美國當地時間1月16日，全球自動駕駛領頭羊Waymo，發(fā)布了十年周年慶祝短視頻，并且在官方博客上發(fā)布了關于“Auto ML（Auto Machine Learning）”的文章，深度剖析了Auto ML與Google AI大腦，是如何幫助Waymo發(fā)展自動駕駛技術的。

在Waymo的官方推特上寫著：十年前的這個星期，“項目司機”正式成立，其使命是改善道路安全，使交通更加便利。從這個“登月”項目，到谷歌自動駕駛汽車項目，現在是Waymo，一起為下一個十年及更遠的將來而努力！

下面是關于Auto ML的文章，在Waymo，機器學習幾乎在自動駕駛系統(tǒng)的每個部分都扮演著關鍵角色。它幫助我們的汽車看清周圍的環(huán)境，理解世界，預測他人的行為，并決定他們下一步的最佳行動。

以感知為例，Waymo的系統(tǒng)采用了神經網絡的組合，使Waymo的車輛能夠解讀傳感器數據、識別物體，并隨著時間的推移跟蹤它們，從而對周圍的世界有一個深入的了解。

創(chuàng)建這些神經網絡通常是一項耗時的任務：優(yōu)化神經網絡架構，以達到自動駕駛汽車運行所需的質量和速度，是一個復雜的微調過程，Waymo工程師可能需要數月時間來完成一項新任務。

現在，通過與來自Google AI大腦的研究人員合作，Waymo正在將前沿研究付諸實踐，以自動生成神經網絡。更重要的是，這些最先進的神經網絡比那些由工程師手工調整的神經網絡質量更高、速度更快。

為了將Waymo的自動駕駛技術應用到不同的城市和環(huán)境中，需要針對不同的場景快速優(yōu)化Waymo的模型。Auto ML使Waymo能夠做到這一點，高效和連續(xù)地提供大量ML解決方案。

01 遷移學習：使用現有的自動化架構

Waymo和Google AI大腦的合作始于一個簡單的問題：Auto ML能否為汽車生成高質量、低延遲的神經網絡？

質量衡量的標準是由神經網絡產生的答案的準確性，延遲度量網絡提供答案的速度，也稱為推理時間。由于駕駛是一種活動，它要求車輛使用實時答案，并且考慮到系統(tǒng)的安全性，神經網絡需要在低延遲的情況下運行。大多數網絡直接運行在Waymo的車輛上，結果少于10毫秒，這比部署在數千臺服務器上的數據中心中的許多網絡要快。

在原來的Auto ML論文（Learning Transferable Architectures for Scalable ImageRecognition PDF，獲取方式見文末），谷歌AI的員工能夠自動探索12000多個架構解決CIFAR－10的經典圖像識別任務：確定一個小形象代表十個類別之一，比如買一輛汽車、飛機、一只狗，等等。

在后續(xù)文章（NEURAL ARCHITECTURE SEARCH WITHREINFORCEMENT LEARNING

PDF，獲取方式見文末），他們發(fā)現了一個家庭的神經網絡的構建塊，稱為NAS單元，這可能是由自動構建比手工網CIFAR－10和類似的任務。通過這種合作，Waymo的研究人員決定使用這些單元來自動構建針對自動駕駛任務的新模型，從而將CIFAR－10上的知識轉移到汽車領域，第一個實驗是語義分割任務：識別激光雷達點云中的每個點，如汽車、行人、樹等。

圖一：一個NAS單元的例子，這個單元在神經網絡中處理前兩層的輸入

為此，Waymo研究人員建立了一個自動搜索算法，在卷積網絡架構（CNN）中探索數百種不同的NAS單元組合，為Waymo的激光雷達分割任務訓練和評估模型。當Waymo的工程師手工調整這些網絡時，只能探索有限數量的架構，但是使用這種方法，可以自動探索了數百個架構。

相比以前的人工微調優(yōu)化神經網絡，Auto ML通過下面兩種方式來改進：

一些具有類似質量的延遲顯著降低；

其他的則具有更高的質量和類似的延遲。

初步成功后，Waymo將相同的搜索算法應用于另外兩個與交通車道檢測和定位相關的任務，轉移學習技術也適用于這些任務，最后能夠在汽車上部署三個新訓練和改進的神經網絡。

十年前的Waymo自動駕駛汽車（普銳斯）