自动驾驶需要新的算法
搜索面临的是一个结构化的文本数据，但自动驾驶面对的环境更复杂，遇到的也是完全不一样的数据：更多图像，更多传感器回传的复杂数据。比如 Lidar（激光雷达），传回来的激光点云；radar （雷达）传回来的是探测结果数据；camera （摄像头）传回的影像数据。更多现实环境的数据引入，让整个数据变得更加复杂，规模更大，所需的计算资源也更多。这时候我们需要更多、更新、更快的新的深度学习算法。在过去的一两年，我们看到自动驾驶所需要的数据、算法和计算的能力，都在不断地提高，这也让自动驾驶更快速进入这个时代。
针对自动驾驶，有很多新的算法出现，百家争鸣，各不相同。但我认为现在自动驾驶还处在一个相对比较早期的阶段。如果对这个行业有所关注，你可能会看到不管是创业公司还是成熟公司，他们都演示过自己的自动驾驶技术。他们在车上搭载的传感器都不相同：激光雷达、毫米波雷达、超声波雷达、前视摄像头、环视摄像头、黑白摄像头、彩色摄像头等等。各种传感器不同，数量也不一。你会发现这些自动驾驶汽车与现实世界的汽车非常不同。当然，不同场景所需要的传感器、所要求的算法复杂度或者算法的种类也不同。比如，以图像为主的解决方案，要处理图像的数据，我们会选择更加主流的卷积神经网络，它对图像定型计算、目标识别、语义分割比较在行。
对 Lidar、radar 这种数据量要求更大的传感器，我们肯定需要不同的深度学习算法。但如果我们的目标是希望自动驾驶尽快到来，就必须考虑一个非常现实的问题：用什么样的传感器才能让自动驾驶更快到来？我们的一个答案是：用更便宜、更成熟的传感器，用更先进的深度学习算法来实现自动驾驶。
Road Hackers：阿波罗计划的一部分
我们在这方面的实践： Road Hackers，这是基于深度学习的自动驾驶解决方案。我们的目标是通过一个消费级摄像头、深度学习算法实现自动驾驶。当然，这是我们最苛刻的一次实践。我们不可能只依赖这一个方案实现自动驾驶，未来我们还是需要雷达或者其他传感器。但如果我们今天对最苛刻的环境，实践得更多，要求得更严，那在未来，自动驾驶对整个汽车的安全和扩展性也会更方便。所以我介绍的这个实践，就是通过一个传感器、深度学习的算法和过去我们积累的大数据来实现自动驾驶的。秉着这样一个想法，我们在去年开始了一系列调研工作。在这个过程中，我们发现在过去的积累中，我们做了一件非常了不起的事。
2013 年，当时我还在百度地图部门，那时我们升级了所有的地图采集车辆，让所有的地图采集车辆都用上了最先进的传感器设备。在地图采集的过程中，我们记录了所有影像，记录了采集车上司机所有的驾驶行为，包括转方向盘、踩油门、踩刹车的行为。去年，我们发现了这个宝藏。
红色的线代表方向盘转向的角度。绿色的线代表用算法预测出的司机对方向盘的转动
我们每天都有几百辆采集车在全国各地行驶，每年整体的采集里程达到数百万公里。我们开始用深度学习和机器学习的算法去挖掘这些数据和行为。这是我们在今年 1 月份美国拉斯维加斯的 CES 上正式发布的视频（如上图）。在这张图上，我们预测的行为和司机实际驾驶行为，在方向盘转角上已经相对接近。
当然，我们也意识到，这样的宝藏只靠我们去挖掘和实现是有限的，我们的速度还不够快。所以我们将这套数据开放出去：今年 1 月，我们开放一万公里的 Road Hackers 原始数据，包含了采集车上收集到的所有数据，遇到的所有天气：不管是晴天、雨天、阴天、雪天；不管是在一条扬长大路、一条曲径小路、风景秀丽的景区、还是在满地都是泥泞的道路。
3 4
