自動駕駛汽車依靠攝像頭、激光雷達以及雷達等等傳感器來感知周圍的變化，感知能力對自動駕駛來說非常重要。本文是一份指南，鼓勵大家在家訓練自動駕駛系統(tǒng)的感知能力。

△神秘的視覺

感知，大概就是感受到周遭正在發(fā)生什么的一種能力。這項技能對自動駕駛來說太重要了。

自動駕駛汽車依靠攝像頭、激光雷達以及雷達等等傳感器來感知周圍的變化。

一位名叫凱爾 (Kyle Stewart-Frantz) 的大叔，準備了一份指南，鼓勵大家在家訓練自動駕駛系統(tǒng)的感知能力。

當然，這個手冊并不是他出于愛好寫出來的，是隨著Lyft和Udacity聯(lián)合發(fā)起的感知挑戰(zhàn)賽(Lyft Perception Challenge)，而生的。

比賽考驗的就是系統(tǒng)能不能準確地感受到，可以行駛的路面在哪里，周圍的汽車在哪里。

挑戰(zhàn)賽中，能夠倚仗的所有數(shù)據(jù)，都來自車載的前向攝像頭。

攝像頭不存在？

這里的“攝像頭數(shù)據(jù)”并非真實攝像頭記錄的影像，而是一個名為CARLA的模擬器生成的圖景。

畢竟，自動駕駛汽車的軟件開發(fā)大多是在模擬器中進行的，那里快速的原型設計和迭代，比在現(xiàn)實世界里使用真實硬件要高效得多。

那么，來看一下CARLA給的數(shù)據(jù)長什么樣——

左邊是模擬攝像頭捕捉的畫面，右邊則是與之對應的、標記好的圖像。

用這樣的數(shù)據(jù)來訓練算法，讓AI能夠在從未見過的新鮮圖像里，判斷出哪些像素對應的是道路，哪些部分對應的是其他車輛。

這就是挑戰(zhàn)賽的目標。

車前蓋太搶鏡？

要完成比賽任務，自然會想到語義分割。用這種方式來訓練神經網絡，成熟后的AI便可以判斷每個像素里包含的物體了。

第一步，是對標記好的圖像做預處理。比如，因為設定是“車載前向攝像頭”拍下的畫面，每一幅圖像都會出現(xiàn)車前蓋，可是如果這樣就把所有圖像判定為“車”，就不太好了。

所以要把顯示車前蓋的那些像素的值設為零，或者貼上其他的“非車”標簽。

第二步，車道標識和道路的值是不一樣的，但我們希望這些標識，可以被識別為路面的一部分。

△這不是給汽車的指示，但也太隨性了

所以，要把車道標識和路面，貼上一樣的標簽。

用Python寫出來，預處理功能就長這樣——

1def preprocess_labels(label_image): 2 labels_new = np.zeros_like(label_image) 3 # Identify lane marking pixels (label is 6) 4 lane_marking_pixels = (label_image[:,:,0] == 6).nonzero() 5 # Set lane marking pixels to road (label is 7) 6 labels_new[lane_marking_pixels] = 7 7 8 # Identify all vehicle pixels 9 vehicle_pixels = (label_image[:,:,0] == 10).nonzero()10 # Isolate vehicle pixels associated with the hood (y-position > 496)11 hood_indices = (vehicle_pixels[0] >= 496).nonzero()[0]12 hood_pixels = (vehicle_pixels[0][hood_indices], 13 vehicle_pixels[1][hood_indices])14 # Set hood pixel labels to 015 labels_new[hood_pixels] = 016 # Return the preprocessed label image 17 return labels_new

預處理過后的結果，就是標記和之前的不太一樣了。

準備活動做好了，神經網絡的正式訓練也就可以開始了。

誰是分類小公主？

那么，大叔選的是怎樣的神經網絡？

定制一個FCN-Alexnet或許是個不錯的選項，它擅長把每個像素分到不同的類別里。

循著以下鏈接，可以找到這個模型的詳細信息——

代碼：

https://github.com/shelhamer/fcn.berkeleyvision.org/tree/master/voc-fcn-alexnet

論文：

https://arxiv.org/pdf/1605.06211.pdf

大叔用一個隨機梯度下降solver，把全部訓練數(shù)據(jù)跑了10次(10 epochs) ，基礎學習率設的是0.0001。

評估訓練成果

拿訓練好的神經網絡去跑驗證數(shù)據(jù)，凱爾得到了0.6685的F2值，以及0.9574的F0.5值 (前者更重視召回率，后者更重視準確率) 。系統(tǒng)每秒處理6.06幅圖像。

當然，視頻會比這些數(shù)字更加生動

然后還想怎樣？

大叔說，要讓神經網絡表現(xiàn)更好，將來會搜集更多數(shù)據(jù)，涉及更加豐富的路況。

另外，要進行一系列的數(shù)據(jù)增強，讓數(shù)據(jù)和數(shù)據(jù)之間的差異更加明顯。

關于神經網絡的結構，也還有其他選擇，比如為細粒度預測而生的FCN-8，值得嘗試。

還有，可以引入時態(tài)數(shù)據(jù)(光流) ，來減少推斷需要的幀數(shù)，同時保持比較高的準確度。

模擬器不夠真？

當然，只有模擬器也是不夠的，自動駕駛系統(tǒng)終究要接受現(xiàn)實的考驗。

面對真實攝像頭傳出的畫面，系統(tǒng)的辨識結果并沒有非常理想。不過在許多幀里面，神經網絡都能夠在一定程度上，辨認出道路和車輛。

真實世界和模擬器里的駕駛場景，還是不一樣的。

如果模擬器生成的圖像和現(xiàn)實更加接近的話，可能結果就會好一些了。

不難看到，在和模擬器設定更為接近的路況下，系統(tǒng)的表現(xiàn)還是很不錯的。

如此看來，這只AI還是很有前途。只要把模擬器造得更貼近真實，神經網絡應該就能得到更有效的訓練。

這里提供一段代碼，可以用來查看，算法跑出的結果到底怎么樣——

1from moviepy.editor import VideoFileClip, ImageSequenceClip 2import numpy as np 3import scipy, argparse, sys, cv2, os 4 5file = sys.argv[-1] 6 7if file == 'demo.py': 8 print ("Error loading video") 9 quit1011def your_pipeline(rgb_frame):1213 ## Your algorithm here to take rgb_frame and produce binary array outputs!1415 out = your_function(rgb_frame)1617 # Grab cars18 car_binary_result = np.where(out==10,1,0).astype('uint8')19 car_binary_result[496:,:] = 020 car_binary_result = car_binary_result * 2552122 # Grab road23 road_lines = np.where((out==6),1,0).astype('uint8')24 roads = np.where((out==7),1,0).astype('uint8')25 road_binary_result = (road_lines | roads) * 2552627 overlay = np.zeros_like(rgb_frame)28 overlay[:,:,0] = car_binary_result29 overlay[:,:,1] = road_binary_result3031 final_frame = cv2.addWeighted(rgb_frame, 1, overlay, 0.3, 0, rgb_frame)3233 return final_frame3435# Define pathname to save the output video36output = 'segmentation_output_test.mp4'37clip1 = VideoFileClip(file)38clip = clip1.fl_image(your_pipeline)39clip.write_videofile(output, audio=False)

用到的可視化數(shù)據(jù)在這里：https://s3-us-west-1.amazonaws.com/udacity-selfdrivingcar/Lyft_Challenge/videos/Videos.tar.gz

你也一起來吧？

當然，作為Lyft感知挑戰(zhàn)賽的研發(fā)負責人，凱爾大叔這番苦口婆心的目的，還是吸引更多的小伙伴摻和進來。

道路安全，人人有責。大概就是這個意思，吧。