毫无疑问,自动驾驶的实现将彻底改变交通运输业。近年来,“无人驾驶汽车革命”也的确成为风靡一时的热点话题。然而我们也不得不承认:事实证明,制造自动驾驶汽车远比想象中要难得多。作为智能时代最具挑战性的任务之一,我们可以为此做些什么呢?
自动驾驶, 从L1到L5
统计数据表明,90%以上的交通事故都是人为失误造成的。毫无疑问,自动驾驶汽车前景广阔:它们将改变我们的道路,创造更安全的驾驶体验。那么,市场上的自动驾驶技术目前已取得哪些进展呢?
根据国际汽车工程师学会(SAE)对于驾驶自动化的分级,自动化可分为5个级别:
0级:无自动化(驾驶员手动驾驶)
1级:驾驶员辅助(一项操作自动化)
2级:部分自动化(多项操作自动化)
3级:条件自动化(特定环境下实现自动驾驶)
4级:高度自动化(有限制的全程无人驾驶)
5级:全自动化(完全自动驾驶)
就这五个级别而言,当前市场上大多数售出的汽车至少都处于1级水平,即可以提供一些辅助驾驶功能,包括车道辅助、自适应巡航控制等。特斯拉Autopilot级别为2级,这意味着它可以控制方向盘和速度,但驾驶员仍需要随时准备手动驾驶。本田在3月推出一款已经达到3级水平的车型——Legend Sedan,该车型仅在非常特定的条件下才需要驾驶员手动驾驶。至于4级,通用汽车、戴姆勒、谷歌等公司已取得了一定进展。目前,市场上还没有自动驾驶水平达到5级的汽车。
自动驾驶技术的渐进式发展或许让我们很难去预测究竟什么时候才会迎来无人驾驶汽车的革命。但我们能做的是专注于解决一个个具体目标带来的挑战。
挑战在哪里?
世界太复杂:自动驾驶汽车必须在一个高度复杂的世界中行驶,其中包括各种道路、路牌、行人、其他车辆、建筑物等等。
人类难以捉摸:自动驾驶汽车不仅需要了解驾驶员,还需要能够预测人类行为,而我们知道,人类行为一般难以预测。
技术太昂贵:自动驾驶汽车必须安装摄像头、激光雷达系统等硬件,用于捕捉外部世界信息,并帮助汽车做出决策。当前的硬件水平还需要显著改进,才能提供汽车所需的详细数据水平。
训练必须全面:我们需要针对各种可能发生的情况(例如,雪或雾等极端天气)对自动驾驶汽车进行训练。然而,要预测汽车可能遇到的所有情况却非常困难。
没有犯错的余地:自动驾驶汽车直接影响着驾驶员和乘客的生命安全。因此,自动驾驶系统必须高度准确。
从根源入手
要解决上述挑战,就要从它们的根源入手。为此,我们需要了解自动驾驶汽车的工作原理。自动驾驶汽车要依靠人工智能(AI),尤其是计算机视觉模型,使汽车能够“看到”周围的世界,然后根据所看到的情况做出判断。数据通过汽车上的硬件(摄像头、激光雷达等传感器)捕获,并用作模型的输入。
例如,要让汽车对道路上的行人做出反应,就需要汽车之前看到过表示这种情况的传感器数据。换言之,汽车需要使用代表所有可能的场景和情况的数据予以训练。想想道路上可能发生各种各样的情况,随之产生海量的训练数据需求也就不难理解了。具体而言,自动驾驶汽车AI模型需要的数据标注类型主要包括:
激光雷达/雷达数据点云标注:识别并跟踪场景中的对象;
2D标注(摄像头数据的语义分割等):使模型理解各像素所属类别;
视频对象和事件跟踪:帮助模型理解场景中的对象如何随时间进行移动,等等。
在自动驾驶领域,数据标注几乎没有出错的余地,也不容缺少关键用例。这就导致,自动驾驶汽车的数据采集和标注是非常耗时的资源密集型过程。这也是自动驾驶上市时间延迟、性能堪忧以及推广困难的主要原因之一。
自动驾驶数据的关键考虑因素包括:
准确性:准确感知周围环境、检测并预防危险,是自动驾驶汽车至关重要的任务。数据应该足够准确,让AI模型从中学习,对障碍物的位置进行精确推断才能做出合理的决策。
多样性场景:自动驾驶汽车应该能够应对所有场景。因此,训练数据既要包括常见的情况,也要包括罕见的情况。
适应各种模式:传感器在不同环境中表现不一。大多数公司在困难的环境感知情况下仍然使用多种类型的传感器来互相补充。
效率:数据的效率对整个自动驾驶汽车试验的进展至关重要。一个好的数据合作伙伴应该能借助先进的感知模型及时提供数据,并为其他耗时的任务节省时间。
——澳鹏Appen数据科学家Xiaorui Yang