（文章來源：蓋世汽車）

據外媒報道，近日，Waymo詳細介紹了一個系統，即基于漸進種群的增強（PPBA）。該公司稱，該系統提高了自動駕駛系統的性能，同時減少了訓練所需的數據量。具體而言，PPBA提高了其汽車的目標檢測能力，同時降低了成本，并加快了訓練過程。

由于Waymo的汽車在現實世界和仿真中會遇到各種情況，因此工程師需要對Waymo全棧無人駕駛平臺Waymo Driver的基礎模型進行訓練。而第五代Waymo Driver依賴于定制的激光雷達、攝像頭和雷達，以及使其能夠解釋和響應傳感器數據的算法。通常，要確保這些模型高度通用，需要收集大量不同的訓練數據，并需要人工團隊手動添加注釋。而PPBA通過合成其他數據的方法，使大部分過程自動化。

PPBA從谷歌大腦項目AutoAugment獲取靈感。AutoAugment使用各種圖像增強操作，如旋轉、剪切、圖像鏡像和顏色轉換，來變形和轉換數據。通過強化學習訓練，AutoAugment為給定的樣本集選擇最佳增強策略，同時降低搜索策略的計算量。PPBA還以Waymo現有的數據擴展工作為基礎。2019年初，該公司開始將谷歌大腦和谷歌研究算法RandAugment用于基于圖像的分類和檢測任務。Waymo稱，其一些分類器和探測器的性能顯著提高，包括分類陌生物體，如建筑設備和動物的分類器。

PPBA旨在提高激光雷達的檢測能力。激光雷達通過激光照射和測量反射脈沖來測量車輛與物體之間的距離。除了3D空間信息，激光雷達傳感器的日志還包含距離、運算強度和采樣概率等參數。PPBA在一個點云增強搜索空間上運行，以發現為點云數據集設計的策略。該搜索空間包含8個操作，每個操作都與一個概率和特性參數相關。

這些操作分別為：原始數據樣本（The original data sample）、真值增強（其參數表示采樣車輛、行人和騎行者的概率）、隨機翻轉（random flip）、世界縮放、全局平移噪聲（具有某些坐標上平移操作的畸變量參數）、截錐丟失（Frustum dropout）、截錐噪聲（Frustum noise）、隨機旋轉、隨機丟棄激光點。

受生物進化論的啟發，PPBA從多個搜索空間開始，用后代模型取代表現差的模型，從而優化擴展策略。在每次迭代中，都采用在過去的迭代中發現的最佳參數。

Waymo聲稱，在實驗中，PPBA實現了跨檢測架構的性能改進，并節省了成本，因為其只需標記激光雷達數據就可進行訓練。Waymo還表示，“實驗表明，將自動數據增強用于激光雷達數據，可以顯著提升3D目標檢測，而無需額外的數據收集或標記。在基線3D檢測模型中，該方法比沒有使用增強算法的數據效率提高了10倍，使我們能夠使用更少的標記示例訓練機器學習模型，或以更低的成本使用相同數量的數據，以獲得更好的結果。”

這并非Waymo首次使用AI來加速如數據增強和搜索等后端任務。此前，Waymo曾與DeepMind合作開發基于種群的訓練（PBT）方法，成功地將行人、騎自行車的人和騎摩托車的人的識別錯誤率降低了24%，同時將訓練時間和計算資源減少了一半。在一項試點研究之后，PBT被直接集成到Waymo的技術基礎設施中。

最近，Waymo拉開了內容搜索的帷幕，利用類似于支持谷歌照片和谷歌圖像搜索的技術，讓數據科學家能夠快速定位Waymo的駕駛歷史和日志中幾乎所有的物體。該公司表示，這使其系統取得了許多改進，例如能夠檢測到校車上的兒童即將踏上人行道，人們騎著電動滑板車，以及一只貓正穿過馬路。
? ? ?（責任編輯：fqj）