現階段，自動駕駛浪潮正席卷全球，各大車企都在積極研發汽車的自動駕駛功能，但各自采用的方向卻并不相同。

與谷歌、Waymo等自動駕駛公司不同，特斯拉堅持走純視覺路線，即使用成本更低的8枚攝像頭進行識別。

低成本的硬件在幫助特斯拉獲取大量數據上起到了至關重要的作用。而特斯拉使用PyTorch語言編寫的系統可以自動處理數據并對自身進行升級。特斯拉的自動駕駛之所以能夠快速的迭代，正是因為軟硬件的完美結合。

日前特斯拉的人工智能和計算機視覺主管Andrej Karpathy做了一個10分鐘左右的演講，介紹了特斯拉如何訓練其自動駕駛系統實現自我進化。

一、完善算法的關鍵 普及自動駕駛硬件收集車主海量數據

特斯拉的自動駕駛方案與其它公司不同，并不基于激光雷達或高精度地圖，而是采用由8顆攝像頭組成的計算機視覺系統，用攝像頭拍攝的圖像識別道路環境。

與此同時，特斯拉的所有的車型都搭載了自動駕駛硬件，并通過軟件更新的形式向車主逐步開放其自動駕駛功能，這樣，特斯拉就可以獲取大量的真實數據。

截至目前，特斯拉的Navigate on Autopilot（自動輔助導航駕駛系統）已經在全球 50 個國家累計行駛里程 16 億公里，自動變道 20 萬次。

智能召喚功能也已經推送到全球多個地區，車主實際完成了超過 50 萬次車輛召喚。

二、使用PyTorch語言實現自我進化 提高數據處理效率

這些數據如果通過人工進行處理，難以想象需要多少時間。Andrej Karpathy 在這里引入了PyTorch和Torch的概念。

據了解，Torch 是一個基于 BSD License 的開源機器學習框架，主要用于圖像和視頻的深度學習。

而PyTorch，是使用 Python 語言編寫的Torch機器學習框架 。相比Torch，PyTorch擁有了更高的編譯和運行效率，為特斯拉的自動駕駛系統奠定了良好的基礎。

基于PyTorch，Karpathy的團隊開發了一個內部戲稱為“假期計劃”的計算機自我訓練系統。使得特斯拉的自動駕駛系統不光能夠收集數據，甚至還能夠對數據進行處理并實現自我進化。

這就對系統的數據處理邏輯及處理速度有著極強的要求。Karpathy為我們闡述了這套系統是如何工作的。

首先，該系統會把收集到的圖像解構成多個獨立的物體，如紅綠燈、路緣石、道路標識、移動物體等。而所有這些數據組合起來，就可以完整的描繪當前道路的信息。

接下來，每個物體的數據都有相對應的處理器進行分析處理。這些處理器的數據處理是協同進行的，以避免數據之間相互孤立。微觀上，系統能夠監測某一物體的各項數據；宏觀上，系統能夠把各物體的數據進行匯總，良好的還原當時的道路情況。

三、數據互聯協同分析 多傳感器宏觀判斷路況

Karpathy還介紹了該系統的一個特點：汽車的8個攝像頭也是協同工作的。在很多情況下（例如距離和深度的判斷），單張圖像無法提供足夠的數據量。而多攝像頭協同工作將有助于自動駕駛系統更好的理解該場景。

在車輛行駛的過程中，針對同一個場景，8個攝像頭會用不同的距離和焦距拍攝總計4096張照片。這些照片最終都會被以上述的方法進行加工處理。

特斯拉的這套訓練系統最終形成了一個多攝像頭，多傳感器共同協作的系統。這套系統不光能夠分析車輛外部的道路環境，還能收集車輛在應對各種情況時的處理及結果。

結語：軟硬件結合是特斯拉方案的關鍵

先用低成本的硬件完成普及，然后再用交付的硬件收集數據，最后用合理的編程語言訓練機器獨立處理數據，完成自我升級。特斯拉的每一步棋都下的精妙無比。

數據樣本大，數據處理能力強是特斯拉這套自動駕駛系統的兩大核心優勢。

根據這兩點，我更加看好特斯拉未來的全自動駕駛系統，但對于馬斯克給出的2020年特斯拉實現全自動駕駛的承諾，我持懷疑態度。

返回第一電動網首頁 >