無人駕駛、大數(shù)據(jù)VS算法哪個更重要？

來源：數(shù)據(jù)觀-企業(yè) 時間：2017-03-13 14:24:52 作者：數(shù)據(jù)堂

　　無人駕駛汽車上主要的傳感器：激光雷達、攝像、毫米波雷達、GPS、超聲波雷達和車輪轉角傳感器等。ElonMusk曾經(jīng)在公開場合多次說過，不用激光雷達只用攝像頭，也能實現(xiàn)Level4以上的無人駕駛。這么說其實是有商業(yè)化方面的考慮。

　　特斯拉的汽車已經(jīng)在售，賣出去的車只能更新軟件，肯定不能換硬件，比如全部重新裝上激光09 雷達(不然特斯拉也不會說在產(chǎn)的特斯拉汽車會換上新的硬件系統(tǒng)了)。

　　況且，Google無人車用的64線Velodyne激光雷達本身的價格高達75000美元，這幾乎和低配版特斯拉在美售價差不多了。

　　特斯拉的車要賣得好必須控制成本，Google的無人車目前還只是處于測試階段，幾百輛的規(guī)模當然可以什么好用用什么，相比于特斯拉幾萬的產(chǎn)銷量，花不了多少錢。

　　去年5月7日，美國佛羅里達州的一位特斯拉車主在使用Autopilot時發(fā)生車禍，最終不幸生亡。由此還導致給特斯拉提供計算機視覺技術的Mobileye創(chuàng)始人AmnonShashua與ElonMusk之間的口水戰(zhàn)，雙方最終不幸鬧掰——Mobileye宣布：與特斯拉合同結束后不再繼續(xù)合作。

　　在9月11日發(fā)布的Autopilot8.0版本中，特斯拉把毫米波雷達采集到的數(shù)據(jù)作為了控制系統(tǒng)判斷的主要依據(jù)，而不是之前Mobileye的攝像頭。

　　說起5月份的車禍，其實在車禍發(fā)生前，特斯拉的毫米波雷達已經(jīng)感知到有障礙物，但是攝像頭因光線的問題，沒有準確識別藍天白云背景下的大貨車，最后導致車禍發(fā)生。Musk肯定也知道了攝像頭并不靠譜，所以才在Autopilot的新版本中把毫米波雷達的數(shù)據(jù)作為主要參考依據(jù)。

　　由此可見，Musk說“不用激光雷達只用攝像頭，也能實現(xiàn)Level4以上的無人駕駛”更多是出于商業(yè)化方面的考慮。

　　此舉意在一邊用現(xiàn)有的傳感器收集數(shù)據(jù)，一邊等激光雷達價格降下來。如果固態(tài)激光雷達的價格真能如宣傳中所說下降到100美元到200美元，為了保證汽車行駛的安全性，Musk肯定是會用的。

　　一方認為：數(shù)據(jù)為王，再牛的智能算法也拼不過海量的數(shù)據(jù)。而另一方則認為：數(shù)據(jù)只是建材，強大的分析能力才能讓它變成摩天大樓，對效率的追求導致了算法，大數(shù)據(jù)取代不了算法。

　　日前，Google和特斯拉都公布了各自的測試里程數(shù)。據(jù)外媒報道，Google宣布自己的無人駕駛汽車剛剛完成200萬英里道路行駛里程。而特斯拉創(chuàng)始人ElonMusk也于幾天后在個人Twitter上宣布：特斯拉Autopilot發(fā)布后的1年中累計行駛里程已達到2.22億英里。

　　Google和特斯拉兩方的表態(tài)表面上似乎也印證了雙方的觀點：數(shù)據(jù)為王VS算法為王。那實際情況究竟如何？

　　我們不妨考慮另一個類似的現(xiàn)象：大多數(shù)人認為Google的搜索比微軟的Bing搜索在質量上做得略好一點的原因是Google的算法好。

　　但在前Google工程師吳軍博士看來，這種看法在2010年之前是對的，因為那時Bing在技術和工程方面明顯落后于Google。 但今天這兩家公司在技術上已經(jīng)相差無幾了，Google還能稍稍占優(yōu)，很大程度上靠的是數(shù)據(jù)的力量。

　　Google憑借PageRank算法給搜索結果帶來了質的變化，而好的搜索結果能吸引更多的用戶使用Google的搜索引擎，這不知不覺間給Google提供了大量的點擊數(shù)據(jù)。

　　有了這些數(shù)據(jù)之后，Google可以訓練出更精確的“點擊模型”，而點擊模型貢獻了今天搜索排序至少60%到80%的權重，這將吸引更多的用戶，整個過程是一個典型的不斷自我強化的正反饋過程。

　　在Google內部，產(chǎn)品經(jīng)理們都遵循這樣一個規(guī)則：在沒有數(shù)據(jù)之前，不要給出任何結論。由此可見，Google的企業(yè)使命已經(jīng)融入了員工的日常工作中。 Google正是充分利用了大數(shù)據(jù)的力量，順利成為了對整張互聯(lián)網(wǎng)舉足輕重的樞紐節(jié)點，非常自然地實現(xiàn)了對互聯(lián)網(wǎng)的壟斷。

　　再舉一個例子，9月27日Google發(fā)布了新版本的神經(jīng)機器翻譯系統(tǒng)(GoogleNeuralMachineTranslation，GNMT)，宣稱該系統(tǒng)的翻譯質量接近人工筆譯

　　大多數(shù)網(wǎng)友在實際測試過后，表示眼前一亮。與此同時，這也引起了某些翻譯工作者的恐慌：”作為翻譯看到這個新聞的時候，我理解了18世紀紡織工人看到蒸汽機時的憂慮與恐懼?！倍@其實也是充分利用大數(shù)據(jù)的結果。

　　其實早在2005年，Google的機器翻譯質量就讓全世界從事自然語言處理的人震驚不已了：從來沒有從事過機器翻譯的Google，在美國國家標準技術研究所(NationalInstituteofStandardsandTechnology，NIST)的年度測評中遙遙領先。

　　在阿拉伯語到英語翻譯的封閉測試集中，Google系統(tǒng)的BLUE評分為51.31%，領先第二名將近5%，而提高這5個百分點在過去需要研究5到10年。

　　Google究竟是做到的呢？除了Google一貫的行事風格——把該領域全世界最好的專家、南加州大學ISI實驗室的弗朗茲-奧科(FranzOch)博士挖過來之外，最關鍵的還是Google手里握有改進機器翻譯系統(tǒng)所需要的大數(shù)據(jù)。

　　從奧科2004年加入Google到2005年參加NIST測試，期間只有一年時間，如此短的時間只夠他將在南加大的系統(tǒng)用Google的程序風格重新實現(xiàn)一遍，完全沒有額外的時間做新的研究。而從上圖中我們可以看到，Google和南加大系統(tǒng)的水平差了5到10年。

　　其中的秘密就在于：奧科在Google還是用的在南加大使用過的方法，但充分利用了Google在數(shù)據(jù)收集和處理方面的優(yōu)勢，使用了比其他研究機構多上萬倍的數(shù)據(jù)，訓練出一個機器翻譯的六元模型(一般來講N元模型的N值不超過3)。當奧科使用的數(shù)據(jù)是其他人的上萬倍時，量變的積累導致了質變的發(fā)生，而這就是當今人工智能領域最權威的幾位專家之一杰弗里-辛頓(GeoffreyHinton)教授所堅持的“多則不同”吧。

　　值得一提的是，SYSTRAN公司是一家使用語法規(guī)則進行翻譯的企業(yè)，在科學家們還沒有想到或者有條件利用統(tǒng)計的方法進行機器翻譯之前，該企業(yè)在機器翻譯領域是最領先的。但現(xiàn)在與那些采用了數(shù)據(jù)驅動的統(tǒng)計模型的翻譯系統(tǒng)相比，它的翻譯系統(tǒng)就顯得非常落后了。

　　經(jīng)過上述分析：在當下的企業(yè)競爭中，相比于算法或數(shù)學模型，數(shù)據(jù)的重要性的確要大得多，即數(shù)據(jù)為王。因為前者往往由學術界在幾十年前就已經(jīng)發(fā)現(xiàn)了，所有企業(yè)都可以加以利用，但是多維度的完備數(shù)據(jù)并不是每一個企業(yè)都擁有的。

　　今天很多企業(yè)在產(chǎn)品和服務的競爭，某種程度上已經(jīng)是數(shù)據(jù)的競爭了，可以說沒有數(shù)據(jù)就沒有智能。因為從理論上講，只要能夠找到足夠多的具有代表性的數(shù)據(jù)，就可以利用概率統(tǒng)計結果找到一個數(shù)學模型，使得它和真實情況非常接近，從而節(jié)省了大量人力成本或給予了用戶更愉悅的體驗。

　　數(shù)據(jù)堂無人駕駛數(shù)據(jù)產(chǎn)品

　　無人駕駛汽車是通過車載傳感系統(tǒng)感知道路環(huán)境，并根據(jù)感知所獲得的道路、車輛位置和障礙物信息，控制車輛的轉向和速度，從而使車輛能夠安全、可靠地在道路上行駛，而提供道路物體識別、路標識別、道路物體精準分割、3D圖像標注、多鏡頭街景圖像標注、軌跡追蹤、視覺追蹤等數(shù)據(jù)服務，可以完美幫助車輛實現(xiàn)自動規(guī)劃行車路線，并控制車輛到達預定目標。

　　道路物體識別圖像數(shù)據(jù)

　　本數(shù)據(jù)包括200萬張街景數(shù)據(jù)，街景包括十字路口、高架橋、隧道、城市道路等。同時標注了行人、車輛、紅綠燈、指示標志、禁止標志。其中行人和車輛的標注方法與KITTI數(shù)據(jù)集相同，并作了適當調整。

　　道路路標識別圖像數(shù)據(jù)

　　對道路中直行、向左轉彎、向右轉彎、禁止通行、禁止駛車等30類指示標志及禁止標志進行標注，其中需要標注的目標物體是邊框高度大于20像素且遮擋小于10%，限速標志，即標注出真實數(shù)值。

　　道路物體精準分割數(shù)據(jù)

　　共對32種類別(classfy)進行了標注，標注圖片一共使用了4種不同的形狀(shape)，分別為：矩形(rectangle)、圓(circle)、橢圓(ellipse)、多邊形(polygon_a，由直線或貝塞爾曲線生成)。

　　多鏡頭街景圖像標注數(shù)據(jù)

　　多鏡頭同時采集完成的視頻數(shù)據(jù)，用矩形框標注出左中右鏡頭多個視頻中出現(xiàn)的行人、坐著的人、汽車、廂型車子、騎腳踏車的人、騎摩托車的人，并選擇類別和屬性。

　　軌跡追蹤

　　可以對車輛或行人進行軌跡跟蹤標注，對不同目標從0到無限進行數(shù)字命名、不重復，連續(xù)幀中出現(xiàn)的同一目標標注相同的id。

　　視覺追蹤

　　通過仔細看司機的眼睛運動，預估出司機觀察的目標，并用矩形框標注出觀察目標/對象，對于駕駛任務有用的任何對象均可以被注釋（例如，汽車，行人，標志，交通燈等）。

?點擊進入 數(shù)據(jù)堂 在數(shù)據(jù)觀的企業(yè)欄目>>>

責任編輯：王培