سیستم‌های رانندگی خودکار سرتاسر: رانندگی در آینده

متداول ترین تعریف این است که یک سیستم "انتهای به انتها" سیستمی است که اطلاعات حسگر خام را وارد می کند و مستقیماً متغیرهای مربوط به کار را خروجی می دهد. به عنوان مثال، در تشخیص تصویر، CNN را می توان در مقایسه با روش سنتی ویژگی + طبقه بندی کننده، "انتخاب به انتها" نامید.

در وظایف رانندگی خودمختار، داده‌های حسگرهای مختلف (مانند دوربین‌ها، LiDAR، رادار یا IMU...) ورودی هستند و سیگنال‌های کنترل خودرو (مانند دریچه گاز یا زاویه فرمان) مستقیماً خروجی می‌شوند. برای در نظر گرفتن مسائل مربوط به انطباق مدل های مختلف خودرو، خروجی نیز می تواند به مسیر رانندگی خودرو کاهش یابد.

بر اساس این مبنا، مفاهیم پایان به انتها مدولار نیز پدیدار شده است، مانند UniAD، که با معرفی نظارت بر وظایف میانی مربوطه، علاوه بر سیگنال های کنترل خروجی نهایی یا ایستگاه های بین راه، عملکرد را بهبود می بخشد. با این حال، از چنین تعریف محدودی، جوهر انتها به انتها باید انتقال بدون تلفات اطلاعات حسی باشد.

اجازه دهید ابتدا رابط های بین حسگر و ماژول های PnC را در سیستم های غیر انتها به انتها مرور کنیم. معمولاً اشیاء در لیست سفید (مانند اتومبیل، افراد و غیره) را شناسایی کرده و خواص آنها را تجزیه و تحلیل و پیش بینی می کنیم. همچنین در مورد محیط استاتیک (مانند ساختار جاده، محدودیت سرعت، چراغ راهنمایی و غیره) یاد می گیریم. اگر جزئیات بیشتری داشتیم، موانع جهانی را نیز تشخیص می دادیم. به طور خلاصه، اطلاعات خروجی توسط این ادراکات، مدل نمایش صحنه های پیچیده رانندگی را تشکیل می دهد.

با این حال، برای برخی از صحنه‌های بسیار واضح، انتزاع صریح فعلی نمی‌تواند به طور کامل عواملی را که بر رفتار رانندگی در صحنه تأثیر می‌گذارند، توصیف کند، یا وظایفی که باید تعریف کنیم بسیار پیش پا افتاده هستند، و شمارش همه وظایف مورد نیاز دشوار است. بنابراین، سیستم‌های انتها به انتها یک نمایش (شاید به طور ضمنی) جامع با این امید که به طور خودکار و بدون ضرر روی PnCها با این اطلاعات عمل کنند، ارائه می‌کنند. به نظر من، تمام سیستم هایی که می توانند این نیاز را برآورده کنند را می توان تعمیم یافته end-to-end نامید.

در مورد مسائل دیگر، مانند برخی بهینه‌سازی‌های سناریوهای تعامل پویا، من معتقدم که حداقل نه تنها انتها به انتها می‌تواند این مشکلات را حل کند، و انتها به انتها ممکن است بهترین راه‌حل نباشد. روش‌های سنتی می‌توانند این مشکلات را حل کنند و البته زمانی که حجم داده‌ها به اندازه کافی زیاد باشد، ممکن است از انتها به انتها راه‌حل بهتری ارائه شود.