剑桥大学工程系团队创立的Wayve凭借机器学习算法，只必须用于摄像头和基本的卫星导航系统就可以构建自动驾驶汽车在陌生的道路上行经。自从2016年，英伟达公开发表了用作自动驾驶汽车的末端到末端深度自学技术之后，早已有不计其数的公司、单位甚至爱好者用此技术作出自动驾驶的demo。非常简单网络结构，可以构建摄像头输出到刹车油门方向盘输入的必要同构。

然而这种较低门槛也预见了它可以解决问题的问题并不多，很难应付明确驾驶员环境上的复杂性。有专家甚至指出末端到末端不合适研发简单无人驾驶系统，可以做到demo，大规模商用有可能十分艰难。末端到末端只配做demo吗？由剑桥大学团队创立的Wayve无人驾驶软件公司却不这么指出。

他们没用低精地图，也没用激光雷达等便宜的传感器，当然也没给汽车手工输出规则，只训练20小时数据，就可以在未曾跑完过的道路上驾驶员。Wayve研发团队指出既然是自动驾驶，就不必须手工编码一些规定，要充份的展现出其智能的特性。团队使用了当下大冷的深度自学增强自学算法，创建了一个可以像人类一样渐渐自学驾驶员的自动驾驶系统。经过探寻、优化和评估三个步骤展开递归，使用深度确定性策略梯度（Deepdeterministicpolicygradients，DDPG），来解决问题车道维持问题。

现有技术的图像分类体系结构具备数百万个参数，而Wayve团队的网络构架是一个深度网络，有4个卷积层和3个几乎相连层，总共只有将近1万个参数，所有处置都在汽车GPU上继续执行。在增强自学建模测试中，通过随机分解曲线车道，以及道路纹理和车道标记，然后根据搜集的数据优化策略，再行大大反复。

融合了图像翻译成和不道德克隆的末端到末端零镜头框架大多数自驾车公司用于仿真来检验他们的系统，而Wayve让自动驾驶汽车在建模中普遍自学如何处置少见的边缘情况。Wayve训练汽车展开仿真驾驶员，并将教给的科学知识转化成到现实世界。Wayve没将仿真和现实世界视作两个有所不同的领域，而是设计了一个框架，将两者融合一起，既可以在仿真中训练改向决策，又可以在现实世界中展现类似于的不道德而需要展开确实的展示。

Wayve的模型由一对最初用作图像切换的卷积变分自动编码器式的网络构成，用作图像翻译成，即无监督图像到图像的翻译成网络（UnsupervisedImage-to-ImageTranslationNetworks,UNIT)）。在两个域之间没任何未知的偏移或对应关系的情况下，模型需要在它们之间展开切换。

右图是一个捕猎场景主要布局的例子。值得注意的是，模拟器的视觉保真度在自学驾驶员时并不是最重要的，他们的仿真世界就像卡通一样，依旧可以很好的已完成建模仿真。

Wayve研究称之为，内容保真度比视觉保真度更加最重要。但是，有效地仿真其他交通参与者的不道德依然是一个极大的挑战。

基于真实世界的驾驶员数据和精心设计的边缘案例来仿真场景汽车由基于模型的深层增强自学系统驱动，该算法从离线搜集的现实数据中自学预测模型。这让模型自学并用于预测模型所想象的新场景数据来训练驾驶员。Wayve致力于研发更加非常丰富，更加强劲的时态预测模型，并坚信这是建构智能安全性自动驾驶汽车的关键。

目前，该系统早已部署在JaguarI-PACE车上。这辆车夺得了2019年度欧洲年度车型的称号，未来将在整个英国和欧洲大陆搜集数据。当下，让数据渐渐累积，其驱动算法有可能超过人类驾驶员质量的95％，需要处置交通灯，环形交叉路口，十字路口等。尽管有人不会实在末端到端的自动驾驶系统，既不聪慧也不灵活性，再次发生问题无法说明，然而Wayve在用其强劲的算法证明这种深度自学的技术不只可以做到demo，未来也可以确保安全性，也可以商用。

本文来源：华体汇·体育-www.iotsmtp.com