基于ChatGPT的自動(dòng)駕駛技術(shù)解決方案

作者簡(jiǎn)介： Dr. Luo，東南大學(xué)工學(xué)博士，英國布里斯托大學(xué)博士后，是復(fù)睿微電子英國研發(fā)中心GRUK首席AI科學(xué)家，常駐英國劍橋。Dr. Luo長(zhǎng)期從事科學(xué)研究和機(jī)器視覺先進(jìn)產(chǎn)品開發(fā)，曾在某500強(qiáng)ICT企業(yè)擔(dān)任機(jī)器視覺首席科學(xué)家。

元宇宙是人類社會(huì)網(wǎng)絡(luò)化和虛擬化，通過對(duì)實(shí)體對(duì)象對(duì)應(yīng)生成數(shù)字”智能體”來構(gòu)建一個(gè)人機(jī)共存的新社會(huì)形態(tài)。元宇宙零距離社會(huì)里的社會(huì)計(jì)算，是一種數(shù)據(jù)行為的社會(huì)計(jì)算和人機(jī)交互的社交計(jì)算。

對(duì)于生成式AI行業(yè)，我們也許可以將其核心演進(jìn)趨勢(shì)定義為人機(jī)智能的社交計(jì)算，簡(jiǎn)單表述為通過完成類似通用的問題答問Q&A系統(tǒng)任務(wù)，以及特定內(nèi)容的高清圖像生成，來促進(jìn)各行業(yè)轉(zhuǎn)型升級(jí)，尤其是數(shù)字內(nèi)容生產(chǎn)，人機(jī)交互與問答(聊天，教育和金融服務(wù)，醫(yī)療診療，自動(dòng)駕駛等)行業(yè)，從而進(jìn)一步打通元宇宙中真實(shí)世界與虛擬世界的社交溝通能力。 ? 對(duì)于自動(dòng)駕駛ADS行業(yè)，我們也許可以將其核心演進(jìn)趨勢(shì)定義為群體智能的社會(huì)計(jì)算，簡(jiǎn)單表述為，用GPU/NPU大算力和去中心化計(jì)算來虛擬化駕駛環(huán)境，通過數(shù)字化智能體(自動(dòng)駕駛車輛AV)的多模感知交互(社交)決策，以及車車協(xié)同，車路協(xié)同，車云協(xié)同，通過跨模數(shù)據(jù)融合、高清地圖重建、云端遠(yuǎn)程智駕等可信計(jì)算來構(gòu)建元宇宙中ADS的社會(huì)計(jì)算能力。

生成式AI

生成式AI大模型，包括近兩年推出的ChatGPT和Stable Diffusion，能夠比較滿意地完成類似通用的問題答問Q&A系統(tǒng)任務(wù)，以及特定內(nèi)容的高清圖像生成。對(duì)各個(gè)行業(yè)來說，呈現(xiàn)著一定程度的顛覆性意義和充滿未來想象的商業(yè)空間，可以促進(jìn)各行業(yè)轉(zhuǎn)型升級(jí)，尤其是數(shù)字內(nèi)容生產(chǎn)，人機(jī)交互與問答(聊天，教育和金融服務(wù)，醫(yī)療診療，自動(dòng)駕駛等)行業(yè)。 ?

圖1:?生成式大模型發(fā)布時(shí)間軸(G-Brizuela, 2023)

如圖1所示，2021-2022年，我們很幸運(yùn)地迎來了DNN大模型的一輪大爆炸，即所謂的生成式AI(AIGC)浪潮。在演進(jìn)中的生成式AI大模型包括：

Text-to-Texts：ChatGPT3, PEER, LaMDA, Speech From Brain

Text-to-Image: Starry A.I.(GAN-based), DALLE-2 (Diffusion-based), Stable Diffusion,Muse, Imagen

Text-to-3D-Image: Dreamfusion, Majic3D

Image-to-Text: Flamingo， VisualGPT

Text-to-Video: Phenaki, Soundify

Text-to-Audio: AudioLM, Jukebox, Whisper

Text-to-Code: Codex, Alphacode

Text-to-Scientific: Galactica, AlphaTensor, Mineva, GATO

上述的主流生成式AI大模型，如果從開發(fā)到最終擁有關(guān)系角度，可以簡(jiǎn)單分類如下：

OpenAI: DALLE-2, ChatGPT3, Jukebox, Whisper

Google: Imagen, DreamFusion, Minerva, LaMDA, Muse, Phenaki, AudioLM

DeepMind: Flamingo, AlphaTensor, AlphaCode, GATO

Meta AI: PEER, Galctica, Speech From Brian

Runway: Stable Diffusion, Soundify

nVidia: Magic3D

從上述幾個(gè)生成式AI大模型的能力對(duì)比分析(G-Brizuela, 2023)，以及圖2中ChatGPT在不同場(chǎng)景的邏輯錯(cuò)誤對(duì)比，我們也許可以簡(jiǎn)單總結(jié)以下：

創(chuàng)造性任務(wù)：Text-to-Text, Text-to-Image, Text-to-Video

???準(zhǔn)確率仍然遠(yuǎn)低于預(yù)期，有待成熟完善。

個(gè)性化任務(wù)：Text-to-Audio

???有限數(shù)據(jù)集問題，大規(guī)模參數(shù)訓(xùn)練困難，有待成熟完善。

科學(xué)類任務(wù)：Text-to-Science, Text-to-code

???有限數(shù)據(jù)集問題，大規(guī)模參數(shù)訓(xùn)練困難，準(zhǔn)確率低于預(yù)期。

圖2: ChatGPT在不同場(chǎng)景下的邏輯錯(cuò)誤對(duì)比

ChatGPT

ChatGPT(Generative Pre-trained Transformer)是OpenAI開發(fā)的一款生成式AI模型，它結(jié)合了監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)方法，通過對(duì)話的方式來進(jìn)行交互：依據(jù)用戶的文本輸入來做多種語言的智能回復(fù)，簡(jiǎn)文或者長(zhǎng)文模式，其中可以包括不同類型的問題答復(fù)，翻譯，評(píng)論，行業(yè)分析，代碼生成與修改，以及撰寫各類計(jì)劃書與命題書籍等等。各類生成式AI模型也可以聯(lián)合調(diào)用來提供豐富的人機(jī)對(duì)話的能力。生成式AI模型多需要海量的參數(shù)，來完成復(fù)雜的特征學(xué)習(xí)和記憶推理，例如ChatGPT模型參數(shù)為1750億。

圖3:?ChatGPT模型的訓(xùn)練流程(G-Brizuela, 2023)

如圖3所示，ChatGPT模型結(jié)合了監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)方法，采用了基于人類反饋的強(qiáng)化學(xué)習(xí)RLHF訓(xùn)練方法，與此同時(shí)采用了遷移學(xué)習(xí)(或者叫自監(jiān)督學(xué)習(xí))的訓(xùn)練方法，即通過預(yù)訓(xùn)練方式加上人工監(jiān)督進(jìn)行調(diào)優(yōu)（近端策略優(yōu)化PPO算法）。RLHF訓(xùn)練方法確實(shí)可以通過輸出的調(diào)節(jié)，對(duì)結(jié)果進(jìn)行更有理解性的排序，這種激勵(lì)反饋的機(jī)制，可以有效提升訓(xùn)練速度和性能。在實(shí)際對(duì)話過程中，如果給出答案不對(duì)(這是目前最讓人質(zhì)疑的地方，可能會(huì)錯(cuò)誤地引導(dǎo)使用者)，可以通過反饋和連續(xù)談話中對(duì)上下文的理解，主動(dòng)承認(rèn)錯(cuò)誤，通過優(yōu)化來調(diào)整輸出結(jié)果。給出錯(cuò)誤問答的其中一個(gè)主要原因是缺乏對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)，有意思的是，雖然缺乏該領(lǐng)域的常識(shí)知識(shí)和推廣能力，但模型仍然能夠胡編亂造出錯(cuò)誤或者是是而非的解答。ChatGPT的另外一個(gè)主要缺陷是只能基于已有知識(shí)進(jìn)行訓(xùn)練學(xué)習(xí)，通過海量的參數(shù)(近100層的Transformer層)和已有的主題數(shù)據(jù)來進(jìn)行多任務(wù)學(xué)習(xí)，目前來看仍缺乏持續(xù)學(xué)習(xí)或者叫做終身學(xué)習(xí)的機(jī)制，也許下一代算法能夠解決這個(gè)難題，這也需要同步解決采用終身學(xué)習(xí)新知識(shí)引發(fā)的災(zāi)難性遺忘難題等等。

自動(dòng)駕駛：多智能體間的社交決策

在真實(shí)的交通場(chǎng)景里，一個(gè)理性的人類司機(jī)在復(fù)雜的和擁擠的行駛場(chǎng)景里，通過與周圍環(huán)境的有效協(xié)商，包括揮手給其它行駛車輛讓路，設(shè)置轉(zhuǎn)向燈或閃燈來表達(dá)自己的意圖，來做出一個(gè)個(gè)有社交共識(shí)的合理決策。而這種基于交通規(guī)則+常識(shí)的動(dòng)態(tài)交互，可以在多樣化的社交/交互駕駛行為分析中，通過對(duì)第三方駕駛者行為和反應(yīng)的合理期望，來有效預(yù)測(cè)場(chǎng)景中動(dòng)態(tài)目標(biāo)的未來狀態(tài)。這也是設(shè)計(jì)智能車輛AV安全行駛算法的理論基礎(chǔ)，即通過構(gòu)建多維感知+行為預(yù)測(cè)+運(yùn)動(dòng)規(guī)劃的算法能力來實(shí)現(xiàn)決策安全的目的。而會(huì)影響到車輛在交互中的決策控制的駕駛行為包括駕駛者(人或AV)的社會(huì)層面交互和場(chǎng)景的物理層面交互兩個(gè)方面：

社會(huì)層面交互：案例包括行駛車輛在并道、換道、或讓道時(shí)的合理決策控制，主車道車輛在了解其它車輛的意圖后自我調(diào)速，給需要并換道的車輛合理讓路來避免可能的沖突和危險(xiǎn)。

物理層面交互：案例包括靜態(tài)物理障礙(靜態(tài)停車車輛，道路可行駛的邊界，路面障礙物體)和動(dòng)態(tài)物理線索(交通標(biāo)識(shí)，交通燈和實(shí)時(shí)狀態(tài)顯示，行人和運(yùn)動(dòng)目標(biāo))。

ADS群體智能的社會(huì)計(jì)算，對(duì)這種交互/社交行為，可以在通常的定義上擴(kuò)展，也就是道路使用者或者行駛車輛之間的社交/交往，即通過彼此間的信息交換、協(xié)同或者博弈，實(shí)現(xiàn)各自利益最大化和獲取最低成本，這一般包括三個(gè)屬性(Wang 2022)：

動(dòng)態(tài)Dynamics：個(gè)體之間間和個(gè)體與環(huán)境之間的閉環(huán)反饋(State,Action, Reward)，駕駛?cè)?智能體AV對(duì)總體環(huán)境動(dòng)態(tài)做出貢獻(xiàn)，也會(huì)被總體環(huán)境動(dòng)態(tài)所影響。

度量Measurement：信息交換，包括跨模數(shù)據(jù)發(fā)布與共享，駕駛?cè)?智能體AV對(duì)道路使用者傳遞各自的社交線索和收集識(shí)別外部線索。

決策Decision：利益/利用最大化，理性來說道路使用者追求的多是個(gè)體的最大利益。

顯然，交通規(guī)則是不會(huì)完全規(guī)定和覆蓋所有駕駛行為的，其它方面可以通過個(gè)體之間的社交/交互來補(bǔ)充。人類司機(jī)總體來說也不會(huì)嚴(yán)格遵守交通規(guī)則，類似案例包括黃燈初期加速通過路口，讓路時(shí)占用部分其它道路空間來減少等待時(shí)間等等。ADS通過對(duì)這類社會(huì)行為的收集、學(xué)習(xí)與理解，可以部分模仿和社會(huì)兼容，通過Social-Aware和Safety-Assured決策，避免過度保守決策，同時(shí)提供算法模型的可解釋性、安全性能和控制效率。具體實(shí)現(xiàn)來說，可以采用類似人類司機(jī)的做法，依據(jù)駕駛?cè)蝿?wù)的不同，使用環(huán)境中不同的關(guān)注區(qū)域ROI和關(guān)注時(shí)間點(diǎn)，以及直接或間接的社交/交互，采用類似概率圖模型和消息傳遞等機(jī)制來建模。

如何用生成式AI來提升自動(dòng)駕駛ADS的產(chǎn)品競(jìng)爭(zhēng)力

目前來看，生成式AI有可預(yù)期的未來，但依舊任重而道遠(yuǎn)，尤其是數(shù)據(jù)的多樣性收集，如何從多模態(tài)海量知識(shí)里學(xué)習(xí)和融合各種知識(shí)，理解人類的使用需求，從上下文學(xué)習(xí)中，通過生成的方式來解決各類實(shí)際任務(wù)。對(duì)于跨行業(yè)技術(shù)推動(dòng)而言，生成式AI采用的自監(jiān)督學(xué)習(xí)訓(xùn)練方法以及可以有效生成多類圖像視頻的能力，已經(jīng)開始在機(jī)器視覺任務(wù)中和自動(dòng)駕駛的感知決策任務(wù)中得到應(yīng)用，可以有效填充自動(dòng)駕駛場(chǎng)景覆蓋不足的Corner Case問題。下面將簡(jiǎn)單列舉幾個(gè)典型應(yīng)用案例來討論一下生成式AI采用的核心技術(shù)在機(jī)器視覺和自動(dòng)駕駛行業(yè)的應(yīng)用前景。

1、基于生成式AI的圖像數(shù)據(jù)拓展

機(jī)器視覺任務(wù)，包括自動(dòng)駕駛領(lǐng)域，一個(gè)核心的挑戰(zhàn)是數(shù)據(jù)多樣性分布不平衡(Dataset Bias)問題。采用生成式AI模型，可以生成或者基于已有數(shù)據(jù)集進(jìn)行有效拓展(Image Augmentation)。一個(gè)典型的應(yīng)用案例，例如采用Stable Diffusion模型的語義指導(dǎo)的圖像拓展SIP模型，其架構(gòu)如圖4所示。 ?

圖4:?采用Stable Diffusion模型的語義指導(dǎo)的圖像拓展案例(Li, 2023)

常用的圖像數(shù)據(jù)拓展多采用平移，變換，拷貝黏貼等策略，有像素級(jí)或者特征級(jí)等幾種類別，這些多數(shù)只是對(duì)圖像或者目標(biāo)進(jìn)行局部處理，很難在保持語義信息和多樣性之間找到平衡，而SIP模型的優(yōu)勢(shì)可以通用的生成式AI大模型，通過圖像的標(biāo)簽和標(biāo)題來指導(dǎo)Image-To-Image高清圖片生成，對(duì)比常用處理算法而言，性能也會(huì)有幾個(gè)百分點(diǎn)提升。

2、行動(dòng)(action)可解釋的自動(dòng)駕駛

對(duì)于自動(dòng)駕駛技術(shù)而言，DL-based方法由于模塊化的設(shè)計(jì)和海量數(shù)據(jù)貢獻(xiàn)，性能占優(yōu)，但如何能夠提供安全能力和大規(guī)模部署，需要解決幾個(gè)挑戰(zhàn)：在保證性能基礎(chǔ)上改善可解釋性；在不同的駕駛個(gè)體，場(chǎng)景和態(tài)勢(shì)下繼續(xù)增強(qiáng)模型的推廣能力。 ? 顯然生成式AI是可以用來對(duì)自動(dòng)駕駛的每個(gè)決策過程進(jìn)行多任務(wù)的文本解釋。圖5是一個(gè)行為可感知可解釋的模型ADAPT設(shè)計(jì)架構(gòu)案例。ADAPT算法模型為每個(gè)場(chǎng)景可以提供用戶友好的自然語言的描述和對(duì)于每個(gè)決策控制指令/行為的比較合理的一系列解釋和推斷。這種實(shí)時(shí)的行為的文字表述和推斷，某種意義上會(huì)讓乘客了解車輛的狀態(tài)，理解ADS決策如何以安全行駛為第一生產(chǎn)要素，以及決策的透明度和易于被使用者理解接受。

圖5:?ADAPT:Action-aware Driving Caption Transformer (Jin 2023)

ADAPT算法模型的量化分析如圖6所示。ADAPT所提供的基于語言的可解釋性，雖然只是一種簡(jiǎn)單的嘗試，但未來對(duì)ADS能否被社會(huì)完全接受，有非常重要的意義。

圖6:?ADAPT算法模型的量化分析(Jin 2023)

參考文獻(xiàn)：

[1] R. G-Brizuela anetc., “ChatGPT is not all you need: a State of the Art Review of largeGenerative AI models”, https://arxiv.org/abs/2301.04655v1

[2] S. Frieder and etc., “Mathematical Capabilities of ChatGPT”，https://arxiv.org/pdf/2301.13867.pdf

[3] B. Li and etc., “Semantic-Guided Image Augmentation with Pre-trainedModels”, https://arxiv.org/pdf/2302.02070.pdf

[4] B. Jin and etc., “”, https://arxiv.org/pdf/2302.00673.pdf

[5] W. Wang, and etc., “Social Interactions for Autonomous Driving: A Reviewand Perspective”, https://arxiv.org/pdf/2208.07541.pdf

編輯：黃飛

?