資訊機構(gòu) Navigant Research 最近公布的報告再次將兩家公司推向風口浪尖。一個是在排名中墊底的特斯拉，另一個則是拔得頭籌的 Waymo。至于評判標準，是根據(jù)每家公司在「愿景」、「商業(yè)化策略」、「合作方」、「量產(chǎn)計劃」、「技術(shù)」以及「產(chǎn)品持久力」這幾個方面的綜合表現(xiàn)打分排名。
2019 自動駕駛領(lǐng)導力排行榜，來源：Navigant Research
在去年的報告中，Waymo 和特斯拉的排名分別為第七位和第十二位。對 Waymo 而言，去年開始的大規(guī)模商業(yè)化試運營應(yīng)該是其領(lǐng)先的重要原因。但特斯拉墊底就有點說不過去了，排名竟然比蘋果都低。在一些業(yè)內(nèi)人士看來，這份報告在成文的視角和方法論上略有偏差，缺失了對「政府關(guān)系」和「數(shù)據(jù)」這兩個重要標準的考量。
和政府搞好關(guān)系的重要性自不必說。一旦硬件實現(xiàn)商品化，軟件就成了關(guān)鍵。實際上不能說是軟件，而是「數(shù)據(jù)」。數(shù)據(jù)是驅(qū)動自動駕駛技術(shù)發(fā)展的「燃料」，或者如前英特爾首席執(zhí)行官 Brian Krzanich 提出的觀點，「數(shù)據(jù)是新的石油資源」。世界上最先進的人工智能也需要數(shù)據(jù)支持——它依靠浩如煙海的數(shù)據(jù)將信息傳化為下一步的行動。
顯然，如果只考慮「科技」和「數(shù)據(jù)收集」這兩個維度，排在榜首的應(yīng)該是 Waymo 和特斯拉。至于誰最終會在這場「曠日持久戰(zhàn)」中勝出，我們暫且不討論。今天想和大家聊聊關(guān)于特斯拉和 Waymo 在技術(shù)層面的一兩點差異性。
「貌合」「神離」的兩套方案
二月底，Waymo 首席科學家 Drago Anguelov 在 MIT 首次開講，他分享的內(nèi)容主題為「解決自動駕駛中的長尾問題」(Taming The Long Tail of Autonomous Driving Challenges)，這應(yīng)該是外界對 Waymo 自動駕駛研發(fā)目前能夠了解到的最深度、最詳細的內(nèi)容了。
近些年，使用大量標注過的數(shù)據(jù)對深度學習網(wǎng)絡(luò)進行監(jiān)督訓練，使得物體感知和行為預(yù)測能力有了大幅提升，這些技術(shù)在 Waymo 自動駕駛開發(fā)過程中得到了大規(guī)模應(yīng)用。我們也從 Drago Anguelov 口中第一次知道了 Waymo 在使用「模仿學習(imitation learning)」，這里先稍微科普一下。
模仿學習屬于機器學習的一種，它的神經(jīng)網(wǎng)絡(luò)能夠通過「觀察」人類的行為將某些特定的動作和場景進行匹配。如果使用不同類型的「人類行為」作為數(shù)據(jù)源來訓練，最終神經(jīng)網(wǎng)絡(luò)就能夠根據(jù)感知的結(jié)果輸出相對應(yīng)的決策動作。例如，「如果你看到停車標志，馬上停車」、「如果前方有輛停著的車擋路了，繞開它」等等。
「行為克隆」(behaviour cloning)與「模仿學習」(imitation)是一回事
隨著商業(yè)化試運營的推進，谷歌能夠采集數(shù)據(jù)的場景更多了，模仿學習算法也就有了更頻繁的用處。但 Drago Anguelov 也指出，人類駕駛行為存在著很多不確定性，一些罕見的場景(所謂的「長尾」問題)，Waymo 的數(shù)據(jù)集中并沒有足夠的案例來訓練算法應(yīng)對。出現(xiàn)這種情況就只能依靠開發(fā)人員手動編寫算法。Drago 認為這種「折中」的做法遲早是會被機器學習代替的。
根據(jù) Waymo 官方披露的數(shù)據(jù)，Waymo 目前已經(jīng)累積了約 1500 萬英里的行駛里程。按照平均每 3000 萬英里才會出現(xiàn)一起事故的概率來計算的話，Waymo 可能到現(xiàn)在都沒有得到一個特定的「長尾」案例。假設(shè)行駛每 100 萬英里會發(fā)生一起事故，waymo 也不過積累了 15 個數(shù)據(jù)而已。按照普通機器學習神經(jīng)網(wǎng)絡(luò)需要的數(shù)據(jù)量(每個圖像分類需要至少 1000 個樣本)的標準來看，Waymo 似乎還差得有些遠。
盡管 Drago Anguelov 表示希望通過采集盡可能多的人類駕駛行為(包括「長尾」案例)來進行模仿學習，但「數(shù)據(jù)量的缺失」是個很大的問題。
而為了彌補這方面的缺陷，Waymo 已經(jīng)構(gòu)建出了一套仿真模型，仿真出盡可能多的場景來進行測試。因為有時會得出截然相反的結(jié)果，所以要加強系統(tǒng)的魯棒性，做出足夠多的仿真模型，確保系統(tǒng)的準確性。
仿真測試是自動駕駛研發(fā)中的關(guān)鍵一環(huán)
不過仿真模型的建立依然需要真實世界數(shù)據(jù)的支持，解決「長尾」問題也需要對人類駕駛行為進行大量地模仿學習。所以這就又回到了問題的原點，Waymo還需要更大量級「數(shù)據(jù)」的支持。
對比之下，似乎「差生」特斯拉在「數(shù)據(jù)」問題上還真是不發(fā)愁。
特斯拉目前預(yù)計有超過 40 萬輛搭載了 Autopilot 系統(tǒng)的車子在道路上行駛，單日行駛里程超過了 1300 萬英里。如果未來這個車隊的規(guī)模增加至超過 100 萬輛，那么每月產(chǎn)生的有效行駛里程將到達 10 億英里的量級。對一家已經(jīng)有成熟產(chǎn)品落地的車企而言，這種真實世界產(chǎn)生的「數(shù)據(jù)」根本不是問題。
至于特斯拉在自動駕駛研發(fā)上的獨特性，根據(jù)外媒The Information曾經(jīng)透露的信息，特斯拉同樣在利用「里程累積」上的優(yōu)勢進行模仿學習。原文是這么說的：
據(jù)熟悉特斯拉這套系統(tǒng)的線人爆料稱，特斯拉的車子在行駛過程中會將攝像頭及其他傳感器的數(shù)據(jù)搜集起來，Autopilot 是否運行并沒有關(guān)系。之后工程師可以將這些數(shù)據(jù)中人類的駕駛行為與不同的場景進行匹配，之后遇到類似的場景機器就可以模仿人類去執(zhí)行。比如怎樣拐彎或躲避障礙物。
當然這種被叫做“行為克隆”的方法也有局限性，但特斯拉的工程師認為只要有足夠的數(shù)據(jù)支撐，神經(jīng)網(wǎng)絡(luò)就能夠給出正確的決策結(jié)果，例如在絕大多數(shù)場景中如何轉(zhuǎn)向、剎車以及加速。在特斯拉看來，未來不再需要人類手動編程控制無人車應(yīng)對特定場景。
不過按照個人的理解，特斯拉軟件工程師提到的「行為克隆」和 Waymo 的「模仿學習」是一個意思，等同于大家都在講的「端到端學習」的方案，即使用一個巨大的神經(jīng)網(wǎng)絡(luò)，輸入傳感器數(shù)據(jù)后得到關(guān)于轉(zhuǎn)向、加速和剎車的整體執(zhí)行策略。
假設(shè)特斯拉采用的是端到端學習方案，那它肯定是不需要對圖像進行標記的。唯一需要「標記」的是人類駕駛員的行為，比如轉(zhuǎn)向角是多少、加減速的力度等。將整個傳感器數(shù)據(jù)輸入到一個巨大的神經(jīng)網(wǎng)絡(luò)后，系統(tǒng)會學習如何將傳感器數(shù)據(jù)與人類駕駛員的行為進行匹配。但我們知道特斯拉是在做圖片標記的，所以從這一點出發(fā)考慮，它采用的就不大可能是和 Waymo 一樣的「端到端學習」的策略。
「端到端」與「語義抽象」的差異
針對自動駕駛感知的算法差異，Mobileye 創(chuàng)始人 Amnon Shashua 曾經(jīng)對「端到端學習 (End-to-End Learning)」和「語義抽象(Semantic Abstraction)」這兩個概念做過詳細的講解。
Mobileye 創(chuàng)始人 Amnon Shashua 對自動駕駛感知的內(nèi)容進行了講解
而根據(jù)外媒The Information報道的內(nèi)容來推斷，特斯拉可能是在開發(fā)一套用于路徑規(guī)劃或執(zhí)行控制的神經(jīng)網(wǎng)絡(luò)。而用來訓練這套神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)并非來自傳感器，而是由感知神經(jīng)網(wǎng)絡(luò)輸出的元數(shù)據(jù)。這樣人類駕駛員的直接行為—轉(zhuǎn)向、加速和剎車可以對元數(shù)據(jù)進行「標記」，類似端到端學習中，駕駛行為與傳感器數(shù)據(jù)的匹配。
這種將感知層和執(zhí)行層神經(jīng)網(wǎng)絡(luò)分開的做法能夠規(guī)避 Shashua 教授上面提到的端到端學習可能產(chǎn)生的一系列問題：如「不常見場景」出現(xiàn)的幾率會大幅下降;對先備知識(Prior Knowledge)的要求提高，深度神經(jīng)網(wǎng)絡(luò)在解決一些簡單問題上可能會「慘敗」。
“端到端“機器學習的局限性
假設(shè)特斯拉用于訓練的數(shù)據(jù)來自特斯拉車主，通過人工的方式將一些「壞的」行為去掉，這樣可以避開人工編碼算法的局限和模擬測試的不真實。當然特斯拉還可以使用強化學習或監(jiān)督學習來進一步優(yōu)化?？梢园崖窂揭?guī)劃或執(zhí)行控制的神經(jīng)網(wǎng)絡(luò)放在運行 Autopilot 或其他駕駛輔助功能的車子上，一旦出現(xiàn)系統(tǒng)脫離、失效、碰撞等情況，工程師就可以通過 bug 報告來定位原因。這些「錯誤」之后還可以用來訓練新的神經(jīng)網(wǎng)絡(luò)。
如果上面猜測正確的話，這種方法可以用相當快的速度來解決路徑規(guī)劃和執(zhí)行控制方面的問題?？紤]到目前搭載硬件 2.0 版本的特斯拉車型每個月可以獲得近 10 億英里的行駛里程，獲得的數(shù)據(jù)量之大是 Waymo 無法企及的。之后硬件 3.0 版本上線后，搭載了 AI 芯片的這套系統(tǒng)會更有利于特斯拉算法的迭代。
一場馬拉松式的長跑
盡管Waymo深受「數(shù)據(jù)」的困擾，但光憑對這個維度的考量自然是沒辦法斷言什么的。只不過Waymo要解決自動駕駛中的「長尾」問題，自然需要更多的數(shù)據(jù)支持。Waymo近日宣布將在亞利桑那州的梅薩市開設(shè)新的技術(shù)服務(wù)中心，進一步擴大無人車出行服務(wù)的規(guī)模。顯然Waymo是奔著搜集更多「數(shù)據(jù)」的目的來的。
基于克萊斯勒 Pacifica 車型打造的 Waymo 自動駕駛原型車
也有人認為，Waymo可以效仿特斯拉開發(fā)一套類似Autopilot的駕駛輔助系統(tǒng)，僅使用成本低廉可量產(chǎn)的傳感器。一旦在市場鋪開后，搜集真實場景的駕駛數(shù)據(jù)也就不是什么難事了。當然，Waymo自己要完成這件事比較困難，肯定需要來自主機廠領(lǐng)域的合作伙伴。
上周有消息稱，「Waymo正在尋求外部投資人」。意料之中的計劃。如果有車企成為Waymo的股東，要獲得海量的駕駛數(shù)據(jù)自然容易得多。而且Waymo作為自動駕駛解決方案的供應(yīng)商，始終只有借助OEM的平臺才能最終獲得商業(yè)化成功。不管是手中的全棧自動駕駛技術(shù)亦或是正在進行的移動出行業(yè)務(wù)，Waymo對很多車企而言，都是有十足吸引力的合作伙伴。Cruise和通用、福特與Argo.AI，這些都是比較成功的先例。
對特斯拉而言，之前因為Model 3陷入「量產(chǎn)地獄」，Autopilot的研發(fā)進程似乎出現(xiàn)了停滯，硬件3.0也遲遲沒有發(fā)布。盡管在「數(shù)據(jù)」容量上有先天優(yōu)勢，但率先量產(chǎn)以及頻發(fā)的幾次事故使其屢陷輿論風波。所以，特斯拉在自動駕駛上到底能有怎樣的成就，還在還很難說。
不過我個人倒是蠻欣賞之前馬斯克說過的一段話。
他說，「我不認為哪家企業(yè)能在特斯拉之前打造出一套綜合性的自動駕駛解決方案。除非它們保密工作做得太好了，到時候要拿出驚人的成果來。我覺得這種可能性不大，對特斯拉而言，任何車企都不是我們的競爭對手」。
希望這種「目中無人」的狂妄自大，可以給特斯拉帶來點好運氣。
