0
雷鋒網按：在所有追逐自動駕駛的新創公司中，來自山景城的 Drive.ai 可能是一個特殊的存在，這家公司利用擴展性十足的深度學習訓練自動駕駛汽車讓外界印象深刻。本文由雷鋒網新智駕（微信公眾號：AI-Drive）編譯自 IEEE。
Drive.ai 聯合創始人兼 CEO Sameep Tandon 認為，深度學習才是短期內打造出自動駕駛車輛的唯一可行之路。
“從長遠來看，一個有效的學習系統也是最有意義的。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習來訓練自動駕駛汽車，恐怕這類產品永遠也無法面世。”Tandon 說。
雖然 Drive.ai 成立才兩年時間，但這家公司的車隊（4 輛車）已經開始在舊金山灣區上路了。
Drive.ai 專注于自動駕駛和人工智能，由來自斯坦福大學人工智能實驗室核心成員建立。高舉深度學習大旗，這家公司的自動駕駛汽車已經快速掌握了在各種復雜路況下讓車輛實現自動駕駛的技巧。
“我認為這是業內頭一次從深度學習的角度看待自動駕駛。”Tandon 說道。“這與傳統自動駕駛來自機器人技術的觀點截然相反。”Drive.ai 公司創始人兼董事長 Carol Reiley 補充道。“大多數公司只是將深度學習技術看作一個零部件，但我們則看得更加全面。”
對大多數公司來說，深度學習只是用于自動駕駛汽車感知和識別周圍物體。深度學習確實擅長這部分，因為只要它學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展到其他前所未見的事物身上。換句話來說，擅長學習的“深度學習”能舉一反三，通過自己的“努力”自學成才，識別出路上形形色色的行人。
當然，識別出圖像中的行人只是一種感知模式，在決策和路徑規劃時，深度學習還會形成其他模式。
舉例來說，在“十字路口”和“紅燈是否右轉”兩種情形下，深度學習就很有用。不過，這項技術能根據現場情況自主判斷的能力反而成了汽車廠商最擔心的，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則（rule-base ）系統的能力有時可能會讓乘客陷入麻煩。
深度學習在模式識別上的能力絕對是該技術最好的賣點，但由于模式識別是神經網絡算法的一部分，因此許多人擔心該系統是一個“黑盒子”。
簡答來說，一旦深度學習系統訓練完成，只要給它輸入數據，它就會對這些數據進行解讀并輸出結果。不過，我們現在無法理解深度學習在輸入和輸出階段之間到底是如何做決定的，這也是許多企業選擇傳統決策方式且限制深度學習在感知和識別上應用的原因。
業內認為，如果自動駕駛系統出現錯誤，廠商必須找到該錯誤并進行修復，但如果連錯誤是如何產生的都無法知曉，又怎么能避免錯誤再次發生？
Tandon 并不否認這個問題，但他表示：“我們不但想讓深度學習在決策和感知上協助自動駕駛汽車，還想給這些車輛‘灌輸’規則和人類常識，確保車輛安全。”
在處理黑盒子問題時，Drive.ai 避開了許多雷區，摒棄了端對端系統。Tandon 表示：“如果在運用深度學習時能將其打散成數塊，就會發現我們可以使用不同方法對其進行驗證，這樣一來你對系統的穩定運轉就更有信心了。”
Drive.ai 的研發人員表示他們掌握了一窺黑盒子內部的小技巧，得到的信息足以驗證這個“黑盒子”到底發生了什么。對于該方法，Tandon 解釋稱：“當我們開始打造深度學習感知系統時，發現挑戰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產生誤報（發現有障礙）。在學習階段，Tandon 表示團隊可以讓算法不斷嘗試挑戰此類復雜場景，隨后利用一些人造的案例來擴充數據庫。
拿到了結果找出系統存在的缺陷后，就可以對場景進行針對性修改。通過不斷訓練，立交橋對感知系統來說已經是小菜一碟。“隨后你就能在系統的級別對其進行驗證了。”Tandon 表示。
深度學習系統的成長靠的是源源不斷的數據。對大多數公司來說，盡可能多地搜集數據就成了公司的核心任務。
不過，Drive.ai 在搜集數據上有自己的想法，這家公司更重視數據的質量而非數量。此外，為數據提供標注也是它們訓練深度學習算法時的獨門絕技。
為數據做標注是一項費時費力的工作
為數據做標注雖然簡單，但這項工作卻非常冗長乏味。有時，標注員需要在非常簡單的數據片段上標出車輛、行人、路標、交通燈和任何與自動駕駛有關的物體。
“大公司一般都有一支規模龐大的數據標注團隊。”Reiley 說道。“這些人每天圍著雷達圖像上的方盒子做標注，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化以便提高速度。”
與大公司相比，Drive.ai 的標注團隊并不大，因為這家公司的數據標注工作是由深度學習完成的。“在許多場景下，我們的深度學習系統就能勝任主要工作了，團隊成員需要的只是確認數據標注是否準確。”Tandon 解釋道。“當然，在有些場景下還需要人類出手，標注員會幫深度學習系統鋪路，以便它們能不斷進步。眼下，在某些場景中深度學習系統的標注能力比人類還要強。”
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習系統？”Tandon 說道。“細想之后我們發現，別的公司面臨的問題可真不少，畢竟這套系統高度集成化，想讓每個部分都各司其職可不容易。”
Reiley 同意這一觀點，她認為：“每一個決定都必須是軟件驅動并針對深度學習和軟硬件整合優化的。為了順利完成該步驟，大家都專注于算法，但 Drive.ai 有其他應用。自動駕駛技術可不是個簡單的算法，它牽涉的復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計之初就考慮到了兼容性問題，其核心部件是車頂的傳感器陣列，包括攝像頭和激光雷達，只需簡單改裝就能用在大多數車輛上。
與此同時，這套系統還能用上原車自帶的傳感器，如自適應巡航時用到的雷達和后置攝像頭。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的“交流”。
總的來說，Drive.ai 的自動駕駛系統共有 9 個高清攝像頭、2 個雷達和 4 個激光雷達，該系統會不斷收集數據，以供深度學習和自動駕駛系統使用。
雖然傳感器售價依舊昂貴，但 Drive.ai 聯合創始人 Joel Pazhayampallil 表示，現在系統內的傳感器性能有些過剩，未來會逐漸減少傳感器數量。
“我認為未來用不到這么多傳感器，可能現在的一半就完全足夠。”Pazhayampallil 說。“我們的算法在不斷進步，將不同的傳感器數據結合后，傳感器的數據收集能力有了大幅提高，激光雷達負責低分辨率深度數據，而攝像頭則搜集高分辨率環境信息。”
這種深度學習做出的多通道冗余決策是自動駕駛車輛的優勢之一，它能在傳感器失靈時保證車輛的安全。深度學習算法可在感知數據缺乏時繼續工作，這也是傳統的基于規則（rule based）系統所不具備的。
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據。
因此，雨中自動駕駛挑戰性較高，除了水分會吸走激光雷達的能量、路面反光嚴重之外，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更多復雜的環境，就得在攝像頭、激光雷達、雷達等設備發生故障時應對自如。”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，因此傳說中的雨中自動駕駛我們沒能體驗到。
Drive.ai 的目標是 Level 4 級別的自動駕駛，但在現有的法律法規下，主駕駛位上還需要司機以備不時之需。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，期間有 16 個叉路口和 1 個十字路口。
總得來說，這輛車運行順暢，能勝任駕駛任務，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，在測試中還是謹慎為好。”
在試乘過程中，Drive.ai 的目標算是達到了，我們只遇到了一次司機介入的情況。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。
這次司機介入是因為要右轉駛入一條主路，雖然在加州紅燈也可以右轉，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。“我們的激光雷達視距只有 50 到 75 米，在車速達 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。
隨后當綠燈亮起，車輛轉到了最右車道準備轉彎，有輛卡車停在路邊阻斷道路，因此司機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。
“通常我們可能會等待卡車駛離道路，”Smith 說道。“在路徑規劃上，讓車輛能自主躲過路上的障礙物是我們正在努力的目標。”不過，這個問題可不僅是路徑規劃那么簡單。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？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會就得訓練，讓它知道在哪種情況下應該做出哪些反應。
“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，因此傳統基于規則的（rule-base）理念根本行不通，因為各種復雜的路況實在是太多了。在深度學習架構內開發一個系統就能彌補這一缺陷，在遇到復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，但也有領先機器的地方），Smith 舉了一個例子： Drive.ai 的車輛如何探測交通信號燈。
目前，業內通行的做法是直接在地圖上標出車輛行駛區域內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域，這種做法有其可行性。但一旦行駛范圍擴大，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 會搜集更多有關交通信號燈的數據，對不同路口、角度、時間和天氣情況對這些數據進行標注后，深度學習系統就能像人類一樣識別出交通信號燈了。
“深度學習還有個優勢，那就是它能有效利用周邊環境信息，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，因為我們可以根據前方車輛動向判斷現在的情況。如果在標注時將這種情況考慮在內，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習系統處理其他任務。”Smith 解釋道。
對于公司未來的發展軌跡，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模上路供用戶使用。一兩年內，在特定的區域內 Drive.ai 絕對能擺脫駕駛員的束縛，實現徹底的自動駕駛。現在唯一的問題是，Drive.ai 征服灣區的腳步到底能走多快，我們何時才能進軍下一個城市？”
Drive.ai 起初將主要精力放在物流領域，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結合，自動駕駛汽車就能成為第一種在現實世界范圍使用的機器人。滿世界的機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器人。”
雷鋒網相關閱讀：
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
