對(duì)于全自動(dòng)駕駛汽車需要哪些技術(shù)堆棧支持，不同企業(yè)和研究人員對(duì)這個(gè)問題有著不同的答案。事實(shí)上，實(shí)現(xiàn)自動(dòng)駕駛的方法不一而足，有的只需要攝像頭和計(jì)算機(jī)視覺系統(tǒng)，有的則需要計(jì)算機(jī)視覺與先進(jìn)傳感器相結(jié)合。其中，特斯拉始終是純視覺自動(dòng)駕駛技術(shù)的倡導(dǎo)者，在今年的計(jì)算機(jī)視覺和模式識(shí)別 (CVPR) 大會(huì)上，該公司首席 AI 科學(xué)家安德烈?卡帕西(Andrej Karpathy)解釋了原因。
過去幾年，卡帕西始終負(fù)責(zé)領(lǐng)導(dǎo)特斯拉的自動(dòng)駕駛系統(tǒng)研發(fā)工作。在 2021 年 CVPR 自動(dòng)駕駛研討會(huì)上，卡帕西詳細(xì)介紹了該公司是如何開發(fā)深度學(xué)習(xí)系統(tǒng)的，該系統(tǒng)只需要視頻輸入就可以了解汽車周圍的環(huán)境。同時(shí)，卡帕西還解釋了為何特斯拉最有可能幫助基于視覺的自動(dòng)駕駛成為現(xiàn)實(shí)的原因。
通用計(jì)算機(jī)視覺系統(tǒng)
深度神經(jīng)網(wǎng)絡(luò)是自動(dòng)駕駛技術(shù)堆棧的主要組成部分之一，它主要對(duì)車載攝像頭所拍攝視頻中的道路、標(biāo)志、汽車、障礙物和行人進(jìn)行分析。不過，深度學(xué)習(xí)在檢測圖像中的目標(biāo)時(shí)也會(huì)出錯(cuò)。為此，包括 Alphabet 子公司 Waymo 在內(nèi)的大多數(shù)自動(dòng)駕駛汽車公司，都使用激光雷達(dá)。這種設(shè)備通過向各個(gè)方向發(fā)射激光束，生成汽車周圍的 3D 地圖。激光雷達(dá)提供了更多的信息，可以填補(bǔ)神經(jīng)網(wǎng)絡(luò)留下的空白。
然而，在自動(dòng)駕駛堆棧中加入激光雷達(dá)也有其復(fù)雜之處?？ㄅ廖髡f：“你必須用激光雷達(dá)預(yù)先測繪環(huán)境地圖，然后借此創(chuàng)建高清地圖，你必須插入所有的車道，搞清楚它們?nèi)绾芜B接，以及了解所有的交通燈。在測試階段，你只需要依據(jù)地圖駕車四處移動(dòng)。”與此同時(shí)，要為自動(dòng)駕駛汽車將要行駛的每個(gè)地點(diǎn)創(chuàng)建精確的地圖是極其困難的。卡帕西表示：“收集、構(gòu)建和維護(hù)這些高清激光雷達(dá)地圖是不可擴(kuò)展的。要保持基礎(chǔ)設(shè)施的持續(xù)更新也極其困難。”
特斯拉的自動(dòng)駕駛汽車沒有使用激光雷達(dá)和高清地圖?？ㄅ廖鞣Q：“根據(jù)汽車周圍 8 個(gè)攝像頭拍攝的視頻，所有發(fā)生的事情都是第一次發(fā)生在車?yán)铩?rdquo;
自動(dòng)駕駛技術(shù)必須弄清楚車道在哪里，交通燈在哪里，它們所處狀態(tài)如何，以及哪些與車輛相關(guān)。而且它必須在沒有任何預(yù)先確定的道路導(dǎo)航信息的情況下完成所有這些工作?？ㄅ廖鞒姓J(rèn)，基于視覺的自動(dòng)駕駛方法在技術(shù)上更難實(shí)現(xiàn)，因?yàn)樗枰獌H靠視頻反饋就能運(yùn)轉(zhuǎn)良好的神經(jīng)網(wǎng)絡(luò)。但他稱：“一旦這種系統(tǒng)投入使用，它就會(huì)成為通用計(jì)算機(jī)視覺系統(tǒng)，可以部署在地球上的任何地方。”
有了通用計(jì)算機(jī)視覺系統(tǒng)，汽車將不再需要其他輔助駕駛功能?？ㄅ廖鞅硎荆厮估呀?jīng)在朝這個(gè)方向發(fā)展。此前，該公司使用雷達(dá)和攝像頭相結(jié)合的方式支持自動(dòng)駕駛系統(tǒng)，但其最近開始推出不再配備雷達(dá)的汽車。卡帕西表示：“我們移除了雷達(dá)，這些車只靠視覺行駛。這是因?yàn)?，特斯拉的深度學(xué)習(xí)系統(tǒng)已經(jīng)達(dá)到了臨界點(diǎn)，現(xiàn)在比雷達(dá)的表現(xiàn)好 100 倍，而雷達(dá)開始成為阻礙。”
監(jiān)督式學(xué)習(xí)
反對(duì)純計(jì)算機(jī)視覺自動(dòng)駕駛方法的主要論點(diǎn)是，神經(jīng)網(wǎng)絡(luò)是否可以在沒有激光雷達(dá)深度地圖的幫助下，進(jìn)行測距和估計(jì)存在的不確定性。卡帕西對(duì)此表示：“顯然，人類開車時(shí)依賴視覺，所以我們的神經(jīng)網(wǎng)絡(luò)能夠處理視覺輸入，以了解我們周圍物體的深度和速度。但最大的問題是，合成神經(jīng)網(wǎng)絡(luò)能做到同樣的事情嗎?在過去幾個(gè)月里，我們的努力證明，這是有可能實(shí)現(xiàn)的。”
特斯拉的工程師們想要?jiǎng)?chuàng)建一個(gè)深度學(xué)習(xí)系統(tǒng)，可以在深度、速度和加速度方面對(duì)物體進(jìn)行檢測。他們決定將這一挑戰(zhàn)視為一個(gè)監(jiān)督式學(xué)習(xí)問題來對(duì)待，即神經(jīng)網(wǎng)絡(luò)在經(jīng)過注釋數(shù)據(jù)訓(xùn)練后，學(xué)會(huì)檢測目標(biāo)及其相關(guān)屬性。
為了訓(xùn)練他們的深度學(xué)習(xí)架構(gòu)，特斯拉團(tuán)隊(duì)需要一個(gè)包含數(shù)百萬個(gè)視頻的海量數(shù)據(jù)集，并仔細(xì)地對(duì)視頻所包含的對(duì)象及其屬性進(jìn)行注釋。為自動(dòng)駕駛汽車創(chuàng)建數(shù)據(jù)集尤其棘手，工程師們必須確保包括各種不同的道路設(shè)置和不經(jīng)常發(fā)生的邊緣情況?？ㄅ廖髡f：“當(dāng)你有一個(gè)龐大、干凈、多樣化的數(shù)據(jù)集，然后用它訓(xùn)練大型神經(jīng)網(wǎng)絡(luò)時(shí)，我在實(shí)踐中看到的是，成功可以得到保證。”
自動(dòng)標(biāo)記數(shù)據(jù)集
特斯拉在全球售出了數(shù)百萬輛配有攝像頭的汽車，并據(jù)此在收集訓(xùn)練汽車視覺深度學(xué)習(xí)模型所需的數(shù)據(jù)方面處于有利地位。特斯拉的自動(dòng)駕駛團(tuán)隊(duì)積累了 1.5PB 的數(shù)據(jù)，包括 100 萬段 10 秒長的視頻和 60 億個(gè)標(biāo)注了邊框、深度和速度的物體。但是給這樣龐大的數(shù)據(jù)集貼上標(biāo)簽是個(gè)巨大的挑戰(zhàn)。一種方法是通過數(shù)據(jù)標(biāo)簽公司或在線平臺(tái) (如 Amazon Turk) 手動(dòng)標(biāo)注。但這將需要大量的手工工作，可能會(huì)花費(fèi)一大筆錢，而且進(jìn)展緩慢。
與之相比，特斯拉團(tuán)隊(duì)使用了自動(dòng)標(biāo)記技術(shù)，它結(jié)合了神經(jīng)網(wǎng)絡(luò)、雷達(dá)數(shù)據(jù)和人工審核。由于數(shù)據(jù)集是離線標(biāo)注的，神經(jīng)網(wǎng)絡(luò)可以回播視頻，將它們的預(yù)測與實(shí)際情況進(jìn)行比較，并調(diào)整它們的參數(shù)。這與所謂的“測試推理”相反，后者所有事情都是實(shí)時(shí)發(fā)生的，深度學(xué)習(xí)模型無法進(jìn)行追溯。
離線標(biāo)記還使工程師能夠應(yīng)用非常強(qiáng)大的、計(jì)算密集型的目標(biāo)檢測網(wǎng)絡(luò)，這些網(wǎng)絡(luò)無法部署在汽車上，可以用于實(shí)時(shí)、低延遲的應(yīng)用程序。他們利用雷達(dá)傳感器數(shù)據(jù)進(jìn)一步驗(yàn)證神經(jīng)網(wǎng)絡(luò)的推斷。所有這些都提高了標(biāo)記網(wǎng)絡(luò)的精度?？ㄅ廖髡f：“如果你處于離線狀態(tài)，你就會(huì)獲得后續(xù)好處，可以更好地融合不同的傳感器數(shù)據(jù)。此外，你可以讓人類參與進(jìn)來，他們可以進(jìn)行清理、驗(yàn)證、編輯等工作。”
不過，卡帕西沒有透露對(duì)自動(dòng)標(biāo)簽系統(tǒng)進(jìn)行最終修改需要多少人力，但人類的認(rèn)知在引導(dǎo)自動(dòng)標(biāo)簽系統(tǒng)向正確方向發(fā)展方面發(fā)揮了關(guān)鍵作用。
在開發(fā)數(shù)據(jù)集的過程中，特斯拉團(tuán)隊(duì)發(fā)現(xiàn)了超過 200 個(gè)觸發(fā)點(diǎn)，表明目標(biāo)檢測需要調(diào)整。這些問題包括不同攝像頭之間或攝像頭與雷達(dá)之間的檢測結(jié)果不一致。他們還確定了可能需要特別注意的情況，比如隧道入口和出口，以及頂部有物體的汽車。特斯拉用了四個(gè)月的時(shí)間來開發(fā)和掌握所有這些觸發(fā)器。隨著標(biāo)簽網(wǎng)絡(luò)的改進(jìn)，它以“影子模式”部署。這意味著它被安裝在消費(fèi)者的汽車上，靜默運(yùn)行，而不向汽車發(fā)出命令，并將該網(wǎng)絡(luò)的輸出與傳統(tǒng)網(wǎng)絡(luò)、雷達(dá)和司機(jī)的行為進(jìn)行比較。
特斯拉團(tuán)隊(duì)經(jīng)歷了七次數(shù)據(jù)工程迭代。他們從一個(gè)初始數(shù)據(jù)集開始，在這個(gè)數(shù)據(jù)集上訓(xùn)練他們的神經(jīng)網(wǎng)絡(luò)。然后，他們?cè)谡鎸?shí)汽車上部署“影子模式”的深度學(xué)習(xí)，并使用觸發(fā)器來檢測不一致性、錯(cuò)誤和特殊場景。然后對(duì)錯(cuò)誤進(jìn)行修正，如果需要，還會(huì)向數(shù)據(jù)集添加新數(shù)據(jù)?？ㄅ廖髡f：“我們一遍又一遍地重復(fù)這個(gè)循環(huán)，直到神經(jīng)網(wǎng)絡(luò)變得足夠好。”
因此，該體系結(jié)構(gòu)可以更好地描述為具有巧妙分工的半自動(dòng)標(biāo)注系統(tǒng)，其中神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)重復(fù)性工作，人類負(fù)責(zé)解決高級(jí)認(rèn)知問題和罕見情況。
有趣的是，當(dāng)被問及觸發(fā)器的生成是否可以自動(dòng)化時(shí)，卡帕西回答說：“觸發(fā)器的自動(dòng)化是個(gè)非常棘手的問題，因?yàn)槟憧梢杂型ㄓ糜|發(fā)器，但它們不能正確地代表錯(cuò)誤模式。例如，很難自動(dòng)生成具有觸發(fā)進(jìn)入和退出隧道功能的觸發(fā)器，這是人類通過直覺獲得的能力，目前還不清楚其具體原理。”
分層深度學(xué)習(xí)體系結(jié)構(gòu)
特斯拉的自動(dòng)駕駛團(tuán)隊(duì)需要高效和精心設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)，以最大限度地利用他們收集的高質(zhì)量數(shù)據(jù)集。該公司創(chuàng)建了一個(gè)由不同神經(jīng)網(wǎng)絡(luò)組成的分層深度學(xué)習(xí)體系結(jié)構(gòu)，這些神經(jīng)網(wǎng)絡(luò)處理信息，并將其輸出給下一組網(wǎng)絡(luò)。
深度學(xué)習(xí)模型使用卷積神經(jīng)網(wǎng)絡(luò)從安裝在汽車周圍的 8 個(gè)攝像頭的視頻中提取特征，并使用變換神經(jīng)網(wǎng)絡(luò)將它們?nèi)诤显谝黄?。然后，它?huì)隨著時(shí)間的推移融合這些信息，這對(duì)于軌跡預(yù)測和消除推理不一致等任務(wù)來說非常重要。然后，空間和時(shí)間特征被輸入神經(jīng)網(wǎng)絡(luò)的分層結(jié)構(gòu)中，卡帕西將其描述為頭部、軀干和神經(jīng)。他說：“你之所以想要這種分層結(jié)構(gòu)，是因?yàn)槟銓?duì)大量的輸出感興趣，但你負(fù)擔(dān)不起每個(gè)輸出都有對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的代價(jià)。”
分層結(jié)構(gòu)使得可以為不同的任務(wù)重用組件，并支持不同推理路徑之間的特性共享。網(wǎng)絡(luò)的模塊化體系結(jié)構(gòu)的另一個(gè)好處是進(jìn)行分布式開發(fā)的可能性。特斯拉目前聘用了一個(gè)龐大的機(jī)器學(xué)習(xí)工程師團(tuán)隊(duì)，致力于自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)的研究。他們每個(gè)人都在網(wǎng)絡(luò)的單個(gè)小組件上工作，然后把他們的結(jié)果插入到更大的網(wǎng)絡(luò)中。卡帕西稱：“我們有個(gè)大約 20 人的團(tuán)隊(duì)，他們?cè)谌氂?xùn)練神經(jīng)網(wǎng)絡(luò)。它們都在同一個(gè)神經(jīng)網(wǎng)絡(luò)上合作。”
垂直整合
在 CVPR 的演講中，卡帕西分享了特斯拉用來訓(xùn)練和微調(diào)其深度學(xué)習(xí)模型的超級(jí)計(jì)算機(jī)的更多細(xì)節(jié)。整個(gè)計(jì)算集群由 80 個(gè)節(jié)點(diǎn)組成，每個(gè)節(jié)點(diǎn)包含 8 個(gè)英偉達(dá) A100 圖形處理器和 80 GB 顯存，總計(jì) 5760 個(gè) GPU 和超過 450 TB 的 VRAM。這臺(tái)超級(jí)計(jì)算機(jī)還擁有 10PB 的 NVME 超高速存儲(chǔ)和 640 Tbps 的網(wǎng)絡(luò)容量來連接所有節(jié)點(diǎn)，并允許對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行高效的分布式訓(xùn)練。
特斯拉還擁有并制造安裝在其汽車內(nèi)的 AI 芯片?？ㄅ廖鞅硎荆?ldquo;這些芯片是專門為我們希望在完全自動(dòng)駕駛應(yīng)用中運(yùn)行的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的。”
特斯拉的最大優(yōu)勢是它的垂直整合能力。該公司擁有整個(gè)自動(dòng)駕駛汽車堆棧，自己生產(chǎn)汽車和自動(dòng)駕駛功能硬件，同時(shí)通過從售出的數(shù)百萬輛汽車中收集各種各樣的遙測和視頻數(shù)據(jù)占據(jù)獨(dú)特的位置。特斯拉還利用其專有數(shù)據(jù)集創(chuàng)建并訓(xùn)練其神經(jīng)網(wǎng)絡(luò)，并通過在其汽車上進(jìn)行影子測試來驗(yàn)證和微調(diào)這些網(wǎng)絡(luò)。當(dāng)然，特斯拉擁有杰出的團(tuán)隊(duì)，由機(jī)器學(xué)習(xí)工程師、研究人員和硬件設(shè)計(jì)師組成，他們把所有的東西組裝在一起。
卡帕西說：“你可以在所有層面進(jìn)行協(xié)同設(shè)計(jì)和攻堅(jiān)，沒有第三方在阻礙你。你完全掌控了自己的命運(yùn)，我認(rèn)為這是不可思議的。”
這種垂直整合以及創(chuàng)建數(shù)據(jù)、調(diào)整機(jī)器學(xué)習(xí)模型并將其部署到許多汽車上的能力，使特斯拉在實(shí)現(xiàn)僅基于視覺的自動(dòng)駕駛汽車能力方面獲得了優(yōu)勢。在他的演講中，卡帕西展示了幾個(gè)例子，顯示新的神經(jīng)網(wǎng)絡(luò)勝過了與雷達(dá)信息結(jié)合工作的傳統(tǒng) ML 模型?？ㄅ廖髡f，如果該系統(tǒng)繼續(xù)改進(jìn)，特斯拉可能會(huì)淘汰激光雷達(dá)，并認(rèn)為沒有其他公司能夠復(fù)制特斯拉的方法。
未解決問題
但問題仍然存在，比如深度學(xué)習(xí)目前的進(jìn)步狀態(tài)是否足以克服自動(dòng)駕駛面臨的所有挑戰(zhàn)。當(dāng)然，目標(biāo)檢測、速度和距離估計(jì)在駕駛中起著重要作用。但是人類的視覺還有許多其他復(fù)雜的功能，科學(xué)家們稱之為視覺的“暗物質(zhì)”。這些都是意識(shí)和潛意識(shí)分析視覺輸入和不同環(huán)境導(dǎo)航的重要組成部分。
深度學(xué)習(xí)模型也很難做出因果推理，當(dāng)模型面對(duì)他們以前沒有見過的新情況時(shí)，這可能是個(gè)巨大的障礙。因此，雖然特斯拉成功地創(chuàng)建了龐大而多樣化的數(shù)據(jù)集，但開放道路上的實(shí)際環(huán)境卻非常復(fù)雜，那里隨時(shí)都可能發(fā)生新的、不可預(yù)測的事情。
AI 社區(qū)存在的分歧在于，是否需要明確地將因果關(guān)系和推理整合到深度神經(jīng)網(wǎng)絡(luò)中，或者是否可以通過“直接擬合”克服因果關(guān)系障礙。特斯拉以視覺為基礎(chǔ)的自動(dòng)駕駛團(tuán)隊(duì)似乎更喜歡后者，但這項(xiàng)技術(shù)顯然需要接受時(shí)間的考驗(yàn)。
關(guān)鍵詞： 特斯拉 自動(dòng)駕駛
