自动驾驶行业前景如何？我们相信行业正处于开发终极驾驶模拟器的风口浪尖，可以实现直接从传感器输入中学习驾驶策略。
自动驾驶行业前景如何？
随着自动驾驶行业内相关传感器成熟度的不断提高，自动驾驶域控制器（ADCU）算力的快速提升，预计到2025年左右，激光雷达、毫米波雷达等传感器的有效检测距离都将提升至300米，DCU算力可达2000TOPS以上。
因此我们认为冗余及硬件领域将不会成为L4技术路线上的瓶颈。主要的挑战将集中在软件算法层面，需克服如下三方面的技术障碍：
获得监督学习所需的人工标注数据，代价巨大。考虑到测试和验证自动驾驶系统的安全性需要数亿甚至数十亿公里的驾驶数据，而传统的基于监督学习的自动驾驶系统高度依靠人工筛选和标注数据，很难扩大到所需的数据规模。
基于规则的建模和决策系统无法应对复杂交通场景。在十字路口等复杂场景，对交通参与者的意图、交互、甚至博弈进行建模，即所谓的行为建模，超出了当前主流基于规则的建模和决策系统的能力。
传统自动驾驶系统架构遭遇瓶颈。传统架构基于经典的机器人框架，该框架将整个自动驾驶过程划分为感知、规划和控制等几个子模块。信息以单向形式从传感器到执行器流转，无法捕捉自动驾驶车辆与其周围环境之间的双向相互作用。
整个自动驾驶行业都在大力解决这些瓶颈。自动化数据挖掘、半自动化数据标注正在逐步走向应用。数据驱动的决策和规划方法也在被融入现有的基于规则的框架之中，感知和预测的边界正被打破。
基于这些趋势，我们大胆设想一种全新的自动驾驶架构，该架构可以拆除自动驾驶系统子模块之间人为设计的边界，并将其替换为端到端的深度神经网络。
与以前简单地将传感器输入与车辆执行器连接的方法不同，我们端到端的网络输入为传感器输入，输出是轨迹安全包线，经典控制算法可以根据轨迹要求和车辆状态自适应地控制车辆。我们认为经典控制方法仍然非常适合轨迹跟踪，并具有可以保证误差范围和安全裕度的优势。
我们受到最近两项技术进步的启发：
首先是深度强化学习在驾驶游戏中的应用。通过强化学习的 AI Agent 可以在超逼真的赛车游戏中超越专业玩家的表现，已经获得证明。
第二是神经辐射场 NeRF（Nerual RadianceFields）。NeRF 提 供了一种超 逼真的方式，可从视频输入合成新视图，而无需手动操作。与目前基于 CG（Computer Graphics）的模拟器相比，NeRF 可以以极低的成本提供和真实世界几乎无法区分的逼真图像。
我们相信行业正处于开发终极驾驶模拟器的风口浪尖，可以实现直接从传感器输入中学习驾驶策略。通过基于 NeRF 的模拟器，可以使 用强化学习的技术来训练深度神经网络，只需定 义一 个 奖 励函数（比如安全、高效和舒适），便可获得良好的驾驶行为。
