免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

4、實驗結果

我們看到純模仿學習模型是如何在停著的車輛周圍無法移動，并在偏離軌道時卡住的。通過一系列的綜合例子和輔助例子，ChauffeurNet的模型現在可以成功地繞過停著的車輛（1），并從軌跡偏離中恢復過來，沿著彎曲的道路（2）平穩地繼續前進。

1

2

在下面的示例中，我們將在模擬器的閉環設置中演示ChauffeurNet對日志示例中正確的因果因素的響應。在3的動畫中，我們看到ChauffeurNet 代理在停車標志（紅色標記）前完全停止。在4的動畫中，我們從渲染的道路上移除stop－sign，并看到Agent不再完全停止，從而驗證網絡正在響應正確的因果因素。

3

4

動圖5中，我們看到ChauffeurNet代理停在其他車輛（黃色框）后面，然后在其他車輛前進時繼續前進。動圖6，我們從呈現的輸入中移除其他車輛，看到代理自然地沿著路徑繼續，因為它的路徑中沒有其他對象，驗證網絡對場景中其他車輛的響應。

動圖7中，ChauffeurNet代理停止等待交通燈從黃色變為紅色（注意交通燈渲染的強度變化，以車道中心的曲線顯示），而不是盲目地跟在其他車輛后面。

在模擬測試之后，我們將主計劃模塊替換為ChauffeurNet，并使用它在我們的私人測試軌道上駕駛一輛克萊斯勒Pacifica小型貨車。這些視頻展示了車輛成功地沿著彎曲的車道行駛，處理停車標志和轉彎。

動圖8演示了一個日志示例上PerceptionRNN的預測。回想一下，PerceptionRNN可以預測其他動態對象的未來運動。紅色的軌跡表示場景中動態物體過去的軌跡；綠色的軌跡表示每個物體在未來兩秒鐘內的預測軌跡。

備注：5、6、7、8的動圖都超過2M，壓縮了好久，剪輯都沒辦法達到微信要求的規格，所以請移步文后找到傳送門。后面的動圖是，越來越復雜，顯示出Waymo在這方面的思考和變量增加對技術要求的提升，從而訓練出更好的自動駕駛老司機。

5、總結

長尾理論、因果關系與終身學習

全自動駕駛系統需要能夠處理現實世界中出現的長尾情況。雖然深度學習在許多應用中取得了相當大的成功，但是如何處理缺乏培訓數據的情況仍然是一個懸而未決的問題。

此外，深度學習識別訓練數據中的相關性，但它不能通過純粹的觀察相關性建立因果模型，也不能在模擬中主動測試反應事實。了解“好司機”為什么會有這樣的行為，以及他們對什么做出了反應，這對于建立一個因果駕駛模型至關重要。

因此，僅僅有大量的“好司機”駕駛行為來模仿是不夠的，理解為什么可以更容易地了解如何改進這樣的系統，這對于安全關鍵的應用程序尤其重要。此外，如果這些改進能夠以增量的和有針對性的方式執行，那么系統就可以繼續學習和不斷改進，這種持續終生學習是機器學習社區中一個活躍的研究領域。

今天在Waymo車輛上運行的規劃器結合了機器學習和明確的推理，不斷評估大量的可能性，并在各種不同場景下做出最佳駕駛決策，這些場景已經磨練了超過1000萬英里的公路測試仿真數十億英里。

因此，用于替換Waymo規劃器的完全機器學習系統的標準非常高，盡管來自這樣的系統的組件可以在Waymo規劃器中使用，或者可以用于在模擬測試期間創建更真實的“智能代理”規劃師。

Waymo這次公布的是軟件方面的細節，我們希望Waymo在將來公布更多的細節，除了技術上的軟件細節，還包括硬件方案、成本以及Waymo One的運營細節。車智君將持續關注Waymo，這個自動駕駛領域最好的學習對象。