行业或公司 * 特斯拉 * 小鹏汽车 * 理想汽车 * 华为 * 大疆 * 英伟达 * 禾赛 * RoboSense * 萝卜快跑 * 地平线 核心观点和论据 * 特斯拉在 AI 驱动决策规划方面的探索和实践：特斯拉自 2022 年起将 AI 驱动决策规划应用于实际生产，通过结合传统蒙特卡洛算法与神经网络，实现了 AI 驱动整体决策规划，提升了系统性能。[1] * 自动驾驶技术发展现状：自动驾驶技术正处于快速发展阶段，特斯拉已从 v12 版本升级到 v13 版本，并大规模应用端到端驾驶模型。然而，特斯拉并未完全实现纯粹的 OEM 端到端状态，中高端自动驾驶是否能够真正解放双手仍需进一步验证。[2] * 数据标注在自动驾驶中的作用：数据标注在自动驾驶研发中至关重要，通过优质的自动化标注方案，每天可以标注数百万公里的数据，对于实现端到端或传统自动驾驶解决方案至关重要。[3] * 自动驾驶数据处理流程：自动驾驶数据处理流程包括数据采集、筛选清洗、模型训练、推理部署及实际应用。OBD 数据在自动驾驶研发中用于提供使用场景，支持产品分析、算法开发、模型生产、功能测试及系统优化。[7] * 端到端自动驾驶技术发展趋势：未来五年内，AI 驱动的端到端自动驾驶将成为最核心的话题，资本市场对该技术路线更加关注，以及更多应用于机器人领域。数据引擎、大量算力积累、云计算集群等也将成为关键因素。[14] * 自动驾驶量产车的发展前景：谁能在转导任务上表现得更好，将拥有通往未来的重要钥匙。这意味着，在实际应用中表现优异的企业将在市场竞争中占据优势地位。[21] * 特斯拉和 Waymo 在自动驾驶技术上的创新：特斯拉通过神经网络优化其自动驾驶系统，显著减少代码量并提升效率。Waymo 则在 11 月 30 日发布了一篇论文，介绍其 MR 模型，将基于大模型的自动驾驶方案与端到端方案结合，对业内产生重大影响。[22] 其他重要内容 * 自动驾驶领域中的主要挑战：如何高效地采集和发现有价值的数据；如何分析这些数据以提炼出有用的信息；如何利用这些信息来改进系统性能。[5] * 数据工程核心：数据标注、场景仿真、特殊场景处理及虚拟数据生成。[15] * 激光雷达在自动驾驶中的发展历程及现状：激光雷达自 2015 年左右开始大规模应用于自动驾驶领域，目前成本已降至 1 万元以内，在 25 万元以上车型中，激光雷达已成为标准配置或选装项。[26] * 传统自动驾驶架构与端到端架构的区别：传统架构将任务切分为多个子任务，具有较高的可解释性，但开发复杂且成本较高。端到端架构则试图通过单一网络实现从感知到决策规划再到车辆控制的一体化处理，具有潜在更低的成本、更高效的数据利用以及更高的发展上限。[27] * 国内在自动驾驶领域的标准和监管现状：目前国内在自动驾驶领域已经有一些软件端的标准，未来可能会对这些标准进行更严格的监管，尤其是在模型安全和功能安全方面。[36] * 纯视觉方案在自动驾驶中的应用情况：纯视觉方案在自动驾驶中的应用情况逐渐增多，例如华为、小鹏等企业更多地倾向于优先采用纯视觉方案，而将激光雷达放置次要位置。[31] * 世界模型在自动驾驶算法开发中的作用：世界模型作为数据生成器，在算法开发中起着重要作用，通过生成高质量的数据，可以实现更好的训练效果。[38]