久久精品99国产精品,精品国产91乱高清在线观看,欧洲一区二区视频

主頁 > 知識庫 > 窺視未來數據驅動的自動駕駛汽車

窺視未來數據驅動的自動駕駛汽車

最近聽了一些關于自動駕駛的分享，在這里談一下我個人的一些思考。目前大家普遍都認同“普通場景下的自動駕駛已經比較完善了，目前主要的難點在于一些corner cases”。在技術不出現質變的情況下，如何處理corner cases就是目前面臨的主要難題了。

以有涯隨無涯，殆已
早在二千多年前莊子就發表了"以有涯隨無涯，殆已"的哲學觀點，目前自動駕駛面臨的問題就是極端場景非常多，短時間無法窮舉，不管是基于規則的方法還是基于模型的方法，都不可能保證應對所有的場景，特別是極端場景。

為什么人類可以應對極端場景呢？因為人類可以學習、推理，所以就到了"吾生也有涯，而知也無涯"，通過學習和推理人類可以適應大量之前沒有見到的場景。短期來看人造智能暫時還達不到學習和推理能力，只是簡單的逼近之前遇到的各種場景，也就是數據驅動。

依靠人工無法大量的采集數據，解決問題，驗證并且上線，但是機器可以，所以目前大家都認可的一個方向是通過自動化來對抗復雜性。流水線一旦開啟，數據在流水線上流轉，生產出新的模型和規則，在自動化的仿真環境驗證，然后在真車上測試，從此自動駕駛的車源源不斷的學習處理各種復雜的場景。無人車在真實環境中遇到的場景越多，算法和模型就越完善，通過不斷的迭代來慢慢逼近自動駕駛的最高皇冠。

自動化生產流程

數據并不等于價值
既然通過數據驅動，使得無人車具備學習能力，但并不代表數據就等于有價值。

沒有治理的數據等同于垃圾，為什么這么說呢？由于深度學習的興起，很多人對數據很重要已經形成了共識，但只是簡單的收集數據并不能產生價值。下面我們看幾個例子。

我們知道無人車主要是收集車上傳感器的數據，包括攝像頭、毫米波、激光雷達、GPS/IMU等，假如軟件迭代升級了，改變了數據存儲的格式，那么之前所有錄制的數據(Bag包)都需要轉換后才能使用，如果這期間不對數據做管理，不清楚數據采集的軟件版本，那么之前的數據基本都使用不了，所以經常看到百度Apollo上有人提問3.0版本的數據如何在5.5上跑。

數據存儲格式改變是一方面，另一方面假如傳感器的配置改變，比如傳感器安裝的位置改變，或者更換其它型號的傳感器，如果這些元信息沒有加入數據治理，后面根本記不清楚這些傳感器的配置，也就無法對數據進行利用。

另外傳感器收集到的數據一般都是用二進制格式存儲，不具備可視化的能力，如果直接看圖片你知道是雨天還是雪天的數據，如果是二進制文件，你如何知道數據是什么場景、什么環境下采集的呢？所以在不具備數據可視化，自動化的情況下，很難檢索到自己想要的數據。此外還有同場景下的數據缺失，部分數據的錯誤處理等。

所以如果有以上幾種場景，那么何來“有數據就是有價值，有數據就是有競爭力”的說法呢？沒有治理的數據就等同于在污水中的鹽，如果數據使用的成本已經超過了提取本身，那么沒有人愿意去利用這堆數據。

數據驅動的成本
以前是純手工，勞斯萊斯打造汽車，現在是流水線打造汽車，2者的生產模式根本就不一樣。純手工的是小作坊，每年只能生產幾百臺汽車，而流水線一年可以量產百萬臺汽車，生產力差距非常大，小手工作坊投入要求不高，對個人水平要求非常高，流水線對設備的初期投入非常高，對個人的能力要求不高，通過培訓就可以上崗。

目前無人駕駛的開發模型也存在著向這個方向轉變。如果說是做簡單的demo，演示項目，需要的人不多，主要是人員的能力要強，但如果落地處理工程問題，具體的任何算法都會出現瓶頸，這時候就需要流程和人去不斷的解決問題。也許有人會說支付寶不就是個支付軟件嗎，為什么需要這么多研發、維護人員呢，實際上這些人都是在處理各種復雜的場景，制作各種工具，應對環境的變化推出新的解決辦法。

數據驅動實際上就是剛才說的第二種方式，但數據驅動的投入比較大，而且短期也看不到實際的產出。下面我們看下數據驅動需要的成本。

1.數據中心存儲

鑒于自動駕駛的數據量非常大，我們優先采用分布式存儲，目前比較適合的是HDFS文件系統。關于存儲這里不展開了，實際的應用可能還會用到對象存儲和數據庫。

存儲只是一方面，通過上面的論述，我們知道數據的治理才是最重要的，需要保存數據采集的時間、地點、軟件版本、傳感器配置、以及天氣情況等，建立數據的meta信息。通過數據的治理才能發掘數據的價值，否則你只能抱著一堆數據，空惆悵著怎么使用。

2.數據處理（流批式計算，標注，機器學習平臺）

數據的處理實際上包括幾個方面：數據標注、機器學習模型訓練、在線的流式計算和離線計算等。數據處理之后的數據產生大量價值。

首先通過不斷的收集數據，機器學習的模型會越來越完善，具體應用到無人車上就代表感知目標越來越準確、全面。

離線計算還可以生成高精度地圖，達到車道級的精度。

不斷完善的算法，不僅僅包括底層傳感器的算法優化，也包括定位、規劃、融合算法的提升，基于原來的數據進行算法驗證，然后再應用到車上重新收集數據，實現閉環。

3.數據可視化

數據可視化主要是為了方便調試和解決問題，我們可以把目前流行的各種viewer看作是比較好的可視化界面，對研發效能的提升很明顯。下面是Uber開源的數據可視化界面。

目前比較欠缺的是一些輔助的可視化開源工具，例如高精度地圖的可視化工具，規劃線路的可視化驗證（檢查道路是否連通）等。

針對數據流程的一些可視化工具，數據流水線執行到了那里，從數據庫查找對應的數據之后能夠可視化展示出來等。

4.數據效能（仿真）

每道流水線生產環節都有品控，如何快速評價和驗證算法是自動駕駛的關鍵。因此我認為仿真在自動駕駛中會扮演越來越重要的角色，通過在虛擬環境中快速構建測試用例，攔截掉90%以上的問題，然后再進行實際的訓練場地測試和開放路測，最后保證整個數據閉環。

未來
通過這2年的面試和一些了解，小的自動駕駛初創公司根本無力做數據驅動，車才是核心競爭力，一是沒有車就沒有項目，沒有車就沒有項目，二是你拿數據中心說自己多牛逼多厲害，投資人根本不買賬。

數據中心的建設投入也很大，如果全部自研平臺，基本就是個無底洞，比較理想的方式是上云，上云的好處是深度學習訓練、存儲、計算等都由云提供服務，雖然目前的網絡帶寬可能看起來是瓶頸，但隨著5G的網絡建設，云技術可能又有飛躍。這里還牽扯到一個問題，就是各個公司都喜歡數據私有，覺得數據在自己的硬盤上才放心，實際上機房和云有什么區別？

可以預見如果自動化驅動成為主流，并且驗證可行，那么小的自動駕駛初創公司根本就玩不轉，整個數據驅動類似于投入一條生產流水線去取代人工處理各種Case。

核算下人力，那么小玩家就玩不轉了。

小玩家的出路可能是找準定位之后，做Tier One，行業會更加細分。要么在細分領域深耕，要么安心做模塊提供商，做好自己擅長的事情。

大玩家通過數據驅動解決現有問題，同時開始長期的探索，我還是很相信技術成熟度曲線。自動駕駛可能會步 VR后塵，走在幻滅期。面臨著長期的爬坡過程。

標簽：黔南牡丹江北海濰坊雅安遂寧安慶秦皇島

巨人網絡通訊聲明：本文標題《窺視未來數據驅動的自動駕駛汽車》，本文關鍵詞窺視,未來,數據,驅動,的,；如發現本文內容存在版權問題，煩請提供相關信息告之我們，我們將及時溝通與處理。本站內容系統采集于網絡，涉及言論、版權與本站無關。