史丹佛博士休學蟄伏兩年,弄出這輛要和Google、特斯拉較量的無人車
史丹佛博士休學蟄伏兩年,弄出這輛要和Google、特斯拉較量的無人車

這是一輛藍色的林肯汽車,車頂有一塊LED螢幕,幾個黑色的圓柱形的東西圍繞在LED螢幕周圍,不停轉動。車頭前方也有一個黑色的凸起。在駕駛座旁邊是一個螢幕,上面顯示著藍色的密密麻麻的點和藍色的框,隨著汽車的行駛,螢幕上的點和線也在不斷的刷新。在副駕上座位邊上,還配備著一個小型滅火器。

圖/ PingWest

我坐在這輛車上,在山景城兜了一圈。在這段7.5公里,20分鐘左右的車程裡,我們經過了16個紅綠燈、經過了四向STOP SIGN(停止標識)路口,經過了紅色箭頭左轉路口等。大部分時間裡,整個體驗都很舒服,只有偶爾略覺突然的加速減速,和司機旁邊顯示屏上科幻感極強的畫面,在提醒我這是一輛無人駕駛車。

圖/ PingWest

沒錯,我身旁的司機手並沒有放在方向盤上,腳也離開了油門和剎車。車頂的相機、激光雷達和雷達是汽車的眼睛,而車廂後的計算機是汽車的大腦,一套基於深度學習的算法把我從路邊接了上去,又把我送回到停車場。

掌握最新AI、半導體、數位趨勢!訂閱《數位時代》日報及社群活動訊息

這就是我們此前報導過的新創公司Drive.ai研發的自動駕駛汽車。這家神秘的自動駕駛汽車公司成立不到兩年,但這已經是它的第四代車輛。我也有幸成為了它第一個外部乘客。機器人司機表現得非常的自然,比我以往坐過的自動駕駛汽車更像「人類」,比如當我們駛到一個路口時,恰好遇上紅燈轉綠燈,車子並沒有先停下來再啟動,而是用無比自然的減速加速切換,度過了這個路口。

「雖然看起來很簡單,但其中有一些很難的地方。」陪我一起體驗的工程師說。比如某一個左轉路口是左轉箭頭綠燈亮起才能走,而要讓汽車明白在這個特定的路口前行綠燈和左轉箭頭綠燈的差別,並不容易。「剛開始汽車是搞不明白的。我們就收集了一些這樣的路口數據來對它進行訓練,它才學會。」

PingWest
圖/ PingWest

當然,這輛車也還有很多可以做的更好的地方,比如加減速的處理如何更平穩、怎麼做到紅燈合理右轉以及無無保護左轉等。但是整體來說,已經是很不錯的駕駛體驗。

共同創辦人兼CEO Sameep Tandon告訴我們,目前他們的車隊已經具備L4級別(部分狀況下的完全自動駕駛)的自動駕駛水平,接下來他們希望和更多的合作夥伴進行合作,把他們的軟硬件解決方案帶到商務車隊上去。

經典機器人方向V.S.深度學習方向,自動駕駛哪家強?

自動駕駛汽車公司這麼多,Drive.ai有什麼不同?

在採訪中,幾位共同創辦人一再強調,Drive.ai是一個「深度學習技術為先」的公司。這也就意味著他們採用的技術和 Waymo(原Google無人駕駛車部門)、特斯拉等都不太一樣,他們用的是深度學習技術來打造自動駕駛系統。

這意味著什麼?

在自動駕駛領域,基本可以分成兩個流派:一個是採用經典機器人方向,是基於規則的(rule-base) 的。工程師會為每個場景都寫好固定的代碼,來告訴機器人應該怎麼去做。這樣的結果是,如果新的場景出現、又沒有對應代碼的話,那麼機器很可能就不知道怎麼應對。這就嚴重限制了它的可拓展性。

舉一個例子,Waymo的自動駕駛汽車,在從總部山景城擴展到奧斯汀的時候,僅僅因為山景城的紅綠燈是豎向的,而奧斯汀的則是橫向,就沒有辦法順利識別紅綠燈,而不得不讓程序員重新去寫程式「教」它。

另外一個現在更受歡迎、包括Drive.ai也選擇的方向,是基於深度學習技術。深度學習可以模擬大腦識別機制,對於非結構化數據(比如圖像語音等)進項更好的識別、判斷和分類,讓演算法可以從數據和訓練中得到學習。這樣就像人腦一樣,只需要工程師透過類似的場景不斷對機器進行訓練,它就能自己學會做出判斷,這樣即使在全新的場景裡,車子也知道如何處理,更有利於適應和擴展。

比如,同樣是在識別紅綠燈的時候,rule-base的自動駕駛汽車會需要在高精度地圖上特別標註出所有紅綠燈、讓機器固定看到那個方向;但是深度學習演算法可以直接從相機裡識別紅綠燈的顏色,所以車輛就可以自己看懂紅綠燈,以及整個路口的行車情況,以此來決定是否前行了。

Sameep Tandon說,隨著深度學習的優勢被意識到,越來越很多公司都號稱自己的技術是基於深度學習基礎,但是事實上很少有人真正做到這點。「我們所有的技術,比如地圖、移動規劃、決策全部都是基於深度學習的。我們是用深度學習來設計我們的整個系統,這和其他公司走經典機器人方向、只是把深度學習當做一個補充部分,這有很大不同。」他說。

122

從數據處理到演算法訓練再到運算資源,基於深度學習打造一個自動駕駛公司

Drive.ai的另外一個創辦人Tao Wang說,自動駕駛的難點之一自動駕駛產生的數據量是極大的,在收集到自動駕駛數據之後,怎麼使用成為 了關鍵。第一步要做的事情就是標記它們,才能讓算法引擎得到訓練。一個小時自動駕駛產生的數據,即使是在大網路公司裡,也需要800個小時的人工來去標記它。

Drive.ai他們自己打造了一個定制化的數據標記工具,可以不斷優化整個數據工作流程,進行高質量的數據分類。他們使用深度學習來讓同一個任務可以同時進行多個分類,把輸出結果整合到一起後,就可以產生高質量的標記。他們現在數據標記的速度已經是大公司的20 倍,這也就意味著可以有更多數據可以「餵」給演算法引擎學習,從而讓汽車可以快速處理新的道路、學習新的使用場景,隨著訓練數據的增加而持續提高性能。

Tao Wang說,Drive.ai的深度學習系統甚至比專門的人類標註者都更準確。有一次算法顯示某個燈是紅燈,但是專門的標註員回憶說是綠燈,結果他們專程查看了一下數據後,發現真的是紅燈。「這也表明演算法可以被訓練得比人類更聰明。無論是決策,路線規劃還是定位都可以做得很好。」

有一次,他們的車看到了路上有一隻狗狗滑滑板,標註員很震驚地和工程師說,「請問這個要怎麼分類?」然而汽車還是能正常的行駛。深度學習關鍵就在於不需要識別每一樣東西,而是知道怎麼樣是安全的駕駛,然後自己做出決策。

另外一個很重要的部分是,Drive.ai打造了一個模擬器,可以模擬生成各種場景,比如自行車車搶道等,檢查學習引擎怎麼處理這些情況。這個模擬器是7*24小時運轉,所以相當於他們的車一直在虛擬世界的道路上進行各種測試。而在真實世界裡,作為最早拿到加州自動駕駛汽車上路測試許可證的新創公司之一,Drive.ai也已經讓自家無人車在山景城的城區上路測試9個月了,沒有任何的事故發生。

還有一個關鍵點在於,基於深度學習的自動駕駛系統可以擺脫對於昂貴硬體的依賴。和特斯拉與Waymo的「天價」定制傳感器不同,Drive.ai使用的是商業化的低成本硬件,包括激光雷達、雷達和相機,深度學習系統會同步所有的傳感器數據,來基於這些信息作出最明智的決策,避免單個噪點導致的誤判。這樣即使其中一個失靈了,別的也可以正常工作。

101

正是傳感器的冗餘設計,才讓他們完成了雨夜開車的成就 —— 即使雨水把相機給擋住了,但是其他的傳感器讓汽車仍然能安全進行自動駕駛。

由於傳感器會將信息傳遞給他們軟件系統的人工智能神經網絡,這些神經網絡系統可以在普通運算硬體上運行,所以這讓他們的解決方案成本大大降低。

「我們的改裝方案並不貴,而且可以適應各類汽車,無論是汽車,貨車,卡車,或者是高爾夫車都行。可以在一週之內,就登陸一個新的汽車平台。而且由於我們在為機器應用打造規模化神經網絡方面的專長,我們能以其他自動駕駛汽車的運算資源的一部分,就可讓自動駕駛汽車運行。每台車需要的處理器資源差不多是一台桌上型電腦的30%而已。」Sameep Tandon說。

大部分的自動駕駛汽車都需要精確到厘米的高精度地圖,來進行感知,搞清楚汽車開向哪裡,這樣做的結果就是會需要持續地更新高精度地圖,非常昂貴而且很危險。而深度學習讓 Drive.ai 的自動駕駛汽車可以比較地圖上的物體和真實的環境,像是車道、人行道這類東西,所以即使環境改變了,汽車也能適應。

史丹佛整個人工智慧實驗室成員跑來創業

為什麼Drive.ai可以做到這一點?這還要從他們團隊的成員背景開始說。雖然Drive.ai公司才成立不到兩年,但是早在四五年前,這個團隊的創辦人們就已經在史丹佛的人工智慧實驗室,開始了怎麼把深度學習系統規模化的研究。

沒錯,團隊核心成員都來自於深度學習界鼎鼎大名的吳恩達的實驗室。兩年前,由於發現了深度學習在無人駕駛上的機會,實驗室的6個人全都從博士專案中暫停,一起成立了這家公司。所以,在一些公司有一兩位深度學習方面的專才就很稀罕的時候,這個團隊可以說把史丹佛的人工智慧實驗室都搬空了……

1

「自動駕駛是非常難的,如果只是某一個人的話,都很難做好,所以我們決定大家一起做好了。」共同創辦人兼CEO Sameep Tandon說。「我們那時就和很多汽車公司都聊過,發現我們有這麼棒的技術,等不及畢業了。」

Tandon說,團隊在從很早的時候就開始做非常基礎的研究,比如數據標註等,是最棒的深度學習團隊之一。當他們還在史丹佛的時候,就曾經打造過世界上最大的神經網絡。當時Google用1,000台機器在他們Google大腦專案裡做了一個實驗,結果他們只用了16 GPU機器就復現了這個效果,只花了十分之一的成本。所以Tandon很有底氣的說,他不知道其他號稱深度學習的公司都有些什麼核心技術,但是他們絕對是世界上最好的深度學習團隊之一。

IMG_4104

在低調研發了兩年後,Drive.ai現在認為自家在L4級別無人駕駛的研究上已經到了一定的階段,希望能夠進一步尋找合作夥伴,把他們的技術帶到更多汽車上去。共同創辦人 Carol Reiley告訴我們,Drive.ai和OEM商們關係很親密,也希望獲得汽車製造商們的支持。「我們不造車和傳感器,我們只是提供一個解決方案。現在希望先從商務車隊開始合作,包括包裹運送、食物運送、零售等可以。我們希望和合作夥伴們一起先做到L4的程度,提高定位準確性,一起收集數據,然後不斷向外拓展,最終會再向消費者層級的L5 級進發。」

「深度學習作為人工智慧的一種領先方法,可以教機器如何像人類一樣思考,這就是無人駕駛的關鍵。在這個基礎上,打造一個可以擴展的、適用廣泛、安全的平台,就是我們做的事。我們相信,無論是從安全性還是到效率方面,自動駕駛會整個顛覆交通系統。」Sameep Tandon說。

本文授權轉載自:PingWest

追蹤我們
百工百業瘋MarTech
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓