特斯拉和Waymo，做自動(dòng)駕駛有什么不同？

　　資訊機(jī)構(gòu)Navigant Research最近公布的報(bào)告再次將兩家公司推向風(fēng)口浪尖。一個(gè)是在排名中墊底的特斯拉，另一個(gè)則是拔得頭籌的Waymo。至于評(píng)判標(biāo)準(zhǔn)，是根據(jù)每家公司在“愿景”、“商業(yè)化策略”、“合作方”、“量產(chǎn)計(jì)劃”、“技術(shù)”以及“產(chǎn)品持久力”這幾個(gè)方面的綜合表現(xiàn)打分排名。

　　在去年的報(bào)告中，Waymo和特斯拉的排名分別為第七位和第十二位。對(duì)Waymo而言，去年開始的大規(guī)模商業(yè)化試運(yùn)營(yíng)應(yīng)該是其領(lǐng)先的重要原因。但特斯拉墊底就有點(diǎn)說不過去了，排名竟然比蘋果都低。在一些業(yè)內(nèi)人士看來，這份報(bào)告在成文的視角和方法論上略有偏差，缺失了對(duì)“政府關(guān)系”和“數(shù)據(jù)”這兩個(gè)重要標(biāo)準(zhǔn)的考量。

　　和政府搞好關(guān)系的重要性自不必說。一旦硬件實(shí)現(xiàn)商品化，軟件就成了關(guān)鍵。實(shí)際上不能說是軟件，而是“數(shù)據(jù)”。數(shù)據(jù)是驅(qū)動(dòng)自動(dòng)駕駛技術(shù)發(fā)展的“燃料”，或者如前英特爾首席執(zhí)行官Brian Krzanich提出的觀點(diǎn)，“數(shù)據(jù)是新的石油資源”。世界上最先進(jìn)的人工智能也需要數(shù)據(jù)支持——它依靠浩如煙海的數(shù)據(jù)將信息傳化為下一步的行動(dòng)。

　　顯然，如果只考慮“科技”和“數(shù)據(jù)收集”這兩個(gè)維度，排在榜首的應(yīng)該是Waymo和特斯拉。至于誰最終會(huì)在這場(chǎng)“曠日持久戰(zhàn)”中勝出，我們暫且不討論。今天想和大家聊聊關(guān)于特斯拉和Waymo在技術(shù)層面的一兩點(diǎn)差異性。

　　“貌合”“神離”的兩套方案

　　二月底，Waymo首席科學(xué)家Drago Anguelov在MIT首次開講，他分享的內(nèi)容主題為“解決自動(dòng)駕駛中的長(zhǎng)尾問題”(Taming The Long Tail of Autonomous Driving Challenges)，這應(yīng)該是外界對(duì)Waymo自動(dòng)駕駛研發(fā)目前能夠了解到的最深度、最詳細(xì)的內(nèi)容了。

　　近些年，使用大量標(biāo)注過的數(shù)據(jù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行監(jiān)督訓(xùn)練，使得物體感知和行為預(yù)測(cè)能力有了大幅提升，這些技術(shù)在Waymo自動(dòng)駕駛開發(fā)過程中得到了大規(guī)模應(yīng)用。我們也從Drago Anguelov口中第一次知道了Waymo在使用“模仿學(xué)習(xí)(imitation learning)”，這里先稍微科普一下。

　　模仿學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一種，它的神經(jīng)網(wǎng)絡(luò)能夠通過“觀察”人類的行為將某些特定的動(dòng)作和場(chǎng)景進(jìn)行匹配。如果使用不同類型的“人類行為”作為數(shù)據(jù)源來訓(xùn)練，最終神經(jīng)網(wǎng)絡(luò)就能夠根據(jù)感知的結(jié)果輸出相對(duì)應(yīng)的決策動(dòng)作。例如，“如果你看到停車標(biāo)志，馬上停車”、“如果前方有輛停著的車擋路了，繞開它”等等。

　　(“行為克隆”(behaviour cloning)與“模仿學(xué)習(xí)”(imitation)是一回事)

　　隨著商業(yè)化試運(yùn)營(yíng)的推進(jìn)，谷歌能夠采集數(shù)據(jù)的場(chǎng)景更多了，模仿學(xué)習(xí)算法也就有了更頻繁的用處。但Drago Anguelov也指出，人類駕駛行為存在著很多不確定性，一些罕見的場(chǎng)景(所謂的“長(zhǎng)尾”問題)，Waymo的數(shù)據(jù)集中并沒有足夠的案例來訓(xùn)練算法應(yīng)對(duì)。出現(xiàn)這種情況就只能依靠開發(fā)人員手動(dòng)編寫算法。Drago認(rèn)為這種“折中”的做法遲早是會(huì)被機(jī)器學(xué)習(xí)代替的。

　　根據(jù)Waymo官方披露的數(shù)據(jù)，Waymo目前已經(jīng)累積了約1500萬英里的行駛里程。按照平均每3000萬英里才會(huì)出現(xiàn)一起事故的概率來計(jì)算的話，Waymo可能到現(xiàn)在都沒有得到一個(gè)特定的“長(zhǎng)尾”案例。假設(shè)行駛每100萬英里會(huì)發(fā)生一起事故，waymo也不過積累了15個(gè)數(shù)據(jù)而已。按照普通機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)需要的數(shù)據(jù)量(每個(gè)圖像分類需要至少1000個(gè)樣本)的標(biāo)準(zhǔn)來看，Waymo似乎還差得有些遠(yuǎn)。

　　盡管Drago Anguelov表示希望通過采集盡可能多的人類駕駛行為(包括“長(zhǎng)尾”案例)來進(jìn)行模仿學(xué)習(xí)，但“數(shù)據(jù)量的缺失”是個(gè)很大的問題。

　　而為了彌補(bǔ)這方面的缺陷，Waymo已經(jīng)構(gòu)建出了一套仿真模型，仿真出盡可能多的場(chǎng)景來進(jìn)行測(cè)試。因?yàn)橛袝r(shí)會(huì)得出截然相反的結(jié)果，所以要加強(qiáng)系統(tǒng)的魯棒性，做出足夠多的仿真模型，確保系統(tǒng)的準(zhǔn)確性。

　　(仿真測(cè)試是自動(dòng)駕駛研發(fā)中的關(guān)鍵一環(huán))

　　不過仿真模型的建立依然需要真實(shí)世界數(shù)據(jù)的支持，解決“長(zhǎng)尾”問題也需要對(duì)人類駕駛行為進(jìn)行大量地模仿學(xué)習(xí)。所以這就又回到了問題的原點(diǎn)，Waymo還需要更大量級(jí)“數(shù)據(jù)”的支持。

　　對(duì)比之下，似乎“差生”特斯拉在“數(shù)據(jù)”問題上還真是不發(fā)愁。

　　特斯拉目前預(yù)計(jì)有超過40萬輛搭載了Autopilot系統(tǒng)的車子在道路上行駛，單日行駛里程超過了1300萬英里。如果未來這個(gè)車隊(duì)的規(guī)模增加至超過100萬輛，那么每月產(chǎn)生的有效行駛里程將到達(dá)10億英里的量級(jí)。對(duì)一家已經(jīng)有成熟產(chǎn)品落地的車企而言，這種真實(shí)世界產(chǎn)生的“數(shù)據(jù)”根本不是問題。

　　(特斯拉Model 3)

　　至于特斯拉在自動(dòng)駕駛研發(fā)上的獨(dú)特性，根據(jù)外媒 The Information 曾經(jīng)透露的信息，特斯拉同樣在利用“里程累積”上的優(yōu)勢(shì)進(jìn)行模仿學(xué)習(xí)。

　　原文是這么說的：

　　據(jù)熟悉特斯拉這套系統(tǒng)的線人爆料稱，特斯拉的車子在行駛過程中會(huì)將攝像頭及其他傳感器的數(shù)據(jù)搜集起來，Autopilot是否運(yùn)行并沒有關(guān)系。之后工程師可以將這些數(shù)據(jù)中人類的駕駛行為與不同的場(chǎng)景進(jìn)行匹配，之后遇到類似的場(chǎng)景機(jī)器就可以模仿人類去執(zhí)行。比如怎樣拐彎或躲避障礙物。當(dāng)然這種被叫做“行為克隆”的方法也有局限性，但特斯拉的工程師認(rèn)為只要有足夠的數(shù)據(jù)支撐，神經(jīng)網(wǎng)絡(luò)就能夠給出正確的決策結(jié)果，例如在絕大多數(shù)場(chǎng)景中如何轉(zhuǎn)向、剎車以及加速。在特斯拉看來，未來不再需要人類手動(dòng)編程控制無人車應(yīng)對(duì)特定場(chǎng)景。