經典MIT的Deep Learning for Self－driving Car課程上，邀請到了Waymo首席科學家Drago Anguelov，分享題為“Taming The Long Tail of Autonomous Driving Challenges（馴服自動駕駛的長尾挑戰）”，主要是講在現實世界中的Long Tail現象，各種異常情況該如何收集、融合、發布和測試。

知乎＠黃浴總結了此課程的一些新看點：

1． 題目是“長尾”處理；

2． 可以處理道路維修場景；

3． 可以識別特殊車輛（警車／救護車／消防車）；

4． 可以預防闖紅燈的車輛；

5． 可以對馬路自行車行為軌跡預測；

6． 通過NAS學習模型；

7． 不完全依賴機器學習，可以利用專家知識（domain knowledge）；

8． 不是E2E學習駕駛行為，而是Mid－2－Mid，就是最近的ChauffeurNet；

9． 學習的行為預測有自適應性，比如激進的或者溫和禮貌的；

10． 仿真不能解決所有問題，仿真系統需要更多的agent model，要smart。

下面是智車科技對本次分享的視頻解讀及PPT：

我畢業于斯坦福大學博士學位，曾研究機器人相關領域。現在Google帶領團隊研究3D感知，以此來構建一個全新的自動駕駛感知系統。

Waymo這家公司截止上個月已經成立了十周年了（2009年成立）它起源于Google X。

2015年，我們研發的這款自動駕駛汽車進行公路路測試驗，這是世界上第一輛成功實現自動駕駛的汽車。在這個案例中，坐在車里的人是個盲人，我們認為這個項目的意義重大。所以我們不僅僅希望這臺車只是一個成功的演示案例，我們更加希望能夠實現無人駕駛。

我將給你們展示一個很酷的視頻。你們看，這臺汽車真的在自己行駛在公路上。2018年，自動駕駛商業化，這臺車學習了很多司機用戶的駕駛習慣，使它自身擁有強大的自動駕駛能力。它也成功的在公路上自主行駛（無人駕駛狀態）超過10，000，000，000公里。我們的路測實驗幾乎涵蓋了所有的不同城市的駕駛場景，收集了很多駕駛數據。

我想解釋一下為什么今天的演講的題目是“項目的長尾問題”。因為我們在自動駕駛這條路上，我們還有很多問題需要處理和解決，才能使得自動駕駛更加完善。

自動駕駛系統要求有足夠的能力，在沒有人類司機干預的情況下，安全地處理所有的突發情況。

事實上，突發的異常情況總是發生，而且這些異常情況經常是比較復雜且少見的，而自動駕駛就是要安全的解決這些突發的復雜且少見的情況。這就是我所說的“長尾巴情況”，它不同于在常見的場景中的自動駕駛，而這種復雜且少見的駕駛場景在自動駕駛領域確實非常重要。

我們來看這場景，畫面中騎自行車的人帶著一塊“停止”的標志牌。但是我們并不知道他會停在哪里，什么時候停下。

我們再來看這個場景，有東西掉在路上了，周圍的建筑也是一個問題。

現實中存在很多不同的場景和不同的問題，像這個視頻中，我們的車輛聽到了其他車輛的鳴笛聲音，那么如何處理這個鳴笛的聲音，這些都需要很好的（安全的）解決掉。

那么我們是如何解決這些問題的呢？

首先是，感知。我們利用傳感器感知周圍環境，并在屏幕上顯示（可以顯示周圍的建筑、環境等等），以此重新構建一個地圖。

感知的復雜性包括，在路上，有很多不同的物體，他們有不同的形狀、顏色、狀態。比如，有不同樣式的信號燈，路上有動物和行人，行人還會穿著不同顏色的衣服，有不同的姿勢狀態。為了清晰的觀察到這些，我們裝置了很多傳感器，來解決這個問題。

感知的復雜性還包括，很多不同的環境。比如，一天當中不同的時間段（白天／黑夜），不同的季節，不同的天氣下雨或者下雪。這些都需要識別。

感知的復雜性還包括，不同的場景配置，或者叫物體之間的關系識別。不同的搭配就有不同的物體之間的關系，比如圖片中，一個人拿著一塊巨大的板子，第二幅圖中，玻璃中有反光現象，第三幅圖中人騎著馬等等不同的場景和關系。

這種映射功能是一個非常復雜的功能，這是由物體、環境、場景配置共同決定的。

所以這需要我們在觀察周圍環境的基礎上做出預判，對周邊人和物體的下一個動作做出預判，即我們要對短時間內發生的事情做出一個預測。