自动驾驶领头羊Waymo十周年奉献：Auto ML机器学习
车智美国当地时间1月16日，全球自动驾驶领头羊Waymo，发布了十年周年庆祝短视频，并且在官方博客上发布了关于“Auto ML（Auto Machine Learning）”的文章，深度剖析了Auto ML与Google AI大脑，是如何帮助Waymo发展自动驾驶技术的。
在Waymo的官方推特上写着：十年前的这个星期，“项目司机”正式成立，其使命是改善道路安全，使交通更加便利。从这个“登月”项目，到谷歌自动驾驶汽车项目，现在是Waymo，一起为下一个十年及更远的将来而努力！
下面是关于Auto ML的文章，在Waymo，机器学习几乎在自动驾驶系统的每个部分都扮演着关键角色。它帮助我们的汽车看清周围的环境，理解世界，预测他人的行为，并决定他们下一步的最佳行动。
以感知为例，Waymo的系统采用了神经网络的组合，使Waymo的车辆能够解读传感器数据、识别物体，并随着时间的推移跟踪它们，从而对周围的世界有一个深入的了解。
创建这些神经网络通常是一项耗时的任务：优化神经网络架构，以达到自动驾驶汽车运行所需的质量和速度，是一个复杂的微调过程，Waymo工程师可能需要数月时间来完成一项新任务。
现在，通过与来自Google AI大脑的研究人员合作，Waymo正在将前沿研究付诸实践，以自动生成神经网络。更重要的是，这些最先进的神经网络比那些由工程师手工调整的神经网络质量更高、速度更快。
为了将Waymo的自动驾驶技术应用到不同的城市和环境中，需要针对不同的场景快速优化Waymo的模型。Auto ML使Waymo能够做到这一点，高效和连续地提供大量ML解决方案。
01 迁移学习：使用现有的自动化架构
Waymo和Google AI大脑的合作始于一个简单的问题：Auto ML能否为汽车生成高质量、低延迟的神经网络？
质量衡量的标准是由神经网络产生的答案的准确性，延迟度量网络提供答案的速度，也称为推理时间。由于驾驶是一种活动，它要求车辆使用实时答案，并且考虑到系统的安全性，神经网络需要在低延迟的情况下运行。大多数网络直接运行在Waymo的车辆上，结果少于10毫秒，这比部署在数千台服务器上的数据中心中的许多网络要快。
在原来的Auto ML论文（Learning Transferable Architectures for Scalable ImageRecognition PDF，获取方式见文末），谷歌AI的员工能够自动探索12000多个架构解决CIFAR－10的经典图像识别任务：确定一个小形象代表十个类别之一，比如买一辆汽车、飞机、一只狗，等等。
在后续文章（NEURAL ARCHITECTURE SEARCH WITHREINFORCEMENT LEARNING
PDF，获取方式见文末），他们发现了一个家庭的神经网络的构建块，称为NAS单元，这可能是由自动构建比手工网CIFAR－10和类似的任务。通过这种合作，Waymo的研究人员决定使用这些单元来自动构建针对自动驾驶任务的新模型，从而将CIFAR－10上的知识转移到汽车领域，第一个实验是语义分割任务：识别激光雷达点云中的每个点，如汽车、行人、树等。
图一：一个NAS单元的例子，这个单元在神经网络中处理前两层的输入
为此，Waymo研究人员建立了一个自动搜索算法，在卷积网络架构（CNN）中探索数百种不同的NAS单元组合，为Waymo的激光雷达分割任务训练和评估模型。当Waymo的工程师手工调整这些网络时，只能探索有限数量的架构，但是使用这种方法，可以自动探索了数百个架构。
相比以前的人工微调优化神经网络，Auto ML通过下面两种方式来改进：
一些具有类似质量的延迟显著降低；
其他的则具有更高的质量和类似的延迟。
初步成功后，Waymo将相同的搜索算法应用于另外两个与交通车道检测和定位相关的任务，转移学习技术也适用于这些任务，最后能够在汽车上部署三个新训练和改进的神经网络。
十年前的Waymo自动驾驶汽车（普锐斯）
1 2 下一页>
