随着技术升级，各地自动驾驶测试类型 逐渐丰富，适应性和稳定性得以验证

北京市首次允许在高铁站进行自动驾驶测试，指定北京经济技术开发区至北京南站之间的路线作为测试区域；杭州则将其八个城区 总面积达3474平方公里设为智能网联汽车的测试与应用区域；深圳市新增了43条道路，使得全市开放给自动驾驶车辆测试的道路总 里程增加至944公里。随着技术升级，各地自动驾驶测试类型逐渐丰富，雨天、夜间等特殊天气的测试逐步开放，体现了自动驾驶技 术在不同环境条件下的适应性和稳定性正在得到验证和提升。

多传感器融合为现阶段落地的实际方案在优化性能的同时，硬件方案带动整车成本下探

多年来，中国Robotaxi车辆均采取多传感器融合路线，且传感器配置逐渐优化。萝卜快跑第六代车型激光雷达由机械式转向半固态+纯固态补盲组合，在量产前提下整车可降至20.46万元，在传感器数量增加前提下的成本的降低显而易见。软件层面，自动驾驶软件架构差号较小，差导化主要来源于结构化数据的积累和软件对于结构化数据的处理能力。Waymo同样也采用了多传感器融合路线，整体硬件和软件架构更加紧凑高效，自研的传感器可保证对于原始数据的完全掌握，以便更好的迭代算法。

非端到端技术路线边界效应明显，一定程度上限制了Robotaxi的规模化部署

在自动驾驶开发的早期阶段，模型成熟度较低，单一模型难以解决复杂问题，因此将不同模型进行拼接，形成了“感知、决策、规控”的典型构架并沿用多年。但模块之间的接口需要抽象为人类的理解形式，无法全量进行梯度传导;千万级的真实场景使得人工写规则变得不可持续，导致了优化更多局限在模块内部，而非全量。同时，感知系统较为依赖传感器和高精地图，而传感器易受天气影响，高精地图难以实现分钟级更新，导致了抽象世界中的时空和时间的错位，因此高阶自动驾驶的发展面临着明显的边界效应，进而一定程度上限制了Robotaxi的规模化部署

端到端提升技术上限，或成为中期内实现 更大规模部署的核心技术路线

端到端的自动驾驶架构直接预测规划结果，感知周围的物体并预测其下一步的行为，并且输出安全的操作。端到端的信息无损传输和全局 最优策略的特征提升了对复杂交通环境的适应性和决策的灵活性。目前，端到端自动驾驶构架已成为行业共识，相较非端到端具有更高的 技术上限。然而，自动驾驶系统在实际应用中必然会遭遇到训练数据中未曾涵盖的各种复杂场景。这引出了一个关键问题：我们是否能够 有效地调整这些模型，使其适应那些未知的目标领域。因此，尽管端到端技术备受瞩目，并且或将成为中长期实现更大规模部署的核心技 术路线，但我们还不能确定它就是自动驾驶的终极答案。

在端到端的基础上，世界模型可提升机器 理解物理规律、重建并推演外部世界的能力

在空间层面，OCC空间的精细度欠佳，无法检测到比网格更加微小的物体；长时序信息能力的匮乏使车辆难以精确预测未来一段时 间对汽车驾驶和安全起到关键作用的环境变化。为应对此类问题，特斯拉提出世界模型概念，旨在以过去为输入条件预测未来。这 将使自动驾驶的上限继续提升，进而提升Robotaxi的安全性和灵活性。而蔚来汽车在NIO IN 2024 蔚来创新科技日上，发布了中国

首个智能驾驶世界模型 NWM（NIO World Model），可全量理解数据，具有长时序推演和决策能力，能在100毫秒内推演出216 种可能发生的场景，在“万千平行世界”中寻找最优路径。该模型和端到端架构结合，能够进一步提升算法对复杂场景的处理能力， 解决真实世界的复杂性问题。

目前，世界模型更多的被理解为自动驾驶的场景库和仿真平台，虽然可行性已经得到了初步验证，但车端算力尚难以支持，且带宽 仍然难以承担超大量数据的实时传输压力。同时，对世界的完全理解、泛化、推演也存在一定的边界效应，凸显了在世界模型部署 在真实世界中的复杂性。

高精地图模型端到端传感器世界发布于：北京市声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。

• 2024
• Robotaxi
• 带杠杆的炒股软件
• 年中国
• 商业化