От классических пайплайнов обработки данных тренды ведут нас к End-to-End архитектуре. Казалось бы, что может быть проще? Не нужны знания дискретной математики, сложных методик управления. Возьми и натренируй нейронную сеть - нужно, конечно, подготовить датасеты и взять в датацентре множество вычислителей. Это всё очень понятный и масштабируемый процесс. А специалистов по системам управления где искать? Сколько им нужно платить?
У каждого подхода есть свои плюсы и минусы.
Улучшения:
- Переход к End-to-End упрощает интеграцию мультимодальных данных. RL и MPPI позволяют роботам строить маршруты в реальном времени с учетом динамических препятствий. VLM анализируют сцены и генерируют текстовые описания.
- End-to-End подходы сокращают время разработки, если налажен процесс сбора данных и обучения.
Проблемы:
- Работа RL в реальном времени, породившая множество подходов: HER, DDPG, PPO.
- Затраты на поддержку таких проектов получаются гораздо выше традиционного подхода.
- Проблема несогласованности сенсоров.
- Проблема ошибок в неопределенных условиях - стратегии «Safe RL» и «Uncertainty Estimation» (Monte Carlo Dropout, Bayesian Neural Nets).
- Все равно требуется hybrid safety layer.
- Соответствие End-to-End систем требованиям ISO 26262, IEC 61508.
- Низкий ROI при внедрении End-to-End решений в конкретных индустриальных сценариях (логистика, производство, сервис).
Со временем в области embedded многое изменилось, но старые методы всё ещё используются. Теперь данные готовятся внутри специальных модулей, а в обработку отправляются уже подготовленные.
Пример: Realsense D405. Это устройство, которое хорошо интегрировано и само готовит карты глубины внутри себя. Мы упростили себе задачу, не думая о сложных вещах, связанных со стереозрением, и просто подобрали подходящее устройство для нашего проекта.