文/孫鳴遠(yuǎn) 4月22日，阿里達(dá)摩院發(fā)布了全球首個(gè)自動(dòng)駕駛“混合式仿真測(cè)試平臺(tái)”，采用虛擬與現(xiàn)實(shí)結(jié)合的仿真技術(shù)，引進(jìn)真實(shí)路測(cè)場(chǎng)景和云端訓(xùn)練師，能夠提供最貼近實(shí)際道路狀況的模擬測(cè)試，并且模擬一次極端場(chǎng)景僅需30秒，系統(tǒng)每天虛擬測(cè)試?yán)锍炭沙^800萬(wàn)公里，將大幅度提升自動(dòng)駕駛AI模型訓(xùn)練效率，加速邁進(jìn)自動(dòng)駕駛L5階段。 或許很多人看到這里會(huì)覺得一臉茫然，但筆者卻對(duì)此無(wú)比激動(dòng)，先不要著急，且聽我慢慢解析達(dá)摩院發(fā)布的“仿真路測(cè)平臺(tái)”意味著什么。 要想了解這套平臺(tái)的意義，首先要弄明白自動(dòng)駕駛的實(shí)現(xiàn)方式。  簡(jiǎn)單理解來說可以分為：感知道路環(huán)境、處理數(shù)據(jù)并給出結(jié)果、控制車輛，其中最簡(jiǎn)單的是控制車輛方面，因?yàn)槿缃窠^大部分車輛的方向、油門、剎車都是電子化控制，所以想要執(zhí)行明確命令并不難，而真正難點(diǎn)在于感知道路環(huán)境和基于這些信息做出正確的決策。 專業(yè)說法為：感知、融合、決策、控制。即通過傳感器將道路信息記錄下來、把信息整合分類送入計(jì)算單元、處理數(shù)據(jù)后做出抉擇、根據(jù)給出的決策控制車輛行駛。 難點(diǎn)即是感知、融合、決策階段。 盡管近兩年，自動(dòng)駕駛經(jīng)常被媒體所報(bào)道，但幾乎所有人爭(zhēng)執(zhí)的焦點(diǎn)都在“激光雷達(dá)”“5G技術(shù)”“V2X（車聯(lián)網(wǎng)，Vehicle to Everything）”這幾個(gè)問題上，似乎大多數(shù)認(rèn)為只要解決了“激光雷達(dá)成本”“5G技術(shù)普及”“V2X落地”等問題，完全自動(dòng)駕駛就能迎刃而解。 錯(cuò)，這種觀念其實(shí)與“我買了這款屏幕、鍵盤、鼠標(biāo)就能上分”“我買了這個(gè)廚具就能做出好菜”差不多是一個(gè)邏輯。 激光雷達(dá)是傳感器，存在問題的地方在于其成本和體積，高昂的成本使其無(wú)法大規(guī)模應(yīng)用于民用車，龐大的體積導(dǎo)致車輛不美觀也影響空氣動(dòng)力學(xué)。盡管近些年激光雷達(dá)的成本在大幅下降，以及在保證性能情況下，體積越來越小，但一個(gè)傳感器硬件并非是決定自動(dòng)駕駛發(fā)展的充分條件。 （激光雷達(dá)傳感器效果）  5G技術(shù)則可以與V2X歸位一類，5G技術(shù)本質(zhì)上解決的是通訊速度和延遲問題，有5G技術(shù)的支持，V2X才能夠?qū)崿F(xiàn)。而這兩者對(duì)自動(dòng)駕駛的促進(jìn)作用，在于通過大量車載、非車載的傳感器互相溝通，提供幾乎所有的環(huán)境信息，也就是環(huán)境感知的來源不再局限于單個(gè)車輛，而是所有聯(lián)網(wǎng)的傳感器都是汽車的“眼”；另外一個(gè)作用則是，由于通信速度得到了保證，那么信息處理單元也不再局限于單一車輛的計(jì)算力，可以將感知數(shù)據(jù)傳輸至云端處理器，而后將決策傳輸至車輛并執(zhí)行，以此解決車載處理器算力不足的問題。  細(xì)心的你應(yīng)該已經(jīng)發(fā)現(xiàn)了，無(wú)論是5G還是V2X，本質(zhì)上也只是能夠解決感知層面問題，并且由于目前車載算力已經(jīng)足夠（如今Mobileye、英偉達(dá)、特斯拉等公司的車載自動(dòng)駕駛芯片，算力角度應(yīng)對(duì)自動(dòng)駕駛需求已經(jīng)綽綽有余），其實(shí)云計(jì)算的收益也不高，所以這些仍然不是自動(dòng)駕駛的核心痛點(diǎn)。 注意，筆者并沒有說感知層面和算力層面不重要，因?yàn)闆]有足夠的信息輸入，就不足以得出正確判斷，而沒有足夠的算力，就不足以在極短時(shí)間做出決策。 但是，信息不是越多越好，雖然信息越多，不確定性就會(huì)越少，但信息量一旦過了某個(gè)節(jié)點(diǎn)，其收益增速會(huì)逐漸下降，并且導(dǎo)致成本大幅上；同樣算力的過剩，除了成本大幅上漲之外，并不會(huì)帶來更多的益處（另外算力還受到功耗、體積等多種限制）。  那么多少是足夠呢？ 舉個(gè)例子，上學(xué)的時(shí)候，有的人翻一遍書最后考試就能拿到高分，而有些人翻了無(wú)數(shù)遍書，最后考試還是不理想。大家都是一雙眼睛、一對(duì)耳朵，最終卻成績(jī)不同，本質(zhì)上是因?yàn)槁斆鞒潭然驅(qū)W習(xí)方法（思維、習(xí)慣）不同導(dǎo)致的。也就是說如果足夠聰明，那么不需要太多的信息輸入，也能拿到不錯(cuò)的成績(jī)，即對(duì)于人來說，所謂的足夠，主要取決于聰明程度。 注：聰明程度不等于算力，因?yàn)樗懔κ且粋�(gè)數(shù)據(jù)處理量的絕對(duì)值，類似于CPU的主頻；而聰明程度可以簡(jiǎn)單理解為是算力*學(xué)習(xí)方法（思維、習(xí)慣），也就是人們常說的天才不僅僅是智力高（算力高），更多的是后天培養(yǎng)的思維方式。 業(yè)界實(shí)現(xiàn)自動(dòng)駕駛基本分為兩種方式：“強(qiáng)感知、強(qiáng)智能”和“弱感知、強(qiáng)智能”，后一種方式目前只有少數(shù)企業(yè)在采用，也就是以視覺方案為主的策略，代表是特斯拉；前一種則是絕大部分企業(yè)采用，擁有激光雷達(dá)、高精地圖等額外感知手段，提升“強(qiáng)感知”。 所謂的智能，即是聰明程度，拋開硬件的算力不談（自動(dòng)駕駛Tier1級(jí)別的處理器算力相差不大，且除了特斯拉之外都是采購(gòu)第三方的芯片），各家廠商真正角逐的賽場(chǎng)，其實(shí)在學(xué)習(xí)方法（思維、習(xí)慣）的提高方面，換句話說，也就是軟件層面的問題。這其實(shí)就是為什么現(xiàn)如今自動(dòng)駕駛行業(yè)的發(fā)展，愈發(fā)偏向軟件研發(fā)公司，例如華為、達(dá)摩院等企業(yè)的入場(chǎng)。 自動(dòng)駕駛，需要應(yīng)對(duì)的道路情況極為復(fù)雜，因?yàn)槌斯潭ǖ牡缆沸畔⒅�，每個(gè)人、車都具有極強(qiáng)的不確定性，可能發(fā)生的情況接近于“無(wú)限”。如果由程序員來界定車輛在何種情況下進(jìn)行某種操作，那么就是以“有限”對(duì)“無(wú)限”，根本沒有勝算。所以業(yè)界無(wú)一例外，在對(duì)信息的整合處理階段，都是采用人工智能的方式，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過深度學(xué)習(xí)（Deep Learning，機(jī)器學(xué)習(xí)的一種）的方式提高“智力”。  深度學(xué)習(xí)，是一種針對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式。簡(jiǎn)單理解，即是通過電子解構(gòu)模擬了人類大腦的學(xué)習(xí)方式，通過大量“學(xué)習(xí)材料”（數(shù)據(jù)）對(duì)其進(jìn)行訓(xùn)練，即可使其獲得類似人類一樣認(rèn)知世界和理解世界的能力。（神經(jīng)網(wǎng)絡(luò)原理參考筆者另一篇文章：《霹靂游俠》離現(xiàn)實(shí)還有多遠(yuǎn)？） 舉個(gè)例子，拿一堆照片給神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，一開始準(zhǔn)確率并不高，這就像小時(shí)候父母剛剛教你認(rèn)識(shí)各種東西時(shí)一樣的。但隨著接觸同類東西越來越多，次數(shù)越來越多，識(shí)別率會(huì)飛速提升，直到無(wú)限接近100%的識(shí)別率。  并且當(dāng)訓(xùn)練到達(dá)一定級(jí)別時(shí)，就如同人類已經(jīng)對(duì)周圍事物相當(dāng)熟悉，此時(shí)你并不需要仔細(xì)觀察某物，或者需要多種信息交叉對(duì)比才能確定這玩意到底是啥，僅僅需要看一眼就能準(zhǔn)確得知物體是什么。自動(dòng)駕駛領(lǐng)域?qū)ι窠?jīng)網(wǎng)絡(luò)的訓(xùn)練，也能達(dá)到同樣的效果，一旦訓(xùn)練程度足夠，那么感知層面所需要的信息量就很少。 （神經(jīng)網(wǎng)絡(luò)訓(xùn)練示意）  例如comma.ai在普通車型上，僅僅通過加裝一部普通手機(jī)作為感知和運(yùn)算單元，加上自己寫的自動(dòng)駕駛算法openpilot，就能較好實(shí)現(xiàn)L2.5級(jí)別自動(dòng)駕駛。  創(chuàng)始人George Hotz是一位軟件天才、黑科，曾在2007年破解第一代iPhone，2009年破解iPhone 3GS，以及后來破解索尼PS3、PSN。曾在特斯拉AP團(tuán)隊(duì)工作過，于2015年成立自己的人工智能公司comma.ai，專注于自動(dòng)駕駛，利用神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)研發(fā)了openpilot系統(tǒng)，通過手機(jī)作為感知傳感器和計(jì)算單元，實(shí)現(xiàn)L2.5級(jí)別自動(dòng)駕駛。用戶只需采購(gòu)幾百刀的設(shè)備，即可將幾款指定車型變?yōu)長(zhǎng)2.5級(jí)別自動(dòng)駕駛車輛。 不過自動(dòng)駕駛不同于考試，達(dá)到高分是不夠的，終極目標(biāo)需要的是無(wú)限逼近滿分才行，畢竟汽車本質(zhì)上是一臺(tái)高速移動(dòng)的“危險(xiǎn)機(jī)器”，一個(gè)小錯(cuò)誤都可能以生命為代價(jià)。 所以整個(gè)自動(dòng)駕駛行業(yè)，之前的硬件競(jìng)爭(zhēng)，逐漸轉(zhuǎn)變?yōu)榱藱C(jī)器學(xué)習(xí)競(jìng)爭(zhēng)。也就是說，誰(shuí)能更好更快地訓(xùn)練自動(dòng)駕駛AI，誰(shuí)就具有真正的優(yōu)勢(shì)和技術(shù)壁壘。達(dá)摩院發(fā)布的自動(dòng)駕駛仿真路測(cè)平臺(tái)，就是為此服務(wù)的。 車輛所需的訓(xùn)練數(shù)據(jù)，來源無(wú)外乎兩類：模擬器、實(shí)際道路。 一般來說，車輛在初期訓(xùn)練階段都是在模擬器中進(jìn)行的，優(yōu)勢(shì)在于可以24小時(shí)不停地進(jìn)行學(xué)習(xí)，而大幅提升基礎(chǔ)自動(dòng)駕駛能力。但問題在于，模擬器中雖說可以針對(duì)不同的道路環(huán)境進(jìn)行自定義設(shè)置，但仍然比不上實(shí)際道路的復(fù)雜狀況，也就是在模擬器中訓(xùn)練完成，猶如應(yīng)試教育畢業(yè)的學(xué)生，與社會(huì)仍然存在脫節(jié)。 （圖來自億歐）  如果采用實(shí)際道路數(shù)據(jù)，效果會(huì)好很多，但是實(shí)際道路數(shù)據(jù)需要大量行駛在普通公開道路的車輛，而到達(dá)這個(gè)級(jí)別的車輛只有一個(gè)：特斯拉。 根據(jù)2月底舉行的Scaled Machine Learning Conference（大型機(jī)器學(xué)習(xí)研討會(huì)）中，特斯拉AI和視覺負(fù)責(zé)人Andrej Karpathy分享了最新的數(shù)據(jù)，在AP啟用狀態(tài)下共行駛了30億英里，NOA（Navigate On Autopilot）啟用狀態(tài)下里程超過10億英里，自動(dòng)變道執(zhí)行超過20萬(wàn)次，高級(jí)智能召喚使用次數(shù)超過120萬(wàn)次。 特斯拉自家的大型計(jì)算機(jī)集群項(xiàng)目Dojo可以將這些數(shù)據(jù)篩選整合，基于真實(shí)的路測(cè)信息對(duì)AP算法（神經(jīng)網(wǎng)絡(luò)）進(jìn)行無(wú)監(jiān)管訓(xùn)練和優(yōu)化升級(jí)。但這樣級(jí)別的規(guī)模和早于市場(chǎng)很多年的規(guī)劃，不是哪個(gè)自動(dòng)駕駛企業(yè)都能做到的，無(wú)論是售出車輛規(guī)模還是軟件團(tuán)隊(duì)進(jìn)度。例如投入自動(dòng)駕駛長(zhǎng)達(dá)十幾年之久的谷歌團(tuán)隊(duì)Waymo至今的路測(cè)里程不過2000萬(wàn)英里而已。 多家研究機(jī)構(gòu)表示，自動(dòng)駕駛車輛需要積累177億公里的實(shí)際路測(cè)數(shù)據(jù)，才能保證自動(dòng)駕駛的安全性。這樣就進(jìn)入了死循環(huán)，自動(dòng)駕駛的能力不夠，產(chǎn)品力就不足以有吸引力，那么市場(chǎng)中行駛的自家車輛就少，而使用模擬器訓(xùn)練又無(wú)法與實(shí)際路測(cè)訓(xùn)練競(jìng)爭(zhēng)。 所以達(dá)摩院發(fā)布的自動(dòng)駕駛仿真路測(cè)平臺(tái)就派上用場(chǎng)了。 該平臺(tái)能夠?qū)F(xiàn)實(shí)的路況信息通過其他手段收集，并融合進(jìn)模擬器環(huán)境中，也就是說神經(jīng)網(wǎng)絡(luò)系統(tǒng)能夠得到比一般模擬器更加真實(shí)的訓(xùn)練，能夠接近路測(cè)數(shù)據(jù)級(jí)別。該平臺(tái)甚至通過算法模擬人類的不確定，對(duì)車輛進(jìn)行隨機(jī)干預(yù)，模擬各種現(xiàn)實(shí)中奇怪的駕駛習(xí)慣以及場(chǎng)景。并且由于性能強(qiáng)勁，傳統(tǒng)極為復(fù)雜的場(chǎng)景需要僅1個(gè)月時(shí)間，而在達(dá)摩院這套平臺(tái)中，僅需30秒即可完成復(fù)雜場(chǎng)景的構(gòu)建和測(cè)試準(zhǔn)備，每天可支持場(chǎng)景構(gòu)建數(shù)量達(dá)百萬(wàn)級(jí)別。整體訓(xùn)練效率相比普通模擬器將提升百萬(wàn)倍。 這無(wú)疑對(duì)于其他自動(dòng)駕駛企業(yè)來說，是個(gè)天大的喜訊。 不過值得注意的是，這個(gè)平臺(tái)就像一個(gè)高級(jí)培訓(xùn)班，能夠獲得多少提升，還要看自己的算法優(yōu)劣。因?yàn)楸旧砩疃葘W(xué)習(xí)本身并不復(fù)雜，一個(gè)略微懂Python的朋友也能夠自己玩，比如Chares 2.0系統(tǒng)就是國(guó)外一個(gè)博主自己針對(duì)GTA5游戲，編寫的自動(dòng)駕駛軟件，經(jīng)過半年多的訓(xùn)練優(yōu)化，已經(jīng)能夠在游戲中實(shí)現(xiàn)相對(duì)不錯(cuò)的效果。  但這東西就是入門簡(jiǎn)單，精通難，想要提高效率、優(yōu)化算法，是一件極其復(fù)雜的事情。這也是為什么近幾年，有不只一家公司被特斯拉起訴，前員工將部分算法代碼“偷”到下家使用。 （前一陣自動(dòng)駕駛公司Zoox承認(rèn)了員工竊取特斯拉AP算法）  總結(jié)來說，自動(dòng)駕駛發(fā)展道路上，硬件技術(shù)雖然重要，但只是門檻，真正的技術(shù)壁壘和難點(diǎn)，集中在自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)的訓(xùn)練上。并且基于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模式，這種進(jìn)步速度是超乎一般人想象的，最簡(jiǎn)單的例子就是谷歌的Alpha Go僅用幾年時(shí)間，就擊敗了全球頂尖圍棋高手。 當(dāng)然想要完全克服所有場(chǎng)景下適用的完全自動(dòng)駕駛（L5級(jí)別），還是需要大量工程師的長(zhǎng)久努力，但如今自動(dòng)駕駛的發(fā)展速度已經(jīng)不能用日新月異來形容了，應(yīng)該用每分每秒來計(jì)量。神經(jīng)網(wǎng)絡(luò)系統(tǒng)無(wú)時(shí)不刻通過大量數(shù)據(jù)在“進(jìn)化”，就相當(dāng)于一個(gè)頂尖天才不休息地在高效學(xué)習(xí)，其結(jié)果可想而知。 達(dá)摩院此次發(fā)布的仿真路測(cè)平臺(tái)或許很多人不在意，但是記住筆者的話，在不久的將來，或許你使用的自動(dòng)駕駛系統(tǒng)就“畢業(yè)”于這里。 |
