Waymo首席科学家在MIT自动驾驶课上开讲：如何解决自动驾驶的长期挑战
那么我们如何进行大规模的路测呢？
因为特殊罕见的异常情况很少发生，如果使用真实情况进行路测，我们需要等待很长时间，为了解决这个问题，我们自己构建条道路。
因为我们有Google的数据支持所以这个想法是可行的，所以我们按照如下图数据做出仿真模型。仿真出足够多的场景供以测试。而我们为什么要做出如此多的仿真模型呢？因为有时会得出截然相反的结果，所以我们要加强系统的鲁棒性，这就要求我们做出足够多的仿真模型，确保系统的准确性。
这是一种抽样方法。
上图正在模拟真实世界可能会发生的事情。如果想要得到准确的数据，我们需要模仿真实的人类在不同的情形下做出的真实举动。
如何评价这个简单的模型呢？
正面：容易调整关键参数，如反应时间，制动轮廓，横向加速。有效再现避碰场景中的基本人类行为；反面：无法处理更复杂的交互行为。
但是定义它本身是一个复杂的问题，所以我们能做什么呢？那就是从实际演示中学习代理模型。
机器学习仿真的解决办法就是构建另一个机器学习模型。
添加排列可能会出现问题，这是一个众所周知的问题。
我们使用了非常不同的体系结构去避免碰撞，例如RNN模型。
在一条陌生的路上开着车，需要看到更多的范围和预判更多的特殊情况，如掉头需要处理好。
上图是人类行为分布，可以看到这是个正态分布，所以这就是导致了“长尾巴情况”的根本原因。即使图像两端的情况很少发生，我们的测试也要涵盖进去所有的人类行为情况。
需要我们拓宽这个分布，或者仿真出更多的例子。
行为轨迹优化模型：反RL用于找到创建所需轨迹的变量。
许多不同的方法来克服“长尾”问题。
“智能”模型对于自动化是至关重要的。通过模拟更真实人类行为是非常重要的。
因为还存在很多不同的场景，每天都上演着不同的事情，所以“长尾巴情况”还将会在不同的城市，不同的环境中持续下去的。
在一些好的训练步骤如下：对收集的数据进行培训；能够在不确定或不正确的情况下进行量化；能够采取措施，比如向评分者提问；更好的是，通过因果分析直接自我更新。
总结：Waymo 专家举出的有人带着停车标志是一个有趣例子，而且对机器学习的一个非常基本的介绍，其中提到了AutoML模型，可以测试多达10K的不同架构。然后采用前100个架构，在更大的模型上进行测试。Waymo是一个混合系统，使用ML和混合ML（传统的ML编程）。随着ML能力的增长，传统场景越来越少。视频中也提到了waymo 如何测试，结构化测试，是否有封闭的测试环境。在模拟器方面，他们认为代理能够模拟现实世界中发生的事情。不断扩大复杂模型，来处理长尾问题。或者利用专家领域知识，换句话说混合模型或传统编程。以及逆强化学习，值得深入研究。
分享
图片新闻
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论