自動駕駛汽車訓練演算法的挑戰

我們曾在之前的文章《自動駕駛中常用的四類機器學習演算法》中提到，目前在自動駕駛領域主流的機器學習演算法有決策矩陣演算法、聚類演算法、模式識別演算法、回歸演算法等，在本文中，我們將討論這些訓練演算法目前所面臨挑戰。

眾所周知，現在的汽車都配備了大量的感測器，執行器和控制器。這些終端設備都由運行在ECU（電子控制單元）上的各種功能特定軟體驅動。機器學習軟體也是這一套系統中的一部分。在Uber事件發生後，越來越多人開始意識到自動駕駛汽車的安全性問題，在訓練演算法上仍存在這很多挑戰。

獲得卓越的檢測和預測準確度：自動駕駛汽車中使用的安全關鍵系統要求檢測精度遠高於互聯網行業。無論天氣狀況，能見度或路面質量如何，這些系統都需要完美運行識別。

規模的挑戰：深度神經網路，例如那些用於自動駕駛車輛的神經網路，需要一個令人難以置信的計算能力。另外，他們需要大量的數據集。神經網路需要接受有代表性的數據集的訓練，其中包括所有可能的駕駛，天氣和場境條件的數據。實際上，這轉化為PB級的培訓數據。

根據粗略計算，一組100輛裝有5台攝像機的汽車每年將產生超過100萬小時的錄像。這些數據需要被捕獲，從汽車運輸到數據中心，存儲，處理和用於訓練。重要的是，由於使用了監督學習演算法，因此數據也需要由人注釋。如果數據注釋團隊的規模不夠，標記每個行人，車輛，車道和其他細節可能成為一個重大瓶頸 影像數據處理的大小問題。

安全性：深層神經網路安全的主要挑戰之一是它們在所謂的敵對擾動下不穩定。相機圖像中的最小修改（例如調整大小，裁剪和照明條件的更改）可能會導致系統錯誤分類圖像。現行的ISO26262汽車安全標準沒有定義深度學習等自學習演算法安全性的方法。因此，由於當前技術的快速發展，仍然沒有辦法將安全性標準化。

GIF

如果模型失敗，調試和推導問題：機器學習從大量數據中學習並將模型存儲在一組複雜的特徵加權組合中。這種加權特徵的組合非直觀且難以解釋。

在機器學習自主系統中，訓練數據是所需規格的重要輸入。關鍵在於數據。訓練數據需要確保的幾個重要問題。例如：如何知道訓練數據是完整的？它是否包含安全關鍵性的所有方面，包括發生概率非常低的中度罕見事件？數據被正確注釋並正確建模等這都是未來訓練演算法所面臨的挑戰。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！