特斯拉FSD V12据说马上要推送国内，看油管视频貌似效果很好，这不得不引起警觉，端到端的自动驾驶真的要来了! 自动驾驶行业里的芸芸众生将不得不面临新一轮的洗牌。
我从不怀疑新技术更新迭代的速度，看看SpaceX发火箭的情况就知道：马斯克和资本家都残忍，端到端一上线，立刻裁员10%，相信这中间不少是V12之前的功勋人员，那也毫不留情一脚踢开！幸运的是，在中国还有一丝喘息之机，让你在有稳定收入的时候，能思考未来；这并不是中国资本家底线更高，而是他们缺少透过迷雾看穿本质的能力和决心。
自动驾驶生态链中职位有很多，面对即将到来的冲击，我们只有不断调整自己的身位，才能找到一个合适的位置潜伏，安稳度过职业生涯。今天结合自动驾驶不同职位特点和工作内容，分别预测一下对应的前景和作用，给大家一个参考，一家之言，抛砖引玉：
1. 感知模型工程师
毫无疑问感知模型工程师将是端到端模型的最大受益者，在端到端时代将继续大放异彩，对模型的理解和炼丹将主导一切，大杀四方。不同的是端到端模型需要更加全局的角度考虑问题，和感知object的准招率不同，模型将直接对自动驾驶结果负责，所以需要有更加全局的视野，考虑只有模型工程师才能调参炼丹，感知模型工程师将继续担任端到端模型工程师的主力，推荐指数5颗星。
2. 预测工程师
预测工程师也是会模型的工程师，在端到端中搭模型依然是核心价值，所以预测工程师能转型为端到端工程师，和感知类似，需要跳出原来的框框，应用场景完全改变，但我依然看好预测工程师，这和交叉学科带来的红利类似，端到端学习过程中，预测的背景可能会带来一些不一样的效果，当然规划就没有这些红利了，毕竟还是模型背景，只有同一维度的交叉才能带来红利。推荐指数5颗星。
3. 融合工程师
融合工程师基本是传统的多传感器融合，用的是跟踪匹配的方法，这类工程师端到端模型中将无用武之地，就是这么残忍，端到端已经可以特征级融合，不需要目标级的融合，融合工程师的技术栈是：匈牙利匹配、运动补偿、卡尔曼滤波等。在端到端模型中，唯一有用的知识是运动补偿，这方面还有定位、控制等工程师分食，未来端到端也可以学习，可变形注意力机制等等将不需要融合工程师的技术栈。推荐指数1颗星。
4. 地图定位工程师
端到端大概率是SD地图，高精地图将被淘汰，这已经是现实。地图地位工程师的技术栈是：卡尔曼滤波、运动补偿、地图要素等，在端到端模型中也将淘汰，唯一能起作用的是在大屏显示时候，做一些目标的跟踪和滤波，但是这类工作对精度要求不高，只要求稳定性，地图定位工程师将没有太好的发展，推荐指数2颗星。
5. 规划决策工程师
规划决策工程师将是端到端模型最大的受害者，在基于规则的时代，规划决策是自动驾驶全链条的核心，而在端到端时代，将无安身之所，不禁让人唏嘘。决策规划工程师的技术栈是：数值优化、规则调参、ST图、变道、选空、安全边界等等、端到端时代将完全抛弃，如果前期基于规则还能作为冗余备份出现，到后面随着端到端数据和效果的提升，将有可能彻底退出历史舞台。推荐指数1颗星。
6. 标定工程师
标定工程师主要是Camera、和雷达外参，对应的技术栈是：动态、静态标定、数值优化、基础矩阵等，总之还是传统CV的范畴，当下BEVformer和tesla的4DBEV，都还是需要先进行标定和Camera校准，但最近的模型都在想办法跳过标定，让模型自己适应内外参数，相信跳过标定步骤也只是迟早的问题。到时Camera的校准也只有理论指导作用，考虑到还有一定的作用，推荐指数3颗星。
7. 控制工程师
控制工程师还是有一定的发挥空间，这主要是因为规划到控制的数据传输没有太多的信息丢失，所以很多端到端的模型还是只到轨迹，没有把控制包含在内，这样控制在端到端模型中还有生存空间。不排除后面的端到端会直接到控制指令的输出，毕竟只要端到端够稳定，就没有控制的必要了。控制的技术栈是：PID、MPC、LQR、控制理论、数值优化等等，推荐指数3颗星。
8. 功能软件工程师
功能软件的主要任务是人机交互、状态机、进程管理、车身信号平台化等等，幸运的是：在端到端时代依旧还有发展和思考的空间，例如：结合端到端的特性，如何更好的展现出更高维度的人机共驾，将是下一个时代自动驾驶比拼的方向。加之没有决策规划模块插手，功能的状态将完全依赖状态机的控制，端到端时代将更加*，推荐指数4颗星。
9. 中间件工程师
中间件工程师主要分为两个方面，一方面对Autosar工具链熟悉，例如Vector的达芬奇等等；还有一种是自研了一些功能，二次开发了Ros2和CyberRT等等，Ros2和二次开发将从汽车电子软件中消失，这里不讨论。总之，端到端时代，中间件将极大的弱化了IPC，进而突出诊断等其他功能安全相关的功能，所以端到端的时代中间件工程师依然能很好地发挥，而且Autosar工具链还有较深的护城河；推荐指数4颗星。
10. 架构工程师
基于规则的时代，软件、系统架构的技术栈主要是：平台化、SWC设计、芯片算力、中间件、BSP驱动、功能安全、失效分析等等，对软件架构的要求其实很高，在端到端时代只是弱化了SWC设计，其他知识依然还能发挥，总之端到端时代在弱化了算法后，各家的护城河会慢慢转移到功能安全、FMEA等内容上。架构工程师也需要对模型优化等内容有了解，方便更好的优化系统，推荐指数4颗星。
11. 产品工程师
产品工程师本来也没有深耕算法，对于他来说实现功能就行，至于是规则还是端到端没区别，产品工程师主要是熟悉竞品功能，统计效能、主观体验、横纵向对比等等，由于在端到端时代好坏很难量化，导致主管感受更加重要，推荐指数3颗星。
12. 系统工程师
系统工程师再基于规则时代，主要是拆解需求、跟踪链路和结果、写文档、对模块要求有一定的理解，端到端时代对系统工程师的需求将弱化，没有模块需要理解，模型将无法理解，只要知道把什么数据放进去训练就行了，人机交互方面的理解也将是功能软件开发工程师的内容，推荐指数2颗星。
13. 功能安全工程师
功能安全毫无疑问在基于规则的时代是被冷落的功能，所有公司把功能做出来是第一位的，整个功能链路很长，占据了绝大部分精力，功能安全被认为是过时和束缚的功能，这也或多或少的导致了一些事故，不过没有人统计和在乎，相信在端到端时代，会有更多精力关注这方面，不管效果如何，至少可以大声喊出：汽车自动驾驶，安全、安全、安全、安全第一！打造一个更加高级的人设(马光林尚能饭否?)。推荐指数5颗星。
14. 工具链开发工程师
其实工具链开发和自动驾驶关联不大，给谁都是工具链开发，这里主要是为了自动驾驶开发显示、调试、数采等工具，端到端时代依然需要这些工具，同时最好熟悉Tensorboard等模型的可视化工具。推荐指数3颗星。
15. 数据标注工程师
数据标注工程师不光是画框框，这里也包含相关工具的开发和理解，端到端时代将是香饽饽，按照大语言模型的经验，当数据量达到一定的量级时，就能达到某种智能。数据量和数据标注，将是影响好坏的另一个关键因素，所以数据标注工程师和模型设计将同等重要，推荐指数5颗星。
16. 数据处理工程师
数据处理主要工作是数据清洗、云端保存、云端调用、数据加密等内容，不管是基于规则还是端到端，这部分工作重要性基本不变，端到端时代可能会提高数据的量级和质量，但其实基于规则时代并不是没有这些要求，所以数据处理工程师能随着量级重要性一起提高一点，总之数据处理还是旱涝保收的，推荐指数4颗星。
17. 测试工程师
测试工程师和算法也没有太大的关系，端到端时代依然是考察系统的百公里接管次数、系统的平稳性、主观感受等，测试依然是验证软件有效性的手段，也是数据采集的重要来源，测试工程师推荐指数3颗星。
认清局势，放弃幻想，拥抱未来，迎接战斗。接下来我也会重点学习模型相关的内容，保证在冲击下不至于掉队。推荐学习up主：迪哥的人工智能课