Google 系两公司联手，要让无人车少“犯错”

 

在无人驾驶汽车还未普及之前，它必定要经过无数次的算法训练和测试，才能保证其安稳上路。

训练算法的最简单方法是反复试验，然后一次次地调整，以创建出最好的结果。但是微调的时间太长，调整部分太多，训练结果变化也很大，还需要有经验的研究人员亲自找到最佳模型。

这也是自动驾驶公司的工程师和数据科学家面临的最大难题。

他们希望训练出一个 AI 模型，让无人驾驶汽车可以保持 99% 以上的障碍物识别率。

这两家公司可以说是一对「表兄弟」，都归 Google 母公司 Alphabet 所有，在这项合作中，DeepMind 为 Waymo 提供了一种被称为「基于人口的训练（Population Based Training，简称 PBT）」的 AI 技术，这项技术能让 Waymo 的算法训练不那么「密集劳动」。

PBT 的灵感来自于达尔文的进化论，由 DeepMind 在 2017 年开发。

Waymo 之前的算法是一个模型接受一个任务来不断优化，而 PBT 是由多个随机变量启动的机器学习模型，以一种进化的方式相互对抗，只有最优的才会留下来。

因此 PBT 的模型不需要重新训练，它会自动更新出更好的参数值。为了让 PBT 长期保持优化，DeepMind 还创建了更多样的模型与之竞争。

DeepMind 还凭借着 PBT 训练机器人，让机器人在《星际争霸》等游戏中击败了人类玩家。

Waymo 团队看到了它在自动驾驶上的潜力，并通过一个虚拟司机「驾驶」Waymo 进行了试验。结果发现，使用 PBT 的算法，计算资源减少了一半，训练时间缩短了一半，Waymo 的性能水平也达到了最高。

领导该项目的 Waymo高级软件工程师 Joyce Chen 表示，与 Waymo 之前的算法相比：

这项技术不仅改善了我们算法中的数据标签流程，还让 Waymo 无人车检测行人、骑行者、驾驶者、植被、道路的误报率降低了 24％。

现在，Waymo 已将 PBT 纳入了技术基础设施中，研究人员点点按钮就能应用该算法，DeepMind 每隔 15 分钟就会对模型进行一次评估，以让测试结果更适应真实世界。

而对消费者来说，我们未来无疑也能坐到更安全的自动驾驶汽车了。