机器之心报道编辑：杜伟、小舟过去十年|全民自动驾驶5年内真的会来吗？这是Lyft的自动驾驶2.0 机器之心报道

机器之心报道
编辑：杜伟、小舟过去十年，尽管机器学习已经在图像识别、决策制定、NLP和图像合成等领域取得很多成功，但却在自动驾驶技术领域没有太多进展。这是哪些原因造成的呢？近日， Lyft旗下Level5自动驾驶部门的研究者对这一问题进行了深入的探讨。他们提出了自动驾驶领域的「Autonomy2.0」概念：一种机器学习优先的自动驾驶方法。

文章图片
论文地址：https://arxiv.org/pdf/2107.08142.pdf
自2005至2007年的DARPA超级挑战赛（DARPAGrandChallenge ，由美国DARPA部门出资赞助的无人驾驶技术大奖赛）以来，自动驾驶汽车（SDV）就已经成为了一个活跃的研究领域，并经常成为头条新闻。许多企业都在努力开发Level4SDV ，有些企业已经在该领域耕耘了十多年。
已经有一些研究展示了小规模的SDV测试，虽然很多预测都认为「仅需要5年就可以迎来无处不在的SDV时代」，但应看到生产级的部署似乎依然遥不可及。鉴于发展进程受限，我们不可避免地会遇到一些问题，比如为什么研究社区低估了问题的困难度？当今SDV的发展中是否存在一些根本性的限制？
在DARPA挑战赛之后，大多数业内参与者将SDV技术分解为HD地图绘制、定位、感知、预测和规划。随着ImageNet数据库带来的各种突破，感知和预测部分开始主要通过机器学习（ML）来处理。但是，行为规划和模拟很大程度上仍然基于规则，即通过人类编写的越来越详细的关于SDV应如何驱动的规则实现性能提升。一直以来有种说法，在感知非常准确的情况下，基于规则的规划方法可能足以满足人类水平的表现。这种方法被称为Autonomy1.0 。

文章图片
图3：Autonomy1.0的典型技术堆栈，展示了各个组件中使用到的ML数量。从图中可以看到，感知和预测组件是基于ML的，但规划和模拟依然依赖于非扩展、基于规则的系统。
但是，生产级的性能需要大规模地扩展以发现和妥当处理小概率事件的「长尾效应（longtail）」。研究者认为Autonomy1.0无法实现这一点，原因有以下三点：一是基于规则的规划器和模拟器无法有效地建模驾驶行为的复杂度和多样性，需要针对不同的地理区域进行重新调整，它们基本上没有从深度学习技术的进展中获得增益；二是由于基于规则的模拟器在功效上受限，因此评估主要通过路测完成，这无疑延迟了开发周期；三是SDV路测的成本高昂，且扩展性差。
因此，针对这些扩展瓶颈，研究者提出将整个SDV堆栈转变成一个ML系统，并且该系统可以使用包含多样化且真实的人类驾驶数据的大规模数据集来训练和离线验证。他们将这个ML系统称为Autonomy2.0 ，它是一个数据优先的范式：ML将堆栈的所有组件（包括规划和模拟）转化为数据问题，并且通过更好的数据集而不是设计新的驾驶规则来实现性能的提升。这样做极大地释放了处理小概率事件长尾效应和扩展至新的地理区域所需要的扩展性，唯一需要做的是收集规模足够大的数据集并重新训练系统。
Autonomy1.0与Autonomy2.0的开发流程对比，可以看到Autonomy1.0的可扩展性低、SDV行为由工程师赋予、验证方法为路测、硬件成本高，而Autonomy2.0的可扩展性高、SDV行为从人类驾驶中学得、验证方法为离线模拟、硬件成本在可负担范围内。

文章图片
不过， Autonomy2.0也面临着以下几项主要挑战：将堆栈表示为端到端可微网络；在闭环中利用机器学习的模拟器进行离线验证；收集训练这些模拟器需要大量人类驾驶数据。