自驾技术路线：端到端 vs 模块化
最后更新：2026-04-24
自驾核心路线之争：模块化（感知 → 预测 → 规划 → 控制 管道）vs 端到端（神经网络 input → output 一体）。2024-2026 端到端派胜出——Tesla FSD v12 + Wayve + 小鹏 XNGP 2.0 + 华为 ADS 3.0 都转端到端。Waymo / Cruise 仍保留模块化防御。
一句话结论
端到端自驾是 2024-2026 新范式——像 GPT for Driving：数据多 + 神经网络大 = 能力强。但长尾问题 + 可解释性仍是挑战，模块化在特定场景（Robotaxi / 安全验证）仍有优势。
三条关键要点
- Tesla FSD v12（2024） 转端到端后迭代速度明显加快
- Wayve（英国 2017）是端到端路线学术派代表，2024 $1.05B 融资
- 中国端到端派：小鹏、华为、蔚来、理想 2024-2025 全面转换
两条路线详解
模块化（Classic Stack）
Camera/LiDAR → Perception → Prediction → Planning → Control
[SSD/YOLO] [LSTM] [Search] [PID]
端到端（End-to-End Neural）
Camera/LiDAR →—— Neural Network ——→ Action
[Transformer + CNN]
混合路线
- 感知端到端 + 规划模块化
- Waymo 2024 年起部分融合
主流厂商路线
| 厂商 | 2026 路线 |
|---|---|
| Tesla FSD | 端到端 v12/v13 |
| Waymo | 混合（核心端到端，规划模块化） |
| Wayve | 纯端到端（学术派） |
| 小鹏 XNGP | 端到端 2.0 |
| 华为 ADS 3.0 | 端到端 |
| 蔚来 NOP+ | 端到端转换中 |
| 理想 AD Max | 端到端 |
| Mobileye | 模块化 + End-to-End 混合 |
| 百度 Apollo | 混合 |
数据 / 算力对比
| 厂商 | 车队数据（km） | 训练算力 |
|---|---|---|
| Tesla | 数十亿 km | Dojo + NVIDIA |
| Waymo | 数千万 km | Google TPU |
| 小鹏 | 数百万 km | NVIDIA |
| 华为 | 未披露 | 昇腾 |
关键技术
- BEV + Transformer（鸟瞰图 + 注意力）
- Occupancy Network（3D 占据网络）
- World Model（世界模型 / Wayve GAIA）
- Imitation Learning + RL
- Sim2Real（仿真 → 真实）
用 Scaling Laws 框架 看端到端
端到端自驾的 Scaling 证据： - 更多数据 = 更强能力（Tesla 每季度 FSD 改进） - 更大模型 = 更好长尾（Wayve GAIA 论文） - 仍未达到"语言模型级"规模（大概 100x 机会）
2026 关键变量
- Tesla FSD v13 / 14 是否达 L3+ 级
- Waymo 端到端化 彻底程度
- 中国车企端到端落地量产车（小鹏、华为、理想、蔚来）
- L3 认证 各国进度
我的判断
- 2026 年端到端派胜出 已成定局
- Tesla FSD 仍是规模 + 数据最大赢家
- Waymo 保留混合派防御 在 Robotaxi 场景仍领先
- 中国端到端 2025-2027 追赶 Tesla 已接近平起
我可能错在哪里：端到端碰"安全天花板"，模块化回归。
延伸阅读
- 本站 · World Model 与 BEV · Robotaxi 经济学 · Wayve 公司 · Tesla FSD 公司