The system automatically learns int

The system automatically learns internal representations ofthe necessary processing steps such as detecting usefulroad features with only the human steering angle as thetraining signal. We never explicitly trained it to detect, for example, theoutline of roads. Compared to explicit decomposition of the problem, such aslane marking detection, path planning, and control, our endto-end system optimizes all processing steps simultaneously. We argue that this will eventually lead to better performanceand smaller systems.

結果 (繁體中文) 1:

的系統自動學習的內部表示
的必要的處理步驟，例如檢測有用
僅與人類轉向角作為道路設有
訓練信號。
我們從來沒有顯式訓練它來檢測，例如
道路的輪廓。
相較於問題的明確的分解，如
車道標線檢測，路徑規劃和控制，我們的端到端系統同時優化了所有的處理步驟。
我們認為，這將最終導致更好的性能
和更小的系統。

結果 (繁體中文) 2:

系統自動學習
必要的處理步驟，如檢測有用的
道路特徵，只有人類轉向角度作為
訓練信號。
• 我們從未明確訓練它來檢測，例如，
道路輪廓。
• 與顯式分解問題相比，例如
車道標記檢測、路徑規劃和控制，我們的端到端系統可同時優化所有處理步驟。
• 我們認為，這最終將帶來更好的性能
和更小的系統。

結果 (繁體中文) 3:

系統自動學習
必要的處理步驟，如檢測有用的
只有人類轉向角作為
訓練訊號。
我們從未明確地訓練它去檢測，例如
道路輪廓。
與問題的顯式分解相比，例如
車道標記檢測、路徑規劃和控制，我們的端到端系統同時優化所有處理步驟。
我們認為這最終會帶來更好的效能
以及更小的系統。