自動駕駛軟件技術主要分為計算機視覺、行為預測以及路徑規劃。很多人誤以為，自動駕駛面臨最難攻克的技術在于計算機視覺，實則不然。過去十年里，隨著深度學習的廣泛應用，計算機視覺技術發展迅速。只要加以時日訓練模型，提供充足的數據，計算機視覺就可以探測大部分的情景。如今，自動駕駛的難題主要集中于行為預測以及路徑規劃。

針對行為預測以及路徑規劃，大部分自動駕駛公司采取的方法是將人類的駕駛習慣拆分成多個組成部分，把每一部分轉化為代碼，寫入自動駕駛車的“大腦”中。比如，如果要從行人后面超過去，就必須和行人保持一米距離。這樣的研發方法雖然最直接，但問題是，人類的駕駛習慣十分龐雜，如果一部分一部分地去開發，不但耗時耗力，而且永遠無法解決“長尾問題 ”。

這時，我們需要自動駕駛車自己去“主動學習”如何駕駛，將有限的人類提供的數據最大化。如果我們回憶小時候是如何學會騎自行車的，會發現其實大人們并不會告訴你到底該怎么騎，主要還是靠自己探索，最終習慣了也就熟練了。近年來，一些自動駕駛公司開始探索這一種方式，通過利用有限的人類提供的數據，“主動學習”駕駛。這就需要將大量的機器學習運用于行為預測以及路徑規劃。

機器學習的技術競爭就好像一場太空競賽，各個公司都在搶占這一領域。然而，大量的機器學習往往意味著高額計算成本與復雜的模型總結工具。

Cruise公司在去年年底的NeurIPS大會上分享了他們的機器學習方法，他們針對機器學習過程所打造的開發工具有一定的代表性。下圖是Cruise機器學習的基本流程。首先，通過駕駛獲得數據，找到駕駛中的錯誤或是值得深究的邊角案例。然后將這一小部分數據進行數據標識，作為數據的訓練集。新的數據用于訓練模型，更新的模型用于下一次駕駛。

看似簡單的流程，實現起來卻沒那么容易。駕駛的數據龐雜，工程師們需要一個可以快速將數據分類的方法。在下圖中，自動駕駛車正在嘗試做無保護左轉。根據其他車輛的駕駛路徑，我們可以將他們的概率總結為三種，也就是圖中的三種顏色。

在計算概率的基礎之上，我們還需要利用路徑對概率的”性質“做出語義判斷，用機器對數據直接進行標識。

另外，路徑的分類需要與高精地圖相結合。比如，利用相似性搜索功能，工程師們可以迅速找到所有類似的交叉口，找到相似路口之間的細微區別，針對該道路類型集中訓練。

模型訓練之后，工程師們需要一個工具，對比多個模型的訓練結果，對模型進行“內省”，讓機器學習變得可以被解釋（interpretable）。在下圖中，工程師可以觀察模型不同參數的表現情況。

路徑數據也可以與高精地圖相結合，讓路徑預測的結果顯而易見。在下圖中，箭頭的粗細代表選擇該路徑的車的數量。綠色代表路徑預測正確，黑色代表預測錯誤。

另外，Cruise已經將他們的可視化工具開源，有興趣的朋友可以參考。

在肺炎疫情期間，各公司雖然無法上路測試采集數據，但是可以利用這段時間認真開發這些工具。等路測恢復后，就可以馬上將模型訓練結果投入使用。