投稿|特斯拉自动驾驶的底层逻辑( 二 )
文章图片
上述过程是理解特斯拉自动驾驶AI的关键，只不过特斯拉开发的人工神经网络专注于驾驶领域，做一名专职云端司机 。对它来说，最好的学习材料就是行车数据，大量、多样化、来自真实世界的驾驶训练数据集 （training dataset） 是自动驾驶AI能应对各种路况、交通问题的百宝书 。
在影子模式的支持下，特斯拉全球百万车队每时每刻的行车数据都成为这位云端“老司机”提升自身驾驶能力的养分 。时至今日，特斯拉Autopilot已经能瞬间完成道路上各种动静目标、道路标识、交通符号的语义识别，反应速度甚至比人脑条件反射更快 。
文章图片
除了应对日常驾驶场景外，AI司机还需要处理一些较为少见的长尾情况 （Corner cases） 。 在2020年Matroid机器学习大会上，卡帕西以交通指标STOP为例，讲解Autopilot应对这些长尾情况的具体方法 。
在日常驾驶过程中，车辆总会经过形形色色的STOP指标，最为正常的情况就是一个立在路旁或者路中、红底白字的STOP标识，但现实生活总会有些预料之外的情况发生，驾驶员偶尔会碰上一些奇奇怪怪、需要结合具体背景来理解意涵的指标，包括不限于以下：
无效STOP指标，比如被某人拿在手上，却无意义；下方附带文字说明的STOP指标，比如不限制右行；STOP字母被树枝、建筑物遮挡的指标…这都是些出现频次不高却不胜枚举的情况 。
遇到上述情况，人类驾驶员可以轻松识别出绝大部分情况下的“STOP”，并很快作出行动反应 。但对计算机来说，情况就变得复杂起来，毕竟它看到的不是具体的"STOP"，而是一堆无意义的数字代码，如果遇到现有训练数据集中没出现的情况，比如一些上述奇奇怪怪、较为少见的指标，自动驾驶神经网络就不能处理 。
文章图片
这部分少见的长尾数据通常无穷尽，但又必须在尽可能短的时间内学会应对，如果一切都让人工操作，无疑需要耗费巨大的时间成本和资源 。尽管在8月20日AI大会上，卡帕西透露目前特斯拉标注团队规模已达千人级别，但在海量行车数据面前，千人还是显得杯水车薪，对此特斯拉内部开发了数据离线自动标注 （Data Auto Labeling） 以及自动训练框架“数据引擎（ Data Engine ）” 。
文章图片
首先，特斯拉神经网络团队在对这些长尾情况有所了解后，会先编成一个样本数据集，并为此创造一个局部小型神经网络来学习、训练 （与其他神经网络并行），通过OTA方式部署到全球英语地区特斯拉车辆上 。
再利用车辆影子模式，但凡遇到实际驾驶情况和自动驾驶AI决策不一致的情况，这部分行车数据会自动上传至特斯拉后台数据引擎中，在被自动标注后，重新纳入已有的数据训练集中，继续训练原本的神经网络，直到新的数据被掌握 。
就这样，在大量训练数据的喂养下，神经网络变得“见多识广”、更加聪明，可以识别不同条件状况下的STOP标识，精确度逐渐从40%提升至99%，完成单一任务学习 。
推荐阅读
- boost|性能太激进！一加10 Pro发布，不俗产品力拉开竞品差距
- 投稿|一度超越微信登AppStore榜首，但“元宇宙”社交也难逃“月抛”魔咒
- 投稿|陕旅饭店集团破产重整，昔日“混改模范”为何沦为反面教材？
- 投稿|疫情之下，本土自主设备如何突围？中国制造的投机主义和长期主义
- oppo|配置到位设计拉满，OPPO平板爆料提前看！性能和生态适配亮点多多
- 投稿|即视角｜出海正当时：欧美、东南亚、中东、拉美市场观察
- 投稿|“东南亚小腾讯”跌入谷底：受阻的业务飞轮撑不起千亿市值
- 投稿|员工行为几乎全裸？深信服“监控门”背后
- 投稿|信任危机？一场针对民族企业的商业“阳谋”
- 摩托罗拉|传小米2亿像素超大底曲面屏新机研发中 价格或不便宜