接上期……
在典型的自动驾驶控制回路中，具体的算法落地可以是以下不同的两种落地模式：
图片的（a）部分是广为流行的分体式自动驾驶体系实现，而（b）是在AI技术应用于自动驾驶行业之后才出现的所谓“端到端”自动驾驶体系实现。关于端到端的自动驾驶体系，在我们之前的文章中曾经有过涉及，不是我们今天的重点。但无论分体式还是端到端的自动驾驶体系，其本质在当下都是和机器学习紧密结合的，这是没有差别的。在“分体式”的自动驾驶算法当中，核心的功能模块包含：
-
Perception and Localization/感知和模式识别以及定位模块；
-
High Level Path Planning/高层次的路径规划模块；
-
Behavior Arbitration/低层次的行为决策模块；
-
Motion Controllers/运动控制模块；
以上四大软件功能模块最终会驱动目标车辆进入自动驾驶状态，需要关注的是，独立存在的Safety Monitor监控模块现在已经被广泛接受，不论在“分体式”还是“端到端式”，两种自动驾驶体系都需要人类指定的安全准则保驾护航。本质上，这和阿西莫夫鼎鼎大名的“机器人三原则”非常类似，如果可以针对不同的模块建立人类经验为准绳的安全准则（必须合理），则可以在相对处于“黑盒”状态的机器学习外围增加安全防护边界，在数据训练领域（在理论上），永远也无法穷尽实际道路状况的前提下，最大限度去保证车辆乘客和路人的安全。举个实际的技术实现案例，很长一段时间来，视觉识别的领先者MobileEye一直在坚持的RSS模型即是一个良好的Safety Monitor模块的实现。从本质上看，Responsibility Sensitive Safety/责任安全模型是将人类对于安全驾驶的理念和概念转化成为数学公式和计算方式，用以界定什么样的驾驶行为才是安全的驾驶。
而对于我们今天的话题来说，我们关注的正是Tesla Autopilot自动驾驶算法中的“感知和定位模块”的具体实现。
在2019年4月份的特斯拉自动驾驶开放日活动当中，Autopilot部门的技术负责人在Musk的压阵下，系统性地阐述了Tesla在感知模块和数据搜集体系上的建设成果。其中有很多有价值的信息可以让我们管中窥豹。
毫无疑问，Tesla Autopilot的算法实现是依赖其背后的神经网络的，全新的FSD硬件保证了在每一辆行驶中的Tesla车辆上，有充分的计算力去执行足够快速的模式识别计算。但是这个计算的准确性，却需要具体的“模式识别模型”的保障。因此模式识别的准确性和完备性，即构成了不同厂家/不同算法之间最大的能力差距分水岭。
对于特斯拉来说，上图明确显示了其位于“模式识别模型”建立领域绝对领先地位的技术保障，即超级的数据规模、变化多样的数据覆盖度和绝对真实的场景数据捕获。这几点归根结底都是依赖于庞大的、现实存在的Tesla车队（高于100万辆）。
目前特斯拉车队的活跃度主要集中在北美、欧洲（西欧和北欧）和亚洲（东亚），特斯拉的庞大数据库建立也基本是依赖这三个市场。如果我们以一个实际的“稀有案例”为例，可以选择如下图所示：
在Tesla车辆每天上报的视觉捕捉信息中，极端特殊的“稀有案例”受到特殊的关注。上图中表现出Tesla的车载前置摄像头捕捉到一辆运动自行车悬挂在一辆机动车的尾部，并且特斯拉地机器学习方法按照标准的视觉识别算法将其分类为机动车辆（红色框）和自行车（黄色框）两种。对于横穿马路的自行车和行人，自动驾驶算法会非常敏感，不论是识别模块还是运动控制模块，都会特别关注类似场景以避免严重的交通事故。因此，这种罕见的“稀有案例”将会被特斯拉的自动驾驶训练算法特意标注：自行车目标体在没有径向速度（或者轮胎不接触地面）、且轴向速度和背景关联的车辆目标体一致时，将会被学习为新的目标体“车辆挂载自行车”目标体。对于“车辆挂载自行车”的组合目标体，经过特定训练的Tesla Autopilot自动驾驶算法将不再犹犹豫豫，而是按照正常的机动车行驶规则进行自动驾驶。
类似的“稀有案例”除了训练自动驾驶算法本身，还在Tesla的云平台上被用来实现具体的“离线算法”，离线算法将会通知所有在线的Tesla车辆，在本地如果发现类似的场景，应当及时上报。因此Tesla的云中心最终可以在一个可接受的时间周期内获取大量的类似场景，则理所当然，针对类似组合体的算法判断将会日趋完善，直到达到具体的商用标准。
这是特斯拉独一无二的庞大车队和技术优势。
后续我们依然会沿着Tesla的技术实现，去分析Autopilot的具体实现，敬请期待下文！
车右智能
info@co-driver.ai
备注：
1 题图来自于互联网搜索结果，https://manofmany.com/rides/cars/reverse-barking-tesla-dog-mode；
2 插图1来自于elektrobit.com的技术报告《A Surveyof Deep Learning Techniques for Autonomous Driving》；
3 插图2345皆来自于特斯拉自动驾驶开放日的公开宣讲资料。
