自动驾驶

吴恩达的大招：Drive.ai 无人车了解一下

第一电动大牛作者 42号车库 2018-05-09 09:02

吴恩达在他所有的社交平台账号上推了一件事：他担任董事的自动驾驶创业公司 Drive.ai 将于今年 7 月在美国德克萨斯州弗里斯科市开展自动驾驶汽车试运营。

下面是具体的执行计划：

第一阶段：就是 7 月在德州部署的自动驾驶车队试运营。有几个要点：

配备安全驾驶员——意外路况下紧急接管；

限定区域内的按需多点排列组合——初级的大数据网络调度；

支持远程接管和操控汽车——系统也会在后台学习人类的操作。

第二阶段：等到技术水平足够安全，移除安全驾驶员，配「chaperones」。这个概念第一次听说，简单说就是还会有安全驾驶员，但不坐驾驶位，坐乘客座位上负责协助其他乘客和监控系统驾驶。

第三阶段：完全移除安全驾驶员，突发路况全面交给后台远程接管。

第三阶段要划重点：谷歌 Waymo 目前在亚利桑那州试运营的就是不设安全驾驶员的真·无人车，也支持远程接管。如果出现突发路况，由后台远程接管。可能 Drive.ai 就是沿袭了这个思路。

吴恩达说 Drive.ai 专门优化了远程接管系统，在遇到网络延迟或临时信号中断时有很好的鲁棒性，比如说数据丢失或延迟 100 毫秒，系统都能实时响应。

也就是说，如果 Uber 也有类似的接管机制，即便安全驾驶员失效，后台接管也可以避免之前拿起悲剧的发生？

从这个角度看，Drive.ai 对系统的运作和交互考虑还是比较全面的，这是 Drive.ai 在产品设计上的细节之一。

下面就是即将在 7 月投放的自动驾驶汽车，基于日产 NV 200 改装，硬件传感器包括 10 个摄像头、2 个雷达和 4 个 16 线激光雷达。

基于日产 NV 200 改装自动驾驶汽车我们还是第一次见，不过理由早在去年年初就被 Drive.ai 联合创始人王弢剧透了。王弢的说法是看重了它的客货两用性，而且有电气化改装的空间。日产 NV 200 有燃油和新能源两个版本，但采用了同一个协议，所以对改装和控制非常友好。

另外你一定发现了车身前后左右都配了一块屏幕，以及车身鲜艳的橙色涂装、都是为了提升安全性。屏幕的作用是进行人车交互，与行人、骑车人和其他汽车交互。

当然，这个不是受 Uber 事故的教训启发，去年年初 Drive.ai 就展示过他们的原型车，也强调了车外交互的重要性。

下面说说技术路线，也很有趣。

Drive.ai 此前在巨头云集的硅谷一战成名，就是凭借去年 2 月先特斯拉 Waymo 一步公布了一段雨夜路况下自动驾驶汽车驾驶视频。长达 4 分钟的视频中驾驶员全程未碰方向盘、未做任何干预。

在很短时间内实现了视频呈现的效果，背后深度学习优先的技术策略显示出了巨大的潜力。

Drive.ai CEO Sameep Tandon 一句话点出了 Drive.ai 的技术特点：大多数公司都把深度学习技术当成自动驾驶某个环节的工具，但 Drive.ai 是从自动驾驶全局出发应用深度学习。

具体点说，Drive.ai 走的是基于非规则学习的深度学习网络模型决策路线。这一路线有以下三点优势：

场景泛化：传统的规则学习面对新的和罕见的情况却很难可靠应对；非规则学习的泛化能力让它可以更好地即时理解数据并解决此类长尾问题。

复杂决策：大量算例支持下的非规则学习有复杂决策方面的优势，这已经在 AlphaGo 等深度学习程序中体现出来。未来会有很长一段时间，路面上会有自动驾驶车辆和人工驾驶车辆共存，而自动驾驶所需的复杂决策（是否超车、变道等等）与围棋相似——基于对方的动作，进行自己的下一步动作，合理地获得路权。

硬件需求：利用非规则学习而非现成的知识库进行决策，对计算芯片的效能要求相对较低，在计算能力相当于个人电脑的车载设备上即可完成核心数据处理。

但是，非规则学习的深度学习模型也存在一些问题。比如算法不可解释：“端到端”的训练中，策略规划有不透明的区域，原理和机制并不明确（“黑盒”）。但企业必须要确保自动驾驶汽车的决策行为透明可追溯，以便在意外发生时做出改进，但如果不透明，改进也就无从谈起。此外透明可追溯也是出现意外时判定责任方的关键。

去年，王弢关于这个问题的回应是 Drive.ai 会采用的是当下学界主流的生成式对抗网络（GANs），将完整的端到端系统拆分开来，在涵盖绝大多数场景的标准化测试机上，对决策机制的不同部分进行验证和测试。

为什么会采取深度学习优先的策略？Drive.ai 一共8位联合创始人，6 位是吴恩达担任斯坦福大学人工智能实验室时期的学生，包括 CEO Sameep Tandon。更重要的是，Drive.ai 总裁是吴恩达的妻子 Carol Reiley，这才是吴恩达以董事身份为 Drive.ai 摇旗呐喊的驱动力。