端到端学习
一种机器学习范式，绕过传统感知-规划-控制分层流水线，直接训练神经网络将原始传感器输入映射为控制指令，代表工作为NVIDIA DAVE-2
时间轴 (近 90 天)
分层控制与端到端学习结合的做法是让高层保持可解释的子目标结构，低层用端到端模型提升反应能力，从而兼顾长程规划与实时修正。
端到端学习将检测、特征提取、融合、匹配等多阶段整合到一个可联合优化的框架中，减少人工设计模块间的误差累积，但需要大规模带标注视频数据且计算资源要求高。
用PyTorch求解背包问题的价值在于需要端到端学习的场景：例如当物品价值或约束本身来自一个神经网络预测时，可以将背包求解器作为可微层嵌入，实现联合训练。
标准智能体强化学习主要依赖终点的单一标量奖励，轨迹中间步骤的监督信号被浪费。
车载场景下传感器高度、俯仰角和几何关系基本统一，端到端3D检测模型可以较好泛化；路侧场景杆高、倾角、视场角差异巨大，端到端模型极易失效且需要大量位置特定标注数据。
端到端学习方法绕过传统的感知-定位-规划-控制分层流水线，直接训练神经网络将原始传感器输入映射为底盘执行指令。
NVIDIA在2016年的DAVE-2论文中系统性验证了端到端学习方法：用真实汽车采集前视摄像头画面与人类驾驶员的转向角，训练CNN直接输出方向盘角度。
端到端学习指让神经网络直接从原始传感器输入映射到电机控制指令，跳过感知、规划、控制等独立模块的手工设计
端到端学习是指让神经网络直接从原始传感器输入映射到电机控制指令，跳过感知、规划、控制等独立模块
越来越多参赛团队开始采用端到端学习方法，用大规模仿真训练替代传统手工调参
全部知识事实 (10)
分层控制与端到端学习结合的做法是让高层保持可解释的子目标结构，低层用端到端模型提升反应能力，从而兼顾长程规划与实时修正。
50%待验证端到端学习将检测、特征提取、融合、匹配等多阶段整合到一个可联合优化的框架中，减少人工设计模块间的误差累积，但需要大规模带标注视频数据且计算资源要求高。
50%待验证用PyTorch求解背包问题的价值在于需要端到端学习的场景：例如当物品价值或约束本身来自一个神经网络预测时，可以将背包求解器作为可微层嵌入，实现联合训练。
50%待验证标准智能体强化学习主要依赖终点的单一标量奖励，轨迹中间步骤的监督信号被浪费。
50%待验证车载场景下传感器高度、俯仰角和几何关系基本统一，端到端3D检测模型可以较好泛化；路侧场景杆高、倾角、视场角差异巨大，端到端模型极易失效且需要大量位置特定标注数据。
50%待验证端到端学习方法绕过传统的感知-定位-规划-控制分层流水线，直接训练神经网络将原始传感器输入映射为底盘执行指令。
50%待验证NVIDIA在2016年的DAVE-2论文中系统性验证了端到端学习方法：用真实汽车采集前视摄像头画面与人类驾驶员的转向角，训练CNN直接输出方向盘角度。
50%待验证端到端学习指让神经网络直接从原始传感器输入映射到电机控制指令，跳过感知、规划、控制等独立模块的手工设计
50%待验证端到端学习是指让神经网络直接从原始传感器输入映射到电机控制指令，跳过感知、规划、控制等独立模块
50%待验证越来越多参赛团队开始采用端到端学习方法，用大规模仿真训练替代传统手工调参
50%