频频犯错的无人车，可能缺了一个“域适应”(2)

无人车的域自适应性学习也是同样的逻辑：先利用已有的标注数据进行初始化学习，然后在大量未标注的数据中不断依据先验知识进行样本挖掘，以增量地学习模型和适配未标注数据，从而在陌生的道路环境中也能表现良好地完成学习任务。

目前看来，域自适应性学习也是完成无人驾驶视觉任务成本效益较高的方式。

新的算法还在路上

既然“域适应”对于无人驾驶来说如此重要，那么目前究竟有哪些比较值得一览的算法呢?

目前看来，由于无人驾驶任务自身的复杂性，往往需要 从多数据源向目标域进行迁移学习，这就必须考虑两个难题：

• 一是多种源域数据本身之间具有偏差，比如伯克利的数据集BDD100K覆盖了不同的时间、光照、天气和地理位置，甚至包含了GPS和IMU以及对应的时间戳信息;
• 二是多种源域数据间类别存在偏差。比如滴滴D²-City数据集中，将注释了包围框和跟踪ID的道路对象分为12个不同的类别，而伯克利的数据集BDD100K中的GT框标签则只有10个类别。

这些都对算法性能提出了不少挑战。在此，我们不妨列举几个具有代表性的算法，看看他们是如何解决无人驾驶相关技术难题的：

1.自适应曝光算法。

前面提到，不同城市和路面环境的光线强弱都是不同的，为保证无人驾驶车辆在各种光线环境都能够获取可靠的道路信息，有研究人员提出了一种自适应曝光算法。利用光学传感器将采集图像转化为灰度值，并逐行进行动态阈值比对处理，快速获取下一周期正确曝光点。在道路实际的测试中，该算法能够快速并有效获取道路信息，后续的边界处理较为清晰。

2.路面障碍物检测。

原理是利用已有的先验知识，比如从源域图像中学会辨识障碍物的颜色、边缘、纹理特征等等，对目标域道路上的不同车辆进行分析并快速提取出障碍物。

这方面的算法很多，比如Zielke等人利用马路边缘的对称性与显著性来提取马路边缘信息。Kuehnle等人基于图像中车轮的对称性来识别车的后轮。Crisman等人利用视觉图像中的颜色信息实现了马路跟随等等，都从不同程度提升了无人驾驶目标检测的性能。

3.多源域数据迁移算法。

商汤的研究人员提出了一种名为“鸡尾酒”的网络，以解决将知识从多源域的数据向目标域迁移的问题，来帮助无人车模型更有效地识别新环境。

具体的做法是，利用共享特征网络，对所有源域以及目标域进行特征建模，然后利用多路对抗域适应技术(类似于GAN生成器)，每个源域分别与目标域进行两两组合对抗，以此明确学习域的不变特征，极大程度地降低系统因数据偏差而对环境进行误判。

归根结底，“域自适应”方法不仅降低了训练风险，也有效地提升了系统的学习性能。从这个角度想，就更期待在CVPR 2019挑战赛中见到新的黑马了!

多说一点

现在看到“无人驾驶”这四个字，绝大多数人会想到什么?圈内人可能会觉得“凉”，而普通民众则是“反感”。

2019第一季度刚刚过去，关于无人驾驶的负面新闻层出不穷：

去年创下融资纪录的RoadStar.ai星行科技死于内讧，成为第一家倒下的无人车公司;苹果自动驾驶部门裁员190人，无人车数量减少到62辆;有吴恩达背景的美国自动驾驶创业公司Drive.ai上个月也传出了“卖身”的消息。

产业之所以受挫，实在是因为无人车的安全性难以完全说服民众。

就在前两天，有研究人员通过在路上贴贴纸之类的“物理攻击”就让特斯拉的自动驾驶汽车并入了反向车道，甚至还能在没有车主授权的状态下用Xbox 游戏手柄操控。

即便是在无人车最为成熟的湾区，也有不少当地居民扎胎的扎胎，拿枪的拿枪，让人对无人驾驶的未来有点灰心。而当前景变得不再明朗的时候，或许，追求技术才是最终的续命之道。

以往在计算机视觉、机器学习等领域的顶级会议中，关于域适应的研究都集中在图像分类和语义分割方面，很少看到实例级任务上的应用，如目标检测及跟踪，尽管它们对于无人驾驶来说更加重要。

当然，想要让“域适应”帮助无人车更有效的训练，只靠伯克利和滴滴在CVPR 2019中释放的数据集或某一场比赛还远远不够，还要为研究者提供更多元的支持，比如增强研究团队与车企的联系，围绕真实需求进行配套研发等等。

在此之前，这项复杂的技术还是老老实实地待在实验室和测试道路上吧。

【编辑推荐】

1. 从天上到地上，无人驾驶终于航行到了海上
2. 无人驾驶汽车已经出现 AI接管船舶还会远吗？
3. 对话贝塞特：无人驾驶汽车何时才能赢得人类信任？
4. 福布斯分析：存在严重问题或使无人驾驶技术进入“寒冬”
5. 无人驾驶出租车亮相维也纳 时速130公里 续航30分钟

（编辑：ASP站长网）