那么我們如何進行大規(guī)模的路測呢？

因為特殊罕見的異常情況很少發(fā)生，如果使用真實情況進行路測，我們需要等待很長時間，為了解決這個問題，我們自己構建條道路。

因為我們有Google的數據支持所以這個想法是可行的，所以我們按照如下圖數據做出仿真模型。仿真出足夠多的場景供以測試。而我們?yōu)槭裁匆�做出如此多的仿真模型呢�?/strong>因為有時會得出截然相反的結果，所以我們要加強系統(tǒng)的魯棒性，這就要求我們做出足夠多的仿真模型，確保系統(tǒng)的準確性。

這是一種抽樣方法。

上圖正在模擬真實世界可能會發(fā)生的事情。如果想要得到準確的數據，我們需要模仿真實的人類在不同的情形下做出的真實舉動。

如何評價這個簡單的模型呢？

正面：容易調整關鍵參數，如反應時間，制動輪廓，橫向加速。有效再現避碰場景中的基本人類行為；反面：無法處理更復雜的交互行為。

但是定義它本身是一個復雜的問題，所以我們能做什么呢？那就是從實際演示中學習代理模型。

機器學習仿真的解決辦法就是構建另一個機器學習模型。

添加排列可能會出現問題，這是一個眾所周知的問題。

我們使用了非常不同的體系結構去避免碰撞，例如RNN模型。

在一條陌生的路上開著車，需要看到更多的范圍和預判更多的特殊情況，如掉頭需要處理好。

上圖是人類行為分布，可以看到這是個正態(tài)分布，所以這就是導致了“長尾巴情況”的根本原因。即使圖像兩端的情況很少發(fā)生，我們的測試也要涵蓋進去所有的人類行為情況。

需要我們拓寬這個分布，或者仿真出更多的例子。

行為軌跡優(yōu)化模型：反RL用于找到創(chuàng)建所需軌跡的變量。

許多不同的方法來克服“長尾”問題。

“智能”模型對于自動化是至關重要的。通過模擬更真實人類行為是非常重要的。

因為還存在很多不同的場景，每天都上演著不同的事情，所以“長尾巴情況”還將會在不同的城市，不同的環(huán)境中持續(xù)下去的。

在一些好的訓練步驟如下：對收集的數據進行培訓；能夠在不確定或不正確的情況下進行量化；能夠采取措施，比如向評分者提問；更好的是，通過因果分析直接自我更新。

總結：Waymo 專家舉出的有人帶著停車標志是一個有趣例子，而且對機器學習的一個非�；�本的介紹，其中提到了AutoML模型，可以測試多達10K的不同架構。然后采用前100個架構，在更大的模型上進行測試。Waymo是一個混合系統(tǒng)，使用ML和混合ML（傳統(tǒng)的ML編程）。隨著ML能力的增長，傳統(tǒng)場景越來越少。視頻中也提到了waymo 如何測試，結構化測試，是否有封閉的測試環(huán)境。在模擬器方面，他們認為代理能夠模擬現實世界中發(fā)生的事情。不斷擴大復雜模型，來處理長尾問題�；蛘呃�用專家領域知識，換句話說混合模型或傳統(tǒng)編程。以及逆強化學習，值得深入研究。