Waymo开发人工智能系统 提高自动驾驶系统性能并降低成本

盖世汽车讯 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。