自動駕駛的難題主要集中于行為預(yù)測以及路徑規(guī)劃

自動駕駛軟件技術(shù)主要分為計(jì)算機(jī)視覺、行為預(yù)測以及路徑規(guī)劃。很多人誤以為，自動駕駛面臨最難攻克的技術(shù)在于計(jì)算機(jī)視覺，實(shí)則不然。過去十年里，隨著深度學(xué)習(xí)的廣泛應(yīng)用，計(jì)算機(jī)視覺技術(shù)發(fā)展迅速。只要加以時日訓(xùn)練模型，提供充足的數(shù)據(jù)，計(jì)算機(jī)視覺就可以探測大部分的情景。如今，自動駕駛的難題主要集中于行為預(yù)測以及路徑規(guī)劃。

針對行為預(yù)測以及路徑規(guī)劃，大部分自動駕駛公司采取的方法是將人類的駕駛習(xí)慣拆分成多個組成部分，把每一部分轉(zhuǎn)化為代碼，寫入自動駕駛車的“大腦”中。比如，如果要從行人后面超過去，就必須和行人保持一米距離。這樣的研發(fā)方法雖然最直接，但問題是，人類的駕駛習(xí)慣十分龐雜，如果一部分一部分地去開發(fā)，不但耗時耗力，而且永遠(yuǎn)無法解決“長尾問題 ”。

這時，我們需要自動駕駛車自己去“主動學(xué)習(xí)”如何駕駛，將有限的人類提供的數(shù)據(jù)最大化。如果我們回憶小時候是如何學(xué)會騎自行車的，會發(fā)現(xiàn)其實(shí)大人們并不會告訴你到底該怎么騎，主要還是靠自己探索，最終習(xí)慣了也就熟練了。近年來，一些自動駕駛公司開始探索這一種方式，通過利用有限的人類提供的數(shù)據(jù)，“主動學(xué)習(xí)”駕駛。這就需要將大量的機(jī)器學(xué)習(xí)運(yùn)用于行為預(yù)測以及路徑規(guī)劃。

機(jī)器學(xué)習(xí)的技術(shù)競爭就好像一場太空競賽，各個公司都在搶占這一領(lǐng)域。然而，大量的機(jī)器學(xué)習(xí)往往意味著高額計(jì)算成本與復(fù)雜的模型總結(jié)工具。

Cruise公司在去年年底的NeurIPS大會上分享了他們的機(jī)器學(xué)習(xí)方法，他們針對機(jī)器學(xué)習(xí)過程所打造的開發(fā)工具有一定的代表性。下圖是Cruise機(jī)器學(xué)習(xí)的基本流程。首先，通過駕駛獲得數(shù)據(jù)，找到駕駛中的錯誤或是值得深究的邊角案例。然后將這一小部分?jǐn)?shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)識，作為數(shù)據(jù)的訓(xùn)練集。新的數(shù)據(jù)用于訓(xùn)練模型，更新的模型用于下一次駕駛。

看似簡單的流程，實(shí)現(xiàn)起來卻沒那么容易。駕駛的數(shù)據(jù)龐雜，工程師們需要一個可以快速將數(shù)據(jù)分類的方法。在下圖中，自動駕駛車正在嘗試做無保護(hù)左轉(zhuǎn)。根據(jù)其他車輛的駕駛路徑，我們可以將他們的概率總結(jié)為三種，也就是圖中的三種顏色。

在計(jì)算概率的基礎(chǔ)之上，我們還需要利用路徑對概率的”性質(zhì)“做出語義判斷，用機(jī)器對數(shù)據(jù)直接進(jìn)行標(biāo)識。

另外，路徑的分類需要與高精地圖相結(jié)合。比如，利用相似性搜索功能，工程師們可以迅速找到所有類似的交叉口，找到相似路口之間的細(xì)微區(qū)別，針對該道路類型集中訓(xùn)練。

模型訓(xùn)練之后，工程師們需要一個工具，對比多個模型的訓(xùn)練結(jié)果，對模型進(jìn)行“內(nèi)省”，讓機(jī)器學(xué)習(xí)變得可以被解釋（interpretable）。在下圖中，工程師可以觀察模型不同參數(shù)的表現(xiàn)情況。

路徑數(shù)據(jù)也可以與高精地圖相結(jié)合，讓路徑預(yù)測的結(jié)果顯而易見。在下圖中，箭頭的粗細(xì)代表選擇該路徑的車的數(shù)量。綠色代表路徑預(yù)測正確，黑色代表預(yù)測錯誤。

另外，Cruise已經(jīng)將他們的可視化工具開源，有興趣的朋友可以參考。

在肺炎疫情期間，各公司雖然無法上路測試采集數(shù)據(jù)，但是可以利用這段時間認(rèn)真開發(fā)這些工具。等路測恢復(fù)后，就可以馬上將模型訓(xùn)練結(jié)果投入使用。