Waymo自动驾驶汽车输入大量驾驶示例数据 使AI驱动系统学会应对各种路况

Waymo自动驾驶汽车可以从输入的大量驾驶示例数据，包括良好的行车环境和车辆碰撞情况，学习和模拟专业人类驾驶员的技术，最终AI驱动系统利用机器学习技术，可以学会如何正常驾驶并且应对突发情况。

回顾2018年，Alphabet的自动驾驶汽车Waymo达成了一些里程碑式的成就，在8月自动驾驶汽车超过累计1000万公里的真实道路驾驶里程。

同时在上周Waymo推出商业自动驾驶出租车服务Waymo One，虽然还有很多局限，甚至严格意义上说，还算不上是百分百的自动驾驶服务。

因为项目运行初期，驾驶座上仍安排一个受过培训的人类司机，一方面监控车辆的运行，另一方面在紧急情况下进行干预。

不过，多家参与体验的外媒表示，人类司机没有接触过方向盘。虽然Waymo One十分谨慎，但是这也是自动驾驶汽车的标志性发展。

研究人员Mayank Bansal和Abhijit Ogale今天在Medium上发表的一篇博客文章中，详细介绍了一种人工智能（AI）驾驶员培训方法，就是从标记数据中“学习”驾驶。也就是说，Waymo的专业驾驶成果是通过大量数据的输入和输出，利用机器学习技术完成。

研究人员写道：“近年来，使用大量标记数据的深度神经网络的调试迅速改善了许多领域的最新技术，特别是在物体感知和预测领域，这些技术被广泛应用到Waymo自动驾驶技术中。随着神经网络在感知领域逐渐发展成熟，我们自然会想到，我们能否只使用深度学习方法来调试AI驾驶员？”

为了创建一个能够模仿专业人类驾驶员的系统，Waymo研究人员精心设计了一个神经网络，称为ChauffeurNet。该神经网络可以通过观察真实和模拟数据，包括地图、周围物体和交通、驾驶轨迹灯状态和过去的汽车运动，之后生成自己的驾驶路线。低级控制器将数据轨迹转换为转向和加速命令，允许AI模型驱动车辆前进。

该模型基于“相当于60天的专门人类驾驶员数据”，采用技术确保车辆不会从过去的运动轨迹来推断下一步，而是实际应对环境变化。

在测试中，车辆可以响应交通控制，比如停车标志和交通信号灯，但是当面对车辆数据没有包括的情况时，车辆也跟预期的一样没法处理妥当。

研究人员指出，这个问题是因为输入到自动驾驶汽车系统中的现实世界驾驶范例都有偏向，只包含在良好行车环境下的驾驶例子。

为了让车辆得到各种情况的信息，该团队合成了车辆意外和碰撞的情况，让AI模型学会避免这些情况发生。

ChauffeurNet加入了碰撞和综合示例之后，在模拟环境中表现更好，甚至在停放车辆周围轻推、黄灯不转红灯的情况下，都可以很好的处理，恢复到原来的运动轨迹。

Waymo的Chrysler Pacifica小型货车在现实世界的私人试车道上驾驶时，它成功地沿着弯曲的车道行驶，遇到停车标志和转弯情况都能反应。

研究人员写道：“现在Waymo车辆上运行的规划器使用机器学习和明确推理的组合来持续评估大量可能性，并在各种不同情况下做出最佳驾驶决策。因此，用于替换Waymo规划器的完全机器学习系统的标准非常高，尽管这样的系统组件可以在Waymo规划器中使用，或者可以用于在模拟测试期间创建更逼真的智能代理驾驶。”