自動駕駛研發中“No Free Lunch”

文／王剛

“大事化小，小事化了”，自動駕駛也一樣。遵循“No Free Lunch”理論，實際應用中的復雜場景可以通過分解為數個小場景，逐個分析、研究算法得到解決，結果往往比研究一種通用算法要好。

自動駕駛是能給汽車、交通、物流乃至整個出行行業帶來巨大變革的變量，這項技術包含挑戰，也包含機遇。今天，作為一個自動駕駛的研發人員，借助文章同大家分享阿里巴巴達摩院自動駕駛實驗室對自動駕駛技術研發的思路和思考。

與商業結合促良性發展

關于自動駕駛，大家討論的更多是載人自動駕駛，阿里巴巴從第一天起就在關注物流自動駕駛。

王剛 阿里巴巴達摩院自動駕駛實驗室負責人

關于物流的自動駕駛，阿里巴巴專注于兩個場景，第一個場景是最后1-3公里的無人配送，也稱末端無人配送。這個場景有非常大的需求，快遞或者外賣員進行最后1-3公里配送的時候效率非常低，因為無法實現集約化，就需要挨家挨戶去寄送，導致效率極大降低。

自動駕駛是一個投入大，周期長的行業，單純是由技術驅動以及投資來驅動，存在很大風險，所以阿里認為必須在早期就要和商業進行結合，和業務進行結合，產生商業的結果，從而能夠驅動自動駕駛的良性發展。

幸運的是，阿里巴巴擁有全世界最豐富的商業場景，其中也包括物流場景。阿里內部有一條16字方針，即：需求牽引、技術驅動、結合業務、小步快跑。讓商業和技術能夠形成良好的互動。

雖然自動駕駛有很多機會，前景值得看好，但不可否認的是，自動駕駛現在還面臨著全方位的挑戰。我列了一個表，包括算法、計算硬件、傳感器、基礎設施。算法中除了控制是比較穩定的，感知、定位、決策三個模塊都存在一些不足。在計算硬件上面，還沒有高性能、低成本，以及能夠滿足車規要求的計算芯片。傳感器也存在挑戰，整體上挑戰非常多。

作為一名軟件開發人員，主要還是從軟件角度來講對自動駕駛的思考。自動駕駛是一個軟硬一體的系統，同時，我認為它也是一個軟件決定硬件的系統，那么很多硬件設備，包括芯片就必須為軟件定制，否則是很大的浪費。

細化分解復雜場景疑難雜癥逐個擊破

為什么現在還沒有一種非常好的算法，能夠實現感知和決策？有人認為整個自動駕駛的算法要處理的問題太難了，而且當今社會道路場景繁多、復雜，很難找到一個通用的算法處理所有的場景，就會導致車輛存在碰撞風險。

那么在開發過程中如何處理這個難題？在人工智能領域有一個經典理論叫“No Free Lunch”理論。這個理論表達了一個觀點：用通用算法處理所有問題，很難在所有的問題上都取得非常好的結果，相反的，開發者若是針對每個具體問題進行算法的開發、優化，就會在每個問題上得到比通用算法更好的結果。同理，在自動駕駛領域，我們可以把復雜場景分解，變成多個小問題，去進行針對性的算法研發。

為了使用“No Free Lunch”理論，第一步需要把交通場景進行分類、細化、分解，把大問題分解為可以解決的小問題。場景分類的任務并不簡單，一個好的場景分類至少要滿足兩個條件，第一，場景必須是精細化的，一個非常粗密度的場景分類起不到降低問題難度的作用，基本上是無效的。第二，場景分類必須為算法服務，和算法是進行融合的，不是為了測試服務，也不是為了管理服務，是為了測試研發能夠有的放矢、各個擊破。

以變道切入的場景為例，阿里將其細分為25個場景，進行針對性解決后，效果提高了20%，并帶來更高的研發效率以及更低的反應延遲。

圖1 自動駕駛技術的全方位挑戰

圖2 怎么樣處理多樣化場景？——No Free Lunch理論

數據驅動的AutoDrive平臺

計算換智能是一個非常美好的方向，為什么前面沒有做？原因有兩個，第一個是設計理念上還沒有想到，第二個是AutoDrive平臺需要一個堅實的工程支撐，如果想實現AutoDrive，必須完成從輸入信號到輸出結果的完整閉環，才能夠讓機器自動學習。

借助阿里巴巴的能力，我們做了三個事情：第一件事，將所有的路測數據，全部放到阿里云上，只有云平臺才有足夠大的存儲能力和計算能力。第二件事，我們建立了從數據的上傳、標注、模型訓練、仿真以及評價整個數據的閉環，從而從信號輸入到結果輸出都能夠在計算環境里去實現。第三件事，依托于阿里巴巴的資源，我們建立了強大的模型訓練和仿真回歸的平臺，能夠高效地對數據進行處理。這三個方面的工程能力是AutoDrive平臺能夠使用的必要條件。

受到美軍作戰思路的啟發，阿里巴巴做了一個叫自動駕駛數據中臺的平臺。類似于為美軍作戰提供火力支援的飛機部隊和導彈部隊。中臺就像每個作戰團隊后面強大的戰略資源。自動駕駛數據中臺應符合兩個條件：第一，實現資源的共享，所有的團隊，所有的開發人員，都能夠獲得相應的資源。第二，資源必須非常強大，非常全面，是能夠解決問題的資源。

阿里巴巴的數據中臺能夠實現場景庫的共享、所有數據的共享、系統工具的共享以及技術的共享。所以每個開發人員能夠很方便獲得已有的信息，并且平臺里也包括各種工具，包括訓練工具，包括Bug的追溯工具等等，能夠讓工程師以更高的效率開發算法。

筆者認為，要產生自動駕駛研發的化學反應，必須有三個要素：第一個要素是場景，根據“No Free Lunch”理論，我們需要對這個場景進行精細化的分類，把一個復雜交通場景的問題分解為數個，或者是幾百個、幾千個更容易解的小問題。第二個是算法，當我們有了這樣的分解之后，對算法可以進行針對性的開發，去各個擊破，去處理每個場景。第三個是云平臺，這樣的算法開發在現有的模式下，對人工的要求非常高，所以我們提出要用計算換智能，找到自動化的方式，提升研發效率和質量。

最后還有一個問題，是計算能力，也就是芯片。最近幾年，人工智能芯片是一個關注度非常高的領域，但人們關注的更多是端上怎么進行快速推理的芯片，對于訓練芯片以及訓練集群的關注有點少?？赡芤恍┚W絡結構的搜索需要五千個GPU，但現在的芯片能力很難達到這種程度。

從某種程度上說，計算芯片、訓練芯片限制了我們對更高效訓練方式的研發，甚至說被發明，人們可能有很多更好的主意去訓練算法，但因為訓練芯片的限制，沒有辦法付諸于現實，所以這方面應該引起關注。