這個(gè)美國高中生用兩年時(shí)間復(fù)現(xiàn)出英偉達(dá)端到端無人駕駛的論文，并在此基礎(chǔ)上進(jìn)一步改進(jìn)，得到了Nvidia的offer，卻執(zhí)意進(jìn)入大學(xué)學(xué)習(xí)。

Sully Chen

Sully Chen 是南加州大學(xué)維特比工程學(xué)院的研究員，他喜歡數(shù)學(xué)、物理、人工智能以及醫(yī)學(xué)，目前他正致力于如何通過大數(shù)據(jù)和機(jī)器學(xué)習(xí)來改善醫(yī)療保健和醫(yī)學(xué)預(yù)防。三年前，當(dāng)他還在加州帕洛斯弗迪斯高中念書的時(shí)候，就對(duì)自動(dòng)駕駛汽車產(chǎn)生了濃厚的興趣，準(zhǔn)備著手制造自己的機(jī)器。

熱愛的數(shù)學(xué)成為后期研究的重要基礎(chǔ)

十歲開始編程，并參與了很多項(xiàng)目的 Sully Chen 雖然稱不上是天才，但他對(duì)數(shù)學(xué)近乎癡迷。2015年初，同齡的高中生還在學(xué)習(xí)排列組合，而他在一個(gè)視頻中偶然發(fā)現(xiàn)了遺傳算法和神經(jīng)網(wǎng)絡(luò)，這個(gè)視頻用計(jì)算機(jī)仿真出遺傳算法的特性，虛擬生物似乎在沒有人為輸入的情況下神奇地演變出復(fù)雜的行為，“這像極了我在生物課上學(xué)到的交叉和隨機(jī)變異，但我仍不相信這樣的計(jì)算機(jī)模擬是真的。”

很自然地，他編寫了自己的模型去驗(yàn)證了它的可行性。通過親身實(shí)踐，更讓他無法自拔，他花了兩個(gè)星期開完了一學(xué)期的人工智能MIT公開課。與backprop（反向傳播算法）斗爭了好幾個(gè)星期，仍不能真正的理解。查閱大量論文，指南和博客后，最終在 Michael Nielsen 關(guān)于《神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)》博客中解決了自己的困惑，并用C++編了一個(gè)神經(jīng)網(wǎng)絡(luò)庫，以加深自己理解。

構(gòu)造一臺(tái)無人車面臨無數(shù)的挑戰(zhàn)

憑借著對(duì)機(jī)器學(xué)習(xí)“淺薄”的認(rèn)知，Sully Chen開始了制作自己的機(jī)器。

通過視覺算法來實(shí)現(xiàn)無人駕駛，第一個(gè)要解決的挑戰(zhàn)就是數(shù)據(jù)收集問題，需要協(xié)調(diào)好攝像頭和方向盤角度。攝像頭比較簡單，他用膠帶粘在了擋風(fēng)玻璃上，而方向盤角度如何控制呢？

他首先嘗試了一種加速度計(jì)和Arduino（數(shù)據(jù)儀器）連接到方向盤上，并將時(shí)間數(shù)據(jù)與攝像頭同步。這種方法并不理想，由于加速度計(jì)比較敏感，加速度數(shù)據(jù)與視頻數(shù)據(jù)如何分開成了當(dāng)時(shí)Sully需要面對(duì)的另一個(gè)挑戰(zhàn)。

第一種方式行不通，Sully開始了新的嘗試，使用現(xiàn)代汽車配備的OBD-II端口訪問CAN-BUS。這種方法又要面臨新的挑戰(zhàn)，但最終實(shí)現(xiàn)了超精確方向盤測量，證明這種方法是值得的。

挑戰(zhàn)1：如何從 BD-II端口讀取CAN-BUS？解碼和處理CAN-BUS信號(hào)是一個(gè)復(fù)雜的過程，需要很長時(shí)間才能編寫和調(diào)試。幸運(yùn)的是，前人（深圳矽遞科技）已經(jīng)做到了。Sully使用這個(gè)代碼和相對(duì)便宜的Arduino屏蔽，就能夠輕松地從汽車中提取和讀取CAN-BUS數(shù)據(jù)。

挑戰(zhàn)2：如何將CAN-BUS數(shù)據(jù)的亂碼轉(zhuǎn)變?yōu)榉较虮P讀數(shù)？下圖是提取的CAN-BUS數(shù)據(jù)。

從數(shù)百個(gè)CAN-BUS渠道的解析中，找到一個(gè)方向盤角度的信息通道，對(duì)于一個(gè)高中生而言，難度可想而知。Sully 用最笨的辦法做到了！他手動(dòng)監(jiān)控每個(gè)通道，慢慢轉(zhuǎn)動(dòng)方向盤，需按照接受數(shù)據(jù)的平滑變化值。經(jīng)過大量的實(shí)驗(yàn)，終于找到了方向盤的通道，用同樣的方法也找到了油門、制動(dòng)器以及速度的通道。

挑戰(zhàn)3：如何把CAN-BUS中的數(shù)據(jù)轉(zhuǎn)換成可讀數(shù)據(jù)？找到通道后，通過測量實(shí)際角度與通道數(shù)值進(jìn)行線性變換，就能從CAN中讀出車輛的即時(shí)數(shù)據(jù)。

攔路虎順利擺平之后，開始瘋狂收集數(shù)據(jù)。為此，Sully 曠了很多課。當(dāng)數(shù)據(jù)通過機(jī)器學(xué)習(xí)訓(xùn)練算法時(shí)，一切變得有趣起來。

復(fù)現(xiàn)并優(yōu)化Nvidia論文，引起Nvidia官方的重視

用機(jī)器學(xué)習(xí)訓(xùn)練模型時(shí)，第一次嘗試用Caffe 在 AlexNet上訓(xùn)練分類模型。他將數(shù)據(jù)劃分成每個(gè)大小為10度的黑盒子，方向盤角度在0-9度，10-19，20-29等之間得到相應(yīng)的圖像。采用了分類輸出的線性組合獲得最終預(yù)測。由于當(dāng)時(shí)并不能真正理解的統(tǒng)計(jì)數(shù)據(jù)，一切變得非常糟糕。這讓Sully 幾乎失掉了信心，他專門建了一個(gè)存放錯(cuò)誤代碼和實(shí)踐的垃圾文件箱，用來提醒自己要從失敗中總結(jié)經(jīng)驗(yàn)，學(xué)到新東西?，F(xiàn)在這個(gè)垃圾文件箱還存在著，而且越積越大，它的存在也證明了自己一路以來的進(jìn)步。

2016年8月，Nvidia發(fā)布了一篇論文《End to End Learning for Self-Driving Cars》，詳細(xì)解讀了英偉達(dá)在端到端無人駕駛的探索，這讓Sully 有了第二次嘗試，他準(zhǔn)備復(fù)現(xiàn)一下Nvidia論文

Nvidia模型使用以下架構(gòu)：

這個(gè)架構(gòu)輸出的是前十個(gè)神經(jīng)元的簡單線性組合，Sully認(rèn)為還可以改進(jìn)。他通過對(duì)線性組合應(yīng)用正切函數(shù)來改變這一點(diǎn)，這種方法更直觀從視覺數(shù)據(jù)中“恢復(fù)”曲率角度，而不必重新學(xué)習(xí)將斜率或切線轉(zhuǎn)換為弧度測量的方法。

研讀完Nvidia論文的高中生，在TensorFlow中寫了大約一個(gè)晚上的代碼，并用當(dāng)時(shí)便宜的750ti GPU上訓(xùn)練了它，結(jié)合Adam優(yōu)化器等訓(xùn)練。最終，取得了不錯(cuò)的成果！

一個(gè)高中生花費(fèi)兩年時(shí)間完成了這個(gè)龐大的項(xiàng)目，Sully感嘆道“這次經(jīng)歷教會(huì)了我大量的信息，技術(shù)和編碼實(shí)踐。Nvidia甚至帶我去他們的自動(dòng)駕駛實(shí)驗(yàn)室參觀他們的技術(shù)！“Nvidia為這位高中生提供一份不低的工資，但被他拒絕了，Sully進(jìn)入了大學(xué)，開始了自己本科的學(xué)習(xí)。