在 這三部分系列的第一部分中，作者調(diào)查了機器學(xué)習(xí)技術(shù)在高度自動化駕駛場景中的驅(qū)動因素和潛在應(yīng)用。第二部分定義了機器學(xué)習(xí)技術(shù)的理論背景，以及汽車開發(fā)人員可用的神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)徹底改變了機器學(xué)習(xí)系統(tǒng)及其能力，但它不一定是最適合所有任務(wù)的方法。對于其他幾種類型的應(yīng)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(xué)習(xí)算法的標準是必要的。這些標準如下所述。

問題的 復(fù)雜性 是控制選擇的直接標準，它必須適合方法的復(fù)雜性。該標準可以轉(zhuǎn)化為算法必須學(xué)習(xí)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(xué)習(xí)了兩個參數(shù)。深度神經(jīng)網(wǎng)絡(luò)可能需要學(xué)習(xí)數(shù)百萬個參數(shù)才能獲得與邏輯回歸方法相似的結(jié)果。第 11 頁的圖 12 顯示了機器學(xué)習(xí)算法根據(jù)其復(fù)雜性排序的近似分布。

圖 12： 基于復(fù)雜性的機器學(xué)習(xí)算法分類。

每個算法背后的數(shù)學(xué)是這一經(jīng)驗發(fā)現(xiàn)的基礎(chǔ)。偏差-方差權(quán)衡是選擇和構(gòu)建機器學(xué)習(xí)系統(tǒng)時的一個重要方面。偏差是由學(xué)習(xí)方法做出的錯誤假設(shè)所產(chǎn)生的誤差。它與欠擬合問題直接相關(guān)。高偏差算法無法找到輸入特征和目標標簽之間的相關(guān)關(guān)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(dǎo)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(quán)衡，因為這兩個量彼此成比例。另一個應(yīng)該考慮的標準是調(diào)整參數(shù)的數(shù)量數(shù)據(jù)工程師在訓(xùn)練分類器時需要調(diào)整。

最后，還需要考慮輸入數(shù)據(jù)的性質(zhì)。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(yīng)用，可以假設(shè)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(shè)對于選擇合適的機器學(xué)習(xí)方法至關(guān)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(shù)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(gòu)和設(shè)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(shè)計的重要方面或未能發(fā)現(xiàn)問題的驗證。使用機器學(xué)習(xí)時也是如此。此外，要學(xué)習(xí)的任務(wù)和相應(yīng)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(xué)習(xí)模型的開發(fā)需要應(yīng)用最佳實踐或適當?shù)臉藴柿鞒?。僅此是不夠的。為了控制機器學(xué)習(xí)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(xué)習(xí)在自動駕駛系統(tǒng)中的使用越來越多，最近人們更加關(guān)注機器學(xué)習(xí)的安全性。Amodei 等人，2016 年，討論了與事故風(fēng)險相關(guān)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(xué)習(xí)中，計算機可以被認為是通過學(xué)習(xí)方法來接管對模塊進行“編程”的任務(wù)。這種“編程”表示在考慮第 3 節(jié)中介紹的技術(shù)背景時學(xué)習(xí)算法的參數(shù)或權(quán)重。學(xué)習(xí)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(xué)習(xí)組件是一個黑盒系統(tǒng)。因此，

環(huán)境傳感器及其相關(guān)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(yù)期功能的安全性 （SOTIF） 與用于確保預(yù)期功能的安全關(guān)鍵方面正確執(zhí)行的方法和措施有關(guān)，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(xué)習(xí)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(nèi)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(xué)習(xí)系統(tǒng)的實驗。在將機器學(xué)習(xí)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(xué)習(xí)和評估無限數(shù)量的駕駛情況。

現(xiàn)在機器學(xué)習(xí)已經(jīng)從游戲和模擬發(fā)展到現(xiàn)實世界的汽車應(yīng)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(xué)界。結(jié)果之一是研究在模擬中對不同機器學(xué)習(xí)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(xué)習(xí)算法的工具包。

結(jié)論與展望

最近的成就推動了基于機器學(xué)習(xí)的功能在高度自動駕駛中的應(yīng)用。最初的原型確實產(chǎn)生了有希望的結(jié)果，并在解決相關(guān)的復(fù)雜問題時顯示了優(yōu)勢。然而，盡管機器學(xué)習(xí)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(wù)選擇正確的神經(jīng)網(wǎng)絡(luò)類型。這種選擇與應(yīng)用的學(xué)習(xí)方法、必要的預(yù)處理和訓(xùn)練數(shù)據(jù)的數(shù)量有關(guān)。關(guān)于將整體駕駛?cè)蝿?wù)分解為更小的子任務(wù)的最佳方法仍然存在討論。深度學(xué)習(xí)技術(shù)能夠?qū)崿F(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(xué)習(xí)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(guān)功能成功工業(yè)化的基礎(chǔ)。

Elektrobit 堅信機器學(xué)習(xí)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(diào)查。第一個是應(yīng)用基于機器學(xué)習(xí)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(gòu)以及與 NVIDIA 的合作伙伴關(guān)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(lǐng)域的專業(yè)知識，將其合作伙伴和客戶的這些想法和產(chǎn)品變?yōu)楝F(xiàn)實。

審核編輯：郭婷