李林、舒石 編譯整理自IEEE Spectrum
量子位·QbitAI 出品
在研究L4自動駕駛的各大團隊之中， Drive.ai是個異類。 他們想完全依靠深度學習技術， 讓汽車實現基本不需要人類干預的自動駕駛。
Drive.ai聯合創始人、CEO Sameep Tandon說， 他們認為要想在近期製造出有用的自動駕駛汽車， 深度學習是唯一可行方案。 “從這些演算法的長期可能性來看， 也就是人們未來會怎樣設計自動駕駛汽車， 建立一個學習系統還是最有意義的。 駕駛這件事很複雜， 有很多難度高、又很微妙的問題， 如果你用除了學習之外的方法來解決， 你一輩子也別想把車子開出去。 ”
他還說， 這是第一次有人“如此強烈地”從深度學習角度來探索自動駕駛。
現在， Drive.ai共有4輛車在三藩市灣區進行路測， 即使在夜路、下雨、有霧等複雜情況下， 它們也基本可以實現完全自動駕駛。 這些車輛的路測， 開始於大約1年前。
去年4月， 成了第13家獲批在加州進行自動駕駛汽車路測的公司，
這家公司成立於2015年， 創始團隊來自斯坦福大學人工智慧實驗室， 都是深度學習領域的專家。 從一開始， 他們就完全圍繞著深度學習來打造自動駕駛技術， 讓汽車很快學會了一輛自動駕駛汽車該掌握的大量駕駛場景。
其他無人車團隊就不用深度學習技術了嗎？Drive.ai聯合創始人、董事長Carol Reiley說， 也用， 不過用法不一樣。 “我們與傳統的機器人學方法有著明顯的區別， 很多公司都會在自動駕駛技術的某個元件上用深度學習， 但是我們是從整體來考慮的。 ”
最常見的做法， 是把深度學習用在感知方面。 這種技術在分類任務上表現得非常出色，
深度學習識別行人， 依靠的是大量訓練之後對某種模式的感知。 模式並非只能用在圖像識別中， 決策、動作規劃同樣有模式， 同樣能利用深度學習技術， 在某些場景下， 用深度學習來做決策甚至比基於規則的傳統方法更好。 但是， 大多數自動駕駛團隊都只把深度學習用在識別中， 為什麼呢？
Reiley和Tandon說， 雖然深度學習能為無人車帶來更細緻的行為， 麻煩也可能隨之而來。
黑箱對於深度學習的最大疑慮， 就是“黑箱問題”。 深度學習系統識別模式的過程， 發生在神經網路上所運行的演算法之中，
這就是大多數自動駕駛團隊不會全面使用深度學習的原因：一旦系統做出了錯誤的決策， 你需要確切地知道在這個過程中發生了什麼， 確保同樣的錯誤不會再次發生。 因此， 他們用傳統的、基於規則的機器人學方法來做決策， 將深度學習的應用限制在感知上。
而Drive.ai的做法， 是在感知和決策上都使用深度學習， 但也並不是用一個大黑箱系統直接從感測器採集原始資料， 然後輸出左轉、刹車、加速這樣的指令。 Tandon說， 他們刻意避免了這樣一個端到端的大黑箱， “如果你將它分解成幾個部分， 然後分別應用深度學習，
Drive.ai的研究員們說， 有些技巧可以讓我們窺視黑箱裡面發生了什麼， 然後進行調整。 比如可以向系統輸入特別處理過的資料， 然後看演算法對資料細微變化的反應。 對於某些特定的情況， 類比也是一種很好的方法， Tandon舉了這樣一個例子：
我們開始建立這個深度學習感知系統的時候， 天橋是我們最早遇到的障礙之一。 我們開著車出去測試， 發現系統會把天橋的影子誤判為障礙物。 在學習過程中， 你可以用hard mining的方法， 讓演算法集中解決具有挑戰性的場景。
我們就用合成的例子增強了資料集， 就好像在說：“來，系統，告訴我這個天橋你打算怎麼處理。處理完我調整一下，你再來一次。”訓練一段時間後，系統就能夠正確認識天橋了，然後你可以從系統層面來證實。
訓練有了足夠的資料，深度學習系統就能茁壯成長。自動駕駛汽車需要瞭解的是各種不同情況，大多數團隊的做法，也是收集盡可能多的情報。接下來的任務，就是管理和使用這些資料。
Drive.ai堅信資料之間是不平等的，他們將巨大的努力用於收集高品質資料，然後進行標注，讓它們能被深度學習演算法所用。無論是深度學習還是基於規則的演算法，都需要對感測器獲取的場景中，出現的所有物體進行詳細標注。
標注是一項簡單而枯燥的工作：一個人類，面對著一段短視頻，甚至可能是幾幀圖像或者雷射雷達資料，在圖像中的每一輛車、每一個行人、路標、交通燈等等可能與自動駕駛演算法相關的物體周圍畫上方框。
Reiley說：“我們知道有的公司有一支數千人的標注大軍，在物體周圍畫方框。汽車每測試一小時，產生的資料足夠一個人標注800小時。我們的標注速度比它們快了幾個量級，而且依然在優化。”
這是如何實現的呢？Drive.ai使用深度學習來進行輔助自動標注，因此，它們只有一支規模很小的標注團隊，大部分都在對新場景新型訓練，或者驗證系統自動標注的結果。Tandon說：“在很多場景中，我們的深度學習系統已經比人類標注得更好。”
Drive.ai並不清楚為什麼其他自動駕駛團隊不用深度學習來進行自動標注。Tandon說，他們經常討論這個問題：為什麼其他人不這麼做？他猜測，這可能有著很多原因，比如說這是一個綜合系統，有很多元件需要進行調整，很難說出它正常運轉的原因是什麼。
在雨中Drive.ai安裝在車頂的硬體系統，很簡單就能加裝在其他車輛上，並且集成了一系列感測器，包括：攝像頭、雷射雷達。這個系統還利用了車輛自身的感測器，例如用於自我調整巡航控制的雷達、後置攝像頭等。還有一個大顯示幕用於和駕駛員、行人等交流。
在9個高清攝像頭、2個雷達、6個Velodyne Puck雷射雷達的幫助下，每一台Drive.ai的車輛都在不斷為生成地圖而捕捉資料，並把資料送入深度學習系統，當然資料也使用者駕駛任務本身。
這種感測器體系無疑又複雜又昂貴，Drive.ai聯合創始人Joel Pazhayampallil解釋說，現在的硬體設定的確有些過度，當Drive.ai進入試點計畫時，感測器會有所減少。
“我們需要一個顯著較小的子集，可能是目前的一半”，Pazhayampallil說“演算法正在不斷改進，我們也在把不同感測器的資料整合起來，從雷射雷達獲得低解析度深度資料，並從攝像頭獲得真正高解析度的情景資訊”。
這種基於融合感測器資料進行深度學習的多模式冗餘和決策，好處就是：能為感測器失靈提供一些保護。深度學習演算法可以基於有缺失的感測器模態和感知資料進行訓練，這比基於規則的方法有著顯著的優點，例如不會因為規則衝突導致災難性的後果。
感測器失靈通常不是硬體或者軟體問題，而是由於某種原因不能產生正常的資料，例如太陽眩光、夜間弱光或者被水遮蔽等。
雨中駕駛對無人車的挑戰，不僅僅是水會吸收雷射雷達的能量，或者產生反射。在上面的視頻中可能還看不出來，但是Drive.ai給我們展示了一下，一旦沾上大水滴，車頂的攝像頭就基本無用了。“攝像頭、雷射雷達、雷達……各種故障都有可能發生”，Tandon說。
在路上Drive.ai的技術專案經理Tory Smith，帶我們進行了一趟Demo試駕。不過可惜的是，我們完美的錯過了加州近期所有的惡劣天氣，趕上一個乾燥而明媚的日子。
Drive.ai致力於L4級的自動駕駛，不過根據法律，這家公司只能進行L2級測試。在L2的情況下，必須有人坐在駕駛座上，隨時準備接管車輛。
這是一段加州山景城郊區預設好的路線，車程20分鐘，經過16個十字路口和一個四向停車路口。總體而言，這輛車行駛的非常平順，但不如人類駕駛員那麼自信。這是有意為之，Smith說：“我們一直以謹慎的態度運作，寧願無聊，也不願因激進而讓人不舒服”。
實際上，無聊也代表著自動駕駛汽車帶給你的安全和信賴感。不過試駕過程中也有一個例外，這也從另外的角度，反映出當前Drive.ai自動駕駛的狀況。
當時是一個紅燈，我們等在路口準備右轉。在加州，紅燈右轉是合法的，但由於感測器的限制，Drive.ai的車輛通常不會紅燈右轉。“我們的雷射雷達只能看到50-75米的工作範圍，這樣的路口可能有時速70-80公里/小時的車輛通過”，Smith說Drvie還沒有信心安全右轉。
當信號燈變綠時，車輛開始向右側變道，準備右轉，然而有一輛卡車停在路邊擋住了車道。於是人類駕駛員短暫接管了車輛，駕車繞過開車，然後重新啟用自動駕駛系統。
“自動駕駛系統會等待卡車開走”，Smith說處理道路障礙物的能力還在提高之中。這不是一個簡單的問題，等待卡車開走是正確的決策，但如何判斷卡車會不會繼續行駛？
人類可以通過發動機是否運行、是否啟用雙閃或者周圍的相關活動來判斷。所有這些人類憑藉潛意識就能決定的事情，無人車還需要更多的訓練。
上面這種情況對Drive.ai來說非常有價值。他們也在積極尋找更有挑戰性的測試路線。對於這家公司來說，一旦某條路線上自動駕駛系統沒有發生脫離，他們就會重新選擇一條路線進行挑戰。這樣就能更加有效的標注和訓練新資料。
Drive.ai還在推動讓無人車可以像人類一樣駕駛。
什麼意思？目前一種通行的交通燈檢測方法，是把詳細的路口資訊映射給自動駕駛系統，可以確切的告訴攝像頭應該看哪裡。但這種方法無法擴展到更廣的區域。Drive.ai收集不同路口、不用交度、不同場景的資訊，訓練深度學習系統識別交通燈。
除此以外，Drive.ai還是用情景感知的方式進行判斷。比如有些情況下，也許交通燈被遮擋，但周圍的車輛都啟動行駛，那麼系統也應該判斷目前交通燈是綠色的。
外面的世界Drive.ai正在推動L4級自動駕駛的發展，Sameep Tandon也非常樂觀：“我們準備開始與客戶進行試點，未來六個月，我們希望讓更多的人受益于無人駕駛。最終的問題是，我們能夠多塊的從灣區擴展到一個又一個的新城市中”。
Drvie計畫的首要關注點是物流：在小範圍重複遞送物品，而不是共用駕乘。這至少讓Drive.ai在最初不用過多聚焦于處理人類乘客的問題。
對於未來，Tandon興奮地表示：我很想看到機器人無處不在。
今天AI還搞了哪些大新聞？
今天”，看我們全網搜羅的AI新鮮資訊。比心❤~就好像在說：“來，系統，告訴我這個天橋你打算怎麼處理。處理完我調整一下，你再來一次。”訓練一段時間後，系統就能夠正確認識天橋了，然後你可以從系統層面來證實。
訓練有了足夠的資料，深度學習系統就能茁壯成長。自動駕駛汽車需要瞭解的是各種不同情況，大多數團隊的做法，也是收集盡可能多的情報。接下來的任務，就是管理和使用這些資料。
Drive.ai堅信資料之間是不平等的，他們將巨大的努力用於收集高品質資料，然後進行標注，讓它們能被深度學習演算法所用。無論是深度學習還是基於規則的演算法，都需要對感測器獲取的場景中，出現的所有物體進行詳細標注。
標注是一項簡單而枯燥的工作：一個人類，面對著一段短視頻，甚至可能是幾幀圖像或者雷射雷達資料，在圖像中的每一輛車、每一個行人、路標、交通燈等等可能與自動駕駛演算法相關的物體周圍畫上方框。
Reiley說：“我們知道有的公司有一支數千人的標注大軍，在物體周圍畫方框。汽車每測試一小時，產生的資料足夠一個人標注800小時。我們的標注速度比它們快了幾個量級，而且依然在優化。”
這是如何實現的呢？Drive.ai使用深度學習來進行輔助自動標注，因此，它們只有一支規模很小的標注團隊，大部分都在對新場景新型訓練，或者驗證系統自動標注的結果。Tandon說：“在很多場景中，我們的深度學習系統已經比人類標注得更好。”
Drive.ai並不清楚為什麼其他自動駕駛團隊不用深度學習來進行自動標注。Tandon說，他們經常討論這個問題：為什麼其他人不這麼做？他猜測，這可能有著很多原因，比如說這是一個綜合系統，有很多元件需要進行調整，很難說出它正常運轉的原因是什麼。
在雨中Drive.ai安裝在車頂的硬體系統，很簡單就能加裝在其他車輛上，並且集成了一系列感測器，包括：攝像頭、雷射雷達。這個系統還利用了車輛自身的感測器，例如用於自我調整巡航控制的雷達、後置攝像頭等。還有一個大顯示幕用於和駕駛員、行人等交流。
在9個高清攝像頭、2個雷達、6個Velodyne Puck雷射雷達的幫助下，每一台Drive.ai的車輛都在不斷為生成地圖而捕捉資料，並把資料送入深度學習系統，當然資料也使用者駕駛任務本身。
這種感測器體系無疑又複雜又昂貴，Drive.ai聯合創始人Joel Pazhayampallil解釋說，現在的硬體設定的確有些過度，當Drive.ai進入試點計畫時，感測器會有所減少。
“我們需要一個顯著較小的子集，可能是目前的一半”，Pazhayampallil說“演算法正在不斷改進，我們也在把不同感測器的資料整合起來，從雷射雷達獲得低解析度深度資料，並從攝像頭獲得真正高解析度的情景資訊”。
這種基於融合感測器資料進行深度學習的多模式冗餘和決策，好處就是：能為感測器失靈提供一些保護。深度學習演算法可以基於有缺失的感測器模態和感知資料進行訓練，這比基於規則的方法有著顯著的優點，例如不會因為規則衝突導致災難性的後果。
感測器失靈通常不是硬體或者軟體問題，而是由於某種原因不能產生正常的資料，例如太陽眩光、夜間弱光或者被水遮蔽等。
雨中駕駛對無人車的挑戰，不僅僅是水會吸收雷射雷達的能量，或者產生反射。在上面的視頻中可能還看不出來，但是Drive.ai給我們展示了一下，一旦沾上大水滴，車頂的攝像頭就基本無用了。“攝像頭、雷射雷達、雷達……各種故障都有可能發生”，Tandon說。
在路上Drive.ai的技術專案經理Tory Smith，帶我們進行了一趟Demo試駕。不過可惜的是，我們完美的錯過了加州近期所有的惡劣天氣，趕上一個乾燥而明媚的日子。
Drive.ai致力於L4級的自動駕駛，不過根據法律，這家公司只能進行L2級測試。在L2的情況下，必須有人坐在駕駛座上，隨時準備接管車輛。
這是一段加州山景城郊區預設好的路線，車程20分鐘，經過16個十字路口和一個四向停車路口。總體而言，這輛車行駛的非常平順，但不如人類駕駛員那麼自信。這是有意為之，Smith說：“我們一直以謹慎的態度運作，寧願無聊，也不願因激進而讓人不舒服”。
實際上，無聊也代表著自動駕駛汽車帶給你的安全和信賴感。不過試駕過程中也有一個例外，這也從另外的角度，反映出當前Drive.ai自動駕駛的狀況。
當時是一個紅燈，我們等在路口準備右轉。在加州，紅燈右轉是合法的，但由於感測器的限制，Drive.ai的車輛通常不會紅燈右轉。“我們的雷射雷達只能看到50-75米的工作範圍，這樣的路口可能有時速70-80公里/小時的車輛通過”，Smith說Drvie還沒有信心安全右轉。
當信號燈變綠時，車輛開始向右側變道，準備右轉，然而有一輛卡車停在路邊擋住了車道。於是人類駕駛員短暫接管了車輛，駕車繞過開車，然後重新啟用自動駕駛系統。
“自動駕駛系統會等待卡車開走”，Smith說處理道路障礙物的能力還在提高之中。這不是一個簡單的問題，等待卡車開走是正確的決策，但如何判斷卡車會不會繼續行駛？
人類可以通過發動機是否運行、是否啟用雙閃或者周圍的相關活動來判斷。所有這些人類憑藉潛意識就能決定的事情，無人車還需要更多的訓練。
上面這種情況對Drive.ai來說非常有價值。他們也在積極尋找更有挑戰性的測試路線。對於這家公司來說，一旦某條路線上自動駕駛系統沒有發生脫離，他們就會重新選擇一條路線進行挑戰。這樣就能更加有效的標注和訓練新資料。
Drive.ai還在推動讓無人車可以像人類一樣駕駛。
什麼意思？目前一種通行的交通燈檢測方法，是把詳細的路口資訊映射給自動駕駛系統，可以確切的告訴攝像頭應該看哪裡。但這種方法無法擴展到更廣的區域。Drive.ai收集不同路口、不用交度、不同場景的資訊，訓練深度學習系統識別交通燈。
除此以外，Drive.ai還是用情景感知的方式進行判斷。比如有些情況下，也許交通燈被遮擋，但周圍的車輛都啟動行駛，那麼系統也應該判斷目前交通燈是綠色的。
外面的世界Drive.ai正在推動L4級自動駕駛的發展，Sameep Tandon也非常樂觀：“我們準備開始與客戶進行試點，未來六個月，我們希望讓更多的人受益于無人駕駛。最終的問題是，我們能夠多塊的從灣區擴展到一個又一個的新城市中”。
Drvie計畫的首要關注點是物流：在小範圍重複遞送物品，而不是共用駕乘。這至少讓Drive.ai在最初不用過多聚焦于處理人類乘客的問題。
對於未來，Tandon興奮地表示：我很想看到機器人無處不在。
今天AI還搞了哪些大新聞？
今天”，看我們全網搜羅的AI新鮮資訊。比心❤~