经典MIT的DeepLearningforSelf-drivingCar课程上，邀请到了Waymo首席科学家DragoAnguelov，分享题为“TamingTheLongTailofAutonomousDrivingChallenges（驯服自动驾驶的长尾挑战）”，主要是讲在现实世界中的LongTail现象，各种异常情况该如何收集、融合、发布和测试。
知乎
黄浴总结了此课程的一些新看点：1.题目是“长尾”处理；2.可以处理道路维修场景；3.可以识别特殊车辆（警车/救护车/消防车）；4.可以预防闯红灯的车辆；5.可以对马路自行车行为轨迹预测；6.通过NAS学习模型；7.不完全依赖机器学习，可以利用专家知识（domainknowledge）；8.不是E2E学习驾驶行为，而是Mid-2-Mid，就是最近的ChauffeurNet；9.学习的行为预测有自适应性，比如激进的或者温和礼貌的；10.仿真不能解决所有问题，仿真系统需要更多的agentmodel，要smart。
下面是智车科技对本次分享的视频解读及PPT：
我毕业于斯坦福大学博士学位，曾研究机器人相关领域。现在Google带领团队研究3D感知，以此来构建一个全新的自动驾驶感知系统。
Waymo这家公司截止上个月已经成立了十周年了（年成立）它起源于GoogleX。
年，我们研发的这款自动驾驶汽车进行公路路测试验，这是世界上第一辆成功实现自动驾驶的汽车。在这个案例中，坐在车里的人是个盲人，我们认为这个项目的意义重大。所以我们不仅仅希望这台车只是一个成功的演示案例，我们更加希望能够实现无人驾驶。
我将给你们展示一个很酷的视频。你们看，这台汽车真的在自己行驶在公路上。年，自动驾驶商业化，这台车学习了很多司机用户的驾驶习惯，使它自身拥有强大的自动驾驶能力。它也成功的在公路上自主行驶（无人驾驶状态）超过10，,,公里。我们的路测实验几乎涵盖了所有的不同城市的驾驶场景，收集了很多驾驶数据。
我想解释一下为什么今天的演讲的题目是“项目的长尾问题”。因为我们在自动驾驶这条路上，我们还有很多问题需要处理和解决，才能使得自动驾驶更加完善。
自动驾驶系统要求有足够的能力，在没有人类司机干预的情况下，安全地处理所有的突发情况。
事实上，突发的异常情况总是发生，而且这些异常情况经常是比较复杂且少见的，而自动驾驶就是要安全的解决这些突发的复杂且少见的情况。这就是我所说的“长尾巴情况”，它不同于在常见的场景中的自动驾驶，而这种复杂且少见的驾驶场景在自动驾驶领域确实非常重要。
我们来看这场景，画面中骑自行车的人带着一块“停止”的标志牌。但是我们并不知道他会停在哪里，什么时候停下。
我们再来看这个场景，有东西掉在路上了，周围的建筑也是一个问题。
现实中存在很多不同的场景和不同的问题，像这个视频中，我们的车辆听到了其他车辆的鸣笛声音，那么如何处理这个鸣笛的声音，这些都需要很好的（安全的）解决掉。
那么我们是如何解决这些问题的呢？
首先是，感知。我们利用传感器感知周围环境，并在屏幕上显示（可以显示周围的建筑、环境等等），以此重新构建一个地图。
感知的复杂性包括，在路上，有很多不同的物体，他们有不同的形状、颜色、状态。比如，有不同样式的信号灯，路上有动物和行人，行人还会穿着不同颜色的衣服，有不同的姿势状态。为了清晰的观察到这些，我们装置了很多传感器，来解决这个问题。
感知的复杂性还包括，很多不同的环境。比如，一天当中不同的时间段（白天/黑夜），不同的季节，不同的天气下雨或者下雪。这些都需要识别。
感知的复杂性还包括，不同的场景配置，或者叫物体之间的关系识别。不同的搭配就有不同的物体之间的关系，比如图片中，一个人拿着一块巨大的板子，第二幅图中，玻璃中有反光现象，第三幅图中人骑着马等等不同的场景和关系。
这种映射功能是一个非常复杂的功能，这是由物体、环境、场景配置共同决定的。
所以这需要我们在观察周围环境的基础上做出预判，对周边人和物体的下一个动作做出预判，即我们要对短时间内发生的事情做出一个预测。
那我们如何来预判呢？
预测的影响因素有过去的动作、高度的场景语义、物体属性和出现提示。我们考虑周围的任何事物，比如有一个自行车想要通过，那么我们需要停下或者放慢速度让它通过，这就需要提前计划设计，做出安全的解决方案。同时，我们也要向周围的人和物发出信号。
学校周围的场景，这是一个非常复杂的问题。机器学习是一个非常好的工具用以应对复杂的情况。所以我们要学习出一个系统，以此优化现实存在的各种场景问题。
传统的学习模式：用工具构建，改造和进化难以实现。
机器学习：更像是一个工厂，我们仅仅需要把数据输入进去，就能得到正确的模型。
关于如何创建更智能的机器学习模型的周期如图中所示。
因为Waymo隶属于Google，有用强大的数据中心，所以他们用TensorFlow和TPU，做出准确的标注，而且分布均匀。
数据收集：这是一个非常重要的环节，这是解决“长尾巴情况”的重要因素。数据收集是激发主动学习的重要环节，也是是机器学习周期运行良好的重要基础。
GoogleAI和DeepMind都在
本文编辑：佚名
转载请注明出地址 http://www.smartcarf.com/smartcarxn/5165.html
