隨著自動(dòng)駕駛技術(shù)不斷發(fā)展，智駕輔助系統(tǒng)正在從高端車(chē)型普及到更多消費(fèi)者可及的主流市場(chǎng)。從城市NOA到高速自動(dòng)變道，背后的技術(shù)路線卻并不統(tǒng)一。當(dāng)前智駕圈內(nèi)部也存在分歧，不同的工程師、不同的公司，選擇了截然不同的造車(chē)思維。比如主流的端到端模型和VLA路線到底有什么不同？還有哪些技術(shù)路線？下面我們來(lái)詳細(xì)科普。

什么是“端到端”模型？

端到端，在英文中的表述是End-to-End，這是一種簡(jiǎn)單又復(fù)雜的技術(shù)路線，它試圖用一個(gè)超大模型接管整套自動(dòng)駕駛決策流程：從攝像頭、雷達(dá)獲取的數(shù)據(jù)，直接輸入給模型，由模型輸出控制信號(hào)，比如打方向盤(pán)、踩剎車(chē)這類(lèi)動(dòng)作。

端到端不再像傳統(tǒng)架構(gòu)那樣分成感知、預(yù)測(cè)、規(guī)劃、控制四大模塊，而是希望一步到位學(xué)會(huì)駕駛行為。得到車(chē)企青睞的原因是架構(gòu)很簡(jiǎn)單，越少的模塊意味著出錯(cuò)的地方也更少；模型可以從真實(shí)人類(lèi)駕駛數(shù)據(jù)中自我學(xué)習(xí)，理論上學(xué)得越久越聰明，模仿人類(lèi)駕駛的邏輯，而不是像傳統(tǒng)那樣一板一眼。

但另一方面，也存在問(wèn)題，模型采用黑箱決策，難追溯原因，比如為何突然剎車(chē)，一旦出問(wèn)題，很難知道是哪一步出錯(cuò)。其次訓(xùn)練成本高，需要成千上萬(wàn)小時(shí)的駕駛數(shù)據(jù)，還有昂貴的算力。當(dāng)然，工程落地也難。簡(jiǎn)單來(lái)說(shuō)，端到端就像讓AI從頭學(xué)會(huì)開(kāi)車(chē)，但學(xué)得又慢又貴，還容易犯錯(cuò)，是未來(lái)派的路線，比如特斯拉的FSD V12就是端到端，國(guó)內(nèi)有華為的ADS3.0。

VLA路線，更穩(wěn)的中間派

VLA，Vision-Language-Action，直譯就是視覺(jué)語(yǔ)言動(dòng)作，是一種介于傳統(tǒng)模塊化和端到端之間的技術(shù)架構(gòu)。它不直接控制車(chē)輛，而是先把路況轉(zhuǎn)化為“語(yǔ)義信息”，比如把感知硬件看到的車(chē)道、障礙物、紅綠燈等信息做成語(yǔ)義標(biāo)注，包括文本描述+視覺(jué)關(guān)聯(lián)，動(dòng)作生成器綜合視覺(jué)+語(yǔ)義信息輸出決策。

簡(jiǎn)單來(lái)說(shuō)，它不像端到端那樣盲目，而是先理解場(chǎng)景，再?zèng)Q定行動(dòng)。優(yōu)點(diǎn)在于更容易理解和調(diào)試，一旦出錯(cuò)可以發(fā)現(xiàn)錯(cuò)誤在哪里。同時(shí)可以和現(xiàn)有的感知系統(tǒng)搭配，不需要徹底推倒重建，安全性更好，容易通過(guò)工程驗(yàn)證。

缺點(diǎn)則是仍然比傳統(tǒng)架構(gòu)復(fù)雜，尤其語(yǔ)義信息的設(shè)計(jì)，算力和數(shù)據(jù)成本仍高，也有人認(rèn)為，VLA模型是端到端的2.0版本。VLA就像是先看清楚再開(kāi)車(chē)，比起端到端更靠譜一點(diǎn)，適合現(xiàn)在這個(gè)想開(kāi)快車(chē)但不敢全交給AI的階段。小鵬和理想等品牌采用VLA方案。

VLA還有一些缺點(diǎn)，比如需同時(shí)處理視覺(jué)、語(yǔ)言和動(dòng)作的多模態(tài)數(shù)據(jù)，對(duì)車(chē)端芯片算力要求高?，F(xiàn)有主流芯片難以高效運(yùn)行，需依賴下一代芯片，如Thor 的1000 TOPS，為滿足算力，部分車(chē)企采用多芯片方案，導(dǎo)致算力浪費(fèi)和整車(chē)成本上升，成本轉(zhuǎn)嫁到消費(fèi)者身上。

模塊化路線，老派穩(wěn)妥之選

除了這兩種主流的方案，還有更傳統(tǒng)的模塊化架構(gòu)，這是自動(dòng)駕駛早期常見(jiàn)的做法，把整個(gè)流程拆分成幾個(gè)明確的部分，包括感知、越策、規(guī)劃和控制四步，先識(shí)別物體、再預(yù)測(cè)行為、規(guī)劃路線，最后再控制車(chē)輛。

這種架構(gòu)在L2級(jí)別的輔助駕駛中被廣泛使用，比如ACC自適應(yīng)巡航、LKA車(chē)道保持等。優(yōu)點(diǎn)是結(jié)構(gòu)清晰、可控，每個(gè)模塊都能單獨(dú)優(yōu)化，此外，歷經(jīng)多年發(fā)展，工具鏈、數(shù)據(jù)體系都很完整。

缺點(diǎn)則是模塊之間協(xié)作不夠聰明，有點(diǎn)像流水線作業(yè)，這意味著缺乏變變通能力，場(chǎng)景適應(yīng)性差，復(fù)雜的城市工況會(huì)讓系統(tǒng)懵圈，當(dāng)然用戶體驗(yàn)往往比較僵硬，和真人駕駛有明顯區(qū)別。換句話說(shuō)，模塊化的思路是“別出錯(cuò)就行”，不靈活，但靠得住，目前被廣泛采用。

除了上述三種主流路線，行業(yè)里還有一些新奇但潛力巨大的思路，比如BEV+Transformer，把車(chē)周?chē)畔⑥D(zhuǎn)成鳥(niǎo)瞰圖BEV，然后用Transformer模型去理解和預(yù)測(cè)。另一個(gè)方案是圖神經(jīng)網(wǎng)絡(luò)GNN，把路況建模成一個(gè)動(dòng)態(tài)圖，每個(gè)車(chē)輛、行人都是圖中的節(jié)點(diǎn)，這種方法在城市擁堵路段表現(xiàn)更好。此外，還有智能體對(duì)智能體概念，每輛車(chē)都像一個(gè)思考的機(jī)器人，和其他車(chē)輛一起談判怎么走。

選車(chē)偵探觀點(diǎn)：總體來(lái)說(shuō)，端到端未來(lái)感強(qiáng)，但落地慢、風(fēng)險(xiǎn)高。VLA更快見(jiàn)效，技術(shù)先進(jìn)，但不激進(jìn)，同時(shí)缺點(diǎn)是成本高。更主流的模塊化更穩(wěn)定、量產(chǎn)無(wú)憂，但可能錯(cuò)過(guò)變革。也有車(chē)企結(jié)合了端到端模型+VLM視覺(jué)語(yǔ)言模型，提升復(fù)雜交通中的判斷能力。在智駕領(lǐng)域，不同公司根據(jù)自己資金實(shí)力、人才結(jié)構(gòu)、市場(chǎng)目標(biāo)選擇不同策略。大家覺(jué)得哪一種才是更適合智駕的方案？歡迎討論。