百度背叛激光雷达路线了吗？( 六 ) .font_s.ios.pgcarticle

文章插图
△红绿灯动态语义识别(移动红绿灯，多语义灯，故障灯等)可通行性推理 – 行驶在复杂城市道路中，交通信号灯在相机中全程可见难以获得保证，遮挡、逆光、雨雾模糊等情况下要求感知系统具备人类司机的推理逻辑，为此Apollo Lite感知补充了信号灯推理功能。
文章插图
△红绿灯通行性推理场景(动静态遮挡，雾天/雨天/夜晚/背景干扰问题等)首先，增加算法对自身感知结果置信度的精准评估能力，在观测量不完全或者摄像头成像不理想情况下，切换到推理模式。该模式下算法结合车身周边障碍物运动信息提取车流轨迹，配合对路口其它高置信可见灯的状态和语义分析，通过融合多路信息学习路口可通行性，预测灯色，有效保证了在观测数据不完整情况下信号灯颜色仍能被正确识别。
得益于以上场景语义解读能力的升级， Apollo Lite在城市道路的通行能力获得进一步提高，单位测试里程内，因信号灯被遮挡导致的主车急刹和不合理停滞等问题减少近3倍，因信号灯感知错误造成的路口通过失败问题减少近10倍。
数据驱动的迭代模式数据闭环自动化是近年业内高频提及的概念， “数据驱动算法”、“自动化解决问题”、“跨量级降低L4成本”等传播数据即能力的理念流传甚广，行业对数据的预期水涨船高。
是否拥有了海量数据就等同于能自动迈进完全无人驾驶？一个靠数据驱动的系统如何打造？抛开技术理念与愿景，下面从「数据实践」和「数据组织能力建设」的角度跟读者分享百度在迈向「数据转化成驾驶能力」道路上的经验认知。
回顾百度7年自动驾驶技术发展历程，我们将研发迭代模式定义成三阶段，每个阶段对应的场景，对人才结构和组织能力的需求不尽相同。
文章插图
△研发模式迭代定义三阶段，从基于规则和传统机器学习方法逐步向数据驱动演进阶段Ⅰ – 此时数据基础设施建设相对薄弱，系统内Deep Learning化模块/功能占比较低，研发主力是已在某领域经过长期系统化训练的算法专家，他们用计算机语言将掌握的专业知识转化为功能性确定的代码，我们内部称这类初期算法「Rule-based」和「Traditional Machine Learning」方法。
“Rule”中包含人为设定的规则和对物理世界的经验假设，以车道线检测任务为例，经典计算机视觉算法能够不依赖标注数据，仅使用梯度计算，边缘检测算子和曲线拟合等经典技术完成车道线提取。
Rule-based方法优势是不依赖数据的积累标注，过拟合有限场景比较有效，算法从研发到上路速度快，适用于prototype演示阶段的研发迭代。
另一方面，规则假设引入大量人工参数和判断条件，不利于业务需求增加测试规模扩大后的技术泛化以及场景拓展。
Traditional Machine Learning方法如SVM和Random Forest等开始利用数据解决问题，这类方法对特征设计依赖强，研发人员需要具备对数据特征较强的直觉和洞察力。
此外，它们的浅层模型结构对数据的消化能力有限，大数据在任务上存在过拟合，并不能很好的解决复杂的自动驾驶问题。
阶段ⅠI – 这一阶段围绕数据所做的基础设施建设趋于完善，数据采集流程和标注规则明确，配套的数据标注工具和标注分发体系使用稳定，数据质量以及数据获取效率相比Ⅰ阶段有质的提升。
此时研发人员有意识的用深度学习思想重新审视线上Rule-based和Traditional Machine Learning方法，积极尝试用神经网络（DNN）对旧方法进行改造替换。