通過NVIDIAPilotNet，英偉達和谷歌的工程師們構建了一個基于神經網絡的全新系統，可以通過觀察人類的行為學習駕駛汽車。研究人員在這一研究之上探索了在進行駕駛決策時應該優先考慮哪個方面的問題。這樣一來，我們不僅無需手動為所有情況進行編程，還可以解釋系統作出這些決定背后的原因。

試想一下你是如何認出照片上的人的，試著把這樣一個過程分解成一系列有意義，可編程的步驟——你肯定做不到，英偉達自動駕駛首席架構師UrsMuller說道。于是問題就變成了：我們是否希望將自己的解決方案局限于只能解決那些可以通過規則定義的問題？

從人類身上學會駕駛技巧的人工智能

英偉達在他們的自動駕駛汽車BB8（基于林肯MKZ）上開發和測試了DriveWorks軟件系統。這項技術未來可以在任何品牌和型號的汽車上應用，其背后的深度神經網絡可以將攝像頭采集到的圖像處理為控制方向盤、油門和剎車的指令。

這一系統通過學習人類駕駛者的操縱方式來學習駕駛汽車。神經網絡通過車上安裝的攝像頭收集路面情況，隨后將圖像和駕駛者動作的記錄進行配對。研究者們記錄了大量不同環境中的駕駛數據：有畫線和沒有畫線的道路；鄉間小路和高速公路；一天中不同光照條件下的同一段路，以及不同天氣條件下的道路環境。

通過觀察，神經網絡通過訓練在完全沒有手動輸入編程指令的情況下學會了如何駕駛BB8。現在這個神經網絡已經可以在未遇到過的新環境中成功地駕駛車輛了。

人工智能如何思考

每當PilotNet開啟并運行的時候，我們都會希望看到它是如何作出決定的。對此，研究人員開發了一種可視化方法向我們展示了神經網絡在思考時將哪些條件視為重要的。

為了理解PilotNet在獲取攝像頭中的信息時在關注什么，研究人員構建了一種可視化圖。下圖就是可視化圖的一個示例，它覆蓋在攝像頭獲取的圖像之上，綠色代表神經網絡關注的位置。

正如圖中所示，PilotNet在駕駛汽車時關注的位置和人類駕駛者相同，包括路標、道路邊緣和其他車輛。其中最令人興奮的是：我們從未直接告訴神經網絡需要注意到這些東西。計算機在訓練過程中的行為和人類在駕校中所做的一樣：通過觀察學習。

使用深度神經網絡的好處在于：讓汽車自己找到解決問題的方式，而如果我們不知道它們如何做出決策，我們就無法對系統作出進一步的改進，Muller解釋道。我們開發的可視化方式讓尋找答案成為了可能。這也給了我們更大的信心，現在我們或許無法解釋汽車的所有動作，但我們已經可以把它思考的過程顯示出來了。

當自動駕駛汽車真正得到廣泛應用時，很多不同的人工智能神經網絡和傳統技術會共同工作，驅動汽車行駛。除控制方向盤的PilotNet之外，其他的神經網絡也會經過訓練處理其他特定的任務，如行人檢測、車道識別、讀取路標、防碰撞等等。

BB8，帶我去趟星巴克

作為率先涉足自動駕駛行業的芯片公司，英偉達的自動駕駛解決方案研究同時覆蓋了軟件和硬件兩個方面：從DrivePX2車載人工智能計算機到DriveWorks開放平臺。通過使用專注于不同任務的多個AI神經網絡，人們可以構建安全可靠的自動駕駛車輛。可以想見在不久的將來，人們就會享受到BB8帶來的自動駕駛服務了。

更多資訊請關注汽車制造頻道