自动驾驶技术从实验室的算法验证走向大规模量产应用，是一场充满挑战的征程。这段征程的核心驱动力，不仅是芯片和传感器的升级，更是一场关于数据的"喂养"竞赛------从简单的像素标注到多模态大模型的理解，数据需求的演变悄然推动着自动驾驶的每一次跨越。
早期依靠摄像头的辅助驾驶（2010~）
一切始于一颗 720p 的单目摄像头。汽车企业通过 TuSimple、KITTI 等开源数据集，教会车辆识别车道线和行人，此时的算法像一名"新手司机"：检测到障碍物就刹车，偏离车道则微调方向。但问题显而易见------雨雪天气下摄像头容易失效，复杂路况的泛化能力几乎为零。这个阶段的技术主要应用于辅助驾驶 L0 和 L1 等。数据需求以及对应的开源数据集主要为车道线识别（如 TuSimple）、可行驶区域检测（如 KITTI Road）、障碍物目标检测（如 BDD100K）和语义分割（如 Cityscapes），标注方式多为折线或边界框。
零起点解读------自动驾驶科普讲座之早期依靠摄像头的辅助驾驶
多传感器时代（2015~）
激光雷达和毫米波雷达的加入，让车辆"看"得更远、更准，通过多传感器融合，实现了 3D 目标检测和跨模态追踪。点云数据标注要求车辆不仅识别障碍物，还需标注 3D 包围盒的方位、尺寸和运动状态。此时的自动驾驶已能应对城市道路的变道辅助（L2）和高速导航（L3），但感知阶段的融合方式不够简洁，且硬件成本高昂和复杂的多传感器对齐问题，让量产成为难题。
BEV 融合感知（2022~）
BEV（鸟瞰视角）融合感知技术核心在于将多传感器数据统一投影到俯视网格中，解决了多模态数据融合的难题。纯视觉派（8 颗摄像头）和激光雷达派殊途同归：几何精度与语义理解得以兼得，避免了直接在原始数据或高层输出上融合带来的对齐困难与信息丢失。这一阶段的数据利用效率大幅提升，同一段视频可同时训练车道线识别、路径规划等多个任务。数据采集和标注需求虽未变化，但 BEV 让低成本方案成为可能。
OCC 占据网格（2023~）
传统 3D 包围框只能告诉车辆"前方有车"，而 OCC 占据网格技术通过动态目标追踪和 4D 静态分割，实现了体素级的场景重建。简单来说，车辆能判断"这辆车的右后方是否被遮挡"。数据加工需融合动态物体轨迹与高精地图重建，标注每一帧的占据状态。这一技术正在攻克匝道汇流、夜间鬼探头等极端场景，为 L4 级自动驾驶铺路，从"看见"到"理解"，提升驾驶安全。
在线高精地图（2023~）
传统自动驾驶系统依赖 HD 地图提供厘米级定位和丰富的语义信息，然而 HD 地图的高昂制图、更新与维护成本，以及对新区域的覆盖难题，限制了大规模部署和异地迁移。清华 MARS 实验室通过车载传感器实时构建车道拓扑（如 OpenLaneV2 数据集），替代昂贵的高精地图采购。这类数据需标注车道中心线、道路要素、拓扑关系，甚至支持"红绿灯右转后并线"的复杂指令解析。
端到端模型（2024~）
端到端模型抛弃了模块化设计，直接输入传感器数据输出控制信号，这对极端场景泛化能力与安全可验证性提出更高要求，训练数据需求量与计算成本剧增。如特斯拉 FSD v12 的底层逻辑，是将 100 万段真实驾驶视频压缩到神经网络中，让车辆像人类一样"直觉驾驶"。这种模式无需人工标注车道线，但依赖海量驾驶行为数据（尤其是极端场景），并通过"影子模式"持续收集用户数据。
多模态大模型（2025~）
VLM VLA 这一阶段通常也被宣传为端到端。训练这类模型需将视频、控制信号与语言描述精准对齐。其技术特点在于端到端控制输出、多模态融合等，不仅生成控制命令，还能输出语言解释。未来的车辆不仅是执行者，更是具备推理能力的"伙伴"，甚至能解释决策逻辑。但 VLA 的标注成本高且需具备专业背景的标注员，标注一致性难保证，如何将模拟迁移到现场场景也尚待解决。
自动驾驶的终局，或许不取决于传感器的数量或算法的复杂度，而在于谁能更高效地将路况转化为数据，再将数据沉淀为通用智能。当一辆车能理解"晚高峰右转道的加塞潜规则"，或是读懂山区暴雨中的模糊标线时，这场技术革命才真正从实验室走进人类社会。
点击了解更多自动驾驶科普讲座：