)當(dāng)前和未來的占用狀態(tài)方面更為準(zhǔn)確。
為了進(jìn)一步證明OCFNet的優(yōu)勢(shì)，作者還進(jìn)行了消融研究，展示了網(wǎng)絡(luò)中不同組件（如流預(yù)測(cè)頭）對(duì)性能的貢獻(xiàn)。
下圖實(shí)驗(yàn)表明，在當(dāng)前和未來的占用率估計(jì)中，完整的OCFNet比沒有流預(yù)測(cè)頭的OCFNet增強(qiáng)了約 4%。原因可能是 3D 流程指導(dǎo)學(xué)習(xí)每個(gè)時(shí)間間隔的 GMO 運(yùn)動(dòng)，從而幫助模型確定下一個(gè)時(shí)間戳中占用估計(jì)的變化。
簡單來講，OCFNet的優(yōu)勢(shì)在于，通過端到端的方式直接預(yù)測(cè)未來的占用狀態(tài)，減少了傳統(tǒng)方法中的偽影，提供了更準(zhǔn)確的預(yù)測(cè)結(jié)果。
盡管OCFNet取得了顯著的成果，但如若應(yīng)用在未來的工作上，對(duì)于更長時(shí)間段內(nèi)多個(gè)移動(dòng)物體的預(yù)測(cè)，論文認(rèn)為這一任務(wù)仍然具有挑戰(zhàn)性。不過未來的工作可以在此基礎(chǔ)上進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性和魯棒性。
03.
說到最后，端到端的技術(shù)興起背后
馬斯克的第一性原理同樣可以化套用在自動(dòng)駕駛的能力上。
如果從第一性原理來講，自動(dòng)駕駛就是一個(gè)序列到序列的映射過程，輸入的是一個(gè)傳感器信號(hào)序列，可能包括多個(gè)攝像頭采集到的視頻、Lidar采集到的點(diǎn)云、GPS、IMU 等各類信息，輸出的是一個(gè)駕駛決策序列，例如可以是駕駛動(dòng)作序列，也可以輸出軌跡序列再轉(zhuǎn)為操作動(dòng)作。
這個(gè)過程與大部分AI任務(wù)基本一致，這種映射過程就相當(dāng)于一個(gè)函數(shù)y= f(x)，但實(shí)現(xiàn)這種函數(shù)難度較大，任務(wù)復(fù)雜，一般解決方式包括分治法、端到端、傳統(tǒng)分治法等。
端到端的方式原理最為簡單——直接尋找一個(gè)函數(shù)實(shí)現(xiàn)y=f(x)。
相比之下，端到端自動(dòng)駕駛不進(jìn)行任務(wù)切分，希望直接輸入傳感器數(shù)據(jù)、輸出駕駛決策（動(dòng)作或者軌跡），從而拋棄傳統(tǒng)自動(dòng)駕駛里的感知、預(yù)測(cè)、規(guī)劃、控制等各類子任務(wù)。這種方式有明顯的優(yōu)勢(shì)，例如：
•效果上：不但系統(tǒng)更簡單，還能實(shí)現(xiàn)全局最優(yōu)。
•效率上：由于任務(wù)更少，避免了大量重復(fù)處理，可以提高計(jì)算效率。
•數(shù)據(jù)收益：不需要大量的人工策略、只需要采集足夠多的優(yōu)質(zhì)駕駛數(shù)據(jù)來訓(xùn)練即可，可以通過規(guī)模化的方式（不斷擴(kuò)展數(shù)據(jù)）來不斷提升系統(tǒng)的能力上限。
一個(gè)典型的端到端自動(dòng)駕駛系統(tǒng)如圖所示：
輸入：大部分自動(dòng)駕駛汽車都裝載了攝像頭、Lidar、毫米波雷達(dá)等各類傳感器，采集這些傳感器的數(shù)據(jù)，輸入深度學(xué)習(xí)系統(tǒng)即可。
輸出：可以直接輸出轉(zhuǎn)向角、油門、剎車等控制信號(hào)，也可以先輸出軌跡再結(jié)合不同的車輛動(dòng)力學(xué)模型，將軌跡轉(zhuǎn)為轉(zhuǎn)向角、油門、剎車等控制信號(hào)。
可見，端到端自動(dòng)駕駛系統(tǒng)就像人類的大腦，通過眼睛、耳朵等傳感器接收信息，經(jīng)過大腦處理后，下達(dá)指令給手腳執(zhí)行命令……但是這種簡單也隱藏了巨大的風(fēng)險(xiǎn)，例如可解釋性很差，無法像傳統(tǒng)自動(dòng)駕駛?cè)蝿?wù)一樣將中間結(jié)果拿出來進(jìn)行分析；對(duì)數(shù)據(jù)的要求非常高，需要高質(zhì)量的、分布多樣的、海量的訓(xùn)練數(shù)據(jù)，否則 AI 就會(huì)實(shí)現(xiàn)垃圾進(jìn)垃圾出。
與傳統(tǒng)的自動(dòng)駕駛方式對(duì)比可見，同樣的輸入、同樣的輸出，傳統(tǒng)自動(dòng)駕駛包含多個(gè)任務(wù)（多個(gè)模塊），但是端到端只有一個(gè)任務(wù)。此處容易產(chǎn)生一個(gè)誤區(qū)，即認(rèn)為傳統(tǒng)的自動(dòng)駕駛是多模塊的、端到端自動(dòng)駕駛是單模塊的，把分模塊與分任務(wù)的概念搞混了。
傳統(tǒng)的自動(dòng)駕駛是分任務(wù)的，必然是多個(gè)模塊。端到端自動(dòng)駕駛可以用單模塊來實(shí)現(xiàn)，當(dāng)然也可以用多模塊來實(shí)現(xiàn)，其區(qū)別在于是否端到端訓(xùn)練。分任務(wù)系統(tǒng)是每個(gè)任務(wù)獨(dú)立訓(xùn)練、獨(dú)立優(yōu)化、獨(dú)立測(cè)評(píng)的，而端到端系統(tǒng)是把所有模塊看成一個(gè)整體進(jìn)行端到端訓(xùn)練、端到端測(cè)評(píng)的。
例如2023年CVPR best paper提出的UniAD就是一種分模塊端到端訓(xùn)練方式，這種方式通過端到端訓(xùn)練避免了多任務(wù)訓(xùn)練的融合難題實(shí)現(xiàn)全局最優(yōu)，又保留了分模塊系統(tǒng)的優(yōu)勢(shì)、可以拋出中間模塊的結(jié)果進(jìn)行白盒化分析，反而更具靈活性對(duì)部署也更友好，如圖所示：
分任務(wù)的自動(dòng)駕駛系統(tǒng)更像model centric系統(tǒng)，開發(fā)者通過不斷優(yōu)化各個(gè)模型來提升各個(gè)任務(wù)的效果。而端到端自動(dòng)駕駛則更像data centric系統(tǒng)，通過對(duì)數(shù)據(jù)的調(diào)優(yōu)來提升系統(tǒng)效果。
早年，由于自動(dòng)駕駛積累的數(shù)據(jù)還非常少，端到端系統(tǒng)的效果往往比較差。最近幾年，隨著帶高階輔助駕駛功能的量產(chǎn)車大規(guī)模落地，通過海量量產(chǎn)車可以采集到豐富的駕駛數(shù)據(jù)，覆蓋各類場(chǎng)景，再加上最近幾年 AI 算力的蓬勃發(fā)展，端到端自動(dòng)駕駛在海量數(shù)據(jù)、海量算力的加持下，取得了突破性進(jìn)展。
以特斯拉為例，通過遍布全球的幾百萬輛量產(chǎn)車，可以采集到足夠豐富、足夠多樣的數(shù)據(jù)，再從中選出優(yōu)質(zhì)數(shù)據(jù)，在云端使用數(shù)萬張 GPU、以及自研的 DOJO 進(jìn)行訓(xùn)練和驗(yàn)證，使得端到端自動(dòng)駕駛能夠從 paper 變成 product。
到 2023 年初，特斯拉就聲稱已經(jīng)分析了從特斯拉客戶的汽車中收集的1000萬個(gè)視頻片段（clips），特斯拉判斷完成一個(gè)端到端自動(dòng)駕駛的訓(xùn)練至少需要100萬個(gè)、分布多樣、高質(zhì)量的clips才能正常工作。
特斯拉通過分布在全球的幾百萬量產(chǎn)車，基于影子模式，每當(dāng)自動(dòng)駕駛決策與人類司機(jī)不一致時(shí)，就會(huì)采集并回傳一個(gè) clip，已經(jīng)累積了 200P 以上的數(shù)據(jù)，不管是數(shù)據(jù)規(guī)模、數(shù)據(jù)分布還是數(shù)據(jù)質(zhì)量上都遙遙領(lǐng)先。為了能在云端處理這些數(shù)據(jù)，當(dāng)前特斯拉擁有近10萬張A100，位居全球top5，預(yù)計(jì)到今年底會(huì)擁有100EFlops的算力，并針對(duì)自動(dòng)駕駛自研了Dojo，在算力上同樣遙遙領(lǐng)先。
端到端的挑戰(zhàn)比當(dāng)前帶來的驚喜感要更多。
從特斯拉的開發(fā)經(jīng)驗(yàn)來看，端到端自動(dòng)駕駛門檻頗高，其所需的數(shù)據(jù)規(guī)模、算力規(guī)模遠(yuǎn)遠(yuǎn)超出國內(nèi)企業(yè)的承受能力。