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。