Waymo的AI使用向量来预测行人，骑车人和驾驶员的行为

如今，在汽车恢复在公共道路上测试的一周后以及筹集了7.5亿美元资金的几天后，Waymo取消了AI模型，它声称“显着”改善了其无人驾驶系统预测行人，骑车人，和驱动程序。与以前的方法相比，它被称为VectorNet，表面上可以提供更准确的投影，同时所需的计算量更少。

预期道路代理人的未来地位是无人驾驶汽车的赌注，根据定义，无人驾驶汽车必须在没有任何人工监督的情况下穿越充满挑战的环境。正如2018年3月发生的涉及自动Uber车辆和骑自行车的人的碰撞所悲剧地说明的那样，感知至关重要。没有它，自动驾驶汽车就无法可靠地做出如何在熟悉或不熟悉的场景中做出反应的决定。

VectorNet旨在通过构建表示形式来编码来自地图的信息（包括实时轨迹）来帮助预测道路使用者的运动。与竞争对手Cruise和Aurora一样，Waymo会收集其自动驾驶汽车行驶区域的高清，精确到厘米的地图。结合传感器数据，它们为Waymo驱动程序（Waymo的全栈无人驾驶系统）提供了上下文。但是，除非将地图渲染为图像并用场景信息（例如交通标志，车道和圆形边界）编码，否则无法将其合并到预测模型中。

这就是VectorNet的用武之地。与它取代的卷积神经网络不同，后者运行在计算量大的地图像素渲染上，VectorNet会以向量的形式（由基于数学的点，线和曲线组成的草图）摄取每个地图和传感器输入方程式）。

WaymoVectorNet

Waymo使用矢量将道路要素表示为点，多边形和曲线。车道边界包含形成样条曲线的多个点（即，将曲线加在一起以形成更大的连续曲线），人行横道是包含至少两个点的多边形，并且停车标志由单个点表示。这些地理实体可以通过由点组成的折线（线段的连接序列）及其属性来近似，而移动代理可以通过折线基于其运动轨迹来估计。

图神经网络直接在图或由节点和边组成的数学对象上运行。在VectorNet（一个分层图神经网络）中，每个向量都被视为一个节点，并且来自地图的数据以及座席的轨迹都将传播到整个网络的目标节点。与目标代理对应的指定输出节点用于解码轨迹。

WaymoVectorNet

VectorNet首先获取折线级信息，然后再将其传递到图形上以建模折线之间的高阶交互。它可以计算对象的未来轨迹并捕获矢量之间的关系，例如当汽车进入十字路口或行人接近人行横道时，这可以更好地预测代理商的行为。

为了进一步增强VectorNet的功能和对世界的了解，从而改善其预测，Waymo训练了该系统以从上下文线索中学习，以推断出车辆附近可能发生的情况。公司研究人员在训练过程中随机掩盖了地图要素，例如四向交叉路口的停车标志，并要求VectorNet来完成缺失的要素。在对Waymo自己的数据集和初创公司ArgoAI的Argoverse进行的验证测试中，VectorNet的性能比ResNet-18（一种流行的卷积神经网络）高出18％，同时使用了29％的参数（变量）和20％的计算量。平均。

WaymoVectorNet

Waymo在一份声明中说：“这些改进使我们能够做出更好的预测，为我们的骑手甚至我们代表当地交付合作伙伴携带的包裹创造更安全，更流畅的体验。”“随着我们扩展到更多城市，这将特别有益，我们将继续遇到新的场景和行为模​​式。VectorNet将使我们能够更好地适应这些新领域，使我们能够更有效地学习，并帮助我们实现向更多地方的更多人提供完全自动驾驶技术的目标。”

Waymo并不是第一次使用AI来加快工作量，例如感知，数据扩充和搜索。

4月初，该公司详细介绍了基于渐进人口的增强（PPBA）系统，该系统声称该系统提高了对象检测系统的性能，同时减少了训练它们所需的数据量。Waymo与DeepMind合作开展了基于人群的培训（PBT），该培训成功地将行人，自行车和摩托车驾驶员识别任务中的误报率降低了24％，同时将培训时间和计算资源减少了一半。Waymo之前曾重点介绍了ContentSearch，该技术采用的技术类似于支持GooglePhotos和GoogleImageSearch的技术，从而使数据科学家可以快速定位Waymo的驾驶历史和日志中的几乎所有对象。