1700045961
无人驾驶:人工智能将从颠覆驾驶开始,全面重构人类生活 第十章 燃料——数据
1700045962
1700045963
无人驾驶汽车既消耗数据也生产数据。驾驶过程变得越来越数据化,我们驾驶的方式将会发生以下几方面的变化:无人驾驶汽车将由高清分辨率的数字地图来引导,拥有数字地图资源的公司将参与并维护这新开拓的市场;自动驾驶汽车带来的另一个后果是城市需要管理好交通模式;驾驶的数据化趋势带来新收获的同时,也会带来前所未有的风险。
1700045964
1700045965
当汽车完全自动化以后,我们那饱受智能手机与网络泄露威胁的个人隐私,泄露风险将进一步增大。无人驾驶汽车完全可以收集乘客和行人的身份、习惯(甚至详细到他们的目的地和同行的身份)。此外还将面临另一个道德挑战,由于人类社会非常尊重生命的价值,因此无人驾驶汽车软件需要有能力在交通事故中计算出妥当的处理方式。
1700045966
1700045967
我们先谈谈无人驾驶带来的机遇。首先,高清数字地图的广泛使用将有助于一个新兴行业的崛起,同时带来激烈的行业竞争。2015年,诺基亚把旗下的数字地图与导航分公司(Here map)卖给由资金雄厚的德国汽车企业组成的联盟。这个联盟计划将这些数据应用到本地服务中。
1700045968
1700045969
在绘制高精确度数字地图的比赛中的领先者是谷歌公司。数十年来,谷歌投资了大量人力和数十亿美金,打造高清先进的数字地图。谷歌公司数字地图的原始数据来源于政府项目,如美国人口普查数据和五十州地理的详细信息。从那时候起,地图信息就被不断更新。新数据由谷歌团队手动添加,谷歌公司派遣专职人员在车内装上激光雷达和摄像头,边行驶边拍摄建筑物、街道标志以及重要的地理信息,找到那些航拍图片中没能发现的隐藏信息。
1700045970
1700045971
多年来,谷歌地图项目团队在公司内部被称为“街道真相发现者(Street Truthers)”,他们行驶了500多万英里,收集各种数据。数百名雇员,其中大部分在印度班加罗尔,根据用户提交的错误报告来修正地图信息。这支海外工作团队的作用很关键,他们整理数据,汇集分散的数据库,也收集错误。
1700045972
1700045973
高清地图的制作和更新需要耗费大量的时间和人力,由此推测,似乎高清地图的未来市场将会掌握在某些财力雄厚的个人和企业手上。在许多国家,各级政府致力于收集和维护海量的原始数据,记录交通灯的信息或绘制山脉的详细地图,然而其实这些数据中的大部分已不再可靠了,至少在美国情况如此。假如一个人有充足的时间,那么他可以走访各大城市和美国联邦机构,最终收集到可观的数据并建立起数据库。只是如此完成任务效率不高且耗费时间,尤其是那些被收集来的数据需要重新整理,并以一定标准储存后才能调用。
1700045974
1700045975
未来的高清地图市场发展多样且利润可观。潜在的客户可能是需要记录当地街道、路面的交通状况、监控维护路标的使用情况的城市机动车部门。此外,交警部门也想知道哪些路段会导致无人驾驶汽车突然刹车或较为危险。财力雄厚的公司客户则包括保险公司和生产无人驾驶软件的技术公司。
1700045976
1700045977
车辆内置的地图信息越详细,车辆安全系数越高,对于潜在客户而言的市场价值就越高。未来的消费者在购买车辆时,会优先考虑那些配置有更加详细的当地街道地图信息的车辆,这样他们就能知道,比方说,在哪一段路段靠边停车比较安全。
1700045978
1700045979
高清地图的生产和维护成本很高,但这正是其市场价值所在,也正是许多想跻身该行业的公司要跨过的门槛。然而长期来看,数字地图将会成为常见商品。两股力量将导致这样的转变:
1700045980
1700045981
第一,数码相机和深度学习软件性能提升,汽车操作系统的可靠性就从地图数据存储转移到实时场景识别。实际上,当汽车具备视觉智能后,车载地图反而将变得不那么重要。
1700045982
1700045983
令人始料不及的是,第二股力量竟然是“自动化”。一旦汽车能自主驾驶,它们就能自动更新并维护车载数字地图的信息。不计人力成本以后,曾经居高不下的地图制作成本将遭遇滑铁卢。庞大的无人驾驶汽车队伍将会成为首屈一指的地图制造者,因为机器人有着过人的精力、耐性和稳定的情绪。
1700045984
1700045986
机器人的自我管理
1700045987
1700045988
深度学习软件应用在驾驶上产生了一种秒不可言的边际效应。导航软件一开始效率不高,不过只要达到某个临界点之后,导航软件的性能就会持续加速提升。换言之,无人驾驶系统收集的数据越多,它们的驾驶技术就越高明。总结这种良性循环,我们会发现这与机器学习软件的训练数据多少有关。消耗的数据越多,软件的性能就越好,从而推动系统越发积极采集数据。
1700045989
1700045990
该良性循环是这样展开的:起初,需要有人类司机来训练汽车学习软件。积累到了一定程度,到达一定临界点后,深度学习软件开始自主导航行驶,同时收集新的训练数据,形成稳定的数据流。新数据用于训练深度学习软件,以提高物体识别的准确率,进一步改进性能。当导航软件的能力提升后,就可以派遣更多的车辆在街道上行驶。当无人驾驶汽车以车队的形式集体工作时,其增长速度会开始以幂次方速度进行增长。车队装配有相机和深度学习软件,将会记录每棵树、每堵墙、每个垃圾桶、每道风景的特色。一天下来,车辆把数据上传到中央数据库,这样别的车辆也能利用这些数据。有了这上千甚至上百万辆无人驾驶汽车贡献自己采集的数据至丰富又鲜活的数据池,深度学习软件的性能才能飞速增长。
1700045991
1700045992
车队学习还会以另一种方式加速无人驾驶汽车性能的提高。若是几辆汽车记录了相同的视觉环境,重叠部分将会被交叉检查。由于错误检测软件需要检查多辆汽车,实现数据交叉检查,以确保数据的准确性。假如有1000辆汽车都报告看见一棵树倒在路旁,并且目击时间一致,观察角度各异,那么确实有一棵树倒在路旁的概率就很高。
1700045993
1700045994
深度学习软件的能力最终是由软件自己来提高的,这让人联想到一个有趣的场景,那就是移动机器人有能力提升车载地图的准确率。这个地图构建过程被称为“即时定位与地图构建(simultaneous localization and mapping, SLAM)”。发明这个方法的同学最初命名为“即时地图构建与定位”,字母缩写为SMAL(幸运的是他的导师建议重新调换单词次序,于是一个与著名篮球杂志《SLAM》相同的,响亮的字母缩写SLAM诞生了)。
1700045995
1700045996
SLAM本质上是把Bootstrap——一个被广泛应用的Web前端框架——采用在地图上的过程。在这个过程中,移动机器人能很快构建起新的认知环境,以其中一个点作为初始视野点,并由此扩散开来。该过程以机器人选择起点作为开端,接着,它开启视觉传感器记录下该位置所能看到的一切物体,所捕捉到的原始数据被录入空白的原始地图。接来下,机器人逐步推进,并重复扫描,在第二个视野点描绘出周围场景的第二幅地图。先前位置上观察到的大部分物体在当前的视野中也能看到。根据两幅地图的重叠部分,机器人能进行校对,整理成一幅更大型、更精确的地图。对这幅新融合而成的地图进行三角测算处理,根据所看到的物体推断出机器人所在地点以及确定下一步探索的未知地图边界。
1700045997
1700045998
由于机器人不断进行即时定位与地图构建过程,它马上就能完整而精确地构建出该区域的局部地图。我们曾看见研究中的机器人使用SLAM方法快速对建筑物周围环境进行学习:机器人以一张空白的地图开始,经过几个小时的游荡,成功生产出一张大型地图。
1700045999
1700046000
1700046001
1700046002
1700046003
图10.1 使用即时定位与地图构建(SLAM)技术得出的3D地图
1700046004
1700046005
来源:Jakob Engel, Jorg Stuckler和Daniel Cremers合著的论文《立体相机的大规模直接SLAM技术》(Large-Scale Direct SLAM with Stereo Cameras),2015年国际智能机器人和系统大会,1935~1942页。
1700046006
1700046007
Andreas Geiger,Philip Lenz和Raquel Urtasun合著的论文《自动驾驶,我们准备好了吗?KITTI视觉基准测试套件》(Are We Ready for Autonomous Driving? The KITTI Vision Benchmark Suite),2012年国际计算机视觉与模式识别会议,3354~3361页
1700046008
1700046009
SLAM技术赋予机器人自主提升地图准确性的能力。由于移动机器人使用SLAM技术来收集传感信息,机器人储存的地图质量不断攀升。良性循环开始了。当机器人存储的地图精确度与详尽程度提升到了一个新高度,机器人就成了一个更好的导航者,从而能更好地出发,去收集更多的数据来更新地图。
[
上一页 ]
[ :1.70004596e+09 ]
[
下一页 ]