找到正確的自動(dòng)駕駛訓(xùn)練數(shù)據(jù)并不需要花費(fèi)大量人力進(jìn)行標(biāo)記。


讀一本關(guān)于特定主題的書或者讀很多包含相似內(nèi)容的書不會(huì)使你成為專家。真正掌握一項(xiàng)技能或了解一個(gè)知識(shí)領(lǐng)域，需要了解各種不同來源的大量信息。

自動(dòng)駕駛和其他人工智能技術(shù)也是如此。

負(fù)責(zé)自動(dòng)駕駛功能的深度神經(jīng)網(wǎng)絡(luò)需要詳盡的訓(xùn)練。該訓(xùn)練需要包含各種情況，無論是在日常道路中可能遇到的情況，還是希望它們永遠(yuǎn)不會(huì)遇到的不尋常情況。成功的關(guān)鍵是確保其接受了正確的數(shù)據(jù)訓(xùn)練。

什么是正確的數(shù)據(jù)？那就是新的或不確定的情況， 而不是一遍又一遍地重復(fù)相同的場(chǎng)景。

主動(dòng)學(xué)習(xí)是一種用于機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)篩選方法，它可以自動(dòng)找到這些多樣化的數(shù)據(jù)。相較于人工操作， 它只需花費(fèi)一小部分時(shí)間即可構(gòu)建更好的數(shù)據(jù)集。

它采用訓(xùn)練有素的模型來處理收集來的數(shù)據(jù)，并對(duì)無法識(shí)別的幀進(jìn)行標(biāo)記從而發(fā)揮作用。這些幀隨后會(huì)由人工標(biāo)記， 然后將它們添加到訓(xùn)練數(shù)據(jù)中。這可以提高模型在惡劣條件下感知物體等情況下的準(zhǔn)確性。

在數(shù)據(jù)中“大海撈針”

訓(xùn)練自動(dòng)駕駛汽車所需的數(shù)據(jù)量十分巨大。RAND公司的專家預(yù)估，汽車需要擁有110億英里的行駛經(jīng)驗(yàn)才能比人類操作好20％。這意味著在現(xiàn)實(shí)世界中，我們需要一個(gè)共有100輛車的車隊(duì)不間斷駕駛500多年才能獲得相應(yīng)的駕駛經(jīng)驗(yàn)。

而且，不是任何駕駛數(shù)據(jù)都是有效的。有效的訓(xùn)練數(shù)據(jù)必須包含各種挑戰(zhàn)性的駕駛情況，以確保汽車能夠安全行駛。

如果為了找到這些駕駛場(chǎng)景而要給這些檢驗(yàn)數(shù)據(jù)添加注釋，在100輛車一天駕駛8個(gè)小時(shí)的情況下，則需要超過100萬個(gè)人員為來自車上所有攝像頭的數(shù)據(jù)打標(biāo)簽，這將是一項(xiàng)巨大的工作。除了人工成本外，在此數(shù)據(jù)上訓(xùn)練DNN所需的計(jì)算和存儲(chǔ)資源也是不切實(shí)際的。

數(shù)據(jù)注釋和管理的結(jié)合對(duì)自動(dòng)駕駛汽車的開發(fā)帶來了重大挑戰(zhàn)。通常在此過程中，我們會(huì)應(yīng)用AI來減少訓(xùn)練的時(shí)間和成本，同時(shí)還可以提高網(wǎng)絡(luò)的準(zhǔn)確性。

為什么是主動(dòng)學(xué)習(xí)
選擇自動(dòng)駕駛DNN訓(xùn)練數(shù)據(jù)有常見的三種方法。隨機(jī)抽樣以均勻的間隔從數(shù)據(jù)池中提取幀，能夠捕獲最常見的場(chǎng)景，但也可能會(huì)遺漏不常見的模式。

基于元數(shù)據(jù)的抽樣使用基本標(biāo)簽（例如，雨水、夜晚）來選擇數(shù)據(jù)，從而很容易找到常見的困難情況，但是卻丟失了不容易分類的獨(dú)特的幀，例如拖拉機(jī)拖車或踩著高蹺的人穿過馬路。


注釋：并非所有數(shù)據(jù)都是公平創(chuàng)建的。常見公路場(chǎng)景的示例（左上）與一些不尋常的駕駛場(chǎng)景（右上：騎自行車的人在夜間玩自行車，左下：卡車拖掛拖車，右下：行人踩高蹺）。

最后，手動(dòng)管理將元數(shù)據(jù)標(biāo)簽與人工注釋者的可視化瀏覽結(jié)合使用，這是一個(gè)耗時(shí)的工作，容易出錯(cuò)且難以擴(kuò)展。

通過主動(dòng)學(xué)習(xí)，可以在選擇有價(jià)值的數(shù)據(jù)點(diǎn)時(shí)自動(dòng)執(zhí)行篩選過程。首先，訓(xùn)練一個(gè)針對(duì)已標(biāo)記數(shù)據(jù)的專用DNN。然后，網(wǎng)絡(luò)會(huì)對(duì)未標(biāo)記的數(shù)據(jù)進(jìn)行分類，篩選無法識(shí)別的幀，從而找到對(duì)自動(dòng)駕駛汽車算法具有挑戰(zhàn)性的數(shù)據(jù)。

然后，這些數(shù)據(jù)將由人工注釋者進(jìn)行審查和標(biāo)記，并添加到訓(xùn)練數(shù)據(jù)庫中。


主動(dòng)學(xué)習(xí)已經(jīng)表明，與手動(dòng)管理相比，它可以提高自動(dòng)駕駛DNN的檢測(cè)準(zhǔn)確性。在我們自己的研究中，NVIDIA團(tuán)隊(duì)發(fā)現(xiàn)與手動(dòng)選擇的數(shù)據(jù)相比，使用主動(dòng)學(xué)習(xí)數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，行人檢測(cè)的精度提高了3倍，自行車檢測(cè)的精度提高了4.4倍。

在可靠且可擴(kuò)展的AI基礎(chǔ)架構(gòu)上運(yùn)行時(shí)，像主動(dòng)學(xué)習(xí)、遷移學(xué)習(xí)和聯(lián)邦學(xué)習(xí)這樣的高級(jí)訓(xùn)練方法最有效。通過這些方式可以實(shí)現(xiàn)并行管理大量數(shù)據(jù)，從而縮短了開發(fā)周期。

NVIDIA將為開發(fā)人員開放這些訓(xùn)練工具以及NVIDIA GPU Cloud容器注冊(cè)表上豐富的自動(dòng)駕駛深度神經(jīng)網(wǎng)絡(luò)庫。