端到端自动驾驶
自动驾驶系统架构范式，将感知、预测、规划、控制等模块整合为统一可学习的神经网络，相比传统模块化流水线具有更强的端到端优化能力
时间轴 (近 90 天)
一篇最新研究将机械可解释性（Mechanistic Interpretability）引入端到端自动驾驶领域，通过稀疏自编码器（SAE）解剖模型内部激活，找到了与路线意图、车速、刹车行为对齐的可解释结构，并证明这些特征能实际用于提升规划性能。
端到端模型直接从传感器输入生成行驶轨迹，避免了传统模块化栈中的信息瓶颈，但开发者无法确切知道模型为何选择某条轨迹，更难以在异常情况下进行干预和调试。
该实验基于单摄像头简化模型，向多传感器、复杂城市场景的迁移仍需验证；SAE的训练成本与稳定性、特征在不同驾驶分布下的泛化能力，也是落地前需要回答的问题。
端到端自动驾驶方案试图用一个统一的神经网络直接将摄像头、激光雷达等传感器的原始输入映射为方向盘转角、油门刹车等控制指令，省去人工设计的中间模块
端到端自动驾驶方案训练一个统一的大型神经网络，输入摄像头、激光雷达等原始感知数据，直接输出方向盘转角和油门刹车指令
全部知识事实 (5)
一篇最新研究将机械可解释性（Mechanistic Interpretability）引入端到端自动驾驶领域，通过稀疏自编码器（SAE）解剖模型内部激活，找到了与路线意图、车速、刹车行为对齐的可解释结构，并证明这些特征能实际用于提升规划性能。
50%待验证端到端模型直接从传感器输入生成行驶轨迹，避免了传统模块化栈中的信息瓶颈，但开发者无法确切知道模型为何选择某条轨迹，更难以在异常情况下进行干预和调试。
50%待验证该实验基于单摄像头简化模型，向多传感器、复杂城市场景的迁移仍需验证；SAE的训练成本与稳定性、特征在不同驾驶分布下的泛化能力，也是落地前需要回答的问题。
50%待验证端到端自动驾驶方案试图用一个统一的神经网络直接将摄像头、激光雷达等传感器的原始输入映射为方向盘转角、油门刹车等控制指令，省去人工设计的中间模块
50%待验证端到端自动驾驶方案训练一个统一的大型神经网络，输入摄像头、激光雷达等原始感知数据，直接输出方向盘转角和油门刹车指令
50%