从基于规则的驾驶向大型驾驶模型的转变：开启终端自主驾驶的新时代
机器人学
2026-03-18 v1 计算机视觉与模式识别
图像与视频处理
摘要
自主驾驶正在从模块化基于规则的管道转向端到端(E2E)学习系统。本文通过追溯从经典感知-规划-控制架构到大型驾驶模型(LDMs)的演变，这些模型能够将原始传感器输入直接映射到驾驶动作。我们分析了近期发展，包括特斯拉的全自主驾驶(FSD)V12 V14、 Rivian的统一智能平台、 NVIDIA Cosmos，以及新兴的商业机器人出租车部署，重点关注架构设计、部署策略、安全考量和行业影响。一个关键的新兴产品类别是受监督的E2E驾驶，常被称为FSD(受监督)或L2 plus plus，预计于2026年起将由多家制造商部署。这些系统在复杂环境中能够完成大部分动态驾驶任务(DCT)，而只需人类监督，将驾驶员的角色转变为安全监督。早期的运行证据表明，E2E学习能够处理现实驾驶情景的长尾分布，正成为一种主导的商业策略。我们还讨论了类似的架构进展可能如何扩展到自主车辆(AV)之外的其他具身AI系统，包括人形机器人。
引用
@article{arxiv.2603.16050,
title = {The Era of End-to-End Autonomy: Transitioning from Rule-Based Driving to Large Driving Models},
author = {Eduardo Nebot and Julie Stephany Berrio Perez},
journal= {arXiv preprint arXiv:2603.16050},
year = {2026}
}