|
|
从ADAS到主动驾驶，基于数据驱动的开发模式已经是明确趋势。但如何降低开发成本，仍然是最大的障碍之一。
本周一，以色列汽车人工智能公司Autobrains公布，获得1.01亿美元的C轮融资，来自克诺尔、宝马、大陆团体继承参与了本轮投资，主业务务涉及用于辅助和主动驾驶的自学习人工智能技术。
AutoBrains建立于2019年，是以色列初创企业Cortica和大陆团体建立的合资企业，此中，Cortica已经与瑞萨电子、丰田合作，将干系的技术集成到摄像头SoC芯片V3H。
从Cortica到AutoBrains，源于前者与大陆团体ADAS部分合作一段时间后，决定将汽车业务板块从公司剥离并建立AutoBrains，专注于汽车细分市场的业务拓展。
按照该公司的说法，自学习人工智能从根本上差别于现在普遍基于大数据驱动的深度学习系统，对海量数据的依赖较少，同时对计算能力的需求也较少。假如能够真正贸易化落地，这意味着汽车制造商、一级零部件供应商可以减少大量的训练成本。
通过减少人工标记来训练数据的需求，实际上已经成为不少企业办理现实问题的关键。比如，特斯拉推出的3D主动标签工具，被视为全主动驾驶功能开发的重要组成部分。
特斯拉的办理方案是，在软件中引入预增强成像，显示物体在差别情况中的表现。如许做的目的是希望软件能够对差别的情况变革做出正确的修正。而从2019年开始，Waymo也已经将主动数据增强技术应用到基于图像的分类和检测任务。
但显然，技术仍在不断突破，并寻求最优解。
一、“非监督学习”办理低成本刚需
特斯拉提出的3D标签技术，并称之为下一个里程碑式的技术，比以往的技术有两到三个数量级的标记效率的进步。比如，在车端进行实时推理（这在过去还不敢想象），包罗如何给数据主动贴上标签，加快训练神经网络。
作为软件工程师来说，剩余的1%（现有的算法模子已经可以处理99%的场景）仍然必须办理“边沿案例”的问题，这是在路上可能遇到的极其罕见的变乱，但足够造成庞大变乱风险。
只管这些变乱很少见，但仍必须办理它们，以进步主动驾驶汽车的安全性。而现有的深度学习算法还没有针对它在现实世界中可能遇到的每一种道路情况进行训练。
AutoBrains提出的办理方案是，人工智能引擎会在数百万个未标注的视频中进行筛选，在没有人工干预的情况下，找到共同的元素，来决定车辆如何针对差别路况做出最佳反应。
这是一种非监督学习，一种实时的、来自真实世界数据的学习方式。按照AutoBrains给出的数据，这种方式所需的计算能力也只有传统监督学习方式的十分之一。
这家公司早期通过在一只老鼠的大脑皮层测试，把电极毗连到皮质上，并发送音频和图像的电信号。他们发出的每一个信号都有一个特定的神经反应，也就是所谓的“数字署名”。
“每个物体都有本身的特征，”该公司干系负责人表现，通过将这些署名转换成数学算法，并将它们存储在数据库中。随后，计算机可以参考这些存储的署名，识别出物体或噪声。
假如他们打仗到新的特征，他们会主动学习，并将新的输入与存储在记忆中的数据进行比较，并找到相似的署名。这也意味着他们能够通过找到相似的特征进行无监督学习。
该算法知道特定情况下的典范反应是什么，这使它能够在极短时间内创建一系列变乱的反应场景，并试图避免“负面”的情况。而现有的深度学习是一种缺乏透明度的“黑匣子”，这种透明度对于分析涉及主动驾驶汽车的变乱原因至关重要。
和特斯拉、Waymo还需要利用庞大的后端数据中央来连续强化训练差别，AutoBrains的方式更得当大规模、低成本量产，更关键的是系统的更新可以在几分钟内完成，而不需要重新运行大量的训练数据，比如基于传统神经网络的方法。
按照AutoBrains的说法，这种颠覆性技术相对于传统深度学习的上风在于，它大大降低了对昂贵且容易出错的人工标记训练数据集的依赖。
而对于任何一项新技术，量产交付是唯一的实践证明。
从2019年开始，AutoBrains的母公司Cortica就已经将这种无监督学习技术，应用于瑞萨的R-Car V3H SoC，用于前置摄像头的低功耗、高效CNN IP，优化对象检测能力。目前，这套软件在瑞萨官网已经作为软件工具对外提供。
在本轮投资中，作为举世商用车制动系统的巨头，德国克诺尔投资了约2500万美元，持有AutoBrains约5%的股份。克诺尔看重的是，自学习人工智能技术需要更少的数据和算力，可以大大减少开发时间和成本，而独立于底层硬件的模式，机动性更高。
这意味着，ADAS及主动驾驶方案开发商不需要完全依赖芯片本身的能力，在克诺尔看来，思量到商用车市场的“离散”需求、强制法规以及车型多样化的现实状态，AutoBrains可以帮助其办理低成本“刚需”的匹配。
接下来，无监督人工智能技术也将是大陆团体在高级驾驶辅助系统（ADAS）和主动驾驶市场增长战略的焦点。这此中，就包罗大陆团体、克诺尔、AutoBrains三方在商用车智能驾驶市场的布局。
二、数据驱动算法实现闭环主动驾驶落地
而在业内人士看来，只有找到一种对海量图像、视频和其他传感器数据进行低成本高效训练的方式，才能真正推动主动驾驶的规模化贸易化落地。固然，类似AutoBrains、Helm.ai等公司的技术蹊径，并非唯一选择。
按照通常的逻辑，完全无人驾驶的最终实现，需要千亿公里的数据来发现长尾问题。思量到实际道路测试里程积聚的巨大时间成本，仿真模拟测试被行业视为办理问题的方案之一。
但事实上，仿真模拟只能是一种过渡方案和完备闭环开发的一小部分，要办理真实场景中的长尾问题，必须通过Data-driven（数据驱动）的算法才能高效办理。
原因是，基于传统规则驱动的算法框架，遇到一个问题，就需要人工设计对应的算法或参数予以办理；而数据驱动算法可以实现用统一的框架去办理大量的问题。
以常见的红绿灯感知算法为例，系统不但需要检测视野中红绿灯的位置和种别，还需要根据时序信息，对当前的红绿灯状态进行识别，如绿闪状态、黄灯状态等。
而常规的规则驱动算法，往往需要基于规则来决定红绿灯效果的连续帧状态输出，难以顺应不断扩展的蹊径上遇到的差别变革规律的红绿灯。
相对应的数据驱动算法，则只要输入时序的训练数据，就可以主动学习红绿灯的语义与状态跳转模式，而无需手工的调参和状态设计。同时，随着气候、光照情况的变革，算法可以随着数据的不断收集，不断自我进化，进步泛化性。
目前，在举世范围内，以Momenta为代表的公司正在通过“数据飞轮”+“两条腿”战略来摆设数据驱动算法量产应用。这家公司刚刚也公布了C+轮超过5亿美元融资，至此C轮累计融资额已超过10亿美元，团体融资额超过12亿美元。
这此中，首先办理数据问题。
比如，Momenta用Mpilot产品线与车企合作开发量产车型，获得海量真实道路的驾驶数据，然后不断训练和优化，进而实现L4级主动驾驶的进化和落地。
目前，Momenta已经和包罗上汽团体、通用汽车、丰田、梅赛德斯-奔驰在内的多家举世领先汽车制造商，及博世等一级供应商建立合作伙伴关系并获得战略投资。
此外，上汽智己首款高端智能电动汽车L7已经搭载Momenta“飞轮式”技术方案推进量产落地，预计将于2022年第一季度上市交付。
而在数据回流的基础上，闭环主动化处理是第二步。这家公司拥有一整套让数据流推动数据驱动的算法主动迭代的工具链，能主动筛选出海量黄金数据，驱动算法的主动迭代。
高价值样本接纳到云端后，系统会利用同时记录的观测效果对数据进行全主动标注。累积肯定命据后，可主动触发无人工干预的模子训练迭代，利用超大规模深度学习计算集群，在一天半内完玉成量数据训练。
这套全流程数据驱动算法，意味着可规模化，主动地办理罕见场景，可实现低成本，高速的系统迭代，并且类似的模式同时覆盖感知、融合、预测和规控等算法模块。
最新数据显示，Momenta当前版本的飞轮可以主动化地办理超过90%的长尾问题，研发效率相比于完全人工驱动的方式提拔了近10倍，并计划在2年内将这一数字提拔至100倍。
这家公司此前预计，到2022年可以实现全流程数据驱动的算法；到2023年，利用闭环主动化实现算法100%主动化迭代。2024年量产主动驾驶Mpilot大规模上路，通过数据回流，赋能完全无人驾驶MSD。
这此中，Mpilot与MSD基于统一硬件平台开发，前者主要包罗面向高速路/城市环路、泊车场景和城市道路的主动驾驶，并且基于高精地图众包方式实现多传感器融合高精度定位方案。
到2024年，Momenta的“两条腿”产品战略将完全打通。Momenta GO将实现单车盈利，完成贸易模式0-1的验证。同时，Mpilot大规模上路，量产数据大规模回流，实现数据和技术1-N的储备。
而类似AutoBrains、Momenta如许的技术型初创公司在本轮融资中继承拿到主机厂、一级汽车零部件供应商的投资，意味着，量产进程正在加快。同时，也代表汽车行业主流玩家对新技术的认可。 |
|
/1 
