Waymo 的自動駕駛出租車「Waymo One」已經上線了，現在美國亞利桑那州鳳凰城的居民可以像叫個滴滴一樣用手機 app 打來一輛自動駕駛汽車。這些高度智能化的無人車使用的是哪些技術？最近這家谷歌旗下的公司終于公開了自己的第一篇論文，介紹了 Waymo 自動駕駛算法的細節。

Waymo近日發表了一篇關于名為ChauffeurNet的模型的論文ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst，該模型嘗試用模仿學習駕駛汽車。ChauffeurNet 模型希望能更接近人類的駕駛，與傳統的robotics approaches形成鮮明對比，駕駛方式就像a robot。

ChauffeurNet 與典型的端到端方法不同。有一個單獨的感知堆棧來處理傳感器輸出（激光雷達和相機），然后將其作為輸入饋入模型，同時預測目標和預先計算的路線。

當面對交通規則（停車標志，交通信號燈等）時，典型的端到端方法（輸出原始控制命令的原始傳感器輸入）會很困難。ChauffeurNet的目標是在這個問題上取得進展，以產生一個更像人類的驅動程序，可以處理復雜的場景。

ChauffeurNet 方法使用了地圖，但與傳統自動駕駛汽車截然不同，可想而知谷歌地圖比物理世界的點云要多很多。由于所采用的這些方法（主要是感知），ChauffeurNet 與基于單個相機的端到端模型沒有可比性，可以將其視為傳統運動規劃模塊的潛在替代品。

在傳統的規劃模塊中有許多算法，這些算法決定了車輛沿路線的確切路徑，以及相對于其他車輛的速度和距離。ChauffeurNet試圖通過觀察真實和模擬數據（包括地圖、周圍目標、交通燈狀態和汽車過去的運動）學會了生成駕駛軌跡。

該模型接受了為期60天的現實“專家駕駛培訓”，并試圖在仿真和真實場景中驗證以下場景：1.從錯誤路徑中回復，2.對周圍車輛微調，3.慢慢減速，4.停止牌和轉彎。

最初他們發現，只用3000萬個例子進行純模仿學習是不夠的，經常發現（模擬）汽車會與其他車輛碰撞或卡住。然而，他們通過模擬異常場景則顯著改善了模型性能，比如讓模型出現一些碰撞、脫離等行為，新模型的碰撞率僅有為10％。他們還在真實車上測試了該模型，從模擬到真實的難度可想而知。

Waymo 的模型在轉彎時的表現。圖源：Waymo

ChauffeurNet 在模擬環境中表現較好，它將損失和合成的示例都考慮在內，甚至還能繞過停泊的車輛，在信號燈由黃變紅時停下以及在其軌道上修復些微的偏差。在現實世界的私人試車跑道駕駛 Waymo 的克萊斯勒 Pacifica 小型貨車時，ChauffeurNet 成功地駛過了彎道，并正確判別了停止信號和轉彎。

ChauffeurNet團隊的認為“該模型還不能完全與運動規劃方法競爭，但我們認為這是機器學習駕駛模型向前邁出的一大步。”

這種使用損失來微調規劃，完成避障的方法給眾多研究者提供了一種全新的思路。