🗾ITmedia AI+ (日本)•最新收集於 37m
Waymo 揭示自動駕駛 AI 策略
💡了解 Waymo 為何質疑單一模型 E2E 路線，掌握自動駕駛 AI 架構選型的重要考量。
⚡ 30-Second TL;DR
有什麼變化
Waymo 以自 2009 年 Google Self-Driving Car Project 開始的長期研發經驗為技術基礎
為什麼重要
Waymo 的觀點可為自動駕駛開發者評估端到端架構與傳統分層式系統提供參考。其商業化服務經驗也使這場架構討論更貼近實際部署與營運需求。
下一步行動
將 Waymo 對單一模型 E2E 方案的兩項疑慮納入你的自動駕駛系統架構評估表，並與分層式設計比較可驗證性與部署風險。
誰應關注：Researchers & Academics
關鍵要點
- •Waymo 以自 2009 年 Google Self-Driving Car Project 開始的長期研發經驗為技術基礎
- •公司針對單一 AI 模型主導的端到端（E2E）自動駕駛方案提出兩項問題
- •Waymo 目前將這套自動駕駛技術應用於美國的無人駕駛移動服務
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Waymo 指出端到端（E2E）模型缺乏可解釋性（Interpretability），難以在發生錯誤時進行除錯與驗證，這對安全至關重要的自動駕駛系統構成挑戰。
- •針對端到端模型，Waymo 強調其難以處理長尾場景（Long-tail scenarios），即那些極少發生但極度危險的邊緣案例，因為單一模型難以保證對這些罕見情況的覆蓋率。
- •Waymo 目前採用的是模組化架構（Modular Architecture），將感知、預測與規劃分開處理，這種架構允許工程師針對特定模組進行優化與壓力測試。
- •Waymo 的自動駕駛系統已整合了多模態感測器融合技術，結合光達（LiDAR）、雷達與高解析度攝影機，以確保在惡劣天氣與複雜城市環境下的冗餘性。
- •Waymo 透過其累積的數十億英里模擬測試數據（Simulation Data），持續訓練其行為預測模型，以提升車輛在複雜路口與行人互動的決策精準度。
📊 競品分析▸ Show
| 特色/公司 | Waymo | Tesla (FSD) | Zoox |
|---|---|---|---|
| 核心架構 | 模組化架構 (Modular) | 端到端神經網路 (E2E) | 模組化架構 |
| 感測器策略 | 光達為主 (LiDAR-heavy) | 純視覺 (Vision-only) | 光達與雷達融合 |
| 營運模式 | 無人駕駛計程車 (Robotaxi) | 消費者輔助駕駛/Robotaxi | 無人駕駛計程車 (Robotaxi) |
🛠️ 技術深入
- 模組化架構：將系統拆分為感知（Perception）、預測（Prediction）與規劃（Planning）三個核心模組，確保每個環節皆可獨立驗證。
- 感知層：利用深度學習模型處理多感測器數據，實現 360 度環境建模與物體分類。
- 預測層：基於 Transformer 架構預測周遭用路人（車輛、行人、騎士）的未來軌跡，並評估多種潛在路徑的機率。
- 規劃層：採用基於規則與學習相結合的決策引擎，確保車輛行駛符合交通法規並維持乘客舒適度。
- 模擬系統：使用大規模雲端運算進行「結構化測試」，在虛擬環境中重現真實世界的複雜交通場景以進行模型迭代。
🔮 前景展望AI analysis grounded in cited sources
Waymo 將持續拒絕全面採用端到端 AI 模型。
基於對系統可解釋性與安全驗證的堅持，Waymo 傾向於保留模組化架構以確保商業營運的安全性。
自動駕駛產業將出現模組化與端到端技術路線的長期分歧。
Waymo 與 Tesla 代表了兩種截然不同的技術哲學，兩者在安全性與擴展性上的競爭將決定未來自動駕駛的主流架構。
⏳ 時間線
2009-01
Google 啟動 Self-Driving Car Project
2016-12
Waymo 正式從 Google X 獨立成為 Alphabet 旗下子公司
2020-10
Waymo 在鳳凰城向公眾開放完全無人駕駛計程車服務
2023-08
Waymo 獲得加州公用事業委員會批准，在舊金山提供 24/7 全天候無人駕駛服務
2025-06
Waymo 宣布其無人駕駛車隊累積行駛里程突破 200 億英里（含模擬）
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ITmedia AI+ (日本) ↗