0
雷鋒網(wǎng)按：在所有追逐自動駕駛的新創(chuàng)公司中，來自山景城的 Drive.ai 可能是一個特殊的存在，這家公司利用擴(kuò)展性十足的深度學(xué)習(xí)訓(xùn)練自動駕駛汽車讓外界印象深刻。本文由雷鋒網(wǎng)新智駕（微信公眾號：AI-Drive）編譯自 IEEE。
Drive.ai 聯(lián)合創(chuàng)始人兼 CEO Sameep Tandon 認(rèn)為，深度學(xué)習(xí)才是短期內(nèi)打造出自動駕駛車輛的唯一可行之路。
“從長遠(yuǎn)來看，一個有效的學(xué)習(xí)系統(tǒng)也是最有意義的。駕駛不是件易事，有時許多微妙的問題會成為最大的困難，如果不想依靠深度學(xué)習(xí)來訓(xùn)練自動駕駛汽車，恐怕這類產(chǎn)品永遠(yuǎn)也無法面世。”Tandon 說。
雖然 Drive.ai 成立才兩年時間，但這家公司的車隊（4 輛車）已經(jīng)開始在舊金山灣區(qū)上路了。
Drive.ai 專注于自動駕駛和人工智能，由來自斯坦福大學(xué)人工智能實驗室核心成員建立。高舉深度學(xué)習(xí)大旗，這家公司的自動駕駛汽車已經(jīng)快速掌握了在各種復(fù)雜路況下讓車輛實現(xiàn)自動駕駛的技巧。
“我認(rèn)為這是業(yè)內(nèi)頭一次從深度學(xué)習(xí)的角度看待自動駕駛。”Tandon 說道。“這與傳統(tǒng)自動駕駛來自機(jī)器人技術(shù)的觀點截然相反。”Drive.ai 公司創(chuàng)始人兼董事長 Carol Reiley 補(bǔ)充道。“大多數(shù)公司只是將深度學(xué)習(xí)技術(shù)看作一個零部件，但我們則看得更加全面。”
對大多數(shù)公司來說，深度學(xué)習(xí)只是用于自動駕駛汽車感知和識別周圍物體。深度學(xué)習(xí)確實擅長這部分，因為只要它學(xué)會了識別一種特殊模式，即使你不再一一教授，它也能將物品的識別能力擴(kuò)展到其他前所未見的事物身上。換句話來說，擅長學(xué)習(xí)的“深度學(xué)習(xí)”能舉一反三，通過自己的“努力”自學(xué)成才，識別出路上形形色色的行人。
當(dāng)然，識別出圖像中的行人只是一種感知模式，在決策和路徑規(guī)劃時，深度學(xué)習(xí)還會形成其他模式。
舉例來說，在“十字路口”和“紅燈是否右轉(zhuǎn)”兩種情形下，深度學(xué)習(xí)就很有用。不過，這項技術(shù)能根據(jù)現(xiàn)場情況自主判斷的能力反而成了汽車廠商最擔(dān)心的，這種“類人”的模式識別能力會讓車輛做出一些微妙的選擇，而這種有別于基于規(guī)則（rule-base ）系統(tǒng)的能力有時可能會讓乘客陷入麻煩。
深度學(xué)習(xí)在模式識別上的能力絕對是該技術(shù)最好的賣點，但由于模式識別是神經(jīng)網(wǎng)絡(luò)算法的一部分，因此許多人擔(dān)心該系統(tǒng)是一個“黑盒子”。
簡答來說，一旦深度學(xué)習(xí)系統(tǒng)訓(xùn)練完成，只要給它輸入數(shù)據(jù)，它就會對這些數(shù)據(jù)進(jìn)行解讀并輸出結(jié)果。不過，我們現(xiàn)在無法理解深度學(xué)習(xí)在輸入和輸出階段之間到底是如何做決定的，這也是許多企業(yè)選擇傳統(tǒng)決策方式且限制深度學(xué)習(xí)在感知和識別上應(yīng)用的原因。
業(yè)內(nèi)認(rèn)為，如果自動駕駛系統(tǒng)出現(xiàn)錯誤，廠商必須找到該錯誤并進(jìn)行修復(fù)，但如果連錯誤是如何產(chǎn)生的都無法知曉，又怎么能避免錯誤再次發(fā)生？
Tandon 并不否認(rèn)這個問題，但他表示：“我們不但想讓深度學(xué)習(xí)在決策和感知上協(xié)助自動駕駛汽車，還想給這些車輛‘灌輸’規(guī)則和人類常識，確保車輛安全。”
在處理黑盒子問題時，Drive.ai 避開了許多雷區(qū)，摒棄了端對端系統(tǒng)。Tandon 表示：“如果在運(yùn)用深度學(xué)習(xí)時能將其打散成數(shù)塊，就會發(fā)現(xiàn)我們可以使用不同方法對其進(jìn)行驗證，這樣一來你對系統(tǒng)的穩(wěn)定運(yùn)轉(zhuǎn)就更有信心了。”
Drive.ai 的研發(fā)人員表示他們掌握了一窺黑盒子內(nèi)部的小技巧，得到的信息足以驗證這個“黑盒子”到底發(fā)生了什么。對于該方法，Tandon 解釋稱：“當(dāng)我們開始打造深度學(xué)習(xí)感知系統(tǒng)時，發(fā)現(xiàn)挑戰(zhàn)性最大的場景之一就是立交橋。”
立交橋遮擋形成的陰影會讓感知系統(tǒng)產(chǎn)生誤報（發(fā)現(xiàn)有障礙）。在學(xué)習(xí)階段，Tandon 表示團(tuán)隊可以讓算法不斷嘗試挑戰(zhàn)此類復(fù)雜場景，隨后利用一些人造的案例來擴(kuò)充數(shù)據(jù)庫。
拿到了結(jié)果找出系統(tǒng)存在的缺陷后，就可以對場景進(jìn)行針對性修改。通過不斷訓(xùn)練，立交橋?qū)Ω兄到y(tǒng)來說已經(jīng)是小菜一碟。“隨后你就能在系統(tǒng)的級別對其進(jìn)行驗證了。”Tandon 表示。
深度學(xué)習(xí)系統(tǒng)的成長靠的是源源不斷的數(shù)據(jù)。對大多數(shù)公司來說，盡可能多地搜集數(shù)據(jù)就成了公司的核心任務(wù)。
不過，Drive.ai 在搜集數(shù)據(jù)上有自己的想法，這家公司更重視數(shù)據(jù)的質(zhì)量而非數(shù)量。此外，為數(shù)據(jù)提供標(biāo)注也是它們訓(xùn)練深度學(xué)習(xí)算法時的獨(dú)門絕技。
為數(shù)據(jù)做標(biāo)注是一項費(fèi)時費(fèi)力的工作
為數(shù)據(jù)做標(biāo)注雖然簡單，但這項工作卻非常冗長乏味。有時，標(biāo)注員需要在非常簡單的數(shù)據(jù)片段上標(biāo)出車輛、行人、路標(biāo)、交通燈和任何與自動駕駛有關(guān)的物體。
“大公司一般都有一支規(guī)模龐大的數(shù)據(jù)標(biāo)注團(tuán)隊。”Reiley 說道。“這些人每天圍著雷達(dá)圖像上的方盒子做標(biāo)注，工作量非常巨大。Drive.ai 也有此類工作，不過我們一直在努力優(yōu)化以便提高速度。”
與大公司相比，Drive.ai 的標(biāo)注團(tuán)隊并不大，因為這家公司的數(shù)據(jù)標(biāo)注工作是由深度學(xué)習(xí)完成的。“在許多場景下，我們的深度學(xué)習(xí)系統(tǒng)就能勝任主要工作了，團(tuán)隊成員需要的只是確認(rèn)數(shù)據(jù)標(biāo)注是否準(zhǔn)確。”Tandon 解釋道。“當(dāng)然，在有些場景下還需要人類出手，標(biāo)注員會幫深度學(xué)習(xí)系統(tǒng)鋪路，以便它們能不斷進(jìn)步。眼下，在某些場景中深度學(xué)習(xí)系統(tǒng)的標(biāo)注能力比人類還要強(qiáng)。”
不過，既然 Drive.ai 能找到這種行之有效的方法，為什么其他公司就沒走上類似的道路？
“我們也感到很奇怪，到底是什么阻擋了其他公司全面使用深度學(xué)習(xí)系統(tǒng)？”Tandon 說道。“細(xì)想之后我們發(fā)現(xiàn)，別的公司面臨的問題可真不少，畢竟這套系統(tǒng)高度集成化，想讓每個部分都各司其職可不容易。”
Reiley 同意這一觀點，她認(rèn)為：“每一個決定都必須是軟件驅(qū)動并針對深度學(xué)習(xí)和軟硬件整合優(yōu)化的。為了順利完成該步驟，大家都專注于算法，但 Drive.ai 有其他應(yīng)用。自動駕駛技術(shù)可不是個簡單的算法，它牽涉的復(fù)雜軟硬件問題是前人從未解決過的。”
Drive.ai 的自動駕駛硬件在設(shè)計之初就考慮到了兼容性問題，其核心部件是車頂?shù)膫鞲衅麝嚵校〝z像頭和激光雷達(dá)，只需簡單改裝就能用在大多數(shù)車輛上。
與此同時，這套系統(tǒng)還能用上原車自帶的傳感器，如自適應(yīng)巡航時用到的雷達(dá)和后置攝像頭。除此之外，Drive.ai 還想利用大屏幕完成車輛與路上行人或其他車輛司機(jī)的“交流”。
總的來說，Drive.ai 的自動駕駛系統(tǒng)共有 9 個高清攝像頭、2 個雷達(dá)和 4 個激光雷達(dá)，該系統(tǒng)會不斷收集數(shù)據(jù)，以供深度學(xué)習(xí)和自動駕駛系統(tǒng)使用。
雖然傳感器售價依舊昂貴，但 Drive.ai 聯(lián)合創(chuàng)始人 Joel Pazhayampallil 表示，現(xiàn)在系統(tǒng)內(nèi)的傳感器性能有些過剩，未來會逐漸減少傳感器數(shù)量。
“我認(rèn)為未來用不到這么多傳感器，可能現(xiàn)在的一半就完全足夠。”Pazhayampallil 說。“我們的算法在不斷進(jìn)步，將不同的傳感器數(shù)據(jù)結(jié)合后，傳感器的數(shù)據(jù)收集能力有了大幅提高，激光雷達(dá)負(fù)責(zé)低分辨率深度數(shù)據(jù)，而攝像頭則搜集高分辨率環(huán)境信息。”
這種深度學(xué)習(xí)做出的多通道冗余決策是自動駕駛車輛的優(yōu)勢之一，它能在傳感器失靈時保證車輛的安全。深度學(xué)習(xí)算法可在感知數(shù)據(jù)缺乏時繼續(xù)工作，這也是傳統(tǒng)的基于規(guī)則（rule based）系統(tǒng)所不具備的。
需要注意的是，這里的傳感器失靈可能不是軟硬件出了故障，而是因某些原因（如炫光、黑暗和被水遮擋）無法搜集到可用的數(shù)據(jù)。
因此，雨中自動駕駛挑戰(zhàn)性較高，除了水分會吸走激光雷達(dá)的能量、路面反光嚴(yán)重之外，傳感器被水滴遮擋也是重要原因之一。“如果想讓自動駕駛汽車適應(yīng)更多復(fù)雜的環(huán)境，就得在攝像頭、激光雷達(dá)、雷達(dá)等設(shè)備發(fā)生故障時應(yīng)對自如。”Tandon 說道。
在我們試乘 Drive.ai 的自動駕駛車輛時， Drive.ai 技術(shù)主管 Tory Smith 全程陪同。試乘階段天公作美，加州過去幾個月的壞天氣并未出現(xiàn)，因此傳說中的雨中自動駕駛我們沒能體驗到。
Drive.ai 的目標(biāo)是 Level 4 級別的自動駕駛，但在現(xiàn)有的法律法規(guī)下，主駕駛位上還需要司機(jī)以備不時之需。在20 分鐘的試乘過程中，Drive.ai 的自動駕駛車輛穿越了山景城郊區(qū)，期間有 16 個叉路口和 1 個十字路口。
總得來說，這輛車運(yùn)行順暢，能勝任駕駛?cè)蝿?wù)，不過與普通人類駕駛員相比，它有時會猶豫不決。Smith 稱這是他們有意為之，“自動駕駛車輛必須為人所接受，如果在某些情況下它比人類駕駛員還大膽，乘客就會覺得不舒服。此外，在測試中還是謹(jǐn)慎為好。”
在試乘過程中，Drive.ai 的目標(biāo)算是達(dá)到了，我們只遇到了一次司機(jī)介入的情況。說實話，這種比較無聊的乘車感受確實更符合自動駕駛汽車的身份。
這次司機(jī)介入是因為要右轉(zhuǎn)駛?cè)胍粭l主路，雖然在加州紅燈也可以右轉(zhuǎn)，但 Drive.ai 的車輛還是會停下等待。
Smith 表示 Drive.ai 做出這樣的選擇是因為傳感器性能有限。“我們的激光雷達(dá)視距只有 50 到 75 米，在車速達(dá) 45 或 50 英里（約合 72-80 千米/小時）時，車輛就無法精確判斷交通通行情況了。
隨后當(dāng)綠燈亮起，車輛轉(zhuǎn)到了最右車道準(zhǔn)備轉(zhuǎn)彎，有輛卡車停在路邊阻斷道路，因此司機(jī)只好切換到手動模式繞過卡車，隨后再次開啟自動駕駛系統(tǒng)。
“通常我們可能會等待卡車駛離道路，”Smith 說道。“在路徑規(guī)劃上，讓車輛能自主躲過路上的障礙物是我們正在努力的目標(biāo)。”不過，這個問題可不僅是路徑規(guī)劃那么簡單。對于自動駕駛汽車來說，它可以選擇等待或者繞過卡車。但是，怎么來判斷卡車的狀態(tài)？通過引擎聲、車輛尾燈還是卡車周圍的活動？
在這種情況下做出判斷對駕駛員來說是小菜一碟，但想讓自動駕駛汽車學(xué)會就得訓(xùn)練，讓它知道在哪種情況下應(yīng)該做出哪些反應(yīng)。
“人類不太擅長做非常精確的事情，但處理模棱兩可的事情卻非常在行，因此傳統(tǒng)基于規(guī)則的（rule-base）理念根本行不通，因為各種復(fù)雜的路況實在是太多了。在深度學(xué)習(xí)架構(gòu)內(nèi)開發(fā)一個系統(tǒng)就能彌補(bǔ)這一缺陷，在遇到復(fù)雜情況時讓車輛做出自主判斷，這是一種靠直覺來解決問題的方式。”Smith 說道。
對 Drive.ai 來說，駕駛員介入的情況正是它們最珍貴的財富，為了找到這些需要介入的情況，Drive.ai 做了大量測試。
在試乘結(jié)束后，Smith 問了一個問題。“與其他公司的自動駕駛汽車相比，有沒有感覺我們的車跑起來更像人類駕駛員？”
把機(jī)器人與人相提并論很容易引起歧義（人類駕駛的事故率稍高，但也有領(lǐng)先機(jī)器的地方），Smith 舉了一個例子： Drive.ai 的車輛如何探測交通信號燈。
目前，業(yè)內(nèi)通行的做法是直接在地圖上標(biāo)出車輛行駛區(qū)域內(nèi)每個交叉路口的位置，這樣一來自動駕駛汽車就知道什么時候該看紅綠燈了。
如果行駛范圍限制在某個區(qū)域，這種做法有其可行性。但一旦行駛范圍擴(kuò)大，自動駕駛車輛可能處理不了這種情形。與通行做法不同的是，Drive.ai 會搜集更多有關(guān)交通信號燈的數(shù)據(jù)，對不同路口、角度、時間和天氣情況對這些數(shù)據(jù)進(jìn)行標(biāo)注后，深度學(xué)習(xí)系統(tǒng)就能像人類一樣識別出交通信號燈了。
“深度學(xué)習(xí)還有個優(yōu)勢，那就是它能有效利用周邊環(huán)境信息，而不是只盯著交通信號燈。舉例來說，有時我們不用看信號燈也知道該停車還是前進(jìn)，因為我們可以根據(jù)前方車輛動向判斷現(xiàn)在的情況。如果在標(biāo)注時將這種情況考慮在內(nèi)，就能讓自動駕駛車輛像人類一樣駕駛。未來，這種判斷方式還能幫深度學(xué)習(xí)系統(tǒng)處理其他任務(wù)。”Smith 解釋道。
對于公司未來的發(fā)展軌跡，Tandon 信心十足。“今年我們的自動駕駛車輛就將正式上路測試，未來 6 個月我們的車隊就會小規(guī)模上路供用戶使用。一兩年內(nèi)，在特定的區(qū)域內(nèi) Drive.ai 絕對能擺脫駕駛員的束縛，實現(xiàn)徹底的自動駕駛。現(xiàn)在唯一的問題是，Drive.ai 征服灣區(qū)的腳步到底能走多快，我們何時才能進(jìn)軍下一個城市？”
Drive.ai 起初將主要精力放在物流領(lǐng)域，對這家公司來說送貨比送人更加重要。因此，Drive.ai 需要解決的問題就少了很多——至少不用考慮乘客接受度。
除了走好當(dāng)下的道路，Tandon 對未來也興趣十足。“如果我們能將好的策略和好的技術(shù)結(jié)合，自動駕駛汽車就能成為第一種在現(xiàn)實世界范圍使用的機(jī)器人。滿世界的機(jī)器人會讓我激動得直起雞皮疙瘩，而自動駕駛汽車可能就是首款與人類朝夕相處的機(jī)器人。”
雷鋒網(wǎng)相關(guān)閱讀：
超高難度路測！Drive.ai雨夜自動駕駛?cè)虩o人工干預(yù)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
