E2E_auto_driving

传统自动驾驶系统与端到端：

传统自动驾驶系统：级联式

• 每个模型都要专门进行训练、优化、迭代，随着模型不断进化，参数量提高和数据量增加，所需研发投入大，研发成本高。
• 模块化架构可以看做级联流水线，模型的输入参数，是前级模型的输出结果。如果前级模型输 出结果有误差，会影响下一级模型输出，导致累计级联误差，最终影响系统性能

端到端方式

​ 通过一个模型实现流程中多个模型的功能。该模型可以接收传感器数据（图像、激光雷达等）作为输入，并输出车辆控制指令（如方向盘角度、刹车和加速等）。通过大规模数据集和训练 算法，模型能够学习从感知到控制的完整驾驶策略

目前的端到端并不是完全的端到端，而是上面两种方式：

• 一种是真正意义上的端到端，把感知，预测，决策，规划和执行全部统一到一个模块，但是目前主流的解决方案中并没有模型能做到这种意义上的端到端
• 另外一种是一部分的端到端，是将感知，预测，决策统一，只在一部分模块中进行端到端

级联方案与端到端方案对比

	级联	端到端
算法类型	模型算法+规则判断	模型算法+数据驱动
安全性	高	未知
可解释性	高	低
响应时延	中	高
算法难度	中	高
训练难度	中	高
评测手段	相同	相同
累计误差	高	无

研究方式

​ 端到端自动驾驶学术研究主要分为两类

1. 闭环方式：模拟器（如CARLA）中进行验证，规划下一步指令可以被真实执行，即算法直接控制
   • 闭环指的是数据上的闭环：数据采集 -> 数据标注 -> 模型训练 -> 模型部署 -> 数据采集
   • 为什么需要数据上的闭环，因为自动驾驶数据为长尾分布的数据
2. 开环方式：在已经采集现实数据上进行端到端研究（主要指模仿学习，IL），因为只通过采集到的数据只能让网络如何预测，因此只能开环。开环方式不能真正看到自动驾驶预测指令执行后效果。由于不能得到反馈，开环测评受限。常用指标是：
   1. L2 距离：计算预测轨迹vs真实轨迹之间L2距离，来判断预测轨迹的精度；
   2. Collision Rate：通过计算预测轨迹和其他物体发生碰撞概率，来评价预测轨迹的安全性

​ 闭环是算法控车，开环是算法不控车。用输出规划轨迹和人实际开出轨迹的差距来评分，数学本质是预测误差 predict error

​