當(dāng)模型訓(xùn)練好以后，遇到類似場景就可以嘗試輸出類似的人類動作。這種學(xué)習(xí)方式不需要工程師把每一種情況的規(guī)則一條條寫出來，也不需要設(shè)計一個復(fù)雜的獎勵函數(shù)讓機器在虛擬世界里靠試錯學(xué)會開車，只要有質(zhì)量較好的“人類示范”，就能把人的“駕駛風(fēng)格”灌輸?shù)侥Ｐ屠铩?/p>

　　模仿學(xué)習(xí)有不同的實現(xiàn)方式。最直接的叫行為克隆(behavior cloning)，就是把專家看見與執(zhí)行的對應(yīng)關(guān)系作為監(jiān)督學(xué)習(xí)任務(wù)，其輸入是傳感器數(shù)據(jù)、前視圖、速度等信息，輸出是方向盤角度、油門剎車等控制量。還有一種思路是逆強化學(xué)習(xí)(inverse reinforcement learning)，它不是直接學(xué)“做什么”，而是試圖從人類的行為里反推出一個“潛在的目標(biāo)函數(shù)”或者偏好，再用這個目標(biāo)去訓(xùn)練模型。除此之外，還有對抗式模仿、層次化模仿等更復(fù)雜的變體，這些方法能夠在一定程度上緩解簡單模仿學(xué)習(xí)在泛化能力和魯棒性上的不足。

　　模仿學(xué)習(xí)對自動駕駛有什么用

　　在自動駕駛這樣高風(fēng)險的領(lǐng)域，讓模型在真實世界里靠“試錯”學(xué)習(xí)顯然不現(xiàn)實。模仿學(xué)習(xí)可以利用已有的人類駕駛數(shù)據(jù)，讓模型在安全的條件下學(xué)習(xí)“合格駕駛員”的行為模式。

　　對于很多常見場景，尤其是城市道路或高速路上的常規(guī)操作，模仿學(xué)習(xí)能教會車輛如何平順變道、如何與前車保持距離、如何在擁堵路段保持合理速度，這種“像人開車”的行為將提升乘客的體驗，并會讓社會有更高的接受度。

　　此外，模仿學(xué)習(xí)在工程上好上手、訓(xùn)練效率也相對更高。模仿學(xué)習(xí)本質(zhì)上是監(jiān)督學(xué)習(xí)，訓(xùn)練目標(biāo)直接、損失明確，數(shù)據(jù)處理管道成熟。因此在研發(fā)早期，以及做端到端感知-控制的探索時，模仿學(xué)習(xí)是首選方法。

　　模仿學(xué)習(xí)還能把多模態(tài)傳感器的信息(攝像頭、毫米波雷達(dá)、LiDAR、里程計等)合并到一個網(wǎng)絡(luò)中，直接從原始感知到控制量學(xué)習(xí)一條端到端的映射，這在某些應(yīng)用場景能顯著簡化系統(tǒng)架構(gòu)。

　　模仿學(xué)習(xí)還有一個好處，就是能把“人類的駕駛習(xí)慣”保留下來。人類駕駛員在很多情形里會做出既安全又舒適的動作，像是平滑的加減速、合理的避讓、符合社會駕駛習(xí)慣的決策等，都是人類駕駛員可以輕松應(yīng)對的動作。把這些行為灌輸?shù)侥Ｐ屠铮兄谧詣玉{駛車輛在混合交通環(huán)境中更自然地與人類駕駛者共存，從而減少被其他車輛或行人誤判的風(fēng)險。

　　如何用模仿學(xué)習(xí)訓(xùn)練模型?

　　想用模仿學(xué)習(xí)訓(xùn)練模型，要先進(jìn)行采集示范數(shù)據(jù)，然后做數(shù)據(jù)清洗與標(biāo)注，接著訓(xùn)練模型并在模擬器或封閉道路上測試，最后再做在線改進(jìn)與驗證。

　　采集階段不是簡單地采集更多場景，也不是無腦地堆砌各種場景，而是要找到場景多樣且高質(zhì)量的數(shù)據(jù)，像是白天夜晚、雨雪、高架與城市擁堵、復(fù)雜交叉口等場景場景必須都覆蓋到。訓(xùn)練時可用卷積神經(jīng)網(wǎng)絡(luò)處理圖像輸入，并把時序信息通過遞歸結(jié)構(gòu)或時間窗口的方式納入，讓模型能記住短時間內(nèi)的動態(tài)變化。

　　在模型上線之前，需要通過仿真和閉環(huán)測試來驗證模型的魯棒性。單純在靜態(tài)測試集上做得好并不代表閉環(huán)駕駛也能穩(wěn)健運行，控制策略的每一步動作都會改變后續(xù)的狀態(tài)分布，這種分布偏移會導(dǎo)致誤差積累。

　　為此，要引入在線糾偏機制，如在模型駕駛時讓專家在線糾正，將這些新的“偏離狀態(tài)-專家動作對”加入數(shù)據(jù)集繼續(xù)訓(xùn)練，像是DAgger(Dataset Aggregation，數(shù)據(jù)集聚合)就是采用的這種方法。還有技術(shù)方案中會先用模仿學(xué)習(xí)學(xué)一個“基礎(chǔ)策略”，再用強化學(xué)習(xí)或規(guī)則化的規(guī)劃層對其微調(diào)與約束，以增強對稀有或危險場景的處理能力。

　　當(dāng)然，模仿學(xué)習(xí)并不等同于完全放手不設(shè)規(guī)則。為確保自動駕駛系統(tǒng)的安全性，很多技術(shù)方案中會采用混合架構(gòu)，模仿學(xué)習(xí)負(fù)責(zé)感知-決策的快速映射，規(guī)劃層負(fù)責(zé)長時間尺度的路徑規(guī)劃，規(guī)則模塊負(fù)責(zé)硬性安全約束(比如絕對剎停條件、最小車距限制等)。這種分層與混合的策略不僅可以利用模仿學(xué)習(xí)的高效性，也能通過規(guī)則化模塊彌補它在極端情況上的不足。

　　模仿學(xué)習(xí)的局限與現(xiàn)實挑戰(zhàn)

　　模仿學(xué)習(xí)雖好，但其存在泛化能力有限與誤差積累等問題。模仿模型在訓(xùn)練時學(xué)到的是“在那些見過的狀態(tài)里該做什么”，一旦遇到訓(xùn)練集中沒有覆蓋到的罕見場景，模型將不知道應(yīng)該如何處理。尤其是在序列決策問題中，模型自己的每一步?jīng)Q定都會改變未來觀測的分布，哪怕開始只是輕微偏差，也可能隨著時間放大成嚴(yán)重錯誤，這就是所謂的分布偏移或誤差累積問題。

　　模仿學(xué)習(xí)主要學(xué)習(xí)專家示范的內(nèi)容，提供給模型的專家示范總希望是高質(zhì)量的且具代表性的，但人類司機并不完美，總會存在疏忽、習(xí)慣性錯誤或?qū)δ承﹫鼍安磺‘?dāng)?shù)呐袛�。如果模型只是機械地模仿這些行為，就可能學(xué)到不良駕駛習(xí)慣。尤其對于人類社會來說，道德和法律層面的約束不是簡單靠模仿就能學(xué)會的，如何在多方?jīng)_突情形下如何取舍、如何展現(xiàn)可辯護(hù)的決策過程等，都需要額外的規(guī)則與可解釋性的支撐。

　　端到端的模仿學(xué)習(xí)模型還存在內(nèi)部決策過程不透明的問題，其安全邊界難以被嚴(yán)格界定和驗證。對于汽車這種涉及生命財產(chǎn)安全的關(guān)鍵領(lǐng)域，監(jiān)管與認(rèn)證體系要求系統(tǒng)具備可解釋的邏輯或明確的安全保證。因此，單純依賴數(shù)據(jù)驅(qū)動的模仿學(xué)習(xí)，在應(yīng)對復(fù)雜多變的長尾場景時，可能面臨可驗證性不足的挑戰(zhàn)。

　　要把模仿學(xué)習(xí)做得足夠魯棒，要覆蓋足夠廣的高質(zhì)量示范數(shù)據(jù)，這就帶來了采集成本高、標(biāo)注難、隱私與合規(guī)等問題。尤其是極端天氣、罕見事故或復(fù)雜交互場景，本身就少見，要人工制造這些場景又有風(fēng)險，仿真雖然能補充一部分，但仿真與現(xiàn)實間的差距也會影響模型遷移效果，因此，對于模仿學(xué)習(xí)來說，數(shù)據(jù)方面的挑戰(zhàn)不容忽視。