衛弗開發機器學習模型能同時駕駛家用轎車和小型貨車

總部位于倫敦的無人駕駛汽車初創公司衛弗已經開發出一種機器學習模型，既可以駕駛家用轎車，也可以駕駛小型貨車。這是同一個“人工智能司機”第一次學會駕駛兩種不同類型的汽車。

不到一年前，衛弗曾展示了它在倫敦街道訓練的人工智能可以在英國其他四個城市開車。這項任務充滿挑戰，通常需要進行大量的重新設計。

衛弗技術副總裁杰夫·霍克說：“這就像你到一個新地方租了一輛車，你可以立即上手。”

這一進展表明，衛弗訓練自動駕駛汽車的方法，很可能會幫助它領先Cruise、Waymo和特斯拉等訓練深度學習模型從零開始的公司，以實現更快地擴張。

衛弗的體量比其規模更大、資金更充足的競爭對手要小得多，但它是新一代初創公司的一份子，其中還包括Waabi和Ghost公司。它們有時也被稱為AV2.0，即拋棄了第一代無人駕駛汽車公司所接受的機器人思維——依賴超級詳細的3D地圖和單獨的模塊進行傳感和規劃。相反，這些初創公司完全依靠人工智能來駕駛汽車。

機器人技術已經將無人駕駛出租車帶到了鳳凰城和舊金山的少數幾條街道上——但成本巨大，而且幾乎沒有跡象表明這些服務將在短期內擴展到試點之外。

衛弗和其他公司希望改變這一現狀，在自動駕駛領域復現深度學習在計算機視覺和自然語言處理方面的作用，使人工智能能夠更好地適應不熟悉的街道和場景，而不必更新復雜的地圖或維護軟件系統。

我參觀了衛弗在倫敦的總部，查看了該公司停在現有捷豹I-PACE車隊旁邊的新Maxus e9面包車。

這款面包車配備了與汽車相同的6個網絡攝像頭大小的傳感器，但它們的位置更高，角度也不同。

這意味著模型的輸入——來自每個攝像頭的視頻——在不同車型上是不一樣的，但人工智能已經學會了從任何一個視角來獲取信息并控制車輛。

人工智能還必須適應面包車更大的尺寸和重量。它的轉彎機制也有所不同，而且需要更長的時間才能完全剎停。

控制汽車和貨車方向盤的人工智能可能是相同的，但它做出的決策需要以不同的方式進行。

在貨車的引擎蓋下，一堆電線和定制的計算機部件將模型的指令傳達給它所控制的車輛。

衛弗的人工智能模型結合了強化學習和模仿學習，兩種技術復制了人類駕駛員的行為。

它使用了數千小時的駕駛數據來訓練模型駕駛汽車。該公司首先訓練人工智能模型駕駛面包車，這只用了80個小時的數據。

這讓研發團隊感到驚訝。衛弗的科學家貝基·戈德曼說：“當我們開始這個項目時，我們不知道需要多少數據才能使系統泛化。”

但研究結果表明，該模型可以比預期的更快地適應新車。衛弗還發現，學習駕駛貨車可以提高模型在汽車駕駛方面的表現。

一旦模型能夠在模擬環境中駕駛貨車和汽車，衛弗就把它帶到了路上。娜奧米是衛弗的安全操作員，她會在車輛行駛時坐在駕駛位上。

她承認在面包車第一次行駛時會感到害怕：“當我第一次坐在車里并行駛到街道上，我的感覺就和駕校教練一樣。”

但這輛面包車很好地應付了倫敦狹窄的街道，順利地通過道路、人行橫道、公共汽車和路邊停著的車。

總部位于加州山景城的Ghost公司的杰伊·吉拉克對衛弗的演示活動印象深刻，并且認同該公司的整體觀點。吉拉克說：“機器人技術的方法并不是實現這一點（自動駕駛）的正確方法。”

但他并不認可衛弗全部使用深度學習的思路。Ghost公司訓練的不是一個大型模型，而是數百個小型模型，每個模型都有專門的功能。

然后由工程師手動編輯簡單的規則，告訴自動駕駛系統在何種情況下使用哪種模型。Ghost的這種方法與另一家總部位于以色列的AV2.0公司Autobrains的方法類似，但Autobrains還額外使用另一層神經網絡來學習規則。

Ghost公司的聯合創始人兼首席執行官沃爾克馬爾·烏利格表示，將人工智能分成許多更小的部分，每個部分都有特定的功能，可以更容易確定自動駕駛汽車的安全性。

“在某個時候，一定會有什么事情（事故）發生，”他說，“法官會要求你指出代碼里面的規定：‘如果有人在你（A I）面前，你（AI）就必須剎車’，這段代碼必須存在。”烏利格說，這段代碼當然也可以通過學習得到，但在像Wayve這樣的大型模型中很難準確定位。

衛弗希望制造出能夠在高速公路上自動駕駛的消費類汽車；它也希望成為第一家將無人駕駛汽車部署在100個城市的公司。

衛弗目前正在與英國雜貨巨頭Asda和Ocado合作，從他們的城市送貨車上收集數據。

然而，從許多方面來看，這兩家公司都遠遠落后于市場領導者。競爭對手Cruise和Waymo已經積累了數百小時的實際運行經驗，并且已經在少數地方向公眾提供無人駕駛出租車服務。“我不會弱化我們面臨的挑戰，”霍克說，“自動駕駛行業教會了我保持謙遜。”