正文

请到「今天看啥」查看全文

那找 Bug 来源和 Bug 优化的任务就不能自动化吗？

当然可以， 如果我们能将各个模块用可微分的方式连接起来。类似于传统深度学习，出现误差时，深度自动回传进行权重更新。

某种程度上，这就是端到端自动驾驶的概念。

02

理想化的端到端自动驾驶

事实上，从自动驾驶开始发展，就一直伴随一个看似幼稚但是非常复杂的疑问：

为什么我们不能开发一个系统，输入时是传感器信号（摄像头，激光雷达），输出是控制指令（转向，刹车，加速）？

这个问题，实际上，业界也一直有人在探讨，甚至于国内 2018 年还有一家公司给出了这样计划：

其方案

输入为视觉信号，输出为 Steering，Brake，Accelerate，而真值为真实人类司机的上述动作。

输入输出都有了，真值数据也有了，接下来就是塞进看不太懂的胶囊神经网络里进行全局优化训练，最后就能给出结果。

这个方案好在没有吸引到什么大手笔投资，很快就销声匿迹了。

不过这两天，大模型出来之后，我甚至也看到了一模一样的计划，只不过网络换成了大模型。

03

为什么完全端到端目前不可行？

神经网络的黑盒效应让完全端到端自动驾驶无法找到正确优化方向。

本质上又回到了最初的问题， 模块解耦让多模块单独优化成为可能，让每一个模块拥有独立的可解释性。

而如果变成一个巨大的神经网络模块，这种基于统计学的神经网络是无法保证在正确的道路上持续优化的，因为无法保证对未见过的物体的鲁棒性，也无法对某一个具体的 Bug 进行定向改进。

可能会有人会问，那语言大模型表现可以迁移吗？

泛化性的迁移是可行的， 根据 Google 的研究结果，他们基于语言大模型的抓取机器人，已经可以做到对没有见过的物体有直接的泛化能力，例如他们要求从未见过乌龟的机器人抓取一只乌龟，任务能够被很好地完成。

因为很好地使用了大语言模型的泛化能力，但是这件事情在自动驾驶上，尚未得到验证。

但是如何对一个具体的 Bug 进行改进？

假设出现了一次误刹，经典的自动驾驶技术栈会分析：

• 刹车指令的来源，是前方动态障碍物，还是静态物体？
• 或者是规划模块的速度规划出现问题？

请到「今天看啥」查看全文