Otomobilgi.comOtomobilgi.com
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • STRONA GŁÓWNA
  • WIADOMOŚCI
    Wiadomości z tureckiego sektora motoryzacyjnego
    Globalne wiadomości z branży motoryzacyjnej
    Wiadomości ze sportów motorowych w Turcji
    Globalne wiadomości ze sportów motorowych
  • OTOMOBILE
    SILNIKI SPALINOWE
    • Modele z silnikami spalinowymi
    • Technologie Silników Spalinowych
    • Paliwo i zużycie
    • Emisje i środowisko
    • Własność Pojazdów z Silnikiem Spalinowym
    • Historia samochodów z silnikiem spalinowym
    ELEKTRYCZNE
    • Modele Elektryczne
    • Technologie Samochodów Elektrycznych
    • Ładowanie i Infrastruktura
    • Technologia baterii
    • Zasięg i Zużycie
    • Własność pojazdu elektrycznego
    • Historia samochodów elektrycznych
    HYBRYDA
    • Modele hybrydowe
    • Systemy hybrydowe
    • Bateria i ładowanie
    • Zużycie i wydajność
    • Własność hybrydowa
    • Historia samochodów hybrydowych
    SUPERCAR
    HYPERCAR
  • TECHNOLOGIA
    Systemy Wspomagania Kierowcy
    Technologie bezpieczeństwa
    Technologie oświetlenia i widoczności
    Infotainment i Łączność
    Jazda autonomiczna i sztuczna inteligencja
    Przyszłe Technologie
  • PRZEWODNIKI
    Przewodniki zakupowe
    Poradniki sprzedażowe
    Konserwacja i Użytkowanie
    Własność i koszty
    Opony i Felgi
    Ubezpieczenia i Przeglądy
  • HISTORIA I KULTURA
    Historia Samochodu
    Ikonowe modele
    Klasyka i Kolekcje
    Droga motoryzacji Turcji
    Projektowanie samochodów
    Samochody i kultura popularna
  • SPORTY MOTOROWE
    Formuła 1
    Rajd (WRC)
    Rajcross
    MotoGP
    Formula 2 i Formula 3
    Gokarty
    24 Godziny Le Mans
    WEC
    NASCAR
    IndyCar
    DTM
    Wyścigi GT
    Drift
    Wyścigi Drag
  • POZNAJ NAS
    O NAS
    KONTAKT
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  1. STRONA GŁÓWNA
  2. TECHNOLOGIA
  3. Jazda autonomiczna i sztuczna inteligencja
  4. Jak jazda autonomiczna modelu end-to-end zmienia everything... - poprawnie: Jak end-to-end zmienia model jazdy autonomicznej?

Jak jazda autonomiczna modelu end-to-end zmienia everything... - poprawnie: Jak end-to-end zmienia model jazdy autonomicznej?

  • Jazda autonomiczna i sztuczna inteligencja
  • Autor: Lütfi Mete Odabaşı
  • Utworzono: 4 Listopad 2026
Tesla FSD v12 zakończył erę autonomicznej jazdy, w której inżynierowie dyktowali regułę po regule; sieć neuronowa podejmuje teraz decyzje kierownicze bezpośrednio na podstawie surowego obrazu z kamer.
Tesla FSD v12 zakończył erę autonomicznej jazdy, w której inżynierowie dyktowali regułę po regule; sieć neuronowa podejmuje teraz decyzje kierownicze bezpośrednio na podstawie surowego obrazu z kamer.

Kiedy myślisz o samochodzie, który sam się prowadzi, co przychodzi Ci do głowy? Prawdopodobnie dziesiątki czujników rozmieszczonych wzdłuż drogi, ogromne mapy i inżynierowie, którzy z góry zapisali każdą sytuację jako regułę, prawda? Cóż, Tesla w wersji 12 FSD odwróciła ten obraz: nie ma już tysięcy ręcznie pisanych reguł; na wejściu surowy obraz z kamer, na wyjściu polecenia dla kierownicy, hamulców i gazu. A co naprawdę oznacza powiedzenie sieci neuronowej "naucz się jeździć"? Jak ta zmiana zmienia świat jazdy autonomicznej - i gdzie się zatrzymuje?

Klasyczna Architektura Modularna: Linia Produkcyjna w Środku Asystenta Kierowcy

Zanim przejdziemy do end-to-end, trzeba zrozumieć stary porządek, bo większość systemów na drogach wciąż działa według tej logiki. Architektura modularna buduje oprogramowanie jazdy autonomicznej jak linię produkcyjną: każdy etap wykonuje swoją pracę i przekazuje wynik następnemu. Od Cruise, jednego z pierwszych zwycięskich pojazdów DARPA Grand Challenge, po Mobileye i open source'owy Autoware - to podejście ma głębokie korzenie.

  • Percepcja: dane z LiDAR-u, kamer i radarów są przetwarzane i wykrywane są obiekty; algorytmy takie jak YOLO i VoxelNet działają w tej warstwie.
  • Predykcja: Piesi i inne pojazdy są modelowane wraz z ich krótko- i długoterminowymi trajektoriami.
  • Planowanie: Trasę wyznaczają klasyczne algorytmy takie jak A* czy Dijkstra, a lokalne manewry metody takie jak RRT.
  • Sterowanie: Zwykle wchodzi do akcji Model Predictive Controller (MPC), który fizycznie prowadzi pojazd.

Największą zaletą tej struktury jest przejrzystość: każdy moduł można testować osobno i ustalić, który etap popełnił błąd i w czym. Ale największa wada kryje się właśnie tutaj - propagacja błędów. Jeśli moduł percepcji błędnie sklasyfikuje pieszego, ten błąd przenosi się aż do końca łańcucha, a moduł planowania podejmuje decyzje na podstawie już zepsutych danych. Co więcej, osobne trenowanie każdego modułu wymaga poważnej specjalistycznej wiedzy i mocy obliczeniowej; przetwarzanie etapowe jest samo w sobie źródłem nieefektywności.

Najważniejsze informacje

  • Tesla FSD, w wersji 12 (udostępnionej klientom na początku 2024 roku), przeszła całkowicie na architekturę w pełni end-to-end opartą na sieci neuronowej; dzisiaj jesteśmy już przy wersji v14.
  • W architekturze modularnej percepcja, predykcja, planowanie i sterowanie to osobne moduły; w end-to-end łączą się one w jedną sieć neuronową.
  • Oficjalna nazwa FSD to nadal FSD (Supervised): to nie w pełni autonomiczny samochód, lecz system wspomagający wymagający stale uważnego kierowcy.
  • Największym problemem end-to-end jest interpretowalność: formalna weryfikacja sieci neuronowych to wciąż nierozwiązany problem inżynieryjny.

Podejście End-to-End: Zamiast Tysięcy Reguł - Miliony Przykładów

Binlerce elle kodlanmış kuralı ezberleyen sistem yerine, milyonlarca sürüş örneğinden öğrenen tek bir sinir ağı direksiyona geçiyor.

W jeździe end-to-end idea jest uderzająco prosta: podajesz surowe dane z czujników - kamery, LiDAR, radar, GPS - do jednej ogromnej sieci neuronowej i otrzymujesz z niej bezpośrednio polecenia jazdy albo plan jazdy. Percepcja, predykcja i planowanie przestają być osobnym oprogramowaniem i rozpuszczają się wewnątrz jednego programu. Tesla wkroczyła na tę drogę z FSD v12, a na początku 2024 roku pojawiła się pierwsza wersja end-to-end, której kierowcy doświadczyli za kierownicą. Dziś system ewoluował do wersji v14.

Wyjaśnię różnicę za pomocą porównania: system modułowy to student, który wykuł na pamięć przepisy ruchu drogowego; na każdą sytuację ma gotową regułę. System end-to-end to natomiast doświadczony kierowca, którego godzinami obserwowałeś siedząc obok; może nie potrafi krok po kroku wyjaśnić, co i dlaczego robi, ale wyczuwa właściwy ruch. Sieć neuronowa uczy się nie tylko tego, czym są obiekty, ale też tego, jak reagują na nie ludzie za kierownicą.

Jak więc trenuje się sieć?

Istnieją dwie główne drogi. Pierwsza to uczenie przez naśladowanie (behavior cloning): sieć uczy się kopiować zachowania ludzkich kierowców z milionów przejechanych kilometrów. Ładna metoda, ale ma dwie wady - przesunięcie kowariancji i confounding przyczynowy; czyli sieć może błędnie nauczyć się, co jest naprawdę istotne. Druga to uczenie ze wzmocnieniem: w symulacji sieć jest trenowana metodą prób i błędów, otrzymując nagrody. NVIDIA ma w tej dziedzinie historię sięgającą od DAVE-2 z 2016 roku po DRIVE Thor, który dziś oferuje moc obliczeniową chipów do 1.000 TOPS; Wayve i Comma.ai to inne nazwiska podążające za tą samą filozofią.

Modułowy czy End-to-End? Konkretne porównanie

Gdy postawimy oba podejścia obok siebie, obraz staje się jasny. Zalety architektury end-to-end wymienione przez badaczy są następujące: zmniejszenie propagacji błędów, efektywność obliczeniowa, względna łatwość treningu i, co ciekawe, odporność na ataki - ponieważ z zewnątrz nie da się stwierdzić, które konkretne wejście wywołało zachowanie jazdy systemu, złośliwa manipulacja również staje się trudniejsza.

CechaArchitektura modułowaArchitektura End-to-End
StrukturaPercepcja → predykcja → planowanie → sterowanie jako oddzielne modułyJedna sieć neuronowa od surowych danych z czujników po sterowanie
Metoda opracowywaniaReguły pisane ręcznie + moduły trenowane osobnoUczenie z danych (naśladowanie/uczenie ze wzmocnieniem)
PrzejrzystośćWysoka; każdy moduł można testować osobnoNiska; mechanizm decyzyjny to czarna skrzynka
Propagacja błędówWystępuje; błąd percepcji przenosi się wzdłuż całego łańcuchaZredukowana
Zapotrzebowanie na daneWiedza specjalistyczna dla każdego modułuBardzo duży zbiór danych jest konieczny

Strona przeciwna ma jednak ciężką artylerię: przejrzystość. System modułowy można audytować kawałek po kawałku; to, co dzieje się w głowie sieci neuronowej, można zobaczyć tylko częściowo. Świat badawczy częściowo odpowiada na tę krytykę mapami uwagi i interpretowalnymi wynikami, ale gdy do sprawy wchodzi certyfikat bezpieczeństwa, problem się pogłębia - wrócimy do tego za chwilę.

Tesla i Waymo: Ten sam cel, przeciwne filozofie

Podział po stronie czujników to najbardziej widoczna twarz sporu o architekturę. Podejście Tesli to kamera + sieć neuronowa, bez LiDARu - argumentują, że ta droga jest konieczna dla systemu zdolnego do nawigacji w skali globalnej. Waymo jest dokładnie odwrotna: w swoim najnowszym pojeździe stosuje architekturę wieloczujnikową, układającą czujniki jedna na drugiej - 13 kamer i 4 moduły LiDAR. Współ-CEO Waymo Dmitri Dolgov to osoba, która otwarcie powiedziała, że w 2026 roku podejście oparte wyłącznie na kamerach utknęło w martwym punkcie, zanim osiągnęło pełną autonomię. Strona Tesli z kolei twierdzi, że dzięki FSD wygenerowano miliardy mil dowodów.

W rzeczywistości, patrząc zza kulis, obraz jest nieco bardziej szary: Podaje się, że wielu graczy, w tym Tesla i Waymo, faktycznie wykorzystuje architektury hybrydowe, czyli połączenie deterministycznego planowania trasy z percepcją opartą na sieciach neuronowych; Momenta i Aurora również są wymieniane na tej liście. Innymi słowy, odpowiedź na pytanie "czy wszystko w jednej sieci, czy wszystko w osobnych modułach" w praktyce terenowej najczęściej brzmi "mieszanka obu". W porównaniu czujników LiDAR jest lepszy w warunkach słabego oświetlenia i nocnych; systemy oparte wyłącznie na kamerach są natomiast energooszczędne i nie wymagają wcześniejszego mapowania.

Problem Czarnej Skrzynki: Wyjaśnialność i Weryfikowalność

Tu jest technicznie najważniejsza część sprawy. Standardy bezpieczeństwa świata motoryzacji - ASIL, ASPICE, AUTOSAR, MISRA - wymagają definiowania i dowodzenia tego, co robi system, na poziomie wymagań. W sieci neuronowej end-to-end trudno już samo zdefiniować wymaganie w postaci "auto podejmie taką decyzję w takiej sytuacji"; a formalna weryfikacja sieci neuronowych to wciąż nierozwiązany problem inżynieryjny. Innymi słowy, niezależnie od tego, jak dobrze sieć jeździ, inżynierowie mogą nie mieć wystarczających narzędzi, gdy muszą udowodnić każdy wymóg bezpieczeństwa.

Konkretny tego przejaw widzimy po stronie odpowiedzialności prawnej. Mercedes-Benz ogłosił, że przejmuje odpowiedzialność prawną za DRIVE PILOT - pierwszy na świecie certyfikowany system Poziomu 3 - i uzyskał zgodę niemieckiego organu na prędkość do 95 km/h na autostradach - według poziomów SAE J3016 przy Poziomie 3 odpowiedzialność przechodzi z kierowcy na producenta. Przyczyna leży częściowo w architekturze: system modułowy, o jasno określonych granicach, to coś, przy czym można napisać "w tych warunkach system prowadzi" i to podpisać. Przyłożenie tego samego podpisu do sieci-czarnej skrzynki jest znacznie trudniejsze. Nowym trendem badawczym są duże modele językowe i wizualno-językowe dodające do sieci neuronowych warstwę rozumienia sceny i rozumowania - jako próba odpowiedzi na problem wyjaśnialności.

Obietnica a Rzeczywistość: Jak Wygląda Obecna Sytuacja?

Do tej pory wszystko było ekscytujące; teraz zimny prysznic. Spójrzmy na oficjalną nazwę Tesli FSD: FSD (Supervised). Innymi słowy, system noszący nazwę "pełnej autonomicznej jazdy" to, według oficjalnej definicji, zaawansowany system wspomagania kierowcy zaprojektowany do używania wyłącznie z uważnym kierowcą i nie czyni z Tesli w pełni autonomicznego pojazdu. Kierowca musi być w każdej chwili gotów do interwencji - w klasyfikacji SAE to wciąż obszar Poziomu 2. Dzięki FSD v13 system można aktywować w zaparkowanym pojeździe i obejmuje również cofanie; możliwości rosną, ale klasyfikacja się nie zmienia.

Po drugiej stronie Waymo faktycznie prowadzi operacje Poziomu 4 dzięki usłudze robotaxi skalowanej na 14 miast w USA. Najnowsza rewizja SAE przemianowuje również Poziom 0-2 na "systemy wspomagania kierowcy", a Poziom 3-5 na "systemy automatyczne", podkreślając przy tym, że pełna automatyzacja, czyli Poziom 5, wciąż jest odległa. W całej branży odzwierciedla to okres przejścia od fali hype'u do wdrożeń w świecie rzeczywistym: Systemy Poziomu 2+ stały się powszechne, robotaksie są ograniczone do określonych miast, a Poziom 5 wciąż pozostaje celem dla wszystkich.

Podsumowując: Ile zmieniło przejście od pisania reguł do uczenia się?

Bezpośrednia odpowiedź brzmi: Architektura end-to-end przeniosła oprogramowanie podejmujące decyzje w autonomicznej jeździe z reguł pisanych ręcznie do pojedynczej sieci neuronowej uczącej się z danych; przyniosło to bardziej naturalne zachowanie podczas jazdy i zmniejszenie propagacji błędów, ale stworzyło nowe, wciąż nierozwiązane wyzwania w zakresie wyjaśnialności, weryfikowalności i certyfikacji. Tesla jest najbardziej agresywnym graczem w tej grze, a system po FSD v12 naprawdę stał się czymś innym - ale pełna autonomia bez nadzoru wciąż nie została osiągnięta. Podejście modułowe również nie zeszło ze sceny; Systemy Poziomu 3-4 wykorzystujące zestaw czujników Waymo, które przejmują odpowiedzialność, uzyskują certyfikację w ramach tej filozofii. Zwycięska architektura przyszłości będzie prawdopodobnie strukturą hybrydową łączącą to, co najlepsze z obu światów - i ten wyścig trwa właśnie teraz.

Źródła

  • Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey - arXiv
  • Autonomous driving: Modular pipeline Vs. End-to-end and LLMs
  • Navigating Autonomous Driving: Comparing Modular, End-to-End, and Hybrid
  • End-to-end learning vs modular trade-offs
  • Integrating Modular Pipelines with End-to-End Learning
  • End-to-end system architectures in autonomous driving

Udostępnij tę stronę

Edytor kategorii

Lütfi Mete Odabaşı

Lütfi Mete Odabaşı

Młody, dynamiczny pasjonat motoryzacji i sportów motorowych, który uwielbia badania i naukę. Mete wnosi na naszą platformę informacyjną o samochodach, wiedzę motoryzacyjną i kulturę młode perspektywę. Uważnie śledzi innowacje w technologiach samochodowych oraz rozwój wydarzeń w sportach motorowych i przekształca je w wartościowe treści dla czytelników Otomobilgi.

Powiązane treści

Abonament FSD Tesli za 99 dolarów obiecuje pełną autonomię, ale zwrot z wydanych pieniędzy zależy od tego, ile kilometrów dziennie jeździsz.
Jazda autonomiczna i sztuczna inteligencjaCzy płacenie miesięcznej opłaty za jazdę autonomiczną ma sens?
Waymo jeździ bez kierowcy tylko w ograniczonym obszarze, a Tesla działa wszędzie pod nadzorem; ta różnica nie jest przypadkiem - to sam istota modelu biznesowego obu firm.
Jazda autonomiczna i sztuczna inteligencjaDlaczego Tesla wciąż potrzebuje kierowcy, podczas gdy Waymo jeździ po mieście samodzielnie?
Dopóki kierownica jest w twoich rękach, niezależnie od tego, jak inteligentny jest samochód, w świetle prawa nadal jesteś kierowcą.
Jazda autonomiczna i sztuczna inteligencjaPoziom 2 czy poziom 3? Obietnice a rzeczywistość autonomicznej jazdy
Przy silnych opadach śniegu wydajność wykrywania lidaru spada o ponad 50%, a ponieważ sztuczna inteligencja nie wie, któremu czujnikowi zaufać, robotaxie się zatrzymują.
Jazda autonomiczna i sztuczna inteligencjaDlaczego Pojazdy Autonomiczne Potrafią "Oślepnąć" w Śniegu i Deszczu?
Od dziesięciu lat kolejne zapowiadane daty pełnej autonomii mijały jedna za drugą; dziś na drogach nadal tym, co trzymamy w rękach, jest wsparcie kierowcy poziomu 2.
Jazda autonomiczna i sztuczna inteligencjaOdroczone obietnice autonomicznej jazdy od 2015 roku
Gdy kierownica pozostaje pusta, odpowiedzialność za wypadek przestaje spadać na kierowcę i przechodzi na biurko firmy rozwijającej system.
Jazda autonomiczna i sztuczna inteligencjaKto jest winny wypadku, gdy za kierownicą nie ma nikogo?
W autonomii pojazdów nie ma jednego właściwego czujnika; o zwycięzcy zdecyduje równowaga między kosztem, bezpieczeństwem i regulacjami.
Jazda autonomiczna i sztuczna inteligencjaLidar czy kamera? Karta wyników wojny sensorów w autonomii jazdy
Ponieważ oba systemy są na poziomie SAE 2, prawdziwym pilotem za kierownicą nadal jesteś ty: żaden samochód nie przejmuje dziś od ciebie odpowiedzialności.
Jazda autonomiczna i sztuczna inteligencja5 fundamentalnych różnic między Super Cruise a Tesla FSD
Mercedes-Benz zaprezentował pierwszy na świecie globalnie zatwierdzony system poziomu 3, który przejmuje odpowiedzialność za wypadek; jednak ta wolność nadal obowiązuje tylko w bardzo wąskim korytarzu.
Jazda autonomiczna i sztuczna inteligencjaMercedes Drive Pilot dotrzymuje obietnicy Poziomu 3
Technologia jest gotowa, wzorce gotowe, ale to puste siedzenie na amerykańskiej autostradzie wciąż jest zajęte przez kierowcę, ponieważ prawdziwą przeszkodą nie jest oprogramowanie, lecz ekonomia i księga przepisów.
Jazda autonomiczna i sztuczna inteligencjaDlaczego autonomiczne ciężarówki na amerykańskich autostradach wciąż mają kierowcę?

Tagi

  • jazda autonomiczna
  • tesla
  • pełna autonomiczna jazda (fsd)
  • lidar
  • waymo
  • systemy wspomagania kierowcy
  • poziomy sae
  • mercedes-benz
  • odpowiedzialność prawna
  • uczenie end-to-end
  • sieć neuronowa
  • fuzja sensorów

Śledź nas w mediach społecznościowych

  • O nas
  • Klauzula informacyjna RODO (KVKK)
  • Polityka prywatności
  • Kontakt
Otomobilgi.com
NIEZALEŻNA PLATFORMA KULTURY MOTORYZACYJNEJ
Wspierane przez Virgo CMS