Alphabet旗下的自动驾驶子公司Waymo再创佳绩。2018年8月，其无人驾驶汽车在现实世界中的行驶里程超过了1600万公里（1000万英里）。2018年12月，该公司又推出了商用无人驾驶出租车服务Waymo One。但是该公司的研究人员将目光锁定在未来。
今天在Medium上发表的一篇博客文章中，研究人员Mayank Bansal和Abhijit Ogale详细介绍了一种人工智能驾驶员的培训方法，该方法可以以受监督的方式使用标记Waymo专业驾驶数百万英里的数据。（在这里，“监督”是指一种机器学习技术，研究人员会提供输入和期望输出的数据。）
Waymo无人驾驶
这篇文章表示：“近年来，使用大量标记数据的深度神经网络监督训练迅速改善了许多领域的最新技术，特别是在物体感知和预测领域，这些技术被广泛应用于Waymo。”文章继续表示：“随着神经网络在感知方面的成功，我们自然会问自己这样一个问题：我们能否使用纯粹的监督深度学习方法训练熟练的人工智能驾驶员？”
为了创建一个能够模仿专业驾驶员的系统，他们精心设计了一个神经网络――名字非常贴切，叫作ChauffeurNet（译注：“私人司机网络”）。该网络通过观察真实和模拟数据的组合，包括地图、周围物体、交通灯状况，以及车辆过往的运动学会生成驾驶轨迹。一个低级控制器将十点轨迹转换为转向和加速命令，让人工智能模型能够驾驶真实的和数字化的虚拟车辆。
Waymo无人驾驶
该模型获得了“相当于约60天的专家驾驶数据”样本输入，并使用技术确保它不会从过去的运动中进行推断，而是对环境中的变化做出实际应对。在测试中，它能够响应交通控制，如停车标志和交通信号灯，但是当暴露于前所未有的情况时它就表现不佳了，这也是可以预料得到的。
研究人员指出，问题在于从现实世界驾驶中获得的演示是有偏见的――只包含正常情况下驾驶的例子。为了教会网络应对边缘情况，该团队合成了意外和碰撞，并将后者同抑制结合，鼓励人工智能模型避免这种情况的出现。
ChauffeurNet在模拟环境中表现得更好，能够考虑损失和综合示例，甚至设法绕过停放的车辆，并在交通信号灯从黄色变成红色的时候停车等待，还可以从轨迹的微小偏差中恢复。让它在现实世界中驾驶Waymo的一辆克莱斯勒Pacifica小型货车，在一条私人试车道上行驶，它成功地沿着弯曲的车道行驶，并很好地应对了停车标志和转弯。
研究人员写道：“全自动驾驶系统需要能够处理现实世界中发生的长尾事件。”他们表示：“今天在Waymo车辆上运行的规划器综合使用了机器学习和明确推理，持续评估大量可能性，并在各种不同情况下做出最佳驾驶决策。因此，用完全机器学习系统取代Waymo规划器的门槛非常高，但是这样的系统可以在Waymo规划器中使用，或者可以用于在规划器的模拟测试中创建更真实的‘智能代理’。”
