【今日头条】欧洲杯足球网_欧洲杯网投-投注|官网：龚建伟：多元大数据迁移学习类人驾驶决策与控制技术
发布日期：2017-12-14 供稿：来源：今日头条 编辑：薛乔丹 审核：王征 阅读次数：
原文标题：欧洲杯足球网_欧洲杯网投-投注|官网：龚建伟：多元大数据迁移学习类人驾驶决策与控制技术
非常高兴有这么一个机会和大家一起分享，我今天演讲的题目是多元大数据迁移学习类人驾驶决策与控制技术。那为什么要提多元大数据呢？我们前面一直在说个性化的学习，就是如何利用一些小样本的数据来达到学习效果，之所以一直利用小样车数据，这实际上有一个障碍没有克服，那就是不知道怎么样如何去利用海量数据进行学习训练，数据量一多也就不知道怎么样处理了。现在我们的数据越来越多了，我们在进行数据采集时，单一行驶场景下的少量数据，我们很快就可以处理下来，用于机器学习也可以达到一定的学习效果。但是如果是一台车跑一天，数据量就非常多，那这些数据该如何利用，用来进行提升无人驾驶车辆的智能水平，如何进行学习训练？
小样本数据学习，就不可能实现持续的优化学习，还有可能会造成学习的负迁移，比如刚开始一个驾驶技术很好的驾驶员数据学习，但是又把一个很差的驾驶员的数据放进来的话，这个样本就可能把前面的训练结果损坏，那么怎么样去做这个工作？此外，成百上千个驾驶员，怎么样去实现自动驾驶智能水平的提升？数据如何采集？数据如何分类？怎么样分析这些数据，这是大量数据处理并用于机器学习时很关键的一个问题。
下面我结合一些研究实践来介绍我们数据来源。欧洲杯足球网_欧洲杯网投-投注|官网：机械与车辆学院车辆系有无人车技术工业和信息化的重点实验室、地面无人机动武器平台国防科技创新团队、电动车辆工程实验室、新能源车辆国家监管平台等，随着新能源车辆的发展，结合无人驾驶车辆领域二十多年的研究积累，我们有条件采集大量驾驶员行为数据，以后更可以把行驶场景数据结合起来？目前可以得到北京市部分公共交通车辆驾驶行为数据，再结合我们团队自动驾驶测试车辆数据，具备了进行大量数据学习研究的基本条件。
将来如果实现5G无线通信，目前这些研究成果就完全可以把道路场景、包括实时检测结果都放进来。类人驾驶行为学习的整体架构，也是我们准备了很长时间的问题，现在从环境数据到交通场景的理解、运动规划和车辆状态数据都能够结合起来，一方面进行基于我们前期的研究成果，进行基于模型的学习；另一方面我们也在尝试端到端的学习方法，但是目前端到端的输出结果，还不是确定性的，无法实现预期的输出，目前只是做一些简单的尝试。
在实现方法上，测试车辆具备自动驾驶能力，能够感知周围行驶场景数据，并把这些数据进行在线或离线的分析、提取，同时采集驾驶员操作控制信息，以及车辆状态特性数据。测试车辆并不一定需要自动驾驶，我们可以让驾驶员去开车，这样的话，就可以得到大量的样本数据，分析人类驾驶员在各种行驶场景下的行为决策和操纵控制。我们通过数据平台的采集，一直是利用单个驾驶员数据来进行学习，现在正在采集更多的驾驶员的数据，实现多元大数据的机器学习。
数据来源，一方面我们从大量智能驾驶测试项目开发工作中采集，另一方面利用实际道路和交通场景，进行有目的的人类驾驶员数据采集。可以直接采集，也可以利用网联车辆的数据。结合行驶场景，特别是地图数据，比如北京市北三环路段的数据，还有京承高速的数据，有了这些地图数据场景加上直接的数据来源，也可以做很多的机器学习工作。
近期我们完成了一些专线运营场景的示范运行，同时在一些测试试验场。
自动驾驶系统的构成，包括环境感知、规划决策与控制、人机交互、电动线控底盘等子系统。其中有一个很重要的问题，就是车辆如何实现精确定位，而且能够做到低成本，位置信息结合周围环境数据，对数据的学习利用非常重要。
常用导航定位方式有很多，包括标线/标志、卫星导航、航迹推算、地图导航等。每一种导航定位方式都有自己的优缺点。视觉车道线检测受环境影响较大、卫星定位则容易受到遮挡和多路径效应影响，比如桥洞、隧道、楼群等场景就可能没有信号，还有航迹推算大部分情形下需要用高精度惯导，成本太高，也不是非常合适的定位方式。如果自动驾驶系统的决策规划与控制技术完全依赖高精定位，那就无法实现了。
再就是高精度的地图，如果不是长期运营，成本也非常大，目前我们可以用数据采集的工作，后期处理工作较多，更多是依靠人工处理。同时要进行精定位数据我们都要进行定位的工作，还要进行精确的测点，例如用人工每一个点定位五分钟，就可以得到该点较为精确的坐标，找几个点能够形成所谓的定位闭环，定位精度可以就高了。
我们之所以要特别强调定位，因为我们数据学习对位置高精度的依赖性比较高，较高的位置精度可以充分利用车载传感器的检测信息，方便离线处理。最终的方案实现多源信息的综合定位，充分利用激光雷达、视觉传感器等信息，结合地图定位，包括矢量地图、特征地图和点云地图，实现低成本的精确定位。
目前关键技术问题是动态干扰对定位结果影响比较大，解决这个问题，有可能形成一套低成本的定位系统，目前的高清度卫星惯导组合导航定位系统动则五六十万。
其他交通要素的检测，包括周围车辆检测，目的是对周围车辆的行为进行分析。样本数据中其他车辆的换道等行为，对本车行为决策结果是会有影响的。自动驾驶车辆如何和周围的车辆进行协作，目前的工作还是比较肤浅的。比如是有人驾驶时候，我们一个手势就可以做到交互了，但要机器去理解这些情景就非常困难，今后有可能通过车车交互数据去实现。
另一个数据来源是仿真数据。这些仿真数据包括超车换道等行为数据。仿真数据也可以是完全的由软件来做，目前我们的仿真架构和嵌入式的软件完全是一模一样的。
道路模型、地图属性是环境模型的重要组成部分，我们在学习的样本里面都是需要用到数据模型，包括这些数据和环境检测识别结果。还需要结合车辆网联数据，网联信息例如路基的红绿灯信息通过广播，自动驾驶车辆得到路口数据，能够实现自动速度规划和避让，从节能和交通效率优化的角度来进行评价。
在共性优化基础上的个性化，所谓的个性化，我们希望每一台自动驾驶车辆，能够学会每个驾驶员的优点，经验和知识越来越丰富。同时能够适应某个驾驶员特定的驾驶风格，实现所谓的个性化。
我们现在要实现多个驾驶员在多个场景下的学习，对这些数据的处理，首先是基元建模。提出了一个驾驶基元的概念，我们把所有的数据分为一个一个的数据基元，可以把各种甚远数据进行组合，通过组合优化，就可以实现其他的场景的迁移。比如说一个道路的环境，我可以根据道路的曲率和弯道分几种基元，通过驾驶员的操控数据，把基础的基元利用起来，再把这些基元进行组合，我们就可以进行相应的学习。这是包括了横向、转向、纵向的速度可以对应起来，再和环境的数据对应起来，很多的数据都可以进行不同的组合优化。
一些非常简单的场景，也在做端到端的场景输出，这个还很不靠谱，所以目前我们主要是基于学习的模型来做，希望可以做出比较好的水平。
那关键的问题，组合优化的算法怎么样达到比较好的学习效果，怎么样实现在不同的场景里，有一个度量和迁移的关系，分层的进行学习，包括一些端到端的方法进行学习、仿真和构建。
这是我们整个的基元的提取，到基元的迁移和组合的优化，目前已经走了两三年的时间了，这对于整个后续系统的提升会有很大的帮助和提升。
我今天就先分享这些，谢谢大家！
分享到：
