【量子位|长沙无人驾驶出租“轻车熟路”,Apollo仿真“训练有素”】

允中发自凹非寺
量子位报道|公众号QbitAI
书接上回 , 我们介绍到:百度Apollo无人驾驶出租 , 已在长沙全面免费开放 。
【量子位|长沙无人驾驶出租“轻车熟路”,Apollo仿真“训练有素”】
文章图片
但是!也有不少朋友发来疑问:心里有点担忧 , 不敢坐 。
毕竟之前都是人类司机 , 应对各种场景和路况有大脑 。 现在改成AI驾驶 , 靠不靠谱?
或者更直白来说 , 百度Apollo的工程师们 , 到底是经过了怎样的技术考核和保障 , 才敢放心开放给每一个人乘坐?
于是 , 奉读者之问 , 我们找到了Apollo的技术大神们 , 并且经过「编译」 , 把这份Apollo无人驾驶出租敢于全民承载的背后技术解析 , 转述给你听 。
来 , 我们由表及里 , 一起从现象到本质 。
云端练了千万遍 , 才敢人间坐一回
自动驾驶是个技术活儿 , 能落地一定得技术上过硬 。
我们知道 , 所有AI模型都需要借助海量数据来训练 , 而且为了保证训练的效果 , 数据需要覆盖各个维度、各个方面 。 在自动驾驶领域 , AI技术要应对的场景非常多 , 比如山路、平地、堵车、高速、国道、市中心、郊区、超车、变道、逆行、闯红灯、横穿马路等各类场景 。
在技术快速迭代的过程中 , 为了保证安全 , 在自动驾驶车辆上路测试前 , 需要经过一系列的测试与验证 。
这里就需要仿真环境了 。
早在2017年 , Apollo的仿真环境就已经推出了 , 当时还是在Apollo1.0版本的云服务平台模块中 。 在国内 , 百度率先真正落地了大规模集群版的仿真平台 。
一年后 , 这一仿真环境再次升级 , 成为了增强现实的自动驾驶仿真系统(Augmentedautonomousdrivingsimulation,AADS) , 百度的研究人员为共同一作 , 论文发表在了ScienceRobotics上 。 在提升建模真实性方面 , 百度的仿真器迈出了坚实一步 。
在自动驾驶领域的仿真环境中 , 可以创造出各类复杂路况、危险的突发状况来让AI模型在里面开车 , 获得丰富的数据 。 由于是虚拟的仿真环境 , 因此成本比真实环境低得多 , 而且没有危险 。
所以 , AI模型可以在虚拟环境里无数次开车 , 测试各类环境、挑战各类复杂情境 。 Apollo在虚拟环境中跑了无数遍 , 克服了各种艰难险阻之后 , 就成了安全靠谱的老司机 。
因此 , 下一个问题来了:
仿真环境就是自动驾驶AI的训练场 , 既然仿真如此重要 , 那究竟什么样的仿真才能承担得起这样重要的责任?
答案很简单:真实 , 最大限度的接近真实 。
那百度Apollo的自动驾驶仿真环境 , 又如何实现了真实性?
Apollo仿真世界全角度的”真实性”
前文提到 , Apollo通过AADS系统 , 可以将真实的道路环境复刻建模到仿真环境中 。
但光有道路环境是远远不够的 , 路上还包括路人和车辆 , 以及多种对象的复杂交互行为 , 还需考虑无人车自身的特性 , 包括它的传感器模型 , 动力学模型、还有对异常情况的识别 , 这里面维度众多 , 之间关系极度复杂 。
仿真要达到怎样标准 , 才能完成在真实世界里“确保达到安全性”的要求 。 这需要仿真系统要尽可能多的发现路上所有可能出现的缺陷 , 同时不能有太多的误报 。 总结来说就是令仿真器能够达到对算法效果的预测结论能够无限接近实际路上的真实效果 。
为了达到这样的目的 , 我们从四个维度来一一解析这个问题:
【量子位|长沙无人驾驶出租“轻车熟路”,Apollo仿真“训练有素”】
文章图片
首先 , 需要考虑的是场景
何为“场景“?
自动驾驶技术要解决的问题是通过人工智能 , 让无人车能够处理各种复杂路况 , 在各种情况下都能够安全和优化的行驶 。 所谓“复杂路况” , 在对其进行原子化分割后 , 在自动驾驶领域称之为“场景” 。


推荐阅读