在 這三部分系列的第一部分中，作者調查了機器學習技術在高度自動化駕駛場景中的驅動因素和潛在應用。第二部分定義了機器學習技術的理論背景，以及汽車開發(fā)人員可用的神經(jīng)網(wǎng)絡類型。第三部分在功能安全要求的背景下評估這些選項。

深度學習徹底改變了機器學習系統(tǒng)及其能力，但它不一定是最適合所有任務的方法。對于其他幾種類型的應用，使用傳統(tǒng)的模式識別方法（例如邏輯回歸、樸素貝葉斯或 k 均值聚類）可能更合適。因此，選擇正確的機器學習算法的標準是必要的。這些標準如下所述。

問題的 復雜性 是控制選擇的直接標準，它必須適合方法的復雜性。該標準可以轉化為算法必須學習的參數(shù)數(shù)量。例如，邏輯回歸算法為h_θ （x）圖 8 中的映射函數(shù)學習了兩個參數(shù)。深度神經(jīng)網(wǎng)絡可能需要學習數(shù)百萬個參數(shù)才能獲得與邏輯回歸方法相似的結果。第 11 頁的圖 12 顯示了機器學習算法根據(jù)其復雜性排序的近似分布。

圖 12： 基于復雜性的機器學習算法分類。

每個算法背后的數(shù)學是這一經(jīng)驗發(fā)現(xiàn)的基礎。偏差-方差權衡是選擇和構建機器學習系統(tǒng)時的一個重要方面。偏差是由學習方法做出的錯誤假設所產生的誤差。它與欠擬合問題直接相關。高偏差算法無法找到輸入特征和目標標簽之間的相關關系。相反，方差是該方法對輸入數(shù)據(jù)中存在的隨機噪聲的敏感性的度量。高方差系統(tǒng)可能導致過度擬合，其中算法模擬隨機噪聲而不是實際輸入特征。在實踐中，必須在偏差和方差之間進行權衡，因為這兩個量彼此成比例。另一個應該考慮的標準是調整參數(shù)的數(shù)量數(shù)據(jù)工程師在訓練分類器時需要調整。

最后，還需要考慮輸入數(shù)據(jù)的性質。特征空間中數(shù)據(jù)的線性分離在現(xiàn)實世界中是不尋常的。但可以說，對于某些應用，可以假設線性。這方面的一個例子是在第 3 節(jié)開頭描述的基于大小和速度的汽車和非汽車對象的分類。這個假設對于選擇合適的機器學習方法至關重要，因為線性分類器更快、更有效與非線性分類器相比，可以線性分離的數(shù)據(jù)。

功能安全注意事項

功能安全是系統(tǒng)整體安全的一部分。ISO 26262“道路車輛 - 功能安全”描述了道路車輛電氣和電子 （E/E） 系統(tǒng)的開發(fā)。通過各種活動或技術解決方案使系統(tǒng)變得安全。這些所謂的安全措施反映在指定要求、創(chuàng)建架構和設計以及執(zhí)行驗證和確認的過程活動中。

避免系統(tǒng)故障是 ISO 26262 的一個方面。人為故障一直是傳統(tǒng)工程系統(tǒng)中的系統(tǒng)故障。此類失敗的一些明顯示例包括：不完整的需求和測試用例、被遺忘的設計的重要方面或未能發(fā)現(xiàn)問題的驗證。使用機器學習時也是如此。此外，要學習的任務和相應的測試用例也都是由人類描述的。這里仍然可能發(fā)生系統(tǒng)性故障。因此，機器學習模型的開發(fā)需要應用最佳實踐或適當?shù)臉藴柿鞒獭H此是不夠的。為了控制機器學習算法中的系統(tǒng)故障，需要采取安全措施，鑒于未來系統(tǒng)元素的部分開發(fā)將通過此類算法完成。只有在兩者都得到保證的情況下，才能消除這些故障。

由于機器學習在自動駕駛系統(tǒng)中的使用越來越多，最近人們更加關注機器學習的安全性。Amodei 等人，2016 年，討論了與事故風險相關的研究問題以及解決這些問題的可能方法。傳統(tǒng)軟件系統(tǒng)中的代碼必須滿足特定要求，然后通過標準化測試進行檢查。在機器學習中，計算機可以被認為是通過學習方法來接管對模塊進行“編程”的任務。這種“編程”表示在考慮第 3 節(jié)中介紹的技術背景時學習算法的參數(shù)或權重。學習過程通常是隨機的，這意味著無法定義硬性要求。因此，機器學習組件是一個黑盒系統(tǒng)。因此，

環(huán)境傳感器及其相關處理所起的決定性作用超出了功能安全的要求，尤其是在高度自動駕駛的情況下。預期功能的安全性 （SOTIF） 與用于確保預期功能的安全關鍵方面正確執(zhí)行的方法和措施有關，同時考慮到傳感器和處理算法。然而，對于傳統(tǒng)工程系統(tǒng)和機器學習系統(tǒng)，這個問題必須得到澄清，它仍然是正在進行的討論的主題。

虛擬模擬器內的分析是公開此類算法的一種方法。我們將這種方法用于第 2.2 節(jié)中介紹的自學習系統(tǒng)的實驗。在將機器學習系統(tǒng)部署到現(xiàn)實世界的汽車之前，理論上可以在這樣的模擬環(huán)境中學習和評估無限數(shù)量的駕駛情況。

現(xiàn)在機器學習已經(jīng)從游戲和模擬發(fā)展到現(xiàn)實世界的汽車應用程序，生命危在旦夕。如前所述，功能安全問題因此變得越來越重要，這也影響到科學界。結果之一是研究在模擬中對不同機器學習和人工智能算法進行基準測試的方法。OpenAI Gym （Brockman et al. 2016） 就是這樣一個模擬器，它是一個用于開發(fā)和比較強化學習算法的工具包。

結論與展望

最近的成就推動了基于機器學習的功能在高度自動駕駛中的應用。最初的原型確實產生了有希望的結果，并在解決相關的復雜問題時顯示了優(yōu)勢。然而，盡管機器學習可能是合適的，但仍然存在大量挑戰(zhàn)。首先有必要為給定任務選擇正確的神經(jīng)網(wǎng)絡類型。這種選擇與應用的學習方法、必要的預處理和訓練數(shù)據(jù)的數(shù)量有關。關于將整體駕駛任務分解為更小的子任務的最佳方法仍然存在討論。深度學習技術能夠實現(xiàn)端到端的方法，而無需任何分解，但目前認為這在驗證和確認能力方面不太合適。機器學習社區(qū)需要開發(fā)增強的方法，尤其是為了滿足功能安全要求，這是相關功能成功工業(yè)化的基礎。

Elektrobit 堅信機器學習具有重塑未來汽車軟件和系統(tǒng)格局的潛力，盡管挑戰(zhàn)依然存在。為此，已經(jīng)開始了兩個方面的調查。第一個是應用基于機器學習的方法作為高度自動化駕駛場景（選定子集）的解決方案，例如上述用例。EB robinos 參考架構以及與 NVIDIA 的合作伙伴關系等都有助于開發(fā)環(huán)境。其次，Elektrobit 利用其在功能安全和汽車軟件工業(yè)化領域的專業(yè)知識，將其合作伙伴和客戶的這些想法和產品變?yōu)楝F(xiàn)實。

審核編輯：郭婷