<mark id="oztn4"></mark>
2
| 本文作者： 新智駕 | 2017-08-08 15:56 |
雷鋒網按：今年的CVPR已經落幕。回顧這屆CVPR，無論是會議議題還是產業落地的熱度，自動駕駛都是聚光燈下的焦點。本屆CVPR還專門設置了針對自動駕駛的Workshop（Workshop on Autonomous Driving Challenge）。
在Workshop當天的圓桌討論環節，幾乎聚齊了國內自動駕駛領域的佼佼者——圖森未來的CTO侯曉迪，Pony.ai CEO 彭軍（James Peng），馭勢科技CEO吳甘沙，樂視智能駕駛VP倪凱，此外還有硅谷自動駕駛公司Auto X創始人肖健雄以及加州伯克利Deep Drive項目的研究員Fisher Yu。
圖片從左往右依次是：Fisher Yu、彭軍、肖健雄、倪凱、吳甘沙、侯曉迪
上述6人組成的自動駕駛男子天團，在CVPR的圓桌上主要討論了3個問題：
1. 高精地圖在自動駕駛中的使用和重要性；
2. 端到端學習的可用性和安全性；
3. 系統冗余的設計。
幾乎所有在場的嘉賓都認為，高精地圖在自動駕駛中能發揮重要的作用。
吳甘沙舉了一個例子，當自動駕駛汽車想要超車時，高精地圖提供了前方車道、道路曲率等信息，這能讓超車動作更安全。但大家同時面對的問題也是，高精地圖的創建和維護成本太高，自動駕駛解決方案中不可能包含一份全面完整的高精地圖。
AutoX創始人肖健雄（Professor X.）指出，一些特定場景下的高精地圖還是能夠做得很好，因為環境受到控制，更新也相對容易。Pony.ai CEO 彭軍則認為對于高精地圖，需要更進一步明確它的定義，相比于我們通常認為的包含車道線、路標等信息的地圖，對自動駕駛來說，更重要的是對靜態物體的感知地圖（perception of the static objects），在自動駕駛的實戰中，對靜態物體的感知和描述能發揮更大的作用。
高精地圖的更新和維護會是怎樣的？大部分嘉賓的觀點是，未來圖商會提供地圖的底層，而自動駕駛汽車們則會以眾包的形式承擔更新地圖的角色。
第二個問題是關于端到端的學習。
端到端學習表現出來的行為跟人類的駕駛行為接近，人類通過積累駕駛經驗能夠下意識（潛意識）地完成開車，而端到端學習通過大量的數據訓練也能達到類似的效果。但現在的問題在于，我們還沒有足夠多的數據能夠讓端到端學習的方案足夠安全，達到可量產的標準。
第三個問題是系統冗余的設計。
系統冗余可以分成很多個層面，包括傳感器層面、硬件層面、軟件層面等等，但同時冗余也并不意味著系統中要設計多個重復的模塊。那么合理設計的冗余是怎樣的？
以下是CVPR上自動駕駛男子天團的對話，雷鋒網作為少數在場的媒體，整理了他們的對話內容如下（對話有刪減，內容未經討論嘉賓本人確認）。
侯曉迪：第一個問題是關于高精地圖的重要性，以及怎樣在自動駕駛中使用高精度地圖？
肖健雄：高精度地圖對于自動駕駛是非常有幫助的。但問題在于你真的能擁有所有的地圖嗎？創建和維護高精度地圖的成本都是非常昂貴的，不僅是資金的問題，在運營上難度也很大。如果現實環境發生了一點點的變化，對高精地圖中數字世界的影響都很大。我知道馭勢在做一些繪制校園高精地圖的工作，這樣環境相對受到控制，實際上能做得非常好。所以這非常取決于你的應用。
侯曉迪：這個問題同樣要問問James，我看到你們的demo中有很亮眼的地圖方面的API。
彭軍：我想在回答這個問題之前，要更具體地講一下地圖的定義，大家常說的高精地圖，指的是車道、行車標識等等，我們也認為非常重要，我們也在使用這樣的地圖。但還有另一種地圖更加重要，而可能了解它的人更少，我們管它叫static map，或者叫perception of the static objects。
我們都在嘗試讓自動駕駛技術更安全，但車載計算硬件的性能遠遠不夠，如果我們預先掌握周邊環境的更多信息，那自動駕駛就會更加安全。所以我們建立的地圖，是幫助自動駕駛汽車提前建立對外界的感知。
吳甘沙：我也認為高精地圖是非常好的技術。因為當前大部分自動駕駛解決方案都不能保證能夠實時精確地感知外部世界的所有細節，高精地圖可以幫助補充這部分的能力。長線來看，高精地圖會給自動駕駛錦上添花（nice to have）。
像James說的一樣，高精地圖是一種超越LiDAR的傳感器。今天的自動駕駛解決方案都依賴LiDAR、毫米波雷達、攝像頭等等，但每一種傳感器都有自己感知范圍的局限。當一輛自動駕駛汽車執行超車時，如果你沒有足夠的車輛前方的環境信息，這樣的超車動作可能是危險的。而高精地圖提供了車道線、道路曲率以及前方岔口等環境信息，能幫助自動駕駛汽車更安全地完成這個動作。
倪凱：對于未來的自動駕駛汽車，高精地圖是非常有用的。眼下在一些車型上已經實現量產的L2的功能，它可能不太依賴高精地圖，但在未來L3和L4的自動駕駛上，高精地圖的重要性會越來越高。
其次，補充一下關于高精地圖維護更新的問題，我們也需要考慮是在哪些模塊中使用高精地圖。如果在感知模塊中使用高精地圖，此時一些滯后錯誤的信息可能會帶來混淆；但如果是對交通規則（Violation Module）判斷，比如通過對交通燈、車道線的信息判斷車輛是否遵守交通規則，此時缺乏一個紅綠燈的信息，可能不會帶來非常嚴重的后果。
Fisher Yu：最終，道路上的每一輛汽車都會變成自動駕駛。我們可以協調這些車輛在道路上一起采集數據，一起去處理這些數據。但問題在于由誰來推動這個過程？我認為很可能是像今天的Uber司機或者職業司機這樣的角色。
吳甘沙：我覺得在未來，圖商們會創建基礎的地圖（the foundmental basic map），這種地圖不會經常發生變化。自動駕駛汽車們也會具備更新基礎地圖的能力，就像Mobileye今天所做的一樣。所以高精地圖最終會由圖商來提供基礎地圖服務，各種各樣的自動駕駛汽車來完成地圖的更新維護，這就是Live Map的概念。
侯曉迪：我知道Fisher在伯克利的Deep Drive項目在進行一些端到端強化學習的研究，所以我們如何去保證端到端學習的安全性？
Fisher Yu：我們一直在嘗試探索技術的前沿，如果我們有足夠多的駕駛數據，有足夠多的駕駛視頻，我們希望在未來能夠引入一種更有效地處理這些數據的機制，也許在未來的5年之內，我們能夠建立一套冗余機制，能夠在緊急狀態下保證駕駛的安全。
彭軍：我們的目標是打造安全的自動駕駛汽車，所以我們會采用各種不同的技術，端到端學習是非常有意思的技術，我們會在未來進行一些探索，尤其是和一些學院和研究機構一道。
肖健雄：到端到端學習的方法解決交通問題是非常困難的。因為實際交通狀況下的場景是非常復雜的。
倪凱：在目前的階段上，我們都在嘗試將技術原型變成能夠量產的產品。但對于端到端學習而言，我不認為現階段有足夠多的數據和研發資源將端到端的學習變成一種可量產的技術。
吳甘沙：我個人對端到端學習非常感興趣，大家也談到它需要非常非常多的數據。而我個人對這項技術很感興趣的原因是，它非常接近人的駕駛行為，當人積累了足夠多的駕駛經驗，就能夠按照潛意識開車。《Think Fast and Slow》的作者提到人有2套系統，一套“快”系統和一套“慢”系統，快的系統是潛意識的，慢的系統則是經過邏輯推理的一套系統。自動駕駛汽車也一樣像人一樣，有這樣快和慢的2套系統，能夠隨時接管并且做出理性的決策。
肖健雄：對于人而言，人用潛意識開車的時候，他可能會放空大腦，或者做跟朋友聊天這樣類似的事情，但計算機是100%聚焦在駕駛上的。所以在這個時候，選擇通過端到端學習的方式來節約算力，我對這樣的策略是不確定的。因為如果能把系統的計算容量提升上來或者通過工程手段減少計算量，它是能夠解決自動駕駛的問題的（而不一定需要依靠端到端學習）。
侯曉迪：現在在我們的自動駕駛系統設計中，使用了哪些冗余的措施，比如馭勢現有的一些原型設計中？
吳甘沙：我覺得需要在不同的層級上設置冗余。比如在傳感器層面，我們會給系統配置激光雷達、毫米波雷達、攝像頭等等，你可能不需要把所有的傳感器都配置上，但你至少需要2 - 3種的傳感器。
在硬件層面，在電源供電方面可能需要冗余，計算硬件可能需要冗余，甚至在執行機構的層面上，比如剎車系統是需要冗余的。
在軟件層面上，我們可能也需要不同的算法或者不同的進程來計算同一個結果，完成同一個目標。這樣的冗余是非常有價值的。
倪凱：首先我們在關注傳感器層面，多傳感器的融合是非常重要的，因為我們會有很多種不同的傳感器，它們給予你不同距離、不同天氣狀態下的感知能力。
在L3、L4的自動駕駛中，在系統的層面，我們至少要設計2套不同的系統，一套是更成熟的系統，來處理99%的路況，當這套系統失效時，無論是芯片的原因還是電源出現問題，還有另外一套緊急響應的系統能夠接管和保證安全。
彭軍：大家需要注意的一點是冗余的設計并不意味著你的系統中要有很多套重復的模塊。我完全同意倪凱的觀點，在系統層面上，我們需要設計不同的系統提供冗余。
對我們而言，我們會設計一套處理普通的駕駛情況，然后是緊急剎車（停車）系統，我們也需要系統來完成車道線保持、減速等駕駛動作。
雷鋒網推薦閱讀：
深度學習集體瓶頸，產業化加速時代CV研究出路在哪里？| CVPR 2017
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
