人工智能:用众包的方式学习驾驶汽车

导语有些驾驶任务对于人类来说简单得不值一提,但对于机器来说很难完成。现在研究人员已经开发出一种新的方法,让人工智能机器通过向人类大众学习驾驶。

今年可谓是人工智能机器日新月异的一年。在人脸识别、物体识别、语言理解等许多我们人类一直以来都占据上风的任务上,人工智能突然开始追赶上甚至超越了人类完成任务的表现。

然而,对于一些繁杂工作的完成情况,人工智能机器仍然落后于人类。这些工作包括相对简单的家务劳动,如熨烫衣物,以及相对高级的任务,如驾驶。不过,智能机器在这些领域的成就进展缓慢,并不是因为它们不能执行这些任务,而是因为至今还没有人制定出如何培养它们学习的方案。

例如,我们在人脸识别领域的巨大进展,主要得益于在我们的图片数据库里已经有海量图像带有人们事先明确标记的人脸注释。因此,人工智能算法已经在通过这些数据库来学习人脸识别。

但是目前还没有人能够给驾驶等更复杂的任务领域创造出类似的大型数据库,这是导致在这方面缺乏进展的主要原因之一。

现在,来自美国斯坦福大学的Pranav Rajpurkar及其研究伙伴们似乎在教智能机器学习完成复杂任务的领域有所突破。他们已经研发了一套方案,可以给复杂任务创造大量带有注释的数据库。他们已经在试图用这样的数据库把一些人类习以为常但其实很重要的驾驶技能传授给一个人工智能机器。

他们的做法其实很简单。其基本思路是让人们能够方便地把注释信息添加到数据库里,然后对这些注释加以评估。具体来说,Rajpurkar及其同事将这个数据录入的过程变成了一个运行在网页浏览器中的驾驶游戏。

斯坦福大学的这个团队通过驾驶自己的研究车辆,沿着加利福尼亚州的高速公路采集路况,并积累出一个路况数据库。由此,他们就收集到包括GPS数据、视觉图像数据、激光扫描数据,等等。

他们接着把这些数据处理转化成一个虚拟三维环境,并最终让一个名叫“Driverseat”的卷积神经网络运用其人工智能算法,在这个虚拟三维环境中所设置的各种不同驾驶路况中,判断诸如其他车辆的位置、车辆所处的车道、以及高速公路的出入匝道位置等具体情况。

为了使所研究解决的问题相对简单易操作,Rajpurkar等人仅仅把关注问题聚焦于学习如何确定车道。对于人类驾驶员来说,这是一个微不足道的任务,但对于机器来说却相当困难,原因是路况数据是一个三维的信息,而且不同的光线和天气条件对机器处理数据任务都会产生影响。

在这套基于网页浏览器的游戏中,游戏为参与添加注释的人们呈现了一个人工智能算法“眼中”的三维场景,这其中包括了这个算法对确认车道这个任务的第一次尝试。人类的任务就是纠正虚拟环境中汽车沿着道路行驶中出现的错误。这些纠正会反馈到“Driverseat”神经网络,从而使该网络学习如何更好地分析道路情况。

通过从大量的各种注释和人工纠错中收集数据,Driverseat可以有效地汲取大众智慧。

这些结果使研究小组产生了找到了进一步测试的切入点。他们给这个神经网络测试了一些它之前还未遇到过的数据。他们发现,这个机器竟能够在车道曲折时确认所行车道,甚至在车道被其他车辆部分遮挡时也能完成车道确认的任务。

不过,目前这个算法还难以察觉出入高速公路的匝道。此外,当有阴影从桥梁等周围环境落在车道上时,或者是当路面因材质不同发生颜色变化时,它的整体性能就会下降。

有趣的是,该研究团队在应用大量人工帮助加注释的这套评估系统时还发现,当太阳接近地平线、干扰了视线的时候,该算法的准确率就会降低,这是因为在他们数据库中的素材有一个偏向,即数据收集的多是加州的主要高速公路,而这些公路均为南北向而非东西向的,所以关于面向日落或日出开车的数据量较少。

对于这样问题的出现,该研究团队将在未来进行针对性的修复,但如果没有这套大量人工注释帮助智能机器学习的评估系统,团队甚至都不会知道有这样一个问题存在。由于发现这类机器智能的薄弱之处一直都很艰难,因此,该团队已经向前迈出了相当有价值的一步。大家当然都更加希望,在一个人工智能算法被发布到真实世界应用之前,就能提前发现系统的这些漏洞,这总比上线以后真出了事再补救更好。

当然不管怎么说,“Driverseat”目前还并不完美。但“众教”培训方式是一个显著的进步。这是第一次一个人工智能机器从真人的行为那里学习到了一个复杂驾驶技术。“我们的研究展示了我们如何把大众的驾驶知识和经验与“教授”机器学习驾驶技能整合起来。”Rajpurkar和他的同伴表示。

这项研究进展应该对于改进下一代汽车技术有所帮助。目前市面上推出的最新款车型已经安装配置了智能巡航控制设备,能够使车辆与前车保持距离,并在两车距离过近时制动刹车,而有些车型已经能够自动改变行驶车道等等。

但要做到车辆在各种路面条件和各类驾驶场景中都能够做到上述的智能表现,我们还需要提升汽车自身内置的智能水平。如此,采用“众教”的方法培训人工智能机器就很有意义。

不仅如此,这项研究工作还具有更广泛的影响。生活中有许多看上去挺简单的任务,人类觉得习以为常,但机器却难以完成,比如洗衣洗碗、哺育婴儿、熨烫衣物等。如果我们没有足够的数据库去训练相关的人工智能机器,它们就永远学不会如何完成这些任务。假如Rajpurkar和他的同事们共同开发的“众教”方法可以适用于其他的任务,那么人类也许很快就可以成为人工智能机器的终极培训师。

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2015-12-28

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【哈佛商业评论】所有AI公司都面临的两难:性能优先还是应用优先?

【新智元导读】哈佛商业周刊最新的一篇评论文章指出,和人类参与不同工作有不同胜任标准一样,机器何时可以从内部训练转为在真实工作环境中学习的标准也不一样。对于AI公...

4098
来自专栏新智元

地平线“小目标”:2025年,三千万汽车搭载地平线自动驾驶BPU

【新智元导读】从AI处理器的发展变革可以看出,越是面向专门计算的芯片架构越能达到更好的功耗性能比,因此地平线基于高斯架构同时推出了“旭日”和“征程”两款芯片,每...

3518
来自专栏ATYUN订阅号

WaveSense的探地雷达可以使自动驾驶汽车在恶劣天气中更安全

雷达,激光雷达,摄像头,它们是帮助优步自动驾驶汽车,通用汽车的Cruise Automation,Waymo以及其他对周围环境感知的组件。但WaveSense首...

1245
来自专栏人工智能头条

Andreessen Horowitz 关于自动驾驶汽车的未来的演讲

1703
来自专栏机器学习算法与Python学习

平均年薪 50 万的无人驾驶工程师,需要掌握这 5 大关键技术

关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第一 【Python】:排名第三 【算法】:排名第四 无人驾驶无疑是 2017 年人工智能...

3934
来自专栏新智元

【智驾深谈】 汽车智能图灵测试:无人车考“驾照”要通过哪些测试

【新智元导读】对人类驾驶员来说,通过了驾驶证考试,就可以拿到公安机关核发的驾照。但是,通过怎样的测试,才能为无人驾驶系统核发“驾照”?无人车要上路,从技术上要首...

36310
来自专栏量子位

数据、传感器、打车服务,哪个才是未来无人车制胜关键?

唐旭 编译自 Benedict Evans博客 量子位 报道 | 公众号 QbitAI 本文作者Benedict Evans,是硅谷风投公司Andreessen...

2786
来自专栏机器人网

无人驾驶引爆地图大战:谷歌受到创业公司的威胁

福特曾在密歇根总部附近测试无人驾驶汽车,测试时团队发现汽车有一些奇怪之处。福特无人驾驶汽车高级技术主管吉姆·麦克布莱德(Jim McBride)解释说,在车道内...

3428
来自专栏AI科技大本营的专栏

MIT无人车新突破:不需要地图也能在“乡野小道”上自动行驶

对于无人车来说,想要挑战那些偏僻的道路是极其困难的一件事。目前的自动驾驶汽车需要依靠高清的车道标记以及详细的 3D 地图,以保证驾驶的安全性。这也是为什么这个领...

1153
来自专栏AI科技大本营的专栏

芯片巨头的自动驾驶何以能撼动传统汽车行业

最近,自动驾驶领域一片看不见的刀光血影。 但这一次的主角,不再是知名车企或创业项目,而是在芯片行业呼风唤雨的英特尔、英伟达。 先是英特尔大手笔并购 Mobile...

2875

扫码关注云+社区