关于深度学习应用在自动驾驶中安全性的思考

之前人工智能太火,业余时间学习了相关的知识,了解到机器学习完成的功能主要是分类/聚类,机器学习常用的聚类算法有K-Means、DBSCAN等几种,基本思路都是利用每个向量之间的“距离”,根据距离的远近判断是否从属于同一类别,这看起来其实一点也不智能;而深度学习利用神经网络模型,看起来就智能多了,比如函数y = ax3 + bx2 + cx + d,通过大量的(x,y)样本,不断迭代、不断优化最终得出a、b、c、d的近似值,整个迭代过程是自动,很智能,有没有?所谓训练好的模型,就是模型中包含了最终计算出来的参数a、b、c、d;当然真实的神经网络模型不只a、b、c、d四个参数,真实的模型可能有成千上万的参数,而迭代出成千上万的参数非常耗时,所以才需要GPU,FPGA,或者专用的AI芯片来加快计算速度。

弄懂了深度学习的基本原理后(当前,只是懂了皮毛),我一直有一个疑惑,这个神经网络模型模型,是个黑盒子啊,黑盒子里面成千上万的参数,完全靠大量数据/样本,一点点优化出来的,这么多参数如何合作的,根本没人知道啊,也没法调试(单步调试更不用想了?)

不过,当前语音识别,图像识别,视频识别等领域真是的发生了里程碑式的进步,而这些进步要归功于深度学习的应用;图像识别的大幅提升,带动了自动驾驶的落地,大厂大咖们纷纷加入到自动驾驶研发中,以致于朋友圈中有人吐槽考驾照难时,总有人回复不要着急,坐等自动驾驶,哈哈。但是基于黑盒的原因,我一直怀疑自动驾驶是否能做到真正的安全?

上周末去蹭了TGO鲲鹏会组织的《广深互联--自动驾驶技术&5G》

广汽研究院自动驾驶量产的负责人郭博士分享了纯干货,解开了我的疑惑。郭博士提到了在自动驾驶中,为了安全性,是不会使用端到端的系统来决策车辆行为的!为了说明什么是端到端,这里简单提下自动驾驶系统的几种类别:

基于规则的自动驾驶系统

先定义好规则,规则触发时,车辆就执行规定的动作;比如距离前车接近X米时,要减速;遇到红灯时,要停车;基于规则的自动驾驶系统,优点是策略思路清晰,符合人类的常规思路,即先判断当前车况,然后做出决策,缺点是难以应对不确定的情况,在复杂的情况下无法对所有可能的操作进行建模,也就无法定义所有可能的规则了。

端到端的自动驾驶系统

这个就是训练AI模型,先把图像及其他信号输入到模型中,然后人工输出停车、减速等动作,让模型来学习,经过大量训练,模型可以对图像输入自动作出回应,不需要人类干预;端到端的自动驾驶系统,优点是可以把复杂的情况对应的各种信号作为输入,训练模型自己处理复杂的情况,坏处是解释性差,出问题时不容易判断问题出在哪里,只能靠大量训练来提高准确率了

综合性自动驾驶系统

就是前面两种方法的合体,用深度学习方法学到一系列行驶中的路况信息,然后把这些路况信息输入决策模型;决策模型中则可以再设定一些规则。

为了乘客的安全,考虑自动驾驶的安全性,完全使用端到端的自动驾驶系统,安全性是没法保证的!当前比较理想的方法是,端到端的系统用在提取路况信息,然后把路况信息输入到基于规则的系统中,由规则系统做出决策。当然,随着深度学习的发展,端到端的系统可能有更好的表现,届时也可能完全使用端到端系统来实现自动驾驶。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180519G038WQ00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码关注腾讯云开发者

领取腾讯云代金券