从数据、策略和平台视角看端到端自动驾驶训练综述

arXiv:2610.00926v1 发布类型：cross 摘要：自动驾驶是未来智能交通的基石技术，而端到端学习已成为一种变革性范式，通过统一的可微模型将多模态感知输入直接映射为驾驶动作。尽管端到端学习具有诸多优势，但端到端自动驾驶（E2E-AD）的最终效果取决于其训练生态系统的质量。本文全面综述了 E2E-AD 的训练方法与生态系统。我们提出了数据—策略—平台分类体系，将训练概念化为一个相互依存的系统。数据层定义可学习的内容，策略层决定学习如何与驾驶目标保持一致，平台层则支持规模化和持续演进。在这一框架下，我们综述了以数据为中心的流程、学习范式和训练基础设施方面的最新进展，并分析了它们之间的相互作用如何影响模型性能、鲁棒性和可部署性。最后，我们反思了当前的局限，并提出面向未来的愿景，强调从数据数量转向数据价值、从孤立优化转向由基础模型驱动的泛化、从静态训练转向集成训练—测试闭环，旨在构建稳健、可扩展且值得信赖的自动驾驶系统。我们在 \href{https://github.com/Jiaaqiliu/Awesome-Training-Ecosystem-for-E2E-AD}{Our Project Page} 持续维护一个不断更新的仓库，跟踪前沿文献和相关工作。