Kakao Mobility表示，公司自动驾驶研发重点正在发生变化：从尽可能扩大行驶数据采集规模，转向从海量数据中筛选稀缺的高难度场景，并据此提升模型能力。基于现有数据积累，公司计划在年内完成感知与决策一体化的E2E（端到端）模型整合。

Kakao Mobility自动驾驶开发团队AI驾驶负责人 Inho Lim 9月9日在一场媒体研讨会上表示，当前AI竞争的关键，已不只是获取更多数据，而是能否高效筛选出高难度数据。

所谓E2E模型，是指由单一AI模型直接接收传感器输入，并输出驾驶控制结果。与将驾驶规则逐项写入系统的传统方式相比，E2E更依赖大规模行驶记录，通过学习真实驾驶过程形成类似“驾驶直觉”的能力。

Kakao Mobility介绍称，公司于3月16日在江南依托自研技术推出深夜自动驾驶服务。截至8月31日，该服务累计完成2000单，累计行驶里程超过1.3万公里。这些实际道路数据将作为AI训练的重要资产加以利用。

公司还将行驶场景划分为五个等级，以便对数据进行分层管理：1级为遵守信号灯和交通规则的基础场景；2级以防御性驾驶为主；3级需要识别周边车辆关系并完成变道、左转、右转等操作；4级涉及应对加塞车辆和摩托车等复杂情况；5级则是处理难以预测的风险。场景等级越高，相关数据越稀缺。

Inho Lim表示，真正拉开自动驾驶能力差距的，正是4级和5级场景。这部分数据最为稀缺，也是决定模型性能上限的关键因素。他称，数据规模与驾驶性能只在一定区间内呈正相关，超过特定范围后，即便继续投入同等规模的数据，性能提升幅度也会出现明显差异，而差异的根源就在于数据质量。

Kakao Mobility将这类稀缺数据称为“边缘案例”。其自动驾驶车辆会自动识别并保存相关场景：一旦车辆从自动驾驶模式切换至手动模式，系统就会将其判定为异常情况，并同步记录切换前后的相关区间。

这类案例包括凌晨违法掉头的车辆、因下水管施工而需要跨越中央线通行的路段，以及在江南站主干道突然冲出的醉酒行人。采集到的记录会经过五级循环处理流程后，进入训练数据集。过去需要人工逐帧回看和判别的工作，如今在数据上传至服务器后，AI可在数十分钟内完成处理。Inho Lim表示，在低难度区域行驶1年所积累的数据，未必比在江南行驶1个月更有训练价值。

年内推进E2E整合，江南“边缘案例”将直接用于训练

对于“只积累无事故数据”可能带来的样本空白，公司则通过仿真器进行补足。Kakao Mobility认为，如果模型只学习无事故行驶记录，AI可能无法掌握事故场景下的应对方式，从而产生“幸存者偏差”。Inho Lim在强调公司迄今未发生由自身责任导致的人身或财产事故的前提下表示，团队会在仿真器中有意构造事故场景进行验证，包括模拟真实碰撞发生时车辆可能出现的反应，以及面对其他车辆对自动驾驶车辆实施危险行为时的防御方式。

公司表示，上述数据能力建立在8年的实证基础之上。Kakao Mobility于2018年组建自动驾驶TF，2020年3月获得韩国国土交通部颁发的临时道路测试许可；2021年12月在板桥推出载客运输服务；2024年9月承担首尔市自动驾驶运输平台的统筹运营工作。今年3月16日，公司以2辆车在江南启动深夜自动驾驶服务，并于8月20日将运营车辆增至6辆。

在技术架构方面，Kakao Mobility计划将现有数据积累用于决策算法体系的升级。此前，公司采用感知、决策、控制相互分离的三段式架构；今年一季度，又在决策层将规划器拆分为基于规则的规划器和AI规划器双轨运行。按计划，到今年年底，公司将把感知与决策整合为单一E2E模型，再由基于规则的安全评估器对输出结果进行验证，并转换为控制指令。

Inho Lim认为，转向E2E后，感知环节的误差有望减少，乘客因误识别引发的急刹等不适体验也将得到改善。他表示，自动驾驶的发展路径已经相当清晰：一是以安全为最高优先级设计E2E模型，二是持续获取并利用高质量数据，以支撑更智能的自动驾驶能力。