尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
Waymo 自動駕駛汽車可以從輸入的大量駕駛示例數據，包括良好的行車環境和車輛碰撞情況，學習和模擬專業人類駕駛員的技術，最終 AI 驅動系統利用機器學習技術，可以學會如何正常駕駛並且應對突發情況。
回顧 2018 年，Alphabet 的自動駕駛汽車 Waymo 達成了一些里程碑式的成就，在 8 月自動駕駛汽車超過累計 1000 萬公里的真實道路駕駛里程。
同時在上周 Waymo 推出商業自動駕駛計程車服務 Waymo One，雖然還有很多局限，甚至嚴格意義上說，還算不上是百分百的自動駕駛服務。
因為項目運行初期，駕駛座上仍安排一個受過培訓的人類司機，一方面監控車輛的運行，另一方面在緊急情況下進行干預。
不過，多家參與體驗的外媒表示，人類司機沒有接觸過方向盤。雖然 Waymo One 十分謹慎，但是這也是自動駕駛汽車的標誌性發展。
研究人員 Mayank Bansal 和 Abhijit Ogale 今天在 Medium 上發表的一篇博客文章中，詳細介紹了一種人工智能（AI）駕駛員培訓方法，就是從標記數據中 ” 學習 ” 駕駛。也就是說，Waymo 的專業駕駛成果是通過大量數據的輸入和輸出，利用機器學習技術完成。
研究人員寫道：” 近年來，使用大量標記數據的深度神經網路的調試迅速改善了許多領域的最新技術，特別是在物體感知和預測領域，這些技術被廣泛應用到 Waymo 自動駕駛技術中。隨著神經網路在感知領域逐漸發展成熟，我們自然會想到，我們能否只使用深度學習方法來調試 AI 駕駛員？”
為了創建一個能夠模仿專業人類駕駛員的系統，Waymo 研究人員精心設計了一個神經網路，稱為 ChauffeurNet。該神經網路可以通過觀察真實和模擬數據，包括地圖、周圍物體和交通、駕駛軌跡燈狀態和過去的汽車運動，之後生成自己的駕駛路線。低級控制器將數據軌跡轉換為轉向和加速命令，允許 AI 模型驅動車輛前進。
該模型基於 ” 相當於 60 天的專門人類駕駛員數據 “，採用技術確保車輛不會從過去的運動軌跡來推斷下一步，而是實際應對環境變化。
在測試中，車輛可以響應交通控制，比如停車標誌和交通信號燈，但是當面對車輛數據沒有包括的情況時，車輛也跟預期的一樣沒法處理妥當。
研究人員指出，這個問題是因為輸入到自動駕駛汽車系統中的現實世界駕駛范例都有偏向，只包含在良好行車環境下的駕駛例子。
為了讓車輛得到各種情況的信息，該團隊合成了車輛意外和碰撞的情況，讓 AI 模型學會避免這些情況發生。
ChauffeurNet 加入了碰撞和綜合示例之後，在模擬環境中表現更好，甚至在停放車輛周圍輕推、黃燈不轉紅燈的情況下，都可以很好的處理，恢復到原來的運動軌跡。
Waymo 的 Chrysler Pacifica 小型貨車在現實世界的私人試車道上駕駛時，它成功地沿著彎曲的車道行駛，遇到停車標誌和轉彎情況都能反應。
研究人員寫道：” 現在 Waymo 車輛上運行的規劃器使用機器學習和明確推理的組合來持續評估大量可能性，並在各種不同情況下做出最佳駕駛決策。因此，用於替換 Waymo 規劃器的完全機器學習系統的標準非常高，盡管這樣的系統組件可以在 Waymo 規劃器中使用，或者可以用於在模擬測試期間創建更逼真的智能代理駕駛。”
