深度學(xué)習(xí)已經(jīng)徹底改變了機器學(xué)習(xí)系統(tǒng)及其功能，但它不一定是最適合所有任務(wù)的方法。對于其他類型的應(yīng)用程序，使用傳統(tǒng)的模式識別方法（如邏輯回歸、樸素貝葉斯或 k 均值聚類）可能更合適。因此，選擇正確的機器學(xué)習(xí)算法的標(biāo)準(zhǔn)是必要的。這些標(biāo)準(zhǔn)描述如下。

問題的復(fù)雜性是支配選擇的直接標(biāo)準(zhǔn)，它必須適合方法的復(fù)雜性。該標(biāo)準(zhǔn)可以轉(zhuǎn)換為算法必須學(xué)習(xí)的參數(shù)數(shù)量。例如，邏輯回歸算法學(xué)習(xí)圖 8 中映射函數(shù)的兩個參數(shù)?？赡苄枰疃?a href="http://www.socialnewsupdate.com/tags/神經(jīng)網(wǎng)絡(luò)/" target="_blank">神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)數(shù)百萬個參數(shù)，才能獲得與邏輯回歸方法相似的結(jié)果。圖 12 第 11 頁顯示了根據(jù)其復(fù)雜性排序的機器學(xué)習(xí)算法的近似分布。h_θ （x）

圖12：基于復(fù)雜性的機器學(xué)習(xí)算法分類。

每種算法背后的數(shù)學(xué)是這一經(jīng)驗發(fā)現(xiàn)的基礎(chǔ)。偏差-方差權(quán)衡是選擇和構(gòu)建機器學(xué)習(xí)系統(tǒng)的一個重要方面。偏差是由學(xué)習(xí)方法做出的錯誤假設(shè)產(chǎn)生的錯誤。它與擬合不足的問題直接相關(guān)。高偏置算法無法找到輸入特征和目標(biāo)標(biāo)簽之間的相關(guān)關(guān)系。相反，方差是衡量方法對輸入數(shù)據(jù)中存在的隨機噪聲的敏感性的度量。高方差系統(tǒng)可能會導(dǎo)致過度擬合，其中算法對隨機噪聲而不是實際輸入特征進行建模。在實踐中，必須在偏差和方差之間進行權(quán)衡，因為這兩個量彼此成正比。另一個應(yīng)該考慮的標(biāo)準(zhǔn)是數(shù)據(jù)工程師在訓(xùn)練分類器時需要調(diào)整的調(diào)優(yōu)參數(shù)的數(shù)量。

最后，還需要考慮輸入數(shù)據(jù)的性質(zhì)。特征空間中數(shù)據(jù)的線性分離在現(xiàn)實世界中是不尋常的?？梢哉f，對于某些應(yīng)用，可以假設(shè)線性。這方面的一個例子是根據(jù)第3節(jié)開頭描述的大小和速度對汽車和非汽車物體進行分類。這個假設(shè)對于選擇合適的機器學(xué)習(xí)方法至關(guān)重要，因為與非線性分類器相比，線性分類器對于可以線性分離的數(shù)據(jù)更快、更有效。

功能安全注意事項

功能安全是系統(tǒng)整體安全的一部分。ISO 26262“道路車輛 - 功能安全”描述了道路車輛電氣和電子 （E/E） 系統(tǒng)的發(fā)展。通過各種活動或技術(shù)解決方案使系統(tǒng)變得安全。這些所謂的安全措施反映在指定需求、創(chuàng)建架構(gòu)和設(shè)計以及執(zhí)行驗證和確認的過程活動中。

避免系統(tǒng)故障是ISO 26262的一個方面。人為故障是傳統(tǒng)工程系統(tǒng)中的系統(tǒng)性故障。此類失敗的一些明顯示例包括：不完整的需求和測試用例，被遺忘的設(shè)計重要方面或未能發(fā)現(xiàn)問題的驗證。使用機器學(xué)習(xí)時也是如此。此外，要學(xué)習(xí)的任務(wù)和相應(yīng)的測試用例也都由人類描述。此處仍可能發(fā)生系統(tǒng)故障。因此，機器學(xué)習(xí)模型的開發(fā)需要應(yīng)用最佳實踐或適當(dāng)?shù)臉?biāo)準(zhǔn)流程。僅此還不夠。為了控制機器學(xué)習(xí)算法中的系統(tǒng)故障，需要采取安全措施，因為系統(tǒng)元素的部分開發(fā)將在未來通過此類算法完成。只有當(dāng)兩者都能得到保證時，才能消除這些故障。

最近，由于機器學(xué)習(xí)在自動駕駛系統(tǒng)中的使用越來越多，機器學(xué)習(xí)背景下的安全性得到了更多的關(guān)注。Amodei等人，2016年，討論了與事故風(fēng)險相關(guān)的研究問題以及解決這些問題的可能方法。傳統(tǒng)軟件系統(tǒng)中的代碼必須滿足特定的要求，這些要求隨后通過標(biāo)準(zhǔn)化測試進行檢查。在機器學(xué)習(xí)中，計算機可以被認為是通過學(xué)習(xí)方法接管“編程”模塊的任務(wù)。這種“編程”表示在考慮第 3 節(jié)中介紹的技術(shù)背景時學(xué)習(xí)算法的參數(shù)或權(quán)重。學(xué)習(xí)過程通常是隨機的，這意味著無法定義硬性要求。因此，機器學(xué)習(xí)組件是一個黑匣子系統(tǒng)。因此，由于其高維度和大量參數(shù)，很難甚至不可能解釋學(xué)習(xí)的內(nèi)容。

環(huán)境傳感器和相關(guān)處理起著超出功能安全要求的決定性作用，尤其是在高度自動化駕駛的情況下。預(yù)期功能的安全性（SOTIF）涉及用于確保預(yù)期功能的安全關(guān)鍵方面正確執(zhí)行的方法和措施，同時考慮傳感器和處理算法。然而，對于傳統(tǒng)的工程系統(tǒng)和機器學(xué)習(xí)系統(tǒng)，這個問題必須得到澄清，它仍然是正在進行的討論的主題。

虛擬模擬器中的分析是披露此類算法的一種方法。我們將這種方法用于第2.2節(jié)中介紹的自學(xué)習(xí)系統(tǒng)的實驗。在將機器學(xué)習(xí)系統(tǒng)部署到現(xiàn)實世界的汽車中之前，理論上可以在這樣的模擬環(huán)境中學(xué)習(xí)和評估無限數(shù)量的駕駛情況。

現(xiàn)在，機器學(xué)習(xí)已經(jīng)從游戲和模擬發(fā)展到現(xiàn)實世界的汽車應(yīng)用，生命岌岌可危。如前所述，功能安全問題因此變得越來越重要，這也影響了科學(xué)界。一個結(jié)果是研究在模擬中對不同的機器學(xué)習(xí)和人工智能算法進行基準(zhǔn)測試的方法。OpenAI Gym（Brockman et al. 2016）就是這樣一個模擬器，它是開發(fā)和比較強化學(xué)習(xí)算法的工具包。

結(jié)論與展望

基于機器學(xué)習(xí)的功能在高度自動駕駛中的應(yīng)用受到最近成就的推動。最初的原型確實產(chǎn)生了有希望的結(jié)果，并表明了在解決相關(guān)復(fù)雜問題時的優(yōu)勢。然而，即使機器學(xué)習(xí)是合適的，仍然存在大量挑戰(zhàn)。首先有必要為給定的任務(wù)選擇正確的神經(jīng)網(wǎng)絡(luò)類型。這種選擇與應(yīng)用學(xué)習(xí)方法、必要的預(yù)處理和訓(xùn)練數(shù)據(jù)的數(shù)量有關(guān)。關(guān)于將整體驅(qū)動任務(wù)分解為更小的子任務(wù)的最佳方法，仍然存在討論。深度學(xué)習(xí)技術(shù)能夠在不需要分解的情況下實現(xiàn)端到端方法，但目前認為這在驗證和確認功能方面不太合適。機器學(xué)習(xí)社區(qū)需要開發(fā)增強的方法，尤其是為了滿足功能安全要求，這是相關(guān)功能成功工業(yè)化的基礎(chǔ)。

Elektrobit相信，盡管仍然存在挑戰(zhàn)，但機器學(xué)習(xí)有可能重塑未來的汽車軟件和系統(tǒng)格局。為此，已開始兩個方面的調(diào)查。首先是應(yīng)用基于機器學(xué)習(xí)的方法作為高度自動化駕駛場景（選定的子集）的解決方案，例如上面提到的用例。EB robinos 參考架構(gòu)以及與 NVIDIA 的合作等都有助于開發(fā)環(huán)境。其次，Elektrobit 利用其在汽車軟件功能安全和工業(yè)化領(lǐng)域的專業(yè)知識，將這些想法及其合作伙伴和客戶的產(chǎn)品變?yōu)楝F(xiàn)實。

審核編輯：郭婷