如果让自动驾驶程序去跑F1，能跑赢顶尖车手吗？

链接：https://www.zhihu.com/question/483796359

编辑：深度学习与计算机视觉

声明：仅做学术分享，侵删

作者：周博磊
https://www.zhihu.com/question/483796359/answer/2104545548

机器智能决策是目前很火的一个AI研究课题，我自己也做一些相关研究。不过目前这个方向出来的超过人类能力的AI大多是在模拟器里搞出来的。

举个例子，UZH组去年的一个研究工作，利用强化学习在PS4上的一个比较专业的赛车模拟器GT Sport中得到了一个超过人类专业玩家的AI模型。油管视频 demo看起来还是非常燃的。论文里面也跟对比分析了模型和人类赛车手的驾驶行为的异同，发现模型可以自己学出很多专业赛车手才有的行为（如下图），甚至能更有创造力地找到一些捷径，给人类驾驶者提供一些赛车的新思路。这一点是非常有意思。

虽然目前基于AI的安全考虑很难直接在物理世界训练模型。但随着模拟器仿真度的提升，在虚拟世界中完美重建出F1赛道的各项物理指标已经近在咫尺。而且世界各地的F1赛道大多是固定的，甚至都不用强调模型的泛化能力，直接利用强化学习训练模型来overfit这些赛道。

到时候有了这些超人的AI模型，将会出现人类向机器的反向的模仿学习(imitation learning)：顶尖车手反过来模仿学习这些模型的每一个精准过弯行为。这些模型也许就好比秋名山车神驾驶的AE86，能精准找到和执行每一个利用排水渠漂移过弯的戏法，可不可怕。

另外一个例子，美国国防部的DARPA两年前搞过一次F16战斗机模拟器比赛，找了一些团队来研究模拟器中的战斗机AI。最后胜出的AI模型跟美军现役F16驾驶员在模拟器中进行比赛，最后结果5-0。感兴趣的同学可以看看这个油管比赛视频。

作者：Justin ho
https://www.zhihu.com/question/483796359/answer/2223368372

如果是跑圈、排位赛，相信AI应该稳赢，所有路线都是固定，赛道上没有其它车辆干扰，甚至天气情况也能建模进去。

但正赛就难了。

你不知道刘某人会不会在你出圈的时候怼你一下右后。

你不知道bat77会不会起步的时候把大家一票带走。

你不知道梅奔换胎工会不会给你整个活(别说窝法了，窝法今年换胎争气了)。

你不知道倍耐力这场提供的轮胎会不会在你最后几圈的时候爆胎。

正是因为车手的能力、车辆的性能、天气情况、对手的策略瞬息万变，才让这项运动充满了惊喜。

作者：杨继峰
https://www.zhihu.com/question/483796359/answer/2271675750

我经历过的讨论：

大学生无人方程式
奥迪TT无人车
Roborace比赛

说结论吧：

目前即使在无干扰的圈速比赛里，AI也没有赢顶尖车手真实的比赛案例。（除去一些传播demo案例）可以关注Roborace类型的比赛，还是蛮有趣和震撼的。AI vs Human F1会是一个很有趣也很有象征性的比赛
共赛的模式，可能需要更久。另外利益相关，我不认为这是自动驾驶在现阶段需要优先解决的问题。无人驾驶今天最有趣也是最核心的问题是自动驾驶与道路交通体系的交互，以及自动驾驶与人工驾驶体系的交互（人机共驾）

作者：XYYJ
https://www.zhihu.com/question/483796359/answer/2105594071

看到大部分人的回答是，AI胜人类，在这里我想表示，现阶段还有距离：

AI的火爆一定程度上原自alpha go 以及alpha star的表现，但其成立的前提是具有一个明确且易于获得准确数据的环境。现阶段，电子游戏等领域可以实现，但是在F1领域却很难实现。

现阶段自动驾驶无法完美应对F1主要原因包括：1、需要的训练样本过多。2、无法对F1进行精确建模。3、现有的感知技术有限。

1、所需训练样本过多：

现有的AI训练基本大量样本对人工神经网络的投喂，所需的样本量过大，以图片为例，精准识别图片中事物所需的样本数量在千级别以上。在F1领域的驾驶方面，所需的考虑的操作不仅仅包括油门以及刹车、离合，还包括前后刹车平衡调教，维修区巡航限速等等因素，而F1赛车所处的环境变量过于复杂，包括但不限于复杂的流体环境（如跟车以及超车过程）、天气状况（包括风、雨、气温）、轮胎磨损情况评估以及车辆本身故障检测（如前后以片状态），复杂的环境往往需要更大量的样本去学习，而对于过于复杂的F1赛车环境，当下AI连简单的进站策略制定都无法很好的实现（F1官方给出的推荐轮胎策略，经常翻车），更别提驾驶F1赛车了。

而为什么人能在这一方面领先AI呢，人本身对小样本的学习能力要远胜AI。举个例子：

人：一朝被蛇咬，十年怕井绳

AI：今年天天被蛇咬，以后才会怕井绳

造成AI学习能力低下的一个原因是，AI本身的神经网络架构是由人设计的，是对生物神经网络架构的一种模仿，或者说一种较为粗糙的模仿。而人的生物神经网络经过了，自然界数十亿年的进化，有其独到之处，暂时在脑神经科学领域还没有完整摸透。人脑可以创造AI，因此其伟大之处不言而喻，暂时还不是AI能与之相比的。

2、无法精准建模：

F1的环境过于复杂，不提天气，以及轮胎、车辆状况，单单以气动为例，现有的CFD（计算流体力学）也仅能给出定性分析，准确的气动分析还无法实现，因此在F1驾驶过程中，车辆的模型是不准确，在基于模型的传统控制方法中，对模型的依赖是很强的。尤其是在极限驾驶状态，如F1过弯，这种抓地力极限状态，微小的模型偏差也会带来较大的效果偏差。这牵扯到算法的鲁棒性问题，对F1环境而言，系统处在极限状态，模型容易发生突变（如打滑现象），甚至变化为不同的模态，对算法的鲁棒性要求过大，现有算法还无法支持。此外现有的故障检测技术有限，也是无法精准建模的一个原因。更别提对突发因素的处理，比如赛道上出现动物。

3、现有的感知技术有限：

现有基于laser、毫米波雷达以及激光雷达的检测能力依然有限。在目标检测包括静止目标检测以及动目标检测、包括目标行为预测等方面还存在较大的提升空间。在这些领域不要过分小看人的感知能力，人眼的感知能力虽然有限，但配合人脑对感知信息的分析，尤其是对目标的分析能力依然远超现有的技术。

比如，自动驾驶在超车过程中会将前车简单的识别一个动态障碍物，而不会将其作为一个竞争对手来考虑，因此缺乏竞赛中的博弈策略，容易被前车压制。此外对于赛道上的微小物体，现有的感知技术连发现都很难做得，更别提对其进行分析识别，然后判断是否影响自身驾驶了。

当然我是看好自动驾驶前景的，毕竟自己也属于这个领域，但也不要过分高估自动驾驶，蔚来和特斯拉的车祸就是典型的例子。现有车辆的自动驾驶能力相比于实验室科研内容还是落后很多的，但是从现有的实验室预研情况来看，以上我提到的三个点依然没有获得很好的处理。对未来的自动驾驶技术应该具有信心，但也要抱有适当地谨慎态度，毕竟现在无脑吹AI的带路党太多了，但毕竟大家需要一些概念来恰饭的。

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 woshicver」，每日朋友圈更新一篇高质量博文。

↓扫描二维码添加小编↓

如果让自动驾驶程序去跑F1，能跑赢顶尖车手吗？

猜你喜欢