了解现代车辆中的自动驾驶系统

自动驾驶系统的发展远远超出了简单的巡航控制。 如今,它们代表了硬件和软件的复杂整合,设计成在不直接人类输入的情况下部分或全部控制车辆运动。这些系统依靠一套传感器——包括摄像机、雷达、雷达和超声波传感器——实时地了解环境。这些传感器的数据由算法处理,这些算法对方向、加速和制动作出分秒的决定。早期自动驾驶的应用遵循了僵硬、基于规则的逻辑:如果物体出现在一定距离内,就刹车;如果发现车道标记,就保持中心。这些系统在功能上与边缘案例和不可预测的情景发生抵触。这些系统向机器学习的转变是变革性的,使得自动驾驶算法不仅能够遵循规则,而且能够学习经验,适应新的条件,并不断改进它们的性能。

从基于规则的演化到基于学习的算法

传统的自主驱动软件在很大程度上依赖于手码规则。 工程师们会为每个可能出现的情况制定具体的反应方案 — 这是一项不可避免留下空白的巨大的任务。 例如,基于规则的系统可能正确识别一个停止标志,但无法解释一个临时的构造区。 机器学习的引入推翻了这个范式。 自动驾驶算法不是被告知在每一种情况下该做什么,而是接受了关于现实世界和模拟驱动的大规模数据集的培训。 他们学会提取规律和预测,以更大的灵活性处理新情况。 这种演变是由计算力、数据可用性和算法创新的进步驱动的。 公司如[Waymo [[ Tesla 已经对这种方法投入了大量资金,收集了数十万英里的数据,以完善其模型。

自动驾驶核心机器学习技术

几种机器学习范式是现代自动驾驶算法的基础。 每一种技术都贡献了独特的能力,从感知到决策。

深入学习以增进认知

深层神经网络,特别是神经神经网络(CNNs),是自主车辆中感知的支柱. 这些网络处理图像和液晶点云,以显著的准确度识别物体——汽车,行人,骑自行车,交通标志. 训练深层神经网络需要上千万个标签的例子,往往用合成数据来覆盖罕见的情景. 训练后,模型可以实时运行在专用硬件上,如NVIDIA的DRIVE平台,为车辆提供了对其周围环境的详细了解.

加强决策学习

强化学习(RL)使自动驾驶系统能够通过试运行和错误学习最佳驾驶政策。在模拟环境中,算法尝试不同的动作 — — 加速、制动、改变车道 — — 并获得安全高效行为的奖励。在许多迭代中,它发现了最大限度增加累积奖励的战略。这种方法对于处理复杂的相互作用,例如合并到高速公路上或导航繁忙的交叉点,特别有力。研究人员将RL和驱动模拟器结合起来,以加速训练,而不会冒实际世界事故的风险。

对象识别监督学习

监督学习对于对对象进行分类和定位的培训模型仍然至关重要。工程师将每个图像包含每个相关对象说明的标签数据集进行校验。算法学习将这些像素数据映射到这些标签上,提高检测停止标志、交通灯和车道界限的能力。培训数据的质量和多样性直接影响到现实世界的性能,使数据收集成为自主驱动公司的关键优先事项。

无监督的和自导自演的学习

新兴技术,如自我监督的学习,可以让模型通过预测缺失的信息来学习未加标签的数据,比如在视频序列中预测下一个帧。 这些方法可以降低对昂贵的人工标签的依赖,并帮助模型更好地将通用到不熟悉的环境。

自动驾驶机器学习的优点

机器学习的融合带来了超越学术兴趣的切实好处,这些优势直接体现在自主驾驶系统的安全、舒适和效率方面。

  • 通过预测危险探测改进安全性:[机器学习模型可以预见基于规则的系统可能错过的潜在危险。例如,深层学习模型可以识别行人即将从路边上走下来的微妙提示,从而能够提前制动。 这种预测能力有可能大大减少事故。
  • 适应多样化环境:[ 接受过来自阳光加州的数据训练的车辆仍然可以在雨天西雅图或雪地多伦多安全运行。机器学习模型可以适应不同的道路条件、照明,甚至不同的驾驶文化。 这种地域灵活性对于大规模部署至关重要。
  • 增强乘客舒适度:[] 基于学习的算法产生更平滑的加速和减速配置,系统不但没有突然的,干燥的动作,反而学习模仿对乘客自然和舒适的人类式驾驶.
  • 持续改进时间: 与基于规则的静态系统不同,机器学习模型可以使用新的数据重新训练. 超空更新可以让机队集体改进,意思是每辆车都从其他所有车辆的经验中获益.
  • 传感器数据的有效使用:[ 高级模型可以将来自多种传感器模式(相机,雷达,lidar)的数据引信,以形成比任何单个传感器单独能够实现的更强的感知. 这种传感器聚变是现代自驾堆栈的标志.

应用机器学习方面的挑战和局限性

尽管在安全关键自动驾驶系统中部署机器学习是很有希望的,但研究人员和工程师正在积极应对的巨大挑战。

数据质量和比喻

机器学习模型只相当于它们所训练的数据。如果培训数据不能反映某些情况,例如夜间驾驶、大雨或独特的道路基础设施,那么模型的性能将在这些情况下下降。收集和管理平衡、全面的数据集是昂贵和耗时的。此外,数据的偏差可能导致不公平或不安全的结果。确保所有人口和地理的公平表现是一个持续的优先事项。

算法 透明度和可解释性

深神经网络通常被描述为黑盒。 很难解释为什么模型做出特定的决定 — — 当生命受到威胁时,这是一个关键问题。 监管和安全审计员要求解释。 关注地图和突出分析等技术正在帮助,但充分透明度仍然是研究挑战。

安全验证和测试

证明机器学习式自动驾驶是安全的,需要与传统的软件验证方法有根本的不同。 需要用数十亿英里进行统计测试来模拟和现实世界驱动,但这还不够。 数学上证明某些行为的正式核查方法是一个活跃的研究领域。 业界正在朝着标准化的安全框架迈进,如ISO 26262 功能安全,以及ISO 21448 功能安全(SOTIF),但将这些方法适应ML驱动的系统是复杂的。

长势

机器学习模式可以通过精心设计的对抗性输入来骗取 — — 比如,在停止标志上贴上小贴纸,导致模型误解为速度限制标志。 防范这种攻击对安全至关重要。 对抗性训练和强力优化等技术正在被整合到生产系统中。

未来方向和新兴研究

自动驾驶算法的机器学习领域正在迅速发展。 几个研究方向有望克服当前的限制,解锁更高层次的自主性。

端到端学习

某些研究者主张建立单独的感知、预测和规划模块,而不是建立将原始感知数据直接映射到控制指令的端到端深度学习系统。这种方法简化了管道,并能够捕捉感知与行动之间的微妙依赖。尽管它仍然在实验性环境下表现出希望。

模拟和数字双胞胎

高真模拟器使开发者可以比现实世界的驾驶速度快数百万倍的培训和测试算法. Digital twins——真实世界环境的虚拟复制品—— 适合情景的培训和验证. Cognata 等公司提供为自主车辆开发设计的模拟平台.

多代理学习

自主车辆很少孤立地运行;它们必须与人类驾驶员、行人和其他自主代理人互动。 多代理强化学习探索了代理人群体如何学习协调行为,比如在不受控制的交叉点谈判。 这一研究是实现平稳安全交通的关键。

联邦学习保护隐私升级

舰队学习如果原始驱动数据被上传到中央服务器,可以引起隐私问题. Federal学习允许车辆在当地训练一个共享模型,只发送模型更新而不是原始数据. 这种方法在保持隐私的同时,可以使整个舰队进行集体改进.

结论

机器学习从根本上改变了自动驾驶算法的发展,将范式从僵硬的规则系统转变为适应性强、数据驱动的智能。 通过利用深层学习来感知、强化学习来决策以及监督学习来识别物体,现代自主工具更加安全、适应性更高,驾驶行为也越来越像人。 然而,在完全自主驾驶成为无所不在的现实之前,必须解决重大挑战 — — 数据偏差、可解释性、安全验证和对抗性。 正在进行的端到端学习、模拟、多代理系统以及联合学习承诺推动实地发展。 随着机器学习技术不断成熟,智能、更安全的自动驾驶员的愿景与日常部署更加接近。