用模擬圖片幫自動駕駛汽車訓練深度神經網路 這方法靠譜嗎？

想要獲得安全可靠的道路行駛能力，自動駕駛汽車必須對其周圍環境有全景式的了解。它不但需要認出周邊呼嘯而過的轎車、卡車、摩托車，同時還要發現慢吞吞的自行車和行人。

此外，交通信號燈、路牌和路上的障礙物它們也不能放過。不過，這還不是最考驗自動駕駛汽車的事物，讓各家公司花費大量時間和資源搜集數據的各種天氣和光照條件才是自動駕駛能否真正上路的最高門檻。畢竟如果不能窮盡每一種可能性，誰也不敢保證上路的自動駕駛汽車會不會惹出什麼亂子。

一般來說，想讓自動駕駛汽車實現眼觀六路耳聽八方，研究人員必須對大量數據進行標記，而這些標記過的數據將成為機器學習演算法的養料。

對數據做標記可不是件輕鬆的工作，每家廠商都會派成百上千的工作人員處理車輛拍攝的照片或視頻，他們需要用方框圈出旁邊的車輛、路標等物體，同時還得給它們貼上相應的標籤。令工作人員絕望的是，這個標記數據的過程需要一遍又一遍的重複。

密歇根大學的研究人員想出了更好的解決方案：在模擬中完成整個過程。對於自己的想法，研究人員也是底氣十足，因為他們已經證明這種方法比人工標記真實數據要高效的多。

不過，機器人專家們並不看好模擬的方式，因為模擬事實上是簡化版的現實世界，在模擬中取得成功並不代表在現實世界中能實現百分之百的安全。

密歇根大學的研究人員並不服輸，在上周新加坡舉辦的 IEEE 機器人與自動化國際會議上，他們就找來了遊戲大作《俠盜獵車手5》，試圖通過該遊戲證明虛擬世界也能訓練深度學習系統識別物體。這種方法靠譜嗎？且聽雷鋒網為您詳細分析：

《俠盜獵車手5》中一系列用於目標識別的圖片

通過模擬的方式來完成訓練其實可以一舉三得：

首先，速度可以得到大幅提升，而且與真車在路上採集數據相比費用要少得多。

其次，在模擬中數據標記就變成現成的，畢竟遊戲程序對畫面中出現的物體屬性非常清楚。

最後，在模擬環境中你可以設定任何的刁鑽路況或天氣情況，而在加州路上做測試，你會發現這裡總是陽光明媚，根本沒什麼挑戰。

此外，在模擬環境中你甚至可以為同一路段設定不同的天氣或路況，實現事半功倍的效果。

在同一路段模擬不同的天氣情況

為了檢測虛擬世界中的訓練效果，研究人員在遊戲中生成了 3 個模擬數據集，它分別包含 1 萬、5 萬和20 萬張不同的遊戲圖片。

隨後，深度學習目標探測系統開始以這些數據集為基礎進行訓練。當然，研究人員還準備了另一個實車拍攝的數據集，名為 Cityscapes 的數據集包含有 3000 張經過手動標註的圖片，同樣的深度學習系統也會以該數據集為基礎進行訓練。

訓練完成後，兩套系統需要對名為 KITTI（也是實車實拍，但與 Cityscapes 不同）的數據集中 7500 張圖片進行目標識別測試。

結果顯示，在模擬環境中訓練出來的深度神經網路識別效果更好：用 5 萬和 20 萬張圖片訓練出來的深度神經網路表現要好過 3000 張的數據集。研究人員解釋稱，單張的模擬圖片價值並不高，但如果它們的數量足夠多，效果就會非常棒。

確實，單張模擬圖片的訓練效果不如單張實拍圖片，畢竟現實世界中的光源、顏色和紋理信息變化是電腦模擬無法比擬的，因此模擬圖片只能以量取勝。

不過，只要有足夠的計算能力，我們就能生成超多的模擬圖片，最重要的是這些圖片不再需要人為標記了。

模擬圖片（上）中的誤報明顯更少

除了以上優勢，在虛擬世界中訓練出來的神經網路在識別較遠和模糊車輛的能力上也更勝一籌。同時，這種方式也能減少誤報。也許這種優勢也是拜模擬圖片巨大的數量所賜，它包含的數據更寬泛，能為訓練提供更加多樣化的輸入。

當然，用模擬圖片訓練神經網路也有其內在缺陷：首先，虛擬世界不同於現實世界，一些難以預測的情況它模擬不出來，而這些情況是自動駕駛最大的安全殺手。

不過，雖然我們無法靠《俠盜獵車手5》來解決所有問題，但密歇根大學的研究人員確實給我們指了條明路，它能大大降低各家廠商的成本，提升訓練效率。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！