十月初，诺贝尔物理学奖揭晓，“机器学习专家”约翰·霍普菲尔德（John J. Hopfield）和“AI教父”杰弗里·辛顿（Geoffrey E. Hinton）凭借“基于人工神经网络实现机器学习的基础性发现和发明”共同获奖。这一事件引发了广泛讨论，不仅是因为诺贝尔物理学奖首次与人工智能技术联系在一起，更因为神经网络及其相关的深度学习理论为众多领域带来了颠覆性创新。人工神经网络是一种模仿人脑神经元工作方式的数学模型，它能通过学习大量的数据来识别模式并进行预测。
通过构建多层结构（即深度学习），这种网络可以从高维度的数据中抽取复杂的特征，极大地增强了机器学习的能力，特别是在处理诸如图像识别和自然语言处理这类大规模复杂数据的应用中。端到端学习（End-to-End Learning）正是建立在这种深度学习框架之上的一种方法，其核心在于使用单一的神经网络模型直接从输入数据生成最终输出结果。在自动驾驶中，这种架构打破了传统模块化系统的“瓶颈”。
传统的自动驾驶系统依赖于多个独立的模块，如感知、定位、决策和控制，每个模块负责处理不同类型的信息。然而，在复杂多变的道路环境中，这样的模块化架构可能会导致信息交互的延迟，进而影响决策的速度。
图片源于网络公开资料
与之相对，端到端学习通过统一模型，从传感器（如摄像头、激光雷达等）直接获取输入并做出决策。这一架构将整个作业过程视作一个整体进行优化，避免了模块化系统中的信息传递瓶颈，提升了反应速度和决策精度——在行人突然出现或车辆变道等动态场景中，端到端模型能够更快速地适应变化，做出精准反应。
图片源于网络公开资料
虽然，当前端到端学习还存在过程难以解释和强依赖多样化数据等问题，但在处理复杂任务上的显著优势使得它成为了具身智能、无人驾驶等众多行业的首选方法。而在环卫领域，障碍物的交互机制非常复杂，因此端到端学习展现了其独特的潜力。
在传统环卫工作中，无论是人工还是早期的自动化设备，通常需要经历一个复杂的过程：首先由传感器收集环境信息，然后通过预处理模块进行信息分类和整理；接着由决策模块根据整理后的信息做出判断；最后由执行机构完成相应的动作。
这种分步处理的方式虽然在一定程度上实现了自动化，但在面对突发状况时往往反应迟缓，且各模块之间可能存在信息传输延迟的问题。
与此形成鲜明对比的是，端到端学习采用了一种全新的集成方式。
我们将这一技术应用于无人清扫机器人，通过统一的神经网络模型整合感知、决策和执行过程，形成一体化的高效工作模式，更好地应对复杂多变的作业环境。以无人清扫机器人星筠®为例，它的传感器会持续采集周围环境的数据，如路况、天气变化、交通流量以及地面的脏污情况，基于这些实时数据，端到端模型能够直接生成清扫决策，包括行进路径、避障策略以及对清扫力度和频次的调整。这种方式不仅简化了决策链条，还极大程度上减少了信息传递中的延迟现象，使得机器人能够在几乎无感的情况下迅速响应环境变化。此外，由于所有步骤都在同一算法框架内完成，机器人可以实现更为协调一致的操作，从而提升整体工作效率。机器人规模化是数据池积累的重要优势。
库萨科技积累了超6万辆环卫车的作业数据，依托云端管理系统的强大数据处理能力，为端到端学习的算法优化提供了丰富的数据池。在上海、江苏、浙江、四川等地区的商业化运营中，星筠®每日生成的清扫数据都会实时上传至云端，进行集中处理与分析。
系统会从这些数据中提取出不同路况、天气、时间段等关键特征，并持续优化机器人的算法，使其能更加精准、高效地应对多样化的作业场景。每一批新数据都为端到端模型提供了更全面的环境反馈，从而使机器人在长期运行中能更精准地适应复杂环境，真正实现自我进化。通过这种持续学习机制，无人清扫机器人星筠®不仅提高了清扫作业的效率和灵活性，还为城市服务提供了更多可能性。随着技术的不断进步和数据的持续积累，端到端学习会持续推进无人清扫技术发展，实现更加智能、高效的清洁作业。未来，随着更多应用场景的拓展，端到端学习有望在更多领域发挥其独特的优势，进一步促进城市建设和可持续发展。
