<mark id="oztn4"></mark>
0
| 本文作者： 張夢華 | 2017-10-21 03:12 |
雷鋒網·新智駕按：如果沒有福特 10 億美元的大手筆投資，剛剛創辦 1 年的 Argo.AI 可能不會在這么短時間內被行業熟知，并與 Waymo、Uber、Cruise 等公司并排出現在公眾視野里。不止如此，在將 10 億美元的投資陸續打入 Argo.AI 戶頭的同時，福特更將其近百位工程師團隊全部投向了 Argo。面對摩拳擦掌的競爭對手們，某種程度上，可以說，福特要在 2021 年落地自動駕駛打車服務，寶基本都押在了這個 200 來人的團隊上。
Argo.AI 正在研發的是 L4 的自動駕駛技術，和硅谷許多自動駕駛明星公司一樣，Argo 的團隊陣容非常強大，CEO Bryan Salesky 最早曾任職于卡耐基梅隆機器人研究所下屬的國家機器人工程中心，之后又在谷歌擔任自動駕駛團隊的硬件研發主管，聯合創始人 Peter Rander 則出自 Uber 高級技術中心，主導開發了 Uber 第一代自動駕駛原型車。
近日，Bryan Salesky 親自撰文，回憶了從 DARPA 城市挑戰賽至今的自動駕駛 10 年歷程，詳細介紹了自動駕駛行業以及包括 Argo.AI 在內的自動駕駛公司們面臨的繁重工作，以及身處的困境。雖然已經公布了 2021 年落地自動駕駛汽車的時間表，但 Salesky 對于自動駕駛全面推廣開來的時間預期卻相當保守，因為在他看來，實現自動駕駛遠比多數人想象得要復雜得多，困難得多。
本文由雷鋒網·新智駕編譯自 Argo.AI 官方博客 。
10 年前的加州沙漠里，11 個進入決賽的車隊在史無前例的 60 英里比賽中競爭。不足 6 小時里，在不時有人類駕駛汽車干擾的情況下，機器人汽車必須安全快速地完成無人干預的駕駛任務。
這是 2007 年的 DARPA 城市挑戰賽，這場無人駕駛比賽無意中拉開了無人駕駛發展的序幕。在當時，無人駕駛仍被認為是天方夜譚，而現在回頭看，這場比賽正預示著一場漫長旅程的開始。
通過小心管控范圍，DARPA 保證了某種程度的成功：參賽者同意了一系列嚴苛的交通規則，DARPA 則限制了行人和騎行車輛，為參賽團隊減輕了一些負擔。不過，雖然做了這些簡化，團隊要完成的任務依然相當艱巨——在 18 個月里，他們基本是從頭開始，開發出了自己的自動駕駛系統。
DARPA 挑戰賽顯出了自動駕駛對先進的計算能力和算法的強烈需求。當時，我們大部分都依賴于基于特定規則的編程技術，這意味著，10 年前的機器人系統更傾向于在限定場景里操作，在特定的道路環境里，操作者一般不會偏離既定規則太多。
Argo 的很多人都在機器人和自動駕駛領域從業超過 10 年，我們利用自己深厚的專業知識把這項技術呈現給大眾，其中也包括在 DARPA 城市挑戰賽中的所學。就在幾個月前 Argo.AI 的一周年紀念日上，我們已經成為一個擁有 200 名成員的經驗充足的團隊，并已經在匹茲堡和密歇根州東南部進行了自動駕駛汽車測試。
我們面對的第一個挑戰是自動化智能系統的軟硬件商業化。在外部環境中，車輛、行人混雜，自動駕駛沒有與其共同遵守的一整套規則，要執行起來非常困難。在夜晚和白天的真實場景里，惡劣天氣，不同的路形路況，都可能讓情況變得更糟。機器人系統開發者需要先有一系列簡化的基本設想，而環境的動態性為其帶來了更多矛盾和變量。
過去幾年里，部分由于計算能力的增強，這場游戲發生了很大變化，但也出現了一些復雜的新問題，我們目前仍然沒有找到解決辦法。計算機處理能力、存儲能力和人工智能都進步了很多，不需要設置演示，計算機就可以推理出許多問題。我們可以進行海量的數據學習，以非常高的準確率識別圖像，過濾傳感器中的異常數據，找到最重要的核心因素。當我們擁抱這些變化時，我們也非常清楚，沒有一個單個的工具、技術、算法能夠解決自動駕駛的所有問題。下面就是我們對于自動駕駛汽車的一些思考。
感知世界
傳感器還有很長的路要走。我們用了激光雷達，它在光照條件差時也可以較好地工作，理解車輛周圍的三維世界，但不能識別顏色和質地，所以我們又使用了攝像頭。攝像頭在光線微弱的情況下功能非常受限，同時也很難在各種需要的操作范圍內都達到足夠的聚焦與分辨率。相對而言，雷達雖然分辨率較低，但是可以長距離識別行人速度。
這就是為什么我們在車上裝了這么多傳感器，他們可以實現優劣勢互補。單個傳感器不能完全復制他們捕捉到的東西，計算機必須綜合多個傳感器的數據，過濾出錯誤的和不一致的。將所有這些整合進一個綜合強大的外部世界圖像里，再進行計算處理，遠比想象中困難。
開發一個性價比高、可維護的硬件系統挑戰更大。我們盡量以最小的代價在傳感器軟硬件方面進行了創新，減少傳感器計算，提高識別范圍和分辨率。但如何達成這些互相沖突的目標，讓技術更可靠地提升，仍然是非常重要的工作。
理解世界
一旦自動駕駛汽車有了“看見”周圍世界的眼睛，下一步就取決于車輛自己了——識別物體類型，前方究竟是行人、騎行者、車輛，或只是一個廢棄物，以及物體是以什么樣的速度在移動。之后，車輛還必須判斷物體下一步可能的動作。
人工智能、機器學習、計算能力、云存儲等各個方面的提升，更新了很多舊的算法，也催生了新的算法。這些新工具在開發新算法方面起了很大作用，它可以篩選出傳感器每秒上傳的數百萬像素的信息，判斷物體位置、尺寸與相對速度。
我們工作的一部分就是開發算法，通過傳感器收集數百萬英里的真實場景數據，再利用這些數據教算法探測道路上的其它物體，雖然嘈雜和錯誤的傳感器數據也帶來了很多困難。工具鏈和運營團隊進行了數據流和開發過程的管理。
我們早期取得的一些成果非常厲害，我們也非常清楚，最棘手的永遠是細節。
車輛預測
我們開車時，會下意識地預測接下來幾秒內道路上其它行人、車輛的反應，預想行人或許會亂穿馬路，車輛會突然加塞。細心的駕駛員都非常善于處理這類情況，控制速度，為道路上的異常突發事件提前做出規劃。駕駛員所擁有的這種在擁擠城市道路上快速應變的能力，自動駕駛汽車同樣應該具備。
我們必須開發一種算法，使自動駕駛汽車更深入理解道路參與者可能出現的行為。我們需要向技術灌輸這種“體貼”意識，保證汽車安全、可靠、有預見性地行駛。
例如，車輛需要知道什么時候為大卡車挪出位置，進入另一個司機的盲區時應該調整速度。同時，我們還必須開發出一種算法，讓車輛知道哪些時候它過于保守了，哪些時候需要在繁忙的交通中“推一下”，或者保持一種狀態，讓其它行人車輛先做出正確反應。計算機提取了所有信息，對它來說，不被擾亂學習錯誤模型非常重要，因為如果預估了一個錯誤行為，它本身的表現也會出現異常。
這是我們在建造預測模型時，必須實現的平衡。這種平衡也只能來自真實場景的駕駛案例。在這些案例中，我們可以學習預測微型演習，后者被證明是衡量道路其它車輛、行人或物體可能出現的反應的最主要指標。
系統集成和測試
驅動自動駕駛汽車的軟件一般被稱為隨機系統，這意味著其結果取決于用于傳感器隨機輸入的一系列探測圖案和模型，而不是連續的一系列輸入又輸出的數學等式。
從同一條路上開車經過，你不太可能兩次都準確地按一個速度行駛。自動駕駛汽車也是一樣，雖然一般而言，它們的一貫性會比人類駕駛員好一些。
測試隨機系統需要大量真實場景的數據，這意味著我們必須收集數百萬英里的道路經驗，才能教軟件自信地駕駛。（想象一下一個人要駕駛數百萬英里才能拿到駕照。）但不是所有里程都是在同等情況下建立的，因此“累積里程數”并不是一個具備足夠表現力的追蹤進程的衡量標準。再想一下，你在一個僻靜的小鎮學習的駕駛技能，不可能轉化成在曼哈頓中心地帶的駕駛技能。
我們的算法通過復雜的數學與邏輯運算，將每秒數百萬的像素轉化成自動駕駛汽車所在的世界狀況。考慮到這些高維度輸入，我們就不能用單個可能的輸入組合進行測試，因為這樣的話，需要測試的組合數以萬億計，會非常難辦，所以在使用測試汽車的駕駛里程時，我們需要找到更聰明的方式。我們創造了可以抓取正確里程的工具，這些里程充分覆蓋了車輛可能看到的現實場景，之后我們再用這些測試車輛的正確反應。要達到這種平衡需要在目標部署區域里收集非常大量的駕駛經驗和數據，而這個目標部署區域又必須盡可能覆蓋各種復雜場景。我們也必須充分考慮各個場景里可能降低傳感器輸出的環境變量，例如天氣和光照情況。
我們成立了專門的物流和測試團隊，可以進行安全的自動駕駛汽車測試，另外我們還有一個專業分析和軟件工程師團隊，正在開發數據流管理工具，這些讓我們在情景覆蓋方面有了更多信心。
要開發出一輛自動駕駛汽車，我們今天仍然處于非常早期的階段。那些認為自動駕駛汽車在幾年或幾個月內就可以滿大街跑的人，要么是對眼下的科技發展水平沒有充分的認識，要么在技術的安全運用上沒有周全的考慮。對于我們這些在自動駕駛技術方面已經投入很長時間的人來說，我們想要告訴你的是，這件事情非常困難，整個系統也非常非常復雜。
大家都知道，努力、創新、專注的團隊可以解決很多難以想象的棘手問題。在 Argo，我們看到了這樣一件激勵人心的事所帶來的挑戰，也正是這些挑戰驅動著我們利用前面 10 年的積累，邁向一個自動駕駛的全新時代。
我們正在采取一些較為實際的方法，在承認沒有“銀色子彈”的同時，充分結合目前科技的發展水平。身處這樣一場漫長的游戲中，我們盡量避免大肆宣傳，而是希望以一種贏得全世界數百萬人信賴的偉大產品的形式，將這項重要技術帶向成熟。
雷鋒網推薦閱讀：
《創立3個月就從福特手中拿到10億美元，Argo AI到底是何方神圣？》
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
