自动驾驶架构的过去十年（2015–2025），是从“人工定义规则”向“数据驱动AI”的全面范式转移。架构演进可以概括为从模块化（Modular）到端到端（End-to-End）的纵向进化，以及从分布式到中央计算的横向集成。

一、 软件架构演进：从“专家经验”到“神经网络”

1. 模块化架构时代 (2015–2020) —— “分而治之”

• 架构逻辑： 将自动驾驶拆分为感知（Perception）、定位（Localization）、预测（Prediction）、**规划（Planning）和控制（Control）**五个独立模块。
• 特征： 模块间通过手动定义的接口（Interface）传递信息。规划层大多基于复杂的 C++ 规则逻辑（If-Else）。
• 痛点： “信息损耗”严重。感知模块过滤掉的细微信息可能是规控层决策的关键。同时，由于规则是人工写的，无法穷举城市道路上的所有极端场景（Corner Cases）。

2. 大模型与 BEV+Transformer 时代 (2021–2023) —— “感知大一统”

• 突破点： 引入 BEV（鸟瞰图） 空间架构，将多个摄像头的 2D 图像在特征层直接融合为 3D 空间。
• 特征： 感知不再是画框，而是生成“占用网络（Occupancy Network）”。这解决了对异形障碍物（如侧翻的车辆）识别困难的问题。

3. 端到端架构时代 (2024–2025) —— “One Model”

• 核心逻辑： 传感器数据（视频/点云）直接输入，驾驶指令（转向/刹车）直接输出。
• 特征： 整个过程由一个巨大的神经网络完成，不再有明确的模块边界。
• 2025 现状： 以特斯拉 FSD v12 和国内头部新势力为代表，系统表现从“像机器”进化到“像老司机”，具备了处理复杂博弈的能力。

二、 硬件架构演进：从“分散”到“中央大脑”

三、 关键里程碑对比 (2015 vs 2025)

• 2015 年： 架构以 Apollo 早期版本 为代表，依赖高精地图，代码库中充斥着针对特定路口的硬编码（Hard-coding）。
• 2025 年： 架构以 VLA（视觉-语言-动作）大模型 为核心。车辆不仅能“看”，还能通过大模型产生的“常识”来理解路人的意图，实现了真正的“无图”全球通。

四、 2025 年的架构新支柱：可观测性监控

在 2025 年，由于端到端模型是“黑盒”，架构中引入了强大的监控与自愈系统：

• eBPF 实时监控： 在 Linux 内核层监控 AI 任务的执行延迟。如果神经网络推理超时 1ms，备份的逻辑规则库（Safety Shield）会立即介入接管。
• 影子模式 2.0： 车端运行“主模型”，云端运行“教练模型”，两者实时比对，通过车云协同实现架构的每日自动进化。

总结：架构的终局是“具身智能”

自动驾驶架构的十年演进，本质上是减少人工定义的约束，释放数据的生产力。

• 过去： 工程师告诉车“遇到障碍物向左绕行”。
• 现在： 工程师给模型喂几百万小时的优质驾驶视频，让车“悟”出如何优雅地绕行。