Waymo新开发AI系统，提高性能的同时还可降低成本

（文章来源：盖世汽车）

据外媒报道，近日，Waymo详细介绍了一个系统，即基于渐进种群的增强（PPBA）。该公司称，该系统提高了自动驾驶系统的性能，同时减少了训练所需的数据量。具体而言，PPBA提高了其汽车的目标检测能力，同时降低了成本，并加快了训练过程。

由于Waymo的汽车在现实世界和仿真中会遇到各种情况，因此工程师需要对Waymo全栈无人驾驶平台Waymo Driver的基础模型进行训练。而第五代Waymo Driver依赖于定制的激光雷达、摄像头和雷达，以及使其能够解释和响应传感器数据的算法。通常，要确保这些模型高度通用，需要收集大量不同的训练数据，并需要人工团队手动添加注释。而PPBA通过合成其他数据的方法，使大部分过程自动化。

PPBA从谷歌大脑项目AutoAugment获取灵感。AutoAugment使用各种图像增强操作，如旋转、剪切、图像镜像和颜色转换，来变形和转换数据。通过强化学习训练，AutoAugment为给定的样本集选择最佳增强策略，同时降低搜索策略的计算量。PPBA还以Waymo现有的数据扩展工作为基础。2019年初，该公司开始将谷歌大脑和谷歌研究算法RandAugment用于基于图像的分类和检测任务。Waymo称，其一些分类器和探测器的性能显著提高，包括分类陌生物体，如建筑设备和动物的分类器。

PPBA旨在提高激光雷达的检测能力。激光雷达通过激光照射和测量反射脉冲来测量车辆与物体之间的距离。除了3D空间信息，激光雷达传感器的日志还包含距离、运算强度和采样概率等参数。PPBA在一个点云增强搜索空间上运行，以发现为点云数据集设计的策略。该搜索空间包含8个操作，每个操作都与一个概率和特性参数相关。

这些操作分别为：原始数据样本（The original data sample）、真值增强（其参数表示采样车辆、行人和骑行者的概率）、随机翻转（random flip）、世界缩放、全局平移噪声（具有某些坐标上平移操作的畸变量参数）、截锥丢失（Frustum dropout）、截锥噪声（Frustum noise）、随机旋转、随机丢弃激光点。

受生物进化论的启发，PPBA从多个搜索空间开始，用后代模型取代表现差的模型，从而优化扩展策略。在每次迭代中，都采用在过去的迭代中发现的最佳参数。

Waymo声称，在实验中，PPBA实现了跨检测架构的性能改进，并节省了成本，因为其只需标记激光雷达数据就可进行训练。Waymo还表示，“实验表明，将自动数据增强用于激光雷达数据，可以显著提升3D目标检测，而无需额外的数据收集或标记。在基线3D检测模型中，该方法比没有使用增强算法的数据效率提高了10倍，使我们能够使用更少的标记示例训练机器学习模型，或以更低的成本使用相同数量的数据，以获得更好的结果。”

这并非Waymo首次使用AI来加速如数据增强和搜索等后端任务。此前，Waymo曾与DeepMind合作开发基于种群的训练（PBT）方法，成功地将行人、骑自行车的人和骑摩托车的人的识别错误率降低了24%，同时将训练时间和计算资源减少了一半。在一项试点研究之后，PBT被直接集成到Waymo的技术基础设施中。

最近，Waymo拉开了内容搜索的帷幕，利用类似于支持谷歌照片和谷歌图像搜索的技术，让数据科学家能够快速定位Waymo的驾驶历史和日志中几乎所有的物体。该公司表示，这使其系统取得了许多改进，例如能够检测到校车上的儿童即将踏上人行道，人们骑着电动滑板车，以及一只猫正穿过马路。
     （责任编辑：fqj）