依托Waymo和谷歌的技术优势，Waymo将神经网络系统和机器学习方法等人工智能技术引入到自动驾驶汽车的改进中，大大降低了自动驾驶汽车的错误率。

在亚利桑那州凤凰城郊区网络推广，Waymo 的小型货车不再需要人工干预方向盘，已经实现了完全自动驾驶模式。 这些汽车由具有一系列复杂神经网络的“大脑”控制。 听起来很可怕，但该公司表示该系统是完全安全的。

如今，如果有人购买摄像头和激光雷达传感器并将其安装在汽车上，则称为自动驾驶汽车。 然而，对于自动驾驶领域来说，最核心、最重要的是如何让自动驾驶汽车像人类一样控制汽车或者拥有比人类更好的驾驶技术？

在 I/O 开发者大会上网络推广公司，Waymo 首席执行官约翰·克拉夫西克（John ）透露了这样的信息：我们的自动驾驶汽车比人类看得更远，感知能力更强，反应也更好。 甚至更加敏感。

Waymo一直致力于让自动驾驶完全独立于人类，实现全自动化。

最近，他们正在研究一个名为“自动化机器学习”的人工智能项目。 在这个项目中，他们利用神经网络技术来改进自动驾驶技术。

Waymo 工程师不仅对汽车如何识别道路上的物体​​进行建模，还研究人类行为对汽车的影响。 他们使用深度学习方法来解释、预测和响应道路和模拟环境中的驾驶数据。

Waymo 是自动驾驶领域的领导者，已在道路上行驶了 600 万公里，在模拟环境中行驶了 50 亿英里。 在此过程中，Waymo 收集了大量数据和信息。 Waymo 还与菲亚特克莱斯勒和捷豹路虎这两家主要汽车制造商合作。 Waymo 首席技术官德米特里·多尔戈夫 ( ) 表示：自动驾驶对性能和精度有很高的要求，这方面的驾驶体验非常重要。

深度学习的概念源于人工神经网络的研究。 具有多个隐藏层的多层感知器是一种深度学习结构。 深度学习通过组合低层特征来形成更抽象的高层表示属性类别或特征，从而发现数据的分布式特征表示。

深度学习也是机器学习的一种。 它可以利用不同感知层的神经网络来分析不同的抽象数据。 它是提高自动驾驶汽车感知和性能的绝佳解决方案。

Brain团队的专家也正在与的工程师合作，研究能够提高自动驾驶准确性的方法。

此前，自动驾驶系统的错误率很高，无法很好地区分汽车、交通信号灯和陌生人。 在实时情况下，响应速度较慢。

为了改善这个问题，人们在提高系统的识别能力方面做了很多努力。 AI工程师将机器学习方法与神经网络技术结合起来，应用到自动驾驶技术中，挖掘两者的技术优势。

多尔戈夫说，人们一眼就能区分出猫和狗，但要求人们解释为什么得出这个结论要复杂得多。 深度学习方法也是如此——教机器从传感器数据中识别行人比教授原理和编码要容易得多。

Waymo 使用自动化程序和不同人员的标签分类来训练系统的神经网络。 训练完成后，这些庞大的数据库需要进行修剪和压缩，并应用到真实的驾驶环境中。 这个过程和图像的压缩一样，对于全球自动驾驶系统基础设施的建设至关重要。

让自动驾驶汽车在白天对过马路的行人做出反应很容易，但让它检测并响应过马路的行人则相对困难。

如果行人停在道路中央车道怎么办？ Waymo 的自动驾驶汽车反应谨慎，因为行人通常在中央车道等待。 但如果没有中央车道区域怎么办？ Waymo 的汽车还可以识别行人的异常行为，并尝试减速让行人通过。

通过嵌入机器学习方法，Waymo 可以识别行人的正常和非法行为，防止行人闯红灯或非法过马路。

此外，神经网络系统需要大量的数据和技术来支持和训练。 作为谷歌的子公司，Waymo 可以使用谷歌的数据中心来训练其神经网络系统。 具体来说，Waymo可以使用谷歌强大的云计算硬件系统，即TPU处理器（单元），这足以支持Waymo伟大的技术研发计划。 通常，这项工作由商用 GPU 执行。 但近年来，谷歌也开发了自己的硬件和软件系统。 相比之下，TPU 比 CPU 快得多。

如果 Waymo 能够构建机器学习模型，并使其带有神经网络系统的汽车能够在标记不清的街道上行驶，那么 Waymo 的自动驾驶汽车范围将不仅仅局限于凤凰城郊区，而是更加开放。 的路径. 今年，Waymo 还计划在美国亚利桑那州建立完全无人驾驶出租车业务。

文章原创于金源网络科技有限公司：http://haimianbeibei.com/