无人驾驶出租车上路了，可道路行为预测还任重道远

　　最近几天，自动驾驶圈动静不小。
　　4月25号，小马智行宣布中标广州市南沙区2022年出租车运力指标，成为国内首个获得出租车经营许可的自动驾驶公司。
　　3天后，也就是28号，小马智行又拿到北京市智能网联汽车政策先行区首批无人化示范应用道路测试通知书，被允许在京提供自动驾驶出行服务。
　　北京发放的首批无人化载人示范应用牌照中，除了小马智行，还有另一个玩家：百度旗下的萝卜快跑。
　　根据管理细则，小马智行和百度可以在示范区60平方公里范围内，提供公开道路的无人化载人服务，且运营载客时，允许主驾驶位没有安全员。
　　至此，市场观望已久的自动驾驶出租车Robotaxi，终于迈出了商业化落地的关键一步。
　　国内创投圈对自动驾驶的关注，始于2014年。
　　当时，百度研发自动驾驶技术尚不足一年，他们眼里的星辰大海，就是自动驾驶技术早日商业落地。
　　可在接下来的几年中，不少大牛陆续从百度出走，各自成立自动驾驶公司，这也让百度有了中国自动驾驶企业摇篮的称号。
　　一方面，自动驾驶领域的玩家日益增多，技术也愈发成熟，但另一方面，企业融资的难度也随之增大。
　　技术愈发成熟，资本也愈发挑剔。
　　单纯讲故事的融资模式，已经无法吸引资本的目光，投资人更加关注已经展露出商业落地苗头的企业，毕竟投资不是慈善，回报才是重点。
　　于是，资本在自动驾驶领域呈现出三个明显的阶段：关注、追逐，以及冷淡。
　　如今，自动驾驶出租车Robotaxi喜迎质变节点，或许会提振资本信心，推动自动驾驶在不同应用场景中的步伐。
　　一般来说，自动驾驶汽车的应用场景大致有三类：
　　1、中高速场景；
　　2、低速场景；
　　3、特殊场景。
　　中高速场景的特点是：结构化道路，交通标识清晰规范，障碍物种类单一、且运动状态较为稳定。
　　像自动驾驶出租车Robotaxi、自动驾驶物流等，就属于这一场景。
　　相比于中高速场景，低速场景需要更高的自动驾驶技术。
　　低速场景多是半结构化道路，比如工业园区、景观公园、校园、机场、停车场等。
　　在这些场景中，自动驾驶车虽然行驶速度慢，但由于场景内多数道路缺乏车道线或交通标志，加之交通参与者多样，不仅有常规的行人、车辆，还有滑板车、平衡车等休闲代步工具，以及愣头愣脑的小动物，种种难以预测的运动状态，经常令自动驾驶系统摸不着头脑。
　　至于第三类特殊场景，指的是特定场景下的道路环境，比如在军事用途中，受强干扰、或者恶劣环境的影响，可能会出现部分传感器失灵的情况，需要有针对性的调整，这里就不多说了。
　　事实上，不管是中高速场景还是低速场景，自动驾驶系统安全驾驶的最大障碍之一，当属人类。
　　如同电商平台不遗余力的猜你喜欢，自动驾驶车上路后，同样需要不遗余力地预测附近交通参与者的行动轨迹，这是一个相当棘手的问题。
　　前不久，麻省理工学院的研究者们，研发出了一套新的机器学习算法，能够帮助计算机更精准地预测运动轨迹。
　　我们都知道，对自动驾驶汽车来说，构成精密技术底座的很大一部分，是算法。某种程度上来看，算法软件才是自动驾驶公司的核心竞争力。
　　很多时候，算法层面的优化，比升级传感器更为有效。
　　研究者们给这套新的机器学习算法取名为M2I，简单来说，就是将多智能体的行为预测问题进行分解，再单独处理每个小部分。
　　在这套行为预测框架中，首先需要假设两个道路使用者之间的关系：比如汽车和行人，哪个拥有优先通行权，哪一个主体会让路。
　　将交通参与者然后利用这些假设为多个参与者预测未来的轨迹。
　　M2I算法利用了两个输入：车辆、自行车和行人在交通场景中相互作用的历史轨迹，比如一个四路交叉口和一张包含街道位置、车道配置和其他信息的地图。
　　一个关系预测器使用这个数据来确定两个代理中的哪一个首先拥有通行权，指定一个代理作为通行者，另一个代理作为一个代理。然后，因为传递代理独立运作，一个叫做边际预测器的预测模型估计它的过程。
　　一个条件预测器，第二个预测模型，然后根据传递代理的行为猜测产生代理将做什么。该系统可以预测多种不同的运动轨迹，分别计算每一种运动轨迹的概率，然后选择最有可能发生的六种联合运动轨迹。
　　M2I对这些代理商在交通流量中的行驶方式进行了8秒钟的估计。系统提示一辆汽车减速让一个人过马路，然后在他们通过十字路口时加速。在另一个例子中，另一辆汽车在从一条小街转入一条繁忙的主干道之前，等待许多车辆通过。
　　当这项研究集中在两个主体之间的相互作用时，M2I可以推断大量主体之间的关系，然后通过结合几个边际和条件预测器来预测它们的轨迹。
　　这些模拟显示了研究人员开发的系统如何能够预测蓝色车辆在复杂交通情况下的未来轨迹（用红线表示），其中包括其他汽车、自行车和行人。
　　研究人员使用Waymo开放运动数据集对模型进行训练，该数据集包含了数百万个真实的交通场景，涉及车辆、行人和骑自行车的人，这些场景由激光雷达（光探测和测距）传感器和安装在该公司自动驾驶车辆上的摄像头记录下来。他们特别关注涉及多辆车辆使用者的案件更受重视。
　　为了确定准确性，他们比较了每种方法的六个预测样本，用它们的置信度加权，与场景中汽车、骑自行车者和行人跟随的实际轨迹。他们的方法是最准确的。在一个被称为重叠率的指标上，它也优于基线模型；如果两个轨迹重叠，则表明发生了碰撞。M2I的重叠率最低。
　　我们没有建立一个更复杂的模型来解决这个问题，而是采取了一种更像人类思考与他人互动的方式。一个人不会对未来行为的所有数百种组合进行推理。我们很快就做出了决定。。
　　M2I的另一个优点是，因为它将问题分解成更小的部分，所以用户更容易理解模型的决策。从长远来看，这可以帮助用户更加信任自动驾驶车辆。
　　但是这个框架不能解释两个代理人相互影响的情况，比如两辆车在四个方向的停车位上各自轻推前进，因为司机不确定谁应该让车。
　　他们计划在今后的工作中解决这一限制。他们还想用他们的方法来模拟道路使用者之间的真实交互，这可以用来验证自动驾驶汽车的规划算法，或者创建大量的合成驾驶数据来改善模型的性能。
　　预测未来多个相互作用的机器人的轨迹还没有得到充分的探索，对于在复杂的场景中实现完全自主性来说，这是一个极具挑战性的任务。M2I提供了一种非常有前途的预测方法，它使用关系预测器来区分未知或有条件预测的代理，从而显著地简化了问题。
　　预测模型可以捕捉到代理之间的内在联系和相互作用，从而实现最先进的性能。
　　M2I模型的表现优于该领域所有其它最先进的模型，包括一个来自Waymo的模型。
　　1940年，一个叫做诺曼贝尔盖迪斯的47岁男人，萌生了一个想法，在当时看来荒诞至极：
　　人类，应该从驾驶中脱离出来。
　　如今，这个图景虽近在眼前，我们却还远未到达。
　　文木子Yanni
　　嗨，这里是浅黑科技，在未来面前，我们都是孩子。
　　想看更多科技故事，欢迎戳微信公众号：浅黑科技。