【量子位|长沙无人驾驶出租“轻车熟路”,Apollo仿真“训练有素”】( 四 )


【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
前文中 , 我们反复强调了数据对于仿真的重要性 , 仿真和路测并不是存在于不同验证阶段相互独立关系 , 更不是用仿真代替路测的替代关系 。
Apollo百万公里级别的真实路测数据正是仿真优化的基础 , 仿真优化为算法迭代提供了更大的支持 , 更优的算法又进一步带来了更大规模的路测里程 , 而更大规模的路测里程又进一步提升了仿真效果——仿真和路测 , 在迭代闭环的两端 , 两者关系实际上一种相互依存相互促进 , 良性正循环的模式 。
未来 , 全无人驾驶会彻底改变人们的生活 。 而现在 , 无人驾驶还只是一个在蹒跚学步的孩子 。 无人驾驶的仿真 , 其定位非常明确——它是这个孩子的老师 , 它需要承担起“支持无人驾驶技术快速成长”的重任 。
长沙本地的“典型习题集”
最后 , 我们从仿真的世界回到现实 , 百度Apollo无人驾驶出租在长沙全面开放 。
针对长沙的地域特殊性 , 或者实际运营中出现的突发情况 , 比如前面有人过马路怎么办、有老人拄着拐杖走的特别慢怎么办、碰到强行超车的司机怎么办、恶劣天气看不清路况怎么办、大量送外卖的摩托车行驶在附近怎么办……
在仿真系统里提供专门的“典型习题集” , 供AI反复训练测试 , 找出应对这类问题的最佳途径 , 不断迭代优化模型 , 让AI模型对此轻车熟路 , 提升自己的开车技巧 , 能够在真实场景中应对这类问题 。
而且 , 这些场景出现的概率需要和长沙本地的情况一致 , 这样才能得到在长沙运行的真实效果 。
比如说 , 在模拟长沙的仿真环境中 , 就有以下这些场景:
我在路上好好的跑 , 右边却突然杀过来一个骑摩托车逆行的配送员:
【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
雨下的很大 , 摄像头上都是雨滴 , 看不太清楚 , 路又特别堵 , 我好纠结要不要并道:
【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
瓢泼大雨让我的视线模糊 , 但前面有一辆临时停车的车子 , 我鼓起勇气试了试 , 成功绕了过去:
【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
像这样的场景 , Apollo仿真平台从真实数据中提取出数千万个 , 可以说能在行车途中遇到的各种奇怪的人和车、诡异的天气、拥堵不堪的交通状况都囊括在内了 。
有了这上千万道题目的“习题集” , AI就可以反复在这些场景训练自己 。
毕竟在真实的大马路上 , 不可能找几十辆车来当“群演” , 天天陪着自动驾驶车辆训练 , 而且万一撞坏了还要赔;而在虚拟的仿真环境里 , AI可以无数次用这些“错题”来训练自己 , 不用担心撞坏 , 也不用担心“群演”下班 , 可以潜心修炼 , 找到最佳的应对方法 。
因此 , 用这种“错题集”的方式来测试AI , 就好像每天都在做江苏高考数学题 , 久而久之水平就比做全国卷的同学高出一大截 , 训练质量也就高很多了 。
所以 , 也是经过了这样虚拟和现实的无数次打磨 , Apollo的工程师们也才敢让全民任意坐 。
说个小秘密 , 在这些无人驾驶工程师眼里 , AI系统可比人类可靠、稳定又安全多了 。
你觉得呢?


推荐阅读