接上期……
如果希望大规模降低自动驾驶神经网络在后台的训练成本，同时还不影响模型的训练速度和准确性，实际上Tesla需要解决的首要问题就是对于高价值场景（所谓的Corner Cases）“自动标注”的问题。
在特斯拉的自动驾驶开放日当中，自动驾驶神经网络的负责人给出了实际的案例，来解释Tesla的Autopilot算法中的“Cut-in”模块是如何搜集数据并完成自我训练的。
Autopilot算法当中，负责处理相邻车道的车辆“切入”动作判断/识别的模块是独立运作的。如果希望这个模块（或者说是模型）能够非常好地模仿人类的预判和分析水准，就需要提供大规模的实际道路数据去对它进行训练。
Tesla在这个模块上的做法如下：
1 车辆的前置摄像头将会捕捉前向所有车道的车辆信息，包括本道和临道；
2 车辆的前置摄像头（双目）对于所有视线范围内的运动车辆实体进行测量，测量数据包含车辆位置（相对于本车）和车辆速度；
3 一旦发生临道车辆的Cut-in/切入动作时，即临道前车的轮胎压线触发，则本次行为被本车判定为Cut-in动作，即图中显示红色框的时刻，并记录并上报云端服务器（是否实时上报不详）；
4 上报的数据中包含本次Cut-in动作完整的Pattern数据，比如：本车速度、位置，邻车速度、位置，车道线的变化（是否有车道合并或者分叉），红绿灯状态、邻车的前后车速度、位置………等等。
可以想象，Tesla庞大的现有车队，保障了以上Cut-in数据必然会发生大规模的上报。在这些大量的数据喂养之下，位于云端的Cut-in模块会迅速成型并不断进行自我完善。犹如人类驾驶员一样，如果这位隐藏在幕后的驾驶员算法看过足够多的车辆Cut-in场景，它就足够强大。同时，我们看到在这个Cut-in的模型训练过程中，几乎无需人工干预，自动化的目标识别技术可以准确识别每一个Cut-in场景中的结构化数据，尔省掉了人工标注的繁琐。
当把训练好的Cut-in模型下发到车队中的每一台车辆上时，Tesla采取了所谓的Shadow Mode的方式，来“离线”地对Cut-in模块进行校准。
Shadow Mode/阴影模式意味着，Cut-in更新的模型即便被下载到车队，也不会实际指挥Tesla的车辆执行实际的“换道”类别操作，包括“自适应巡航”和“换道超车”等标准的ADAS功能。而是活跃在后台默默进行相关判断。比如上图中，Cut-in模块在Shadow mode下工作，监控到右侧前方车辆之后（上图中的那辆车），会使用当前的模型来判断/预测目标车辆的动作趋势，并在合适的时机（时间和位置点）上给出最终的判断。如果这个对于目标车辆的Cut-in切入换道操作正确了，则无需上报任何数据；如果对这个目标车辆的Cut-in切入换道操作判断失误了（Negative），即上图中的有前方车辆并没有在指定时间和预测位置上切入本车道，则此数据被自动标识为Negative Sample而被送到云端，继续对Cut-in模块进行修正性训练，直到达到下一个可以接受的阶段，再次将模型下发车队。
因此，Shadow Mode状态中的模型训练数据搜集和判别，并不会实际生效，因此在训练过程中是安全的。而且总管整个模型训练——部署——ShadowMode激活——修正——矫正性训练——部署……这个闭环当中，可以看到人力资源基本是不消耗的，系统效率得到大幅度提升。【具体Cut-in模型为例的这些功能模块将在何时达到商用部署标准，并且具体存活在哪些当前的自动驾驶功能模块当中去，本文不做探讨。】
自动驾驶领域中，把模式识别交给神经网络，完成从学习到应用再到反馈和应用升级的闭环，这种做法目前是业内主流。从Mobileye派生出来的Tesla自主视觉识别体系延续这条道路并不意外。但Tesla车辆实际运营数量的绝对优势，给了Tesla独辟蹊径在更大的范围内扩展这个闭环的可能性，这是Tesla的绝对优势。
近期的专利曝光期内，又有Tesla的相关专利浮出水面，而且Tesla在神经网络模型的传递方式上也投入不少，包括收购同行业创业公司，目标只有一个，就是不断完善Tesla Autopilot自动驾驶算法大闭环的生存能力。
下期内容我们会介绍相关信息。敬请期待！
车右智能
info@co-driver.ai
备注：
1 题图来自于互联网搜索，http://st.motortrend.com/uploads/sites/5/2016/05/2017-Tesla-Model-3-2016-Tesla-Model-X-Tesla-Model-S-front-end-in-motion-02.jpg；
2 插图12皆来自于特斯拉自动驾驶开放日的公开宣讲资料。
