那我們?nèi)绾蝸眍A(yù)判呢？

預(yù)測的影響因素有過去的動(dòng)作、高度的場景語義、物體屬性和出現(xiàn)提示。我們考慮周圍的任何事物，比如有一個(gè)自行車想要通過，那么我們需要停下或者放慢速度讓它通過，這就需要提前計(jì)劃設(shè)計(jì)，做出安全的解決方案。同時(shí)，我們也要向周圍的人和物發(fā)出信號。

學(xué)校周圍的場景，這是一個(gè)非常復(fù)雜的問題。機(jī)器學(xué)習(xí)是一個(gè)非常好的工具用以應(yīng)對復(fù)雜的情況。所以我們要學(xué)習(xí)出一個(gè)系統(tǒng)，以此優(yōu)化現(xiàn)實(shí)存在的各種場景問題。

傳統(tǒng)的學(xué)習(xí)模式：用工具構(gòu)建，改造和進(jìn)化難以實(shí)現(xiàn)。

機(jī)器學(xué)習(xí)：更像是一個(gè)工廠，我們僅僅需要把數(shù)據(jù)輸入進(jìn)去，就能得到正確的模型。

關(guān)于如何創(chuàng)建更智能的機(jī)器學(xué)習(xí)模型的周期如圖中所示。

因?yàn)閃aymo隸屬于Google，有用強(qiáng)大的數(shù)據(jù)中心，所以他們用TensorFlow和TPU，做出準(zhǔn)確的標(biāo)注，而且分布均勻。

數(shù)據(jù)收集：這是一個(gè)非常重要的環(huán)節(jié)，這是解決“長尾巴情況”的重要因素。數(shù)據(jù)收集是激發(fā)主動(dòng)學(xué)習(xí)的重要環(huán)節(jié)，也是是機(jī)器學(xué)習(xí)周期運(yùn)行良好的重要基礎(chǔ)。

Google AI和DeepMind都在關(guān)注自動(dòng)駕駛。機(jī)器學(xué)習(xí)自動(dòng)化已經(jīng)部署好，幾乎所有的事情都接近自動(dòng)化。

NAS cell是一種小網(wǎng)絡(luò)，反復(fù)用作構(gòu)建神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)的高級構(gòu)件。

首先是用NAS cell進(jìn)行激光雷達(dá)分割。在這一過程中，延遲也很重要。

穩(wěn)定平衡的體系結(jié)構(gòu)本身也可以自動(dòng)化，這是很靈捷并且很強(qiáng)大的。

這條藍(lán)色的線，延遲最小且分割情況最好。

解決機(jī)器學(xué)習(xí)限制問題。但是在某些情況下還是存在限制，需要我們增強(qiáng)魯棒性。

這幅圖片描述的問題是存在冗余和互補(bǔ)的傳感器和傳統(tǒng)的邏輯。

混合系統(tǒng)：這是將傳統(tǒng)AI和機(jī)器學(xué)習(xí)相結(jié)合的系統(tǒng)，這樣可以保證系統(tǒng)魯棒性，保證自動(dòng)駕駛安全性。

隨著時(shí)間的推移，如上圖機(jī)器學(xué)習(xí)的范圍可能會擴(kuò)大，甚至完全掌控。