出租车很有可能成为自动驾驶汽车在野外的早期使用案例。但要实现这一目标，自动驾驶汽车开发商面临着一个艰巨的挑战:为车辆配备设备，以满足一系列无法完全预料到的场景。
人工智能和深度学习工具一直是自动驾驶汽车项目的秘密武器，赋予汽车面对新挑战并从中学习的适应性。这些挑战中最困难的是开发人员Motional所说的“边缘情况”，当我们的目标是建造一辆安全的机器人出租车时，识别并解决这些异常情况是一项迫切的技术任务。为此，Motional开发了自己的持续学习框架(CLF)，可以帮助其汽车随着行驶里程的增加而变得更智能。
虽然Motional的新IonIQ 5机器人出租车是靠电力运行的，但一位发言人最近打趣说，CLF是由数据驱动的:Motional的车辆每天收集的数据达tb，绘制了美国各个城市的地图。CLF的工作方式就像一个闭环飞轮:过程中的每一步都是重要的，完成这一步将推动下一步的前进。随着来自该公司车辆的数据不断增长，预计飞轮将转得更快，从而更容易加快学习速度，解决边缘情况，绘制新的可能性，并扩展到新的市场。这种基于机器学习的系统允许motion在收集更多数据时自动提高性能，这是通过专门针对罕见的情况实现的。
为了更深入地了解CLF过程和数据是如何帮助motion提高性能的，我最近联系了工程和主管Autonomy的副总裁Sammy Omari。
GN:告诉我们更多布特的有限公司ntinuous学习f框架(CLF)和为什么Motio部分发达吗?
Sammy Omari:在motion公司，我们正在开发4级机器人出租车——不需要驾驶员驾驶的自动驾驶汽车。我们将通过与叫车网络的合作，在主要市场部署我们的机器人出租车。为了实现大规模的4级部署，我们的车辆需要能够识别并安全地导航许多人类司机也面临的不可预测和不寻常的道路场景。
为了达到这种复杂程度，我们开发了一个持续学习框架(CLF)，它使用机器学习原理，使我们的自动驾驶汽车每行驶一英里，都更有经验，更安全。Motional的CLF是一款革命性的基于机器学习的系统，当我们收集到更多数据时，该系统可以自动提高车辆的性能，而且它专门针对车辆可能遇到的罕见情况。
CLF的工作原理就像一个闭环飞轮:过程中的每一步都很重要，完成一个步骤就能推进下一个步骤。整个系统是由我们的车辆收集的真实世界的数据驱动的。
GN:什么类型的罕见案例或异常的运动通过CLF的目标?
萨米·奥马里:绝大多数时候，开车从一个地方到另一个地方是件平淡无奇的事。然而，偶尔会有一些不寻常或“令人兴奋”的事情发生，这涉及到一系列罕见和独特的驾驶体验——被称为边缘情况。这些通过CLF实现的运动目标的边缘案例包括车辆闯红灯或违反通行权、行人冲进车流、骑自行车的人背着冲浪板、竞速三轮车，以及我们每天都不会遇到的其他道路使用者或行为。
GN: MotioNal利用收集的数据来帮助提高车辆性能?
Sammy Omari:通过CLF，我们能够在大量数据中找到那些罕见的边缘情况，通过自动和手动数据注释创建训练数据，使用这些数据保留我们的机器学习模型，然后评估更新后的模型。
Motional的场景搜索引擎允许开发者快速搜索Motional庞大的drivellog数据库，这样他们就可以在几秒钟内查看和可视化结果。每当我们的自动驾驶车辆在道路上收集数据时，这个场景查询就可以运行。当我们收集到足够数量的样本并扩展我们的训练数据时，我们就可以重新训练机器学习模型。
我们已经建造了这个基于机器学习的飞轮，它可以让我们在收集更多数据时自动提高性能——它通过专门针对罕见的边缘情况来实现这一点。随着来自我们汽车的数据不断增长，飞轮将更快转动，从而更容易加快学习的步伐，解决边缘情况，绘制新的可能性，并扩展到新的市场。
ign:这对motion的未来发展意味着什么?
萨米•奥马里(Sammy Omari):我们在机器学习方面的创新方法，帮助我们创造出更智能、更安全的自动驾驶汽车，能够在各种复杂环境中导航。这使我们能够更快地在新市场部署我们的汽车，最终将更广泛地改善道路安全。
