端到端方案类型、特点及技术路线选择

当前，越来越多的车企已经应用端到端大模型。

1.智驾大模型：什么是端到端？

2023/12特斯拉推出FSD V12，首次搭载端到端智驾大模型。2024年至今，小鹏、华为、理想、蔚来等主机厂 陆续向端到端智能驾驶架构升级。端到端方案主要可以分为四种：1）感知层端到端、2）感知层端到端+决策规 划层端到端、3）模块化端到端、4）One Model生成式一体化端到端（世界模型）。四种方案对人工编写规则 代码的依赖程度依次降低；其中，One Model端到端采用单一神经网络将传统自动驾驶系统中的感知、预测、 决策规划多模块整合为一体。当前国内头部智驾主机厂以采用感知层端到端+决策规划层端到端为主（vs.特斯拉， 我们推测2023/12 FSD V12.1采用感知层端到端，2024/3 FSD V12.3采用One Model 生成式一体化端到端）。

端到端特点一：下限不稳定但上限较高

由于对人工编写规则代码的依赖程度下降，端到端或存在性能下限不稳定的特点（尤其在应用初期或出现功能 退步等问题），预计短期国内车企或仍保留部分规则算法用以维稳端到端智驾系统的性能下限；但我们判断，与 传统模块化智驾方案相比，端到端方案采用的数据规模更大、数据损失更少，可以提升智驾系统在不同场景中的 适应性、减少系统误差和延时，具备更高的性能上限（或更接近人类驾驶）。

端到端特点二：加速智驾算法迭代/性能提升

小鹏汽车为国内首家完成端到端大模型量产上车的车企。以小鹏为例：在应用端到端大模型后，其智驾版本迭 代速度明显加快（推送周期已缩短至约2个月 vs. 此前周期约4个月），新增功能加速落地/覆盖场景加速拓宽。我们判断，端到端由数据驱动迭代升级（人工编写规则需求大幅下降），版本迭代/性能提升效率明显加快。

端到端特点三：智驾系统+组织架构精简驱动降本

基于端到端有望将智驾系统的感知、预测、决策规划的多模块整合度提升，我们判断端到端有望驱动主机厂 实现降本：1）智驾系统精简：小模型合并为一个大模型；2）组织架构精简：端到端方案无需同时配备规则编 码人员及AI算法开发人员（感知和规控两个部门趋于合并），研发投入长期或呈下降趋势。

2.智驾路线之争：纯视觉 vs. 激光雷达

技术路线：纯视觉 or 激光雷达，谁更适合端到端？

当前，越来越多的车企已经应用端到端大模型；其中，端到端感知方案又可具体分为，1）摒弃激光雷达的纯 视觉方案，以特斯拉、小鹏为代表；2）含1颗及以上激光雷达的方案，以华为、蔚来、理想等为代表。 我们判断，纯视觉更适配端到端。1）纯视觉具备迭代速度更快、成本更低等特点（或可通过算法优化弥补测 量距离不足+受天气影响较大的缺陷）；2）当前采用激光雷达+端到端方案的大部分智驾车型存在激光雷达搭 载数量不足、车端算力不足或算法能力相对偏弱等问题；3）预计算法优化迭代仍是实现技术路线突破的关键。

摒弃激光雷达的关键：车端算力+算法能力的突破

当前大多主机厂采用后融合/特征级融合方案将不同传感器的感知信息进行融合，但后融合/特征级融合可能 会带来延迟、信息损失较大等问题，融合效果或过度依赖单一传感器（激光雷达）。相比之下，前融合更符合 端到端大模型对感知信息处理的要求（保证信息完整输入），但技术难度更高（为端到端的主要应用难点）。

我们判断，前融合的核心突破点在于车端算力、算法能力。1）算力：前融合的车端算力要求500-1,000TOPS （vs. 后融合、特征级融合分别<100TOPS、300-400TOPS）；2）算法：前融合对不同类型传感器数据的实时 性和处理能力要求更高（vs. 后融合聚焦各类传感器处理后数据的对齐和验证、特征级融合关注特征提取和融 合）。综合来看，硬件传感器与车端算力可通过累加方式进行改进，算法优化迭代是实现技术路线突破的关键。