深度剖析Auto ML機(jī)器學(xué)習(xí)幫助Waymo發(fā)展自動駕駛技術(shù)的發(fā)展歷程

美國當(dāng)?shù)貢r間1月16日，全球自動駕駛領(lǐng)頭羊Waymo，發(fā)布了十年周年慶祝短視頻，并且在官方博客上發(fā)布了關(guān)于“Auto ML（Auto Machine Learning）”的文章，深度剖析了Auto ML與Google AI大腦，是如何幫助Waymo發(fā)展自動駕駛技術(shù)的。

在Waymo的官方推特上寫著：十年前的這個星期，“項目司機(jī)”正式成立，其使命是改善道路安全，使交通更加便利。從這個“登月”項目，到谷歌自動駕駛汽車項目，現(xiàn)在是Waymo，一起為下一個十年及更遠(yuǎn)的將來而努力！

下面是關(guān)于Auto ML的文章，在Waymo，機(jī)器學(xué)習(xí)幾乎在自動駕駛系統(tǒng)的每個部分都扮演著關(guān)鍵角色。它幫助我們的汽車看清周圍的環(huán)境，理解世界，預(yù)測他人的行為，并決定他們下一步的最佳行動。

以感知為例，Waymo的系統(tǒng)采用了神經(jīng)網(wǎng)絡(luò)的組合，使Waymo的車輛能夠解讀傳感器數(shù)據(jù)、識別物體，并隨著時間的推移跟蹤它們，從而對周圍的世界有一個深入的了解。

創(chuàng)建這些神經(jīng)網(wǎng)絡(luò)通常是一項耗時的任務(wù)：優(yōu)化神經(jīng)網(wǎng)絡(luò)架構(gòu)，以達(dá)到自動駕駛汽車運(yùn)行所需的質(zhì)量和速度，是一個復(fù)雜的微調(diào)過程，Waymo工程師可能需要數(shù)月時間來完成一項新任務(wù)。

現(xiàn)在，通過與來自Google AI大腦的研究人員合作，Waymo正在將前沿研究付諸實(shí)踐，以自動生成神經(jīng)網(wǎng)絡(luò)。更重要的是，這些最先進(jìn)的神經(jīng)網(wǎng)絡(luò)比那些由工程師手工調(diào)整的神經(jīng)網(wǎng)絡(luò)質(zhì)量更高、速度更快。

為了將Waymo的自動駕駛技術(shù)應(yīng)用到不同的城市和環(huán)境中，需要針對不同的場景快速優(yōu)化Waymo的模型。Auto ML使Waymo能夠做到這一點(diǎn)，高效和連續(xù)地提供大量ML解決方案。

01

遷移學(xué)習(xí)：使用現(xiàn)有的自動化架構(gòu)

Waymo和Google AI大腦的合作始于一個簡單的問題：Auto ML能否為汽車生成高質(zhì)量、低延遲的神經(jīng)網(wǎng)絡(luò)？

質(zhì)量衡量的標(biāo)準(zhǔn)是由神經(jīng)網(wǎng)絡(luò)產(chǎn)生的答案的準(zhǔn)確性，延遲度量網(wǎng)絡(luò)提供答案的速度，也稱為推理時間。由于駕駛是一種活動，它要求車輛使用實(shí)時答案，并且考慮到系統(tǒng)的安全性，神經(jīng)網(wǎng)絡(luò)需要在低延遲的情況下運(yùn)行。大多數(shù)網(wǎng)絡(luò)直接運(yùn)行在Waymo的車輛上，結(jié)果少于10毫秒，這比部署在數(shù)千臺服務(wù)器上的數(shù)據(jù)中心中的許多網(wǎng)絡(luò)要快。

在原來的Auto ML論文（Learning Transferable Architectures for Scalable ImageRecognition PDF），谷歌AI的員工能夠自動探索12000多個架構(gòu)解決CIFAR－10的經(jīng)典圖像識別任務(wù)：確定一個小形象代表十個類別之一，比如買一輛汽車、飛機(jī)、一只狗，等等。

在后續(xù)文章（NEURAL ARCHITECTURE SEARCH WITHREINFORCEMENT LEARNING

PDF），他們發(fā)現(xiàn)了一個家庭的神經(jīng)網(wǎng)絡(luò)的構(gòu)建塊，稱為NAS單元，這可能是由自動構(gòu)建比手工網(wǎng)CIFAR－10和類似的任務(wù)。通過這種合作，Waymo的研究人員決定使用這些單元來自動構(gòu)建針對自動駕駛?cè)蝿?wù)的新模型，從而將CIFAR－10上的知識轉(zhuǎn)移到汽車領(lǐng)域，第一個實(shí)驗是語義分割任務(wù)：識別激光雷達(dá)點(diǎn)云中的每個點(diǎn)，如汽車、行人、樹等。

為此，Waymo研究人員建立了一個自動搜索算法，在卷積網(wǎng)絡(luò)架構(gòu)（CNN）中探索數(shù)百種不同的NAS單元組合，為Waymo的激光雷達(dá)分割任務(wù)訓(xùn)練和評估模型。當(dāng)Waymo的工程師手工調(diào)整這些網(wǎng)絡(luò)時，只能探索有限數(shù)量的架構(gòu)，但是使用這種方法，可以自動探索了數(shù)百個架構(gòu)。

相比以前的人工微調(diào)優(yōu)化神經(jīng)網(wǎng)絡(luò)，Auto ML通過下面兩種方式來改進(jìn)：

一些具有類似質(zhì)量的延遲顯著降低；

其他的則具有更高的質(zhì)量和類似的延遲。

初步成功后，Waymo將相同的搜索算法應(yīng)用于另外兩個與交通車道檢測和定位相關(guān)的任務(wù)，轉(zhuǎn)移學(xué)習(xí)技術(shù)也適用于這些任務(wù)，最后能夠在汽車上部署三個新訓(xùn)練和改進(jìn)的神經(jīng)網(wǎng)絡(luò)。

02

端到端搜索：從頭開始搜索新的架構(gòu)

被最初成功的結(jié)果所鼓舞，接著就是更進(jìn)一步、更廣泛地尋找能夠提供更好結(jié)果的全新架構(gòu)，通過不局限于組合已經(jīng)發(fā)現(xiàn)的NAS單元，可以更直接地尋找考慮到嚴(yán)格的延遲需求的架構(gòu)。

執(zhí)行端到端搜索通常需要手動探索數(shù)千個架構(gòu)，這需要大量的計算成本。探索單一架構(gòu)需要在具有多個GPU卡的數(shù)據(jù)中心計算機(jī)上進(jìn)行幾天的培訓(xùn)，這意味著搜索單個任務(wù)需要數(shù)千天的計算時間。相反，通過設(shè)計了一個代理任務(wù)：一個縮小的激光雷達(dá)分割任務(wù)，可以在幾個小時內(nèi)解決。

Waymo團(tuán)隊必須克服的一個挑戰(zhàn)，是找到一個與最初的細(xì)分任務(wù)足夠相似的代理任務(wù)。在確定代理任務(wù)上的架構(gòu)質(zhì)量與原始任務(wù)上的架構(gòu)質(zhì)量之間的良好相關(guān)性之前，對幾個代理任務(wù)設(shè)計進(jìn)行了試驗。然后，啟動了一個類似于AutoML論文的搜索，但現(xiàn)在是代理任務(wù)：一個端到端代理搜索。這是這個概念第一次應(yīng)用在激光雷達(dá)數(shù)據(jù)上。

圖二：代理端到端搜索：在一個縮小的代理任務(wù)上探索數(shù)千個架構(gòu)，將100個最佳架構(gòu)應(yīng)用于原始任務(wù)，驗證和部署car上最好架構(gòu)中的最好架構(gòu)。

Waymo使用了幾種搜索算法，對質(zhì)量和延遲進(jìn)行優(yōu)化，因為這對車輛非常重要。觀察不同類型的CNN架構(gòu)，使用不同的搜索策略，如隨機(jī)搜索和強(qiáng)化學(xué)習(xí)，能夠為代理任務(wù)探索超過10，000種不同的架構(gòu)。通過使用代理任務(wù)，在谷歌TPU集群上需要一年以上計算時間的任務(wù)只需要兩周時間。

當(dāng)我們剛剛轉(zhuǎn)移了NAS單元，結(jié)果發(fā)現(xiàn)了比以前更好的網(wǎng)絡(luò)：

在相同的質(zhì)量下，神經(jīng)網(wǎng)絡(luò)的延遲降低20－30％；

具有更高質(zhì)量的神經(jīng)網(wǎng)絡(luò)，錯誤率降低8－10％，與以前的架構(gòu)具有相同的延遲。

圖三 ：1）第一個圖展示了在一組簡單的架構(gòu)上隨機(jī)搜索發(fā)現(xiàn)的大約4000個架構(gòu)。每個點(diǎn)都是一個經(jīng)過培訓(xùn)和評估的架構(gòu)。實(shí)線表示不同推理時間約束下的最佳體系結(jié)構(gòu)，紅點(diǎn)表示用轉(zhuǎn)移學(xué)習(xí)構(gòu)建的網(wǎng)絡(luò)的延遲和性能。在這種隨機(jī)搜索中，網(wǎng)絡(luò)學(xué)習(xí)效果不如遷移學(xué)習(xí)。

圖三：2）在第二張圖中，黃色和藍(lán)色的點(diǎn)表示另外兩種搜索算法的結(jié)果。黃色的是對一組精致架構(gòu)的隨機(jī)搜索。藍(lán)色的那個使用了強(qiáng)化學(xué)習(xí)，就像在［1］中一樣，探索了6000多個架構(gòu)。它產(chǎn)生了最好的結(jié)果。這兩個額外的搜索發(fā)現(xiàn)，網(wǎng)絡(luò)明顯優(yōu)于遷移學(xué)習(xí)的網(wǎng)絡(luò)。

在搜索中發(fā)現(xiàn)的一些架構(gòu)顯示了卷積、池化和反卷積操作的創(chuàng)造性組合，如下圖所示。這些架構(gòu)最終非常適合最初的激光雷達(dá)分割任務(wù)，并將部署在Waymo的自動駕駛汽車上。

03

接下來是什么

Waymo的Auto ML實(shí)驗僅僅是個開始。對于激光雷達(dá)分割任務(wù)，傳輸學(xué)習(xí)和代理端到端搜索都提供了比人工制作更好的網(wǎng)絡(luò)，現(xiàn)在有機(jī)會將這些機(jī)制應(yīng)用到新的任務(wù)類型上，這可以改善許多其他的神經(jīng)網(wǎng)絡(luò)。

這一發(fā)展為未來的ML工作開辟了新的令人興奮的道路，并將提高Waymo的自動駕駛技術(shù)的性能和能力，并繼續(xù)與谷歌AI大腦的合作。