找到正確的自動駕駛訓練數(shù)據(jù)并不需要花費大量人力進行標記。


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

自動駕駛和其他人工智能技術(shù)也是如此。

負責自動駕駛功能的深度神經(jīng)網(wǎng)絡需要詳盡的訓練。該訓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，還是希望它們永遠不會遇到的不尋常情況。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相同的場景。

主動學習是一種用于機器學習的訓練數(shù)據(jù)篩選方法，它可以自動找到這些多樣化的數(shù)據(jù)。相較于人工操作， 它只需花費一小部分時間即可構(gòu)建更好的數(shù)據(jù)集。

它采用訓練有素的模型來處理收集來的數(shù)據(jù)，并對無法識別的幀進行標記從而發(fā)揮作用。這些幀隨后會由人工標記， 然后將它們添加到訓練數(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確性。

在數(shù)據(jù)中“大海撈針”

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

而且，不是任何駕駛數(shù)據(jù)都是有效的。有效的訓練數(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景而要給這些檢驗數(shù)據(jù)添加注釋，在100輛車一天駕駛8個小時的情況下，則需要超過100萬個人員為來自車上所有攝像頭的數(shù)據(jù)打標簽，這將是一項巨大的工作。除了人工成本外，在此數(shù)據(jù)上訓練DNN所需的計算和存儲資源也是不切實際的。

數(shù)據(jù)注釋和管理的結(jié)合對自動駕駛汽車的開發(fā)帶來了重大挑戰(zhàn)。通常在此過程中，我們會應用AI來減少訓練的時間和成本，同時還可以提高網(wǎng)絡的準確性。

為什么是主動學習
選擇自動駕駛DNN訓練數(shù)據(jù)有常見的三種方法。隨機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景，但也可能會遺漏不常見的模式。

基于元數(shù)據(jù)的抽樣使用基本標簽（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特的幀，例如拖拉機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。常見公路場景的示例（左上）與一些不尋常的駕駛場景（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，手動管理將元數(shù)據(jù)標簽與人工注釋者的可視化瀏覽結(jié)合使用，這是一個耗時的工作，容易出錯且難以擴展。

通過主動學習，可以在選擇有價值的數(shù)據(jù)點時自動執(zhí)行篩選過程。首先，訓練一個針對已標記數(shù)據(jù)的專用DNN。然后，網(wǎng)絡會對未標記的數(shù)據(jù)進行分類，篩選無法識別的幀，從而找到對自動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)將由人工注釋者進行審查和標記，并添加到訓練數(shù)據(jù)庫中。


主動學習已經(jīng)表明，與手動管理相比，它可以提高自動駕駛DNN的檢測準確性。在我們自己的研究中，NVIDIA團隊發(fā)現(xiàn)與手動選擇的數(shù)據(jù)相比，使用主動學習數(shù)據(jù)進行訓練時，行人檢測的精度提高了3倍，自行車檢測的精度提高了4.4倍。

在可靠且可擴展的AI基礎架構(gòu)上運行時，像主動學習、遷移學習和聯(lián)邦學習這樣的高級訓練方法最有效。通過這些方式可以實現(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)人員開放這些訓練工具以及NVIDIA GPU Cloud容器注冊表上豐富的自動駕駛深度神經(jīng)網(wǎng)絡庫。