蛰伏两年，这家公司如何借力深度学习提升汽车自动驾驶能力？

编者注：在众多追逐自动驾驶技术的创新公司中，山景城的Drive.ai公司以其独特的深度学习技术引领着自动驾驶汽车的研发潮流，令人印象深刻。

Drive.ai的联合创始人兼CEO Sameep Tandon坚信，深度学习是短期内实现自动驾驶的唯一可行途径。他认为，驾驶是一项非常复杂且微妙的任务，如果不依靠深度学习进行训练，自动驾驶汽车可能永远无法面世。尽管公司创立仅两年，但其自动驾驶车队已经开始在旧金山湾区进行路测。

Drive.ai专注于自动驾驶和人工智能领域，由斯坦福大学人工智能实验室的核心成员创立。他们以深度学习为旗帜，迅速让自动驾驶汽车掌握了在各种复杂路况下的驾驶技巧。

Tandon表示：“我认为这是业内首次从深度学习的角度看待自动驾驶问题。”与传统机器人技术的观点不同，Drive.ai的创始人兼董事长Carol Reiley补充说，“大多数公司只是将深度学习技术视为一个零部件，但我们则看得更全面。”

对于大多数公司来说，深度学习主要用于自动驾驶汽车的感知和识别周围物体。深度学习的强大之处在于，一旦学会识别某种特定模式，就能将识别能力扩展到其他类似的事物上。也就是说，深度学习的自我学习能力可以举一反三，通过自我努力识别路上的各种行人。

识别图像中的行人只是感知的一种模式。在决策和路径规划方面，深度学习同样发挥着重要作用。例如，在面临十字路口和红灯是否允许右转等情况下，深度学习的价值就体现出来。在这个引人入胜的深度学习世界中，一个技术以其卓越的模式识别能力大放异彩。这项技术如同一双识人的眼睛，不仅自主判断现场情况，更以微妙的判断令汽车厂商心生忧虑。这种“类人”的智慧有时让车辆做出意想不到的选择，这种超越规则系统的决策能力，虽然给乘客带来了便捷，却也可能会带来未知的困扰。人们称之为深度学习在智能车辆上的应用中的黑盒子现象。

Drive.ai的研发团队透露了他们拥有一种独特的技巧，能够透视“黑盒子”的内部运作，从而洞察其背后的秘密。Tandon解释道，当我们打造深度学习感知系统时，立交桥成为了一个巨大的挑战。这个复杂的结构产生的阴影可能会让感知系统陷入困惑，误报有障碍物。

面对这样的难题，Tandon表示他们的团队通过让算法不断挑战这种复杂场景，然后使用一系列人造案例来扩充数据库，逐渐攻克了这个难关。一旦发现了系统的短板，他们就能够针对这些场景进行精准调整。经过不断的训练，感知系统已经能够轻松应对立交桥的挑战。Tandon信心满满地表示：“之后你就可以在更高层次上验证整个系统的性能。”

深度学习系统的成长离不开数据的滋养。对于众多公司而言，搜集尽可能多的数据成为了他们的首要任务。Drive.ai在数据收集方面有着独到的见解。他们更加注重数据的质量而非数量。并且，他们在训练深度学习算法时，还为数据提供了精准的标注，这一独特的方法帮助他们取得了卓越的成果。

这个团队深入挖掘数据的价值，通过高质量的数据和精确标注，让他们的深度学习系统不断进化，更加智能。他们以独特的方式破解了深度学习系统中的难题，为我们展示了人工智能的无限可能。赋予数据灵魂：繁琐的标注背后的故事

虽然数据标注的工作简单，但是其背后隐藏着巨大的付出与努力。想象一下，标注员们在海量的数据片段中，细心地标注出车辆、行人、路标、交通灯以及所有与自动驾驶相关的物体。每一个小小的标签，都是他们对数据世界的注解，也是人工智能前进的一小步。

大公司背后往往隐藏着庞大的数据标注团队。Reiley 向我们揭示了这一点，他们每天都在雷达图像上围绕着那些方盒子进行无尽的标注工作，工作量之大可想而知。而Drive.ai也有这样的团队，但我们一直在寻找更优的方式，以加速这一进程。

与庞大的公司相比，Drive.ai的标注团队显得并不突出。这是因为我们的数据标注工作在很大程度上是由深度学习完成的。在许多场景下，我们的深度学习系统已经能够完成大部分工作，团队的主要任务只是确认数据的准确性。Tandon解释道，虽然有些复杂场景仍需要人类的参与，但深度学习系统的进步速度令人惊讶，甚至有些场景的标注能力已经超越了人类。

那么，为什么其他公司没有走上这条道路呢？我们也不禁好奇。究竟是什么样的阻碍阻止了全面使用深度学习系统进行数据标注呢？Tandon深思后认为，这个问题涉及到许多方面。深度学习系统的集成化程度高，要想让每一个部分都发挥其应有的作用并非易事。每一个小环节都需要投入大量的时间和精力去调整和适应，才能真正融入到整个系统中。不同公司的技术积累和应用环境都有所不同，要想引入这样的系统，需要进行大量的本地化调整和优化工作。这一切都需要投入巨大的资源去实践和完善。尽管Drive.ai已经在尝试并享受到了深度学习带来的便利，但其他公司仍面临着诸多挑战。但无论如何，我们都相信，随着技术的不断进步和经验的积累，未来会有更多的公司加入到这一行列中来，共同推动数据标注工作的进步与发展。Reiley赞同这一观点，她坚信每一个决策都必须由软件驱动，并特别针对深度学习和软硬件整合进行优化。为了实现这一目标，许多团队专注于算法的研究。但Drive.ai认为，自动驾驶技术远非简单的算法所能涵盖。这其中涉及的复杂软硬件问题，是前所未有的挑战。

在雨中，传感器发挥了至关重要的作用。Drive.ai的自动驾驶硬件设计之初就考虑到了兼容性问题。其核心部件包括车顶的传感器阵列，如摄像头和激光雷达。这套硬件只需简单的改装，就能适应大多数车辆。

不仅如此，这套系统还能巧妙地利用车辆原有的传感器，如自适应巡航时使用的雷达和后置摄像头。Drive.ai还设想通过大屏幕，让车辆与路上的行人或其他车辆司机进行“交流”。

Drive.ai的自动驾驶系统集成了9个高清摄像头、2个雷达和4个激光雷达。这些传感器不断地收集数据，供深度学习和自动驾驶系统使用。尽管这些传感器的价格仍然较高，但Drive.ai的联合创始人Joel Pazhayampallil表示，目前系统内的传感器性能有些过剩，未来有可能会减少传感器的数量。

Pazhayampallil认为：“我们或许不需要这么多的传感器，现在的一半数量可能就足以满足需求。”这种观点展示了Drive.ai对未来技术的乐观态度，并凸显了他们在优化软硬件配置方面的努力。随着算法的持续进步，我们的传感器数据处理能力得到了显著增强。通过深度融合不同传感器数据，我们显著提高了传感器的数据收集能力。激光雷达专门负责捕获低分辨率的深度数据，而摄像头则搜集高分辨率的环境信息。这种结合多通道冗余决策的方式，为自动驾驶车辆带来了显著的优势，即使在传感器部分失灵的情况下，也能保障车辆的安全运行。与传统的基于规则的系统不同，我们的深度学习算法在感知数据缺失时仍能继续工作。

这里的传感器失灵并不一定是硬件或软件的故障，也可能是由于某些环境因素，如炫光、黑暗或水滴遮挡导致的无法获取有效数据。特别是在雨中，自动驾驶面临诸多挑战。除了水分干扰激光雷达的能量、路面反光造成的视觉困扰外，传感器被水滴遮挡也是一个重要原因。为了确保自动驾驶汽车在复杂环境中表现自如，我们必须做好应对摄像头、激光雷达、雷达等设备可能出现故障的准备。

在进行上路测试时，我们体验了Drive.ai的自动驾驶车辆，并由其技术主管Tory Smith全程陪同。幸运的是，试乘当天的天气状况良好，没有出现传说中的雨中自动驾驶的挑战。Drive.ai的目标是达到Level 4级别的自动驾驶。尽管在现有的法律法规下，主驾驶位上仍需有司机以备突发情况，但在短短的20分钟试乘过程中，Drive.ai的自动驾驶车辆成功穿越了山景城郊区，期间成功处理了16个叉路口和1个十字路口的情况。经过亲身体验，这辆车的表现总体流畅，驾驶性能出色。它在某些情况下会表现出一些犹豫，但这正是人为设定的特性。Smith 强调，“自动驾驶车辆必须被大众接受，在某些情况下，如果它的表现比人类司机更冒险，乘客会感到不安。”他们有意让车辆在决策时展现出谨慎。

在试乘过程中，Drive.ai 的自动驾驶系统表现稳定，仅在一种情况下需要司机介入。那就是在右转驶入一条主路时，尽管在加州红灯可以右转，但车辆仍然选择停下等待。这种表现显得有些机械，但却反映了传感器性能的局限性。Smith 指出：“我们的激光雷达视距有限，当车速达到一定程度时，无法准确判断交通状况。”

当交通信号灯变绿后再转弯时，车辆遇到了新的挑战。一辆停在路边的卡车挡住了道路。司机不得不切换到手动模式绕过卡车，然后再次启用自动驾驶系统。面对这种情况，Smith 表示：“通常我们可能会等待卡车离开道路。”自动驾驶汽车的决策并非只是路径规划那么简单。它需要判断卡车的状态，是等待还是绕行？这取决于多种因素，如引擎声音、车辆尾灯或周围的活动等。显然，如何让车辆自主判断并成功避开路上的障碍物，是他们正在努力解决的问题。

这次试乘展现了自动驾驶汽车的潜力与挑战。虽然它在某些情况下仍需人类司机的介入，但随着技术的不断进步，我们有理由相信未来的自动驾驶汽车会更加智能、更加安全。在这个情境中，驾驶员的判断显得轻而易举，要让自动驾驶汽车习得这项技能却需要精心的训练，教导它在何种情况下应作出何种反应。

人类虽不擅长处理精确的任务，但在应对模糊和复杂的情况时，我们的能力却出类拔萃。传统基于固定规则的自动驾驶系统在这方面显得捉襟见肘，因为路况的多样性和复杂性远远超出想象。幸运的是，深度学习技术为我们提供了一种解决方案。通过深度学习，我们可以培养出一个系统，它在遇到复杂路况时能够像人类一样自主判断，这种基于直觉的决策方式为我们开辟了新的道路。

对于Drive.ai而言，驾驶员介入的情况是他们最宝贵的资源。为了获取这些珍贵的数据，他们进行了大量的测试。那么，他们的自动驾驶汽车是否驾驶起来更像人类驾驶员呢？这是Smith经常被问到的问题。

将机器人与人类驾驶相比可能会引起误解，因为人类的驾驶事故率确实稍高，但我们在某些方面仍然超越了机器。Smith以Drive.ai的车辆如何检测交通信号灯为例进行了说明。

与业界其他公司不同，Drive.ai并没有采用在地图上标注每个交叉路口的通用方法。相反，他们训练车辆自身去感知和理解交通信号灯的时机。这样一来，自动驾驶汽车在行驶过程中就能自然地判断何时需要遵守红绿灯的规则。这种基于实际感知和理解的驾驶方式，使得Drive.ai的车辆在驾驶时更像一位人类驾驶员。在特定区域内，自动驾驶车辆展现出了其卓越的可实施性。但当行驶范围扩大时，传统的自动驾驶技术可能面临挑战。Drive.ai公司采取了一种创新的方法，通过深度学习和搜集大量交通信号灯数据，让自动驾驶车辆能够识别并响应交通信号。这种技术在不同路口、角度、时间以及天气情况下均能有效运行。相较于仅关注交通信号的传统方法，Drive.ai的技术更加先进，它还能利用周围环境信息做出判断。例如，根据前方车辆的动向来决定是前进还是停车。这样的系统更加接近人类的驾驶方式。随着数据的不断积累和深度学习系统的进一步完善，这种判断方式还可以应用到更多场景和任务中。

关于Drive.ai的未来，公司高层充满信心。今年，他们的自动驾驶车辆将正式上路进行测试。在接下来的六个月内，用户将能够体验到小规模的车队服务。预计在一两年内，特定区域内的Drive.ai将实现完全自动驾驶，摆脱对驾驶员的依赖。目前，公司正全力征服湾区，但他们的目标不仅仅是局限于此，进军下一个城市只是时间问题。

起初，Drive.ai主要关注物流领域，物流业务相较于载人服务更为核心。他们面临的挑战相对较少，至少不需要考虑乘客接受度的问题。除了现有的物流业务，Drive.ai还对未来充满了期待。公司的创始人表示，如果将好的策略和先进的技术相结合，自动驾驶汽车有可能成为第一种在现实世界广泛使用的机器人。想象一下满世界的自动驾驶汽车，这种前景足以让人兴奋不已。对于Drive.ai来说，自动驾驶汽车可能是首款与人类生活紧密相连的机器人。