卫弗开发机器学习模型能同时驾驶家用轿车和小型货车

总部位于伦敦的无人驾驶汽车初创公司卫弗已经开发出一种机器学习模型，既可以驾驶家用轿车，也可以驾驶小型货车。这是同一个“人工智能司机”第一次学会驾驶两种不同类型的汽车。

不到一年前，卫弗曾展示了它在伦敦街道训练的人工智能可以在英国其他四个城市开车。这项任务充满挑战，通常需要进行大量的重新设计。

卫弗技术副总裁杰夫·霍克说：“这就像你到一个新地方租了一辆车，你可以立即上手。”

这一进展表明，卫弗训练自动驾驶汽车的方法，很可能会帮助它领先Cruise、Waymo和特斯拉等训练深度学习模型从零开始的公司，以实现更快地扩张。

卫弗的体量比其规模更大、资金更充足的竞争对手要小得多，但它是新一代初创公司的一份子，其中还包括Waabi和Ghost公司。它们有时也被称为AV2.0，即抛弃了第一代无人驾驶汽车公司所接受的机器人思维——依赖超级详细的3D地图和单独的模块进行传感和规划。相反，这些初创公司完全依靠人工智能来驾驶汽车。

机器人技术已经将无人驾驶出租车带到了凤凰城和旧金山的少数几条街道上——但成本巨大，而且几乎没有迹象表明这些服务将在短期内扩展到试点之外。

卫弗和其他公司希望改变这一现状，在自动驾驶领域复现深度学习在计算机视觉和自然语言处理方面的作用，使人工智能能够更好地适应不熟悉的街道和场景，而不必更新复杂的地图或维护软件系统。

我参观了卫弗在伦敦的总部，查看了该公司停在现有捷豹I-PACE车队旁边的新Maxus e9面包车。

这款面包车配备了与汽车相同的6个网络摄像头大小的传感器，但它们的位置更高，角度也不同。

这意味着模型的输入——来自每个摄像头的视频——在不同车型上是不一样的，但人工智能已经学会了从任何一个视角来获取信息并控制车辆。

人工智能还必须适应面包车更大的尺寸和重量。它的转弯机制也有所不同，而且需要更长的时间才能完全刹停。

控制汽车和货车方向盘的人工智能可能是相同的，但它做出的决策需要以不同的方式进行。

在货车的引擎盖下，一堆电线和定制的计算机部件将模型的指令传达给它所控制的车辆。

卫弗的人工智能模型结合了强化学习和模仿学习，两种技术复制了人类驾驶员的行为。

它使用了数千小时的驾驶数据来训练模型驾驶汽车。该公司首先训练人工智能模型驾驶面包车，这只用了80个小时的数据。

这让研发团队感到惊讶。卫弗的科学家贝基·戈德曼说：“当我们开始这个项目时，我们不知道需要多少数据才能使系统泛化。”

但研究结果表明，该模型可以比预期的更快地适应新车。卫弗还发现，学习驾驶货车可以提高模型在汽车驾驶方面的表现。

一旦模型能够在模拟环境中驾驶货车和汽车，卫弗就把它带到了路上。娜奥米是卫弗的安全操作员，她会在车辆行驶时坐在驾驶位上。

她承认在面包车第一次行驶时会感到害怕：“当我第一次坐在车里并行驶到街道上，我的感觉就和驾校教练一样。”

但这辆面包车很好地应付了伦敦狭窄的街道，顺利地通过道路、人行横道、公共汽车和路边停着的车。

总部位于加州山景城的Ghost公司的杰伊·吉拉克对卫弗的演示活动印象深刻，并且认同该公司的整体观点。吉拉克说：“机器人技术的方法并不是实现这一点（自动驾驶）的正确方法。”

但他并不认可卫弗全部使用深度学习的思路。Ghost公司训练的不是一个大型模型，而是数百个小型模型，每个模型都有专门的功能。

然后由工程师手动编辑简单的规则，告诉自动驾驶系统在何种情况下使用哪种模型。Ghost的这种方法与另一家总部位于以色列的AV2.0公司Autobrains的方法类似，但Autobrains还额外使用另一层神经网络来学习规则。

Ghost公司的联合创始人兼首席执行官沃尔克马尔·乌利格表示，将人工智能分成许多更小的部分，每个部分都有特定的功能，可以更容易确定自动驾驶汽车的安全性。

“在某个时候，一定会有什么事情（事故）发生，”他说，“法官会要求你指出代码里面的规定：‘如果有人在你（A I）面前，你（AI）就必须刹车’，这段代码必须存在。”乌利格说，这段代码当然也可以通过学习得到，但在像Wayve这样的大型模型中很难准确定位。

卫弗希望制造出能够在高速公路上自动驾驶的消费类汽车；它也希望成为第一家将无人驾驶汽车部署在100个城市的公司。

卫弗目前正在与英国杂货巨头Asda和Ocado合作，从他们的城市送货车上收集数据。

然而，从许多方面来看，这两家公司都远远落后于市场领导者。竞争对手Cruise和Waymo已经积累了数百小时的实际运行经验，并且已经在少数地方向公众提供无人驾驶出租车服务。“我不会弱化我们面临的挑战，”霍克说，“自动驾驶行业教会了我保持谦逊。”