Waymo 首次公開自駕車「訓練過程」,AI 怎麼練開車技術的呢?

今年 8 月,Alphabet 旗下的自駕車品牌 Waymo 突破了公路駕駛 1,600 萬公里的里程數。拿繞一圈台灣 1,200 公里來算的話,Waymo 無人車可說繞了台灣 1 萬多圈呢。

這雖是自駕車產業的一大創舉,不過新聞上我們還是能看到自駕車因為判斷錯誤,導致車禍發生或駕駛、路人受傷的情形;況且要把命全然交給自駕車,總讓人無法接受。這揭露了自駕車在技術開發上還有太多困境要突破。市民對自駕車的不熟悉也是未來無人車普及的必定會面對的課題。

(延伸閱讀:Uber 撞死人調查結果:自駕車有看到路人,但卻「自己決定」不閃開?

而普通市民能如何參與這場自駕車革命呢?無發參透高難度工程學與程式語言的你,可以先從自駕車團隊是如何訓練 AI 開始理解。

碰巧就在今天(11 日),有兩位研究人員 Mayank Bansal 和 Abhijit Ogale 在  Medium 上 發布 了一篇 Waymo 自駕車的研究報告。文內展示 Waymo 訓練 AI 駕駛的過程,以及訓練進展與結果的的示意圖。光是這些動圖就能讓你輕鬆掌握,一個什麼都不會的自駕車系統是怎麼成長到能在公路上自由的行駛。

ChauffeurNet 用 10 個綠點預判未來路線,並不斷做駕駛優化

Waymo 採用了一套叫做遞歸神經網絡(Deep Recurrent Neural Network, RNN)的系統,又名 ChauffeurNet。ChauffeurNet 被訓練能夠在系統運作中,畫出自身移動軌跡、預期移動方向、自我修正並將數據回饋給研究人員。下圖為運行範例:

上圖的綠色方框就是 ChauffeurNet 系統,也就是自駕車的預覽圖、藍色點是車體過往位置、黃色方框代表過去一秒內可能移動的物體,又可稱為有機率產生意外的動態物件。而最重要的就是跑在自駕車前方的 10 個綠點了。這 10 個綠點揭露了系統本身預測車體將抵達的位置;在確立判斷後,這些綠點的位置會傳遞至真實車體,以操控車體的基礎自駕功能,例如轉彎、加速等。

Waymo Research 的 官網 上,研究人員附上許多 ChauffeurNet 的訓練影片。ChauffeurNet 從一開始不知道怎麼併車:距離目標物還很遠就開始減速並倒退,直到最後懂得緩速但仍安全的開過目標物。

一開始開過物件的過程。
順利減速轉彎,開過物件。

系統當然也訓練過各種意外發生時,該如何應對。例如前方車子突然減速,ChauffeurNet 該如何行動。不用多說,ChauffeurNet 最初的反應實在讓人連嘆氣,前方車輛減速,ChauffeurNet 就當發生地震要避難將時速緩到 1.08 公里。

前方車輛減速,結果系統直接停止。

但到了最後一階段訓練,ChauffeurNet 就得懂得降低車速,保持距離跟在前方車輛後方。

訓練最終期,系統能應對緩速車輛保持合適距離跟著。

當然訓練絕對不能少了車水馬龍的情況演練,如果 ChauffeurNet 過不了這一關,那他也別想再任何大城市混了。

Waymo Research 同時也將 ChauffeurNet 上路行駛的影片上傳官網,雖然還有一些部份不如人類,但能做到判別停車號誌也算是很不錯的了。以下影片供大家觀看。

以上為自駕車實際行駛於彎道。

以上為自駕車行駛間遇到行車號誌。

這些就是自駕車眼中的世界,也是自駕車訓練的過程。如果你想看更多訓練過程就到 官網 看吧,如果你對研究報告有興趣,就到 Medium 讀吧,裡面有更完整的系統介紹。

參考資料來源:

  1. 《Waymo Research》:〈ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst
  2. 《Medium》:〈Learning to Drive: Beyond Pure Imitation
  3. 《機械之心》:〈Waymo 首次公开自动驾驶技术:让 AI 学会「危机想象力」

(本文提供合作夥伴轉載,以上圖片、影片來源:Waymo Research。)

多面向的自駕車報導

Uber 撞死人調查結果:自駕車有看到路人,但卻「自己決定」不閃開?

【測不準原理之父】20 世紀物理學家怎麼用「量子力學」,解決自駕車系統除錯問題?

特斯拉眼中的世界:線條、區塊與座標,這才是自駕車「看見」的真相


我們正在找夥伴!

2019 年我們的團隊正在大舉擴張,需要你的加入跟我們一起找出台灣創新原動力! 我們正在徵 《採訪社群編輯》、《助理編輯》,詳細職缺與應徵辦法 請點我

點關鍵字看更多相關文章: