端到端、世界模型、车路云……谁将成为2025年“AI+交通”最热词？

端到端、世界模型、车路云……谁将成为2025年“AI+交通”最热词？

引用

36氪

1.

https://36kr.com/p/3075614165810697

2024年，人工智能技术在交通领域取得了突破性进展，从自动驾驶到车路云一体化，各种创新应用不断涌现。展望2025年，随着人工智能与交通的深度融合，哪些技术将引领行业发展？本文将为您解析BEV+OCC感知能力的局限、端到端技术的机遇与挑战、世界模型的创新突破，以及车路云一体化的中国智慧。

BEV+OCC感知能力困局待解

自动驾驶领域近年来的热门技术词汇，如BEV（Bird's Eye View）+Transformer、OCC（Occupancy Network）占用网络、无图NOA（Navigate on Autopilot）和端到端，反映了算法模型的发展脉络。

• BEV网络通过矢量化的鸟瞰视角检测白名单障碍物，而OCC占用网络则通过体素化预测3D空间的占位情况，实现对通用障碍物的感知。到了无图NOA阶段，自动驾驶算法可以通过车道网络实时建图，构建道路拓扑。

• 2023年下半年以来，端到端技术成为行业热点。端到端方案的优势在于：

• 消除传统分模块方案中各种小模型的冗余，实现计算资源的集约化使用

• 提升神经网络的参数规模

• 增加感知到决策之间的传输带宽，减少信息损失

然而，这些技术仍面临挑战：

• BEV网络的感知上限约为1000多种物体
• OCC算法受限于算力和实时性，网格大小一般只能做到10厘米左右，难以检测微小物体
• 复杂语义如天气、光照、雨雾等，目前的BEV+OCC方案尚无法有效处理

数据正在成为端到端最大瓶颈

端到端方案通过数据驱动和自动信息抽取，解决了传统分模块方案的一些问题。但这也带来了新的挑战：

• 特斯拉2024年初的视频训练片段数量接近3000万个，训练图片数量高达220亿张，但其自动驾驶系统等级仍未达到L3
• 每提升一个自动驾驶等级，所需训练数据量至少增加一个数量级
• 大模型的引入增加了庞大的数据标注需求，如何在海量数据面前保持高效训练成为难题

世界模型实现从感知到认知的跃迁

生成式AI大模型的引入，为自动驾驶带来了质的飞跃：

• 从基于判别式AI的物体识别，到具备意图理解和长时序理解能力的认知
• 世界模型通过预测和模拟未来情景，增强了自动驾驶系统的安全性和效率
• 世界模型的训练数据是视频序列，可以进行无监督训练，解决了传统端到端模型需要大量标注数据的问题

然而，世界模型的发展也面临挑战：

• 数据的多样性和质量
• 巨量的计算资源需求
• 模型的可解释性问题

车路云，一个正在发生的潮流

车路云一体化是中国在智能网联汽车领域的重要创新：

• 2024年，五部门联合印发《关于开展智能网联汽车“车路云一体化”应用试点的通知》，20个城市进入试点
• 通过集成通信基站、卫星通信和定位、各类传感器、云控平台等基础设施，形成信息共享、高效协同的车路云网络
• 车路云网络让车辆融入更大范围的智能交通生态系统，实现全局安全、效率与博弈问题的系统级解决方案

车路云一体化的优势：

• 高精度数据采集：L4级别自动驾驶汽车每日数据量达10TB，是传统汽车的5-10倍
• 大数据分析与应用：通过大数据和AI算法优化交通管理
• 数据安全：对敏感数据进行分类分级、降密、脱敏、加密等操作，确保合规

未来展望：

• 车路云网络将发展成为智能交通、低空经济、具身智能、AI智能终端的底层实时数据网络
• 整合地面网络、低空网络、卫星网络，形成空天地一体化的通感算网络

未来十年，人工智能将继续深入交通领域，拓展出更多超乎想象的全新应用场景，重塑智能交通的未来。