特斯拉和Waymo,做自动驾驶有什么不同?

发布者:trendsetter9最新更新时间:2019-03-27 来源: 极客网关键字:特斯拉  Waymo  自动驾驶 手机看文章 扫描二维码
随时随地手机看文章

资讯机构Navigant Research最近公布的报告再次将两家公司推向风口浪尖。一个是在排名中垫底的,另一个则是拔得头筹的。至于评判标准,是根据每家公司在“愿景”、“商业化策略”、“合作方”、“量产计划”、“技术”以及“产品持久力”这几个方面的综合表现打分排名。

在去年的报告中,的排名分别为第七位和第十二位。对而言,去年开始的大规模商业化试运营应该是其领先的重要原因。但垫底就有点说不过去了,排名竟然比苹果都低。在一些业内人士看来,这份报告在成文的视角和方法论上略有偏差,缺失了对“政府关系”和“数据”这两个重要标准的考量。

  和政府搞好关系的重要性自不必说。一旦硬件实现商品化,软件就成了关键。实际上不能说是软件,而是“数据”。数据是驱动技术发展的“燃料”,或者如前英特尔首席执行官Brian Krzanich提出的观点,“数据是新的石油资源”。世界上最先进的人工智能也需要数据支持——它依靠浩如烟海的数据将信息传化为下一步的行动。

  显然,如果只考虑“科技”和“数据收集”这两个维度,排在榜首的应该是Waymo和特斯拉。至于谁最终会在这场“旷日持久战”中胜出,我们暂且不讨论。今天想和大家聊聊关于特斯拉和Waymo在技术层面的一两点差异性。

  “貌合”“神离”的两套方案

  二月底,Waymo首席科学家Drago Anguelov在MIT首次开讲,他分享的内容主题为“解决中的长尾问题”(Taming The Long Tail of Autonomous Driving Challenges),这应该是外界对Waymo研发目前能够了解到的最深度、最详细的内容了。

  近些年,使用大量标注过的数据对深度学习网络进行监督训练,使得物体感知和行为预测能力有了大幅提升,这些技术在Waymo自动驾驶开发过程中得到了大规模应用。我们也从Drago Anguelov口中第一次知道了Waymo在使用“模仿学习(imitation learning)”,这里先稍微科普一下。

  模仿学习属于机器学习的一种,它的神经网络能够通过“观察”人类的行为将某些特定的动作和场景进行匹配。如果使用不同类型的“人类行为”作为数据源来训练,最终神经网络就能够根据感知的结果输出相对应的决策动作。例如,“如果你看到停车标志,马上停车”、“如果前方有辆停着的车挡路了,绕开它”等等。

  

特斯拉和Waymo,做自动驾驶有什么不同?

  (“行为克隆”(behaviour cloning)与“模仿学习”(imitation)是一回事)

  随着商业化试运营的推进,谷歌能够采集数据的场景更多了,模仿学习算法也就有了更频繁的用处。但Drago Anguelov也指出,人类驾驶行为存在着很多不确定性,一些罕见的场景(所谓的“长尾”问题),Waymo的数据集中并没有足够的案例来训练算法应对。出现这种情况就只能依靠开发人员手动编写算法。Drago认为这种“折中”的做法迟早是会被机器学习代替的。

  根据Waymo官方披露的数据,Waymo目前已经累积了约1500万英里的行驶里程。按照平均每3000万英里才会出现一起事故的概率来计算的话,Waymo可能到现在都没有得到一个特定的“长尾”案例。假设行驶每100万英里会发生一起事故,waymo也不过积累了15个数据而已。按照普通机器学习神经网络需要的数据量(每个图像分类需要至少1000个样本)的标准来看,Waymo似乎还差得有些远。

  尽管Drago Anguelov表示希望通过采集尽可能多的人类驾驶行为(包括“长尾”案例)来进行模仿学习,但“数据量的缺失”是个很大的问题。

  而为了弥补这方面的缺陷,Waymo已经构建出了一套仿真模型,仿真出尽可能多的场景来进行测试。因为有时会得出截然相反的结果,所以要加强系统的鲁棒性,做出足够多的仿真模型,确保系统的准确性。

  

特斯拉和Waymo,做自动驾驶有什么不同?

  (仿真测试是自动驾驶研发中的关键一环)

  不过仿真模型的建立依然需要真实世界数据的支持,解决“长尾”问题也需要对人类驾驶行为进行大量地模仿学习。所以这就又回到了问题的原点,Waymo还需要更大量级“数据”的支持。

  对比之下,似乎“差生”特斯拉在“数据”问题上还真是不发愁。

  特斯拉目前预计有超过40万辆搭载了Autopilot系统的车子在道路上行驶,单日行驶里程超过了1300万英里。如果未来这个车队的规模增加至超过100万辆,那么每月产生的有效行驶里程将到达10亿英里的量级。对一家已经有成熟产品落地的车企而言,这种真实世界产生的“数据”根本不是问题。

  

特斯拉和Waymo,做自动驾驶有什么不同?

  (特斯拉Model 3)

  至于特斯拉在自动驾驶研发上的独特性,根据外媒 The Information 曾经透露的信息,特斯拉同样在利用“里程累积”上的优势进行模仿学习。

  原文是这么说的:

  据熟悉特斯拉这套系统的线人爆料称,特斯拉的车子在行驶过程中会将摄像头及其他传感器的数据搜集起来,Autopilot是否运行并没有关系。之后工程师可以将这些数据中人类的驾驶行为与不同的场景进行匹配,之后遇到类似的场景机器就可以模仿人类去执行。比如怎样拐弯或躲避障碍物。当然这种被叫做“行为克隆”的方法也有局限性,但特斯拉的工程师认为只要有足够的数据支撑,神经网络就能够给出正确的决策结果,例如在绝大多数场景中如何转向、刹车以及加速。在特斯拉看来,未来不再需要人类手动编程控制无人车应对特定场景。

不过按照个人的理解,软件工程师提到的“行为克隆”和的“模仿学习”是一个意思,等同于大家都在讲的“端到端学习”的方案,即使用一个巨大的神经网络,输入传感器数据后得到关于转向、加速和刹车的整体执行策略。

假设采用的是端到端学习方案,那它肯定是不需要对图像进行标记的。唯一需要“标记”的是人类驾驶员的行为,比如转向角是多少、加减速的力度等。将整个传感器数据输入到一个巨大的神经网络后,系统会学习如何将传感器数据与人类驾驶员的行为进行匹配。但我们知道是在做图片标记的,所以从这一点出发考虑,它采用的就不大可能是和一样的“端到端学习”的策略。

  

特斯拉和Waymo,做自动驾驶有什么不同?

  (“端到端”与“语义抽象”的差异)

  针对感知的算法差异,Mobileye创始人Amnon Shashua曾经对“端到端学习(End-to-End Learning)”和“语义抽象(Semantic Abstraction)”这两个概念做过详细的讲解。

  而根据外媒 The Information 报道的内容来推断,特斯拉可能是在开发一套用于路径规划或执行控制的神经网络。而用来训练这套神经网络的数据并非来自传感器,而是由感知神经网络输出的元数据。这样人类驾驶员的直接行为—转向、加速和刹车可以对元数据进行“标记”,类似端到端学习中,驾驶行为与传感器数据的匹配。

  这种将感知层和执行层神经网络分开的做法能够规避Shashua教授上面提到的端到端学习可能产生的一系列问题:如“不常见场景”出现的几率会大幅下降;对先备知识(Prior Knowledge)的要求提高,深度神经网络在解决一些简单问题上可能会“惨败”。

  

特斯拉和Waymo,做自动驾驶有什么不同?

  (“端到端”机器学习的局限性)

  假设特斯拉用于训练的数据来自特斯拉车主,通过人工的方式将一些“坏的”行为去掉,这样可以避开人工编码算法的局限和模拟测试的不真实。当然特斯拉还可以使用强化学习或监督学习来进一步优化。可以把路径规划或执行控制的神经网络放在运行Autopilot或其他驾驶辅助功能的车子上,一旦出现系统脱离、失效、碰撞等情况,工程师就可以通过bug报告来定位原因。这些“错误”之后还可以用来训练新的神经网络。

  如果上面猜测正确的话,这种方法可以用相当快的速度来解决路径规划和执行控制方面的问题。考虑到目前搭载硬件2.0版本的特斯拉车型每个月可以获得近10亿英里的行驶里程,获得的数据量之大是无法企及的。之后硬件3.0版本上线后,搭载了AI芯片的这套系统会更有利于特斯拉算法的迭代。

  一场马拉松式的长跑

  尽管Waymo深受“数据”的困扰,但光凭对这个维度的考量自然是没办法断言什么的。只不过Waymo要解决中的“长尾”问题,自然需要更多的数据支持。Waymo近日宣布将在亚利桑那州的梅萨市开设新的技术服务中心,进一步扩大无人车出行服务的规模。显然Waymo是奔着搜集更多“数据”的目的来的。

  

特斯拉和Waymo,做自动驾驶有什么不同?

  (基于克莱斯勒Pacifica车型打造的Waymo原型车)

  也有人认为,Waymo可以效仿特斯拉开发一套类似Autopilot的驾驶辅助系统,仅使用成本低廉可量产的传感器。一旦在市场铺开后,搜集真实场景的驾驶数据也就不是什么难事了。当然,Waymo自己要完成这件事比较困难,肯定需要来自主机厂领域的合作伙伴。

  上周有消息称,“Waymo正在寻求外部投资人”。意料之中的计划。如果有车企成为Waymo的股东,要获得海量的驾驶数据自然容易得多。而且Waymo作为自动驾驶解决方案的供应商,始终只有借助OEM的平台才能最终获得商业化成功。不管是手中的全栈自动驾驶技术亦或是正在进行的移动出行业务,Waymo对很多车企而言,都是有十足吸引力的合作伙伴。Cruise和通用、福特与Argo.AI,这些都是比较成功的先例。

  对特斯拉而言,之前因为Model 3陷入“量产地狱”,Autopilot的研发进程似乎出现了停滞,硬件3.0也迟迟没有发布。尽管在“数据”容量上有先天优势,但率先量产以及频发的几次事故使其屡陷舆论风波。所以,特斯拉在自动驾驶上到底能有怎样的成就,还在还很难说。

  不过我个人倒是蛮欣赏之前马斯克说过的一段话。

  他说,“我不认为哪家企业能在特斯拉之前打造出一套综合性的自动驾驶解决方案。除非它们保密工作做得太好了,到时候要拿出惊人的成果来。我觉得这种可能性不大,对特斯拉而言,任何车企都不是我们的竞争对手”。

  希望这种“目中无人”的狂妄自大,可以给特斯拉带来点好运气。


关键字:特斯拉  Waymo  自动驾驶 引用地址:特斯拉和Waymo,做自动驾驶有什么不同?

上一篇:真正的天网:英伟达推出首个跨摄像头汽车跟踪数据集
下一篇:比亚迪、华为再牵手:将在车联网、智能驾驶等方面展开合作

推荐阅读最新更新时间:2024-07-25 20:25

自动驾驶接力赛,还在继续奔跑的Apollo带来哪些改变?
自动驾驶,被看作人工智能技术落地最快、范围最广、引发商业效应最显著的场景之一。从人人好奇的无人车,到满大街司空见惯的无人配送,自动驾驶在过去几年里快速成熟,成为城市交通系统的重要组成部分。 数据显示,2020-2030年智能网联汽车/自动驾驶10年产业总规模有望达到近2万亿元。因此,自动驾驶相关产业也在交通强国、科技强国的建设过程中扮演着重要角色,成为世界新一轮经济与科技发展的战略制高点。 回顾近年来中国自动驾驶产业的发展历程,也伴随着一个名字的逐步壮大,那就是Apollo。 2017年,百度提出了自动驾驶开源这一全球首创的概念,推出Apollo开放平台,旨在帮助汽车企业及自动驾驶合作伙伴快速搭建软硬件结合的自动驾驶系
[汽车电子]
<font color='red'>自动驾驶</font>接力赛,还在继续奔跑的Apollo带来哪些改变?
未来的汽车需要什么样的GPU?
无论是新动力系统,车载信息娱乐系统,还是自动驾驶汽车,汽车技术都在以前所未有的速度迅猛发展。新的颠覆性技术和行业参与者正在向传统的汽车概念发起挑战。明天的驾驶体验将与今天大不相同。   目前在某些地区已经出现了自动驾驶汽车,预计到2030年,路面上四分之一的汽车将在一定程度上实现自动驾驶。未来的驾驶舱会有什么样的变化?汽车和驾驶员是怎么沟通的? 驾驶员从驾驶责任中解脱出来,会给驾驶舱和信息娱乐系统的设计带来怎样的影响? 潜在的挑战   在2025年左右,汽车将实现完全的自动化,与今天的汽车相比会有很大的不同。它将在旅途中为乘客提供各种各样的功能:它可以成为办公室、起居室、休息场所和娱乐中心。汽车的设计将彻底颠覆当前的形式,没有方向
[嵌入式]
BAT三家再聚首无人驾驶领域,哪里会是突破口?
北京 自动驾驶 车辆道路测试第三方服务机构——智能车联公布了北京市自动驾驶车辆道路测试资格名单,腾讯和滴滴成为第六家和第七家获得北京自动驾驶路试牌照的企业。   9月26日报道称,猛一看,拿到牌照的企业非常多元化。既有老牌汽车公司如北汽、戴姆勒,也有初创智能汽车公司如蔚来、小马智行,更有互联网企业百度、腾讯和滴滴。但若拨冗去杂,仍可大致将以上7家企业划分为两大阵营:   报道分析称,北汽、戴姆勒均与百度存在合作关系,小马智行的创始人曾是“百度人”,因此以上几家均可划归百度系的阵营;而腾讯则一边大手笔投资蔚来、滴滴,一边自行研发,内外齐跑追赶百度。   资料图片:5月14日,腾讯公司工作人员展示智能网联汽车路测牌照。   无人
[嵌入式]
神话级特斯拉2019年诸事不顺股价暴跌,还能支撑多久?
自进入2019年以来,特斯拉可以说是诸事不顺,自动驾驶系统的安全性、流动资金是否充足、下半年能否扭亏为盈等问题都引发了投资者和分析师密切关注。对特斯拉未来前景的担忧促使特斯拉债券价值大幅下滑,股价更是连续两日创下两年半以来新低。这些趋势表明,特斯拉已经令投资者感到胆战心惊。 以下为文章正文: 美国当地时间周一,电动汽车制造商特斯拉公司股价跌破200美元,随后重新反弹,最终收于每股205.36美元,为2016年12月以来的最低收盘价。该公司股价较上年同期下跌逾26%,今年迄今为止已累计下跌约38%。与此同时,特斯拉2025年到期的无担保债券价值也跌至2007年8月发行以来的最低水平。 分析师指出,特斯拉债券和股票价值大幅下跌
[嵌入式]
神话级<font color='red'>特斯拉</font>2019年诸事不顺股价暴跌,还能支撑多久?
智能驾驶舱深度报告:汽车颠覆式创新点
人机交互,汽车下一个颠覆式创新点 人车交互是体验核心,多屏融合智能驾驶舱代表未来。传统汽车座舱功能区布局碎片化, 信息过载带来人车交互的障碍,导致智能手机成了人车交互的入口,汽车本身的入口价值 被低估。随着汽车电子化程度提高,集成了液晶仪表、抬头显示仪、中控屏幕和后座娱乐 的多屏融合智能驾驶舱会带来更为智能化和安全性的交互体验,同时也是高级辅助驾驶 (ADAS)、自动驾驶和人工智能等新时代技术的关键接口。 智能驾驶舱,未来汽车的“第二大脑” 负责娱乐端,智能驾驶舱有望成为汽车未来“第二大脑”。根据英伟达预测,未来汽车主要 由两大运算单元构成,分别是智能驾驶舱和无人驾驶。定义人机交互即全车娱乐部分的智 能驾驶舱(cock
[汽车电子]
智能驾驶舱深度报告:汽车颠覆式创新点
Imagination推出多核IMG Series4 NNA——为ADAS和自动驾驶提供颠覆行业的性能
Imagination Technologies 宣布推出面向先进驾驶辅助系统( ADAS )和自动驾驶应用的新一代神经网络加速器(NNA)产品 IMG Series4。Series4 可为领先的汽车行业颠覆者、一级供应商、整车厂(OEM)和汽车系统级芯片(SoC)厂商提供强大助力。 Series4 拥有全新的多核架构,可提供 600 TOPS(每秒万亿次操作)甚至更高的超高性能,并且可为大型神经网络工作负载提供低带宽和极低的延迟。 汽车行业正处于变革的风口浪尖,自动驾驶汽车和自动驾驶出租车等新的应用场景对人工智能(AI)的性能水平提出了更高的要求。为此, Imagination 已经与汽车行业和其他重视功能安全的行业中的
[汽车电子]
基于英伟达平台,麻省理工研发自动驾驶单一深度神经网络
从外媒获悉,麻省理工学院(MIT)的研究人员正在研发一种单一深度神经网络(DNN),该系统基于英伟达DRIVE AGX Pegasus平台,可以快速处理大量的激光雷达数据。 自动驾驶汽车的数据量有多大?通常情况下,50辆自动驾驶汽车组成的车队行驶6小时后,一辆测试车的传感器会产生多达1.6千万亿字节的数据,这些数据都需要被计算机实时分析并理解。目前,大多数自动驾驶解决方案都采用多个神经网络以及高精度地图,来帮助车辆确认自身位置。同时,与二维图像数据不同,激光雷达点在三维环境中分布非常稀疏,依靠激光雷达感知的自动驾驶系统,需要每秒处理超200万个点,这对于没有针对此类数据进行优化的现代计算机而言是相当大的阻碍。 相比之
[汽车电子]
基于英伟达平台,麻省理工研发<font color='red'>自动驾驶</font>单一深度神经网络
到2020年将有1000万辆自动驾驶汽车行驶在路上
    北京时间6月8日消息,据BI网站报道,自动驾驶汽车不再是个遥不可及的构想。像 奔驰 , 宝马 ,和特斯拉这些公司已经发布,或即将发布自动驾驶功能,该功能可以使汽车具备一些自动驾驶的能力。而且谷歌等高科技公司也在尝试开拓自动驾驶汽车。 在最新的BI Intelligence智能报告中,专业人士通过分析自动驾驶汽车的目前状态,来分析自动驾驶汽车的市场,并对自动驾驶汽车在未来五年的发展情况做了一个深入的预测。 以下报告中的一些关键点: ·自动驾驶汽车不再是一些遥不可及的汽车技术;事实上,在公路上已经出现了具有自动驾驶功能的汽车。我们把自动驾驶汽车定义为具有以下功能的汽车:即使只有被限制的驱动交互系统或者是没有驱动交互
[汽车电子]
小广播
最新汽车电子文章
换一换 更多 相关热搜器件
随便看看

 
EEWorld订阅号

 
EEWorld服务号

 
汽车开发圈

电子工程世界版权所有 京B2-20211791 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved